Metode Kuantitatif

KATA PENGANTAR
Secara umum, kebanyakan mahasiswa menganggap bahwa metode

kuantitatif merupakan suatu bidang ilmu yang sulit, penuh dengan formula-
formula yang memerlukan ketelitian serta ketepatan dalam komputasinya.
Namun seiring dengan perkembangan kemajuan teknologi di bidang komputer,
muncul berbagai program komputer yang diciptakan khusus untuk membantu
dalam komputasi metode-metode kuantitatif yang sangat bermanfaat terutama
dalam pengolahan data dalam rangka untuk pengambilan keputusan. Buku ini
menjelaskan tentang toeri dan penggunaan beberapa aplikasi program komputer
(seperti Excell, SAS dan Quantitative Method for Windows versi 3). Buku ini
merupakan edisi revisi yang sebelum berjudul Kapita Selekta Metode Kunatitatif.
Revisi yang dilakukan khusunya di Bab 3 yang berkaitan dengan distribusi
frekuensi dan menambah satu Bab baru terkait dengan peluang dan distribusi
peluang.
Tidak dipungkiri bahwa beberapa dari peneliti dan praktisi masih banyak
menemui kesulitan terutama dalam hal memahami teori dan aplikasi kuantitatif,
karena literatur-literatur yang tersedia pada umumnya dalam bahasa asing,
selain faktor bahasa, buku-buku sejenis dalam bahasa Indonesia juga belum
tersedia relatif tidak tersedia. Buku ini disusun dengan harapan dapat mengatasi
kesulitan-kesulitan tersebut sehingga dapat memberikan dan menambah
pemahaman teknik analisis pendekatan kuantitatif dan prosedur penggunaan
aplikasi seperti progam Excell, SAS dan Quantitative Methods for Windows
dengan contoh aplikasi empiris yang detail dan sistematis. Oleh karena itu,
ditulis sedemikian rupa dengan harapan pihak yang berkepentingan dapat
memahami pendekatan kuantitatif dan teknis analisisnya dengan mudah namun
tidak mengurangi kualitas dari hasil pengolahan data.
Buku ini disajikan dalam tiga bahasa program (Excell, SAS dan
Quantitative Method for Windows versi 3) yang sederhana dan mudah dicerna,
dan menjelaskan secara ringkas uraian dasar-dasar analisis yang berhubungan
dengan contoh kasus yang disajikan. Buku ini diharapkan dapat membantu
mahasiswa dan pengguna dalam memahami metode kuantitatif dalam
pengambilan keputusan. Sehingga dapat dijadikan sebagai pegangan dalam
memahami teori dan aplikasi metode kuantitatif. Buku ini dapat digunakan oleh
mahasiswa bidang ilmu ekonomi, manajemen, sosial ekonomi pertanian, peneliti,
praktisi dan semua pihak yang berminat pada aplikasi metode kuantitatif dengan
aplikasi komputer.
Untuk memudahkan dan mempercepat pemahaman, buku ini juga
disertai beberapa aplikasi software seperti Excell, SAS dan Quantitative Method
for Windows versi 3. Penggunaan aplikasi disesuaikan untuk setiap topik yang
mudah dipahami dan disertakan contoh kasus, mulai dari cara menciptakan data,
dan menggunakan prosedur aplikasi yang disertakan.
Sebagai bagian dari suatu proses, mungkin masih banyak ditemui
kesalahan dan kekurangan dalam buku ini. Oleh karena itu, penulis mengajak
pembaca untuk memberikan saran dan kritik. Pembaca yang ingin memberikan
saran dan kritik untuk perbaikan buku ini dapat mengirim lewat e-mail:
rasid888@yahoo.com atau vera_bayang@yahoo.com
Bogor, Januari 2019

Penulis,
Rasidin Karo‐Karo Sitepu

Veralianta Br Sebayang
DAFTAR ISI
Halaman
BAB I. METODE DAN PENDEKATAN KUANTITATIF …………. 1

1.1. Pendahuluan ..................................................................... 1
1.2. Model Kuantitatif ....................................................... 3
1.3. Metode Kuantitatif ......................................................... 3
1.4. Pendekatan Kuantitatif .................................................. 5
1.5. Tahapan Pendekatan Kuantitatif ............................... 7
1.6. Model dan Teknik Estimasi/Solusi ......................... 10
1.6.1. Model dan Teknik Ekonometrika ................ 10
1.6.2. Model dan Teknik Riset Operasi ................... 14
17. Penutup ................................................................................. 16
BAB II. DATA PENELITIAN ....................................................................... 17

2.1. Pengertian Data ................................................................. 17
2.2. Jenis Data ....................................................................... 18
2.3. Skala Pengukuran Data .................................................... 19
2.4. Waktu dan Sumber Data ............................................. 20
2.5. Latihan 2 ............................................................................. 24
BAB III. STATISTIK DESKRIPTIF ......................................................... 25

3.1. Pendahuluan .................................................................... 25
3.2. Tabel dan Gambar .......................................................... 26
3.3. Distribusi Frekuensi …................................................... 30
3.4. Ukuran Pemusatan .......................................................... 35
3.4.1. Rata-Rata Hitung .............................................. 35
3.4.2. Median ................................................................... 36
3.4.3. Modus .................................................................... 38
3.4.4. Rata-Rata Ukur ....................................................... 39
3.5. Ukuran Penyebaran ......................................................... 40
Daftar Isi
3.5.1. Jarak (Range) ......................................................... 41

3.5.2. Varian dan Standar Deviasi ............................. 41
3.5.3. Koefisien Variasi .................................................. 42
3.5.4. Kuartil ........................................................................ 43
3.5.5. Desil dan Persentil ................................................ 43
3.5.6. Kemiringan .............................................................. 44
3.5.7. Kurtosis ..................................................................... 44
3.6. Contoh Aplikasi .................................................................... 45
3.6.1. Perhitungan Manual ............................................ 45
3.6.2. Aplikasi Excell .......................................................... 47
3.6.3. Aplikasi SAS .............................................................. 48
3.7. Latihan 3 ................................................................................ 52
BAB IV. PELUANG DAN DISTRIBUSI PELUANG .............................. 53

4.1. Pendahuluan ....................................................................... 53
4.2. Peluang ............................................................................... 53
4.3. Ruang Sampel dan Kejadian ....................................... 54
4.4. Frekuensi Harapan Suatu Kejadian ........................... 57
4.5. Distribusi Normal ........................................................... 57
4.6. Distribusi t-Student ........................................................ 62
4.7. Latihan 3 ............................................................................. 64
BAB V. PENGUJIAN HIPOTESIS ............................................................. 65

5.1. Pendahuluan ....................................................................... 65
5.2. Dua Jenis Kesalahan ....................................................... 66
5.3. Design Hipotesis dan Wilayah Kritis ........................... 68
5.4. Statistik Uji ............................................................................ 71
5.4.1. Nilai Tengah .............................................................. 71
5.4.2. Varian ………..……...………...………....…………….. 75
5.4.3. Proporsi .................................................................... 77
5.5. Aplikasi Excell ….…....………………...……………………… 81
5.6. Aplikasi SAS ………………………....………………………... 84
5.7. Latihan 5 ............................................................................. 85
ii
Metode Kuantitatif untuk Manajemen
BAB VI. KORELASI DAN REGRESI ....................................................... 87

6.1. Pendahuluan ...................................................................... 87
6.2. Analisis Korelasi ............................................................... 88
6.2.1. Korelasi Person ................................................... 88
6.2.2. Korelasi Spearman ............................................... 91
6.3. Analisis Regresi ................................................................. 94
6.3.1. Regresi Linier Sederhana ............................... 94
6.3.1.1. Standard Error Estimated ................. 99
6.3.1.2. Dekomposisi Varian ......................... 100
6.3.1.3. Koefisien Determinasi ...................... 103
6.3.2. Evaluasi Model ..................................................... 104
6.3.2.1. Economic ’A Priori’ Criteria ......... 104
6.3.2.2. Statistical Criteria ………........……… 105
6.3.2.3. Econometric Criteria ……......……. 108
6.3.3. Estimasi Elastisitas dari Garis Regresi 109
6.3.4. Regresi Linier Berganda .................................. 111
6.3.5. Model dan Metode Estimasi Regresi ............... 112
6.3.5.1. Aplikasi Excell ....................................... 113
6.3.5.2. Aplikasi SAS ........................................... 116
6.3.6. Statistik Inferensia Regresi Linier Berganda 118
6.3.6.1. Dekomposisi Varian .......................... 118
6.3.6.2. Standard Error Estimated ............... 118
6.3.6.3. Tingkat Signifikansi Model ............... 119
6.3.6.4. Koefisien Determinasi ...................... 121
6.3.6.5. Menguji Prediktor Variabel ............ 123
6.4. Latihan 6 ................................................................................. 124
BAB VII. METODE PERAMALAN ............................................................ 127

