KELOMPOK 4.1:
Menurut Charles dan Simpson (2002) dalam Widyaningsih dan Andayani (2018), goal
programming merupakan salah satu metode dalam optimasi multiobjektif. Goal
programming adalah salah satu model matematis yang dipandang sesuai digunakan
untuk pemecahan masalah multi tujuan, karena melalui variabel deviasionalnya, goal
programming secara otomatis menangkap informasi tentang pencapaian relatif dari
tujuan yang ada.
Menurut Siswano (2007) dalam Widyaningsih dan Andayani (2018), penyelesaian goal
programming adalah dengan cara mengubah beberapa tujuan tersebut menjadi satu
tujuan (single goal). Perbedaannya dengan linear programming single goal hanya
terletak pada kehadiran sepasang variabel deviasional yang muncul pada fungsi tujuan
dan fungsi-fungsi kendala. Optimasi dengan metode goal programming ini dapat
diaplikasikan dalam optimasi perencanaan produksi di perusahaan.
Menurut Esther dkk. (2013) dalam Lubis dkk. (2021), optimasi merupakan pencapaian
suatu keadaan yang terbaik, yaitu pencapaian suatu solusi masalah yang diarahkan pada
batas maksimum dan minimum. Optimasi dapat ditempuh dengan dua cara yaitu
maksimisasi dan minimisasi. Maksimisasi adalah optimasi produksi dengan
mengalokasian input yang sudah tertentu untuk mendapatkan keuntungan yang
maksimal. Sedangkan minimisasi adalah optimasi produksi untuk menghasilkan tingkat
output tertentu dengan menggunakan input atau biaya yang paling minimal.
Menurut Syahputra (2018) dalam Lubis dkk. (2021), goal programming ditujukan untuk
mengatasi masalah dengan lebih dari satu tujuan. Tujuan-tujuan tersebut bisa saling
berkaitan dan bisa juga saling bertentangan. Ketika tujuan yang satu berkaitan dengan
tujuan lain, maka solusi terhadap satu tujuan menguntungkan tujuan yang lain. Tetapi
pada kondisi nyata sering ditemukan tujuan-tujuan yang saling bertentangan, di mana
ketika mencoba mengoptimalkan tujuan yang satu maka akan menyebabkan kerugian
pada tujuan yang lain. Dalam hal ini benar-benar diperlukan suatu metode yang bisa
merangkum tujuan-tujuan yang saling bertentangan tersebut dan mencari solusi optimal
dari seluruh tujuan yang ingin dicapai secara simultan.
Menurut Anis (2007) dalam Lubis dkk. (2021), metode goal programming efektif jika
digunakan menentukan kombinasi produk optimal dan sekaligus mencapai sasaran-
sasaran yang diinginkan. Dari paper tersebut didapat bahwa goal programming
merupakan metode yang tepat digunakan dalam pengambilan keputusan untuk
mencapai tujuan-tujuan yang bertentangan di dalam batasan-batasan yang komplek
dalam perencanaan produksi. Metode goal programming juga membantu kita untuk
memperoleh jawab optimal yang paling mendekati sasaran-sasaran yang kita inginkan.
Menurut Astuti (2013) dalam Tetilias dkk. (2018), optimasi produksi merupakan suatu
cara untuk merencanakan atau mengatur penggunaan sumberdaya yang dimiliki
perusahaan seperti bahan baku, tenaga kerja, modal kerja, fasilitas produksi supaya
dapat memenuhi permintaan konsumen, mengoptimalkan bahan baku yang ada dan agar
proses produksi dapat berjalan dengan efektif dan efisien.
Menurut Susanti (2013) dalam Tetilias dkk. (2018), goal programming (GP) adalah
suatu model matematis yang digunakan sebagai dasar dalam pengambilan suatu
keputusan untuk menganalisis dan membuat solusi persoalan yang melibatkan banyak
tujuan sehingga diperoleh alternative pemecahan masalah yang optimal. Metode goal
programming juga efektif bila digunakan untuk menentukan kombinasi produk yang
optimal dan sekaligus mencapai sasaran yang diinginkan perusahaan.
Menurut Marpaung (2009) dalam Titilias (2018), ada beberapa langkah yang harus
dilakukan dalam perumusan masalah goal programming yaitu:
1. Penentuan variabel keputusan
Penentuan variabel keputusan, yaitu dengan melakukan
parameter-parameter yang berpengaruh terhadap keputusan.
2. Penentuan fungsi tujuan
Ada 3 macam kemungkinan hubungan tersebut, yaitu f ( xi )=bi, fi ( xi ) ≥ bi, atau
fi ( xi ) ≤ bi.
