MAKALAH

MENENTUKAN TINGKAT OPTIMAL PRODUKSI PT. JAYA LIGHTING

MENGGUNAKAN METODE BRANCH AND BOUND

Guna memenuhi salah satu tugas mata kuliah Penelitian Operasional

Dosen Pengampu: Rianita Puspa Sari, ST., MT.

Disusun oleh:

Nirmala Putri 1910631140035

Debi Yulianti 1910631140008

Khurul Ainy 1910631140028

Kelompok: 5

Kelas: B

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNIK

UNIVERSITAS SINGAPERBANGSA KARAWANG

2021
 KATA PENGANTAR

Dengan mengucapkan puji syukur kehadirat Tuhan Yang Maha Esa. Karena
atas rahmat dan karunia-Nya, penyusun dapat menyelesaikan makalah dengan judu
Penggunaan Metode Branch and Bound dalam Menentukan Tingkat Optimal dalam
Produksi di PT. Jaya Lighting. Dalam menyusun makalah ini, penyusun banyak
mendapatkan perhatian dari berbagai pihak yang telah membantu, membimbing
dan mengarahkan mulai dari pelaksanaan pembelajaran di kelas sampai dengan
terwujudnya karya tulis ini. Maka daripada itu penyusun mengucapkan kata
terimakasih yang sebesar-besarnya kepada;
1. Bapak Dr. H. Maman Suryaman, M. M. Pd. sebagai Dekan Fakultas Teknik.
2. Bapak H. Wahyudin, ST., MT. sebagai Koordinator Program Studi Teknik
Industri.
3. Ibu Rianita Puspa Sari, S.T., M.T. sebagai Dosen Pengampu Mata Kuliah
Penelitian Operasional 1.
4. Kedua Orang Tua yang telah memberikan dorongan dan doa yang bermanfaat
bagi penyusun.
5. Seluruh mahasiswa-mahasiswi program studi teknik industri angkatan 2019
yang juga turut membantu serta mendukung penyusun untuk menyelesaikan
makalah ini.
Penyusun menyadari bahwa makalah ini jauh dari kata sempurna. Hal ini
dikarenakan terbatasanya kemampuan penyusun yang masih dalam tahap
pembelajaran. Oleh karena itu kritik dan saran yang bersifat membangun senantiasa
penyusun harapkan, demi penyusunan makalah di masa yang akan datang. Semoga
makalah ini dapat bermanfaat khususnya bagi penyusun dan umumnya bagi
pembaca.

Karawang, 26 April 2021

Kelompok 5

i
 DAFTAR ISI

KATA PENGANTAR ......................................................................................... i

DAFTAR ISI ........................................................................................................ ii

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

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

1.2 Rumusan Masalah .......................................................................................... 2

1.3 Tujuan Penelitian ......................................................................................... 3

1.4 Manfaat Penelitian ......................................................................................... 3
1.5 Asumsi Penelitian .......................................................................................... 3
1.6 Batasan Masalah ............................................................................................ 3
BAB II TINJAUAN PUSTAKA ....................................................................... 4
2.1 State of The Art ............................................................................................ 4

2.2 Program Linear ............................................................................................ 12

2.3 Metode Simpleks ........................................................................................... 14

2.4 Dual Simpleks ................................................................................................ 15

2.5 Integer Linear Programming ........................................................................ 16

2.6 Pendekatan Grafik ......................................................................................... 17

2.7 Metode Branch and Bound ............................................................................ 18

BAB III METODOLOGI PENELITIAN ....................................................... 19

3.1 Flowchart ...................................................................................................... 19

3.1.1 Flowchart Penelitian ........................................................................... 20

3.2 Deskripsi Pemecahan Masalah ....................................................................... 20

3.3 Pengolahan Data.............................................................................................. 20

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA ........................... 21

ii
4.1 Pengumpulan Data ........................................................................................ 21

4.2 Pengolahan Data ............................................................................................ 20

4.2.1 Pengolahan Data Manual .................................................................... 22

4.2.2 Pengolahan Data dengan QM for Windows ....................................... 26

BAB V ANALISA DAN PEMBAHASAN ........................................................ 29

5.1 Analisa ............................................................................................................ 29

5.2 Pembahasan 30

BAB VI KESIMPULAN DAN SARAN ........................................................... 31

6.1 Kesimpulan ................................................................................................... 31

6.2 Saran ................................................................................................................ 31

DAFTAR PUSTAKA

iii
 2

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Setiap perusahaan atau organisasi memiliki keterbatasan atas sumber

dayanya, baik keterbatasan dalam jumlah bahan baku, mesin dan peralatan,
ruang tenaga kerja, jam kerja, maupun modal. Dengan keterbatasan ini,
perusahaan perlu merencanakan strategi yang dapat mengoptimalkan hasil
yang ingin dicapai, baik itu berupa keuntungan maksimal atau biaya minimal.
Berbagai cara lain telah ditemukan untuk tujuan itu, salah satu diantaranya
pemrograman linear (Eddy, 2008).
Pemrograman linear (linear proramming) adalah teknik pengambilan
keputusan untuk memecahkan masalah mengalokasikan sumber daya yang
terbatas diantara berbagai kepentingan seoptimal mungkin. Pemrograman
linear merupakan salah satu metode dalam riset operasi yang memungkinkan
para manajer mengambil keputusan dengan menggunakan pendekatan
analisis kuantitatif. Teknik ini telah diterapkan secara luas pada berbagai
persoalan dalam perusahaan, untuk menyelesaikan masalah yang berkaitan
dengan penugasan karyawan, penggunaan mesin, distribusi, dan
pengangkutan, penentuan kapasitas produk, ataupun dalam penentuan
portofolio investasi. Program linier banyak digunakan untuk menyelesaikan
masalah optimal didalam industri, perbankan, pendidikan, dan masalah-
masalah lain yang dapat dinyatakan dalam bentuk linier.
Riset Operasi adalah salah satu bagian matematika yang mengkaji cara
menetapkan arah tindakan terbaik (optimum) dari sebuah masalah keputusan
di bawah pembatasan sumber daya yang terbatas. Pada tahun 1947 seorang
ahli matematika dari Amerika Serikat yang bernama George D. Danzig
menemukan cara untuk menguraikan dan memecahkan persoalan
pemrograman linear dengan Metode Simpleks (Simplex Method). Ia
menguraikannya dalam buku yang berjudul Linear Programming and
Extension. Keberhasilannya karena mampu menyelesaikan berbagai masalah
 3