7.1. Pendahuluan ........................................................................ 127
7.2. Metode Smoothing ............................................................. 127
7.2.1. Moving Average ................................................... 127
7.2.2. Exponential Smoothing ..................................... 129
7.2.3. Aplikasi Excell ........................................................ 132
iii
Daftar Isi
7.3. Metode Trend Linier ....................................................... 135

7.4. Metode Box-Jenkins ........................................................... 137
7.5. Model ARIMA ................................................................. 138
7.5.1. Autoregressive Model .......................................... 138
7.5.2. Moving Average Model ...................................... 140
7.5.3. Autoregressive Moving Average Model ....... 141
7.5.4. Autoregressive Integrated Moving Average
Model ............................................................................ 142
7.6. Tahapan ARIMA ................................................................ 143
7.6.1. Stationary Data ...................................................... 143
7.6.2. Identifikasi Pola Data Series ........................... 144
7.6.3. Pengujian Parameter secara Individu ........ 146
7.6.4. Pengujian Model Secara Keseluruhan ......... 147
7.6.5. Pemilihan Model Terbaik ................................. 148
7.7. Aplikasi Model ARIMA dengan SAS ........................... 147
7.7.1. Identifikasi dan Stationer Data ...................... 151
7.7.2. Estimasi dan Pemeriksaan Model .................. 154
7.7.3. Peramalan .............................................................. 157
7.7.4. Pemilihan Model Terbaik ................................... 163
7.7.5. Kasus untuk Data Non Stationer .................. 165
7.8. Latihan 7 .......................................................................... 171
BAB VIII. LINIER PROGRAMMING: METODE GRAFIK …..………… 173

8.1. Pendahuluan …………………………….…………………. 173
8.2. Model Linier Programming …………………………….. 173
8.3. Asumsi …………………………………………………………. 176
8.4. Kasus Maksimisasi ……………………………..…………. 177
8.4.1. Fungsi Tujuan …………………………….……….. 178
8.4.2. Fungsi Kendala atau Batasan .......................... 179
8.4.3. Pernyataan Matematik ........................................ 181
8.4.4. Metode Grafik ........................................................ 183
8.4.5. Aplikasi Software QM For Windows .............. 190
8.5. Kasus Minimisasi ............................................................... 194
iv
8.5.1. Fungsi Tujuan ……………………………………….. 195

8.5.2. Fungsi Kendala atau Batasan ......................... 196
8.5.3. Pernyataan Matematik ....................................... 198
8.5.4. Metode Grafik ....................................................... 198
8.5.5. Aplikasi Software QM For Windows ............. 205
8.6. Latihan 8 ………………………………………………………. 208
BAB IX. METODE SIMPLEKS ………………………………………………. 211

9.1. Pendahuluan ………………………………………………… 211
9.2. Kasus Maksimisasi ………………………………………… 211
9.3. Metode Simpleks …………………………………………… 212
9.3.1. Fungsi Tujuan ………………………………….. 213
9.3.2. Fungsi Kendala atau Batasan ......................... 214
9.3.3. Pernyataan Matematik ..................................... 216
9.3.4. Variabel Basis dan Non-Basis ....................... 218
9.3.5. Tabel Simpleks Standar ……............................... 218
9.3.6. Perhitungan Tabel Simpleks …......................... 220
9.3.7. Interpretasi Tabel Simpleks ….......................... 228
9.4. Aplikasi Software QM for Windows ........................... 230
9.5. Latihan 9 ............................................................................. 234
BAB X. SENSITIVITY DAN DUALITY …………………………………. 235

10.1. Pendahuluan …….………………………………..………… 235
10.2. Analisis Sensitivitas ……………………..………..……… 236
10.2.1. Koefisien Fungsi Tujuan …………………….. 237
10.2.2. Aplikasi Software QM For Windows ……… 244
10.2.3. Koefisien Fungsi Kendala Sumberdaya ..... 247
10.3. Duality …………………….……………….……………………. 254
10.3.2. Interpretasi Economi Variabel Dual …... 262
10.4. Latihan 10 ………………………………………………………. 262
v
Daftar Isi
BAB XI. TRANSPORTASI ……………….…………………..……………… 263

11.1. Pendahuluan ………………………………….……..……… 263
11.2. Transportasi ………………………………….……………. 264
11.2.1. Tahap 1: Mencari Nilai Solusi Awal …... 266
11.2.1.1. Northwest Corner Method …… 266
11.2.1.2. Vogel Approximation Method ... 269
11.2.1.3. Minimum Cost Method ………… 272
11.2.2. Tahap 2: Mencari Solusi Optimal …..…….. 276
11.3. Transportasi: Teknik Linier Programming ……… 287
11.4. Kasus Khusus .................................................................. 292
11.4.1. Supply Tidak Sama dengan Demand ….... 292
11.4.2. Fungsi Tujuan Maksimisasi ……………..… 295
11.4.3. Rute dengan Kapasitas Maksimum dan
Minimum ………………………………………… 295
11.5. Latihan 11 …………………………………………………….. 296
BAB XII. PENUGASAN …………….……………….………….……………… 297

12.1. Pendahuluan …………….……….………………………… 297
12.2. Hungarian Method .………………………………………. 297
12.3. Penugasan: Teknik Linier Programming …....……. 301
12.4. Kasus Khusus …………………………………………….. 306
12.4.1. Jumlah Pekerja Tidak Sama dengan
Jumlah Pekerjaan ………………………………. 306
12.4.2. Fungsi Tujuan Maksimisasi ………………… 308
12.5. Aplikasi Software QM For Windows ………….…….. 309
12.6. Latihan 12 …………………………………………………… 311
BAB XIII. MODEL JARINGAN ………………..………….…………………… 313

13.1. Shortest-Route ……………….……………………………… 313
13.2. Aplikasi Software untuk Shortest Route ………….. 317
13.3. Minimal Spanning Tree …………………………………. 320
13.4. Aplikasi Software Untuk Minimal Spanning Tree .. 323
vi
13.5. Maximal Flow ……………………………………………….. 325

13.6. Aplikasi Software Untuk Maximal Flow …………….. 331
13.7. Latihan 13 ……………………………………………………… 339
BAB XIV. PERT / CPM ………………..………….……………………..……… 335

14.1. Pendahuluan ………………………………………………….. 335
14.2. Waktu Diketahui …………………………………………… 335
14.3. Konsep Jalur Kritis ……………………………………… 337
14.4. Menentukan Jalur Kritis ………………………………… 338
14.4.1. Tahap 1: Forward Pass ………………………. 339
14.4.2. Tahap 2: Backward Pass …………………….. 341
14.5. Waktu Tidak Pasti Diketahui ……………..…………… 348
14.6. Aplikasi Software: Waktu Tidak Pasti Diketahui ... 352
14.7. Latihan 14 …………………………………………………….. 354
DAFTAR PUSTAKA …………………………………………………………………. 355
LAMPIRAN ………………………………………………..………………………….. 358
vii
Daftar Isi
DAFTAR LAMPIRAN
No Halaman
1. Distribusi Tabel t ………………………………………………..………. 358

