PEMODELAN OPTIMASI

EVAKUASI TSUNAMI DI KOTA PADANG

SKRIPSI SARJANA MATEMATIKA

OLEH :

SISKA ANGGRIA

NBP. 1110431008

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS ANDALAS

PADANG

2016
Dan (ingatlah) ketika Tuhanmu memaklumkan, ”Sesungguhnya jika
kamu bersyukur, niscaya Aku akan menambah (nikmat) kepadamu,
tetapi jika kamu mengingkari (nikmat-Ku), maka pasti azab-Ku
sangat berat.”
(QS. Ibrahim 14 : 7)

Jika anda selalu gagal melakukan sesuatu, itu artinya ada ilmu yang
belum anda ketahui, tapi harus anda ketahui.

Puji syukur kepada Allah SWT atas izin dan kehendak-Nya lah hamba dapat
menyelesaikan Tugas Akhir ini. Sang pemilik rencana, Maha mengetahui yang
terbaik untuk setiap hamba-Nya. Terimakasih atas waktu dan anugrah yang
telah Engkau berikan kepada hamba. Perjalanan hidup yang luar biasa.

UCAPAN TERIMA KASIH TULUSKU

Kupersembahkan sebuah karya kecil ini untuk papa Masrizal dan

mama Qordia Elma, M.PdI yang tercinta. Pa,..ma...terimalah bukti kecil ini
sebagai hadiah untuk membalas semua pengorbananmu. Terimakasih pa, ma..
karena selalu bersabar menanti kabar gembira ini, yang tiada pernah hentinya
memberi siska semangat, do’a, dorongan, nasehat dan kasih sayang serta pengor-
banan yang tak tergantikan hingga siska selalu kuat menjalani setiap rintangan
yang ada. Pa, ma... inilah waktu yang Allah janjikan kepada siska, sehingga
siska bisa lebih banyak mengambil pelajaran di setiap pengalaman hidup yang
Allah berikan.

... Siska selalu menyayangi papa, mama...

 Abang ku tercinta Daniel Eka Putra, S.T, alhamdulillah akhirnya
siska bisa menyelesaikannya bang. Terimakasih brother, pembimbing 3 dalam
tugas akhirku, abang yang selalu memberi semangat, motivasi, ilmu selama
siska menempuh pendidikan. Abang yang suka cemeeh :D Terimakasih ilmu
finance management nya yaa.. Semoga siska bisa memanfaatkannya di massa
mendatang. Barakallah yaa bang untuk akad nikah 8 Mei 2016. Adik-adik ku
tersayang Delvi Yolanda dan Annisa Kartini Putri, udah kangen yaa den-
gan kehadiran sosok ceria dan hebohnya kakakmu ini di rumah?? Semangat yaa
nda, kuliahnya. Selamat buat semua prestasi yang didapatkan. We Proud of
You !!.. Adek ica, semangat sekolahnya adek kecilku :) Semoga kita semua bisa
menjadi anak sholeh dan shalehah buat papa dan mama yaa..

Pembimbing Akademik, Ibu Hazmira Yozza, M.Si yang dengan

sabar telah meluangkan waktu dan fikiran untuk memberikan bimbingan, ilmu,
saran, dan motivasi selama siska kuliah dan memberikan nasehat dalam meran-
cang penyelesaian studi selama siska menjalankan masa studi di Unand. Maaf
ya bu, kalau selama ini siska banyak salah dan membuat ibu kecewa. Semoga
ibu senantiasa diberi kesehatan oleh Allah SWT. Aamiin.

Pembimbing, Bapak Dr. Mahdhivan Syafwan dan Bapak Efendi,

M.Si, terima kasih banyak ya pak sudah membimbing siska selama menyusun
tugas akhir ini. Terima kasih untuk semua ilmu, tempat dan waktu yang bapak
berikan kepada siska. Mohon maaf pak, mungkin siska terlalu sering membuat
bapak kecewa karena sering hilangnya siska selama menyusun tugas akhir ini.
Maaf ya pak, siska belum sepenuhnya seperti yang bapak harapkan, siska akan
berusaha lebih giat lagi pak. Siska hanya bisa berdoa semoga bapak selalu
diberikan kesehatan dan selalu dalam lindungan Allah SWT. Aamiin.

”Hidupku terlalu berat untuk mengandalkan diri sendiri tanpa melibatkan

bantuan Allah yang maha kuasa dan orang lain. Tak ada tempat terbaik untuk
berkeluh kesah selain bersama sahabat-sahabat terbaik”.

iii
 Terima kasih untuk para sahabat sekaligus saudara terbaik sepan-
jang masa. Saudara yang selalu menyemangati ketika kaki mulai goyah un-
tuk melangkah. Saudara yang selalu mengingatkan untuk fastabiqul khairat.
Saudara yang selalu mengingatkan aku untuk selalu bersyukur, taubat, sabar
dan tersenyum. KAM1, ana uhibbukumfillah!! Ainul Mardhiyah, Dahlia Mis-
rika, S.P. Sari, Istiqamah, Fadhilah Afridal. Terima kasih untuk kebersamaan
selama ini, suka dan duka yang sama-sama kita lalui. Terus semangat ya, tak
ada yang tak mungkin jika Allah sudah mengatakan kun fayakun. Disini kita
hanya terus berusaha dan tawakal. Semoga persaudaraan kita selalu diikat den-
gan rabithah-Nya.

Sahabat Constanta 11 Istimewa, terimakasih atas bantuan dan ker-

jasamanya selama ini. Semoga Allah memberikan keberkahan buat kita semua
dan kelancaran buat segala urusan kita. Aamiin Yaa Rabbal ’Aalamin. Sela-
mat buat teman-teman yang akan wisuda Mei 2016, Siska Zay, Faizah, Citra,
Sogeng Febi, Devi, Dahlia, Hafiz, Aida, Yulia. Selamat dan semangat buat
teman-teman yang udah S.Si maupun yang sedang berjuang mendapatkannya,
berjuang mencari kerja, berjuang untuk S2, dan berjuang mencari jodoh. Hhe-
hhehe :) Semoga kita semua bisa dipertemukan kembali. Success for Us, Fatmi,
Dila Afridal, Sherly, Ipit, Mika, Nia, Offi, Cici, Anggi, Agus, QQ, Lucky, Aji’,
Eka, Uty, Ai, Nanad, Siska zalni, Viona, Randa, Rifqi, bg Naldo, Zikal, Ferdy
(Komting C11), Nanda, Ayu Charming, Yeye, Puput, Falin, Retno, Lidya, Dila
Turrahmah, Gilang, Aas, Eki, Danil, Widya, Risna, Lola, Stepani, Hesti, Meli,
Nelwati, Wici, Maya, Ade put, Ade sur, Ojha’, Stefi, bg Randi, Ronald, Nelfi,
Karin, Ratih, Dona, Eniva, Putri Cimahi, Sari pengpeng, Ima, Tria/cici, Af,
Ainul, Wuri, Rati, Ani, Ayu, Dwi, Hilda, Ita, Silmiati, Aulia, Sari Purwan-
ingsih.

Keluarga Besar Bp 008 dan 050, terimakasih buat keluarga ke-

cilku Uni Dian PS, Falin, Stepani, Rati, Rakib, Febri, Aulia, Visca, Zahara,
Iqbal, Siti, Cindyana, Cindy, Latifah, dan keluarga baru adek2 015 :) Semoga

iv
silaturahmi kita masih terjaga yaa. Ganbatte semuanya !!

..Thanks for being my brothers and sisters, here..

Keluarga Besar LABKOMSTAT, terimakasih atas kerjasama dan

ilmu yang telah diberikan. Uda Zaky, uda firman, Uni Ussy, wuri, offi, oja,
dahlia, sari, ryan, wika, hadi, ilham, dhani, zalfa, bima, nando, ully, citra,
venny, dan adek2 asisten yang baru tergabung :)

Keluarga Besar Wisma Akhwat FMIPA Universitas Andalas,

terimakasih akhwat atas rasa cinta kekeluargaan yang kita rajut bersama se-
lama di wisma. Wismaku, Surgaku. Wisma Muthi’ah, Wisma Pelita Shalihah,
Wisma As-Shofiyah, Wisma Syakuro, Wisma Hurriyah.

Untuk semua yang tidak bisa disebutkan satu per satu, terima
kasih untuk semua kebaikan yang pernah diberikan. Semoga Allah membalas
dengan kebaikan pula, aamiin yaa Rabbal ’aalamiin...

Tidak ada yang mudah, tapi tidak ada yang tidak mungkin.

Siska Anggria, S.Si

v
 KATA PENGANTAR

Alhamdulillahi rabbil ’alamin, puji syukur penulis haturkan kehadi-

rat Allah SWT atas limpahan berkah dan karunia-Nya, sehingga penulis da-

pat menyelesaikan skripsi dengan judul ”Pemodelan Optimasi Evakuasi

Tsunami di Kota Padang”. Shalawat beserta salam semoga selalu tercu-

rahkan kepada Baginda Rasulullah SAW yang telah menebarkan ilmu dan iman

dalam cahaya Islam. Penulis menyampaikan ungkapan terima kasih dan peng-

hargaan yang tulus kepada yang terhormat:

1. Bapak Dr. Mahdhivan Syafwan dan Bapak Efendi, M.Si selaku

dosen pembimbing yang telah meluangkan waktu dan pikiran, serta mem-

beri ilmu, motivasi, dan nasehat dalam menyelesaikan skripsi ini.

2. Bapak Dr. Muhafzan, Ibu Dr. Ferra Yanuar, dan Bapak Zulakmal,

M.Si selaku tim penguji yang telah bersedia membaca, menelaah, dan

memberikan pengarahan untuk perbaikan dalam penulisan skripsi ini.

3. Ibu Hazmira Yozza, M.Si selaku dosen pembimbing akademik, seluruh

bapak dan ibu dosen yang telah memberikan ilmu, nasehat, dan penga-

jaran dengan penuh kesabaran dan pengorbanan, serta keluarga besar

Jurusan Matematika FMIPA Universitas Andalas, yang telah membantu

selama penulis melaksanakan studi di Jurusan Matematika FMIPA Uni-

versitas Andalas.

4. Seluruh sahabat angkatan 2011 (Constanta 11) yang telah memberikan

vi
 bantuan, mendukung, dan memberikan motivasi kepada penulis dalam

menyelesaikan skripsi ini serta menemani perjalanan penulis hingga akhir

masa studi.

5. Keluarga besar Laboratorium Statistika dan Komputasi Jurusan

Matematika, FMIPA, Universitas Andalas yang selalu memberikan

dukungan, bantuan dan keceriaan setiap harinya.

6. Semua pihak yang telah membantu selama penulisan skripsi ini.

Selesainya skripsi ini tidak lepas dari doa yang tulus, motivasi, doron-

gan semangat, dan bantuan yang senantiasa diberikan oleh kedua orang tua,

yang mulia Papa Masrizal dan yang terkasih Mama Qordia Elma, M.PdI,

yang tercinta dan dibanggakan abang Daniel Eka Putra, S.T, adek-adek

Delvi Yolanda dan Annisa Kartini Putri serta seluruh keluarga besar

penulis.