dalam kehidupan nyata seperti di bidang militer, industri, pertanian,

transportasi, ekonomi, kesehatan, dan ilmu sosial.
PT. Jaya Lighting adalah sebuah perusahaan yang memproduksi sebuah
senter penerangan. PT. Jaya Lighting memiliki masalah dalam menentukan
tingkat optimal dalam produksinya. Hal ini merupakan salah satu kasus dalam
permasalahan optimasi program linear, salah satunya metode Branch and
Bound. Dengan kata lain, permasalahan menentukan optimasi produksi di PT.
Jaya Lighting merupakan permasalahan optimasi dalam integer linear
programming (ILP).
PT. Jaya Lighting yang merakit 3 jenis senter. Senter jenis A, senter
jenis B, dan senter jenis C. Senter jenis A dirakit dengan membutuhkan waktu
4 menit, senter jenis B selama 9 menit, dan senter jenis C selama 6 menit.
Waktu pengerjaan yang tersedia setiap minggunya tersedia 1600 menit.
Senter jenis A membutuhkan besi seberat 10 gram, senter jenis B
membutuhkan besi seberat 7 gram, dan senter jenis C membutuhkan besi
seberat 8 gram. Jumlah besi yang dapat disediakan oleh perusahaan hanya
2100 gram tiap minggunya. Untuk senter jenis A membutuhkan aluminium
seberat 6 gram, senter jenis B membutuhkan aluminium seberat 4 gram, dan
senter jenis C membutuhkan aluminium seberat 9 gram. Jumlah aluminium
yang dapat disediakan oleh perusahaan tiap minggunya mencapai 1900 gram.
Jika keuntungan bersih yang diperoleh dari penjualan senter A, senter B, dan
senter C berturut-turut sebesar Rp 10.000, Rp 8.000, Rp 9.000.

1.2 Rumusan Masalah

Adapun rumusan masalah yang di nyatakan penulis dalam studi kasus
ini di antaranya:
1. Bagaimana pengolahan data pemrograman linier integer menggunakan
metode Branch and Bound?
2. Berapa tingkat maksimal produksi yang dihasilkan oleh PT. Jaya
Lighting?
 4

1.3 Tujuan Penelitian

Adapun tujuan yang ingin dicapai dapam penulisan studi kasus ini di
antaranya:

1. Mengetahui pengolahan data pemrograman linier integer menggunakan

metode Branch and Bound .
2. Mengetahui tingkat maksimal produksi yang di hasilkan oleh PT. Jaya
Lighting.

1.4 Manfaat Penelitian

Manfaat penilitian ini adalah sebagai berikut :
1. Mengetahui bagaimana cara pengolahan data pemrograman linier integer
menggunakan metode Branch and Bound.
2. Mengetahui bagaimana cara menentukan tingkat maksimal produksi
yang di hasilkan oleh PT. Jaya Lighting.

1.5 Asusmi Penelitian

Dalam penelitian ini, asumsi yang di gunakan adalah menentuukan
tingkat produksi yang di hasilkan oleh masing-masing senter yang berjenis A,
B, dan C dan tingkat maksimal keutungan yang di hasilkan oleh PT. Jaya
Lighting dalam produksinya.

1.6 Batasan Masalah

Batasan masalah pada penelitian ini bertujuan agar bahasan dapat di
selesaikan dengan baik dan tidak menyimpang dari tujuan yang akan di capai,
maka penulis perlu membuat suatu Batasan masalah yaitu :
1. Hanya membahas cara pengolahan data pemrograman linier integer
menggunakan metode Branch and Bound.
2. Terdapat Tiga jenis Senter yaitu A, B, dan C
 BAB II
TINJAUN PUSTAKA

2.1 State of The Art

Tabel 2.1 State of The Art

Judul Penggunaan Metode Branch and Bound dan Gomory Cut

Penelitian dalam Menentukan Solusi Integer Linear Programming
Penulis Wahyudin Nur dan Nurul Makhlisah Abdal
Tahun 2016
Variabel yang Variabel terkait nya adalah waktu perakitan dari tiga jenis
terikat senter, berat besi yang dibutuhkan untuk membuat tiga jenis
senter, dan berat aluminium yang dibutuhkan untuk
membuat tiga jenis senter.
Hasil/Temuan Berdasarkan metode Branch and bound yang dilakukan agar
perusahaan mendapatkan keuntungan optimum yaitu
sebesar Rp. 2.233.000 dengan memproduksi senter A
sebanyak 47 buah, senter B sebanyak 62 buah, dan senter C
sebanyak 172 buah.
Persamaan Mencari keuntungan optimum perusahaan dalam
memproduksi tiga jenis senter menggunakan metode
Brunch and Bound.
Perbedaan Data senter yang berbeda sehingga kendala yang dipakai
berbeda.

Tabel 2.2 State of The Art

Judul Metode Pemecah Masalah Integer Programming
Penelitian
Penulis Siti Maslihah
Tahun 2015
Variabel yang Mixed integer programming, pure integer programming
terikat

4
 5

Hasil/Temuan Penggunaan metode Branch and Bound sedikit

kesalahannya namun menggunakan perhitungan yang lebih
banyak. Sedangkan metode Cutting Plane lebih cepat
mencapai optimal karena dengan penambahan kendala
gomory lebih efektif menghilangkan solusi yang kontinu.
Metode Gomory lebih baik digunakan jika variabelnya
sedikit. Metode pembulatan merupakan suatu cara yang
termudah, praktis dan efisien dalam menyelesaikan masalah
integer programming. Cara yang digunakan yaitu dengan
membulatkan nilai variabel keputusan yang didapatkan
melalui metode simpleks biasa. Metode ini praktis dalam hal
waktu, biaya dan tenaga untuk memperoleh suatu solusi.
Metode Cutting Planes merupakan salah satu metode yang
digunakan untuk menyelesaikan masalah program linier
untuk variabelnya harus bulat, baik bulat murni maupun
campuran dengan penambahan batasan baru yang disebut
dengan gomory. Penggunaan metode Branch and Bound
sedikit sekali kesalahannya namun memerlukan
perhitungan yang lebih banyak. Sedangkan metode Cutting
Plane lebih cepat mencapai optimal karena dengan
penambahan kendala gomory efektif menghilangkan solusi
yang kontinu.
Persamaan Menggunakan metode Branch and Bound
Perbedaan Penggunaan metode Branch and Bound dalam penelitian

Tabel 2.3 State of The Art

Judul A Lifted Linear Programming Branch-and-Bound
Penelitian Algorithm for Mixed Integer Conic Quadratic Programs
Penulis Juan Pablo Vielma, Shabbir Ahmed, George L. Nemhauser
Tahun 2008
Variabel yang Algoritma branch and bound berbasis pemrograman linier
terikat untuk program kuadrat kerucut integer campuran
 6

Hasil/Temuan Kami telah memperkenalkan algoritma Branch and Bound

untuk masalah MINLP yang didasarkan pada relaksasi
polihedral yang diangkat, tidak memperbarui relaksasi
menggunakan ketidaksamaan gradien dan terkadang
bercabang pada variabel yang layak bilangan bulat. Kami
juga telah mendemonstrasikan bagaimana algoritma
Branch and Bound LP yang diangkat ini bisa sangat efektif
ketika relaksasi polihedral terangkat yang baik tersedia.
Lebih khusus lagi, kami telah menunjukkan bahwa
algoritma Branch and Bound LP yang diangkat berdasarkan
LP (ε) dapat secara signifikan mengungguli metode lain
untuk memecahkan serangkaian masalah pengoptimalan
portofolio dengan kendala kardinalitas.
Persamaan Menggunkaan metode Branch and Bound pada Program
Linear
Perbedaan Penggunaan metode Branch and Bound