2. Tabel z di Berbagai Tingkat Signifikansi ................................ 359
3. Distribusi Tabel 2 …………………………………………………… 360
viii
BAB I
METODE DAN PENDEKATAN
KUANTITATIF
1.1. Pendahuluan
P
erkembangan ekonomi dan perubahan dinamis yang terjadi saat
ini serta ketidakpastian dimasa mendatang, mendorong pengambil
keputusan (decision makers) untuk menggunakan teknik-teknik
perencanaan dan pengambilan keputusan yang lebih baik. Perkembangan
dan kemajuan teknologi komputer dan informasi memberi kesempatan
bagi para analis dan pengambil keputusan untuk dapat menggunakan
dan mengandalkan pendekatan/metode/model kuantitatif.
Metode kuantitatif (quantitative method) adalah suatu pendekatan
ilmiah (scientific appproach) yang menggunakan prosedur/teknik
kuantitatif secara sistematis. Tujuan utama penggunaan metode
kuantitatif adalah untuk membantu para pimpinan untuk membuat
keputusan-keputusan dengan penyelesaian masalah-masalah secara lebih
efektif.
Dalam beberapa tahun terakhir ini, metode kuantitatif yang disebut
sebagai "Management Science" berkembang dan diakui sebagai suatu
disiplin ilmu dalam bidang "Business Administration". Taylor (1993),
mendefinisikan: "Management Science is the application of a scientific
approach to solving management problems in order to help managers
make better decisions". Selanjutnya dinyatakan: "Management science
encompasses a number of mathematically oriented techniques".
Perkembangan teori-teori kuantitatif yang didukung oleh
kemajuan perangkat (software dan hardware) komputer sangat berperan
dalam perkembangan dari berbagai metode kuantitatif saat ini, sehingga
memberikan alternatif pilihan bagi para analis dan pengambil keputusan
untuk menggunakannya sebagai suatu alat bantu dalam proses
Bab 1. Pendahuluan
perencanaan dan pengambilan keputusan. Oleh karena itu, para peneliti

dan perencana serta berbagai pihak yang berkaitan dengan pemecahan
dan penyelesaian masalah-masalah bisnis dan manajemen perlu memiliki
pemahaman dan kemampuan untuk menggunakan pendekatan/model/
metode kuantitatif.
Proses perkembangan suatu bidang ilmu selalu melalui tahap
kualitatif ke tahap kuantitatif. Perkembangan ilmu sosial dan humaniora
semula dan pada dasarnya bersifat kualitatif. Dalam perkembangannya
dilakukan upaya menerapkan statistika dalam rangka untuk membantu
mendeskripsikan data secara lebih visual dan melakukan generalisasi
dengan mempertimbangkan peluang penyimpangannya (Sinaga dan
Sitepu, 2005)
Pada awal perkembangannya, penggunaan ilmu ekonomi untuk
menganalisis permasalahan dilakukan secara kualitatif. Sekarang ekonom
cenderung merumuskan dan memecahkan permasalahan yang dihadapi
secara kuantitatif dengan menggunakan prosedur ilmiah yang lebih
efisien dan cermat, yaitu pendekatan kuantitatif.
Analisis pendekatan (model, data, metode) kualitatif tetap
diperlukan, sebab dalam ilmu ekonomi objek studinya adalah perilaku
manusia dan kelembagaan. Banyak aspek perilaku manusia yang sulit
atau bahkan tidak mungkin dikuantifikasi, tetapi aspek-aspek tersebut
tetap harus dipertimbangkan agar pengkajian tetap relevan dan berguna
dalam pemecahan permasalahan-permasalahan yang dihadapi.
Penggunaan pendekatan kuantitatif dalam kajian-kajian sosial-
ekonomi mengalami perkembangan sangat pesat yang didukung oleh
perkembangan teknologi komputer dan informasi. Tetapi dukungan dan
kemudahan tersebut mengakibatkan terjadinya ekses, seperti pemakaian
metode dan model kuantitatif yang tidak sesuai dengan fenomena yang
dikaji karena tidak dilandasi oleh ketajaman kajian konseptual teoritis dan
pengalaman empiris. Metode kuantitatif hanyalah sebagai suatu alat
bantu dan oleh karena itu pengkajian permasalahan bisnis dan ekonomi
dengan menggunakan pendekatan kuantitatif sebaiknya dilengkapi kajian
aspek-aspek kualitatif (Sinaga dan Sitepu, 2005).
2
Metode Kuantitatif Kuantitatif untuk Manajemen
1.2. Model Kuantitatif

Berbagai jenis/bentuk model dapat dikaitkan dengan berbagai
jenis kegiatan dalam dunia nyata. Ahli teknik membangun model pesawat
terbang, perencana kota membuat model perkotaan dan ahli ekonomi
membangun model suatu perekonomian. Berbagai model tersebut
mempunyai satu aspek yang sama, yaitu semua model adalah representasi
ideal dan simplifikasi dari realita. Eppen, et.al. (1991), mendefinisikan
model sebagai suatu abstraksi dari realita. Sedangkan Intriligator (1978),
mendefinisikan model sebagai suatu representasi fenomena aktual yang
berupa suatu sistem atau proses aktual.
Bentuk dari model dapat berupa hipotesis verbal, tabel, grafik, atau
diagram. Model kuantitatif adalah abstraksi dari suatu fenomena aktual
yang diformulasikan dalam bentuk kombinasi hubungan-hubungan
persamaan dan ketidaksamaan. Model kuantitatif dapat dalam bentuk
sistem persamaan regresi (model ekonometrika) atau dalam bentuk
sistem persamaan fungsi tujuan dan persamaan/ketidaksamaan kendala
(model riset operasi).
Sistem (sektor) agribisnis yang terkait dengan sistem (sektor)
lainnya dalam suatu sistem perekonomian merupakan suatu sistem yang
besar dan sangat kompleks. Sehingga formulasi model dari suatu sistem
atau subsistem agribisnis haruslah mempertimbangkan dan merupakan
kompromi antara realitas (reality) dan manajebilitas (manageability).
Suatu model dikatakan realistis dalam pengertian bahwa perumusan
model memasukkan komponen-komponen utama dan aspek-aspek
permasalahan yang relevan dari fenomena atau sistem yang
direpresentasikan. Sebaliknya, model juga harus dapat dioperasionalkan
dan dianalisis serta memberikan kesimpulan-kesimpulan yang berkaitan
dengan fenomena yang dipelajari.
1.3. Metode Kuantitatif

Metode kuantitatif dapat dikelompokkan dalam berbagai jenis
metode pendekatan, yaitu: (1) metode positif dan normatif, dan (2)
3
Bab 1. Pendahuluan
metode optimisasi dan non-optimisasi. Metode positif adalah metode

kuantitatif yang digunakan untuk menyelesaikan masalah-masalah atau
menjawab pertanyaan "what is".
Metode positif digunakan untuk mempelajari perilaku atau kondisi
apa adanya. Misalnya untuk mempelajari perilaku (behaviour) konsumsi
suatu kelompok konsumen suatu produk agibisnis pada suatu periode
waktu dan tempat tertentu. Metode kuantitatif yang termasuk dalam
kelompok ini adalah metode ekonometrika (econometrics).
Sedangkan metode normatif adalah metode kuantitatif yang
digunakan untuk menyelesaikan masalah-masalah pertanyaan "what
should be". Metode ini digunakan untuk mengetahui apa yang seharusnya
dilakukan untuk mencapai suatu tujuan. Misalnya suatu penelitian
bertujuan untuk mengetahui jumlah dan jenis produk yang seharusnya
dihasilkan oleh suatu perusahaan agribisnis agar tercapai keuntungan
maksimum dengan kendala ketersediaan lahan, pupuk, tenaga kerja dan
pinjaman kredit. Metode kuantitatif yang termasuk dalam kelompok ini
adalah metode riset operasi (operations research).
Metode optimisasi adalah metode kuantitatif yang bertujuan untuk
mencari solusi optimum (maksimisasi atau minimisasi) dari suatu fungsi
tujuan dengan memenuhi berbagai kendala. Riset operasi adalah
termasuk dalam kelompok metode optimisasi. Sebaliknya, metode non-
optimisasi adalah metode kuantitatif yang pada dasarnya tidak bertujuan
untuk mencari solusi optimum dari suatu permasalahan. Ekonometrika
adalah termasuk dalam kelompok metode non-optimisasi, meskipun
dalam berbagai kasus dapat digunakan untuk tujuan optimisasi.
Untuk mengetahui dampak suatu perubahan faktor-faktor internal
dan atau eksternal terhadap keragaan sistem agribisnis. Misalnya : (1)
dampak kenaikan harga dasar gabah dan pupuk terhadap produksi dan
pendapatan petani padi, atau (2) dampak pembatasan ekspor minyak
sawit (crude palm oil) terhadap produksi dan pendapatan perusahaan
perkebunan kelapa sawit dan pabrik minyak goreng serta devisa negara.
Untuk menjawab pertanyaan tersebut, dapat digunakan pendekatan
simulasi.
4
Simulasi adalah suatu pendekatan untuk mengetahui arah (sign)

dan besar (size) perubahan dari satu atau beberapa peubah endogen
(decision variables) dengan melakukan perubahan satu atau beberapa
peubah eksogen (policy variables / instruments) atau koefisien di dalam
model. Oleh karena itu, simulasi model adalah suatu perubahan yang
dilakukan di dalam model tanpa merubah sistem atau dunia nyata.
Kemajuan dan perkembangan perangkat komputer sangat membantu
dalam eksperimentasi simulasi komputer untuk mengevaluasi dan
menganalisis berbagai dampak alternatif perubahan dan skenario
kebijakan terhadap keragaan agribisnis.
1.4. Pendekatan Kuantitatif