3. Perumusan fungsi sasaran
Pada langkah ini tiap tujuan pada sisi kirinya ditambahkan dengan variabel deviasi
+¿=bi .¿
f ( x ) +¿−¿− pi ¿
Menurut Kumar dkk. (2018) dalam Sugianto (2021), penerapan goal programming
sangat luas dan dapat diimplementasikan pada penganggaran modal dan pada penentuan
beberapa proyek yang saling eksklusif satu sama lain dengan memberikan nilai
sekarang dari pengeluaran untuk periode tersebut dan memberikan nilai sekarang dari
proposal investasi industri skala besar. Suatu pendekatan menggunakan goal
programming digambarkan sebagai alternative praktis yang mungkin. Goal
programming merupakan metode untuk mengambil keputusan dengan memperhatikan
fungsi tujuan yang berbentuk target. Saat ini goal programming telah dikembangkan
lebih lanjut dengan menggunakan matriks sehingga perhitungan menjadi lebih
sederhana.
Menurut Onuoha (2013) dalam Otaviani dkk. (2018), goal programming adalah
perluasan dari linear programming yang merupakan alat matematis untuk menangani
multi tujuan dengan tujuan yang bertentangan melalui variabel deviasinya. Langkah-
langkah dasar perumusan model goal programming yaitu menentukan variabel
keputusan, menyatakan kendala tujuan, menyatakan kendala sistem, menentukan
prioritas, menyatakan fungsi tujuan, menyatakan kendala non negatif, menyelesaikan
model goal programming.
Menurut Orumie dan Ebong (2014) dalam Sugianto (2020), goal programming dapat
dianggap sebagai cabang dari optimasi multi objektif yang dengan sendirinya
merupakan bagian dari analisis keputusan multi-kriteria. Goal programming adalah
salah satu teknik pengambilan keputusan multi kriteria yang digunakan dalam
optimalisasi beberap tujuan objektif dengan meminimalkan penyimpangan untuk
masing-masing tujuan dari target yang diinginkan.
Menurut Berrouiguet dan Tissourassi (2015) dalam Sugianto (2020), secara umum,
gagasan goal programming adalah untuk mengubah berbagai tujuan awal menjadi satu
tujuan. Goal programming hanya menghasilkan hasil yang efisien dan memuaskan
daripada optimal. Hal ini terjadi karena, tidak biasa untuk selalu memuaskan setiap
tujuan, sehingga goal programming berupaya mencapai tingkat memuaskan dari
berbagai tujuan yang sedang dipertimbangkan.
Menurut Liu dan Chen (2015) dalam Sugianto (2020), goal programming dikenal juga
sebagai optimisasi multi-kriteria atau multi-atribut, yang merupakan proses
mengoptimalkan secara bersamaan dua atau lebih tujuan yang saling bertentangan.
Pemrograman multiobjek baru yang disebut pemrograman multiobjek tidak pasti yang
merupakan jenis pemrograman multiobjek yang melibatkan variabel tidak pasti.
BAB III
LINEAR GOAL PROGRAMMING
Berdasarkan studi kasus di atas, PT Asus Indonesia memiliki 5 tujuan untuk dicapai.
Setelah mengetahui prioritas dari PT Asus Indonesia memiliki, maka dituliskan kedalam
sebuah formulasi model Goal programming untuk menyelesaikan studi kasus PT Asus
Indonesia menggunakan software LINGO. Berikut merupakan langkah-langkah untuk
menyelesaikan persoalan Linear Goal Programming dengan software LINGO yang
dapat dijabarkan sebagai berikut:
1. Dibuka software LINGO dengan cara klik dua kali pada ikon LINGO pada desktop.
2. Pada layar akan muncul tab untitled yang merupakan tempat mengetikkan formulasi
matematis dari sebuah persoalan.
3. Berdasarkan persoalan PT Asus Indonesia, terlebih dahulu ditentukan variabel
keputusan, tujuan, dan batasan sebelum dituliskan ke dalam bentuk model matematis
seperti berikut:
a. Berikut merupakan nilai dari variabel keputusan permasalahan PT Maju Mundur
mengenai produksi perkakas kayu.
X1 : Jumlah televisi yang harus diproduksi (unit)
X2 : Jumlah handphone yang harus diproduksi (unit)
X3 : Jumlah laptop yang harus diproduksi (unit)
X4 : Jumlah monitor yang harus diproduksi (unit)
b. Berikut merupakan prioritas dari permasalahan PT Maju Mundur mengenai
produksi perkakas kayu.