Tabel 2.4 State of The Art

Judul A Branch and bound Method Via dc Optimization
Penelitian Algorithms and Elipsoidal Technique for Box Constrained
Nonconvex Quadratic Problems

Penulis Le Thi Hoai An dan Phamdinh Tao

Tahun 1998
Variabel yang Prosedur pembatas diselidiki oleh algoritma pengoptimalan
terikat dc (perbedaan fungsi cembung), yang disebut DCA.
Hasil/Temuan secara umum algoritme ini efisien untuk pilihan toleransi
yang tepat (namun pilihan ini tidak selalu menunjukkan
kualitas solusi yang diperoleh secara tepat, lihat misalnya
Tabel 6). Selain itu, algoritma yang diusulkan sangat efisien
untuk beberapa kelas masalah (Tabel 1, 2, 3). Sekali lagi,
Algoritma 1 dan Algoritma 2a atau 2b (DCA) untuk
 7

subproblem dalam prosedur pembatas sederhana dan tidak

mahal. Batasannya adalah, seperti yang sering terjadi pada
algoritma cabang dan terikat, batas bawah ditingkatkan
secara perlahan. Itulah sebabnya kami memperkenalkan
proses batas bawah kedua (BDCEU) dalam kasus seperti itu.
Dalam studi kinerja BDCE, pertanyaan terbuka adalah
ellipsoid mana yang dapat dipilih untuk menjamin batas
bawah awal terbaik? Sementara itu teknik ellipsoid kami
sepertinya cukup cocok.

Persamaan Persamaan pada penelitian ini adalah menggunakan metode

yang sama yaitu metode Branch and Bound
Perbedaan Perbedaananya yaitu teknik yang digunakannya. Pada
penelitian ini menggunakan teknik ellipsoidal.

Tabel 2.5 State of The Art

Judul A Branch and Bound Algorithm for the Maximum Diversity
Penelitian Problem

Penulis Rafael M Barang, Micael Gallego dan Braham Duarte

Tahun 2008
Variabel yang Perbandingan metode, algoritma cabang dan terikat dan
terikat mengembangkan beberapa batas atas pada nilai fungsi
tujuan dari solusi parsial ke MDP.
Hasil/Temuan Temuan empiris menunjukkan bahwa metode kami mampu
menyelesaikan instans berukuran sedang dan memperoleh
kesenjangan rata-rata 8,4% untuk semua set instans. Kami
telah membandingkan metode kami dengan pendekatan
terbaik dalam literatur yang ada, yang merupakan formulasi
bilangan bulat linier yang dikembangkan oleh Kuo et al.
(1993). Hasil dari studi banding yang dilakukan dengan
perangkat lunak terkenal Cplex mendukung prosedur yang
kami usulkan. Namun, harus dicatat bahwa tidak satu pun
 8

dari kedua metode tersebut dapat menyelesaikan kasus

besar.

Persamaan Sama-sama menggunakan metode Branch and Bound serta

mencari titik maksimum pada penelitian.
Perbedaan Penggunaan Mentode Branch and Bound untuk
membandingkan objek penelitian.

Tabel 2.6 State of The Art

Judul Integer Linear Programming Dengan Pendekatan Metode
Penelitian Cutting Plane dan Branch and Bound Untuk Optimasi
Produksi Tahu

Penulis Sri Basriati

Tahun 2018
Variabel yang Variabel terikatnya adalah dua jenis tahu, bahan baku, bahan
terikat penunjang yang dibutuhkan dan jam kerja tenaga kerja serta
jam kerja mesin.
Hasil/Temuan Berdasarkan hasil penelitian yang telah dilakukan dapat
diketahui bahwa solusi optimal yang dihasilkan oleh kedua
metode adalah sama, yaitu: jumlah produksi tahu besar dan
tahu kecil adalah sebanyak 339239 unit per bulan dan 4 unit
per bulan dengan keuntungan maksimal Rp 77971299.6 per
bulan.

Persamaan Menggunakan metode Brunch and Bound

Perbedaan Penggunaan metode simpleks dalam penelitian

Tabel 2.7 State of The Art

Judul The Complete Parsimory Haplotype Inference Problem and
Penelitian Algorithms Based on Integer Programming, Branch-and-
Bound and Boolesn Satisfiability

Penulis Gerold Jäger, Sharlee Climer, Weixiong Zhang

 9

Tahun 2016
Variabel yang Berdasarkan pemrograman linier integer tiga paradigma
terikat komputasi yang mapan untuk Hipp sebagai algoritme dasar,
yang didasarkan pada IP, BnB dan Duduk, masing-masing.
Kemudian kami menyajikan bagaimana mereka dapat
diperluas untuk diselesaikan Chipp.
Hasil/Temuan Kami secara eksplisit mengeksploitasi fitur-fitur ini dalam
tiga pendekatan komputasi yang didasarkan pada
pemrograman linier integer, branch and bound kedalaman
pertama, dan kepuasan Boolean. Lebih lanjut, kami
memperkenalkan dua algoritme hibrid yang memanfaatkan
kekuatan pendekatan yang beragam. Analisis eksperimental
kami menunjukkan bahwa algoritme yang dioptimalkan
secara signifikan lebih unggul daripada algoritme dasar,
seringkali dengan urutan waktu berjalan yang lebih cepat.
Terakhir, eksperimen kami memberikan beberapa wawasan
berguna tentang fitur intrinsik dari masalah penting ini.

Persamaan Menggunkaan metode Branch and Bound pada Program

Linear Integer.
Perbedaan Penggunaan metode Branch and Bound.

Tabel 2.8 State of The Art

Judul A Provable Better Branch and Bound Method for a
Penelitian Noncovex Integer Quadratic Programming Problem

Penulis Wenxing Zhu

Tahun 2004
Variabel yang Metode Cabang dan Batas, skema umum, telah banyak
terikat digunakan untuk menyelesaikan banyak masalah NP-hard
diskrit dan optimasi kombinasi.Kefektifan metode ini selalu
ditunjukkan oleh eksperimen numerik besar-besaran. Sering
 10

dipahami bahwa dalam kasus terburuk metode Branch and

Bound sama buruknya dengan metode pencacahan lengkap.
Hasil/Temuan Metode Branch and Bound untuk masalah pemrograman
kuadrat bilangan bulat nonconvex dengan fungsi tujuan
yang dapat dipisahkan di atas kotak yang dibatasi. Untuk
masalah ini, metode cabang khusus dibuat, yang memiliki
properti jika kotak telah dipartisi n tosu2b-boxes, maka
setidaknya satu sub-box dapat dihapus. Kami menganalisis
kompleksitas algoritma, dan membuktikan bahwa itu lebih
baik daripada metode enumerasi lengkap dalam kasus
terburuk jika ruang solusi cukup besar. Kefektifan metode
ini selalu ditunjukkan oleh eksperimen numerik besar-
besaran. Sering dipahami bahwa dalam kasus terburuk
metode Branch and Bound sama buruknya dengan metode
pencacahan lengkap. Jadi dalam makalah ini kami tertarik
pada pertanyaan bahwa jika kita dapat merancang metode
Branch and Bound untuk masalah NP-hard yang terbukti
lebih baik daripada metode enumerasi lengkap dalam kasus
terburuk.