Kerangka umum pendekatan kuantitatif dengan menggunakan
metode ekonometrika maupun metode riset operasi disajikan dalam
Gambar 1. Dalam pendekatan kuantitatif terdapat tiga komponen dasar,
yaitu model, data dan metode estimasi atau solusi. Model kuantitatif
adalah abstraksi dari suatu sistem atau fenomena bisnis dan ekonomi
yang akan diteliti. Teori ekonomi dan pengalaman empiris yang relevan
digunakan sebagai dasar untuk memformulasikan model ekonomi yang
cukup sederhana dan realistis.
Model ekonomi menunjukkan hubungan-hubungan teoritis antar
peubah-peubah (variables) ekonomi yang relevan terhadap fenomena.
Kemudian model ekonomi diformulasikan dalam bentuk hubungan
kuantitatif. Model kuantitatif dapat berupa bentuk model matematika
(deterministic model) atau dalam bentuk model statistika (probabilistic
model). Model-model riset operasi dapat berupa model deterministic
maupun model probabilistic. Sedangkan model ekonometrika adalah
model probabilistic atau disebut juga dengan model stochastic.
Data adalah representasi pengamatan dari fakta-fakta yang
relevan, sedangkan fakta adalah kejadian-kejadian dalam dunia nyata
yang berkaitan dengan fenomena yang diteliti. Umumnya data yang
terkumpul harus diedit dan disusun sedemikian rupa sehingga sesuai
untuk digunakan.
5
Bab 1. Pendahuluan
Nature of the Problems
Teori dan Fakta Teori Kuantitatif

Empiris (matematika & Statistika)
Model Data
Model Kuantitatif Data Metode/Teknik

(features) Tersusun Kuantitatif
Estimasi (ekonometrika)/Solusi (Riset Operasi)

Model Kuantitatif menggunakan Metode/
Teknik Kuantitatif
Aplikasi Model (Hasil Estimasi-Solusi)

Kuantitatif
Analisis Struktural Peramalan Evaluasi Kebijkan
Gambar 1.1. Pendekatan Kuantitatif
Teknik kuantitatif adalah teknik-teknik estimasi/solusi yang

dikembangkan dari teori-teori matematika dan statistika yang telah
diadaptasi dengan fenomena yang diteliti. Teknik-teknik estimasi/solusi
harus disesuaikan dengan bentuk-bentuk formulasi model kuantitatif
yang akan diestimasi/solusi sehingga didapatkan hasil estimasi/solusi
yang terbaik (tak berbias, efisien dan konsisten).
6
Teknik-teknik estimasi adalah untuk model-model ekonometrika,

sedangkan teknik-teknik solusi untuk model-model riset operasi. Estimasi
model atau solusi model dapat diaplikasikan untuk tujuan analisis
struktural, peramalan dan evaluasi kebijakan bisnis dan ekonomi.
Analisis struktural adalah tujuan yang bersifat deskriptif, yaitu
menggunakan model yang telah diestimasi untuk mengukur hubungan-
hubungan kuantitatif dari peubah-peubah di dalam model sehingga dapat
menjelaskan fenomena (behavioral) yang relevan.
Peramalan (forecasting) adalah tujuan prediktif, yaitu
menggunakan model estimasi untuk memprediksi nilai-nilai kuantitatif
dari beberapa peubah yang berada di luar data aktual pengamatan.
Evaluasi/analisis kebijakan adalah tujuan preskriptif, yaitu menggunakan
model estimasi untuk memilih satu atau kombinasi terbaik diantara
beberapa alternatif kebijakan yang dievaluasi. Ketiga tujuan aplikasi
model kuantitatif saling berkaitan dan biasanya aplikasi model kuantitatif
merupakan kombinasi dari ketiga tujuan tersebut.
1.5. Tahapan Pendekatan Kuantitatif

Pendekatan kuantitatif adalah suatu proses yang bersifat iteratif,
yaitu tahap-tahap dalam proses dapat berulang kembali dan proses
berhenti jika telah menghasilkan model yang dapat diaplikasikan untuk
tujuan-tujuan yang telah ditentukan sebelumnya. Tahap-tahap
pendekatan kuantitatif ditampilkan pada Gambar 1.2.
Identifikasi masalah adalah tahap yang paling awal dalam
pendekatan kuantitatif. Dalam tahap ini para pelaksana dan pimpinan
pembuat kebijakan mengidentifikasi masalah-masalah kebijakan yang
akan dipecahkan. Misalnya, pimpinan perusahaan agribisnis menghadapi
masalah bagaimana meningkatkan ekspor minyak goreng sawit yang
dihasilkan dikaitkan dengan adanya kebijakan pemerintah berupa
pembatasan ekspor minyak sawit dan peningkatan pajak ekspor minyak
goreng sawit. Permasalahan yang diidentifikasi harus dijabarkan dalam
bentuk yang dapat dikaitkan dengan penggunaan teknik kuantitatif.
7
Bab 1. Pendahuluan
START
1 Fenomena Ekonomi
Sektor Kehutanan/Lingkungan
Identifikasi Masalah (Nature of the Problems)
dan Kebijakan Ekonomi
Sektor Kehutanan/Lingkungan
2
Positif Normatif
Pemilihan Pendekatan (Ekonometrika) (Riset Operasi)
Modeling
3
Pemilihan dan
Spesifikasi Model
(Features of the model) Teori ekonomi yang terkait dan pengalaman
empiris.
4 Metode: Estimasi (OLS, 2SLS, 3SLS, dll)

Estimasi (Ekonometrika) / Solusi (Grafik, Simpleks, dll)
Solusi (Riset Operasi) Software: Estimasi (SAS/ETS, Eviews dll)
Model Solusi (LINDO, ABQM, dll)
5 Kriteria: 1. Ekonomi
Evaluasi/Validasi Model 2. Statistika
3. Ekonometrika
6
Aplikasi Model
Analisis: Simulasi dan Post Optimal
1. Analisis Struktural/Perilaku
Metode : Newton, Gauss Siedel, dll
2. Peramalan
3. Evaluasi/Analisis Kebijakan
STOP
Gambar 1.2. Tahapan Pendekatan Kuantitatif
8
Tahap berikutnya adalah pendekatan modeling. Dalam pendekatan

ini harus diputuskan pendekatan modeling yang akan digunakan.
Berdasarkan fenomena yang diteliti dan masalah yang diidentifikasi kita
memilih pendekatan modeling yang diadopsi. Apabila fenomena dan
masalah yang didentifikasi merupakan kajian perilaku (metode positif)
dan bukan bertujuan untuk mencari suatu jawaban atau solusi optimum
(metode non-optimisasi), maka pendekatan modeling menggunakan
model dan teknik ekonometrika.
Tahap paling penting adalah spesifikasi model. Berdasarkan
masalah yang diidentifikasi dan pendekatan modeling yang dipilih, model
yang diformulasikan adalah model yang paling sesuai dengan sistem atau
fenomena aktual yang diabstraksi.
Setelah spesifikasi model, model selanjutnya diestimasi atau dicari
solusinya dengan menggunakan teknik estimasi atau teknik solusi yang
paling sesuai sehingga memberikan hasil estimasi/solusi yang terbaik.
Model yang telah diestimasi atau didapat solusinya, kemudian
dievaluasi untuk menentukan apakah model secara teoritis bermakna dan
secara kuantitatif memuaskan. Untuk mengevaluasi model digunakan
beberapa kriteria yang harus dipenuhi sesuai dengan pemenuhan tujuan
penggunaan model yang telah dibuat sebelumnya.
Untuk mengevaluasi model ekonometrika digunakan kriteria
ekonomi dan kriteria statistika. Kriteria ekonomi memeriksa apakah
tanda dan besaran parameter-parameter model yang diestimasi sesuai
dengan yang diharapkan menurut teori ekonomi dan pengalaman empiris.
Kriteria statistika memeriksa apakah parameter-parameter model yang
diestimasi memenuhi uji-uji statistika.
Sebelum model diaplikasikan terlebih dahulu divalidasi untuk
memeriksa apakah model yang diestimasi dapat merefleksikan dengan
baik realitas dan memenuhi syarat-syarat yang diperlukan untuk
memenuhi tujuan aplikasi model. Model ekonometrika dapat divalidasi
dengan menggunakan beberapa kriteria statistika dengan uji-uji statistika
parametrik maupun nonparametrik. Tahap terakhir adalah evaluasi dan
validasi model. Tahap ini bertujuan untuk mengetahui dapat tidaknya
9
Bab 1. Pendahuluan
model estimasi atau solusi diaplikasikan untuk tujuan analisis struktural,

peramalan dan evaluasi kebijakan atau kombinasi dari ketiga tujuan
tersebut. Apabila model tidak memenuhi kriteria evaluasi dan validasi
model, maka model perlu direspesifikasi atau pendekatan modeling
dirubah atau masalah perlu diidentifikasi ulang kembali.
1.6. Model dan Teknik Estimasi/Solusi

