Bahan Ajar

Mata Kuliah
RISET OPERASIONAL

Disusun oleh:
Lukmanulhakim Almamalik

Politeknik PIKSI Ganesha

Bandung
2011
 Kata Pengantar

Puji syukur kami panjatkan kehadirat Allah SWT, karena dengan karunia-Nya modul mata
kuliah Riset Operasional ini dapat kami selesaikan dan sajikan.

Modul mata kuliah Riset Operasional ini dimaksudkan sebagai salah satu media belajar
bagai mahasiswa Politeknik Piksi Ganesha dalam mata kuliah Riset Operasional, sehingga
diharapkan mahasiswa bisa lebih memahami materi Riset Operasional yang diberikan
dosen di dalam kelas.

Modul ini terbagi menjadi 11 bab, dimana urutan per bab disesuaikan dengan sistematika
silabus Riset Operasional yang diberikan kepada mahasiswa.

Penulis mengucapkan terima kasih kepada rekan-rekan pengajar di Politeknik Piksi

Ganesha, yang telah memberikan dorongan sehingga modul Riset Operasional ini selesai
dibuat. Penulis menyadari bahwa isi modul ini masih banyak kekurangan. Oleh karena itu
saran dan kritik untuk perbaikan modul ini akan penulis terima dengan senang hati.

Akhir kata, semoga modul ini dapat bermanfaat bagi yang mempelajarinya.

Almamalik -2
1
Pengantar Riset Operasional

A. Tujuan Kompetensi Khusus

Menjelaskan sejarah dan falsafah Riset Operasional dan hubungannya dengan

pengambilan keputusan.

B. Uraian Materi

1. Sejarah dan Latar Belakang Singkat Riset Operasional

• Pada masa Perang Dunia II, angkatan perang Inggris membentuk suatu tim yang
terdiri dari para ilmuan dan ahli militer untuk mempelajari strategi memenangkan
perang melawan Jerman. Tim yang dibentuk bertujuan menentukan penggunaan
sumber daya kemiliteran yang terbatas untuk dapat bekerja paling efektif. Dalam
bekerjanya tim melakukan riset menggunakan pengetahuan ilmiah untuk menentukan
penggunaan sumber-sumber yang terbatas tersebut.
• Setelah perang selesai, potensi komersialnya segera disadari oleh kalangan industri.
Pengembangannya telah menyebar dengan cepat, terutama di belahan benua Amerika,
terutama di Amerika Serikat.
• Sedemikian pesat perkembangannya sampai saat ini, Riset Operasional telah
digunakan dalam hampir seluruh kegiatan, baik di perguruan tinggi, dunia usaha,
pemerintahan, program kesehatan, maupun organisasi jasa.
• Dalam literatur manajemen, Riset Operasional sering juga dinamakan dengan
Management Science.

2. Riset Operasional Sebagai Senit dan Imu

• Riset Operasional adalah suatu teknik pemecahan masalah yang berusaha menetapkan
arah tindakan terbaik (optimum) dari sebuah masalah keputusan dalam kondisi sumber
daya yang terbatas.
• Istilah Riset Operasional seringkali diasosiasikan hampir secara ekslusif dengan
penggunaan teknik-teknik matematika untuk membuat model dan menganalisis
masalah keputusan.
• Walaupun teknik dan model matematis merupakan inti dari Riset Operasional, akan
tetapi pemecahan masalah tidaklah hanya sekedar pengembangan dan pemecahan
model-model matematis.
• Secara khusus, masalah-masalah keputusan biasanya mencakup faktor-faktor penting
yang tidak terwujud (intagible) dan tidak dapat diterjemahkan secara langsung dalam
bentuk model matematis. Faktor yang paling utama dari faktor-faktor tersebut adalah
kehadiran unsur manusia sebagai si pengambil keputusan.
• Sebagai sebuah teknik pemecahan masalah, Riset Operasional dapat dipandang
sebagai seni dan ilmu.
• Aspek ilmu terletak pada penyediaan teknik-teknik matematik dan algoritma untuk
memecahkan masalah yang dihadapi, sedangkan sebagai seni, keberhasilan dari solusi

Almamalik -3
 model matematis ini sangat bergantung pada kreativitas dan kemampuan seseorang
sebagai pengambil keputusan untuk memecahkan masalah tersebut.
• Jadi pengumpulan data dalam pengembangan model, penentuan keabsahan model, dan
penerapan dari pemecahan yang diperoleh akan bergantung pada kemampuan
kelompok peneliti Riset Operasional yang bersangkutan untuk membentuk komunikasi
yang baik dengan sumber-sumber informasi maupun dengan individu-individu yang
bertanggung jawab atas solusi yang disarankan.

3. Komponen Model Keputusan

• Dalam menyelesaikan suatu permasalahan yang berkaitan dengan pengambilan
keputusan ini, yang terlebih dahulu harus diidentifikasi adalah komponen-komponen
utamanya, yaitu:
a. Tujuan (objective).
b. Variabel-variabel keputusan.
• Tujuan adalah hasil akhir yang hendak dicapai yang dilakukan dengan cara memilih
suatu tindakan yang paling tepat dari suatu sistem (permasalahan) yang dipelajari.
Dalam bidang bisnis (atau perusahaan), tujuan diartikan sebagai usaha untuk
memaksimumkan profit atau meminimumkan biaya atau ongkos. Sementara itu
dalam bidang-bidang lain yang sifatnya non profit, tujuan tersebut dapat berupa
pemberian kualitas pelayanan kepada para langganan.
• Ketika tujuan telah didefinisikan, tahap selanjutnya yang harus dilakukan adalah
pemilihan tindakan terbaik yang dapat mencapai tujuan tersebut. Dalam hal ini,
kualitas pemilihan tindakan tersebut akan sangat bergantung pada apakah si
pengambil keputusan mengetahui seluruh pilihan tindakan atau tidak.
• Untuk dapat menentukan tindakan-tindakan yang mungkin dilakukan, haruslah
diidentifikasi variabel-variabel sistem yang dapat dikendalikan oleh pengambil
keputusan. Tentu saja tingkat keberhasilan dalam mengidentifikasi variabel-variabel
ini pun akan sangat bergantung pada kemampuan si pengambil keputusan.

4. Model Dalam Riset Operasional

• Sebuah model keputusan semata-mata merupakan alat untuk ”meringkaskan” sebuah
masalah keputusan dengan cara yang memungkinkan identifikasi dan evaluasi yang
sistematis terhadap semua pilihan keputusan dari suatu masalah.
• Model adalah gambaran ideal dari suatu situasi (dunia) nyata, sehingga sifatnya yang
kompleks dapat disederhanakan. Jenis-jenis model yang biasa digunakan:

a. Model-model ikonis/fisik

Penggambaran fisik dari suatu sistem, baik dalam bentuk ideal maupun dalam
skala yang berbeda. Contoh 1.1: foto, peta, mainan anak-anak, maket,
histogram.
b. Model analog/diagramatis

Model-model ini dapat menggambarkan situasi-situasi yang dinamis, dan
model ini lebih banyak digunakan daripada model-model ikonis karena
sifatnya yang dapat dijadikan analogi bagi karakteristik sesuatu yang
dipelajari. Contoh 1.2: kurva distribusi frekuensi pada statistik, flow chart,
peta dengan bermacam-macam warna untuk menggambarkan kondisi
sebenarnya.

Almamalik -4
 c. Model simbolis/matematika

Penggambaran dunia nyata melalui simbol-simbol matematis. Model ini
menggunakan seperangkat simbol matematik untuk menunjukkan komponen-
komponen dari sistem nyata. Namun demikian, sistem nyata tidak selalu dapat
diekspresikan dalam rumusan matematik.

Model matematik dapat dibedakan menjadi dua kelompok, yaitu:
deterministik dan probabilistik. Model deterministik dibentuk dalam situasi
penuh kepastian, sedangkan model probabilistik meliputi kasus-kasus dimana
diasumsikan penuh ketidakpastian. Contoh 1.3: Persamaan garis lurus y = ax +
b; persamaan linier z = x1+x2+x3
d. Model simulasi
Model-model yang meniru tingkah laku sistem dengan mempelajari interaksi
komponen-komponennya. Karena tidak memerlukan fungsi-fungsi matematis
secara eksplisit untuk merealisasikan variabel-variabel sistem, maka model-model
simulasi ini dapat digunakan untuk memecahkan sistem kompleks yang tidak
dapat diselesaikan secara matematis. Namun model-model ini tidak dapat
memberikan solusi yang benar-benar optimum. Contoh 1.4: Simulator pesawat,
simulator bisnis.
e. Model heuristik
Kadang-kadang formulasi matematis bersifat sangat kompleks untuk dapat
memberikan suatu solusi yang pasti, atau mungkin suatu solusi optimum dapat
diperoleh, akan tetapi memerlukan proses perhitungan yang sangat panjang dan
tidak praktis. Untuk mengatasi kasus seperti ini dapat digunakan metode heuristik,
yaitu suatu metode pencarian yang didasarkan atas intuisi atau aturan-aturan
empiris untuk memperoleh solusi yang lebih baik daripada solusi-solusi yang
telah dipelajari sebelumnya.

• Pembentukan model adalah esensi dari pendekatan Riset Operasi karena solusi dari
pendekatan ini tergantung pada ketepatan model yang dibuat. Dalam Riset Operasi,
model yang paling banyak digunakan adalah model matematis/simbolis, disamping
banyak juga digunakan model-model simulasi dan heuristik.

5. Metodologi Riset Operasional

• Pembentukan model yang cocok hanyalah salah satu tahap dari aplikasi Riset
Operasional. Pola dasar penerapan Riset Operasional terhadap suatu masalah dapat
dipisahkan menjadi beberapa tahap. Berikut adalah tahapan-tahapan untuk
memecahkan persoalan dalam riset operasional.

a. Merumuskan Masalah
Sebelum solusi terhadap suatu permasalahan dipikirkan, pertama kali yang harus
dilakukan adalah mendefinisikan atau merumuskan permasalahan dengan baik.
Definisi masalah yang tidak baik akan menyebabkan tidak diperolehnya
penyelesaian atas suatu masalah atau penyelesaian yang tidak tepat. Dalam
perumusan masalah ini ada tiga pertanyaan penting yang harus dijawab, terutama
dikaitkan dengan Riset Operasional:
1) Variabel keputusan, yaitu unsur-unsur dalam persoalan yang dapat dikendalikan
oleh pengambil keputusan. Ia sering disebut sebagai instrumen.

Almamalik -5
 2) Tujuan. Penetapan tujuan membantu pengambil keputusan memusatkan
perhatian pada persoalan dan pengaruhnya terhadap organisasi. Tujuan ini
diekspresikan dalam variabel keputusan.
3) Kendala adalah pembatas-pembatas terhadap alternatif tindakan yang tersedia.

b. Pembentukan Model
Sesuai dengan definisi permasalahannya, kelompok peneliti Riset Operasional
tersebut harus menentukan model yang paling cocok untuk mewakili sistem yang
bersangkutan. Model tersebut harus merupakan ekspresi kuantitatif dari tujuan dan
batasan-batasan persoalan dalam bentuk variabel keputusan. Dalam
memformulasikan permasalahan, biasanya digunakan model analitik, yaitu model
matematik yang menghasilkan persamaan. Jika pada suatu situasi yang sangat rumit
tidak diperoleh model analitik, maka perlu dikembangkan suatu model simulasi.

c. Pemecahan Model
Pada tahap ini, bermacam-macam teknik dan metode solusi kuantitatif yang
merupakan bagian utama dari Riset Operasional memasuki proses. Penyelesaian
masalah sesungguhnya merupakan penerapan satu atau lebih teknik-teknik ini
terhadap model. Seringkali, solusi terhadap model berarti nilai-nilai variabel
keputusan yang mengoptimumkan salah satu fungsi tujuan dengan nilai fungsi
tujuan lain yang dapat diterima.

Disamping solusi model, perlu juga mendapat informasi tambahan mengenai

tingkah laku solusi yang disebabkan karena perubahan parameter sistem. Ini
biasanya dinamakan sebagai Analisis Sensitivitas. Analisis ini terutama diperlukan
jika parameter sistem tak dapat diduga secara tepat.

d. Validasi Model
Sebuah model adalah absah jika, walaupun tidak secara pasti mewakili sistem
tersebut dan dapat memberikan prediksi yang wajar dari kinerja sistem tersebut.
Suatu metode yang biasa digunakan untuk menguji validitas model adalah dengan
membandingkan kinerjanya dengan data masa lalu yang tersedia. Model dikatakan
valid jika dengan kondisi input yang serupa dapat menghasilkan kembali kinerja
seperti masa lampau. Masalahnya adalah bahwa tidak ada yang menjamin kinerja
masa depan akan berlanjut meniru cerita lama.

e. Implementasi hasil akhir

Tahap terakhir adalah menerapkan hasil model yang telah diuji. Hal ini
membutuhkan suatu penjelasan yang hati-hati tentang solusi yang digunakan dan
hubungannya dengan realitas. Suatu hal yang kritis pada tahap ini adalah
mempertemukan ahli Riset Operasional dengan mereka yang bertanggung jawab
terhadap pelaksanaan sistem.

• Penyelesaian kelima langkah yang dijelaskan di atas bukan berarti proses ini telah
selesai. Hasil model dan keputusan hasil yang tersedia memberikan umpan balik pada
model awal.

Almamalik -6
6. Metode-Metode Umum Mencari Solusi
• Pada umumnya, terdapat tiga metode untuk mencari solusi terhadap model Riset
Operasi, yaitu:
a. Metode analitis,
b. Metode numerik, dan
c. Metode Monte Carlo.

• Pendekatan analitik. Metode analitik memerlukan perwujudan model dengan solusi

grafik atau perhitungan matematik. Jenis matematik yang digunakan tergantung dari
sifat-sifat model.
• Pendekatan Numerik. Metode numerik berhubungan dengan perulangan atau coba-
coba dari prosedur-prosedur kesalahan, melalui perhitungan numerik pada setiap
tahap. Metode numerik digunakan jika metode analitik gagal untuk mencari solusi.
Urutannya dimulai dengan solusi awal dan diteruskan dengan seperangkat aturan-
aturan untuk perbaikan menuju optimum. Solusi awal kemudian diganti dengan solusi
yang diperbaiki dan proses itu diulang sampai tidak mungkin adanya perbaikan lagi
atau biaya perhitungan lebih lanjut tidak dapat diterima.
• Metode Monte Carlo. Metode ini memerlukan konsep probabilistik dan sampling.
Metode Monte-Carlo pada dasarnya adalah suatu teknik simulasi dimana fungsi
distribusi statistik dibuat melalui seperangkat bilangan random.

7. Teknik-Teknik Riset Operasional

• Banyak model Riset Operasional yang sudah dikembangkan dan digunakan terhadap
permasalahan-permasalahan bidang bisnis. Mereka itu dapat dikelompokkan ke dalam
beberapa jenis, seperti dapat dilihat pada tabel 1.1.

Tabel 1.1 Model-model Riset Operasional

Program Linier Matematika Model Programa Linier, Analisis Grafik, Metode
Simplex, Model Minimasi, Post Optimasi, Transportasi
dan Penugasan, Program Linier Integer
Program Linier Sasaran
Teknik Probabilistik Probabilitas, Teori Permainan, Analisis Keputusan
Analisis Markov, Antrian, Simulasi, Peramalan
Teknik Persediaan Permintaan pasti, Permintaan tak pasti
Teknik Jaringan Arus Jaringan, CPM/PERT
Teknik Non-Linier lainnya Program Dinamis, Analisis Titik Impas
Teknik Solusi berdasarkan Kalkulus

8. Ciri-Ciri Riset Operasional

• Terdapat beberapa ciri Riset Operasional yang menonjol diantaranya adalah:
a. Riset Operasional merupakan pendekatan kelompok antar disiplin untuk
mencari hasil optimum.
b. Riset Operasional menggunakan teknik penelitian ilmiah untuk mendapatkan
solusi optimum.
c. Riset Operasional membuka permasalahan-permasalahan baru untuk dipelajari.

9. Keterbatasan Riset Operasional

• Riset Operasi berbeda dengan optimisasi klasik (kalkulus klasik). Dalam metode
optimisasi klasik tidak dapat menangani kendala pertidaksamaan maupun persamaan
secara serempak.
Almamalik -7
• Dengan kendala yang lebih bebas ini, metoda optimisasi non klasik ini (Riset
Operasional) menjadi lebih menarik dan lebih realistis. Akan tetapi ini membutuhkan
metode solusi yang baru karena kendala pertidaksamaan tak dapat ditangani dengan
teknik kalkulus klasik.
• Seperti metode lainnya, Riset Operasional bukan tanpa kelemahan. Beberapa
kelemahan dalam Riset Operasional diantaranya adalah:

Perumusan masalah dalam suatu program Riset Operasional adalah suatu tugas
yang sulit.

Jika suatu organisasi mempunyai beberapa tujuan yang bertentangan, maka akan
mengakibatkan terjadinya sub-optimum, yaitu kondisi yang tak dapat menolong
seluruh organisasi mencapai yang terbaik secara serentak.

Suatu hubungan non-linier yang diubah menjadi linier untuk disesuaikan dengan
program linier dapat mengganggu solusi yang disarankan.

Almamalik -8
2
Programa Linier

A. Tujuan Kompetensi Khusus

Mahasiswa mampu memahami dan menjelaskan permasalahan alokasi sumber daya
terbatas ke dalam pemodelan Programa Linier.

B. Uraian Materi

1. Pendahuluan
• Masalah keputusan yang sering dihadapi seorang manajer perusahaan adalah
permasalahan optimasi alokasi sumber daya yang langka dan terbatas.
• Sumber daya tersebut dapat berupa bahan baku, peralatan dan mesin, ruang, waktu,
dana, dan tenaga kerja; atau dapat juga berupa batasan pedoman atau aturan, seperti
resep untuk membuat kue atau spesifikasi teknis suatu peralatan.
• Pada umumnya tujuan perusahaan yang paling sering terjadi adalah sedapat mungkin
memaksimumkan laba. Tujuan lain dari unit organisasi yang merupakan bagian dari
suatu organisasi biasanya berupa meminimumkan biaya.
• Salah satu metoda analisis yang paling luas dan paling baik digunakan untuk
menyelesaikan permasalahan alokasi sumber daya adalah metoda programa linier atau
dikenal dengan Linear Programming (Programa Linier).
• Terdapat tiga hal yang harus diperhatikan untuk menggunakan teknik programa linier
untuk memecahkan permasalahan alokasi sumber daya.
1) Pertama, permasalahan harus dapat diidentifikasikan sebagai sesuatu yang dapat
diselesaikan dengan programa linier.
2) Kedua, permasalahan yang tidak terstruktur harus dapat dirumuskan dengan model
matematika, sehingga menjadi terstruktur.
3) Ketiga, model harus diselesaikan dengan teknik matematika yang telah dibuat.
• Teknik programa linier menggambarkan bahwa hubungan fungsi linier dalam model
matematika adalah linier dan teknik pemecahan masalah terdiri dari langkah-langkah
matematika yang telah ditetapkan disebut program. Dengan kata lain, sifat ’linier’ di
sini memberi arti bahwa seluruh fungsi matematis dalam model ini merupakan fungsi
yang linier, sedangkan kata program dapat diartikan sebagai perencanaan.
• Model program linier terdiri dari komponen dan karakteristik tertentu.