Penulis menyadari penulisan skripsi ini tidaklah sempurna. Oleh karena

itu, dengan kerendahan hati penulis mengharapkan kritik dan saran yang mem-

bangun agar ke depannya diperoleh hasil yang lebih baik dalam meningkatkan

khasanah ilmu pengetahuan kita. Penulis berharap agar skripsi ini dapat berman-

faat bagi semua pihak yang membutuhkannya.

Padang, April 2016

Siska Anggria, S.Si

vii
 ABSTRAK

Pada tugas akhir ini, model optimasi untuk menentukan skenario terbaik dalam
proses evakuasi tsunami diformulasikan dengan menggunakan sejumlah asumsi
sederhana. Model ini kemudian diselesaikan dengan mengambil Kota Padang
sebagai studi kasus. Dalam hal ini, objek observasi dibatasi pada beberapa kelu-
rahan di Kota Padang yang dinilai memiliki dampak resiko terbesar jika terjadi
tsunami. Masalah pemrograman linier yang muncul pada model diselesaikan se-
cara numerik dengan menggunakan metode simpleks pada Matlab. Hasil-hasil
simulasi yang diperoleh menunjukkan bahwa waktu evakuasi di tiap kelurahan
di daerah rawan memungkinkan kurang dari 15 menit, dengan asumsi adanya
shelter tambahan yang dapat diakses oleh penduduk di Kelurahan Air Tawar
Barat, Kelurahan Ulak Karang Utara, dan Kelurahan Ulak Karang Selatan.
Kata kunci: Pemrograman Linier, Metode Simpleks, Model Evakuasi Tsunami

viii
 ABSTRACT

In this final project, the optimization model to determine the best scenario in
the tsunami evacuation process is formulated by using a number of simplified
assumptions. This model is then solved by taking the city of Padang as a case
study. In this case, the object of observation is limited to some regions in the
City of Padang which are considered having a high risk of impact in case of
tsunami. Linear programming problem that arises in the model is solved nu-
merically using a simplex method in Matlab. The simulation results show that
the evacuation time in each high risk region allows less than 15 minutes, by
assuming that there are two extra shelters can be accessed by residents in the
regions of Air Tawar Barat, Ulak Karang Utara and Ulak Karang Selatan.
Keywords : Linear Programming, Simplex Method, Tsunami Evacuation Model

ix
 DAFTAR ISI

KATA PENGANTAR. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi

ABSTRAK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii

DAFTAR ISI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . x

BAB I PENDAHULUAN. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.1 Latar Belakang. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Perumusan Masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.3 Pembatasan Masalah. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.4 Tujuan Penulisan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.5 Sistematika Penulisan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

BAB II LANDASAN TEORI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2.1 Geografi dan Demografi Kota Padang . . . . . . . . . . . . . . . . . 6

2.2 Potensi Gempa dan Tsunami di Kota Padang . . . . . . . . . . 6

2.3 Peta Zona Bahaya Tsunami Kota Padang . . . . . . . . . . . . . . 9

2.4 Pemrograman Linier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.5 Metode Simpleks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

BAB III SKENARIO EVAKUASI DAN FORMULASI MODEL . . . . 21

3.1 Skenario Evakuasi Tsunami . . . . . . . . . . . . . . . . . . . . . . . . . . 21

x
 3.2 Formulasi Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.2.1 Asumsi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.2.2 Model Sederhana Satu Lajur dan Banyak Lajur . . 23

3.2.3 Model Optimasi Satu Cluster. . . . . . . . . . . . . . . . . . 24

3.2.4 Model Optimasi Banyak Cluster . . . . . . . . . . . . . . . 28

3.2.5 Model Optimasi Banyak Cluster dengan Terda-

pat Shared Area . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

BAB IV SIMULASI NUMERIK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

4.1 Data yang Digunakan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

4.2 Penyelesaian Model Optimasi . . . . . . . . . . . . . . . . . . . . . . . . 46

BAB V KESIMPULAN DAN SARAN . . . . . . . . . . . . . . . . . . . . . . . . . . 59

5.1 Kesimpulan. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

5.2 Saran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

DAFTAR PUSTAKA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

LAMPIRAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

xi
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Sabuk Gempa Pasifik, atau dikenal juga dengan Cincin Api (Ring

of Fire), merupakan daerah berbentuk seperti tapal kuda yang mengelilingi

Samudera Pasifik sepanjang 40.000 km. Sekitar 90% dari gempa bumi terjadi

di daerah ini dan 81% dari gempa bumi terbesar terjadi di sepanjang Cincin Api

ini [12]. Sebagian besar wilayah Indonesia masuk ke dalam Sabuk Gempa Pasi-

fik, sehingga tidak mengherankan jika di Indonesia sering terjadi gempa bumi

dan letusan gunung berapi (lihat Gambar 1.1.1). Selain itu wilayah Indonesia

juga berada pada pertemuan lempeng Pasifik, lempeng Indo-Australia dan lem-

peng Eurasia. Akibatnya Indonesia menjadi daerah yang beresiko tinggi terjadi

gempa bumi dan tsunami [12].

Tsunami terjadi karena gangguan yang menyebabkan perpindahan se-

jumlah besar air laut, seperti letusan gunung api, gempa bumi bawah laut,

longsor maupun meteor yang jatuh ke bumi. Istilah tsunami sendiri berasal

dari bahasa Jepang, ”tsu” berarti pelabuhan, dan ”nami” berarti gelombang

[15].

Berdasarkan catatan sejarah, 90% tsunami terjadi karena gempa bawah

laut, seperti yang terjadi di Aceh dan Jepang. Berikut adalah beberapa fakta

sejarah gempa bumi besar yang disertai tsunami di dunia :

 Gambar 1.1.1 Ring of Fire [12]

ˆ Pada 11 Maret 2011, gempa bumi 9,0 skala Richter terjadi di Jepang,

dengan episentrum berada di bawah laut sekitar 373 km dari kota Tokyo.

Gempa ini menimbulkan gelombang tsunami di sepanjang pesisir timur

Jepang dan memakan korban jiwa sebanyak lebih dari 15.000 orang [16].

ˆ Pada 26 Oktober 2010, gempa bumi 7,2 skala Richter terjadi di Mentawai.

Gempa ini juga menimbulkan tsunami dan dilaporkan menelan korban

lebih dari 450 orang [2].

ˆ Pada 27 Februari 2010, gempa bumi terjadi di Chili dengan magnitudo

8,8 skala Richter, menyebabkan 432 orang tewas karena tsunami [17].

ˆ Pada 26 Desember 2004, gempa bumi dahsyat berkekuatan 9,0 skala

Richter mengguncang Aceh sekaligus menimbulkan gelombang tsunami di

Samudera Hindia. Bencana alam ini telah merenggut lebih dari 220.000

jiwa [6].

Dari data di atas dapat dilihat bahwa 2 dari 4 gempa yang disertai

2
tsunami terjadi di Indonesia. Bahkan gempa yang disertai tsunami dan paling

banyak memakan korban jiwa terjadi di Aceh pada tahun 2004.

Sejak gempa bumi besar disertai tsunami yang melanda Aceh terse-

but, masyarakat Indonesia mulai memahami dan menyadari akan potensi gempa

dan tsunami yang dapat terjadi di daerah-daerah lainnya, termasuk juga para

peneliti kegempaan yang mulai memetakan daerah-daerah mana saja yang perlu

diwaspadai akan kemungkinan terjadinya gempa dan tsunami. Yang sangat

menjadi perhatian saat ini, baik oleh pemerintah pusat, pemerintah daerah

maupun para ahli kegempaan akan adanya potensi gempa besar disertai tsunami

adalah di Sumatera Barat, khususnya di Mentawai Megathrust. Jika gempa

megathrust ini terjadi, maka dapat dipastikan tsunami akan menyapu bersih

kota-kota di sepanjang pesisir barat Sumatera, termasuk Kota Padang. Bahkan

Jamie Mc Lengley, seorang peneliti kegempaan dan tsunami dari Earth Obser-

vatoring of Singapore, menyebutkan bahwa gempa yang akan terjadi di Kota

Padang akan jauh lebih besar dari gempa yang pernah terjadi pada tahun 2007

dan 2009 lalu [6].

Mengingat potensi bencana yang mematikan ini, maka perlu dilakukan

berbagai upaya penanggulangan dan manajemen kebencanaan di Kota Padang

agar dapat mencegah atau paling tidak mengurangi jumlah korban baik harta

maupun jiwa. Upaya penyelamatan jiwa manusia apabila terjadi bencana tsunami

ini sudah dikembangkan oleh pemerintah Indonesia melalui Indonesia Tsunami

Early Warning System (InaTEWS) [10]. Sistem ini dikontrol langsung oleh

Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) di Jakarta. Den-

gan adanya InaTEWS ini, BMKG dapat mengirim peringatan dini tsunami.

Rata-rata waktu yang dibutuhkan masyarakat untuk mempersiapkan diri dalam

3
evakuasi tsunami adalah kurang dari 30 menit setelah gempa terjadi. Dengan

waktu yang sangat terbatas ini, diperlukan sekali rancangan skenario terbaik

agar proses evakuasi berlangsung seoptimal mungkin.

1.2 Perumusan Masalah

Pada tugas akhir ini akan dibahas konstruksi dan simulasi model opti-

masi dari proses evakuasi tsunami di Kota Padang. Kajian pada tugas akhir ini

merujuk pada studi yang dilakukan oleh Kusdiantara dkk [5] dengan memper-

baiki skenario evakuasi sehingga menjadi lebih realistis serta melakukan pemu-

takhiran dan penambahan data geografis dan demografis yang digunakan pada

simulasi model.

1.3 Pembatasan Masalah

Karena keterbatasan alat komputasi (MATLAB) dalam melakukan

perhitungan yang melibatkan banyak data serta sulitnya memperoleh data yang

akurat, maka simulasi model optimasi evakuasi tsunami pada tugas akhir ini

dibatasi untuk kasus Kecamatan Padang Utara dan Kecamatan Padang Barat

yang difokuskan pada beberapa kelurahan yang memiliki dampak resiko terbe-

sar (high risk ) apabila terjadi tsunami.

1.4 Tujuan Penulisan

Adapun tujuan dari penulisan tugas akhir ini adalah :

1. Memperoleh model optimasi sehingga dapat dirancang skenario terbaik

dari proses evakuasi tsunami di Kota Padang.

4
 2. Melakukan simulasi numerik untuk menyelesaikan model optimasi yang

dirancang.

3. Menginterpretasikan hasil-hasil simulasi yang diperoleh ke dalam usulan

kebijakan mitigasi dan manajemen kebencanaan di Kota Padang.

1.5 Sistematika Penulisan

Penulisan pada skripsi ini terdiri atas lima bab. Bab I berisi latar

belakang, perumusan masalah, pembatasan masalah, tujuan penulisan dan sis-

tematika penulisan. Bab II merupakan penjelasan teori-teori dasar yang terkait.

Selanjutnya pada Bab III dijelaskan skenario dan formulasi model evakuasi

tsunami. Kemudian pada Bab IV dibahas simulasi numerik dari model dan

interpretasi hasil yang diperoleh. Terakhir, pada Bab V disajikan kesimpulan

dan saran.