Permasalahan kuantitatif di bidang ekonomi sangat beragam,
permasalahan tersebut dapat ditinjau dari segi fungsional dan struktural
maupun dari segi lingkup sektoral. Menurut prosedur, setiap model
memerlukan metode estimasi/solusi sendiri. Dalam penerapannya,
model-model yang telah dispesifikasi sesuai dengan permasalahan-
permasalahan tertentu dapat dikelompokkan ke dalam satu kelompok
model yang mempunyai struktur yang sama, sehingga dapat diestimasi
atau dicari solusinya dengan teknik-teknik yang sama. Model-model yang
merupakan formulasi dari permasalahan di bidang agribisnis dapat
dikelompokkan menurut jenis teknik-teknik pemecahannya. Disini
disajikan secara ringkas dua kelompok model kuantitatif.
1.6.1. Model dan Teknik Ekonometrika

Ekonometrika adalah cabang ilmu ekonomi yang berkaitan dengan
estimasi empiris hubungan-hubungan ekonomi (Koutsoyiannis, 1977).
Ekonometrika menggunakan model ekonometrika, data yang relevan dan
teknik-teknik ekonometrika untuk mengukur dan menguji secara empiris
hubungan-hubungan antara variabel ekonomi. Model ekonometrika
adalah suatu bentuk khusus dari model aljabar yang stokastic yang terdiri
dari satu atau lebih peubah acak (Intriligator, 1980).
Model-model ekonometrika dapat dikelompokkan menjadi (1)
model persamaan tunggal, dan (2) model persamaan simultan. Model
persamaan tunggal adalah spesifikasi model dari suatu permasalahan
dengan memandang suatu sistem secara parsial. Suatu aspek (faktor-
faktor) permasalahan diformulasikan dalam satu persamaan yang tidak
terkait dengan aspek (faktor-faktor) permasalahan lain.
10
Sebagai contoh, jika permasalahannya adalah ingin mengetahui

pengaruh harga harga teh (Pt), harga kopi (Pp), pendapatan (Ic), terhadap
penawaran teh (Qs), sedangkan faktor-faktor lain () dianggap tidak
relevan atau peranannya dapat diabaikan. Faktor  adalah peubah acak
yang disebut sebagai peubah pengganggu (disturbance/error/residual
term) yang memenuhi syarat-syarat untuk estimasi dan pengujian
statistika. Peubah QS disebut peubah tidak bebas (dependent variable),
sedangkan peubah-peubah Pt, Pp, Ic, disebut peubah bebas (independent
variables). Model persamaan tunggal dari penawaran teh dalam bentuk
linear-aditif adalah sebagai berikut (Sinaga dan Sitepu, 2005).
qs   0  1Pt   2 Pp   3 I c   .................................................... (1.1)
Tanda parameter estimasi yang diharapkan (hipotesis) untuk persamaan

(1.1) adalah:
 1  0;  2 dan  3  0
Model persamaan tunggal juga dapat digunakan untuk beberapa
aspek (faktor-faktor) dari suatu permasalahan. Setiap satu aspek
diformulasikan dalam satu persamaan, yang masing-masing persamaan
bebas dan tidak terkait satu sama lainnya. Jika kita mengkaji 4 aspek
yang tidak terkait, maka ada 4 persamaan yang terpisah untuk masing-
masing aspek. Parameter model persamaan tunggal dengan memenuhi
asumsi-asumsi tertentu dapat diestimasi dengan metode/teknik Ordinary
Least Squares (OLS).
Model persamaan simultan adalah spesifikasi model dari suatu
permasalahan sebagai suatu sistem persamaan. Berbagai aspek yang
saling terkait dan saling mempengaruhi diformulasikan dalam suatu
sistem persamaan simultan. Melanjutkan contoh model persaman tunggal
di atas, jika penawaran, permintaan, inventori dan harga kopra di pasar
domestik saling terkait maka model persamaan simultan pasar kopra
domestik dalam bentuk linear-aditif dapat diformulasikan sebagai berikut
ini:
11
Bab 1. Pendahuluan
QS = ao + a1 PK + a2 PA + a3 PF + a4 TP + a5 CM + US ...… (1.2)
QD = bo + b1 PK + b2 PS + b3 YP + b4 TD + UD ………… (1.3)
IN = INt-1 + QS + QD …………………………………………………... (1.4)
PK = co + c1 IN + c2 QD + UP …………………………………… (1.5)
Tanda paremeter estimasi yang diharapkan adalah (hipotesis):
a1, a2, a4, a5 > 0 ; a2, a3 < 0.

b1 < 0 ; b2, b3, b4 > 0.
c1 < 0 ; c2 > 0.
dimana :
QS :penawaran kopra pada periode t
QD :permintaan kopra pada periode t
IN :inventori kopra pada akhir periode t
PK :harga pasar kopra pada periode t
PA :harga pasar produk alternatif pada periode t
PF :harga faktor produksi pada periode t
TP :teknologi produksi kopra pada periode t
CM :cuaca atau musim pada periode t
PS :harga produk substitusi pada periode t
YP :pendapatan (per kapita) pada periode t
TD :selera atau factor teknologi yang mempengaruhi permintaan
pada periode t
INt-1: inventori kopra pada akhir periode yang lalu t-1.
Persamaan (1.2), (1.3) dan (1.5) disebut sebagai persamaan

struktural (structural equations) atau persamaan perilaku (behavioral
equations), karena persamaan-persamaan tersebut menunjukkan perilaku
dari penawaran, permintaan, dan harga kopra terhadap perubahan
masing-masing peubah-peubah yang berada di sebelah kanan masing-
masing tanda persamaan. Peubah-peubah yang berada di sebelah kanan
12
tanda persamaan untuk masing-masing persamaan perilaku disebut

sebagai peubah-peubah penjelas (explanatory variables). Persamaan (1.4)
disebut sebagai persamaan identitas (definitional identity).
Konsep peubah-peubah dalam model persamaan simultan berbeda
dengan peubah-peubah dalam model persamaan tunggal, karena model
persamaan simultan merepresentasikan suatu sistem. Pada model di atas
(persamaan 2 s/d 5), peubah-peubah QS, QD, IN dan PK disebut sebagai
peubah endogen (current endogenous variables), yaitu peubah-peubah
yang nilai-nilainya ditentukan di dalam sistem. Peubah-peubah PA, PF,
TP, CM, PS, YP dan TD disebut sebagai peubah eksogen (current exogenous
variables), yaitu peubah-peubah yang dapat mempengaruhi sistem
(peubah endogen) tetapi mereka tidak dapat dipengaruhi sistem.
Peubah/instrumen kebijakan pemerintah umumnya adalah peubah
eksogen, seperti harga dasar gabah, subsidi pupuk, suku bunga, nilai tukar
mata uang asing, pajak atau kuota ekspor, tarif atau kuota impor dan upah
minimum. Peubah INt-1 disebut sebagai peubah lag endogen (lag
endogenous variable). ES, ED dan EP adalah peubah pengganggu.
Data yang relevan digunakan untuk model ekonometrika dapat
berupa data cross-section (i), time-series (t) dan pool data cross-section
dan time-series (it).
Sebelum diestimasi model persamaan simultan harus diperiksa
dahulu persyaratan-persyaratan identifikasi model. Apabila persamaan-
persamaan di dalam model tidak teridentifikasi (under/unidentified)
maka model tidak dapat diestimasi dan model harus direspesifikasi
kembali. Apabila persamaan-persamaan di dalam model teridentifikasi
(identified) maka model dapat diestimasi dengan teknik-teknik estimasi
yang telah tersedia. Teknik-teknik estimasi tersebut antara lain : Two-
Stage Least Squares (2-SLS) dan Three-Stage Least Squares (3-SLS).
Teknik-teknik estimasi untuk model-model ekonometrika telah tersedia
dalam bentuk paket program komputer, antara lain: Program SAZAM,
Statistical Analysis System/Econometric Time-Series (SAS/ETS) dan
Statistical Package For Social Sciences (SPSS).
13
Bab 1. Pendahuluan
1.6.2. Model dan Teknik Riset Operasi