Persamaan Persamaan pada penelitian ini adalah menggunakan metode

yang sama yaitu metode Branch and Bound
Perbedaan Penggunaan Metode Branch and Bound untuk
membandingkan bahwa Metode Branch and Bound lebih
baik digunakan dibandingkan dengan metode enumerasi.
Serta perbedaannya terdapat pada teknik yang
digunakannya. Pada penelitian ini menggunakan teknik
partisi.

Tabel 2.9 State of The Art

Judul Parity Graph-Driven Read-Once Branching Programs and
Penelitian an Exponential Lower Bound for Integer Multipication
 11

Penulis Beate Bollig, Stephan Waack, Philipp Woelfel

Tahun 2006
Variabel yang Program percabangan (BPs) atau Binary Decision
terikat Diagrams (BDDs) adalah tipe representasi atau model
komputasi yang mapan untuk fungsi Boolean.
Hasil/Temuan Percabangan baca-sekali paritas terbatas telah dianggap dan
batas bawah eksponensial pada ukuran apa yang disebut
program percabangan baca-sekali yang didorong grafik
paritas terstruktur dengan baik untuk perkalian bilangan
bulat telah terbukti. Ini adalah batas bawah sangat
eksponensial pertama pada ukuran paritas model program
percabangan baca-sekali nonoblivious untuk fungsi
Boolean yang didefinisikan secara eksplisit. Selain itu,
lebih banyak wawasan tentang struktur perkalian bilangan
bulat dihasilkan.
Persamaan Sama-sama menggunakan metode Branch and Bound
Perbedaan Penggunaan Metode Branch and Bound

Tabel 2.10 State of The Art

Judul Globally Optimal Phasor Measurement Unit Placement
Penelitian Using Branch and Bound Algorithm

Penulis Mohamed Z. Kamh , Mohamed R. Younis, Amr M. Ibrahim

Tahun 2021
Variabel yang Unit pengukuran fasor (PMU) adalah perangkat elektronik
terikat cerdas (IED) yang ditawarkan untuk memberikan
pengukuran tegangan, arus, dan sudut yang akurat secara
real-time. Keuntungan utama PMU dibandingkan sistem
SCADA tradisional adalah cap waktu, laju pengambilan
sampel yang tinggi, dan penggunaan sinkronisasi.
Hasil/Temuan Makalah ini menyajikan pendekatan penempatan Unit
Pengukuran Fasor (PMU) optimal global baru berdasarkan
 12

algoritma cabang dan terikat. Teknik yang diusulkan

memberikan jumlah minimum global dan lokasi PMU untuk
sistem tenaga apa pun. Fungsi objektif yang berbeda
diselidiki termasuk (i) jumlah minimum dan lokasi optimal
PMU untuk pengamatan penuh, dan (ii) pengamatan sistem
maksimum dengan jumlah tertentu dari PMU (fase Investasi
PMU). Selain itu, hilangnya elemen sistem tenaga atau
PMU juga dipertimbangkan. Pengaruh pemodelan bus
injeksi-nol dan penggunaan pengukuran aliran daya pada
kualitas keluaran dan studi real-time disajikan. Teknik yang
diusulkan diterapkan pada sistem IEEE 14-, 30-, 57- dan
118-bus menggunakan platform MATLAB.

Persamaan Menggunakan metode Branch and Bound

Perbedaan Penggunaan Metode Branch and Bound dengan
menggunakan penelitian yang berbeda.

Dari penelitian yang sudah ada, peneliti mencoba mengangkat suatu

kasus dan menyelesaikan dengan persamaan linier integer dengan metode
Branch and Bound. Terdapat persamaan metode dan kasus dalam penelitian
di atas yang dapat dijadikan referensi penyelesaian program linier integer,
yaitu ada yang sama menggunakan metode Branch and Bound. Produk yang
dihasilkan harus dalam produk jadi sehingga diperlukannya suatu metode
program linier integer untuk mencari solusi optimum dari suatu
permasalahan tersebut.

2.2 Program Linear

Linear Programming merupakan salah satu pendekatan matematik
yang paling sering diterapkan manajerial dalam pengambilan keputusan.
Tujuan dari penggunaan linear programming adalah untuk menyusun suatu
model yang dapat dipergunakan untuk membantu pengambilan keputusan
dalam menentukan alokasi yang optimal dari sumber daya perusahaan ke
berbagai alternatif.
 13

Penggunaan linear programming dalam hal ini adalah mengalokasikan

sumber daya tersebut, sehingga laba akan maksimum atau alternatif biaya
minimum. Alokasi yang dibuat tergantung dari sumber daya yang tersedia
dan permintaan atas sumber daya tersebut. Sedangkan tujuan dari alokasi
adalah memaksimumkan laba atau meminimalkan biaya.
Jadi linear programming adalah sebuah metode matematis yang
berkarakteristik linear untuk menemukan suatu penyelesaian optimal dengan
cara memaksimumkan atau meminimumkan fungsi tujuan terhadap satu
susunan kendala
Terdapat empat asumsi dasar yang ada dalam model programasi linear :
1. Divisibility (dapat dibagi)
Bilangan dalam programasi linear tidak harus berupa bilangan
bulat (integr), asalkan bilangan tersebut dapat dibagi tidak terbatas
(infinitely divisible).
2. Non Negativity (tidak negatif)
Permasalahan yang akan diselesaikan dengan programasi linear
harus diasumsikan bahwa bilangan dalam setiap variabelnya tidak
negatif atau tidak kurang dari nol. Melainkan lebih dari atau sama dengan
nol.
3. Certainty (Kepastian)
Asumsi kepastian menyatakan bahwa kasus programasi linear
harus berada dalam kondisi decision-making under certainty, artinya
semua parameter dari variabel kaputusan diketahui sebelumnya.
4. Linearity (linearitas)
Asumsi ini menyatakan bahwa fungsi tujuan dari program linear
dan fungsi kendala yang ada di dalamnya harus dalam bentuk linear. Jika
terdapat model matematika dengan asumsi-asumsi tersebut dan
memenuhi ke empatnya, maka dapat ditarik kesimpulan bahwa model
tersebut sudah pasti model programasi linear, dan alat analisis yang
digunakan dalam pemecahan masalah tersebut dapat menggunakan
dengan program linear.
Permasalahan linear programming standar.
 14