5
 BAB II

LANDASAN TEORI

2.1 Geografi dan Demografi Kota Padang

Kota Padang adalah ibukota Propinsi Sumatera Barat yang terletak

di pantai bagian barat Pulau Sumatera, yang berbatasan dengan Kabupaten

Padang Pariaman, Kabupaten Solok, dan Kabupaten Pesisir Selatan. Menurut

data BPS Kota Padang [9], luas wilayah yang dimiliki Kota Padang adalah

694,96 km2 dengan panjang pantai (di luar pulau-pulau kecil) 68,126 km, yaitu

hampir setengah dari total keliling (165,35 km). Penduduk kota ini pada tahun

2012 adalah sebanyak 854.336 jiwa dengan kepadatan 1.229 jiwa per km2 . Per-

tumbuhan penduduk dalam 10 tahun terakhir sebesar 1,58%. Ketinggian Kota

Padang bervariasi, yaitu dari 0 sampai 1.853 m di atas permukaan laut. Akan

tetapi 40% dari total luasnya mempunyai ketinggian hanya dari 0 sampai 5 m

[5].

Daerah Kota Padang terdiri dari 11 kecamatan dan 104 kelurahan. Di

kota ini mengalir 5 sungai besar dan 16 sungai kecil. Sungai terpanjang adalah

Sungai Batang Kandis dengan panjang sekitar 20 km [9].

2.2 Potensi Gempa dan Tsunami di Kota Padang

National Geographic Indonesia Edisi I (dalam [13]) menyebutkan bahwa

Kota Padang memiliki potensi resiko tertinggi di dunia jika terjadi tsunami.
Hal ini karena penduduk Kota Padang cukup banyak berdomisili di daerah

pesisir pantai kota, sementara letak geografis daerah ini berbatasan langsung

dengan Samudera Hindia dan dilalui lempeng Indo-Australia Eurasia yang ak-

tif bergerak empat hingga enam sentimeter per tahun (lihat Gambar 2.2.1).

Jika bertumbukan atau mengalami patahan, pergerakan lempeng tersebut da-

pat memicu terjadinya gempa bumi yang berpotensi diikuti gelombang tsunami.

Hal ini diperparah dengan kenyataan bahwa 40% dari total luas Kota Padang

mempunyai ketinggian kurang dari 5 m di atas permukaan laut (lihat Gambar

2.2.2).

Gambar 2.2.1 Pesisir Barat Sumatera di Antara Lempeng IndoAustralia dan

Eurasia [14]

7
 Gambar 2.2.2 Pembagian Zona Kota Padang Berdasarkan Ketinggian [18]

Beberapa peneliti memperkirakan gempa megathrust yang diikuti oleh

tsunami besar akan terjadi di Pulau Siberut Mentawai dalam beberapa dekade

mendatang (lihat misalnya di [5]). Berdasarkan catatan sejarah seismik, daerah

pantai Sumatera Barat (Mentawai) pernah ditimpa gempa dan tsunami yang

cukup besar pada tahun 1797 (magnitudo 8,7 SR) dan tahun 1833 (magnitudo

9,0 SR). Menurut Profesor Kerry Edward Sieh (dalam [13]), pakar dari Earth

Observatory of Singapore yang telah lama meneliti kawasan Mentawai bersama

LIPI, dari data gempa besar di Mentawai yang terjadi pada tahun 1797 dan

1833 itu, ternyata hampir seluruh megathrust (sesar naik) antara Pulau Pagai

Selatan sampai Pulau Batu belum pernah patah sejak tahun 1797 atau bahkan

seratus tahun sebelumnya. Ini menyebabkan slip (pergeseran) sejauh 8 hingga

12 meter dapat terjadi pada bagian megathrust tersebut (lihat Gambar 2.2.3).

8
 Gambar 2.2.3 Potensi Megathrust Terjadi di Mentawai [13]

2.3 Peta Zona Bahaya Tsunami Kota Padang

Sebagai upaya mitigasi bencana tsunami, pemerintah Kota Padang

bersama elemen terkait telah membuat peta zona bahaya tsunami yang di-

susun berdasarkan analisis para ahli gempa dan tsunami (lihat Gambar 2.3.1).

Berdasarkan peta tersebut, daerah Kota Padang terbagi atas 3 zona, yaitu:

1. High Risk Zone (daerah dengan tingkat kerentanan tinggi terhadap tsunami),

yaitu daerah dengan warna sangat merah.

2. Medium Risk Zone (daerah dengan tingkat kerentanan menengah ter-

hadap tsunami), yaitu daerah dengan warna merah muda.

3. Low Risk Zone (daerah dengan tingkat kerentanan rendah terhadap tsunami),

yaitu daerah dengan warna kuning.

9
Gambar 2.3.1 Zona Rawan Tsunami Kota Padang [8]

10
 Sebaran resiko per kecamatan di Kota Padang berdasarkan potensi

bencana tsunami adalah [8]:

1. High Risk Zone : Kecamatan Padang Barat, Kecamatan Padang Utara,

Kecamatan Nanggalo, sebagian Kecamatan Koto Tangah.

2. Medium Risk Zone : Kecamatan Padang Timur, Kecamatan Padang Sela-

tan, Kecamatan Lubuk Begalung, Kecamatan Kuranji, Kecamatan Bun-

gus Teluk Kabung.

3. Low Risk Zone : Kecamatan Lubuk Kilangan, Kecamatan Pauh, sebagian

Kecamatan Koto Tangah.

Berdasarkan data jumlah penduduk Kota Padang di zona bahaya tsunami

pada tahun 2010, Kecamatan Padang Barat merupakan kecamatan yang pen-

duduknya berada pada daerah tsunami paling banyak (100%) dan disusul ke-

mudian oleh Kecamatan Padang Utara (88,39%) [lihat Tabel 2.3.1][4].

Tabel 2.3.1 Penduduk Kota Padang di Zona Bahaya Tsunami Tahun 2010 [4]

11
 Selanjutnya berdasarkan analisis kelompok rentan dan letak wilayah-

nya, Kecamatan Padang Barat dan Kecamatan Padang Utara merupakan wilayah

yang kemungkinan terkena dampak tsunami yang cukup besar.

Dari penjelasan di atas, serta ditambah dengan kendala memperoleh

data yang akurat, maka simulasi model evakuasi tsunami pada tugas akhir ini

dibatasi untuk Kecamatan Padang Utara dan Kecamatan Padang Barat yang

difokuskan pada beberapa kelurahan yang memiliki resiko memakan korban ter-

banyak dan terisolasi ketika terjadi tsunami, yaitu Kelurahan Air Tawar Barat,

Kelurahan Ulak Karang Utara, Kelurahan Ulak Karang Selatan, Kelurahan

Plamboyan Baru, Kelurahan Rimbo Kaluang, Kelurahan Ujung Gurun, Kelu-

rahan Purus, Kelurahan Olo, Kelurahan Belakang Tangsi, dan Kelurahan Berok

Nipah [8].

2.4 Pemrograman Linier

Pemrograman linier merupakan suatu model umum yang dapat digu-

nakan dalam pemecahan persoalan yang terbatas secara optimal. Kata sifat

linier digunakan untuk menunjukkan fungsi-fungsi matematik yang digunakan

dalam bentuk linier. Sedangkan kata pemrograman bukan berarti program pada

komputer, tetapi menyatakan sinonim dari perencanaan. Dengan demikian,

pemrograman linier adalah suatu teknik perencanaan yang bersifat analitis den-

gan menggunakan model matematis, dengan tujuan menemukan beberapa kom-

binasi alternatif pemecahan optimum terhadap persoalan [7].

L.V. Kantorovich, seorang ahli matematika Rusia, adalah pencetus

ide persoalan pemrograman linier, namun cara pemecahan persoalan ini tidak

berkembang dengan baik di Rusia. Pada tahun 1947, seorang ahli matem-

12
atika Amerika Serikat yang bernama George B. Dantzig menemukan cara un-

tuk memecahkan persoalan pemrograman linier ini, dan berkembang pesat sekali

terutama di bidang kemiliteran yang menyangkut optimasi dalam strategi perang

dan bidang lainnya [7].

Bentuk umum model pemrograman linier sebagai berikut :

Optimumkan
n
X
Z= cj x j ,
j=1

dengan batasan
n
X
aij xj (≥≤)bi , untuk i = 1, 2, 3, . . . , m
j=1

xj ≥ 0 , untuk j = 1, 2, 3, . . . , n.

Terminologi umum untuk model pemrograman linier di atas dapat dirangkum

sebagai berikut :

1. Fungsi yang akan dicari nilai optimalnya (Z) disebut fungsi tujuan (ob-

jective function)

2. Fungsi-fungsi batasan dapat dikelompokkan menjadi dua macam, yaitu :

(a) Fungsi batasan fungsional, sebanyak m.

(b) Fungsi batasan non-negatif (non-negative constrains) yaitu variabel

xj ≥ 0.

3. Variabel-variabel xj disebut variabel keputusan (decision variables).

4. Parameter model yaitu masukan konstan aij , bi dan cj .

Salah satu metode penyelesaian masalah pemrograman linier adalah

metode simpleks. Penjelasan tentang metode ini diberikan pada subbab berikut.

13
2.5 Metode Simpleks

Sebelum menggunakan metode simpleks dalam memecahkan persoalan

pemrograman linier, perlu dipelajari bagaimana mengubah suatu pemrograman

linier menjadi bentuk standarnya, yaitu

n
X
Maks/min Z = cj .xj ,
j=1

dengan batasan
n
X
aij .xj = bi , untuk i = 1,2,...,m
j=1
xj ≥ 0, untuk j = 1,2,...,n

aij , bi , cj ∈ R.

Karena semua kendala harus berbentuk persamaan, maka jika ada

kendala yang berbentuk pertidaksamaan, harus dikonversikan menjadi persamaan

dengan memasukkan variabel semu slack atau surplus [3].

Adapun langkah - langkah dalam metode simpleks adalah sebagai berikut [1]:

1. Formulasikan dan standarisasikan model

2. Buat tabel simpleks awal

3. Tentukan kolom kunci dan baris kunci (pivot) di antara variabel yang ada

dalam tabel. Kolom kunci pada tabel dicari dengan melihat angka negatif

paling besar (angka terkecil) sedangkan baris kunci dicari dengan memilih

baris yang mempunyai rasio positif terkecil, dengan rumus:

bi
Rasio (R) =
nilai kolom kunci

14
 4. Bentuk tabel berikutnya dengan memasukkan variabel yang masuk (pada

kunci/pivot) ke kolom variabel dasar dan keluarkan variabel yang keluar

dari kolom tersebut serta lakukan transformasi baris-baris variabel dengan

menggunakan rumus transformasi sebagai berikut:

Baris baru selain baris kunci = baris lama - (rasio kunci x baris kunci

lama)
baris kunci lama
Baris kunci baru =
angka kunci
kolom kunci
Keterangan : Rasio Kunci =
angka kunci

5. Lakukan uji optimalisasi dengan menggunakan kriteria Zj − Cj ≥ 0 untuk

kasus maksimasi dan Zj − Cj ≤ 0 untuk kasus minimasi. Jika kriteria

tersebut belum terpenuhi, maka ulangi langkah ke-3 sampai kriteria opti-

malisasi terpenuhi.

Untuk lebih jelas, berikut diberikan contoh sederhana masalah pemro-

graman linier untuk kasus maksimasi dan minimasi serta penyelesaiannya den-

gan menggunakan metode simpleks.

Contoh 1. Metode simpleks pada kasus maksimasi.