Riset operasi (operations research) bertujuan untuk menentukan
cara-cara atau kegiatan-kegiatan terbaik (optimum) dari suatu masalah
pengambilan keputusan dengan kendala sumberdaya yang terbatas.
Bentuk umum model riset operasi terdiri dari satu fungsi tujuan (objective
function) dan beberapa pembatas (restrictions) yang dinyatakan dalam
beberapa peubah-peubah keputusan (decision variables) dari suatu
permasalahan (Taha, 1992).
Berdasarkan struktur dan ciri-ciri dasarnya, model-model riset
operasi dapat dikelompokkan sebagai berikut:
1. Linear dan Non-linear
2. Single objective dan Multi-objectives
3. Static dan Dynamic
4. Interger dan Non-integer
5. Deterministic dan Probabilistic
Dalam penerapannya, formulasi model-model riset operasi
merupakan kombinasi dari kelima struktur dan ciri-ciri di atas. Misalnya,
model program linear (linear programming model) memiliki ciri-ciri
linear, single objective, static, non-integer dan deterministic. Sedangkan
model program tujuan ganda (goal programming) mempunyai ciri yang
sama dengan program linear, kecuali memiliki tujuan ganda (multi‐
objectives). Disini akan disajikan secara ringkas hanya model program
linear dalam bentuk umumnya. Optimumkan (maksimumkan atau
minimumkan) fungsi tujuan:
n
z  cj xj untuk j = 1, 2, 3, …, n
j 1
dengan syarat/kendala:
n
a
j 1
ij xij  atau  bi untuk i = 1, 2, 3, …, m
dan
xij  0
14
dimana :
z = nilai skalar kriteria pengambilan keputusan; fungsi tujuan ( berupa

penerimaan total, biaya total atau keuntungan total)
cj = koefisien peubah pengambilan keputusan (dapat berupa harga,
biaya atau keuntungan per unit)
xj = peubah pengambilan keputusan atau kegiatan yang ingin dicari
nilai-nilainya (dapat berupa produksi komoditas perkebunan per
unit lahan)
aij = koefisien input-output (teknologi) peubah pengambilan keputusan
dari kegiatan yang bersangkutan dalam kendala ke-i (dapat berupa
jumlah penggunaan lahan, pupuk, insektisida, tenaga kerja atau
modal untuk menghasilkan satu unit produk kegiatan)
bi = sumberdaya yang terbatas, yang membatasi kegiatan atau usaha
yang bersangkutan yaitu kendala ke-i (dapat berupa jumlah lahan,
pupuk, insektisida, tenaga kerja dan modal yang tersedia)
Teknik-teknik solusi untuk mencari nilai-nilai optimum model-
model riset operasi disesuaikan dengan struktur dan ciri-ciri dasar model
yang diformulasikan. Teknik-teknik solusi yang tersedia adalah:
1. Teknik Grafik (Permasalahan yang diformulasikan sebagai model
dengan hanya 2 peubah pengambilan keputusan)
2. Teknik Aljabar (Teknik Calculus berupa optimisasi dengan kendala)
3. Teknik Umum (Teknik Simplex dapat dipakai untuk hampir semua
model riset operasi)
4. Teknik-Teknik Khusus (misalnya Teknik Vogel untuk model
transportasi)
Teknik-teknik untuk mendapatkan solusi optimum model-model
riset operasi telah tersedia dalam bentuk paket program komputer, antara
lain : Program MPSX, LINDO dan QSB, Quantitative Method For Windows,
dan Allyn Bacon Quantitative Methods (ABQM).
15
Bab 1. Pendahuluan
1.7. Penutup
Dalam buku ini akan selain menjelaskan tentang konsep teori, juga
diterapkan teknik aplikasi penggunaan komputer. Penggunaan aplikasi
komputer yang digunakan adalah aplikasi Excel, Statistical Analysis Sistem
(SAS) dan perangkat lunak Quantitative Method For Windows versi 3.
Uraian diatas mengenai peranan metode kuantitatif dan
kemungkinan penggunaan pendekatan kuantitatif untuk memecahkan
permasalahan-permasalahan ekonomi. Penggunaan model kuantitatif
dalam suatu pengkajian permasalahan tidak berarti menggunakan
pendekatan metode kuantitatif, karena model yang digunakan belum
tentu berasal dari suatu proses pendekatan kuantitatif yang sistematis
dan lengkap.
Tidak ada aturan baku yang menentukan tingkat abstraksi suatu
fenomena atau suatu sistem ekonomi. Proses identifikasi dan reduksi
faktor-faktor internal dan eksternal yang mempengaruhi sistem ekonomi
menjadi suatu jumlah yang relatif kecil dari faktor- faktor dominan dan
abstraksi menjadi suatu model kuantititatif tidak hanya memerlukan
penguasaan ilmu-ilmu (sciences) yang terkait tetapi juga merupakan suatu
seni (arts). Kehandalan suatu model merepresentasikan sistem, terutama
tergantung pada kreatifitas, intuisi dan pengalaman serta pendalaman
tentang bekerjanya sistem agibisnis dari tim peneliti.
Pendekatan kuantitatif mensyaratkan pemilahan permasalahan-
permasalahan ekonomi ke dalam tipe-tipe permasalahan (nature of the
problems), karena setiap tipe permasalahan memerlukan spesifikasi
(features) model dan teknik (techniques) pemecahan yang spesifik dan
tepat.
16
II. DATA PENELITIAN
2.1. Pengertian Data
T
anpa disadari, di dalam setiap aktivitas sehari-hari kita tidak
terlepas dari data. Umumnya, mahasiswa ataupun para peneliti
setiap hari selalu berhubungan dengan masalah data. Lembaga
eksekutif memberikan laporan perkembangan negara kepada
Lembaga legistatif juga yang disampaikan adalah data. Data merupakan
inti (core) di dalam setiap penelitian yang sedang diamati. Data akan
memberikan informasi yang bermanfaat, jika data memiliki kualitas,
dalam arti data itu sahih (valid) baik dilihat dari cara pengumpulannya,
sumber data dan analisis terhadap data yang sesuai. Jika data yang
dianalisis tidak benar, akan menghasilkan sebuah gambaran yang tidak
benar tentang populasi, dan lebih parah lagi akan menghasilkan
kesimpulan yang menyesatkan. Berikut adalah definisi data secara umum.
Data adalah suatu nilai dari suatu variabel yang dikumpulkan

dari satuan-satuan obyek analisis yang disebut dengan
atribut. Atribut tersebut dapat berupa orang, perusahaan,
produk, atau atribut lain yang menjadi obyek analisis.
Variabel merupakan karakteristik dari atribut yang sedang

dianalisis, dimana setiap atribut akan memberikan nilai tertentu untuk
variabel yang sama. Contoh untuk memahaminya antara variabel dengan
data adalah
X  merupakan variabel yang mewakili berat badan
65  pengamatan berat badan untuk orang pertama (atribut 1)
73  pengamatan berat badan untuk orang kedua (atribut 2)
56  pengamatan berat badan untuk orang ketiga (atribut 3)
75  pengamatan berat badan untuk orang keempat (atribut 4)
Bab 2. Data Penelitian
Secara keseluruhan data dapat dikelompokkan berdasarkan pada

jenis data, sumber data, skala pengukuran dan dimensi waktu dari data,
lebih lengkap diuraikan berikut ini.
2.2. Jenis Data
Berdasarkan jenisnya, data dapat dikelompokkan ke dalam dua

kategori, yaitu data kuantitatif dan data kualitatif. Data kuantitatif adalah
nilai data yang diukur dengan skala numerik, sebagai contoh suhu yang
diukur dengan satuan Celcius, luas areal dalam hektar, dan harga jual
dalam rupiah. Sedangkan data kualitatif adalah nilai data, yang masing-
masing data dapat diklasifikasikan menjadi dua atau lebih kategori.
Data kualitatif dapat dibagi lagi menjadi dua, yaitu data nominal
dan data ordinal. Data nominal merupakan data yang diklasifikasikan
menjadi beberapa kategori, dimana setiap kategori berada pada posisi
yang setara tidak dapat diperbandingkan. Sebagai contoh jenis kelamin
(laki-laki dan perempuan). Data ordinal merupakan data yang
diklasifikasikan menjadi beberapa kategori dimana setiap kategori dapat
diperbandingkan atau diurut. Sebagai contoh tingkat pendidikan (tidak
sekolah, SD, SMP, SMU, PT).
Data kuantitatif dapat dibagi lagi menjadi dua, yaitu data interval
dan data rasio. Data interval merupakan data yang memiliki selisih yang
sama dan tetap diantara titik-titik yang pada skala pengukuran, tetapi
skala ini tidak memiliki nilai 0 mutlak (nilai 0 diperoleh dari kesepakatan).
Sebagai contoh suhu yang diukur menggunakan skala Fahrenheit atau
Celcius.
Data rasio merupakan data yang memiliki nilai 0 mutlak sehingga
rasio dari dua titik menjadi memiliki arti atau bermakna. Sebagai contoh,
harga barang A adalah Rp 400,- dan harga barang B adalah Rp 800,-. Maka
dapat dikatakan bahwa barang B dua kali lebih mahal dibandingkan
dengan barang A.
18
2.3. Skala Pengukuran Data