2. Formulasi Model Programa Linier

• Setelah masalah diidentifikasi, tujuan ditetapkan, langkah selanjutnya adalah
memformulasikan model matematik yang meliputi tiga hal berikut:
a. Menentukan variabel keputusan,
b. Membentuk fungsi tujuan, dan
c. Menentukan semua batasan model.

a. Variabel keputusan
• Variabel keputusan berupa simbol matematik yang menggambarkan tingkatan
aktivitas perusahaan.
Almamalik -9
 Contoh 2.1: Perusahaan elektronika ingin menjual sebanyak x1 buah radio, x2
buah televisi, dan x3 buah lemari es, dimana x1, x2, dan x3 adalah lambang yang
menunjukkan jumlah variabel setiap item yang tidak diketahui. Nilai akhir dari
x1, x2, dan x3 sesuai dengan pengarahan perusahaan, dan merupakan keputusan.

b. Fungsi Tujuan
• Fungsi Tujuan merupakan hubungan matematika linier yang menjelaskan
fungsi tujuan dalam terminologi variabel keputusan.
• Fungsi tujuan selalu mempunyai salah satu target, yaitu memaksimumkan atau
meminimumkan suatu nilai (misalkan untuk kasus perusahaan adalah
memaksimumkan laba atau meminimumkan biaya produksi).

c. Batasan Model
• Batasan Model merupakan hubungan linier dari variabel-variabel keputusan,
menunjukkan keterbatasan sumber daya permasalahan tersebut.
Contoh 2.2: Besarnya biaya maksimum yang dikeluarkan oleh PT. XYZ untuk
kegiatan pemasaran pada tahun ini adalah Rp 15.000.000,00. Tenaga kerja
yang tersedia untuk memproduksi kue dan roti di perusahaan ini hanya 100 jam
tenaga kerja per minggu.

• Berikut adalah contoh permasalahan formulasi model programa linier.

Contoh 2.3 Kombinasi Produk

PT. XYZ memproduksi dua macam produk setiap hari, yaitu: genteng dan bata.
Perusahaan mempunyai 2 (dua) sumber daya yang terbatas jumlahnya yang digunakan
untuk memproduksi kedua produk tersebut, yaitu: tenaga kerja dan tanah liat. Dengan
keterbatasan sumber daya yang dimilikinya, perusahaan ingin mengetahui berapa jumlah
genteng dan bata yang akan diproduksi setiap harinya dalam rangka memaksimumkan
laba. Kedua produk tersebut mempunyai kebutuhan sumber daya untuk produksi serta laba
per item sebagai berikut:

Kebutuhan Sumber Daya

Produk Tenaga Kerja Tanah liat Laba
(jam/unit) (kg/unit) (Rp/unit)
Genteng 1 4 4
Bata 2 3 5

Sebagai tambahan informasi: tersedia 40 jam tenaga kerja dan 120 kg tanah liat setiap hari
untuk produksi. Masalah ini akan dirumuskan sebagai model program linier dengan
mendefinisikan secara terpisah setiap komponen model dan menggabungkan komponen-
komponen tersebut dalam satu model.

Penyelesaian:
Langkah 1: Mengenali Variabel Keputusan
• Keputusan yang dihadapi manajemen dalam masalah ini adalah berapa jumlah genteng
dan jumlah bata yang harus diproduksi setiap hari. Ada dua variabel keputusan yang
dicari yaitu jumlah genteng dan jumlah bata. Untuk itu, kita dapat menyatakannya
dengan memisalkan bahwa x1 adalah jumlah genteng dan x2 adalah jumlah bata yang
diproduksi setiap hari.
Almamalik -10
 x1 = jumlah genteng yang diproduksi
x2 = jumlah bata yang diproduksi

Langkah 2: Memformulasikan fungsi tujuan

• Tujuan perusahaan adalah ingin memaksimumkan laba. Laba perusahaan adalah
jumlah total dari laba setiap genteng dan setiap bata.
• Laba dari genteng ditentukan oleh perkalian antara laba setiap genteng, Rp 4/unit,
dengan jumlah genteng yang diproduksi, yaitu x1. Begitu pula dengan laba dari bata
ditentukan oleh perkalian antara laba setiap bata, Rp 5/unit, dengan jumlah bata yang
diproduksi, x2.
• Dengan demikian, total laba adalah dalam pemodelan ini dilambangkan dengan Z,
dapat dijelaskan secara matematika sebagai berikut.

Z = Rp (4x1+5x2).

• Dengan menempatkan terminologi memaksimumkan laba di depan fungsi laba,

penggambaran tujuan perusahaan untuk memaksimumkan laba dapat ditulisakan
sebagai berikut:

Memaksimumkan Z = 4x1+5 x2
dimana Z merupakan total laba tiap hari (Rp)
4x1 = laba dari genteng (dalam Rp)
5x2 = laba dari bata (dalam Rp)

Langkah 3: Menetapkan Batasan Model

• Dari masalah di atas, terdapat 2 (dua) sumber daya yang digunakan dalam produksi,
yaitu tenaga kerja dan tanah liat yang jumlah persediaan keduanya terbatas. Produksi
genteng dan bata memerlukan kedua sumber daya, baik tenaga kerja dan tanah liat.

Batasan Tenaga Kerja

• Untuk setiap genteng yang diproduksi memerlukan 1 jam tenaga kerja, sehingga jam
tenaga kerja yang diperlukan untuk memproduksi semua genteng adalah 1.x1.
• Untuk setiap bata yang diproduksi memerlukan 2 jam tenaga kerja, sehingga jam
tenaga kerja yang diperlukan untuk memproduksi semua bata adalah 2.x2.
• Total tenaga kerja yang digunakan oleh perusahaan adalah penjumlahan dari tenaga
kerja yang digunakan oleh setiap produk, yaitu: 1x1 + 2x2
• Jumlah tenaga kerja sebesar 1x1 + 2x2 dibatasi sampai dengan 40 jam per hari (jumlah
jam maksimum tenaga kerja yang dimiliki perusahaan), sehingga batasan tenaga kerja
sekarang 1x1 + 2x2 ≤ 40 jam.
• Ketidaksamaan atau ‘kurang dari atau sama dengan’ (≤) digunakan dalam model ini,
bukan persamaan (=), karena 40 jam tenaga kerja adalah maksimum sumber daya
yang dapat digunakan, dan bukan jumlah yang harus digunakan.
• Batasan ini mempunyai fleksibilitas. Artinya perusahaan tidak diharuskan
menggunakan semua kapasitas 40 jam, akan tetapi dapat menggunakan jumlah
masukan ke produksi yang dapat memaksimumkan laba sampai dengan dan termasuk
40 jam tenaga kerja. Berarti perusahaan mungkin saja mempunyai kapasitas yang tidak
terpakai (misalnya sebagian waktu dari 40 jam yang tidak digunakan oleh perusahaan).

Almamalik -11
Batasan Tanah Liat
• Batasan untuk tanah liat dirumuskan sama dengan batasan tenaga kerja.
• Karena setiap genteng yang diproduksi memerlukan 4 kg tanah liat, maka jumlah
tanah liat yang diperlukan untuk memproduksi semua genteng adalah 4.x1.
• Karena setiap bata yang diproduksi memerlukan 3 kg tanah liat, maka jumlah tanah
liat yang diperlukan untuk memproduksi semua bata adalah 3.x2.
• Total tanah liat yang digunakan oleh perusahaan adalah penjumlahan dari tanah liat
yang digunakan oleh setiap produk, yaitu: 4x1 + 3x2.
• Akan tetapi jumlah tanah sebesar 4x1 + 3x2 dibatasi sampai dengan 120 kg per hari,
sehingga batasan tanah liat menjadi: 4x1 + 3x2 ≤ 120 kg

Batasan yang non negatif.

• Batasan akhir adalah bahwa jumlah genteng dan jumlah bata yang diproduksi bernilai
nol atau positif, karena tidak mungkin mempunyai jumlah produksi yang negatif.
• Batasan ini disebut batasan non negatif dan dinyatakan dalam matematika sebagai
berikut x1 ≥ 0 , x2 ≥ 0

• Dengan demikian, maka Formulasi Model Program Linier yang lengkap untuk
masalah ini adalah:

Memaksimumkan Z = 4x1+5 x2
terbatas pada
1x1 + 2x2 ≤ 40
4x1 + 3x2 ≤ 120
x1 , x2 ≥ 0

Contoh 2.4 Formulasi Model Kasus Minimasi

PT. ABC memproduksi campuran ”kue” dengan sekali produksi adalah 1000 kg.
Campuran ”kue” tersebut terbuat dari tiga bahan, yaitu: daging ayam, daging sapi, dan
cereal dengan harga masing-masing bahan adalah sebagai berikut:

Bahan Biaya per kg (Rupiah)

Daging ayam 3.000
Dagingn sapi 5.000
Cereal 2.000

Berdasarkan resep yang ada, campuran ”kue” tersebut harus terdiri dari paling sedikit 200
kg daging ayam, paling sedikit 400 kg daging sapi, dan tidak lebih dari 300 kg cereal.
Perusahaan ingin mengetahui pencampuran optimal dari bahan-bahan yang dapat
meminimumkan biaya. Formulasikan model program linier untuk masalah ini.

Penyelesaian:
Langkah 1: Mengenali Variabel Keputusan
• Untuk mengidentifikasi setiap bagian dari model secara terpisah, mulai dengan
variabel keputusan. (Variabel keputusannya adalah ingin mengetahui banyaknya
masing-masing bahan campuran ”kue”).
x1 = jumlah kg daging ayam
x2 = jumlah kg daging sapi

Almamalik -12
 x3 = jumlah kg cereal

Langkah 2: Memformulasikan Fungsi Tujuan

• Tujuan perusahaan adalah ingin meminimumkan biaya, sehingga fungsi tujuannya
adalah:

Meminimumkan Z = Rp (3.000 x1 + 5.000 x2 + 2.000 x3)

dimana Z merupakan biaya per 1000 kg untuk sekali produksi
3.000 x1 = biaya daging ayam.
5.000 x2 = biaya daging sapi.
2.000 x3 = biaya cereal.

Langkah 3: Menetapkan Batasan Model.

• Batasan-batasan masalah ini terdapat dalam batasan resep dan fakta bahwa setiap
sekali produksi harus berisi 1000 kg campuran.

x1 + x2 + x3 = 1000 (sekali produksi sama dengan 1000 kg)

x1 ≥ 200 (paling sedikit 200 kg)
x2 ≥ 400 (paling sedikit 4000 kg)
x3 ≤ 300 (tidak boleh lebih dari 300 kg)
dan
Batasan non-negativitas x1, x2 , x3 ≥ 0 (batasan non negatif)

Dengan demikian formulasi model permasalahan tersebut menjadi:

Meminimumkan Z = 3000x1 + 5000x2 + 2000x3

terbatas pada
x1 + x2 + x3 = 1000
x1 ≥ 200
x2 ≥ 400
x3 ≤ 300
x1, x2 , x3 ≥ 0

Almamalik -13
3
Programa Linier: Solusi Grafik

A. Tujuan Kompetensi Khusus

Mahasiswa mampu memahami danmenyelesaikan permasalahan programa linier
menggunakan metode grafik

B. Uraian Materi

1. Pendahuluan
• Pada dasarnya, metode-metode yang dikembangkan untuk memecahkan model
Programa linier adalah ditujukan untuk mencari solusi dari beberapa pilihan solusi
yang dibentuk oleh persamaan pembatas, sehingga diperoleh nilai fungsi tujuan yang
optimum.
• Ada dua cara yang biasa digunakan untuk menyelesaikan persoalan-persoalan
Programa Linier (PL), yaitu dengan 1) metode grafik dan 2) metode simpleks.
• Pada bab ini akan dipelajari solusi grafik programa linier.

2. Solusi Grafik
• Persoalan Programa Linier dapat diilustrasikan dan dipecahkan secara grafik jika
persoalan ini hanya memiliki dua variabel keputusan.
• Model Programa Linier dengan tiga variabel penggambarannya sangat sulit, sedangkan
untuk model yang lebih dari tiga variabel tidak bisa dibuat grafik sama sekali.
• Meskipun permasalahan dengan dua variabel jarang terjadi dalam dunia nyata, akan
tetapi penafsiran geometris dari metode grafik ini sangat bermanfaat untuk memahami
metode pemecahan yang umum melalui algoritma simpleks yang akan dibicarakan
kemudian.

2.1 Solusi Grafik Kasus Maksimasi

Berikut adalah contoh solusi grafik untuk kasus Programa Linier Maksimasi.

Contoh 3.1 Solusi Grafik Programa Linier Kasus Maksimasi

Berikut adalah ilustrasi pemecahan persoalan Programa Linier dengan menggunakan
metode grafik dengan mengambil contoh permasalahan sebelumnya, yaitu permasalahan
perusahaan PT. XYZ pada bab 2. Berikut dituliskan kembali model Programa Linier
perusahaan PT XYZ.

Memaksimumkan Z = Rp (4x1 +5x2)

terbatas pada
x1 + 2x2 ≤ 40 jam tenaga kerja
4x1 + 3x2 ≤ 120 kg tanah liat
x1 , x2 ≥ 0
dimana
x1 = jumlah genteng yang diproduksi
x2 = jumlah bata yang diproduksi
Almamalik -14
• Selanjutnya mohon diingat bahwa:

Koefisien nilai 4 dan 5 dalam fungsi tujuan adalah keuntungan genteng dan bata;

Koefisien nilai 1 dan 2 pada batasan pertama masing-masing adalah merupakan
jumlah jam tenaga kerja yang diperlukan untuk memproduksi setiap genteng dan
bata;

koefisien nilai 4 dan 3 pada batasan kedua menunjukkan jumlah kg tanah liat yang
diperlukan untuk memproduksi setiap genteng dan bata.

Langkah Pemecahan Solusi Grafik

a. Membuat sumbu koordinat kartesius
• Gambar 3.1 adalah satu kumpulan koordinat untuk variabel-variabel keputusan x1
dan x2, tempat grafik dari model matematik akan digambarkan. Hanya kuadran
yang positif yang akan digambarkan, yaitu kuadran tempat x1 dan x2 akan selalu
positif ( x1 ≥ 0 dan x2 ≥ 0).

x2

40

30

20

10

0
10 20 30 40 x1

Gambar 3.1 Koordinat untuk analisis grafik

b. Menggambar grafik
• Langkah pertama dalam menggambar grafik untuk model Programa Linier adalah
memperlihatkan batasan-batasan dalam grafik. Kedua batasan digambarkan sebagai
garis lurus dan masing-masing garis dibuat dalam grafik.
x2 x2

50 50

40 40

30 30

20 x1 + 2x2 = 40 20 4x1 + 3x2 = 120

10 10

0 0
10 20 30 40 50 x1 10 20 30 40 50 x1
a. b.
Gambar 3.2 a. Grafik dari batasan tenaga kerja
b. Grafik dari batasan untuk tanah liat
Almamalik -15
 • Prosedur yang paling mudah untuk menggambarkan garis lurus ini adalah dengan
cara menentukan dua titik pada garis dan menarik garis lurus melalui titik-titik
tersebut.
• Untuk persamaan batasan tenaga kerja, x1 + 2x2 = 40 (gambar 3.2a), satu titik
akan diperoleh jika salah satu titiknya bernilai 0. Untuk itu:

jika x1 = 0, kita masukkan (substitusikan) nilai x1 = 0 ke dalam persamaan
x1 + 2x2 = 40, sehingga akan dihasilkan nilai x2 = 20, dan titik ini
berpotongan dengan sumbu x2.

jika x2 = 0, kita masukkan (substitusikan) nilai x2 = 0 ke dalam persamaan
x1 + 2x2 = 40, sehingga akan dihasilkan nilai x1 = 40, dan titik ini
berpotongan dengan sumbu x1.
• Untuk persamaan: 4x1 + 3x2 = 120 , untuk batasan tanah liat (gambar 3.2b).

jika x1 = 0, maka x2 = 40 , berpotongan dengan sumbu x2.

jika x2 = 0, maka x1 = 30 , berpotongan dengan sumbu x1.

• Garis pada grafik gambar 3.2 menunjukkan grafik kedua persamaan ini. Akan tetapi
garis pada grafik 3.2 tersebut masih berupa garis sebuah batasan dan tidak
menunjukkan seluruh batasan seperti gambar 3.3.
x2 x2

50 50

40 40

B
30 30
4x1 + 3x2 ≤120
20 x1 + 2x2 ≤ 40 20

10 10
A
0 0
10 20 30 40 50 x1 10 20 30 40 50 x1
a b
Gambar 3.3 Grafik dengan daerah batasan

c. Menentukan daerah solusi yang layak (Solusi Fisibel)

• Untuk menguji ketepatan dari daerah batasan, cek setiap satu titik yang berada di
dalam dan di luar daerah. Sebagai contoh, ambil dua buah titik A dan B, masing
masing berada di dalam dan di luar daerah, seperti dapat dilihat pada gambar 3.3a.
Titik uji A pada gambar 3.3a, yang merupakan perpotongan dari x1 = 10 dan x2 =
10. Masukkan nilai-nilai ini ke dalam batasan tenaga kerja, sehingga diperoleh hasil
sebagai berikut.
10 + 2x (10) ≤ 40
30 ≤ 40

• Hasil ini menunjukkan bahwa ternyata titik A berada di dalam daerah batasan
karena nilainya lebih kecil (30) dari 40.
• Berikutnya adalah titik uji B yang berada pada x1 = 40 dan x2 = 30. Hasilnya
adalah
40 + 2 x (30) ≤ 40
Almamalik -16
 100 ≤ 40

• Titik B jelas berada di luar daerah batasan karena nilai x1 dan x2 menghasilkan
kuantitas 100, yang melebihi 40. Hal yang sama juga dapat dilakukan pada gambar
3.3b, sehingga kombinasi dari kedua garis tersebut dapat dilihat pada grafik 3.4.
x2

50

40

30
Daerah batasan kedua
model grafik
20

10

0
10 20 30 40 50 x1

Gambar 3.4 Daerah batasan dari kedua persamaan

• Sekarang perhatikan gambar 3.5. Daerah di dalam garis tebal pada gambar 3.5
merupakan daerah yang berlaku untuk batasan kedua model karena daerah ini
merupakan satu-satunya daerah dalam grafik yang berisi nilai-nilai yang dapat
memenuhi kedua batasan secara simultan (daerah solusi yang layak).
• Beberapa titik dalam daerah solusi yang layak akan menghasilkan laba maksimum
bagi perusahaan tersebut.
x2

50

40

30
Daerah solusi fisibel
20

10

0
10 20 30 40 50 x1

Gambar 3.5 Daerah fisibel

d. Mencari Titik Solusi.

Langkah berikutnya adalah menentukan titik dalam daerah solusi yang layak yang
menghasilkan laba terbesar.
• Untuk memulai menganalisis solusi, garis fungsi tujuan disiapkan secara acak
berdasarkan tingkatan laba yang dipilih. Sebagai contoh, jika laba Z adalah 80,
fungsi tujuannya adalah sebagai berikut.
80 = 4x1+5 x2

Almamalik -17
 • Seperti halnya garis batasan, persamaan ini juga digambarkan sebagai garis seperti
pada gambar 3.6.
x2

50

40

30
garis
20 80 = 4x1+5 x2
10

0
10 20 30 40 50 x1

Gambar 3.6 Mencari solusi dengan menggunakan

persamaan garis fungsi tujuan

• Selanjutnya geser garis tersebut menjauhi titik origin (0,0). Laba meningkat jika
fungsi tujuan menjauhi titik (0,0). Laba maksimum yang akan dicapai adalah pada
titik dimana garis fungsi tujuan merupakan yang terjauh dari titik pangkal dan
masih menyentuh suatu titik dalam daerah solusi yang layak.
• Dari gambar 3.6 didapatkan bahwa solusi optimal dicapai di titik B.
x2

50

40

30

20

10

0
10 20 30 40 50 x1
Gambar 3.7 Garis bantu digeser menjauhi titik orijin
untuk mencari solusi optimum

Langkah ketiga dalam pendekatan solusi grafik adalah mencari nilai x1 dan x2 ketika
titik solusi optimal diperoleh. Koordinat x1 dan x2 dapat langsung diperoleh dari grafik
seperti gambar 3.8 adalah x1 =24 dan x2 = 8. Dengan demikian fungsi tujuan

Z= 4 x 24 + 5 x 8 = 136.

Almamalik -18
 x2

50

40

30

20

B
10

0
10 20 30 40 50 x1

Gambar 3.8 Titik solusi optimum

2.2 Solusi Grafik Masalah Minimasi

• Secara umum, solusi grafik masalah minimasi mempunyai cara yang sama dengan
masalah maksimasi, kecuali untuk sedikit perbedaan.