Diberikan fungsi tujuan

Maks Z = 3x1 + 3x2 ,

dengan batasan

2x1 + x2 ≤ 30,

2x1 + 3x2 ≤ 60,

4x1 + 3x2 ≤ 72,

x1 , x2 ≥ 0.

15
Penyelesaian :

Ubah terlebih dahulu masalah pemrograman linier tersebut ke bentuk standar,

yaitu dengan menambahkan variabel slack (s1 , s2 , s3 ) sehingga fungsi kendala

yang mempunyai ”≤ ” menjadi ” = ”.

Proses ini memberikan bentuk standar untuk batasan sebagai berikut :

2x1 + x2 + 1.s1 + 0.s2 + 0.s3 = 30,

2x1 + 3x2 + 0.s1 + 1.s2 + 0.s3 = 60,

4x1 + 3x2 + 0.s1 + 0.s2 + 1.s3 = 72,

sehingga fungsi kendala menjadi

Z = 3x1 + 3x2 + 0.s1 + 0.s2 + 0.s3 .

Selanjutnya akan dicari penyelesaian pemrograman linier bentuk standar ini

dengan metode simpleks sebagai berikut :

(i) Bentuk tabel awal simpleks, yaitu

(ii) Cari kolom kunci (pivot) dengan melihat nilai negatif terbesar (positif terke-

cil), yaitu

16
(iii) Cari baris kunci dengan melihat rasio terkecil untuk menentukan titik kunci

(pivot), yaitu

(iv) Ubah nilai pada baris kunci dengan pembagian nilai titik kunci (pivot), dan

lakukan transformasi pada baris - baris selain baris kunci, kemudian cari kolom

kunci terbaru. Hasilnya diberikan dalam tabel berikut:

(v) Cari baris kunci untuk menentukan titik kunci (pivot), yaitu

(vi) Setelah dilakukan transformasi, diperoleh hasil akhir tabel simpleks maksi-

mum sebagai berikut:

17
 Karena Zj − Cj ≥ 0, maka tabel sudah maksimum, sehingga diperoleh

solusi x1 = 6 dan x2 = 16 dengan Zmaks = 66.

Contoh 2. Metode simpleks pada kasus minimasi

Diberikan fungsi tujuan

Min Z = 40x1 + 80x2 ,

dengan batasan

x1 + x2 ≥ 4,

x1 + 3x2 ≥ 6,

x1 , x2 ≥ 0.

Penyelesaian : Ubah terlebih dahulu masalah pemrograman linier tersebut ke

bentuk standar, yaitu dengan menambahkan variabel slack (s1 , s2 , s3 ) dan vari-

abel antivisial (A1 , A2 ) sehingga fungsi kendala yang mempunyai ”≥ ” menjadi

” = ”.

Proses ini memberikan bentuk standar untuk batasan sebagai berikut :

x1 + x2 − 1.s1 + 0.s2 + 1.A1 + 0.A2 = 4,

x1 + 3x2 + 0.s1 − 1.s2 + 0.A1 + 1.A2 = 6,

sehingga fungsi kendala menjadi

Z = 40x1 + 80x2 + 0.s1 + 0.s2 + M.A1 + M.A2 .

Selanjutnya akan dicari penyelesaian pemrograman linier bentuk standar ini

dengan metode simpleks sebagai berikut:

18
(i) Bentuk tabel awal simpleks, yaitu

(ii) Cari baris kunci untuk menentukan titik kunci (pivot) dengan melihat rasio

(R) terkecil, yaitu

(iii) Ubah nilai baris kunci dengan pembagian titik kunci (pivot) dan lakukan

transformasi pada baris lain. Hasilnya diberikan dalam tabel berikut :

(iv) Setelah dilakukan transformasi, diperoleh hasil tabel simpleks minimum

sebagai berikut:

19
 Karena Zj − Cj ≤ 0 (semua sudah negatif), maka tabel sudah minimal

dengan x1 = 3, x2 = 1 dan zmin = 200.

Untuk menyelesaikan masalah pemrograman linier dengan menggu-

nakan metode simpleks yang melibatkan banyak variabel keputusan dan banyak

kendala, dapat digunakan toolbox ’linprog’ pada MATLAB, dengan sintaks:

options = optimoptions(0 linprog0 ,0 Algorithm0 ,0 simplex0 )

x = linprog(f , A, b, Aeq, beq, lb, ub, options)

dengan :

ˆ x adalah vektor yang mengandung variabel keputusan.

ˆ f adalah vektor yang mengandung koefisien dari fungsi tujuan yang linier.

ˆ A adalah matriks yang mengandung koefisien dari kendala pertidaksamaan

linier.

ˆ b adalah vektor yang terkait pada sisi sebelah kanan dari kendala per-

tidaksamaan linier.

ˆ Aeq adalah matriks yang mengandung koefisien dari kendala persamaan

linier.

ˆ beq adalah vektor yang terkait pada sisi sebelah kanan dari kendala per-

samaan linier.

ˆ lb adalah vektor yang mengandung nilai batas bawah dari x.

ˆ ub adalah vektor yang mengandung nilai batas atas dari x.

20
 BAB III

SKENARIO EVAKUASI DAN FORMULASI MODEL

3.1 Skenario Evakuasi Tsunami

Pada proses evakuasi tsunami ini, wilayah Kota Padang dibagi dalam

cluster-cluster yang masing-masing memiliki beberapa muster point (titik kumpul)

dan beberapa safe area (tempat aman). Selain itu juga ada shared area yang

dapat diakses oleh antar cluster. Adapun skenario evakuasi tsunami yang digu-

nakan pada tugas akhir ini adalah sebagai berikut:

1. Sesaat setelah alarm tsunami berbunyi, penduduk dalam suatu cluster

diarahkan untuk berkumpul di muster point terdekat yang berada dalam

cluster yang sama.

2. Dari muster point tersebut, penduduk dievakuasi ke beberapa safe area

tertentu dalam cluster yang sama dengan distribusi yang akan ditentukan

dalam penyelesaian model nantinya. Berbeda dengan skenario pada ref [5]

yang menggunakan moda transportasi (mobil) untuk mengangkut orang-

orang yang dievakuasi, pada tugas akhir ini orang-orang langsung berlari

dalam proses evakuasi sehingga skenarionya menjadi lebih realistis.

3. Selain menuju ke tempat aman, penduduk juga dapat berlari melakukan

evakuasi ke shared area.

Untuk lebih jelas, skenario evakuasi tersebut diilustrasikan dalam Gam-

bar 3.1.1. Pada gambar tersebut, lingkaran hijau menyatakan penduduk yang

21
akan dievakuasi. Mereka berkumpul di muster point untuk kemudian berlari

menuju ke safe area dalam cluster yang sama atau juga dapat menuju ke shared

area antar cluster.

Gambar 3.1.1 Ilustrasi Evakuasi Tsunami

3.2 Formulasi Model

3.2.1 Asumsi

Asumsi-asumsi yang dipakai pada model evakuasi tsunami ini adalah:

1. Tidak ada yang menggunakan kendaraan selama proses evakuasi. Mereka

yang sedang mengendarai kendaraan, ketika alarm tsunami berbunyi, lang-

sung mematikan kendaraan dan keluar dari kendaraannya untuk kemudian

melakukan evakuasi dengan berlari.

2. Setiap orang berlari dengan kecepatan konstan.

3. Jarak antar setiap orang yang berlari adalah tetap.

4. Setiap orang dapat berlari pada jalur evakuasi dalam beberapa lajur

(lane).

22
 5. Kendaraan yang terparkir di jalur evakuasi dianggap tidak mengganggu

proses evakuasi karena setiap orang dapat melewati celah-celah yang ada.

6. Penduduk dianggap dalam keadaan siap evakuasi dan sudah berada pada

muster point.

7. Semua orang yang dievakuasi di setiap daerah (kelurahan) adalah pen-

duduk di daerah tersebut.

8. Penduduk tersebar secara merata pada tiap-tiap muster point di setiap

daerah (dalam hal ini kelurahan).

9. Semua orang harus dievakuasi.

10. Tidak terjadi kemacetan.

3.2.2 Model Sederhana Satu Lajur dan Banyak Lajur

Dari asumsi yang telah didefinisikan sebelumnya, kita dapat memban-

gun model matematika sederhana untuk menghitung waktu yang dibutuhkan

untuk mengevakuasi sejumlah orang pada suatu lajur dengan panjang tertentu.

Misalkan terdapat sejumlah N orang yang melakukan evakuasi pada lajur den-

gan panjang L (lihat Gambar 3.2.1). Setiap orang berlari dengan kecepatan

konstan v dimana jarak antar orang adalah d.

Gambar 3.2.1 Ilustrasi untuk Satu Lajur

23
Kita ketahui bahwa waktu adalah perbandingan antara jarak dan kecepatan.

Dari Gambar 3.2.1, jelas bahwa total jarak adalah (N − 1)d + L. Jadi lamanya

waktu yang dibutuhkan untuk mengevakuasi sejumlah N orang adalah

(N − 1)d + L
T = . (3.2.1)
v

Model tersebut dapat dikembangkan untuk kasus banyak lajur. Hal

ini dapat diilustrasikan dalam Gambar 3.2.2.

Gambar 3.2.2 Ilustrasi untuk Banyak Lajur

Dari gambar tersebut maka dapat dihitung lamanya waktu evakuasi

sejumlah N orang pada l buah lajur, yaitu

N


− 1 d+L
T = l . (3.2.2)
v

3.2.3 Model Optimasi Satu Cluster

Misalkan dalam satu cluster terdapat n muster point dan m safe area.

Model satu lajur dan banyak lajur pada subbab sebelumnya dapat dikem-

bangkan menjadi model optimasi evakuasi tsunami dari n muster point ke m

safe area dalam satu cluster. Gambar 3.2.3 memberikan ilustrasi evakuasi dari

n muster point menuju satu safe area.

24
 Dari Gambar 3.2.3 dapat dilihat bahwa terdapat n muster point, di-

mana masing-masing muster point terdapat sejumlah penduduk yang akan dievakuasi.

Jadi waktu yang dibutuhkan untuk mengevakuasi penduduk di tiap-tiap jalur

adalah  
Ni
li
− 1 di + Li
Ti = , (3.2.3)
vi

Gambar 3.2.3 Ilustrasi untuk Banyak Muster Point

dimana
Ti adalah waktu yang dibutuhkan dari muster point ke-i menuju safe area,

Ni adalah banyaknya orang dari muster point ke-i menuju safe area,

li adalah banyaknya lajur dari muster point ke-i menuju safe area,

di adalah jarak antar orang dari muster point ke-i menuju safe area,

Li adalah panjang lintasan dari muster point ke-i menuju safe area,

vi adalah kecepatan orang berlari dari muster point ke-i menuju safe area.

Selanjutnya untuk kasus dimana terdapat m safe area yang dituju dari

satu muster point, dapat diilustrasikan dalam Gambar 3.2.4. Dari gambar terse-

25
but dapat dilihat bahwa banyaknya orang yang akan dievakuasikan melibatkan

proporsi orang di setiap jalur yang dilalui. Banyaknya orang yang melewati

jalur ke-j bergantung pada proporsi xj yang berasal dari populasi orang pada

muster point. Dengan demikian waktu yang dibutuhkan untuk mengevakuasi

orang di setiap jalur adalah

 
N
x
lj j
− 1 dj + Lj
Tj = , (3.2.4)
vj
dimana

Tj adalah waktu yang dibutuhkan dari muster point menuju safe area ke-j,

N adalah banyaknya orang dari muster point,

lj adalah banyaknya lajur dari muster point menuju safe area ke-j,

xj adalah proporsi orang dari muster point menuju safe area ke-j,

dj adalah jarak antar orang dari muster point menuju safe area ke-j,

Lj adalah panjang lintasan dari muster point menuju safe area ke-j,

vj adalah kecepatan orang berlari dari muster point menuju safe area ke-j.