Berdasarkan skala pengukuran data dikelompokkan menjadi 4
(empat) skala pengukuran, yaitu (1) Nominal, (2) Ordinal, (3) Interval,
dan (4) Rasio.
Nominal adalah data yang berupa kode-kode hasil kegiatan
klasifikasi objek-objek ke dalam beberapa kategori. Data nominal
merupakan data yang diklasifikasikan menjadi beberapa kategori, dimana
setiap kategori berada pada posisi yang setara tidak dapat
diperbandingkan. Sebagai contoh jenis kelamin, jenis warna dan nama-
nama kota. Untuk memudahkan melakukan entri data, umumnya kita
melakukan coding terhadap atribut tersebut, misalnya Laki-laki = 1 dan
perempuan = 2. Ketahui bahwa tidak ada perbedaan antara nilai 1 dan
nilai 2, artinya bahwa setiap kategori berada pada posisi yang setara tidak
dapat diperbandingkan, dan angka 1 dan 2 tidak menunjukkan 2 lebih
besar dari 1, ini hanyalah sebuah coding bagi variabel jenis kelamin.
Data ordinal merupakan data yang diklasifikasikan menjadi
beberapa kategori dimana setiap kategori dapat diperbandingkan atau
diurut. Pemeringkatan (ranking) kepada variabel memiliki makna atau
dapat diurutkan, tetapi tidak ada jarak yang tetap antar peringkat. Sebagai
contoh tingkat pendidikan (Tidak sekolah = 1, SD = 2, SMP = 3, SMU = 4,
PT = 5). Ketahui bahwa kita dapat mengatakan bahwa nilai 5 lebih besar
dari 4, 3, 2 dan 1 tetapi tidak ada jarak yang tetap antara tingkat
pendidikan.
Data interval adalah data yang memiliki selisih yang sama dan
tetap diantara titik-titik, tetapi skala ini tidak memiliki nilai 0 mutlak.
Interval data yang memiliki ciri (1) dapat diurutkan, (2) jarak antar nilai
tetap, (3) Tidak ada nilai nol mutlak. Rasio dari dua nilai tidak punya arti.
Sebagai contoh suhu yang diukur menggunakan skala Fahrenheit atau
Celcius
Data rasio adalah data yang memiliki nilai 0 (nol) mutlak sehingga
rasio dari dua titik memiliki arti. Sebagai contoh, harga barang Pencil
adalah Rp 500,- dan harga barang Balpoint adalah Rp 1000,-. Maka dapat
dikatakan bahwa barang Balpoint dua kali lebih mahal dibandingkan
19
dengan pencil. Data Rasio memiliki ciri-ciri antara lain (1) dapat
diurutkan, (2) miliki nilai 0 (nol) mutlak, dan (3) dalam setiap operasi
penjumlahan, pengurangan, pembagian dan perkalian memiliki makna.
2.4. Waktu dan Sumber Data
Dilihat berdasarkan sumbernya, data dapat dikelompokkan

menjadi 2 (dua), yaitu data primer dan data sekunder. Data primer
merupakan data yang dikumpulkan secara langsung maupun tidak
langsung untuk menjawab tujuan penelitian yang telah ditetapkan, sering
juga kita sebut sebagai sumber internal. Sedangkan data sekunder
merupakan data yang dikumpulkan berasal dari hasil kegiatan
pengumpulan data pihak lain, dimana tujuan yang ditetapkan berbeda
dengan tujuan yang kita tetapkan, dalam konteks ini sering juga kita sebut
sumber external.
Dilihat dari rentang waktu pengamatan suatu data, maka data
dapat dibedakan menjadi tiga kelompok, yaitu data (1) cross section, (2)
time series, (3) panel atau pooled data. Cross section adalah data
observasi atau pengamatan yang dilakukan pada titik waktu atau ruang
tertentu. Sebagai contoh lihat Tabel 2.1. dan Tabel 2.2. berikut.
Tabel 2.1. Pengelompokkan Jumlah UMKM Berdasarkan Omzet Usaha di

Kabupaten Subang, Tahun 2010.
Sampel Omzet Usaha (Rp Juta)

Kelompok UMKM
Jumlah (%) Rerata Jumlah
Mikro 94 65.28 110.52 10,388.75
Kecil 41 28.47 901.34 36,954.81
Menengah 9 6.25 5,793.30 52,139.73
Total 144 100.00 690.86 99,483.28
Sumber: Data Primer, 2010 (diolah)
20
Tabel 2.2. Peringkat, Jumlah Hari dan Jumlah Prosedur dalam Membuka
Suatu Usaha Baru di ASEAN, 2012.
Biaya(% terhadap
Negara Peringkat Hari Prosedur
Income/kapita)
Singapura 1 3 3 0.7
Thailand 17 29 5 6.2
Malaysia 18 6 4 16.4
Brunai 83 101 15 11.8
Vietnam 98 44 9 10.6
Indonesia 129 45 8 17.9
Filipina 136 35 15 19.2
Kamboja 138 85 9 109.7
Laos 165 93 7 7.6
Sumber: Doing Business 2012
Lihat pada Tabel 2.2. dimana pengamatan dilakukan pada tahun

2012 untuk sembilan negara Asean. Artinya bahwa informasi data
tersebut berlaku pada titik waktu tahun 2012.
Time series (runtut waktu), data yang secara kronologis disusun
menurut waktu pada variabel tertentu. Data time series digunakan untuk
melihat pengaruh perubahan dalam rentang waktu tertentu. Sebagai
contoh peringkat, jumlah hari dan jumlah prosedur yang diperlukan
dalam membuka suatu usaha Baru di Indonesia (lihat Tabel 2.3)
Tabel 2.3. Peringkat, Jumlah Hari dan Jumlah Prosedur dalam Membuka
Suatu Usaha Baru di Indonesia
Tahun Peringkat Hari Prosedur

2008 123 105 12
2009 129 76 11
2010 122 60 9
2011 121 47 9
2012 129 45 8
Sumber: Doing Business 2008-2012
21
Panel atau pooled data merupakan kombinasi antara time series

dan cross section. Sebagai contoh posisi Indonesia dalam daya saing global
untuk periode 2008-2011 ditampilkan pada Tabel 2.4. berikut.
Tabel 2.4. Posisi Indonesia dan Negara Asean dalam Daya Saing Global
untuk periode 2009-2011
Peringkat ASEAN
Negara Anggota
2009 2010 2011
Singapura 1 1 1
Malaysia 2 2 2
Brunei Darussalam 4 3 3
Thailand 3 4 4
Indonesia 5 5 5
Vietnam 6 6 6
Filipina 7 7 7
Kambodia 8 8 8
Sumber: WEF (2008, 2009, 2010)
Contoh data panel lainnya juga dapat dilihat pada Tabel 2.5,
dimana lokasi adalah Indonesia yang dilihat berdasarkan wilayah pulau
terbesar dengan periode waktu 2006 – 2009.
Tabel 2.5. Persentase Pengangguran Terbuka Berdasarkan Wilayah Pulau