Contoh 3.2 Pemecahan Masalah Minimasi Programa Linier dengan Metode Grafik.
Formulasi Model Minimasi
Meminimkan Z = 6x1 + 3x2
terbatas pada
2 x1 + 4 x2 ≥ 16
4 x1 + 3 x2 ≥ 24
x1 , x2 ≥ 0

• Untuk menyelesaikan model Programa linier dengan metode grafik:

Langkah pertama adalah menggambarkan persamaan dari dua model batasan (lihat
Gambar 3.9).
x2

10
2 x1 + 4 x2 = 16
8

2 4 x1 + 3 x2 = 24

0
2 4 6 8 12 x1

Gambar 3.9 Garis batasan untuk model minimasi

Almamalik -19
• Menentukan daerah solusi fisibel. Berikut adalah daerah solusi yang layak dipilih yang
menggambarkan ketidaksamaan ≥ pada batasan-batasan tersebut (Gambar 3.10).
x2

10

6
Daerah solusi yang layak
4

0
2 4 6 8 12 x1

Gambar 3.10 Daerah solusi yang layak

• Langkah berikutnya adalah menentukan titik optimal. Solusi optimal untuk masalah
minimasi adalah juga pada batasan daerah solusi yang layak, akan tetapi batas daerah
solusi terdiri dari titik-titik terdekat dari titik pangkal (titik orijin).
• Solusi optimal terdapat pada salah satu titik yang terekstrim pada batas daerah solusi.
Dalam hal ini titik sudut yang menunjukkan tingkat ekstrim pada batas solusi yang
terdekat pada titik pangkal, tiga titik sudut A, B, dan C dan garis fungsi tujuan.
• Pada saat fungsi tujuan bergeser mengarah ke titik pangkal, titik terakhir yang
tersentuh dalam daerah solusi adalah titik yang layak. Hal ini menunjukkan bahwa
nilai terendah telah dicapai.
x2

10

8 A

4
B
2
C
0
2 4 6 8 12 x1

Gambar 3.11 Titik Solusi Optimal

• Langkah terakhir dalam pendekatan solusi secara grafik adalah mencari nilai x1 dan x2
pada titik A.
• Solusi optimalnya adalah dengan mensubstitusikan nilai A pada fungsi tujuan
Z = 6x1 + 3x2 (Coba Anda hitung sendiri!)

Almamalik -20
4
Programa Linier: Solusi Simplex

A. Tujuan Kompetensi Khusus

Mahasiswa mampu memahami dan mampu menyelesaikan permasalahan
menggunakan metode simplex.

B. Uraian Materi

1. Pendahuluan
• Tidak semua permasalahan Programa Linier dapat diselesaikan secara grafik.
• Untuk mengatasinya akan diperkenalkan sebuah metode dengan menggunakan
pendekatan matematis yaitu: Metode Simplex.
• Metode Simplex merupakan suatu prosedur ulang yang bergerak dari satu jawab layak
basis ke jawab berikutnya sedemikian rupa sehingga harga fungsi tujuan terus menaik
(dalam persoalan maksimasi) atau fungsi tujuan menurun (dalam kasus minimasi).
Proses ini akan terus berkelanjutan sampai dicapai jawab optimal (jika ada) yang
memberi harga maksimum (minimum).
• Dalam pemecahan metode simplex model Programa Linier diubah ke dalam bentuk
sebuah tabel, dinamakan tabel simplex, kemudian dilakukan langkah-langkah
matematis pada tabel tersebut.
• Langkah-langkah matematis ini pada dasarnya merupakan replikasi proses
pemindahan dari suatu titik ekstrim ke titik ekstrim lainnya pada batas daerah solusi.
• Tidak seperti metode grafik dimana dengan mudah titik terbaik dapat dicari diantara
semua titik-titik solusi, metode simplex bergerak dari satu solusi ke solusi lain yang
lebih baik sampai pada akhirnya solusi yang terbaik didapat.

2. Solusi Metode Simplex

• Langkah pertama untuk memecahkan Programa Linier dengan metode simplex adalah
mengubah batasan-batasan model ke dalam bentuk persamaan yang merupakan
persyaratan untuk pemecahan secara simultan.
• Metode simplex memberikan suatu prosedur standar untuk mentransformasikan
batasan pertidaksamaan berjenis ≤  ke dalam bentuk persamaan (=).
• Transformasi ini dicapai dengan cara menambahkan suatu variabel baru yang
dinamakan dengan variabel slack (variabel pengurang), diberi notasi s, dari sisi kiri
batasan (untuk kasus maksimasi).

Contoh 4.1 : Penambahan Variabel Slack

x1 + 2x2 ≤ 40 diubah menjadi x1 + 2x2 + s1 = 40, dimana s1 ≥ 0

Tanda pertidaksamaan variabel slack tanda persamaan

Almamalik -21
Contoh 4.2 Formulasi Model Programa Linier Dengan Penambahan Variabel Slack
Kembali pada contoh permasalahan sebelumnya, kasus Perusahaan Tembikar PT. XYZ
dengan formulasi model berikut:

memaksimumkan Z = Rp (4x1 + 5x2)

terbatas pada
x1 + 2x2 ≤ 40 jam tenaga kerja
4x1 + 3x2 ≤ 120 kg tanah liat
x1 , x2 ≥ 0

Mengubah batasan model.

• Penambahan suatu variabel pengurang (s) pada setiap pertidaksamaan batasan di atas
akan menghasilkan persamaan-persamaan berikut:
x1 + 2x2 + s1 = 40 jam tenaga kerja
4x1 + 3x2 + s2 = 120 kg tanah liat

• Apa yang dimaksud dengan variabel slack?

Variabel slack, s1 dan s2 , merupakan suatu nilai sebarang yang diperlukan, sehingga
nilai sisi kiri dari tanda persamaan akan bernilai sama dengan nilai sisi kanannya.
• Sebagai contoh, misalkan suatu solusi hipotetis dari x1 = 5 dan x2 = 10. Substitusikan
nilai-nilai tersebut (x1 = 5 dan x2 = 10) ke dalam persamaan-persamaan batasan pada
ilustrasi 4.2, sehingga akan menghasilkan nilai:

x1 + 2 x2 + s1 = 40 jam tenaga kerja

5 + 2.(10) + s1 = 40 jam tenaga kerja
 s1 = 15 jam tenaga kerja
dan

4x1 + 3x2 + s2 = 120 kg tanah liat

4.(5) + 3. (10) + s2 = 120 kg tanah liat
 s2 = 70 kg tanah liat

• Dari contoh di atas, x1 = 5 genteng dan, x2 = 10 bata mencerminkan suatu solusi yang
belum menggunakan seluruh jumlah jam tenaga kerja dan tanah liat.
• Untuk membuat 5 genteng dan 10 bata hanya memerlukan 25 jam tenaga kerja. Hal ini
berarti masih ada 15 jam tenaga kerja yang belum terpakai. Begitu juga dengan tanah
liat yang digunakan untuk memproduksi 5 genteng dan 10 bata masih menyisakan 70
kg tanah liat.
• Dengan demikian, secara umum suatu variabel slack mencerminkan sumber-sumber
daya yang tidak terpakai.
• Dalam contoh di atas, s1 mencerminkan jumlah jam tenaga kerja yang belum terpakai,
sedangkan s2 mencerminkan jumlah kg tanah liat yang belum terpakai.
• Sumber-sumber yang tidak terpakai secara penuh akan muncul pada saat x1 = 0 dan x2
= 0 (di titik orijin (0,0). Dengan demikian jika nilai x1 = 0 dan x2 = 0 tersebut
disubstitusikan ke persamaan batasan model, maka hasilnya adalah
x1 + 2x2 + s1 = 40  0 + 2.(0) + s1 = 40
4x1 + 3x2 + s2 = 120  4.(0) + 3. (0) + s2 = 120

Almamalik -22
• Karena tidak ada produksi pada titik orijin (titik asal (0,0)), berarti semua sumber-
sumber daya tersebut tidak terpakai, jadi variabel pengurang sama dengan jumlah total
tiap sumber yang tersedia, yaitu: s1 = 40, s2 = 120.

Efek pada fungsi tujuan.

Pertimbangan berikutnya adalah efek dari variabel-variabel pengurang yang baru ini
terhadap fungsi tujuan. Fungsi tujuan dalam contoh tersebut adalah:
Z = Rp (4x1+5 x2)

• Koefisien 4 dan 5 merupakan masing-masing merupakan kontribusi laba untuk tiap

genteng dan bata. Lalu apa kontribusi dari variabel slack s1 dan s2?
• Variabel slack tersebut tidak memberikan kontribusi apa-apa terhadap fungsi tujuan
karena mereka mencerminkan sumber yang tidak terpakai.
• Laba baru akan diperoleh hanya jika sumber-sumber digunakan untuk menghasilkan
genteng dan bata.
• Dengan menggunakan variabel pengurang, fungsi tujuan dapat dituliskan sebagai
berikut:
Memaksimumkan Z = 4x1 + 5 x2 + 0.s1 + 0.s2

Batasan yang non negatif.

Seperti pada variabel keputusan (x1 dan x2), variabel slack juga hanya dapat memiliki nilai
non negatif karena sumber yang bernilai negatif adalah tidak mungkin.
• Dengan demikian maka untuk formulasi model ini, non negatifnya adalah:
x1 , x2 , s1 , s2 ≥ 0

• Formulasi model Programa Linier sekarang untuk kasus contoh di atas adalah
memaksimumkan Z = 4x1+5 x2 + 0s1 + 0s2
terbatas pada x1 + 2x2 + s1 = 40
4x1 + 3x2 + s2 = 120
x1 , x2 , s1 , s2 ≥ 0

3. Solusi Untuk Persamaan Simultan

• Setelah kedua batasan ini diubah ke dalam bentuk persamaan, maka untuk menentukan
nilai dari variabel pada tiap titik solusi persamaan-persamaan batasan dapat dipecahkan
secara simultan.
• Pada contoh tersebut, terdapat dua persamaan dengan empat variabel yang tidak
diketahui (yaitu: dua variabel keputusan (x1 dan x2) dan dua variabel pengurang (s1 ,
s2)), suatu situasi yang membuat solusi simultan secara langsung tidak memungkinkan.
Perhatikan kembali kedua persamaan batasan contoh di atas.
x1 + 2x2 + s1 = 40
4x1 + 3x2 + s2 = 120

• Metode simplex memudahkan permasalahan ini dengan memberikan nilai nol untuk
beberapa variabel.
• Jumlah variabel yang diberi nilai nol adalah n-m, dimana n sama dengan jumlah
variabel sedangkan m sama dengan jumlah batasan (tidak termasuk batasan
nonnegatif).
• Untuk contoh model ini berarti n = 4 variabel dan m = 2 batasan, sehingga dua dari
empat variabel tersebut diberi nilai nol (yaitu, 4 – 2 = 2).
Almamalik -23
• Sebagai contoh, misalkan x1 = 0 dan s1 = 0, maka kedua persamaan batasan tersebut
akan menghasilkan seperti di bawah ini.
x1 + 2x2 + s1 = 40
0 + 2x2 + 0 = 40
x2 = 40
dan
4 x1 + 3 x2 + s2 = 120
4.(0) + 3 (40) + s2 = 120
s2 = 60

• Solusi ini berhubungan dengan titik A pada gambar 4.1. Grafik pada gambar 4.1
memperlihatkan bahwa pada titik A, dimana x1 = 0, x2 = 20, s1 = 0, dan s2 = 60 adalah
solusi yang diperoleh jika diselesaikan dengan memecahkan persamaan simultan.
• Solusi ini nyata sebagai suatu solusi fisibel dasar.
x2

4 x1 + 3 x2 + s2 = 120
50
x1 = 0
x2 =20 x1 = 24
s1 = 0 40 x2 = 8
s2 = 60 s1 = 0
30 s2 = 0 x1 = 30
x2 = 0
20
A s1 = 10
x1 + 2x2 + s1 = 40
s2 = 0
B
x1 = 0 10
x2 = 0
s1 = 40 0
10 20 30 40 50 x1
s2 = 120
D C
Gambar 4.1 Solusi pada titik-titik A, B, C, dan D

• Suatu solusi fisibel dasar adalah solusi yang memenuhi batasan model.
• Suatu solusi fisibel dasar memenuhi batasan-batasannya dan terdiri dari variabel
dengan nilai non negatif dan n-m variabel yang diberi nilai nol.
• Biasanya, sebanyak m variabel mempunyai nilai solusi yang positif, namun, bila satu
dari m variabel mempunyai nilai nol, solusi fisibel dasar dinyatakan mengalami
degenerasi.

4. Metode Simplex Menggunakan Tabel Simplex

• Langkah-langkah metode simplex dilakukan dalam suatu kerangka tabel, atau disebut
dengan tabel simplex.
• Tabel simplex adalah tabel yang memuat semua keterangan yang perlu bagi jawab
layak basis dari suatu permasalahan Programa linier.
• Tabel ini juga mengatur model ke dalam suatu bentuk yang memungkinkan untuk
penerapan langkah-langkah matematis menjadi lebih mudah.
• Bentuk umum tabel simplex awal dengan judul kolom dan baris diperlihatkan pada
tabel 4.1.

Almamalik -24
 Tabel 4.1 Tabel Awal (Secara Umum)
cj
Variabel Kuantitas
x1 ... xn ... s1 ... sn
dasar (solusi)

zj
cj - zj

Contoh 4.3 Solusi Metode Simplex dengan Tabel Simplex

Berikut adalah langkah-langkah penyelesaian permasalahan Programa linier menggunakan
metode simplex dengan tabel simplex dengan contoh persoalan Perusahaan Tembikar PT.
XYZ. Kita tuliskan kembali model matematikanya

memaksimumkan Z = Rp (4x1+5 x2)

terbatas pada
x1 + 2x2 ≤ 40 jam tenaga kerja
4x1 + 3x2 ≤ 120 kg tanah liat
x1 , x2 ≥ 0

Langkah 1: mengubah bentuk batasan model pertidaksamaan menjadi persamaan.

Untuk persoalan Perusahaan Tembikar PT. XYZ, hasil transformasi modelnya adalah
sebagai berikut. (lihat contoh 4.2)

memaksimumkan Z = 4x1+5 x2 + 0s1 + 0s2

terbatas pada x1 + 2x2 + s1 = 40
4x1 + 3x2 + s2 = 120
x1 , x2 , s1 , s2 ≥ 0

Langkah 2: Siapkan tabel awal untuk solusi fisibel dasar pada titik orijin dengan jumlah
kolom sebanyak jumlah variabel ditambah tiga dan jumlah baris sebanyak jumlah
batasan ditambah empat.
• Tabel simplex awal untuk model Perusahaan Tembikar PT. XYZ, dengan berbagai
judul kolom dan baris diperlihatkan pada tabel 4.2.

Langkah 3: Isi kolom-kolom dan baris tabel simplex untuk solusi fisibel dasar di titik
orijin.

Tabel 4.2 Tabel Simplex

cj
Variabel Kuantitas
dasar (solusi) x1 x2 s1 s2
variabel-variabel model
sepanjang baris kedua dari
atas, yaitu
x1 , x2 , s1 , s2
zj
cj - zj

Almamalik -25
1) Tahap pertama dalam mengisi tabel 4.2 adalah menuliskan variabel-variabel model
sepanjang baris kedua dari atas. Kedua variabel keputusan ditulis terlebih dahulu
dengan mengikuti urutan besarnya subskripnya, diikuti dengan variabel pengurang
yang juga ditulis mengikuti urutan besarnya subskripnya. Langkah ini menghasilkan
suatu baris berisi x1 , x2 , s1 , s2 dalam tabel 4.2.
2) Tahap berikutnya adalah menentukan suatu solusi fisibel dasar. Dengan kata lain, dua
variabel manakah yang akan membentuk solusi fisibel dasar dan variabel mana yang
akan diberi nilai nol?

Tabel 4.3 Solusi Fisibel Dasar

cj
Variabel Kuantitas
dasar (solusi) x1 x2 s1 s2
s1 40
s2 120 variabel-variabel
dasar dan nilainya di
zj titik orijin.
cj - zj s1 = 40 dan s2 = 120

• Metode simplex memilih titik orijin sebagai awal dari solusi fisibel dasar karena
nilai variabel keputusan pada titik orijin selalu dapat diketahui dalam semua
Programa linier.
• Pada titik orijin tersebut (x1 = 0 dan x2 = 0), yang merupakan variabel-variabel dalam
solusi fisibel dasar untuk kasus ini adalah s1 dan s2. Dengan demikian, jika nilai x1 = 0
dan x2 = 0, maka kita substitusikan nilai-nilai tersebut pada kedua persamaan batas,
hasilnya adalah
x1 + 2x2 + s1 = 40  0 + 2.(0) + s1 = 40
s1 = 40 jam
4x1 + 3x2 + s2 = 120  4.(0) + 3. (0) + s2 = 120
s2 = 120 kg
• Dengan kata lain, pada titik orijin, dimana tidak ada produksi, semua sumber-sumber
tersebut tidak terpakai, dan variabel s1 dan s2, yang membentuk solusi fisibel dasar.
• Dalam tabel 4.3 ditulis di bawah kolom variabel dasar dengan nilai-nilainya masing-
masing 40 dan 120 ditulis di bawah kolom kuantitas (solusi).
• Karena tabel simplex awal selalu dimulai dengan solusi pada titik orijin, maka
variabel-variabel dasar pada titik orijin adalah variabel pengurang, s1 dan s2.
• Variabel dasar adalah variabel yang nilainya tidak sama dengan nol; sedangkan
variabel non-dasar adalah variabel yang nilainya sama dengan nol.

Tabel 4.4 Tabel Simplex dengan nilai-nilai cj

cj 4 5 0 0 Nilai cj koefisien fungsi
Variabel Kuantitas tujuan
dasar (solusi) x1 x2 s1 s2
Z = 4x1+5 x2 + 0s1 + 0s2
0 s1 40
0 s2 120
zj
cj - zj

Almamalik -26
• Selanjutnya isi nilai cj, yaitu: koefisien-koefisien fungsi tujuan, yang mencerminkan
kontribusi pada keuntungan (atau biaya) untuk setiap variabel xj atau sj pada fungsi
tujuan. Sepanjang baris teratas dimasukkan nilai-nilai cj , yaitu 4, 5, 0, dan 0 untuk
setiap variabel, seperti ditunjukkan pada tabel 4.4.
• Nilai-nilai cj pada sisi kiri tabel adalah kontribusi keuntungan dari variabel-variabel
yang termasuk pada solusi fisibel dasar, dalam hal ini s1 dan s2. Variabel-variabel ini
dituliskan pada sisi kiri tabel dengan tujuan digunakan untuk menghitung nilai pada
baris zj.
• Kolom-kolom di bawah tiap variabel (x1 , x2 , s1 , s2) mengikuti koefisien variabel
keputusan dan variabel pengurang dalam persamaan batasan model, dan hasilnya
dapat dilihat pada tabel 4.5.

Tabel 4.5 Tabel Simplex dengan Koefisien Batasan Model

cj 4 5 0 0
Variabel Kuantitas
dasar (solusi) x1 x2 s1 s2
0 s1 40 1 2 1 0 Kolom-kolom di
bawah tiap variabel
0 s2 120 4 3 0 1
(x1 , x2 , s1 , s2)
zj
cj - zj

• Sampai di sini proses pengisian tabel simplex awal telah lengkap.

• Nilai-nilai yang harus diisi pada baris zj dan cj – zj, seperti juga nilai-nilai tabel
selanjutnya diperoleh dari hasil perhitungan matematis yang menggunakan formula-
formula simplex.

Menghitung zj dan Baris cj-zj

• Langkah 4 : Menghitung nilai zj dan baris cj-zj

Menghitung zj
• Nilai pada baris zj dihitung dengan jalan mengalikan tiap nilai kolom cj (pada sisi kiri)
dengan tiap kolom variabel (di bawah x1, x2, s1, dan s2), dan kemudian menjumlahkan
tiap set nilai-nilai ini satu persatu. Nilai zj ini ditunjukkan dalam tabel 4.6.

Tabel 4.6 Tabel Simplex dengan nilai-nilai cj

cj 4 5 0 0
Variabel Kuantitas
dasar x1 x2 s1 s2
0 s1 40 1 2 1 0
0 s2 120 4 3 0 1
zj 0 0 0 0 0
cj - zj Nilai zj

Almamalik -27
Contoh perhitungan
Nilai baris zj di bawah kolom kuantitas; nilai baris zj di bawah kolom x1
cj kuantitas cj x1
0 X 40 =0 0 x 1 =0
0 X 120 =0 0 x 4 =0
zq =0 zq =0

Menghitung baris cj-zj

• Baris cj-zj dihitung dengan jalan mengurangkan nilai baris zj dari nilai-nilai baris
(teratas) cj. Sebagai contoh, pada kolom x1, nilai cj-zj dihitung sebagai 4 – 0 = 4. Nilai
ini seperti juga nilai cj-zj lainnya ditunjukkan pada tabel 4.7.