Maksimumkan atau minimumkan

Z = 𝑐1 𝑥1 +𝑐2 𝑥2 +𝑐3 𝑥3 +...+𝑐𝑛 𝑥𝑛 ..........(2.1)
Sumber daya yang membatasi (kendala) :
𝑎11 𝑥1 +𝑎12 𝑥2 +𝑎13 𝑥3 +...+𝑎1𝑛 𝑥𝑛 = /≤/≥ 𝑏1 ..........(2.2)
𝑎21 𝑥1 +𝑎22 𝑥2 +𝑎23 𝑥3 +...+𝑎2𝑛 𝑥𝑛 = /≤/≥ 𝑏2 ..........(2.3)
. . . . . .
. . . . . .
. . . . . .
𝑎𝑚1 𝑥1 +𝑎𝑚2 𝑥2 +𝑎𝑚3 𝑥3 +...+𝑎𝑚𝑛 𝑥𝑛 = /≤/≥ 𝑏𝑚 ..........(2.4)
𝑥1 , 𝑥2 , 𝑥3 , ... , 𝑥𝑛 ≥ 0
Berikut merupakan penjelasan dari simbol-simbol yang terdapat dalam
programasi linear. Simbol 𝑥1 , 𝑥2 , 𝑥3 , ... , 𝑥𝑛 (𝑥𝑖 ) menunjukkan variabel
keputusan. Simbol (𝑥𝑖 ) merupakan jumlah dari variabel keputusan. Oleh
karena itu tergantung dengan banyaknya jumlah kegiatan atau aktivitas
yang sedang dilakukan untuk mencapai tujuan yang akan dicapai.
Sedangkan untuk simbol 𝑐1, 𝑐2 , 𝑐3 , ... , 𝑐𝑛 merupakan nilai dari masing-
masing variabel keputusan, atau nilai koefisien dari fungsi tujuan yang
akan dicapai. Simbol 𝑎11 , … 𝑎1𝑛 , ... 𝑎𝑚𝑛 merupakan koefisien fungsi
kendala atau nilai dari sumber daya yang membatasi dari masing-masing
variabel keputusan per unit. Simbol 𝑏1 , … 𝑏2 , ... 𝑏𝑚 merupakan jumlah
dari keseluruhan masing-masing sumber daya yang ada. Pada fungsi
kendala, jumlah yang ada tergantung dengan sumber daya yang
membatasi dari persoalan program linear. Sedangkan untuk batasan non
negatif ditunjukkan dengan pertidaksamaan (𝑥1 , 𝑥2 , ... , 𝑥𝑛 ≥ 0 )
2.3 Metode Simpleks
Salah satu metode untuk menyelesaikan masalah linear programming
adalah dengan metode simpleks. Metode simpleks merupakan prosedur
aljabar yang bersifat iteratif, yang bergerak selangkah demi selangkah
dimulai dari titik ekstrem pada daerah fisibel menuju ke titik ekstrem yang
optimal.
Langkah-langkah dalam menyelesaikan masalah linear programming
dengan metode simpleks untuk kasus maksimasi adalah sebagai berikut :
 15

1. Mengubah fungsi tujuan dan fungsi kendala. Fungsi tujuan dirubah

menjadi bentuk baku. Fungsi kendala sebelum dimasukkan dalam tabel
simpleks ditambahkan variabel slack.
2. Menyusun tabel simpleks awal.
3. Menentukan kolom kunci.
4. Menentukan baris kunci.
5. Mengubah nilai-nilai baris kunci
6. Mengubah nilai-nilai selain baris kunci, sehingga nilai-nilai kolom kunci
(selain baris kunci) = 0.
7. Melanjutkan perbaikan-perbaikan (langkah 3-6) hingga baris z tidak ada
lagi yang bernilai negatif.
8. Solusi optimal diperoleh, dengan nilai variabel keputusan untuk masing-
masing baris terletak pada kolom 𝑏𝑖 .
2.4 Dual Simpleks
Menurut Dimyati [2] metode dual simpleks ini menggunakan tabel
yang sama dengan metode simpleks biasa, tetapi entering variable dan
leaving variable-nya ditentukan dengan cara sebagai berikut :
1. Leaving Variable
Leaving variable pada dual simpleks adalah variabel basis yang memiliki
nilai negatif terbesar. Jika semua variabel basis sudah bernilai positif atau
nol, berarti kondisi fisibel telah dicapai.
2. Entering Variable
Tentukan perbandingan rasio antara koefisien baris (z) dengan koefisien
baris leaving variable. Abaikan penyebut positif dan nol. Jika semua
bernilai positif atau nol, berarti persoalan yang bersangkutan tidak
memiliki solusi fisibel. Untuk persoalan maksimasi, entering variable
adalah variabel dengan rasio absolut terkecil, sedangkan untuk persoalan
minimasi entering variable adalah variabel dengan rasio terkecil.
2.5 Integer Linear Programming
ILP merupakan model program linier dengan persyaratan tambahan
yaitu beberapa atau semua variabel keputusan harus merupakan bilangan
bulat. Penggunaan variabel bilangan bulat memberikan tambahan fleksibilitas
 16

dalam pembuatan model (Anderson, Sweeney, dan Williams, 1994: 316).

Model pemrograman bulat dapat juga digunakan untuk memecahkan masalah
dengan jawaban ya atau tidak (yes or no decision), untuk model ini variabel
dibatasi menjadi dua, misal 1 dan 0, jadi keputusan ya atau tidak diwakili oleh
variabel, katakanlah, xj, menjadi : = Model ini seringkali disebut sebagai
model pemrograman bulat biner.
Integer Programming merupakan pengembangan dari program linear.
Menurut Hikmah [2] integer programming pada intinya di mana dengan
semua variabel keputusannya harus berupa bilangan bulat atau integer.
Menurut Dimyati [7] Algoritma yang cukup baik untuk memberikan solusi
optimum dalam pemograman bilangan bulat adalah pencabangan dan
pembatasan (branch and bound) dan pemotongan bidang datar (cutting
plane).
Bentuk umum model program integer adalah:
𝑛

( 𝑀𝑎𝑥 / min ) Z = ∑ 𝑐𝑗 𝑥𝑗
𝑗=𝑖

Dengan kendala
𝑛

∑ 𝑎𝑖𝑗 𝑥𝑗 (≤, =, ≥) 𝑏𝑖 , (𝑖 = 1, 2, … , 𝑛)
𝑗=𝑖

𝑥𝑗 ≥ 0, ( 𝑗 = 1, 2, … , 𝑚)
𝑥𝑗 bernilai integer untuk semua j

2.6 Pendekatan Grafik

Masalah Integer Programming yang melibatkan hanya dua variabel
dapat diselesaikan secara grafik. Pendekatan ini 16atasan dengan metode
grafik LP dalam semua aspek, kecuali bahwa solusi optimum harus
memenuhi persyaratan bilangan bulat. Mungkin pendekatan termdah untuk
menyelesaikan masalah integer programming dua dimensi adalah
menggunakan kertas grafik dan mengambarkan sekumpulan titik-titik integer
dalam ruang solusi layak. Masalah berikut akan diselesaikan dengan
pendekatan grafik.
 17

Maksimumkan Z = 100X1 + 90X2

Dengan syarat 10X1 + 7X2 ≤ 70
5X1 + 10X2 ≤ 50
X1 ; X2 ≥ non 16atasan16 integer
Model ini serupa dengan model LP biasa. Perbedaannya hanya pada
kendala terakhir yang mengharapkan bahwa variabel terjadi pada nilai non 16
atasan 16 integer. Solusi grafik masalah ini di Ruang solusi layak adalah
OABC.