Prioritas 1: Meminimumkan ketidaktercapaian total produksi sebesar 1350 unit
pertahun (Goal 1)
Prioritas 2: Meminimumkan ketidaktercapaian produksi kurang dari 78 unit
produk televisi pertahun (Goal 2)
Prioritas 3: Meminimumkan ketidaktercapaian produksi kurang dari 96 unit
produk handphone pertahun (Goal 3)
Prioritas 4: Meminimumkan ketidaktercapaian produksi kurang dari 75 unit
produk laptop pertahun (Goal 4)
Prioritas 5: Meminimumkan ketidaktercapaian produksi kurang dari 98 unit
produk monitor pertahun (Goal 5)
c. Berikut merupakan fungsi tujuan serta batasan dari permasalahan yang dihadapi
PT Maju Mundur mengenai produksi perkakas kayu mereka.
Fungsi tujuan : Min P1d1- + P2d2- + P3d3- + P4d4- + P5d5-
Batasan : 8x1 + 2x2 + 10x3 + 2x4 ≤ 1640
6x1 + 4x2 + 6x3 + 4x4 ≤ 1600
6x1 + 4x2 + 6x3 + 2x4 ≤ 1660
4x1 + 2x2 + 4x3 + 2x4 ≤ 1500
x1 + x2 + x3 + x4 + db1 - da1 = 1350
x1 + db2 - da2 = 78
x2 + db3 - da3 = 96
x3 + db4 - da4 = 75
x4 + db5 - da5 = 98
4. Ketikkan formulasi model matematis yang telah dibuat sebelumnya pada software
LINGO seperti yang terlihat pada Gambar 3.1 berikut ini.
5. Klik Solver, kemudian Solve pada toolbar untuk melihat hasil komputasi dari
perumusan masalah studi kasus tersebut.
6. Selanjutnya akan muncul kotak dialog Solution Report – Lingo1 dari studi kasus di
atas seperti pada Gambar 3.2.
Gambar 3.2 Output software LINGO
3.3. Analisa Output Linear Goal programming
a. Variable X1 (televisi) diperoleh nilai reduced cost senilai 0, yang berarti jumlah
produksi televisi sudah optimal yaitu sebanyak 78 unit.
b. Variable X2 (handphone) diperoleh nilai reduced cost senilai 0, yang berarti
jumlah produksi televisi sudah optimal yaitu sebanyak 96 unit.
c. Variable X3 (laptop) diperoleh nilai reduced cost senilai 0, yang berarti jumlah
produksi televisi sudah optimal yaitu sebanyak 59,33333 unit ≈ 59 unit,
d. Variable X4 (monitor) diperoleh nilai reduced cost senilai 0, yang berarti jumlah
produksi televisi sudah optimal yaitu sebanyak 98 unit,
4. Slack or Surplus
Nilai slack or surplus memberikan informasi perubahan pada nilai fungsi tujuan bila
nilai ruas kanan berubah satu unit, studi kasus Linear Goal programming pada PT
Asus Indonesia diketahui bahwa pada row 1, 2, 4 dan 5 masing-masing bernilai
1034,333, 34,667, 256 dan 562,667. Sehingga dalam studi kasus tersebut bisa
dikatakan sebagai kendala aktif atau non basis. Pada row 3, 6, 7, 8, 9 dan 10 bernilai
0 yang artinya dapat menunjukkan bahwa S3, S6, S7, S8, S9 dan S10 dalam
permasalahan diatas dapat dikategorikan sebagai kendala aktif non variable atau
variabel basis.
5. Dual price
Nilai dual price pada studi kasus PT Asus Indonesia di atas, dapat dilihat untuk row
1, 3, 6, 7, 8, 9, dan 10 memiliki nilai berturut-turut sebesar -1; 0,333; -1; -1; -0,333; -
1 dan -0,333. Pada kendala 1, 6, 7 dan 9 bernilai -1 yang berarti apabila ruas kanan
batasan ditambah sebesar 1 jam maka akan mengurangi sebesar 1 unit di nilai ruas
kanan fungsi tujuan. Pada kendala 3, yaitu 0,333 yang berarti apabila ruas kanan
batasan ditambah sebesar 1 jam maka akan bertambah sebesar 0,333 unit di nilai ruas
kanan fungsi tujuan. Pada kendala 8 dan 10 yaitu -0,333 yang berarti apabila ruas
kanan batasan ditambah sebesar 1 jam maka akan mengurangi sebesar 0,333 unit di
nilai ruas kanan fungsi tujuan. Sedangkan pada row 2, 4, dan 5 bernilai 0, hal ini
menunjukkan bahwa jika ruas kanan kendala 2, kendala 4, dan kendala 5 bertambah
1 jam maka tidak mengubah nilai fungsi tujuan.
3.4 Kesimpulan