Tabel 4.7 Tabel Simplex Awal Lengkap

cj 4 5 0 0
Variabel Kuantitas
dasar x1 x2 s1 s2
0 s1 40 1 2 1 0
0 s2 120 4 3 0 1
zj 0 0 0 0 0
cj - zj 4 5 0 0

• Tabel 4.7 adalah tabel simplex awal yang lengkap dengan semua nilai yang telah terisi.
Tabel 4.7 mencerminkan solusi pada titik orijin, dengan nilai x1 = 0, x2 = 0, s1 = 40 dan
s2 = 120.
• Solusi ini jelas tidak optimal karena tidak ada keuntungan yang diperoleh. Jadi kita
ingin berpindah ke suatu titik solusi yang akan memberikan solusi lebih baik. Dengan
kata lain, kita ingin memproduksi salah satu dari beberapa genteng (x1) atau beberapa
bata (x2).

Variabel Non-Dasar yang masuk.

• Pada umumnya, nilai pada baris cj-zj mencerminkan kenaikan bersih per unit variabel
non dasar yang masuk ke dalam solusi dasar.
• Secara alamiah, kita ingin memperoleh sebanyak mungkin keuntungan, mengingat
tujuan utamanya adalah memaksimumkan laba.
• Dengan demikian, kita memasukkan variabel yang akan memberikan kenaikan bersih
terbesar terhadap laba per unit.
• Pada tabel 4.8 kita memilih variabel x2 sebagai variabel dasar yang memasuki solusi
karena variabel tersebut memiliki kenaikan bersih terbesar terhadap laba per unit, dan
merupakan nilai positif tertinggi pada baris cj-zj.

• Variabel non dasar yang masuk menjadi variabel dasar ditentukan dengan cara
mencari nilai pada baris cj-zj yang terbesar.

Almamalik -28
Tabel 4.8 Pemilihan Variabel Dasar yang masuk
cj 4 5 0 0
Variabel Kuantitas
dasar x1 x2 s1 s2
0 s1 40 1 2 1 0
0 s2 120 4 3 0 1
zj 0 0 0 0 0
cj - zj 4 5 0 0

variabel x2
• Kolom x2 yang diberi garis terang pada tabel 4.8 disebut kolom pemutar (pivot
column).

Variabel Dasar yang Keluar

• Dalam contoh permasalahan ini, setiap solusi fisibel dasar hanya terdiri dari dua
variabel yang diberi nilai nol, dan satu dari dua variabel dasar yang ada, s1 atau s2 akan
meninggalkan solusi dan menjadi nol.
• Untuk menentukan variabel dasar mana yang harus keluar menjadi variabel non-dasar
dalam metode ini, caranya adalah dengan mencari nilai non-negatif terkecil dari hasil
pembagian antara nilai kuantitas dari variabel solusi dasar terhadap nilai koefisien dari
kolom pemutar.
• Dengan demikian maka, variabel dasar yang keluar pada tabel 4.8 adalah variabel s1.
Baris s1 yang diarsir terang pada tabel 4.8 dinyatakan sebagai baris pemutar (pivot
row).
• Variabel dasar yang keluar menjadi variabel non-dasar ditentukan dengan cara
mencari nilai terbesar dari hasil perhitungan pembagian antara nilai kuantitas dari
variabel solusi dasar terhadap nilai variabel pada kolom pemutar.

Membentuk Tabel Baru

Tabel 4.9 memperlihatkan tabel simplex ke dua dari variabel solusi dasar fisibel
yang baru, yaitu x2 dan s2 berikut koefisien cj yang berhubungan.

Tabel 4.9 Variabel Dasar dan nilai cj untuk tabel Simplex Kedua
cj 4 5 0 0
Variabel Kuantitas
Dasar x1 x2 s1 s2
5 x2
0 s2
zj
cj - zj

• Nilai baris yang beragam dalam tabel kedua dihitung menggunakan beberapa formula
simplex.
1. Untuk baris x2 yang disebut baris pemutar tabel baru, dihitung dengan membagi tiap
nilai dalam baris pemutar pada tabel pertama terhadap angka pemutar.
nilai baris pemutar = (nilai baris pemutar tabel lama /angka pemutar)
tabel baru

Almamalik -29
Tabel 4.10 Perhitungan Nilai Baris Pemutar yang Baru
cj Variabel Kuantitas 4 5 0 0
Dasar
x1 x2 s1 s2
5 x2 20 1/2 1 1/2 0
0 s2
zj
cj - zj

2. Untuk menghitung nilai baris lainnya (dalam hal ini hanya ada satu baris) digunakan
formula yang berbeda.

Koefisien kolom Nilai baris pemutar

Nilai baris = Nilai baris - pemutar yang x tabel baru yang
tabel baru tabel lama berhubungan behubungan

Perhitungan Nilai Baris s2 yang baru

Kolom Nilai baris Koefisien Nilai baris Nilai

tabel lama - kolom pemutar x pemutar tabel = baris
yang baru yang Lama
berhubungan behubungan
Kuantitas 120 - ( 3 x 20 ) = 60
x1 4 - ( 3 x ½ ) = 5/2
x2 3 - ( 3 x 1 ) = 0
s1 0 - ( 3 x ½ ) = -3/2
s2 1 - ( 3 x 0 ) = 1

Tabel simplex kedua diselesaikan dan dilengkapi dengan jalan menghitung baris zj
dan cj – zj sama seperti perhitungan pada tabel pertama.

Baris zj dihitung dengan jalan menjumlahkan hasil kali nilai kolom cj dengan semua
nilai kolom lainnya.

Kolom
kuantitas zq = (5) . (20) + (0) . (60) = 100
x1 z1 = (5) . (1/2) + (0) . (5/2) = 5/2
x2 z2 = (5) . (1) + (0) . (0) = 5
s1 z3 = (5) . (1/2) + (0) . (-3/2) = 5/2
s2 z4 = (5) . (0) + (0) . (1) = 0

Nilai baris zj dan nilai baris cj-zj dimasukkan ke dalam tabel untuk melengkapi tabel
simplex kedua yang ditunjukkan dalam tabel 4.11.

Almamalik -30
Tabel 4.11 Tabel Simplex kedua yang lengkap.
cj Variabel Kuantitas 4 5 0 0
dasar
x1 x2 s1 s2
5 x2 20 1/2 1 1/2 0
0 s2 60 5/2 0 -3/2 1
zj 100 5/2 5 5/2 0
cj - zj 3/2 0 -5/2 0

Tabel 4.11 di atas masih belum memberikan solusi optimal. Untuk mendapatkan tabel
simplex solusi optimal, langkah-langkah seperti sebelumnya perlu dilakukan.

Tabel Siplex Optimal

• Untuk menentukan variabel non dasar yang masuk menjadi variabel dasar dan variabel
dasar yang keluar menjadi variabel non dasar, dilakukan perhitungan seperti
sebelumnya.
1. Menentukan variabel yang masuk
Variabel non dasar yang masuk ditentukan dengan cara mencari nilai baris cj-zj
yang tertinggi, seperti dapat dilihat pada tabel 4.12.
2. Variabel yang keluar
Variabel dasar yang keluar ditentukan dengan cara membagi nilai kuantitas dari
variabel solusi dasar terhadap nilai kolom pemutar. Dan variabel dasar yang keluar
adalah variabel yang mempunyai hasil bagi nonnegatif terkecil, seperti dapat dilihat
pada tabel 4.12.

Tabel 4.12 Kolom Pemutar, Baris Pemutar, dan angka pemutar.

cj Variabel Kuantitas 4 5 0 0
dasar
x1 x2 s1 s2
5 x2 20 1/2 1 1/2 0
0 s2 60 5/2 0 -3/2 1
zj 100 5/2 5 5/2 0
cj - zj 3/2 0 -5/2 0

Baris pemutar tabel baru (x1) dalam tabel simplex ketiga dihitung dengan
menggunakan formula yang sama seperti sebelumnya.
Jadi semua nilai-nilai baris pemutar lama dibagi dengan 5/2 sebagai angka pemutar,
hasilnya dapat dilihat pada tabel 4.13.

Tabel 4.13 Nilai-nilai baris pemutar lama

cj Variabel Kuantitas 4 5 0 0
dasar
x1 x2 s1 s2
5 x2
4 x1 24 1 0 -3/5 2/5
zj
cj - zj
Almamalik -31
Nilai-nilai baris lainnya (x2) dihitung seperti yang diperlihatkan pada tabel .
Perhitungan Nilai Baris x2 yang Baru

Koefisien Nilai baris Nilai

Nilai baris - kolom pemutar x pemutar tabel = baris
kolom tabel lama yang baru yang Lama
berhubungan behubungan
Kuantitas 20 - (½ x 24 ) = 8
x1 ½ - (½ x 1 ) = 0
x2 1 - (½ x 0 ) = 1
s1 ½ - (½ x -3/5 ) = 4/5
s2 0 - (½ x 2/5 ) = -1/5

Nilai-nilai yang baru ini, seperti baris zj dan nilai baris cj-zj yang baru, diperlihatkan dalam
tabel ke tiga yang lengkap dalam tabel 4.14.

Tabel 4.14 Tabel Simplex lengkap

cj Variabel Kuantitas 4 5 0 0
dasar
x1 x2 s1 s2
5 x2 8 0 1 4/5 -1/5
4 x1 24 1 0 -3/5 2/5
zj 136 4 5 8/5 3/5
cj - zj 0 0 -8/5 -3/5

• Untuk menentukan variabel yang masuk berdasarkan pengamatan pada baris cj-zj, kita
lihat bahwa suatu variabel non-dasar tidak akan menghasilkan kenaikan bersih positif
terhadap laba dimana semua nilai baris cj-zj pada saat itu nol atau negatif. Ini berarti
solusi optimal telah tercapai.
Jadi solusinya adalah
x1 = 24 genteng
x2 = 8 bata
Z = Rp 136

Almamalik -32
5
Programa Linier: Solusi Simplex Minimasi dan
Tipe Programa Linier Iregular

A. Tujuan Kompetensi Khusus

Mahasiswa mampu memahami dan mampu menyelesaikan permasalahan
menggunakan metode simplex.

B. Uraian Materi

1. Pendahuluan
• Secara umum, langkah-langkah metode simplex yang telah dijelaskan pada bab
sebelumnya digunakan untuk semua tipe masalah programa linier.
• Untuk masalah minimasi, diperlukan sedikit perubahan dalam proses simplex yang
normal.

2. Masalah Minimasi Program Linier

Contoh 5.1 Penyelesaian masalah minimasi progama linier menggunakan metode simplex.
Diketahui formulasi model Programa Linier minimasi sebagai berikut.
Meminimumkan Z = 6x1 + 3x2
terbatas pada
2 x1 + 4 x2 ≥ 16
4 x1 + 3 x2 ≥ 24
x1 , x2 ≥ 0
Cari solusinya menggunakan Metode Simpleks

Penyelesaian:
Langkah pertama dari proses simplex adalah mengubah semua batasan pertidaksamaan ≥
ke bentuk persamaan (=) dengan mengurangi suatu variabel penambah (variabel surplus)
dan ditambahkan variabel artifisial A.

2x1 + 4x2 ≥ 16 diubah menjadi 2x1 + 4x2 - s1 + A1 = 16, dimana s1 ≥ 0

4x1 + 3x2 ≥ 24 diubah menjadi 4x1 + 3x2 - s2 + A2 = 24, dimana s2 ≥ 0

Tanda pertidaksamaan variabel surplus tanda persamaan

• Variabel penambah diberi simbol s dan harus nonnegatif (≥ 0 ).

• Suatu variabel pengurang yang ditambahkan pada batasan ≤ mencerminkan
sumber yang tidak terpakai, sedangkan variabel penambah yang dikurangkan
pada batasan ≥ mencerminkan kelebihan di atas batas minimal sumber yang
diperlukan.
Almamalik -33
• Variabel artifisial (A) tidak memberikan arti seperti halnya variabel pengurang atau
variabel penambah. Variabel Artifisial diselipkan ke dalam persamaan hanya untuk
memberikan solusi positif pada titik pangkal (titik orijin).
• Variabel artifisial analog dengan roket booster yang tujuannya adalah untuk
mengangkat pesawat dari permukaan bumi, tetapi sekali pesawat terangkat, roket
tersebut tidak ada gunanya lagi sehingga roket tersebut lalu dibuang.

Langkah kedua adalah mengubah persamaan fungsi tujuan dengan menambahkan variabel
big M.
Z = 6x1 + 3x2 + 0. s1 + 0. s2 + M.A1 + M. A2

• Seperti variabel pengurang, variabel penambah tidak mempunyai dampak

menaikkan atau menurunkan biaya pada fungsi tujuan.
• Dengan demikian transformasi model masalah minimasi secara lengkapnya adalah:

meminimumkan Z = 6x1 + 3x2 + 0. s1 + 0. s2 + M.A1 + M. A2

terbatas pada
2x1 + 4x2 - s1 + A1 = 16
4x1 + 3x2 - s2 + A2 = 24
x1 , x2 , s1 , s2 , A1, A2 ≥ 0

3. Tabel Simplex Minimasi

• Pembentukan tabel simplex awal untuk model minimasi dilakukan dengan cara yang
sama seperti untuk model maksimasi, kecuali untuk satu perbedaan kecil.
• Pada baris akhir tabel simplex, tidak lagi menghitung cj – zj , melainkan menghitung
zj – cj, yang mencerminkan penurunan biaya per unit bersih, dan kemudian dipilih
nilai positif terbesar untuk penentuan variabel yang masuk dan kolom pemutar.
• Pilihan lain, kita tetap dapat menghitung cj – zj dan tetap kita memilih nilai negatif
terbesar sebagai kolom pemutar.
• Namun agar tetap konsisten dalam aturan untuk memilih kolom pemutar, kita akan
tetap menggunakan zj – cj.

Tabel Simplex Awal

• Tabel simplex awal model minimasi di atas ditunjukkan pada tabel 5.1. (Catatan: lihat
cara memasukkan parameter-parameter seperti contoh pada bab 4 sebelumnya)

Tabel 5.1 Tabel Simplex Awal Model Minimasi

cj Variabel Kuantitas 6 3 0 0 M M
dasar (solusi)
x1 x2 s1 s2 A1 A2
M A1 16 2 4 -1 0 1 0
M A2 24 4 3 0 -1 0 1
zj 40 M 6M 7M -M -M M M
zj - cj 6M-6 7M-3 -M -M 0 0

• Pada tabel 5.1, kolom x2 dipilih sebagai kolom pemutar karena 7M-3 adalah nilai
positif terbesar pada baris zj – cj, (x2 sebagai variabel yang masuk).

Almamalik -34
• A1 dipilih sebagai variabel dasar yang keluar (baris pemutar) karena hasil bagi sebesar
(16/4) = 4 untuk baris ini merupakan nilai positif terendah. (A1 sebagai variabel yang
keluar)

Tabel Simplex Kedua

• Tabel simplex kedua dibentuk menggunakan formula simplex yang telah diperkenalkan
pada bab 4, ditunjukkan pada tabel 5.2.

Tabel 5.2 Tabel Simplex Kedua

cj Variabel Kuantitas 6 3 0 0 M
dasar (solusi)
x1 x2 s1 s2 A2
3 x2 4 1/2 1 -1/4 0 0
M A2 12 5/2 0 3/4 -1 1
zj 12 M + 12 5M/2 + 3/2 3 -3/4 + 3M/4 -M M
zj - cj 5M/2 - 9/2 0 -3/4 + 3M/4 -M 0

• Perhatikan bahwa kolom A1 telah dihilangkan pada tabel simplex kedua.

• Begitu variabel artifisial meninggalkan solusi fisibel dasar, variabel tersebut tidak akan
pernah kembali, mengingat biayanya yang tinggi, yaitu M.
• Pada tabel 5.2, kolom x1 dipilih sebagai kolom pemutar karena 5M/2 - 9/2 adalah nilai
positif terbesar pada baris zj – cj.
• A2 dipilih sebagai variabel dasar yang keluar (baris pemutar) karena hasil bagi sebesar
(24/5) untuk baris ini merupakan nilai positif terendah.

Tabel Simplex Ketiga

• Pada tabel 5.3 tabel simplex ketiga, x1 menggantikan A2.
• Kedua kolom A1 dan A2 telah dihilangkan karena kedua variabel artifisial tersebut telah
meninggalkan solusi.

Tabel 5.3 Tabel Simplex Ketiga

cj Variabel Kuantitas 6 3 0 0
Dasar (solusi) x1 x2 s1 s2
3 x2 8/5 0 1 -2/5 1/5
6 x1 24/5 1 0 3/10 -2/5
zj 168/5 6 3 3/5 -9/5
zj - cj 0 0 3/5 -9/5

• Sampai di sini (tabel 5.3) solusi optimal belum dipenuhi, karena pada baris zj – cj masih
ada yang bernilai positif. (solusi optimal terpenuhi jika nilai (zj – cj) semuanya nol atau
negatif.
• Pada tabel 5.3, kolom s1 dipilih sebagai kolom pemutar karena 3/5 adalah nilai positif
terbesar pada baris zj – cj.
• x1 dipilih sebagai variabel dasar yang keluar (baris pemutar) karena baris tersebut
memiliki rasio positif terkecil sebesar 16.

Almamalik -35
• Dalam pemilihan baris ini, nilai -4 untuk baris x2 tidak diperhitungkan karena yang
dipilih adalah nilai positif atau nol. Jika yang dipilih baris x2 hal ini akan menyebabkan
s1 memiliki nilai kuantitas yang negaitf pada tabel keempat, dan nilai ini tidak layak.

Tabel Simplex Optimal

Tabel 5.4 Tabel Simplex Optimal

cj Variabel Kuantitas 6 3 0 0
Dasar (solusi) x1 x2 s1 s2
3 x2 8 4/3 1 0 -1/3
0 s1 16 10/3 0 1 -4/3
zj 24 4 3 0 -1
zj - cj -2 0 0 -1

• Tabel 5.4 merupakan tabel simplex yang optimal, dimana tidak satupun terdapat nilai
positif pada baris zj – cj. Solusi optimalnya adalah
x1 = 0
s1 = 16
x2 = 8
s2 = 0
Z = 24

Penyesuaian Tabel Simplex Untuk Suatu Model Minimasi:

1. Mengubah semua batasan ≥ ke dalam bentuk persamaan dengan cara
mengurangkan suatu variabel penambah dan menambahkan suatu variabel
artifisial.
2. Memberikan nilai cj sebesar M untuk semua variabel artifisial pada fungsi
tujuan.
3. Mengubah baris cj – zj menjadi zj – cj .

4. Masalah Batasan Campuran

• Sebelumnya telah dipelajari permasalahan maksimasi dengan pertidaksamaan batasan

≤ saja dan permasalahan minimasi dengan persamaan batasan ≥ saja.
• Bagaimana dengan penyelesaian permasalahan dengan batasan campuran, yaitu terdiri
dari batasan yang mempunyai bentuk ≤, ≥ dan =.

Contoh 5.2 Permasalahan Programa Linier untuk Masalah Batasan Campuran.