Gambar 3.2.4 Ilustrasi untuk Banyak Safe Area

Sekarang tinjau kasus dimana terdapat n muster point yang akan

26
dievakuasi menuju m safe area. Hal ini dapat diilustrasikan dalam Gambar

3.2.5.

Gambar 3.2.5 Ilustrasi untuk Banyak Muster Point dan Banyak Safe Area

Dari Gambar 3.2.5 dapat dilihat bahwa formulasi untuk waktu evakuasi

dari n muster point menuju m safe area merupakan gabungan dari formulasi

(3.2.3) dan (3.2.4), yaitu

 
Ni
x
lij ij
− 1 dij + Lij
Tij = , (3.2.5)
vij

dimana

Tij adalah waktu yang dibutuhkan dari muster point ke-i menuju safe area ke-j,

Ni adalah banyaknya orang dari muster point ke-i,

lij adalah banyaknya lajur dari muster point ke-i menuju safe area ke-j,

xij adalah proporsi orang dari muster point ke-i menuju safe area ke-j,

dij adalah jarak antar orang dari muster point ke-i menuju safe area ke-j,

Lij adalah panjang lintasan dari muster point ke-i menuju safe area ke-j,

vij adalah kecepatan orang berlari dari muster point ke-i menuju safe area ke-j.

27
 Formulasi (3.2.5) membangun model optimisasi yang meminimumkan

waktu evakuasi. Akibatnya formulasi tersebut merupakan fungsi objektif yang

akan diminimumkan, dengan xij sebagai variabel keputusan. Sedangkan Ni , lij ,

dij , Lij , dan vij merupakan parameter-parameter yang diketahui. Jadi model

optimasi satu cluster adalah

Minimumkan
 
Ni
n X
X m x
lij ij
− 1 dij + Lij
Tij , dimana Tij = , (3.2.6)
i=1 j=1
vij

dengan kendala :
m
X
1. Untuk setiap i, xij = 1, artinya seluruh penduduk dari tiap muster
j=1
point harus dievakuasi ke safe area.
n
X
2. Untuk setiap j, (Ni xij ) ≤ Cj , artinya kapasitas safe area yang dituju
i=1
(Cj ) tidak boleh lebih kecil dari jumlah penduduk yang harus dievakuasi

ke sana.

3. Untuk setiap i, j, Tij ≤ τ artinya seluruh penduduk di setiap lajur harus

dievakuasi dalam waktu yang tidak lebih dari τ (dalam menit).

4. Untuk setiap i, j, berlaku 0 ≤ xij ≤ 1, artinya setiap proporsi xij berada

pada rentang nilai 0 dan 1.

3.2.4 Model Optimasi Banyak Cluster

Model optimasi satu cluster yang telah dibahas pada subbab sebelum-

nya dapat dikembangkan untuk kasus banyak cluster. Model banyak cluster ini

dipertimbangkan karena, misalnya, terlalu luasnya cakupan evakuasi sehingga

menyebabkan sulitnya koordinasi dalam proses evakuasi. Kasus banyak cluster

28
 Gambar 3.2.6 Ilustrasi untuk Banyak Cluster

ini diilustrasikan pada Gambar 3.2.6.

Model optimasi banyak cluster (dalam hal ini sebanyak K cluster)

merupakan pengembangan dari model optimasi satu cluster. Dengan demikian

model optimasinya adalah :

Minimumkan
 
n(k) m(k) Nik
K X
X X x
lijk ijk
− 1 dijk + Lijk
Tijk , dimana Tijk = , (3.2.7)
k=1 i=1 j=1
vijk

dengan kendala:
m(k)
X
1. (xijk ) = 1 , 1 ≤ i ≤ n , 1 ≤ k ≤ K ,
j=1

n(k)
X
2. (Nik xijk ) ≤ Cjk , 1 ≤ j ≤ m , 1 ≤ k ≤ K ,
i=1

29
 3. Tijk ≤ τ , untuk setiap i, j, k,

4. 0 ≤ xijk ≤ 1 , untuk setiap i, j, k.

Variabel keputusan :

xijk , yaitu proporsi orang dari muster point ke-i menuju safe area ke-j pada

cluster ke-k,

Parameter-parameter :
Nik adalah banyaknya orang dari muster point ke-i pada cluster ke-k,

lijk adalah banyaknya lajur dari muster point ke-i menuju safe area

ke-j pada cluster ke-k,

dijk adalah jarak antar orang dari muster point ke-i menuju safe area

ke-j pada cluster ke-k,

Lijk adalah panjang lintasan dari muster point ke-i menuju safe area

ke-j pada cluster ke-k,

vijk adalah kecepatan orang berlari dari muster point ke-i menuju safe

area ke-j pada cluster ke-k,

Cjk adalah kapasitas safe area ke-j pada cluster ke-k,

K adalah banyaknya cluster,

n(k) adalah banyaknya muster point di cluster ke-k,

m(k) adalah banyaknya safe area di cluster ke-k.

30
3.2.5 Model Optimasi Banyak Cluster dengan Terdapat

Shared Area

Model optimasi banyak cluster juga dapat dikembangkan untuk ka-

sus yang terdapat shared area yang bisa diakses oleh beberapa cluster yang

berdekatan. Hal ini dapat diilustrasikan seperti pada Gambar 3.2.7 untuk ka-

sus dua cluster dengan satu shared area.

Gambar 3.2.7 Ilustrasi untuk Banyak Cluster dengan Terdapat Shared Area

Berikut adalah pengembangan model banyak cluster dengan terdapat

shared area yang bisa diakses oleh beberapa cluster :

Minimumkan
 
n(k) m(k) Nik
K X
X X x
lijk ijk
− 1 dijk + Lijk
Tijk , dimana Tijk = , (3.2.8)
k=1 i=1 j=1
vijk

dengan kendala
m(k)
X
1. (xijk ) = 1 , 1 ≤ i ≤ n , 1 ≤ k ≤ K ,
j=1

31
 n(k)
X
2. (Nik xijk ) ≤ Cjk , 1 ≤ j ≤ m , 1 ≤ k ≤ K ,
i=1,(i,j,k)∈SS
/
dimana SS = ∪A
a=1 SSa ,

X
3. (Nik xijk ) ≤ Ca , a = 1, 2, . . . , A
(i,j,k)∈SS

4. Tijk ≤ τ , untuk setiap i, j, k,

5. 0 ≤ xijk ≤ 1 , untuk setiap i, j, k.

Variabel keputusan :

xijk adalah proporsi orang dari muster point ke-i menuju safe area ke-j pada

cluster ke-k,

Parameter-parameter :
Nik adalah banyaknya orang dari muster point ke-i pada cluster ke-k,

lijk adalah banyaknya lajur dari muster point ke-i menuju safe area

ke-j pada cluster ke-k,

dijk adalah jarak antar orang dari muster point ke-i menuju safe area

ke-j pada cluster ke-k,

Lijk adalah panjang lintasan dari muster point ke-i menuju safe area

ke-j pada cluster ke-k,

vijk adalah kecepatan orang berlari dari muster point ke-i menuju safe

area ke-j pada cluster ke-k,

Cjk adalah kapasitas safe area ke-j pada cluster ke-k,

K adalah banyaknya cluster,

n(k) adalah banyaknya muster point di cluster ke-k,

m(k) adalah banyaknya safe area di cluster ke-k,

A adalah banyaknya shared area,

SS adalah shared area yang bisa dilalui oleh cluster ke-k.

32
 BAB IV

SIMULASI NUMERIK

4.1 Data yang Digunakan

Berdasarkan penjelasan pada Bab 2, simulasi model evakuasi tsunami

di Kota Padang dibatasi untuk Kecamatan Padang Barat dan Kecamatan Padang

Utara yang merupakan dua kecataman yang persentase penduduknya paling

banyak berada pada daerah bahaya tsunami dan memiliki kemungkinan dampak

tsunami yang cukup besar dibandingkan kecamatan yang lain. Dari dua keca-

matan ini, objek studi lebih difokuskan lagi ke 10 kelurahan yang memiliki

resiko memakan korban terbanyak dan terisolasi karena berbatasan langsung

dengan bibir pantai dan diapit oleh sungai. Dalam simulasi model ini, pemba-

gian cluster ditetapkan berdasarkan 10 kelurahan tersebut, yaitu dapat dilihat

pada Tabel 4.1.1.

Secara umum skenario evakuasi pada kelurahan-kelurahan rawan terse-

but memanfaatkan lokasi aman atau safe area buatan seperti gedung bertingkat

atau tempat tinggi yang berfungsi sebagai shelter. Maka dari itu diperlukan data

lokasi muster point, data bangunan potensial sebagai safe area, dan data jarak

muster point ke safe area. Berikut diberikan data perbandingan antara jumlah

populasi di masing-masing cluster, beserta kapasitas safe area berupa shelter

dan tempat tinggi diberikan dalam Tabel 4.1.2. Data tersebut diperoleh dari

BPS Kota Padang dan pengamatan langsung.

 Tabel 4.1.1 Data Cluster dan Populasi Penduduk

Tabel 4.1.2 Perbandingan Populasi dan Kapasitas Total Safe Area

34
 Dari Tabel 4.1.2 terlihat bahwa ada beberapa cluster yang memiliki ka-

pasitas safe area yang kurang dari jumlah populasi di cluster tersebut (ditandai

dengan selisih negatif). Maka dari itu perlu dibangun shelter penghubung an-

tara cluster satu dengan cluster lainnya yang berfungsi sebagai shared area. Di

sini diasumsikan terdapat dua shared area untuk evakuasi, dengan kapasitas

masing-masing 5000 orang. Pembagian shared area tersebut adalah sebagai

berikut :

ˆ shared area 1 (SS1 ) dapat diakses oleh cluster 1 dan cluster 2 .

ˆ shared area 2 (SS2 ) dapat diakses oleh cluster 2 dan cluster 3.

Berikut disajikan data dari muster point, safe area, dan jarak di setiap

cluster. Data tersebut diperoleh dari Badan Penanggulangan Bencana Daerah

(BPBD) Kota Padang dan pengamatan langsung dengan menggunakan aplikasi

Google Map.