Solusi Ruang solusi layak adalah OABC. Solusi optimum masalah LP

ditunjukkan pada titik B, dengan X1 = 5,38 dan X2 = 2,31 serta Z = 746,15.
Untuk mencari solusi integer optimum masalah ini, garis Z (slope = -9/10)
digeser secara sejajar dari titik B menuju titik asal. Solusi integer optimum
adalah titik integer pertama yang bersinggungan dengan garis Z. Titik itu
adalah A, dengan X1 = 7 dan X2 = 0 serta Z = 700.

2.7 Metode Branch and Bound

Metode Branch and Bound (cabang dan batas) adalah salah satu metode
yang sering digunakan untuk menghasilkan penyelesaian optimal program
linier yang menghasilkan variabel-variabel keputusan bilangan bulat. Sesuai
dengan namanya, metode ini membatasi penyelesaian optimum yang akan
menghasilkan bilangan pecahan dengan cara membuat cabang atas dan bawah
bagi masing-masing variable keputusan yang bernilai pecahan agar bernilai
bulat sehingga setiap pembatasan akan menghasilkan cabang baru.
Langkah-langkah dalam metode branch and bound adalah:
1. Menyelesaikan masalah program linier dengan cara simpleks biasa.
2. Meneliti solusi optimumnya. Jika variabel basis yang diharapkan bulat
adalah bulat, maka artinya solusi optimum bulat sudah
didapatkan/dicapai.
 18

3. Nilai solusi pecah yang layak dicabangkan ke dalam sub-sub masalah,

tujuannya adalah untuk menghilangkan solusi kontinu yang tidak
memenuhi solusi bulat pada masalah itu.
4. Untuk setiap sub masalah, nilai solusi optimum kontinyu fungsi tujuan
ditetapkan sebagai batas atas. Solusi bulat terbaik menjadi batas bawah
(pada awalnya, ini adalah solusi kontinyu yang dibulatkan ke bawah).
Sub-sub masalah yang memiliki batas atas kurang dari batas bawah yang
ada, tidak diikut sertakan pada analisa selanjutnya. Suatu solusi bulat
layak adalah sama baik atau lebih baik dari batas atas untuk setiap sub
masalah yang dicari. Jika solusi yang demikian terjadi, suatu sub masalah
dengan batas atas terbaik dipilih untuk dicabangkan. Kembali ke langkah
3.
Keuntungan dari cara pencabangan dan pembatasan adalah cara
yang efisien untuk mendapatkan seluruh jawaban layak (fisibel),
sedangkan kerugian cara ini adalah akan mencari seluruh jawaban
program linier pada setiap titik. Pada persoalan yang besar akan
memerlukan waktu yang cukup lama.
 BAB III
METODOLOGI PENELITIAN

3.1 Flowchart
3.1.1 Flowchart Penelitian

Mulai

Mencari 10 Jurnal yang

terdiri dari Jurnal Nasional
dan Jurnal Internasioal

Studi Literatur Metode

Branch and Bound

Perumusan Masalah

Pengumpulan Data

Pengolahan Data

Analisis

Kesimpulan

Selesai

Gambar 3.1 Flowchart Penelitian

Sumber: (Kelompok 5, 2021)

19
 20

3.2 Deskripsi Pemecahaan Masalah

Langkah pertama dimulai dengan mencari beberapa jurnal sebagai
acuan. Dari beberapa jurnal tersebut kita mempelajari berbagai metode dan
memahami kasus dan penyelesaiannya mengenai penggunaan metode branch
and bound, setelahnya merumuskan masalah agar mempermudah peneliti
dalam membaca masalah secara garis besar, lalu mengumpulkan data yang
dibutuhkan dalam penelitian, setelah itu data yang telah dikumpulkan di olah
menggunakan metode yang akan digunakan. Menganalisis hasil pengolahan
data apakah sesuai dengan aturan metode yang digunakan tersebut setelah itu
menarik kesimpulan dari penilitian yang telah dilakukan.

3.3 Pengolahan Data

1. Jika seluruh data telah terkumpul, langkah pertama yang dilakukan adalah
mengidentifikasi variabel untuk mengolah data.
2. Mengidentifikasi tujuan yang akan dilakukan apakah maksimasi atau
minimasi, dengan menentukan berapa harga masing-masing produk
menggunakan rumus.
3. Mengidentifikasi batasan apa saja yang masuk kedalam pengolahan data,
yang disesuaikan dengan data yang telah ditemukan.
4. Penyelesaian Pemrograman Linier. Setelah menemukan batasan, lalu
dilakukan perhitungan.
5. Setelah mendapatkan nilai basis yang layak, hitung solusi optimum
dengan memasukan basis kedalam fungsi tujuan.
6. Mengidentifikasi apakah solusi optimum yang didapatkan adalah
bilangan bulat atau tidak. Jika tidak lakukan kembali perhitungan, jika
hasilnya adalah bilangan bulat maka perhitungan selesai.
 BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA

4.1 Pengumpulan Data

Metode pengumpulan data yang dilakukan adalah data sekunder dari
hasil penelitian yang sudah dilakukan sebelumnya. Dari hasil pencarian data
yang dilakukan, ditemukan masalah pada PT. Jaya Lighting yang merakit 3
jenis senter. Senter jenis A, senter jenis B, dan senter jenis C. Senter jenis A
dirakit dengan membutuhkan waktu 4 menit, senter jenis B selama 9 menit,
dan senter jenis C selama 6 menit. Waktu pengerjaan yang tersedia setiap
minggunya tersedia 1600 menit. Senter jenis A membutuhkan besi seberat 10
gram, senter jenis B membutuhkan besi seberat 7 gram, dan senter jenis C
membutuhkan besi seberat 8 gram. Jumlah besi yang dapat disediakan oleh
perusahaan hanya 2100 gram tiap minggunya. Untuk senter jenis A
membutuhkan aluminium seberat 6 gram, senter jenis B membutuhkan
aluminium seberat 4 gram, dan senter jenis C membutuhkan aluminium
seberat 9 gram. Jumlah aluminium yang dapat disediakan oleh perusahaan
tiap minggunya mencapai 1900 gram. Jika keuntungan bersih yang diperoleh
dari penjualan senter A, senter B, dan senter C berturut-turut sebesar Rp
10.000, Rp 8.000, Rp 9.000. Berapa kombinasi dari ketiga senter ini yang
harus diproduksi sehingga keuntungan dapat maksimum.
Apabila disajikan dalam model matematis diperoleh data sebagai berikut :
Misal X1 = Senter jenis A; X2 = Senter jenis B, dan X3 = Senter jenis C
Memaksimumkan Z = 10X1+8X2+9X3
Dengan kendala : 4X1+9X2+6X3 ≤ 1600
10X1+7X2+8X3 ≤ 3000
6X1+4X2+9X3 ≤ 1900
X1,X2,X3 ≥ 0
X1,X2,X3 𝜖 R

21
 22

4.2 Pengolahan Data

4.2.1 Pengolahan Data Manual
Metode Simpleks
Metode bentuk baku Z=10𝑋1 ++8𝑋2 + 9𝑋3 + 0𝑋4 + 0𝑋6
4 + 9𝑋2 + 6𝑋3 + 𝑋4 ≤ 1600
10𝑋1 + 7𝑋2 + 8𝑋3 + 𝑋5 ≤ 2100
6𝑋1 + 4𝑋2 + 9𝑋3 ≤ 1900
Tabel 4.1 Tabel Perhitungan Data Manual
Basis X1 X2 X3 X4 X5 X6 b