Formulasi Model Permasalahan Batasan Campuran
Memaksimumkan Z = 400 x1 + 200 x2
terbatas pada
x1 + x2 = 30
2x1 + 8x2 ≥ 80
x1 ≤ 20
x1 , x2 ≥ 0

Almamalik -36
Langkah pertama metode simplex adalah mengubah pertidaksamaan ke dalam bentuk
persamaan.
• Batasan Pertama, yaitu: x1 + x2 = 30 sudah berbentuk persamaan. Untuk batasan
yang pada awalnya berbentuk persamaan, karena itu tidak perlu menambah variabel
pengurang.
• Meskipun persamaan batasan pertama ini nampaknya dalam bentuk yang telah sesuai
solusi simplex, kita perlu menguji apakah telah sesuai dengan solusi simplex. Uji
dilakukan di titik orijin (titik pangkal (0,0)).
x1 + x2 = 30
0 + 0 = 30
0 ≠ 30 (karena 0 tidak sama dengan 30, batasan ini tidak fisibel)
• Batasan yang berbentuk persamaan perlu ditambah variabel artifisial (A).
Uji di titik pangkal, dimana x1 =0 dan x2 =0.
x1 + x2 + A1 = 30
0 + 0 + A1 = 30
• Batasan Kedua, yaitu persamaan 2x1 + 8x2 ≥ 80 adalah suatu pertidaksamaan (≥),
diubah ke dalam bentuk persamaan (=) dengan mengurangkan suatu variabel
penambah dan menambahkan suatu variabel artifisial.
2x1 + 8x2 – s1 + A2 = 80
• Batasan ketiga, adalah pertidaksamaan (≤) dan diubah ke bentuk persamaan (=) dengan
menambahkan variabel pengurang (slack).
x1 + s2 = 20

Mengubah fungsi tujuan

Memaksimumkan Z = 400 x1 + 200 x2 + 0. s1 + 0.s2 – M.A1 –M.A2

Batasan nonnegatif
x1 , x2 , s1 , s2 , A1, A2 ≥ 0

• Perubahan masalah program linier di atas secara lengkapnya adalah:

Memaksimumkan Z = 400 x1 + 200 x2 + 0. s1 + 0.s2 – M.A1 –M.A2
terbatas pada
x1 + x2 + A1 = 30
2x1 + 8x2 – s1 + A2 = 80
x1 + s2 = 20
x1 , x2 , s1 , s2 , A1, A2 ≥ 0

Langkah Kedua membuat tabel simplex awal. Tabel 5.5 merupakan tabel simplex awal.

Tabel 5.5 Tabel Simplex Awal model minimasi

cj Variabel Kuantitas 400 200 0 0 -M -M
dasar (solusi) x1 x2 s1 s2 A1 A2
-M A1 30 1 1 0 0 1 0
-M A2 80 2 8 -1 0 0 1
0 s2 20 1 0 0 1 0 0
zj -110 M -3M -9M M 0 -M -M
cj - zj 400 + 3M 200 + 9M -M 0 0 0

Almamalik -37
 • x2 adalah variabel yang masuk (nilai cj – zj nya paling besar); A2 adalah variabel
yang keluar (perbandingan antara kuantitas/koefisien kolom pemutar yang
berhubungan paling kecil; 80/8=10).
• Tabel 5.6 adalah tabel simplex kedua.

Tabel 5.6 Simplex Kedua

cj Variabel Kuantitas 400 200 0 0 -M
dasar (solusi) x1 x2 s1 s2 A1
-M A1 20 ¾ 0 1/8 0 1
200 x2 10 ¼ 1 -1/8 0 0
0 s2 20 1 0 0 1 0
zj 2000 - 20 M 50 - 3M/4 200 -25 – M/8 0 -M
cj - zj 350 + 3M/4 0 25 +M/8 0 0

• x1 adalah variabel yang masuk (nilai cj – zj nya paling besar) ; s2 adalah variabel
yang keluar (perbandingan antara kuantitas/koefisien kolom pemutar yang
berhubungan paling kecil; 20/1).
• Tabel 5.7 adalah tabel simplex ketiga.

Tabel 5.7 Tabel Simplex Ketiga

cj Variabel Kuantitas 400 200 0 0 -M
Dasar (solusi) x1 X2 s1 s2 A1
-M A1 5 0 0 1/8 -3/4 1
200 x2 5 0 1 -1/8 -1/4 0
400 x1 20 1 0 0 1 0
zj 9000-5M 400 200 -25 – M/8 350+3M/4 -M
cj - zj 0 0 25 +M/8 -350-3M/4 0

• s1 adalah variabel yang masuk (nilai cj – zj nya paling besar); A1 adalah variabel
yang keluar (perbandingan antara kuantitas/koefisien kolom pemutar yang
berhubungan paling kecil; 5/(1/8)).
• Tabel 5.8 adalah tabel simplex optimal.

Tabel 5.8 Simplex Optimal

cj Variabel Kuantitas 400 200 0 0
Dasar (solusi) X1 x2 s1 s2
0 s1 40 0 0 1 -6
200 x2 10 0 1 0 -1
400 x1 20 1 0 0 1
zj 10000 400 200 0 200
cj - zj 0 0 0 -200

• Tabel 5.8 sudah optimal karena nilai cj – zj nya semuanya nol (0) atau negatif.
• Solusi optimal untuk permasalahan ini adalah:
x1 = 20
x2 = 10
Almamalik -38
 s1 = 40
Z = 10.000

Aturan untuk meyiapkan batasan ≤, ≥, dan = untuk metode simplex

Batasan Penyesuaian Koefisien Fungsi Tujuan
Maksimasi Minimasi
≤ Tambah variabel pengurang 0 0
= Tambah variabel artifisial -M M
≥ Kurang variabel penambah dan 0 0
tambah variabel artifisial -M M

5. Masalah Jenis Programa Linier Yang Tidak Teratur

• Ada beberapa masalah khusus program linier yang akan dijelaskan berikut, yaitu
permasalahan-permasalahan solusi optimal majemuk, masalah tidak layak, masalah
solusi tidak terbatas.

a. Solusi Optimal Majemuk

Contoh 5.3 Pada contoh 5.3 ini misalkan dari kasus PT XYZ fungsi tujuannya diubah dari
Z = 4x1 + 5x2 menjadi Z = 4x1 + 3x2. Dengan demikian, formulasi modelnya adalah
Memaksimumkan Z = 4x1 + 3x2
Terbatas pada
1x1 + 2x2 ≤ 40
4x1 + 3x2 ≤ 120
x1 , x2 ≥ 0

• Grafik dari model ditunjukkan oleh gambar 5.1.

• Perubahan pada fungsi tujuan membuat garis fungsi tujuan menjadi sejajar dengan
garis batasan 4x1 + 3x2 ≤ 120. Kedua garis ini mempunyai kemiringan yang sama.
• Solusi optimalnya berada di garis B dan C, sehingga terdapat beberapa pilihan solusi
optimalnya.
x2

50

40

30

A
20

B
10

C
0
10 20 30 40 50 x1

Gambar 5.1 Solusi optimal majemuk model PT XYZ.

Almamalik -39
• Tabel simplex optimalnya

Tabel 5.9 Tabel Simplex Optimal

cj 4 5 0 0
Variabel Kuantitas
Dasar x1 x2 s1 s2
0 s1 10 0 5/4 1 -1/4
4 x1 30 1 3/4 0 ¼
zj 120 4 3 0 1
cj - zj 0 0 0 -1

• Tabel 5.9 berhubungan dengan titik C pada grafik.

• Bukti adanya solusi optimum majemuk untuk masalah ini dapat ditentukan pada baris
cj - zj .
• Solusi optimal majemuk diindikasikan oleh nilai 0 (nol) pada baris cj - zj (atau zj-
cj) untuk variabel bukan dasar.
• Solusi optimal alternatifnya adalah sebagai berikut.

Tabel 5.10 Tabel Simplex Optimal Alternatif

cj 4 5 0 0
Variabel Kuantitas
Dasar x1 x2 s1 s2
5 x2 8 0 1 4/5 -1/5
4 x1 24 1 0 -3/5 2/5
zj 120 4 3 0 1
cj - zj 0 0 0 -1

b. Suatu Masalah yang Tidak Fisibel

• Dalam beberapa kasus masalah Program Linier tidak mempunyai daerah fisibel, jadi
tidak terdapat solusi fisibel dasar pada masalah tersebut.

Contoh 5.4 Memaksimumkan Z = 5x1 + 3x2

Terbatas pada
4x1 + 2x2 ≤ 8
x1 ≥ 4
x2 ≥ 6
x1 , x2 ≥ 0
Tugas: Coba gambarkan model Progam Linier tersebut, cari solusi optimumnya dengan
metode grafik.

c. Suatu Masalah Tidak Berbatas

• Dalam beberapa kasus masalah daerah solusi yang layak dibentuk oleh batasan-
batasan model tidak tertutup.
• Dalam hal ini fungsi tujuan mungkin saja akan naik terus-menerus tidak terbatas tanpa
mencapai nilai maksimum, mengingat fungsi tujuan tidak akan pernah mencapai batas
daerah solusi yang layak.

Almamalik -40
Contoh 5.5 Memaksimumkan Z = 4x1 + 2x2
Terbatas pada
x1 ≥ 4
x2 ≤ 2
x1 , x2 ≥ 0
Tugas: Coba gambarkan model Progam Linier tersebut, cari solusi optimumnya dengan
metode grafik.

Kesimpulan dari Simplex yang irreguler

• Solusi optimal majemuk diidentifikasikan oleh nilai cj – zj (atau zj - cj) = 0 untuk
variabel bukan non dasar.
• Sedangkan untuk menentukan solusi pengganti, masukkan variabel yang memiliki
nilai cj – zj sama dengan nol.

Almamalik -41
6
Analisis Post Optimal

A. Tujuan Kompetensi Khusus

Mahasiswa mampu memahami dan menjelaskan tentang Dualitas, Analisis Sensitivitas,
dan Post Opimal

B. Uraian Materi

1. Pendahuluan
• Begitu solusi suatu masalah Programa Linier telah ditemukan, mungkin kita
cenderung untuk berhenti menganalisis model tersebut. Analisis lebih jauh atas solusi
optimal akhir justru dapat menghasilkan informasi yang lebih berguna.
• Solusi optimal dari suatu model programa linier dapat dianalisis dengan dua cara,
yaitu:
a. Merumuskan dan menginterpretasikan dual dari model.
b. Menganalisis dampak yang terjadi pada solusi optimal atas perubahan-perubahan
yang terjadi pada koefisien-koefisien batasan model dan fungsi tujuan. Proses ini
dikenal dengan analisis sensitivitas.
• Dual adalah suatu bentuk alternatif model berisi informasi mengenai nilai-nilai sumber
yang biasanya membentuk sebagai batasan model.

2. Model Dual Dari Primal

• Setiap model programa linier mempunyai dua bentuk: Primal dan Dual.
• Bentuk asli dari progama linier disebut Primal.
• Contoh model pada bab-bab sebelumnya adalah model-model primal.
• Dual adalah bentuk alternatif model yang dikembangkan sepenuhnya dari bentuk
primal.

2.1 Model Dual Maksimasi

Contoh 6.1 Model Dual Model Primal Maksimasi
Toko Mebel ‘Gaya’ memproduksi meja dan kursi yang dihitung atas dasar harian. Tiap
meja yang diproduksi menghasilkan keuntungan Rp 160, sedangkan tiap kursi
menghasilkan keuntungan Rp 200. Produksi meja dan kursi ini bergantung pada
tersedianya sumber-sumber yang terbatas (tenaga kerja, kayu, dan gudang tempat
penyimpanan). Kebutuhan sumber-sumber untuk memproduksi meja dan kursi serta
jumlah total sumber yang tersedia adalah sebagai berikut

Kebutuhan sumber
Sumber Meja Kursi Jumlah yang
tersedia
Tenaga Kerja 2 jam 4 jam 40 jam
Kayu 18 kubik 18 kubik 216 kubik
Gudang penyimpanan 24 m2 12 m2 240 m2

Almamalik -42
Perusahaan ingin mengetahui berapa banyak meja dan kursi yang harus diproduksi untu
memaksimumkan keuntungan. Model tersebut diformulasikan sebagai berikut:
Memaksimumkan Z = 160 x1 + 200 x2
Terbatas pada:
2 x1 + 4 x2 ≤ 40 jam tenaga kerja
18 x1 + 18 x2 ≤ 216 kubik kayu
24 x1 + 12 x2 ≤ 240 m2 tempat penyimpanan
x1 , x2 ≥ 0
dimana
x1 = jumlah meja yang diproduksi
x2 = jumlah kursi yang diproduksi

Dalam model tersebut merupakan model maksimasi untuk mendapatkan nilai laba
sebanyak-banyaknya.

• Model di atas mewakili Model Primal.

• Untuk Suatu Model Maksimasi Primal, bentuk dualnya merupakan Suatu
Model Minimasi.
• Bentuk dual untuk contoh model ini adalah:
Meminimumkan Zd = 40 y1 + 216 y2 + 240 y3
Terbatas pada
2 y1 + 18 y2 + 24 y3 ≥ 160
4 y1 + 18 y2 + 12 y3 ≥ 200
y1 , y2 , y3 ≥ 0

Dalam model dual ini yang analisis ditinjau dengan meminimumkan biaya sekecil-
kecilnya.
• Hubungan khusus antara primal dan dual yang diperlihatkan pada contoh di sini adalah
sebagai berikut.
1) Variabel y1 , y2 , y3 berhubungan dengan batasan model primal. Untuk setiap
batasan dalam primal terdapat satu variable dual. Sebagai contoh, dalam kasus ini
primal mempunyai tiga batasan, karena itu dual memiliki tiga variabel keputusan.
2) Nilai kuantitas pada sisi kanan pertidaksamaan batasan primal merupakan koefisien
fungsi tujuan dual. Nilai-nilai batasan primal, yaitu 40, 216, dan 240 membentuk
fungsi tujuan dual:
Z = 40 y1 + 216 y2 + 240 y3
3) Koefisien batasan model primal merupakan koefisien variable keputusan dual.
Contoh batasan tenaga kerja dalam primal mempunyai koefisien 2 dan 4. Nilai-nilai
ini merupakan koefisien variable y1 dalam batasan model dual: 2 y1 dan 4 y1
4) Koefisien fungsi tujuan primal, yaitu 160 dan 200 mewakili kebutuhan batasan
model (nilai kualitas pada sisi kanan batasan) dual.
• Hubungan antara primal-dual dapat diamati dengan cara membandingkan
bentuk kedua model tersebut seperti ditunjukkan pada gambar berikut.

Almamalik -43
 Primal Dual
Memaksimumkan Meminimumkan

Z = 160 x1 + 200 x2 Z = 40 y1 + 216 y2 + 240 y3

Terbatas pada:
Terbatas pada
2 x1 + 4 x2 ≤ 40
18 x1 + 18 x2 ≤ 216 2 y1 + 18 y2 + 24 y3 ≥ 160
24 x1 + 12 x2 ≤ 240
4 y1 + 18 y2 + 12 y3 ≥ 200

x1 , x2 ≥ y1 , y2 , y3 ≥ 0

Masalah Primal (atau Dual) Masalah Dual (atau Primal)

Koefisien fungsi tujuan ……………… Nilai kanan fungsi batasan
Maksimumkan Z (atau Y) …………... Minimumkan Y (atau Z)
Batasan i ……………………………… Variabel yi (atau xi)
Bentuk ≤ ………………………………. yi ≥ 0
Bentuk = ………………………………. yi ≥ dihilangkan
Variabel xj ……………………………. Batasan j
xj ≥ 0 ………………………………...... Bentuk ≥
xj ≥ 0 dihilangkan ………………….... Bentuk =

2.2 Model Dual Minimasi

• Bentuk primal standar untuk permasalahan minimasi, semua batasan mempunyai tanda
pertidaksamaan ≥ .

Contoh 6.2 Model Dual Model Primal Minimasi

Formulasi Model Primal Minimasi
Meminimumkan Z = 6x1 + 3x2
Terbatas pada
2 x1 + 4 x2 ≥ 16
4 x1 + 3 x2 ≥ 24
x1 , x2 ≥ 0

• Dual dari model ini diformulasikan sebagai berikut:

Memaksimumkan Zd = 16 y1 + 24 y2
Terbatas pada
2 y1 + 4 y2 ≤ 6
4 y1 + 3 y2 ≤ 3
y1 , y2 ≥ 0

2.2 Suatu Masalah Batasan Campuran

• Model Dual dari Primal Campuran dapat dilihat sebagai berikut.

Almamalik -44
Contoh 6.3 Model Dual Model Primal Campuran
Formulasi Model Primal Campuran
Memaksimumkan Z = 10x1 + 6x2
Terbatas pada
x1 + 4 x2 ≤ 40
3 x1 + 2 x2 = 60
2 x1 + x2 ≥ 25
x1 , x2 ≥ 0

• Satu kondisi yang diperlukan untuk mentransformasikan masalah primal ke dalam

bentuk dual adalah bahwa primal harus dalam bentuk standar.
• Untuk suatu maksimasi primal, semua batasan model harus ≤; dan untuk suatu
minimasi primal, semua batasan harus ≥.
• Jadi saat model maksimasi mencakup batasan campuran, langkah pertama adalah
mengubah semua batasan model ke dalam bentuk ≤.
a. Batasan pertama
x1 + 4 x2 ≤ 40  telah dalam bentuk tepat.
b. Batasan kedua
3x1 + 2 x2 = 60  harus diubah ke dalam bentuk ≤ (kasus maksimasi).

Persamaan ini ekuivalen dengan dua batasan berikut:

b.1 3x1 + 2 x2 ≥ 60
b.2 3x1 + 2 x2 ≤ 60
Batasan b.1 belum memenuhi syarat, dan batasannya harus diubah ke dalam bentuk
≤. Untuk itu batasan b.1 dikalikan dengan bilangan (-1), sehingga batasan sekarang
menjadi:
-3x1 - 2 x2 ≤ - 60

c. Batasan model terakhir

2 x1 + x2 ≥ 25
Sama halnya dengan batasan b.1, batasan terakhir (c) ini harus diubah ke dalam
bentuk batasan primal standar (kasus maksimasi batasan primal standar harus ≤ 0).
Untuk itu batasan terakhir harus dikalikan dengan bilangan (-1), sehingga diperoleh
batasan primal standarnya adalah
- 2 x1 - x2 ≤ - 25
• Dengan demikian, maka model primal bentuk standar dapat disimpulkan sebagai
berikut:
Memaksimumkan Zp = 10x1 + 6x2
Terbatas pada
x1 + 4 x2 ≤ 40
3x1 + 2 x2 ≤ 60
-3x1 - 2 x2 ≤ -60
- 2 x1 - x2 ≤ - 25
x1 , x2 ≥ 0

• Bentuk dual dari model ini diformulasikan sebagai:

Meminimumkan Zd = 40 y1 + 60 y2 - 60 y3 - 25 y4
Terbatas pada
y1 + 3y2 - 3y3 - 2y4 ≥ 10

Almamalik -45
 4y1 + 2 y2 - 2 y3 - y4 ≥ 6
y1,y2 ,y3 ,y4 ≥ 0

4. Penggunaan Dual
• Manfaat utama dari dual bagi pengambil keputusan terletak pada informasi yang
dihasilkan, antara lain tentang sumber-sumber model serta mereka dapat melihat
alternatif permasalahan dari sisi yang berbeda.
• Seringkali manajer tidak terlalu menaruh perhatian pada laba akan tetapi lebih pada
penggunaan sumber-sumber karena manajer lebih sering mempunyai kendala atas
penggunaan sumber-sumber daripada atas akumulasi laba.
• Solusi dual memberikan informasi kepada manajer mengenai nilai dari sumber-sumber
yang terutama penting dalam pengambilan keputusan untuk menentukan apakah perlu
menambah sumber-sumber serta biaya yang harus dikeluarkan untuk tambahan
tersebut.

5. Analisis Sensitivitas
• Setelah ditemukan penyelesaian optimal dari suatu masalah Programa Linier, kadang-
kadang dirasa perlu untuk mengkaji lebih jauh berbagai kemungkinan seandainya
terjadi perubahan-perubahan pada koefisien-koefisien di dalam model pada saat tabel
optimal telah diseselaikan.
• Jika hal itu terjadi, seseorang dapat saja memutuskan untuk menghitung kembali dari
awal dengan masalah baru (karena perubahan koefisien tertentu).
• Tentu saja apabila cara ini dilakukan akan memakan waktu yang lama karena ia harus
menghitung segala sesuatunya kembali.
• Untuk menghindarinya biasanya digunakan suatu cara yang dinamakan analisis
sensitivitas, yang pada dasarnya memanfaatkan kaidah-kaidah metode simplex primal-
dual semaksimal mungkin.
• Karena analisis dilakukan setelah dicapainya penyelesaian optimal, maka analisis ini
sering disebut pula: Post Optimality Analysis.
• Tujuan analisis sensitivitas adalah mengurangi perhitungan-perhitungan dan
menghindari perhitungan ulang, apabila terjadi perubahan-perubahan satu atau
beberapa koefisien model Progama Linier pada saat penyelesaian optimal telah dicapai.
• Pada dasarnya perubahan-perubahan yang mungkin terjadi setelah dicapainya
penyelesaian optimal terdiri dari beberapa macam, yaitu:
a. Keterbatasan kapasitas sumber daya. Dengan kata lain, nilai kanan fungsi-fungsi
batasan.
b. Koefisien-koefisien fungsi tujuan.
c. Koefisien-koefisien teknis fungsi-fungsi batasan, yaitu koefisien-koefisien yang
menunjukkan berapa bagian kapasitas sumber yang ”dikonsumsi” oleh satu satuan
kegiatan.
d. Penambahan variabel-variabel baru.
e. Penambahan batasan baru.