Cluster 1

Tabel 4.1.3 Lokasi Muster Point beserta Jumlah Populasi di Cluster 1

35
 Tabel 4.1.4 Lokasi dan Kapasitas Safe Area di Cluster 1

Tabel 4.1.5 Jarak Antara Muster Point dan Safe Area di Cluster 1

36
 Cluster 2

Tabel 4.1.6 Lokasi Muster Point beserta Jumlah Populasi di Cluster 2

Tabel 4.1.7 Lokasi dan Kapasitas Safe Area di Cluster 2

Tabel 4.1.8 Jarak Antara Muster Point dan Safe Area di Cluster 2

37
 Cluster 3

Tabel 4.1.9 Lokasi Muster Point beserta Jumlah Populasi di Cluster 3

Tabel 4.1.10 Lokasi dan Kapasitas Safe Area di Cluster 3

Tabel 4.1.11 Jarak Antara Muster Point dan Safe Area di Cluster 3

38
 Cluster 4

Tabel 4.1.12 Lokasi Muster Point beserta Jumlah Populasi di Cluster 4

Tabel 4.1.13 Lokasi dan Kapasitas Safe Area di Cluster 4

Tabel 4.1.14 Jarak Antara Muster Point dan Safe Area di Cluster 4

39
 Cluster 5

Tabel 4.1.15 Lokasi Muster Point beserta Jumlah Populasi di Cluster 5

Tabel 4.1.16 Lokasi dan Kapasitas Safe Area di Cluster 5

Tabel 4.1.17 Jarak Antara Muster Point dan Safe Area di Cluster 5

40
 Cluster 6

Tabel 4.1.18 Lokasi Muster Point beserta Jumlah Populasi di Cluster 6

Tabel 4.1.19 Lokasi dan Kapasitas Safe Area di Cluster 6

Tabel 4.1.20 Jarak Antara Muster Point dan Safe Area di Cluster 6

41
 Cluster 7

Tabel 4.1.21 Lokasi Muster Point beserta Jumlah Populasi di Cluster 7

Tabel 4.1.22 Lokasi dan Kapasitas Safe Area di Cluster 7

Tabel 4.1.23 Jarak Antara Muster Point dan Safe Area di Cluster 7

42
 Cluster 8

Tabel 4.1.24 Lokasi Muster Point beserta Jumlah Populasi di Cluster 8

Tabel 4.1.25 Lokasi dan Kapasitas Safe Area di Cluster 8

Tabel 4.1.26 Jarak Antara Muster Point dan Safe Area di Cluster 8

43
 Cluster 9

Tabel 4.1.27 Lokasi Muster Point beserta Jumlah Populasi di Cluster 9

Tabel 4.1.28 Lokasi dan Kapasitas Safe Area di Cluster 9

Tabel 4.1.29 Jarak Antara Muster Point dan Safe Area di Cluster 9

44
 Cluster 10

Tabel 4.1.30 Lokasi Muster Point beserta Jumlah Populasi di Cluster 10

Tabel 4.1.31 Lokasi dan Kapasitas Safe Area di Cluster 10

Tabel 4.1.32 Jarak Antara Muster Point dan Safe Area di Cluster 10

45
 Selanjutnya diberikan data jarak dari muster point ke shared area.

Data berikut merupakan data hipotetikal.

Tabel 4.1.33 Jarak dari muster point ke shared area (Cluster 1 dan 2)

4.2 Penyelesaian Model Optimasi

Pada subbab ini, model optimasi evakuasi tsunami yang diformulasikan

pada Subbab 3.2.5 akan diselesaikan dengan menggunakan linear programming

solver pada MATLAB. Berikut nilai-nilai parameter yang digunakan :

1. Jumlah cluster K = 10,

2. Jarak antar orang dari muster point ke-i menuju safe area ke-j pada clus-

ter ke-k dibuat sama, yaitu dijk = 1 m,

3. Kecepatan orang berlari dari muster point ke-i menuju safe area ke-j pada

cluster ke-k dibuat sama, yaitu vijk = 5 km/jam,

46
 4. Banyaknya lajur dari muster point ke-i menuju safe area ke-j pada cluster

ke-k dibuat sama, yaitu lijk = 6 ,

5. Rata-rata waktu yang dibutuhkan masyarakat untuk mempersiapkan diri

dalam evakuasi tsunami dari muster point ke-i menuju safe area ke-j pada

cluster ke-k dibuat sama, yaitu τ = 15 menit.

Untuk nilai-nilai Nik , Lijk , Cjk , SSijk , diambil dari data yang diberikan

pada Subbab 4.1. Sebagai contoh, nilai N23 yang menyatakan jumlah penduduk

yang dievakuasi dari muster point 2 di cluster 3, dapat diambil dari Tabel 4.1.9,

yaitu N23 = 2345 orang. Nilai L123 yang menyatakan jarak antara muster point

ke-1 menuju safe area ke-2 di cluster 3, dapat diambil dari Tabel 4.1.11, yaitu

L123 = 1000 meter. Nilai C45 yang menyatakan kapasitas safe area ke-4 di

cluster 5, dapat diambil dari Tabel 4.1.16, yaitu C45 = 600 orang. Jarak antara

muster point ke-3 menuju shared area ke-2 di cluster 2, dapat diambil dari Tabel

4.1.33, yaitu SS322 = 750 meter.

Pemrograman untuk pendefinisian keseluruhan kendala dan perhitun-

gan solusi model dengan menggunakan solver ’linprog’ pada MATLAB dapat

dilihat pada Lampiran 1. Berikut disajikan hasil simulasi model yang diper-

oleh. Solusi untuk variabel keputusan diberikan pada tabel proporsi penduduk

di setiap cluster.

47
Cluster 1

Tabel 4.1.33 Proporsi Penduduk di Cluster 1

Tabel 4.1.34 Distribusi Orang di Cluster 1

Tabel 4.1.35 Waktu Evakuasi di Cluster 1

48
Cluster 2

Tabel 4.1.36 Proporsi Penduduk di Cluster 2

Tabel 4.1.37 Distribusi Orang di Cluster 2

Tabel 4.1.38 Waktu Evakuasi di Cluster 2

49
Cluster 3

Tabel 4.1.39 Proporsi Penduduk di Cluster 3

Tabel 4.1.40 Distribusi Orang di Cluster 3

Tabel 4.1.41 Waktu Evakuasi di Cluster 3

50
Cluster 4

Tabel 4.1.42 Proporsi Penduduk di Cluster 4

Tabel 4.1.43 Distribusi Orang di Cluster 4

Tabel 4.1.44 Waktu Evakuasi di Cluster 4

51
Cluster 5

Tabel 4.1.45 Proporsi Penduduk di Cluster 5

Tabel 4.1.46 Distribusi Orang di Cluster 5

Tabel 4.1.47 Waktu Evakuasi di Cluster 5

52
Cluster 6

Tabel 4.1.48 Proporsi Penduduk di Cluster 6

Tabel 4.1.49 Distribusi Orang di Cluster 6

Tabel 4.1.50 Waktu Evakuasi di Cluster 6

53
Cluster 7

Tabel 4.1.51 Proporsi Penduduk di Cluster 7

Tabel 4.1.52 Distribusi Orang di Cluster 7

Tabel 4.1.53 Waktu Evakuasi di Cluster 7

54
Cluster 8

Tabel 4.1.54 Proporsi Penduduk di Cluster 8

Tabel 4.1.55 Distribusi Orang di Cluster 8

Tabel 4.1.56 Waktu Evakuasi di Cluster 8

55
Cluster 9

Tabel 4.1.57 Proporsi Penduduk di Cluster 9

Tabel 4.1.58 Distribusi Orang di Cluster 9

Tabel 4.1.59 Waktu Evakuasi di Cluster 9

56
 Cluster 10

Tabel 4.1.60 Proporsi Penduduk di Cluster 10

Tabel 4.1.61 Distribusi Orang di Cluster 10

Tabel 4.1.62 Waktu Evakuasi di Cluster 10

Dapat diperiksa bahwa hasil-hasil simulasi tersebut sudah memenuhi semua

kendala, yaitu:

1. Jumlah dari proporsi penduduk dari tiap-tiap muster point yang akan

57
 dievakuasi ke safe area di setiap cluster bernilai 1. Hal ini berarti seluruh

penduduk dari tiap-tiap muster point sudah dievakuasi ke safe area di

setiap cluster.

2. Jumlah penduduk yang dievakuasi ke safe area kurang dari atau sama

dengan kapasitas safe area di setiap cluster.

3. Jumlah penduduk yang dievakuasi ke shared area kurang dari atau sama

dengan kapasitas shared area di beberapa cluster, yaitu cluster 1,2,dan 3.

4. Waktu yang dibutuhkan penduduk dari tiap-tiap muster point yang akan

dievakuasi ke safe area di setiap cluster kurang dari atau sama dengan 15

menit.

Hasil simulasi tersebut memperlihatkan bahwa dengan adanya penam-

bahan dua shared area yang dapat diakses oleh cluster 1, 2 dan 3, seluruh pen-

duduk dapat dievakuasi dalam waktu kurang dari 15 menit. Dengan demikian

perlu direkomendasikan kepada pemerintah kota dan jajaran terkait untuk mem-

bangun dua shelter tambahan yang dapat diakses oleh penduduk di Kelurahan

Air Tawar Barat, Kelurahan Ulak Karang Utara, Kelurahan Ulak Karang Se-

latan.

58
 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Pada tugas akhir ini telah diformulasi model optimasi dalam menen-

tukan skenario terbaik dalam proses evakuasi tsunami. Model tersebut kemu-

dian diselesaikan secara numerik dengan mengambil kasus 10 kelurahan di dua

kecamatan di Kota Padang yang dinilai paling rawan terkena dampak tsunami,

yaitu Kecamatan Padang Barat dan Kecamatan Padang Utara. Hasil-hasil

simulasi yang diperoleh menunjukkan bahwa waktu evakuasi di tiap kelura-

han di daerah rawan memungkinkan kurang dari 15 menit, dengan asumsi

adanya bangunan shelter tambahan yang menghubungkan antara 2 cluster yang

berdekatan dengan kapasitas shelter yang ada tidak mencukupi jumlah pen-

duduk. Berdasarkan data dan hasil simulasi yang diperoleh, perlu dibangun dua

shelter tambahan yang dapat diakses oleh penduduk di kelurahan Air Tawar

Barat, Kelurahan Ulak Karang Utara, Kelurahan Ulak Karang Selatan.

5.2 Saran

Berikut saran-saran yang dapat diberikan terkait penelitian ini:

1. Objek penelitian tentang evakuasi tsunami di Kota Padang ini perlu

dikembangkan untuk keseluruhan kelurahan dan didukung oleh data yang

59
 valid dan terkini, sehingga hasil-hasil simulasi yang diperoleh dapat menggam-

barkan kondisi yang sesungguhnya.

2. Pembangunan sarana-sarana yang berkaitan dengan evakuasi seperti: muster

point, shelter, dan vertical building perlu ditingkatkan dengan koordinasi

pemerintah setempat guna merealisasikan skenario yang telah dirumuskan.

60
 DAFTAR PUSTAKA

[1] Aminudin,S.Si. 2005. Prinsip-prinsip Riset Operasi. Erlangga, Jakarta.

[2] BMKG. 2016. Gempa Bumi dan Tsunami di Mentawai. https://inatews.

bmkg.go.id/new/about_inatews.php?urt=17,. Diakses pada 27 Maret

2016.

[3] Hiller, F.S., G.J. Lieberman. 1995. Introduction to Operations Research.

Sixth Edition. McGraw-Hill, Inc. New York.

[4] Kurniawan, A., S. Sutikno, Rinaldi. 2012. Evaluasi Kapasitas Shelter

Evakuasi Untuk Bencana Tsunami di Kota Padang Berbasis Sistem Infor-

masi Geografis (SIG). http://jom.unri.ac.id/index.php/JOMFTEKNIK/

article/viewFile/3702/3594,. Diakses pada 27 Maret 2016.

[5] Kusdiantara, R., R. Hadianti, M.S.B. Kusuma, dan E. Soewono, Tsunami

evacuation mathematical model for the city of Padang, AIP Conf. Proc.