X4 4 9 6 1 0 0 1600

X5 10 7 8 0 1 0 2100

X6 6 4 9 0 0 1 1900

cj 10 8 9 0 0 0

Sumber: (Kelompok 5,2021)

Karena nilai cj yang masih positif, maka perhitungan lanjut iterasi 1

Variabel Masuk = 𝑋1

Variabel Keluar = 𝑋4

Pipot =4

Penyelesaian :

4
X3 baru = 2 x (4 9 6 1 0 0 1600)

= 8 18 12 2 0 0 3200

10
X5 baru = − ( 4 ) x (10 7 8 0 1 0 2100)+ (4 9 6 1 0 0 1600)

70 10
= (−25 − − 20 0 − 0 − 525) +( 4 9 6 1 0 0 1600)
4 4

34 10
= −21 − − 14 1 − 0 − 3650
4 4

22
 23

6
X6 baru = − (4) x (6 4 9 0 0 1 1900) + (4 9 6 1 0 0 1600)

15 6
= −5 3 10 − 4 − 1250
4

10
cj baru = − ( 4 ) x(10 8 9 0 0 0) + (4 9 6 1 0 0)

90
= (−21 − 11 − 0 0 0) + (4 9 6 1 0 0)
4

66
= −21 − 11 − 1 0 0)
4

Iiterasi 1

Tabel 4.2 Tabel Perhitungan Data Manual

Basis X1 X2 X3 X4 X5 X6 b

X3 8 18 12 2 0 0 3200

X5 -21 34 -14 1 10 0 -3650

− −
4 4
X6 -5 3 15 1 0 6 -1250
−
4 4
cj -21 -11 66 1 0 0
−
4
Sumber : (Kelompok 5, 2021)

Karena nilai cj yang masih tak positif, maka perhitungan lanjut literasi
2.

Variabel Masuk = X4

Variabel Keluar = X3

Pivot =2

Penyelesaian :

2
X3 baru = (2) x(8 18 12 2 0 0 3200)

= 8 18 12 2 0 0 3200

23
 24

1 34 10
X1 baru = (− 2) x (−21 − − 14 1 − 0 − 3650) +
4 4

(8 18 12 2 0 0 3200)

21 17 1 2,5
=(2 7−2 0 1825) + (8 18 12 2 0 0 3200)
4 2

37 89 3 2,5
= 19 0 5025
2 4 2 2

1 15 6
X6 baru = − (2) x (−53 10 − 4 − 1250) + (8 18 12 2 0 0 3200)
4
5 3 7,5 1 3
=( − − 0 625) + (8 18 12 2 0 0 3200)
2 2 4 2 4
21 33 55,5 3 3
= 0 3825
2 2 4 2 4
1 66
cj baru = − (2) x (−21 − 11 − 1 0 0) + (8 18 12 2 0 0)
4
21 11 66 1
=(2 − 2 0 0) + (8 18 12 2 0 0)
2 8
37 47 162 3
= 00
2 2 8 2

Iiterasi 2
Tabel 4.3 Tabel Perhitungan Data Manual
Basis X1 X2 X3 X4 X5 X6 b

X3 8 18 12 2 0 0 3200

X1 37 89 19 3 0 3 3825
2 4 2 4
X6 21 33 55,5 3 0 3 3825
2 2 4 2 4
cj 37 47 162 3 0 0
2 2 8 2
Sumber : (Kelompok 5, 2021)

Karena nilai cj yang masih positif, maka perhitungan lanjut literasi 3

Variabel Masuk = X2
Variabel Keluar = X3
Pivot = 18
Penyelesain :

24
 25

18
X3 baru = ( 2 ) x(8 18 12 2 0 0 3200)

= 72 162 108 18 0 0 28800

89
4 37 89 3 2,5
X1 baru = − ( 18 ) x ( 2 19 2 0 5025)+(8 18 12 2 0 0 3200)
4 2

3293 7921 1691 267 222,5 𝟒𝟒𝟕𝟐𝟐𝟓

=− ( 144 − − − 144 − 0− )+
288 72 144 𝟕𝟐

8 18 12 2 0 0 3200)
2141 2737 827 21 222,5 216825
= − ( 144 − − − 0− )
288 72 144 144 72
33
2 21 33 55,5 3 3
X2 baru =− ( 18 )x (2 0 3825) + (8 18 12 2 0 0 3200)
2 4 2 4

693 1089 1831,5 99 99 252450

=− ( 72 − − 0 − 144 − )+
72 144 72 72

(8 18 12 2 0 0 3200)
117 207 103,5 45 99 22050
= − ( 72 − − 0 − 144 − )
72 144 72 72
47
2 37 47 162 3
Cj baru = ( 18 ) x ( 2 0 0) + (8 18 12 2 0 0)
2 8 2

1739 2209 7614 141

= −( − − 0 0) + (8 18 12 2 0 0)
72 72 288 72

1163 913 4158 4932

= −( 72
− 72 − 288 72 0 0)

Iterasi 3

Tabel 4.4 Tabel Perhitungan Data Manual

Basis X₁ X₂ X₃ X₄ X₅ X₆ b
X₃ 72 162 108 18 0 0 28800
X₁ 2141 2737 827 21 222,5 0 216825
− − − − −
144 288 72 144 144 72
X₂ 117 207 103,5 45 0 99 22050
− − − −
72 72 144 72 144 72
Cj 1163 913 4158 4932 0 0
− − − −
72 72 288 72

25
 26

Kondisi sudah optimal, karena semua Cj bernilai tak positif.

Dan nilai Cj pada solusi layak = 0

Solusi baris layak

216825
X₁ = − 72

22050
X₂ = − 72

X₃ = 28800

Solusi optimal

Z = 10X₁+8X₂+9X₃

216825 22050
=10x (- )+8x(- )+9x(28800)
72 72

= 226635,4

Karena ada solusi yang tidak bulat, maka dilanjutkan dengan metode
Branch and Bound dengan penyelesaian berikut

26
 𝑥1 = 12,25 27
𝑥2 = 32,50
𝑥3 = 136,89
𝑧 = 226635,40

𝑥1 ≤ 12 𝑥1 ≥ 13

𝑥1 = 12 𝑥1 = 13
𝑥2 = 32,49 𝑥2 = 32,41
𝑥3 = 137,22 𝑥3 = 135,895
𝑧 = 226633,27 𝑧 = 226634,85

𝑥1 ≤ 32 𝑥1 ≥ 33

𝑥1 = 13 𝑥1 = 13,41
𝑥2 = 32 𝑥2 = 33
𝑥3 = 110,7 𝑥3 = 134,75
𝑧 = 226634,74 𝑧 = 226673,75
𝑥1 ≤ 110 𝑥1 ≥ 111

𝑥1 = 13,33 𝑥1 = 13
𝑥2 = 33 𝑥2 = 32
𝑥3 = 110 𝑥3 = 136,14
𝑧 = 226635 𝑧 = 226634,74

𝑥1 ≤ 136 𝑥1 ≥ 137

𝑥1 = 13,11 𝑥1 = 13

𝑥2 = 32 𝑥2 = 32

𝑥3 = 136 𝑥3 = 136,14

𝑧 = 226634 𝑧 = 226629

𝑥1 ≤ 13 𝑥1 ≥ 14

𝑥1 = 13 𝑥1 = 14
𝑥2 = 32 𝑥2 = 32
𝑥3 = 110 𝑥3 = 108,85
𝑧 = 22663 𝑧 = 226632,8

27
 28

Diperoleh solusi optimum X₁ = 13, X₂ = 32, X₃ = 110, dan Z = 22663. Sehingga

dapat disimpulkan berdasarkan metode Branch and Bound, perusahaan tersebut
harus memproduksi senter A sebanyak 13, senter B sebanyak 32 dan senter C
sebanyak 110 agar menghasilkan keuntungan optimum 22.663.000.