Almamalik -46
7
Programa Linier: Metode Transportasi

A. Tujuan Kompetensi Khusus

Mahasiswa mampu memahami dan menjelaskan penggunaan metode transportasi

B. Uraian Materi

1. Pendahuluan
• Metode transportasi merupakan suatu metoda yang digunakan untuk mengatur
distribusi dari sumber-sumber (S) yang menyediakan produk yang sama ke tempat-
tempat yang membutuhkan (tujuan, T) secara optimal.
• Alokasi produk ini harus diatur sedemikian rupa, karena terdapat perbedaan biaya-
biaya pengalokasian dari satu sumber ke tempat-tempat tujuan berbeda-beda, dan dari
beberapa sumber ke suatu tempat tujuan yang juga berbeda-beda.
• Metode transportasi ini dapat juga digunakan untuk memecahkan beberapa
permasalahan bisnis, seperti pengiklanan, pembelanjaan modal, alokasi dana untuk
investasi, analisis lokasi, keseimbangan lini produksi perakitan dan perencanaan serta
penjadualan produksi.

Sumber Tujuan
X11
S1 T1
X12
X13
X21
X22
S2 T2
X23
Xm1
Xm2

Xmn
Sm Tn

Gambar 7.1 Model transportasi dari sebuah jaringan dengan m sumber dan n tujuan

2. Model Transportasi
• Model transportasi diformulasikan menurut karakteristik-karakteristik unik
permasalahannya sebagai berikut:
a. Suatu barang dipindahkan dari sejumlah sumber ke tempat tujuan dengan biaya
seminimum mungkin.
b. Atas barang tersebut tiap sumber dapat memasok suatu jumlah yang tetap dan tiap
tempat tujuan mempunyai jumlah permintaan yang tetap.
• Meskipun model transportasi umum ini dapat diterapkan pada berbagai permasalahan,
namun yang paling lazim adalah penerapan pada transportasi barang.
• Persoalan transportasi merupakan bagian dari bentuk persoalan program linier khusus
yang disebut persoalan aliran jaringan kerja. Jaringan kerja adalah susunan titik
(disebut node) dan garis (disebut anak panah) yang menghubungkan node-node.
Almamalik -47
• Contoh fisik jaringan kerja meliputi kota dan jalan yang menghubungkannya, jaringan
kerja distribusi air (anak panahnya adalah pipa dan nodenya adalah stasiun pemompaan
dan titik percabangan dari pipa besar ke pipa kecil).

Secara umum, model dalam persoalan transportasi dapat digambarkan dalam suatu
tabel yang menunjukkan sisi penawaran (kapasitas persediaan) dan jumlah permintaan,
serta biaya transportasi dari masing-masing sumber ke masing-masing tujuan.

Tabel 7.1 Tabel Transportasi

Tujuan Tujuan Tujuan Tujuan Tujuan Kapasitas
T1 T2 T. Tn Persediaan
Asal ai
S1 c11 c12 c1. c1n
X11 X12 X1 . X1n a1
S2 c21 c22 c2. c2n
X21 X22 X2 . X2n a2
... c.1 c.2 c.. c.n
X.1 X.1 X.. X.n ...
Sm cm1 cm2 cm. cmn am
Xm1 Xm2 X m. Xmn
Permintaan b1 b2 .. bm
(Kebutuhan)
bj

Keterangan :
Si = Tempat ke- i asal barang (sumber)
m = Jumlah tempat asal (sumber)
Tj = Tempat ke- j, Tujuan Barang
n = Jumlah tempat tujuan
Xij = Jumlah barang yang akan didistribusikan dari sumber Si ke tujuan Tj
aij = Biaya distribusi 1 unit barang dari Si ke Tj
ai = Jumlah seluruh barang (kapasitas persediaan) dari Si
bj = Kapasitas Kebutuhan barang di Tj

Model Persoalan Transportasi

Fungsi Tujuan
m n
Meminimumkan z = ∑ ∑ c ij x ij
i =1 j=1
n
Terbatas pada ∑ x ij = a ij
j=1
n
∑ x ij = b ij
j=1

x ij ≥ 0

Tahap Penyelesaian Kasus Transportasi:

Buat Tabel Transportasi (Lihat Tabel 7.1)
1) Tentukan Penyelesaian Awal

Almamalik -48
 m n
Syarat : ∑ a i = ∑ b j (Jumlah Permintaan = Kapasitas Persediaan)
i =1 j=1

Penyelesaian awal (pengisian tabel tahap pertama) dapat dilakukan dengan 3 cara:
a. Metode North West Corner
b. Metode Least Cost
c. Metode Vogel
2) Lakukan Cek Optimalisasi
a. Metode Stepping Stone
b. Modified Distribution Method (Modi)
3) Lakukan Perbaikan Tabel
4) Kembali ke Langkah 3

Contoh 7.1 Model Transportasi Standar

PT ABCD memiliki 3 pabrik motor di A, B dan C dan 3 distributor utama di D, E, dan F.
Jumlah produksi motor tiap pabrik dalam satu tahun adalah 90 unit, 60 unit dan 50 unit.
Permintaan ketiga distributor setiap tahunnya masing masing sejumlah 50 unit, 110, unit
dan 40 unit. Biaya pengiriman tiap unit motor dari tiap pabrik ke tiap distributor
ditunjukkan pada matriks berikut:

PABRIK DISTRIBUTOR
D E F
A 20 5 8
B 15 20 10
C 25 10 19

Tentukan pendistribusian yang optimal (jumlah pengiriman motor dari tiap pabrik ke tiap
distributor, dengan total biaya minimal)

Penyelesaian:
Model Programa Linier dari masalah di atas dapat dirumuskan sebagai berikut.
X11 = Jumlah motor yang dikirim dari A ke D
X12 = Jumlah motor yang dikirim dari A ke E
X13 = Jumlah motor yang dikirim dari A ke F
X21 = Jumlah motor yang dikirim dari B ke D
X22 = Jumlah motor yang dikirim dari B ke E
X23 = Jumlah motor yang dikirim dari B ke F
X31 = Jumlah motor yang dikirim dari C ke D
X32 = Jumlah motor yang dikirim dari C ke E
X33 = Jumlah motor yang dikirim dari C ke F

Formulasi Model:
Meminimumkan Z = 20X11 + 5X12 + 8X13+ 15X21 + 20X22 + 10X23+ 25X31 +10X32+19 X33
Terbatas pada
X11 + X12 + X13 = 90
X21 + X22 + X23 = 60
X31 + X32 + X33 = 50
X11 + X21 + X31 = 50
X12 + X22 + X32 = 110
Almamalik -49
 X13 + X23 + X33 = 40
X11, X12,..., X33 ≥ 0

1) Buat Tabel Transportasi

Ke D E F Kapasitas
Dari Pabrik
ai
A 20 5 8 90
X11 X12 X13
B 15 20 10 60
X21 X22 X23
C 25 10 19 50
X31 X32 X33
Kebutuhan
Gudang 50 110 40
bj

2) Tentukan Penyelesaian Awal

• Metode North West Corner (NWC)

Metode optimasi dari pojok kiri atas ke pojok kanan bawah.
a. Pengisian sel dimulai dari sudut kiri atas tabel (yaitu sel X11). Bandingkan
persediaan di S1 dengan kebutuhan di T1, yaitu masing-masing a1 dan b1.
Cari X11 = min (a1, b1)  pilih nilai paling minimal antara a1 dan b1.
• Bila a1 > b1, maka X11 = b1. Teruskan ke sel X12, kemudian tentukan nilai
X12 = min (a1 - b1 , b2).
• Bila a1 < b1, maka X11 = a1. Teruskan ke sel X21, kemudian tentukan nilai
X21 = min (b1 – a1 , a2).
• Bila a1 = b1, buat X11 = b1. Teruskan ke sel X22.
b. Teruskan langkah tersebut, setahap demi setahap menjauhi sudut kiri atas, hingga
akhirnya harga telah dicapai pada sudut kanan bawah.

Ke D E F Kapasitas
Dari Pabrik (ai)
A 50 20 40 5 8 90
X11 X12 X13
B 15 60 20 10 60
X21 X22 X23
C 25 10 10 40 19 50
X31 X32 X33
Kebutuhan
Gudang 50 110 40
bj

Biaya Minimalnya adalah

Z = 20 X11 + 5X12 + 20X22 + 10X32 + 19X33 = 1000+ 200 + 1200+100 +760
= 20 (50) + 5 (40) + 20 (60) + 10(10) + 19 (40) = 3260
Almamalik -50
 Kelemahan metode ini: tidak memperhitungkan besarnya biaya, sehingga kurang
efisien.

• Metode Least Cost

Mencari dan memenuhi yang biayanya terkecil dulu
Cara ongkos baris terkecil
a. Kita mulai dari baris a1. Kita mencari ongkos terkecil pada baris ini. Misalkan
terjadi pada kolom Tk. Kemudian tentukan X1k = min (a1, bk).
Jika X1k = a1, tinggalkan baris a1 dan teruskan ke baris a2.
Jika X1k = bk, tinggalkan kolom Tk dan tentukan ongkos terkecil pada baris a1
kembali. Kalau ini terjadi pada kolom 1, maka buatlah X11 = min (a1 – b1k, b1).
Teruskan proses ini hingga baris a1 telah terpenuhi dan sesudah itu pindah ke baris
a2.

Ke D E F Kapasitas
Dari Pabrik (ai)
A 20 90 5 8 90
X11 X12 X13
B 20 15 20 40 10 60
X21 X22 X23
C 30 25 20 10 19 50
X31 X32 X33
Kebutuhan
Gudang bj 50 110 40

Biaya Min Z = 5 X12 + 10X32 + 10X23 + 20X21 + 25X31

Z = 5 (90) + 10 (20) + 10 (40) + 15 (20) + 25 (30) = 450 + 200 + 400 + 300 + 750 = 2100

Metode Least Cost lebih efisien dibandingkan dengan NWC.

• Metode Vogel
Metode Vogel merupakan metode yang lebih mudah dan lebih cepat untuk mengatur
alokasi dari beberapa sumber ke daerah tujuan.
Tahap tahap penyelesaian metode vogel adalah sebagai berikut:
a. Tentukan selisih ongkos terkecil dan kedua terkecil dari tiap tiap baris dan tiap tiap
kolom.
b. Pilih baris atau kolom yang memiliki selisih ongkos terbesar.
c. Isikan pada sel yang memiliki ongkos terkecil di baris atau kolom yang terpilih
pada langkah 2.
d. Lanjutkan sampai selesai

Kembali ke contoh sebelumnya, kita akan menggunakan metode Vogel. Tentukan

selisih ongkos terkecil dan kedua terkecil dari tiap tiap baris dan tiap tiap kolom.

Almamalik -51
 PABRIK DISTRIBUTOR Kapasitas Perbedaan
D E F baris
A 20 5 8 90 8-5 = 3
B 15 20 10 60 15-10 = 5
C 25 10 19 50 19-10 = 9
Kebutuhan 50 110 40
Perbedaan 20-15 = 5 10-5=5 10-8=2 XCE=50
kolom Hilangkan
baris C

PABRIK DISTRIBUTOR Kapasitas Perbedaan

D E F baris
A 20 5 8 90 8-5 = 3
B 15 20 10 60 15-10 = 5

Kebutuhan 50 110-50 = 60 40
Perbedaan 20-15 = 5 20-5=15 10- XAE=60
kolom 8=2 Hilangkan
kolom E

PABRIK DISTRIBUTOR Kapasitas Perbedaan

D E F baris
A 20 8 90-60=30 20-8 = 12
B 15 10 60 15-10 = 5

Kebutuhan 50 40
Perbedaan 20-15 = 5 10-8=2 XAF=30
kolom Hilangkan
baris A

PABRIK DISTRIBUTOR Kapasitas Perbedaan

D E F baris

B 15 10 60 15-10 = 5

Kebutuhan 50 XBD=50
(40-30)=10 XBF=10

Biaya Transportasinya adalah

Z = 10 (50) + 5 (60) + 8 (30) + 15 (50) + 10 (10) = 500+300+240+750+100 =1890

3) Cek Optimalitas
Syarat yang harus dipenuhi:
Jumlah sel yang terisi: (m + n) – 1
m = jumlah baris tabel transportasi
n = jumlah kolom tabel transportasi

Almamalik -52
Cek optimalitas dapat dilakukan dengan 2 cara, yaitu dengan Metode Stepping Stone atau
Metode MODI (modified distribution)

• Metode Stepping Stone

Misalkan tabel awal yang digunakan adalah hasil dari metode NWC
Ke D E F Kapasitas
Dari Pabrik (ai)
A 50 20 40 5 8 90

B 15 60 20 10 60

C 25 10 10 40 19 50

Kebutuhan
Gudang bj 50 110 40

Biaya Minimalnya adalah

Z = 20 X11 + 5X12 + 20X22 + 10X32 + 19X33 = 1000+ 200 + 1200+100 +760
= 20 (50) + 5 (40) + 20 (60) + 10(10) + 19 (40) = 3260

Perbaikan 1: Dengan cara coba-coba!

Ke D E F Kapasitas
Dari Pabrik (ai)
A 50 20 40 90 5 8 90
X11 X12 X13
B 50 15 60 10 20 10 60
X21 X22 X23
C 25 10 10 40 19 50
X31 X32 X33
Kebutuhan
Gudang bj 50 110 40

Biaya Minimalnya adalah

Z = 5X12 + 15X21 + 20X22 + 10X32 + 19X33
= 5 (90) + 15 (50) + 20 (10) + 10(10) + 19 (40) = 450+750+200+100+760=2260

Perbaikan 2
Ke D E F Kapasitas
Dari Pabrik (ai)
A 20 90 50 5 40 8 90
X11 X12 X13
B 50 15 10 20 10 60
X21 X22 X23
C 25 10 50 10 40 19 50
X31 X32 X33
Kebutuhan
Gudang bj 50 110 40

Almamalik -53
 Z = 5X12 + 8X13+ 15X21 + 20X22 + 10X32
= 5 (50) + 8(40)+15 (50) + 20 (10) + 10(50) = 250+ 320+ 750+200+500= 2020

Perbaikan 3
Ke D E F Kapasitas
Dari Pabrik (ai)
A 20 50 60 5 40 30 8 90
X11 X12 X13
B 50 15 10 20 10 10 60
X21 X22 X23
C 25 50 10 19 50
X31 X32 X33
Kebutuhan
Gudang 50 110 40
Bj

Z = 5X12 + 8X13+ 15X21 + 10X23 + 10X32

= 5 (60) + 8(30)+15 (50) + 10 (10) + 10(50) = 300+ 240+ 750+100+500= 1890

Karena harga cij sudah tidak ada yang negatif, maka tabel sudah optimal

• Metode Modi (Modified Distribution)

a. Gunakan tabel awal (misalkan diambil dari tabel NWC)
Tabel awal (diambil dari metode NWC)

Ke D E F Kapasitas
Dari K1 K2 K3 Pabrik (ai)
A 50 20 40 5 8 90
R1
B 15 60 20 10 60
R2
C 25 10 10 40 19 50
R3
Kebutuhan
Gudang bj 50 110 40

b. Buat variabel Ri dan Kj untuk masing-masing baris dan kolom

c. Hitung sel yang berisi (nilai setiap kolom dan tiap baris) dengan persamaan
Ri + Kj = Cij
Ri = nilai baris i
Kj = nilai kolom j
Cij = biaya pengangkutan dari
sumber i ke tujuan j

Langkah-langkah pengisian tabel

1) Isilah tabel pertama dari sudut kiri atas ke kanan bawah
2) Menentukan nilai baris dan kolom dengan cara:
• Baris pertama selalu diberi nilai 0

Almamalik -54
 • Nilai baris yang lain dan nilai semua kolom ditentukan berdasarkan rumus Ri +
Kj = Cij.

A -D = R1 + K1 = 20

A -E = R1 + K2 = 5

B -E = R2 + K2 = 20

C -E = R3 + K2 = 10

C -F = R3 + K3 = 19

Dari persamaan di atas, hitung K1 dan R1 dicari dengan cara memberi baris R1 = 0.
Nilai baris A = R1 = 0
Mencari nilai kolom K1:
R1 + K1 = C11
0 + K1 = 20, nilai kolom D = K1 = 20

Mencari nilai kolom dan baris yg lain:

1). R1 + K1 = 20  0 + K1 = 20 ,K1 =20
2). R1 + K2 = 5  0 + K2 = 5 ,K2 = 5
3). R2 + K2 = 20  R2 + 5 = 20 ,R2 = 15
4). R3 + K2 = 10  R3 + 5 = 10 ,R3 = 5
5). R3 + K3 = 19  5 + K3 = 19 ,K3 = 14

Ke D E F Kapasitas
Dari K1=20 K2=5 K3=14 Pabrik (ai)
A 50 20 40 5 8 90
R1=0
B 15 60 20 10 60
R2=15
C 25 10 10 40 19 50
R3=5
Kebutuhan
Gudang bj 50 110 40

d. Hitung nilai/indeks perbaikan setiap sel yang kosong dengan persamaan

Indeks perbaikan adalah nilai dari segi empat air (segi empat yang kosong).
Cij - Ri - Kj = indeks perbaikan

Cij - Ri - Kj indeks perbaikan

BD 15 – 15 – 20 -20
CD 25 – 5 – 20 0
AF 8 – 0 – 14 -6
BF 10 – 15 – 14 -19

(Suatu sel dikatakan optimal jika indeks perbaikannya ≥ 0, jika belum pilih yang
negatifnya terbesar)

Almamalik -55
e. Memilih titik tolak perubahan
Pilih nilai yang negatifnya besar yaitu BD

f. Buat jalur tertutup

• Berilah tanda positif pada B-D.
• Satu sel yang isi terdekat dan sebaris (yaitu B-E), satu sel yang isi terdekat dan
sekolom (yaitu A-D), berilah tanda negatif pada dua sel tersebut.
• Kemudian pilih satu sel yang sebaris atau sekolom dengan dua sel bertanda negatif
tadi (A-E) dan beri tanda positif.
• Selanjutnya pindahkan isi dari sel bertanda negatif ke yang bertanda positif
sebanyak isi terkecil dari sel yang bertanda positif (50). Jadi, B-D kemudian berisi
50, B-E berisi 60-50=10,
• A-E berisi 40+50=90 dan A-D tidak berisi.

Ke D E F Kapasitas
Dari K1=20 K2=5 K3=14 Pabrik (ai)
A 50 20 40 90 5 8 90
R1=0 - +
B 50 15 60 10 20 10 60
R2=15 + -
C 25 10 10 40 19 50
R3=5
Kebutuhan
Gudang bj 50 110 40

Z = 5X12+15X21 + 20X22+ 10X32 + 19X33

= 5(90) + 15(50)+20 (10) + 10 (10) + 19(40) = 450+ 750+200+100+760= 2260

g. Ulangi langkah-langkah c – f sampai indeks perbaikan bernilai ≥ 0.