1450,305-312 (2012).

[6] MDMC. 2015. http://www.mdmc.or.id/petabencana/index.php/

potensi-dan-analisa/48-lempeng-megathrust-terus-bergerak-

potensi-tsunami-di-padang,. Diakses pada 27 Maret 2016.

[7] Nash, S.G., A. Sofer, I. Griva. 2009. Linear and Nonlinear Optimization,

Second Edition . SIAM. Philadelphia.

61
 [8] Oktiari, D., S. Manurung. 2010. Model Geospasial Potensi Kerentanan

Tsunami Kota Padang. http://puslitbang.bmkg.go.id/jmg/index.

php/jmg/article/viewFile/73/67,. Diakses pada 11 April 2016.

[9] Pemerintah Kota Padang. 2012. Kota Padang. http://padangkota.bps.

go.id/vertwo/,. Diakses pada 15 September 2014.

[10] Ririn, I.P.S., V. Henny. 2012. Pedoman Pelayanan Peringatan Dini

Tsunami. BMKG, Jakarta.

[11] Anonim. 2004. Gempa Bumi dan Tsunami Samudra Hindia 2004.

https://id.wikipedia.org/wiki/Gempa_bumi_dan_tsunami_Samudra_

Hindia_2004,. Diakses pada 27 Maret 2016.

[12] Anonim. 2011. ”Ring of Fire”, Plate Tectonics, Sea-Floor Spreading, Sub-

duction Zones, ”Hot Spots”. USGS/Cascades Volcano Observatory. Van-

couver. Washington.

[13] Anonim. Tanpa Tahun. Awas Padang beresiko tsunami tertinggi di dunia.

http://nasional.news.viva.co.id/news/read/121967,. Diakses pada

15 September 2014.

[14] Anonim. 2013. Memahami Parameter Gempa. http://gempapadang.

wordpress.com/,. Diakses tanggal 15 September 2014.

[15] Anonim. 2015. Tsunami. https://id.wikipedia.org/wiki/Tsunami,.

Diakses pada 27 Maret 2016.

[16] Anonim. 2016. Gempa Bumi di Jepang. https://id.wikipedia.org/

wiki/Gempa_bumi_dan_tsunami_Sendai_2011,. Diakses pada 27 Maret

2016.

62
[17] Anonim. 2016. Gempa Bumi di Chili. https://id.wikipedia.org/wiki/

Gempa_bumi_di_Chili,. Diakses pada 27 Maret 2016.

[18] Windhorst. W, Coastal Management in Padang regarding Tsunami.

http://www.academia.edu/422215/Coastal_Management_in_Padang_

regarding_Tsunami,. Diakses tanggal 27 Maret 2016.

63
LAMPIRAN
 Pemrograman untuk Perhitungan Solusi Model Evakuasi Tsunami Meng-

gunakan Solver ’linprog’ dengan Metode Simpleks pada MATLAB.

clc
clear all
% digits(4)
tic
kec=5000/60
laj=6
dis=1
% z1=1;
% while z1~=0;
%jumlah cluster
c0=10
%jumlah muster point di masing-masing cluster
M=[4 4 4 4 4 4 4 4 4 4];
%jumlah safe area di masing-masing cluster
S=[7 7 9 12 10 4 7 6 7 7];
row=sum(M);
clm=sum(S);
vect=0;
for i=1:c0
vect=M(i)*S(i)+vect;
rest(i)=sum(vect);
j1(i)=sum(M(1:i));
j2(i)=sum(S(1:i));
end
L0=zeros(rest(c0),1);
v0=ones(rest(c0),1);
d0=ones(rest(c0),1);
l0=ones(rest(c0),1);

%jumlah populasi di muster point

m1=[3953 3953 3953 3953];
m2=[1605 1605 1605 1605];
m3=[2345 2345 2345 2345];
m4=[1200 1200 1200 1200];
m5=[999 999 999 999];
m6=[1204 1204 1204 1204];
m7=[1713 1713 1713 1713];
m8=[1289 1289 1289 1289];
m9=[737 737 737 737];
m10=[1224 1224 1224 1224];

mu=[m1 m2 m3 m4 m5 m6 m7 m8 m9 m10]
%kapasitas safe area
k1=[5000 3000 400 1000 400 400 700];
k2=[400 500 400 400 600 500 700];
k3=[1000 2500 600 500 500 4000 600 1300 700];

65
k4=[400 4000 1800 600 500 300 3030 1000 1000 1000 800 500];
k5=[500 600 1500 600 500 500 1000 800 600 700];
k6=[4000 4000 2000 1500];
k7=[800 2000 1500 800 1500 800 700];
k8=[600 500 1500 1800 1000 1500];
k9=[2000 2000 600 1500 600 600 3000];
k10=[1500 600 1500 1500 1000 1500 2000];;

k=[k1 k2 k3 k4 k5 k6 k7 k8 k9 k10]
%jarak dari cluster ke safe area

%cluster 1
L1=[1000 650 600 700 1100 950 1000
1000 500 450 550 1000 850 750
1000 950 1000 900 1000 900 950
1000 650 750 700 1100 1100 950];
[n m]=size(L1);
rd=1;
for i=1:n
for j=1:m
L0((i-1)*m+j)=L1(i,j);
end
end
clear L1

%cluster 2
L1=[600 190 1000 800 210 350 100
950 1000 40 1000 1000 1000 1000
1000 1000 350 1000 1000 1000 900
550 1000 500 1000 850 1000 750];
[n m]=size(L1);
rd=rd+1;
for i=1:n
for j=1:m
L0((i-1)*m+j+rest(rd-1))=L1(i,j);
end
end
clear L1

%cluster 3
L1=[1000 1000 1000 1000 1000 900 290 450 600
500 700 350 1000 1000 850 1000 1000 900
800 130 650 1000 1000 1000 800 850 1000
1000 950 1000 1000 1000 700 120 270 750];
[n m]=size(L1);
rd=rd+1;
for i=1:n
for j=1:m
L0((i-1)*m+j+rest(rd-1))=L1(i,j);
end
end
clear L1

66
%cluster 4
L1=[800 1000 750 800 850 900 1000 1000 1000 400 1000 1000
650 800 1000 1000 700 850 1100 600 1000 170 1000 350
950 1100 1000 1100 1000 650 1100 1000 1000 1000 1000 700
1000 1000 280 1000 1000 1000 700 1000 800 900 1000 1000];
[n m]=size(L1);
rd=rd+1;
for i=1:n
for j=1:m
L0((i-1)*m+j+rest(rd-1))=L1(i,j);
end
end
clear L1

%cluster 5
L1=[290 700 500 1000 1000 1000 240 30 1000 700
550 800 850 600 700 850 600 750 600 1000
700 1100 1000 900 1100 1000 650 800 900 850
550 800 900 1000 700 800 500 400 1000 1000];
[n m]=size(L1);
rd=rd+1;
for i=1:n
for j=1:m
L0((i-1)*m+j+rest(rd-1))=L1(i,j);
end
end
clear L1

%cluster 6
L1=[750 1000 900 650
700 200 850 1000
900 850 1000 450
700 850 210 1000];
[n m]=size(L1);
rd=rd+1;
for i=1:n
for j=1:m
L0((i-1)*m+j+rest(rd-1))=L1(i,j);
end
end
clear L1

%cluster 7
L1=[900 350 400 1100 160 950 800
1100 950 500 1000 1000 700 900
700 350 300 900 850 1000 1000
500 400 500 650 650 1000 1000];
[n m]=size(L1);
rd=rd+1;
for i=1:n
for j=1:m

67
 L0((i-1)*m+j+rest(rd-1))=L1(i,j);
end
end
clear L1

%cluster 8
L1=[450 850 1000 1000 1000 1000
1100 650 450 700 1000 1000
1000 700 600 1000 1100 1000
120 650 700 1000 1100 850];
[n m]=size(L1);
rd=rd+1;
for i=1:n
for j=1:m
L0((i-1)*m+j+rest(rd-1))=L1(i,j);
end
end
clear L1

%cluster 9
L1=[200 450 850 350 450 500 600
550 400 1000 850 400 450 260
700 550 700 900 500 550 250
1100 1000 600 1000 1000 1000 1100];
[n m]=size(L1);
rd=rd+1;
for i=1:n
for j=1:m
L0((i-1)*m+j+rest(rd-1))=L1(i,j);
end
end
clear L1

%cluster 10
L1=[1000 1000 1100 900 850 1000 700
800 600 700 500 650 1100 1000
950 650 750 550 900 1000 600
450 160 250 76 900 1000 1000];
[n m]=size(L1);
rd=rd+1;
for i=1:n
for j=1:m
L0((i-1)*m+j+rest(rd-1))=L1(i,j);
end
end
clear L1

%gabungan jarak total total

L=zeros(sum(M),sum(S));
for mc=1:M(1)
for sc=1:S(1)
L(mc,sc)=L0((mc-1)*S(1)+sc);

68
 end
end
for c=2:c0
for mc=1:M(c)
for sc=1:S(c)
L(mc+j1(c-1),sc+j2(c-1))=L0((mc-1)*S(c)+sc+rest(c-1));
end
end
end
L

%kecepatan

%cluster 1
v1=(kec)*ones(M(1),S(1));
[n m]=size(v1);
rd=1;
for i=1:n
for j=1:m
v0((i-1)*m+j)=v1(i,j);
end
end
clear v1

%cluster 2
v1=(kec)*ones(M(2),S(2));
[n m]=size(v1);
rd=rd+1;
for i=1:n
for j=1:m
v0((i-1)*m+j+rest(rd-1))=v1(i,j);
end
end
clear v1

%cluster 3
v1=(kec)*ones(M(3),S(3));
[n m]=size(v1);
rd=rd+1;
for i=1:n
for j=1:m
v0((i-1)*m+j+rest(rd-1))=v1(i,j);
end
end
clear v1

%cluster 4
v1=(kec)*ones(M(4),S(4));
[n m]=size(v1);
rd=rd+1;
for i=1:n
for j=1:m

69
 v0((i-1)*m+j+rest(rd-1))=v1(i,j);
end
end
clear v1

%cluster 5
v1=(kec)*ones(M(5),S(5));
[n m]=size(v1);
rd=rd+1;
for i=1:n
for j=1:m
v0((i-1)*m+j+rest(rd-1))=v1(i,j);
end
end
clear v1

%cluster 6
v1=(kec)*ones(M(6),S(6));
[n m]=size(v1);
rd=rd+1;
for i=1:n
for j=1:m
v0((i-1)*m+j+rest(rd-1))=v1(i,j);
end
end
clear v1

%cluster 7
v1=(kec)*ones(M(7),S(7));
[n m]=size(v1);
rd=rd+1;
for i=1:n
for j=1:m
v0((i-1)*m+j+rest(rd-1))=v1(i,j);
end
end
clear v1

%cluster 8
v1=(kec)*ones(M(8),S(8));
[n m]=size(v1);
rd=rd+1;
for i=1:n
for j=1:m
v0((i-1)*m+j+rest(rd-1))=v1(i,j);
end
end
clear v1

%cluster 9
v1=(kec)*ones(M(9),S(9));
[n m]=size(v1);

70
rd=rd+1;
for i=1:n
for j=1:m
v0((i-1)*m+j+rest(rd-1))=v1(i,j);
end
end
clear v1