4.2.2 Pengolahan Data Dengan QM for Windows

Langkah pertama, buka aplikasi QM for Windows. Dan ini
merupakan tampilan awalnya.

Gambar 4.1 Tampilan aplikasi QM for Windows

Langkah kedua yaitu kebagian “INSTRUCTION” kemudian pilih

opsi bagian “Integer & Mixed Integer Programming. Tahap selanjutnya
lalu muncul tabel dengan tampilan di bawah ini lalu ubah title dengan
nama sesuai dengan studi yang di pilih. Kemudian untuk number of
constraints dan number of variables tidak perlu diubah karena
menyesuaikan hasil dari olah data tersebut. Sesudah selesai lalu klik
OK.

28
 29

Gambar 4.2 Memasukkan jumlah variabel dan constraint

Selanjutnya muncul yang berisi maximaze, constraint 1 dan

constraint 2 di isi sesuai dengan data yang sudah di dapat sebelumnya.

Gambar 4.3 Tampilan model matematis

29
 30

Setelah itu, mengisi data pada tabel tersebut lalu muncul tabel
baru yang berisi mengenai iteration, level, added constraint, solution
type, solution value. Karena akan mencari solusi optimal dan
mengetahui setiap iterasi yang terjadi untuk disinkronkan dengan data
pada perhitungan manual, maka pilih ‘Iterasi Results’. Jika terjadi
kesalahan dalam penginputan data, klik ‘Edit Data’ dan jika data sudah
benar, klik ‘Solve’.

Gambar 4.4 Hasil dari fungsi aplikasi QM for Windows

30
 BAB IV

ANALISA DAN PEMBAHASAN

5.1 Analisa

1. Metode simpleks X3 baru = 8 18 12 2 0 0 3200

34 10
X5 baru = −21 − − 14 1 − 0 − 3650
4 4

15 6
X6 baru = 5 3 1 0 − 4 − 1250
4

66
Cj baru = 21 − 11 − 100
4

2. Iterasi 1 X3 baru = 8 18 12 2 0 0 3200

37 89 3 2,5
X1 baru = 19 2 0 5025
2 4 2

5 3 7,5 1 3
X6 baru = (2 − 2 −2 0 625) +
4 4

(8 18 12 2 0 0 3200

37 47 162 3
Cj baru = 00
2 2 8 2

3. Iterasi 2 X3 baru = 72 162 108 18 0 0 28800

2141 2737 827 21 222,5
X1 baru = − − − − 0−
144 288 72 144 144
216825
72

117 207 103,5 45 99 22050

X2 baru = − − 0 − 144 −
72 72 144 72 72

1163 913 4158 4932

Cj baru = − − − − 00
72 72 288 72

4. Iterasi 3 Z = 226635,4

5.2 Pembahasan
Untuk penyelesaian yang bentuknya pecahan ini mengalami
pembulatan integer yang dekat, maka dari itu hasilnya bisa menyimpang jauh.
Tetapi jika banyak permasalahan di kehidupan nyata memerlukan

31
 32

penyelesaian variabel keputusan berupa integer sehingga perlu mencari

model penyelesaian masalah maka dari itu diperoleh penyelesaian integer
yang optimum. Program integer merupakan pengembangan dari program
linear dimana variabel keputusannya harus berupa integer.
 BAB VI
PENUTUP

6.1 Kesimpulan
Dari hasil penelitian tersebut dapat ditarik kesimpulan:
1. Pada penelitian kali ini dalam menyelesaikan masalahnya menggunkana
metode Algoritma Branch and Bound.
2. Jumlah produk senter yang harus diproduksi PT.Jaya Lighting agar
produksi maksimum dengan memproduksi senter jenis A 13, senter jenis
B 32, Senter jenis C 110 setiap minggunya.
3. Hasil keuntungan maksimum yang didapat dari perhitungan manual dan
perhitungan aplikasi 22.663.000
6.2 Saran

Dalam penelitian kali ini kami sadar masih bayak kekurangan, salah
satunya yaitu kurangnya referensi yang dibutuhkan untuk melakukan
penelitian ini dan juga kurangnya pemahaman dalam menggunakan metode
branch and bound ini sehingga hasil dari penelitian ini mungkin kurang tepat
atau terdapat banyak kekurangan. Sehingga kami berharap kedepannya bisa
mengembangkan lagi dengan lebih baik dan tak lupa juga saran serta kritik
yang membangun dari penelitian kali i

33
 DAFTAR PUSTAKA

Basriati, S. (2018). INTEGER LINEAR PROGRAMMING DENGAN

PENDEKATANMETODE CUTTING PLANE DAN BRANCH AND
BOUNDUNTUK OPTIMASI PRODUKSI TAHU. 4 no 2.
Beate Bollig, S. W. (2006). Parity Graph-driven read-once branching programs and
an exponential lower bound for integer multiplication.
Gerold Jager, S. C. (2016). The Complate Parsimony Haplotype Inference Problem
and Algorithms Based on Integer Programming, Branch-and-Bound and
Boolean Satisfiabity.
Juan Pablo Vielma, S. A. (2008). A Lifted Linear Programming Branch and Bound
Algorithm for Mixed Integer Conic Quadratic Programs.
Mohamed Z. Kamh, M. R. (2021). Globally optimal phasor measurement unit
placement using branch and bound algorithm.
Rafael Marti, M. G. (2008). A Branch and Bound Algorithm for the Maximum
Diversity Problem.
Siti, M. (2015). METODE PEMECAHAN MASALAH INTEGER
PROGRAMMING. Jurnal at-Taqaddum, Volume 7, Nomor 2, November
2015.
Tao, L. T. (1997). Merode Branch and Bound melalui Algoritma Pengoptimalan
DC dan Teknik Ellipsoidal untuk Masalah Kuadrat Nonconvex yang
Dibatasi Kotak.
Wahyudin, N., & Nurul Mukkhlisah, A. (2016). Penggunaan Metode Branch and
Bound dan Gomory Cut. JURNAL SAINTIFIK VOL.2 NO.1, JANUARI
2016 .
Zhu, W. (2004). A Provable better Branch and Bound method for a nonconvex
integer quadratic programming problem.