Tabel Pertama Hasil Perubahan

Ke D E F Kapasitas
Dari K1=20 K2=5 K3=14 Pabrik (ai)
A 20 90 5 8 90
R1=0
B 50 15 10 20 10 60
R2=15
C 25 10 10 40 19 50
R3=5
Kebutuhan
Gudang (bj) 50 110 40

Almamalik -56
 Cij - Ri - Kj = indeks perbaikan
Cij - Ri - Kj indeks perbaikan
AD 20 – 0 – 20 0
AF 8– 0– 14 -6
BF 10 – 15 – 14 -19
CD 25–5 – 20 0

Tabel Kedua Hasil Perubahan

Ke D E F Kapasitas
Dari K1=20 K2=5 K3=14 Pabrik (ai)
A 20 90 5 8 90
R1=0
B 50 15 10 20 10 10 60
R2=15 - +
C 25 10 20 10 40 30 19 50
R3=5 + -
Kebutuhan
Gudang (bj) 50 110 40

Z = 5X12+15X21 + 10X23+ 10X32 + 19X33

= 5(90) + 15(50)+10 (10) + 10 (20) + 19(30) = 450+ 750+100+200+570= 2070

Tabel Ketiga Hasil Perubahan

Ke D E F Kapasitas
Dari K1=20 K2=5 K3=14 Pabrik (ai)
A 20 60 5 30 8 90
R1=0
B 50 15 20 10 10 60
R2=15
C 25 50 10 19 50
R3=5
Kebutuhan
Gudang bj 50 110 40

Z = 5X12+8X13+15X21 + 10X23+ 10X32

= 5(60) + 8(30)+15(50)+10 (10) + 10 (50) = 300+ 240+750+100+500= 1890

Cij - Ri - Kj = indeks perbaikan

Cij - Ri - Kj indeks perbaikan
AD 20 – 0 – 20 0
BE 20-2-5 13
CD 25-5-13 7
CF 19-5-8 6
Almamalik -57
8
Programa Linier: Masalah Penugasan

A. Tujuan Kompetensi Khusus

Mahasiswa mampu memahami dan menjelaskan penggunaan metode penugasan

B. Uraian Materi

1. Pendahuluan
• Model penugasan merupakan kasus khusus dari model transportasi, dimana
sejumlah m sumber ditugaskan ke sejumlah n tujuan (satu sumber untuk satu
tujuan), sedemikian sehingga didapat ongkos total yang minimum.
• Biasanya yang dimaksud dengan sumber adalah pekerja, sedangkan yang dimaksud
dengan tujuan adalah mesin/pekerjaan.
• Salah satu metode yang digunakan untuk Penugasan adalah metode Hungarian.
• Penggambaran umum persoalan penugasan dapat dilihat pada tabel 8.1

Tabel 8.1 Matrik Penugasan

Pekerjaan
1 2 3 4 .. N
1
Karyawan

2
..

• Syarat Penggunaan Model Penugasan

a. Jumlah Sumber/Pekerja = Jumlah Pekerjaan
b. Tiap Pekerja untuk satu pekerjaan
c. Jika ada n sumber, n tujuan/pekerjaan, maka kemungkinan penugasan = n.

2. Masalah Minimasi
Berikut adalah contoh Penugasan Masalah Minimasi.
Contoh 8.1
• Suatu perusahaan mempunyai 4 karyawan dengan tingkat produktivitas berbeda
dan 4 jenis pekerjaan yang berbeda-beda. Biaya penugasan tiap karyawan untuk
pekerjaan yang berbeda-beda tersebut dapat dilihat pada tabel 8.2

Almamalik -58
 Tabel 8.2 Matrik biaya penugasan
Pekerjaan (Biaya x Rp 1000)
I II III IV
A 15 20 18 22
Karyawan
B 14 16 21 17
C 25 20 23 20
D 17 18 18 16

Bagaimana menugaskan keempat karyawan untuk mendapatkan biaya minimum?

• Langkah Penyelesaian Metode Penugasan
1) Menyusun tabel seperti tabel 8.2
2) Melakukan pengurangan matriks dengan cara:
a. Memilih biaya terkecil dari setiap baris.

Tabel 8.3 Pemilihan biaya terkecil

Pekerjaan (Biaya x Rp 1000)
I II III IV
A 15 20 18 22 nilai 15
Karyawan

B 14 16 21 17 nilai 14
C 25 20 23 20 nilai 20
D 17 18 18 16 nilai 16

b. Kurangkan semua biaya dengan biaya terkecil setiap baris

Tabel 8.4 Tabel pengurangan biaya dengan biaya terkecil

Pekerjaan (Biaya x Rp 1000)
I II III IV
A 15-15=0 20-15=5 18-15=3 22-15=7 nilai 15
Karyawan

B 14-14=0 16-14=2 21-14=7 17-14=3 nilai 14

C 25-20=5 20-20=0 23-20=3 20-20=0 nilai 20
D 17-16=1 18-16=2 18-16=2 16-16=0 nilai 16

3) Melakukan pengurangan kolom

Berdasarkan hasil tabel 8.4, pilih biaya terkecil setiap kolom untuk mengurangi
seluruh biaya dalam kolom-kolom tersebut.

Almamalik -59
Tabel 8.5 Matriks total opportunity cost
Pekerjaan (Biaya x Rp 1000)
I II III IV
Karyawan A 0 5 3-2=1 7
B 0 2 7-2=5 3
C 5 0 3-2=1 0
D 1 2 2-2=0 0 nilai 2 kolom
III

4) Membentuk penugasan optimum

Prosedur praktis untuk melakukan uji optimalisasi adalah dengan menarik
sejumlah minimum garis horisontal dan/atau vertikal untuk meliputi seluruh
elemen yang bernilai nol dalam matriks total opportunity cost. Jika jumlah garis
sama dengan jumlah baris/kolom maka penugasan telah optimal. Jika tidak
harus direvisi.

Tabel 8.6 Matriks uji optimalisasi

Pekerjaan (Biaya x Rp 1000)
I II III IV
A 0 5 1 7
Karyawan

B 0 2 5 3
C 5 0 1 0
D 1 2 0 0

Dari tabel 8.6 ada tiga garis yang meliputi seluruh nilai nol dibandingkan
dengan empat baris atau kolom, sehingga masih diperlukan revisi matriks.

5) Melakukan Revisi Tabel

a. Untuk merevisi matriks total opportunity cost, pilih angka terkecil yang
tidak terliput (dilewati garis).
b. Kurangkan angka yang tidak dilewati garis dengan angka terkecil
c. Tambahkan angka yang terdapat pada persilangan garis dengan angka
terkecil.
d. Kembali ke langkah 4.

Tabel 8.7 Revisi tabel

Pekerjaan (Biaya x Rp 1000)
I II III IV
A 0 5-1 1-1 7-1 nilai terkecil 1
Karyawa

B 0 2-1 5-1 3-1

C 5 0 1 0
D 1 2 0 0

Almamalik -60
 Tabel 8.8 Revisi tabel terakhir
Pekerjaan (Biaya x Rp 1000)
I II III IV
A 0 4 0 6

Karyawa
B 0 1 4 2
C 5 0 1 0
D 1 2 0 0

Dalam table 8.8 dibutuhkan 4 garis untuk meliput seluruh nilai nol atau sama
dengan jumlah baris/kolom, sehingga penugasan telah optimal.

Karyawan A ditugaskan pada pekerjaan III = Rp 18.000

Karyawan B ditugaskan pada pekerjaan I = Rp 14.000
Karyawan C ditugaskan pada pekerjaan II = Rp 20.000
Karyawan D ditugaskan pada pekerjaan IV = Rp 16.000

Total Biaya (Min) = Rp 68.000

3. Masalah Maksimasi
• Metode penugasan Hungarian untuk minimasi juga dapat diterapkan untuk
penugasan yang menyangkut maksimasi.
• Dalam masalah maksimasi, matriks elemen-elemen menunjukkan tingkat
keuntungan (indeks produktivitas).
• Efektivitas pelaksanaan tugas oleh karyawan secara individual diukur dengan
jumlah kontribusi keuntungan.

Contoh 8.2
• Suatu perusahaan memiliki 5 karyawan dan masing-masing karyawan tersebut
dapat mengerjakan 5 jenis pekerjaan yang ada di perusahaan tersebut. Adapun
keuntungan dari hasil pekerjaan mereka adalah berbeda-beda, seperti dapat terlihat
pada tabel 8.9.

Tabel 8.9 Matriks keuntungan

Pekerjaan (Biaya x Rp 1000)
I II III IV V
A 10 12 10 8 15
Karyawan

B 14 10 9 15 13
C 9 8 7 8 12
D 13 15 8 16 11
E 10 13 14 17 17

Dari data di atas, tugaskanlah masing-masing karyawan ke masing-masing

pekerjaan sehingga keuntungan menjadi maksimal.

Almamalik -61
• Langkah Penyelesaian:

a. Seluruh elemen dalam setiap baris dikurangi dengan nilai maksimum dalam
baris yang sama. Prosedur ini menghasilkan matriks Opportunity Loss.

Tabel 8.10 Matriks opportunity loss

Pekerjaan (Biaya x Rp 1000)
I II III IV V
A 5 3 5 7 0
Karyawan

B 1 5 6 0 2
C 3 4 5 4 0
D 3 1 8 0 5
E 7 4 3 0 0

Nilai-nilai ini sebenarnya negatif.

b. Dari hasil langkah 1, pilih elemen terkecil dari tiap-tiap kolom untuk
mengurangi elemen-elemen pada kolom yang sama, maka diperoleh matriks
total opportunity loss, seperti tabel 8.11.

Tabel 8.11 Matriks opportunity loss dengan pengurangan elemen

Pekerjaan (Biaya x Rp 1000)
I II III IV V
A 4 2 2 7 0
Karyawan

B 0 4 3 0 2
C 2 3 2 4 0
D 2 0 5 0 5
E 6 3 0 0 0

c. Melakukan jadual penugasan

a. Tarik sejumlah minimum garis horizontal dan vertikal untuk melipat
seluruh elemen bernilai nol.
b. Bila jumlah garis sama dengan jumlah kolom, maka penugasan optimal
adalah fisibel. Bila tidak harus direvisi.

Tabel 8.12 Matriks opportunity loss dengan jumlah garis = jumlah baris
Pekerjaan (Biaya x Rp 1000)
I II III IV V
A 2 0 0 5 0
Karyawan

B 0 4 3 0 2
C 0 1 0 2 0
D 2 0 5 0 5
E 6 3 0 0 0

Hasil penyelesaian pada tabel 8.12 di atas telah optimal karena banyaknya jumlah
garis = banyaknya jumlah kolom = banyaknya jumlah baris.

Almamalik -62
 Tabel penugasan adalah sebagai berikut:

Karyawan A ditugaskan pada pekerjaan II = Rp 12.000

Karyawan B ditugaskan pada pekerjaan I = Rp 14.000
Karyawan C ditugaskan pada pekerjaan V = Rp 12.000
Karyawan D ditugaskan pada pekerjaan IV = Rp 16.000
Karyawan E ditugaskan pada pekerjaan III = Rp 14.000

Total Biaya (Maks) = Rp 68.000

4 Masalah Ketidakseimbangan
• Jika ada penambahan pekerjaan, akan tetapi tidak diimbangi penambahan pekerja,
maka dalam model Penugasan Hungarian, penyelesaiannya harus ditambah Variabel
Semu (dummy variable).
• Pada contoh minimasi di atas ada penambahan pekerjaan V, sehingga harus
ditambah dengan Karyawan Semu supaya dapat dilakukan penyelesaian.

Pekerjaan (Biaya x Rp 1000)

I II III IV V
A 15 20 18 22 21
Karyawan

B 14 16 21 17 15
C 25 20 13 20 27
D 17 18 18 16 18
DummyE 0 0 0 0 0

• Prosedur penyelesaian sama dengan langkah-langkah sebelumnya.

Almamalik -63
9
Teknik Perencanaan dan Jaringan Kerja:
Teori Jaringan Kerja

A. Tujuan Kompetensi Khusus

Mahasiswa mampu memahami dan menjelaskan teknik perencanaan dan jaringan kerja

B. Uraian Materi

1. Pendahuluan
• Manajemen Projek secara lambat laun telah menjadi suatu bidang baru dengan
berkembangnya dua teknik analisis yang dipergunakan untuk perencanaan,
penjadualan, dan pengawasan suatu projek, yaitu Critical Path Method (CPM) dan
Program Evaluation and Review Technique (PERT).
• Salah satu tujuan dari analisis ini adalah untuk menentukan waktu terpendek yang
diperlukan untuk merampungkan proyek, atau menentukan critical path, yaitu jalur
dalam jaringan yang membutuhkan waktu penyeleseian paling lama.
• Penentuan critical itu sangat penting karena jalur itu meliputi kegiatan-kegiatan yang
perlu diawasi secara sangat hati-hati agar proyek diselesaikan pada waktunya.

2 Diagram Jaringan Kerja

• Diagram jaringan kerja mempunyai dua peranan: 1) sebagai alat perencanaan projek
dan 2) sebagai ilustrasi secara grafik dari kegiatan-kegiatan suatu projek.
• Model jaringan telah diterapkan secara luas dalam bidang manajemen karena model
ini, yang berupa rangkaian jalur-jalur atau garis-garis yang dihubungkan pada
beberapa titik, mudah dibentuk dan ditafsirkan (komunikatif).
• Masalah-masalah yang dapat disederhanakan dalam model jaringan: masalah jalan
pintas, masalah rentang cabang terpendek dan masalah arus terbanyak.
• Masalah jalan pintas berhubungan dengan penemuan jarak terpendek dari suatu tempat
asal ke tempat tujuan dari jalur alternatif yang tersedia. Tujuan analisis ini tidak selalu
meminimumkan jarak, tetapi kadang-kadang berubah menjadi meminimumkan waktu
tempuh atau biaya perjalanan.
• Masalah rentang cabang terpendek berhubungan dengan penemuan jalur-jalur yang
menghubungkan semua titik dalam jaringan agar jumlah panjang seluruh jalur terkecil.
• Masalah arus maksimum berhubungan dengan alokasi arus pada jalur-jalur dalam
jaringan yang memiliki kapasitas terbatas dari tempat asal ke tempat tujuan agar
jumlah arus yang mengalir maksimum.

Almamalik -64
 Tabel 9.1 Simbol dan Arti Diagram Jaringan
Simbol Arti Keterangan
Anak Panah Menyatakan kegiatan dengan membutuhkan durasi
dan sumber daya. Pangkal dan ujung anak panah
menyatakan kegiatan mulai dan akhir.
Pada umumnya kegiatan diberi kode huruf besar A,
B, dan sebagainya.
Lingkaran kecil Menyatakan suatu kejadian atau peristiwa.
atau node Umumnya kejadian diberik kode dengan angka 1,
2, 3, dan sebagainya.
Anak panah Menyatakan kegiatan semu atau “dummy”.
terputus-putus

• Informasi menyusun jaringan kerja

Tabel 9.2 Ketentuan penyusunan jaringan kerja
A B
2
Kegiatan B hanya dapat dimulai setelah kegiatan
1 3
A selesai.

A C
1 3 4
Kegiatan C hanya dapat dimulai setelah kejadian
A dan B selesai. Kegiatan A dan B boleh
B berlangsung bersama-sama; kegiatan A dan B
2 berakhir pada kejadian yang sama.

1 A C 4
Kegiatan C dan D dapat dimulai setelah kegiatan
3 A dan B berakhir, dan selesai pada kejadian yang
B D
berbeda.
5
2

A C
1 3 4 Bila dua kejadian yang dimulai pada kejadian
B yang sama dan berakhir pada kejadian yang
sama pula, maka kegiatan tersebut tidak boleh
2 berimpit.
benar
A,B C
1 2 3
salah

A C
1 3 4 Dalam suatu jaringan kerja tidak boleh
B terjadi suatu loop.

Nomor kejadian terkecil adalah nomor kejadian awal dan nomor kejadian terbesar
adalah nomor kejadian akhir.

Almamalik -65
Contoh 9.1
Suatu pabrik merencanakan untuk mengembangkan dan memasarkan komputer mini dari
jenis baru. Kegiatan pengembangan dan pemasaran dapat dilihat pada tabel 9.3.

Tabel 9.3 Aktivitas perencanaan pembuatan komputer mini

Kegiatan Keterangan Kegiatan Waktu
sebelumnya (bulan)
A Rancangan Hardware - 12
B Produksi Hardware a 8
C Rancangan Software a 10
D Uji coba b,c 6
E Produksi user manual d 4
F Pemasaran e 8

Gambarkan diagram jaringan kerja proyek tersebut!

Penyelesaian:
Gambar diagram jaringan kerja tabel

a b d e f
1 12 2 8 3 6 5 4 6 8 7
c
10
4

Almamalik -66
10
Teknik Perencanaan dan Jaringan Kerja: Critical
Path Method (CPM)

A. Tujuan Kompetensi Khusus

Mahasiswa mampu memahami dan menjelaskan teknik perencanaan dan jaringan kerja
model CPM

B. Uraian Materi

1. Model Jaringan CPM

• Model jaringan CPM tersusun atas dua komponen utama, yaitu titik-titik
(nokta/lingkaran) dan garis-garis (cabang/anak panah). Garis menunjukan jenis
kegiatan dari suatu proyek, sementara titik menunjukan awal atau akhir suatu kegiatan,
atau biasa dinamakan events.

Contoh 10.1
Gambar 10.1 menunjukan model jaringan pembangunan sebuah rumah. Jaringan ini
terdiri dari 3 kegiatan: 1) menggambar rumah, 2) mencari dana, dan 3) membangun
rumah. Kegiatan-kegiatan ini dalam model diwakili dengan anak panah, events
(peristiwa) ditunjukan oleh lingkaran. Lingkaran 1 maksudnya awal menggambar
rumah, lingkaran 2 maksudnya akhir menggambar rumah dan awal mencari dana.
Model jaringan juga menunjukan precedence relationship di antara kegiatan-kegiatan.
Menggambar rumah mendahului mencari dana dan yang terakhir ini mendahului
membangun rumah. Ini berarti suatu kegiatan belum dapat dimulai sampai kegiatan
yang mendahuluinya diselesaikan.

Dalam analisis CPM, suatu lingkaran tertentu dikatakan terealisasi jika semua keiatan
yang berakhir pada lingkaran itu telah dirampungkan. Sebagai contoh, lingkaran 2
akan terealisasi pada akhir bulan ke-2 (setelah dua bulan). Pada waktu itu, pencarian
dana dapat dimulai. Pembangunan rumah dapat dimulai setelah bulan ke-3 berakhir.
Pada kasus ini pembangunan rumah dapat dirampungkan paling cepat pada akhir
bulan ke-9.

Gambar 10.1 Jaringan Pembangunan Rumah dan Waktu Kegiatan

• Ada suatu aturan dalam membuat model jaringan CPM, yaitu dua atau lebih kegiatan
tak dapat secara serentak berawal dan berakhir pada lingkaran yang sama. Sebagai
contoh perhatikan suatu proyek yang dijadualkan seperti pada tabel 10.1.
Almamalik -67
 Tabel 10.1 Kegiatan dalam Perencanaan Membangun Rumah
Kegiatan Pendahulu Waktu
Menggambar dan cari dana (a) – 3 bulan
Peletakan pondasi (b1) a 2 bulan
Pemesanan bahan (b2) a 1 bulan
Memilih cat (c) b1, b2 1 bulan
Membangun rumah (d) b1, b2 3 bulan
Memilih karpet (e) c 1 bulan
Penyeleseian (f) d, e 1 bulan

• Model jaringan yang ditunjukan pada Gambar 10.1 adalah salah karena menyimpang
dari aturan. Kesalahannya adalah bahwa b1 dan b2 muncul dari lingkaran a dan juga
berakhir pada lingkaran yang sama, yaitu lingkaran 3.

Gambar 10.1 Jaringan Pembangunan Rumah dan Waktu Kegiatan yang Salah

• Masalah ini diselesaikan dengan memperkenalkan suatu aktivitas dummy. Suatu

aktivitas dummy digambarkan dengan anak panah terputus dan disisipkan pada
jaringan itu untuk menunjukan suatu precendede relationship.
• Suatu aktivitas dummy tidak memakan waktu, jadi waktu kegiatan sama dengan
nol. Dengan demikian, model jaringan yang benar dari proyek yang penjadualannya
disajikan pada tabel 10.1 ditunjukkan oleh gambar 10.2.

Gambar 10.2 Jaringan Dengan Aktivitas Dummy

Critical Path (Lintasan Kritis)

Telah disebutkan bahwa sasaran utama analisis CPM adalah menentukan waktu
terpendek yang diperlukan untuk menyelesaikan suatu proyek atau menentukan
waktu yang diperlukan untuk suatu jalur kritis, yaitu jalur waktu terlama.