%cluster 10
v1=(kec)*ones(M(10),S(10));
[n m]=size(v1);
rd=rd+1;
for i=1:n
for j=1:m
v0((i-1)*m+j+rest(rd-1))=v1(i,j);
end
end
clear v1

%gabungan kecepatan total total

v=ones(sum(M),sum(S));
for mc=1:M(1)
for sc=1:S(1)
v(mc,sc)=v0((mc-1)*S(1)+sc);
end
end
for c=2:c0
for mc=1:M(c)
for sc=1:S(c)
v(mc+j1(c-1),sc+j2(c-1))=v0((mc-1)*S(c)+sc+rest(c-1));
end
end
end

%lanes

%cluster 1
l1=laj*ones(M(1),S(1));
[n m]=size(l1);
rd=1;
for i=1:n
for j=1:m
l0((i-1)*m+j)=l1(i,j);
end
end
clear l1

%cluster 2
l1=laj*ones(M(2),S(2));
[n m]=size(l1);

71
rd=rd+1;
for i=1:n
for j=1:m
l0((i-1)*m+j+rest(rd-1))=l1(i,j);
end
end
clear l1

%cluster 3
l1=laj*ones(M(3),S(3));
[n m]=size(l1);
rd=rd+1;
for i=1:n
for j=1:m
l0((i-1)*m+j+rest(rd-1))=l1(i,j);
end
end
clear l1

%cluster 4
l1=laj*ones(M(4),S(4));
[n m]=size(l1);
rd=rd+1;
for i=1:n
for j=1:m
l0((i-1)*m+j+rest(rd-1))=l1(i,j);
end
end
clear l1

%cluster 5
l1=laj*ones(M(5),S(5));
[n m]=size(l1);
rd=rd+1;
for i=1:n
for j=1:m
l0((i-1)*m+j+rest(rd-1))=l1(i,j);
end
end
clear l1

%cluster 6
l1=laj*ones(M(6),S(6));
[n m]=size(l1);
rd=rd+1;
for i=1:n
for j=1:m
l0((i-1)*m+j+rest(rd-1))=l1(i,j);
end
end
clear l1

72
%cluster 7
l1=laj*ones(M(7),S(7));
[n m]=size(l1);
rd=rd+1;
for i=1:n
for j=1:m
l0((i-1)*m+j+rest(rd-1))=l1(i,j);
end
end
clear l1

%cluster 8
l1=laj*ones(M(8),S(8));
[n m]=size(l1);
rd=rd+1;
for i=1:n
for j=1:m
l0((i-1)*m+j+rest(rd-1))=l1(i,j);
end
end
clear l1

%cluster 9
l1=laj*ones(M(9),S(9));
[n m]=size(l1);
rd=rd+1;
for i=1:n
for j=1:m
l0((i-1)*m+j+rest(rd-1))=l1(i,j);
end
end
clear l1

%cluster 10
l1=laj*ones(M(10),S(10));
[n m]=size(l1);
rd=rd+1;
for i=1:n
for j=1:m
l0((i-1)*m+j+rest(rd-1))=l1(i,j);
end
end
clear l1

%gabungan lanes total total

l=ones(sum(M),sum(S));
for mc=1:M(1)
for sc=1:S(1)
l(mc,sc)=l0((mc-1)*S(1)+sc);
end
end
for c=2:c0

73
 for mc=1:M(c)
for sc=1:S(c)
l(mc+j1(c-1),sc+j2(c-1))=l0((mc-1)*S(c)+sc+rest(c-1));
end
end
end
l
%jarak antar orang

%cluster 1
d1=dis*ones(M(1),S(1));
[n m]=size(d1);
rd=1;
for i=1:n
for j=1:m
d0((i-1)*m+j)=d1(i,j);
end
end
clear d1

%cluster 2
d1=dis*ones(M(2),S(2));
[n m]=size(d1);
rd=rd+1;
for i=1:n
for j=1:m
d0((i-1)*m+j+rest(rd-1))=d1(i,j);
end
end
clear d1

%cluster 3
d1=dis*ones(M(3),S(3));
[n m]=size(d1);
rd=rd+1;
for i=1:n
for j=1:m
d0((i-1)*m+j+rest(rd-1))=d1(i,j);
end
end
clear d1

%cluster 4
d1=dis*ones(M(4),S(4));
[n m]=size(d1);
rd=rd+1;
for i=1:n
for j=1:m
d0((i-1)*m+j+rest(rd-1))=d1(i,j);
end
end

74
clear d1

%cluster 5
d1=dis*ones(M(5),S(5));
[n m]=size(d1);
rd=rd+1;
for i=1:n
for j=1:m
d0((i-1)*m+j+rest(rd-1))=d1(i,j);
end
end
clear d1

%cluster 6
d1=dis*ones(M(6),S(6));
[n m]=size(d1);
rd=rd+1;
for i=1:n
for j=1:m
d0((i-1)*m+j+rest(rd-1))=d1(i,j);
end
end
clear d1

%cluster 7
d1=dis*ones(M(7),S(7));
[n m]=size(d1);
rd=rd+1;
for i=1:n
for j=1:m
d0((i-1)*m+j+rest(rd-1))=d1(i,j);
end
end
clear d1

%cluster 8
d1=dis*ones(M(8),S(8));
[n m]=size(d1);
rd=rd+1;
for i=1:n
for j=1:m
d0((i-1)*m+j+rest(rd-1))=d1(i,j);
end
end
clear d1

%cluster 9
d1=dis*ones(M(9),S(9));
[n m]=size(d1);
rd=rd+1;
for i=1:n
for j=1:m

75
 d0((i-1)*m+j+rest(rd-1))=d1(i,j);
end
end
clear d1

%cluster 10
d1=dis*ones(M(10),S(10));
[n m]=size(d1);
rd=rd+1;
for i=1:n
for j=1:m
d0((i-1)*m+j+rest(rd-1))=d1(i,j);
end
end
clear d1

%gabungan jarak antar orang total total

d=ones(sum(M),sum(S));
for mc=1:M(1)
for sc=1:S(1)
d(mc,sc)=d0((mc-1)*S(1)+sc);
end
end
for c=2:c0
for mc=1:M(c)
for sc=1:S(c)
d(mc+j1(c-1),sc+j2(c-1))=d0((mc-1)*S(c)+sc+rest(c-1));
end
end
end
d
%sharing area
%shr=input('jumlah safe area yang bisa di share = ');
shr=2;
unr=0;
if shr~=0
Ls=[950 0
700 0
650 0
1000 0
750 550
800 950
850 750
950 800
0 1000
0 650
0 700
0 600
0 0
0 0
0 0
0 0

76
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0];

ks=[5000 5000];
for i=1:shr
for j=1:row
Sh(j,i)=1;
end

end
ds=dis*Sh;
ls=laj*Sh;
vs=(kec)*Sh;
k=[k ks]
L=[L Ls]
d=[d ds]
l=[l ls]
v=[v vs]
end
B=15;
[n1 m1]=size(L);
dim=n1*m1;
kap=1;
bob=ones(n1,m1);

%Fungsi Objektif dan Kendala

ub = ones(dim,1);
for i=1:n1
for j=1:m1
a(i,j)=(mu(i)*d(i,j))/(l(i,j)*v(i,j)*kap);

77
 b1(i,j)=bob(i,j)*(-d(i,j)+L(i,j))/v(i,j);
A(j,(i-1)*m1+j)=mu(i);
Aeq(i,(i-1)*m1+j)=1;
A1((i-1)*m1+j)=((B*v(i,j)-L(i,j))/d(i,j)+1)*(l(i,j)*kap/mu(i));
f((i-1)*m1+j)=a(i,j);
if ub((i-1)*m1+j)>=A1((i-1)*m1+j)
ub((i-1)*m1+j)=A1((i-1)*m1+j);
end
if L(i,j)==0
Aeq(i,(i-1)*m1+j)=0;
end
end
end
beq = ones(n1,1);
b=k';
lb = zeros(dim,1);

%Optimasi
options=optimoptions('linprog','Algorithm','simplex');
[xh,fval,exitflag,output,lambda] = ...
linprog(f,A,b,Aeq,beq,lb,ub,[],options);
if exitflag==1
Ttot=0;
for i=1:n1
for j=1:m1
x(i,j)=xh((i-1)*m1+j);
T1(i,j)=((a(i,j)*x(i,j))+b1(i,j))/bob(i,j);
if (a(i,j)*x(i,j))<=exp(-5)
b1(i,j)=0;
x(i,j)=0;
end
orangevac(i,j)=mu(i)*x(i,j);
T(i,j)=((a(i,j)*x(i,j))+b1(i,j))/bob(i,j);
Ttot=T1(i,j)+Ttot;
end
end
'hasil'
proporsi=x
orangeva=round(vpa(orangevac))
menit=vpa(T)
waktu terlama=max(max(T))
for i=1:n1
for j=1:m1
if max(T(i,:))==max(max(T))&& max(T(:,j))==max(max(T))
nm=[i j];
end
end
end
nm
end
toc

78
 RIWAYAT HIDUP

Penulis bernama Siska Anggria, lahir di Pekanbaru, yaitu

pada tanggal 23 September 1992 yang merupakan anak ke-
dua dari empat bersaudara dari pasangan Ayahanda Mas-
rizal dan Ibunda Qordia Elma, M.PdI. Penulis menamatkan
pendidikan di TK Adhyaksa Pekanbaru pada tahun 1999,
SD Negeri 003 Sukajadi pada tahun 2005, SMP Negeri 5
Pekanbaru pada tahun 2008, dan SMA Negeri 1 Pekanbaru
pada tahun 2011. Pada tahun yang sama, penulis diterima
sebagai mahasiswa Jurusan Matematika Fakultas Matematika dan Ilmu Penge-
tahuan Alam Universitas Andalas melalui jalur SNMPTN (Seleksi Nasional Ma-
suk Perguruan Tinggi Negeri) Undangan.
Selama menjadi mahasiswa di Jurusan Matematika FMIPA Unand,
penulis aktif dalam organisasi/lembaga kemahasiswaan yaitu sebagai anggota
Asosiasi Mahasiswa Asrama (AMA) tahun 2011-2012, anggota Himpunan Ma-
hasiswa Matematika (HIMATIKA) FMIPA tahun 2011-2015, pengurus FSI FMI-
PA tahun 2011-2012, pengurus DPM KM FMIPA tahun 2012-2014, pengu-
rus HIMATIKA FMIPA tahun 2012-2014, koordinator Asisten Laboratorium
Statistika dan Komputasi Jurusan Matematika FMIPA tahun 2013-2014, asisten
praktikum mata kuliah PK I, PK II, Metode Numerik, dan Statistika Komputasi
Laboratorium Statistika dan Komputasi Jurusan Matematika FMIPA tahun
2013-2015. Penulis melaksanakan kuliah kerja nyata (KKN) di Nagari Muaro
Kalaban, Kota Sawahlunto, pada tahun 2014 dalam rangka melaksanakan salah
satu mata kuliah wajib fakultas.
Puji syukur atas usaha, dorongan, dan motivasi serta seizin Allah yang
Maha Kuasa, penulis dapat menyelesaikan studi di Universitas Andalas selama
empat tahun 11 bulan untuk meraih gelar Sarjana Sains (S.Si) pada tanggal 28
April 2016.