Untuk menjelaskan lintasan kritis lihat lagi model jaringan terakhir. Jaringan
tersebut memiliki 4 pilihan jalur, sebut saja A,B,C dan D, seperti disajikan pada
tabel 10.2 (waktu kegiatan diletakan di atas anak panah).

Almamalik -68
 Tabel 10.2 Seluruh Jalur yang mungkin dari Suatu Jaringan

Jalur Events (titik awal/akhir) Panjang jalur waktu

3 2 0 3 1
A 1 23467 9 bulan

3 2 0 1 1 1
B 1234567 8 bulan

3 1 3 1
C 12467 8 bulan

3 1 1 1 1
D 124567 7 bulan

Dengan menjumlahkan seluruh waktu kegiatan pada setiap jalur diperoleh panjang
jalur waktu.

Jalur A merupakan jalur waktu terlama, yaitu 9 bulan, maka jalur A merupakan
critical path, sehingga waktu tersingkat untuk merampungkan proyek ini adalah 9
bulan.

• Penjadualan Kegiatan Atau Events

Analisis CPM juga bertujuan menentukan jadual kegiatan/events yang
menerangkan kapan kegiatan ini dimulai dan berakhir.

Penjadualan itu juga dapat digunakan untuk menentukan lintasan kritis (sekaligus
waktu minimum yang diperlukan untuk menyelsesaikan proyek) dan kegiatan apa
yang dapat ditunda dan berapa lama.

Almamalik -69
Lingkaran 4 tak dapat direalisasikan sebelum semua kegiatan yang mendahuluinya
diselesaikan. Jadi waktu tercepat merealisasikan lingkaran 4 adalah 5 bulan. Waktu ini
dinamakan waktu tercepat, earliest time, diberi simbol ET4=5. Penetuan earlist time
dilakukan dengan melintasi jaringan ke arah minimum yang diperlukan untuk
menyelesaikan proyek.

Secara umum, earliset time setiap lingkaran j dirumuskan sebagai berikut:

ETj = maks {ET1+tij}.

Dimana i adalah nomor lingkaran awal dari semua kegiatan yang berakhir ada
lingkaran j dan tij adalah waktu kegiatan i  j

Sebagai contoh, ET6 dihitung sebagi berikut:

ET6 = maks {ET5 + t56 , ET4 + t46}
= maks { 6 + 1 , 5 + 3}
= maks { 7 , 8}
= 8 bulan
ET semua lingkaran pada kasus yang dipelajari ditunjukkan pada gambar 9.5

Gambar 10.3 Jaringan Dengan ET

Langkah berikutnya untuk menentukan lintasan kritis adalah menghitung latest

time, diberi simbol LT.

Latest time suatu lingkaran adalah waktu terakhir (paling lambat) suatu lingkaran
dapat direalisasikan tanpa menunda waktu penyelesaian proyek, dalam pengertian
waktu minimum.

Untuk kasus yang dipelajari, karena waktu minimumnya adalah 9 bulan, maka
latest time pada lingkaran 7 adalah 9 bulan. Latest time ditentukan dengan melintasi
jaringan ke arah belakang. Secara umum, perhitungan latest time lingkaran i
dirumuskan sebagai berikut:

LT1 = min {LTj - tij}

dimana j adalah lingkaran akhir dari semua kegiatan yang berawal pada lingkaran i
Contoh 10.2
LT6 = min {LT7 – t67} = min {9-1} = 8 bulan
LT5 = min {LT6 – t56} = min {8-1} = 7 bulan
LT4 = min {LT6 – t46 , LT5 – t45}
Almamalik -70
 = min {8 - 3 , 7 - 1}
= min 5 bulan

LT semua lingkaran pada kasdusau yang dipelajari disajikan pada Gambar 12.6

Pada lintasan kritis (1234567), ET = LT. Artinya kegiatan-kegiatan

kritis ini harus dimulai tepat waktu minimum, yaitu 9 bulan.

Ini berarti selain memilih jalur waktu terpanjang dari seluruh jalur yang mungkin
dari suatu jaringan, lintasan kritis dapat ditentukan dengan memeriksa di mana
lingkaran-lingkaran yang memiliki ET = LT. Pada Gambar 9.6 lingkaran 1,2,3,4,6
dan 7 semuanya memiliiki ET = LT, jadi mereka berada pada critical path.

Gambar 10.4 Jaringan Dengan ET Dan LT, Anak Panah Tebal

Menunjukkan Critical Path

Penentuan critical path dengan cara terakhir dapat menemui kesulitan. Contohnya,
bagaimana mengetahui bahwa critical path-nya bukan 12467, dimana
semua lingkarannya juga memiliki ET=LT.

Untuk mengatasi masalah ini ada cara untuk menentukan mana yang merupakan
kegiatan kritis. Cara ini menggunakan konsep yang dinamakan slack kegiatan,
yaitu waktu di mana suatu kegiatan dapat ditunda tampa mempengaruhi
penyeleseian proyek dengan waktu minimum. Slack kegiatan i  j, diberi simbol
sij, dihitung seperti berikut:

Sij = LTj – ETi – tij

Contoh 10.3
S12 = LT2 – ET1 – t12 = 3 – 0 – 3= 0
S23 = LT3 – ET2 – t23 = 5 – 3 – 2= 0
S34 = LT4 – ET3 – t34 = 5 – 5 – 0= 0
S46 = LT6 – ET4 – t46 = 8 – 5 – 3= 0
S67 = LT7 – ET6 – t67 = 9 – 8 – 1= 0
S24 = LT4 – ET2 – t24 = 5 – 3 – 1= 1

Almamalik -71

Slack untuk seluruh kegiatan ditunjukan pada gambar 10.5. terlihat bahwa S24=1
artinya kegiatan 24 dapat tertunda 1 bulan, tanpa memperlambat penyelesaian
proyek.

Semua kegiatan-kegiatan yang slacknya adalah nol berarti kegiatan-kegiatan itu
tidak dapat ditunda jika proyek ingin diselesaiakan dengan waktu minimum.

Gambar 10.5 menunjukan bahwa semua kegiatan kritis memiliki slack tidak sama
dengan nol. Sementara semua kegiatan lainnya memiliki slack tidak sama dengan
nol. Kesimpulannya, critical path akan meliputi seluruh kegiatan dengan slack
sama dengan nol.

Gambar 10.5 Jaringan Dengan Slack, Anak Panah Tebal

Menunjukkan Critical Path

Gambar 10.6 menunjukan bahwa S45 dan S56 adalah 1 bulan. Ini artinya, yang dapat
ditunda hanya salah satu kegiatan, yaitu 1 bulan, tetapi bukan kedua kegiatan
masing-masing 1 bulan. Slack untuk kedua kegiatan ini dinamakan shared slack,
artinya dua kegiatan berurut 45 dan 56 dapat tertunda 1 bulan tanpa
memperlambat penyelesaian proyek.

Almamalik -72
• Earliest Posible Event Time ( TE )
Waktu tercepat untuk bisa memulai pekerjaan, jadi sama dengan Earliest Start time
• Latest Allowable Event Time (TL)
Waktu yang paling lambat untuk dimulai suatu kegiatan, jadi sama dengan Latest
Start time
• Event Slack Time adalah Selisih antara TL – TE
• Earliest Finishing Time (EF)
Waktu paling cepat untuk dapat menyelesaikan suatu pekerjaan
• Latest Finishing Time (LF)
Waktu paling lambat untuk menyelesaikan suatu pekerjaan

Almamalik -73
11
Teknik Perencanaan dan Jaringan Kerja:Program
Evaluation and Review Technique (PERT)

A. Tujuan Kompetensi Khusus

Mahasiswa mampu memahami dan menjelaskan teknik perencanaan dan jaringan
kerja model PERT

B. Uraian Materi

Pada bab 11, waktu kegiatan ini diasumsikan diketahui dengan pasti, sehingga
merupakan suatu nilai tunggal atau model jaringan CPM yang merupakan model
deterministik.

Dalam prakteknya, waktu kegiatan demikian jarang ditemui. Pada umumnya,
projek yang disederhanakan dalam jaringan bersifat khas, karena itu sering tidak
memiliki dasar yang kuat untuk memastikan waktu kegiatan-kegiatan yang terlibat.

Jika kasusnya waktu kegiatan merupakan variabel acak yang memiliki distribusi
probabilitas, maka digunakan PERT sebagai pengganti CPM.

PERT mengasumsikan bahwa penyelesaian kegiatan mengikuti distribusi beta,
dengan rata-rata (tij) dan varian (vij) seperti berikut:
a + 4m + b
t ij =
6
2
b−a
v ij =  
 6 
dimana
t = taksiran ekspektasi waktu (waktu yang diharapkan) akan terjadi
a = taksiran waktu yang optimistik
b = taksiran waktu yang pesimistik
m = taksiran waktu yang kebanyakan terjadi (modus)

PERT juga mengasumsikan bahwa waktu kegiatan adalah independen secara

statistik, sehingga rata-rata dan variansi waktu-waktu kegiatan itu dapat
dijumlahkan untuk menghasilan rata-rata dan varians waktu penyelesaian projek.

PERT lebih jauh menasumsikan bahwa terdapat cukup banyak yang terlibat dalam
proyek sehingga rata-rata dan varians waktu penyelesaian proyek, sesuai dengan
central limit theorem, mengikuti distribusi normal.

Contoh 11.1
Tabel 11.1 merupakan perkiraan waktu kegiatan yang terlibat dalam pembangunan
rumah berikut rata-rata dan variansinya. ET dan LT setiap lingkaran serta slack
kegiatan ditunjukkan pada gambar 11.1. Dengan mengamati gambar 11.1 terlihat
bahwa critical path meliputi kegiatan yang memiliki slack sama dengan nol yaitu
12345 (anak panah tebal).

Almamalik -74
 Tabel 11.1 Perkiraan Waktu Kegiatan Dari Gambar 11.1
Perkiraan waktu (minggu) parameter distribusi beta
Kegiatan a m b tij vij

12 5 8 17 9 4
13 7 10 13 10 1
23 3 5 7 5 4/9
24 1 3 5 3 4/9
34 4 6 8 6 4/9
35 3 3 3 3 0
45 3 4 5 4 1/9

Gambar 11.1 Jaringan Dengan ET, dan LT dan Slack

Telah disebutkan bahwa waktu projek (tp) mengikuti distribusi normal yang
rata-ratanya µ, adalah jumlah rata-rata waktu kegiatan kritis, sehingga
µ = t12 +t23 + t24 + t25
=9 +5 + 6 + 4
= 24 minggu

Dan variannya, σ2, adalah jumlah varians waktu kegiatan kritis, sehingga
σ2 = v12+v23+v34+v45
= 4+4/9+4/9+1/9
= 5 minggu

Dengan asumsi waktu projek mengikuti distribusi normal dan nilai-nilai

parameternya diketahui, maka dengan bantuan kurva normal standaed dapat
dibuat pernyataan probabilitas tentang waktu penyelesaian proyek melebihi 25
minggu, developer akan dikenakan denda sebagai berikut.

Almamalik -75
 25 − µ
P(tp > 25) = P z >
σ2
25 − 24
= P (z > )
5
= P (z > 0,4472)
= 0,5 – 0,1736
= 0,3264

Jadi peluang proyek dirampungkan sebelum 25 minggu adalah 0,6736 (= 1-0,3264) atau
peluang developer tidak mampu menyelesaikan dalam 25 minggu, sehingga harus
membayar denda adalah 0,3264 seperti ditunjukan pada gambar 11.2.

= 5

0,3264

=24 25 tp

Gambar 11.2 Probabilitas Proyek selesai lebih dari 25 minggu

Almamalik -76
Almamalik -77
 GARIS-GARIS BESAR PROGRAM PENGAJARAN
Perguruan Tinggi : POLITEKNIK PIKSI GANESHA Program Studi / Smt. Ke :
Mata Kuliah : Riset Operasional Kode Mata Kuliah / SKS :

DESKRIPSI SINGKAT :
Mata kuliah ini bermaksud untuk memperkenalkan riset operasional mulai dari latar belakang munculnya riset operasional sampai dengan teknik-teknik riset
operasional dan penggunaannya dengan bantuan komputer. Materi-materi pokok yang akan dibahas dalam mata kuliah ini antara lain meliputi: falsafah dasar
riset operasional serta hubungannya dengan pengambilan keputusan dan penggunaan komputer, memahami dan memformulasikan model untuk memecahkan
alokasi sumber daya yang terbatas menggunakan Program Linier dengan teknik grafik, metode simplex, transportasi, dan penugasan. Disamping itu beberapa
teknik lain seperti analisis jaringan kerja CPM/PERT dipelajari dalam mata kuliah ini.

TUJUAN KOMPTENSI UMUM :

Setelah mengikuti perkuliahan, mahasiswa diharapkan akan dapat: 1) menjelaskan latar belakang sejarah dan falsafah dasar riset operasional, 2) memahami
dan memformulasikan model untuk memecahkan alokasi sumber daya yang terbatas menggunakan metode programma linier, transportasi, model penugasan,
dan analisis jaringan kerja CPM/PERT.
.
PRASYARAT :
Untuk dapat mengikuti mata kuliah ini, mahasiswa sudah mengambil mata kuliah Kalkulus, Probabilitas dan Statistik dan Aljabar Linier

TUJUAN KOMPETENSI KHUSUS :

Setelah mahasiswa mengikuti perkuliahan ini diharapkan mampu:
1. Menjelaskan falsafah Riset Operasional dan hubungannya dengan pengambilan keputusan.
2. Mahasiswa mampu memahami dan menjelaskan permasalahan alokasi sumber daya terbatas ke dalam pemodelan Programa Linier.
3. Mahasiswa mampu memahami danmenyelesaikan permasalahan programa linier menggunakan metode grafik
4. Mahasiswa mampu memahami dan mampu menyelesaikan permasalahan menggunakan metode simplex
5. Mahasiswa mampu memahami dan menjelaskan tentang Dualitas, Analisis Sensitivitas, dan Post Opimal
6. Mahasiswa mampu memahami dan menjelaskan penggunaan metode transportasi
7. Mahasiswa mampu memahami dan menjelaskan penggunaan metode penugasan
8. Mahasiswa mampu memahami dan menjelaskan teknik perencanaan dan jaringan kerja
9. Mahasiswa mampu memahami dan menjelaskan teknik perencanaan CPM dan PERT.

Almamalik -78
 RINCIAN ISI MATA KULIAH

No Tujuan Kompetensi Pokok Sub Pokok Bahasan Metode Alat Bantu Pustaka
Khusus Bahasan
1. Mahasiswa mampu • Sejarah dan Latar • Sejarah Singkat Riset Operasi. - Ceramah - Papan tulis 1, 2, 3,4
memahami dan menjelaskan Belakang Riset • Peranan Riset Operasional dalam - Diskusi - Infocus
falsafah Riset Operasional Operasi pengambilan keputusan. - Laptop
dan hubungannya dengan • Riset Operasi • Ilmu dan Seni dalam Riset Operasi.
pengambilan keputusan Sebagai Senit dan • Komponen-komponen dari sebuah model
Imu pengambilan keputusan.
• Metodologi Riset • Model-model Riset Opersional.
Operasional • Metodologi Riset Operasional.
• Metode Umum Mencari Solusi
Permasalahan
• Teknik-teknik, ciri-ciri dan keterbatasan
Riset Operasi
2. Mahasiswa mampu • Pengantar • Permasalahan alokasi sumber daya terbatas - Ceramah - Papan tulis 1,2
memahami dan menjelaskan Programa Linear • Bentuk baku model Programa Linier. - Diskusi - Infocus
permasalahan alokasi sumber • Formulasi Model • Karakteristik Masalah Programa Linier. - Tugas - Laptop
daya terbatas ke dalam Programa Linier • Sifat Model Programa Linier.
pemodelan Programa Linier.

3 Mahasiswa mampu • Solusi grafik • Permasalahan Programa Linier yang dapat - Ceramah - Papan tulis 1, 2, 3,4
memahami Programa Linier dipecahkan dengan metode grafik - Diskusi - Infocus
danmenyelesaikan • Teknik Memecahkan Persoalan Programa - Laptop
permasalahan programa Linier dengan Solusi Grafik.
linier menggunakan metode • Menggambarkan fungsi kendala dan tujuan
grafik pada sumbu koordinat XY dan mampu
menentukan solusi optimal.
• Solusi Maksimasi dan Minimasi dua dimensi
dengan grafis.

Almamalik -79
 No Tujuan Kompetensi Pokok Sub Pokok Bahasan Metode Alat Bantu Pustaka
Khusus Bahasan
4 Mahasiswa mampu • Solusi Programa • Pengertian Metode Simplex. - Ceramah - Papan tulis 1, 2, 3,4
memahami dan mampu Linier dengan • Formulasi Model Programa Linier dalam - Diskusi - Infocus
menyelesaikan permasalahan Metode Primal bentuk baku. - Laptop
menggunakan metode Simpleks • Solusi Persamaan Simultan Model Programa
simplex Linier
• Metode Simplex menggunakan Tabel
simpleks.
• Variabel Slack
• Penentuan solusi optimal menggunakan
tabel simplex
5&6 Mahasiswa mampu • Solusi Simplex • Permasalahan Minimasi Porgrama Linier 1, 2, 3,4
memahami dan mampu Programa Linier dengan Metode Simplex: Variabel Artifisial, - Ceramah - Papan tulis
menyelesaikan permasalahan Minimasi Variabel Big M. - Diskusi - Infocus
menggunakan metode • Penggunaan • Tabel Simplex Permasalahan Minimasi - Laptop
simplex bentuk solusi awal Programa Linier.
buatan • Permasalahan Batasan Campuran
• Kasus-kasus khusus dalam aplikasi metode
simpleks.
7 Mahasiswa mampu • Solusi permasalahan primal dan dual. 1, 2, 3,4
memahami dan menjelaskan • Primal dan Dual • Interpretasi ekonomi permasalahan dual. - Ceramah - Papan tulis
tentang Dualitas, Analisis • Analisis • Analisis sensitivitas atau post optimal. - Diskusi - Infocus
Sensitivitas, dan Post Opimal Sensitivitas dan - Laptop
Post Optimal.
8 UTS
9 & 10 Mahasiswa mampu • Pengertian model • Definisi dan aplikasi model transportasi. 1, 2, 3,4
memahami dan menjelaskan transportasi Solusi awal metode transportasi - Ceramah - Papan tulis
penggunaan metode • Solusi metode- • North West Corner (NWC). - Diskusi - Infocus
transportasi metode • The Least Cost (LC). - Laptop
• Vogel’s Aproximation Methods
• Optimalitas

Almamalik -80
No Tujuan Kompetensi Pokok Sub Pokok Bahasan Metode Alat Bantu Pustaka
Khusus Bahasan
• Stepping Stones
• MODI
11 Mahasiswa mampu • Model penugasan • Model penugasan menggunakan metode 1, 2, 3,4
memahami dan menjelaskan Hungarian. - Ceramah - Papan tulis
penggunaan metode • Solusi optimal menggunakan Metode - Diskusi - Infocus
penugasan Hungarian, maksimasi dan mininasi. - Laptop
12 Mahasiswa mampu • Perencanaan • Perencanaan Jaringan Kerja 1, 2, 3,4
memahami dan menjelaskan jaringan kerja - Ceramah - Papan tulis
teknik perencanaan dan - Diskusi - Infocus
jaringan kerja. - Laptop

13 & Mahasiswa mampu • Metode • Model jaringan CPM 1, 2, 3,4

14 memahami dan menjelaskan CPM/PERT • Model jaringan PERT - Ceramah - Papan tulis
kondisi dan proses - Diskusi - Infocus
pengambilan keputusan - Laptop

Daftar Pustaka
1. Bernard W. Taylor III, (1996). Sains Manajemen, Edisi keempat, Jakarta Salemba Empat
2. Hamdy A. Taha. (1992). Operation Research. Alan.
3. Sri Mulyani. Riset Operasional. LPEM, UI.
4. Tjutju, T. & Dimyati, A., (2002), Operation Research, Edisi Lima, Sinar Baru Algasindo Bandung.

Almamalik -81