Terbesar di Indonesia Tahun 2006-2009
Wilayah 2006 2007 2008 2009

Sumatera 11.9 9.6 9.1 7.7
Jawa-Bali 10.4 10.2 8.8 8.8
Kalimantan 10.7 9.9 9.1 7.5
Sulawesi 6.9 5.8 4.4 4.3
Nusa Tenggara 8.3 7.9 7.3 7.0
Maluku 12.5 11.8 9.3 8.8
Papua 6.0 6.6 5.9 5.0
Nasional 10.4 9.8 8.6 8.1
Sumber: BPS, 2010
22
Secara umum pengelompokan data berdasarkan jenis data, sumber data,

periode waktu dan skala pengukuran data diringkas pada Gambar 2.1.
berikut.
Nominal
Kualitatif
Ordinal
Skala Jenis
Interval
Kuantitatif
Rasio
Cross-Section
Data Waktu Time Series
Panel
Internal
External
Sumber
Primer
Sekunder
Gambar 2.1. Pengelompokan Data
23
2.5. Latihan 2
1. Jelaskanlah apa yang dimaksud dengan data?
2. Darimana data diperoleh? Sebutkanlah pembagian data berdasarkan
jenisnya?
3. Sebutkanlah jenis dan skala pengukuran data untuk kelompok variabel
berikut ini:
 Golongan darah : A/B/AB/O
 Klasifikasi UMKM : Mikro/Kecil/Menengah
 Tanggal kalender : 1,2,3,…., 31
 Jarak antar daerah : Satuan km
 Kesuburan tanah : tidak subur/agak subur/subur/sangat subur
 Pendapatan : Satuan Rp Per bulan
 Jumlah Tanggungan : Satuan jiwa
 Jenis kelamin : Laki-laki/Perempuan
 Pendidikan formal : SD/SLTP/SMU/PT
 Umur : Satuan tahun
 Nomor rumah : 1,2,3,4,5,…,dst
4. Jelaskan perbedaan yang mendasar antara pengukuran data skala
nominal dengan data ordinal!
5. Jelaskan perbedaan yang mendasar antara pengukuran data skala
interval dengan data rasio!
6. Jelaskanlah apa yang dimaksud dengan data cross section, dan data
time series serta panel data.
7. Data juga dapat dikelompokkan ke dalam data diskrit dan dan
kontinue, jelaskanlah perbedaannya!.
8. Jelaskan bagaimana hubungan antara data diskrit dengan nominal dan
data kontinue dengan data rasio !
9. Jelaskanlah mengapa data kualitatif dalam pengolahan data sebaiknya
digunakan dengan coding !
10. Jelaskan dan gambarkan secara ringkasan pengelompokan data dilihat
berdasarkan jenis, sumber, waktu dan skala pengukuran data dalam
suatu penelitian !
24
BAB III
STATISTIK DESKRIPTIF
3.1. Pendahuluan
S
tatistik deskriptif merupakan suatu aktivitas pengolahan data yang
bertujuan untuk mendeskripsikan gambaran dari suatu variabel dari
populasi atau sampel. Statistika suatu ilmu yang mempelajari tentang
metode-metode pengumpulan, penyajian, pengolahan, dan analisis data
dalam membuat suatu kesimpulan atau keputusan dalam ketidakpastian,
baik bidang ekonomi, bisnis, sosial dan ilmu pengetahuan alam. Statistika
dapat dibagi menjadi dua bagian utama yaitu statistika deskripitif dan
statistika inferensia atau pengujian hipotesis.
Statistika deskriptif terkait dengan teknik atau metode bagaimana
mendeskripsikan atau peringkasan data dan menyajikannya dalam bentuk
yang mudah dimengerti. Ringkasan data dalam hal ini dapat menggunakan
nilai numerik, tabel ataupun grafik.
Ringkasan data umumnya meliputi ringkasan pola data dan variasi
yang terkandung dalam data. Sekali lagi bahwa statistik deskriptif hanya
mendeskripsikan data, bukan untuk menyimpulkan data pengamatan dari
suatu populasi.
Sementara, statistik inferensia atau pengujian hipotesis adalah
mempelajari bagaimana mengambil kesimpulan tentang populasi dengan
menggunakan data yang diperoleh dari sampel. Sehingga sering kita
sebutkan bahwa teknik inferensia merupakan teknik penarikan
kesimpulan tentang suatu populasi yang didasarkan pada sebagian anggota
populasi saja (sampel). Dengan demikian di dalamnya terdapat unsur
ketidakpastian dan resiko kesalahan dalam mengambil kesimpulan.
Statistik deskriptif akan dijelaskan pada bagian ini, sementara statistik
inferensia atau pengujian hipotesis akan dijelaskan pada Bab IV.
Bab 3. Statistik Deskriptif
3.2. Tabel dan Gambar

Pada bagian ini, akan dijelaskan teknik-teknik dalam penyajian data.
Teknik-teknik ini diperlukan untuk memberikan gambaran umum atau
informasi yang terkandung di dalam data. Teknik penyajian ini
dimaksudkan untuk memudahkan dan memperindah tampilan dari suatu
laporan penelitian. Penyajian data yang umum digunakan adalah (1) tabel,
dan (2) grafik. Statistik deskriptif dalam bentuk penyajian tabel memiliki
beberapa jenis :
1. Tabel Ringkasan Data
Tabel ini merupakan ringkasan statistik dari beberapa kelompok.
Misalkan jika kita memiliki data omzet usaha UMKM di suatu
Kabupaten, dan kita ingin menyajikan rata-rata omzet berdasarkan
kelompok UMKM. Dari tabel ini ingin diperoleh informasi umum
hubungan antara kelompok UMKM dengan omzet. Bentuk tabelnya
mungkin seperti berikut :
Tabel 3.1. Pengelompokkan Jumlah UMKM Berdasarkan Omzet Usaha

di Kabupaten Subang, Tahun 2010
Sampel Omzet Usaha (Rp Juta)
Kelompok UMKM
Jumlah (%) Rata-Rata Jumlah
Mikro 94 65.28 110.52 10,388.75
Kecil 41 28.47 901.34 36,954.81
Menengah 9 6.25 5,793.30 52,139.73
Total 144 100.00 690.86 99,483.28
Dalam penyajian menggunakan tabel ringkasan ini, mungkin informasi

akan lebih lengkap jika tidak hanya menampilkan rata-rata ukuran
pemusatan data saja. Tambahan informasi tentang simpangan baku
akan memberikan pengetahuan yang lebih menyeluruh. Dari tabel di
atas dapat diketahui bahwa omzet usaha kelompok UMKM dengan
usaha menengah lebih besar dibandingkan dengan kelomppok usaha
mikro ataupun usaha kecil.
26
2. Tabel Frekuensi
Tabel ini merupakan gambaran frekuensi atau berapa banyak
individu pada berbagai kelompok. Misalkan saja penelitian tentang
UMKM (Lihat Tabel 3.1). Kemudian kita ingin menyajikan jumlah
kelompok UMKM. Dari tabel frekuensi ini kita bisa mengetahui
kelompok UMKM apa yang paling banyak di Kabuapten Subang. Dari
Tabel 3.1. dapat diketahui bahw dari 144 responden, terdapat 94
sampel yang termasuk dalam kelompok usaha Mikro atau sebesar
65.28%.
3. Tabel Kontingensi atau Tabulasi Silang

Tabel ini hampir sama dengan tabel frekuensi namun dilihat dari
dua atau lebih peubah. Misalnya jika kita ingin mengetahui
frekuensi sampel UMKM kota berdasarkan jumlah tenaga kerja dan
tingkat pendidikan, maka tabel frekuensi yang didapatkan adalah
sebagai berikut:
Tabel 3.2. Pengelompokkan Jumlah UMKM Berdasarkan Tingkat
Pendidikan Tenaga Kerja, Tahun 2010
Labor (orang) Total
Kelompok UMKM
Pasca Univ SMA Total (%)
Mikro 1 3 160 164 31.42
Kecil 2 4 172 178 34.10
Menengah 10 25 145 180 34.48
Total 13 32 477 522 100.00
Dari Tabel 3.2. di atas dapat diketahui bahwa jumlah tenaga kerja
UMKM di Kabupaten Subang adalah 522 orang, di mana yang
termasuk tenaga kerja yang berpendidikan tamatan Pascasarjana
sebanyak 13 orang, tamatan universitas (S1) sebesar 32 orang,
sedangkan tamatan SMA sebanyak 477 orang. Yang perlu
diperhatikan ketika membuat tabel adalah upayakan untuk
membuat nama kolom maupun baris sejelas mungkin dan juga
mencantumkan satuan.
27
Sementara itu banyak orang yang berpendapat bahwa penyajian

informasi menggunakan tabel yang berisi angka kurang efektif jika
dibandingkan dengan grafik. Pesan visual yang diberikan oleh grafik selain
lebih menarik untuk dilihat juga mempermudah seseorang dalam
membandingkan. Grafik yang banyak digunakan adalah :
1. Diagram Batang
Diagram ini berupa batang-batang yang menggambarkan nilai dari
masing-masing kategori. Diagram ini bisa diterapkan pada tabel
ringkasan maupun tabel frekuensi dan tabel kontigensi. Pada contoh
tabel di atas, jika disajikan dalam bentuk grafik akan berupa:
180
160
140
120
100
80
60
40
20
0
Pasca Univ SMA Total
Mikro Kecil Menengah
2. Diagram Lingkaran (Pie Chart)

Diagram ini berupa lingkaran yang terbagi-bagi dalam beberapa
bagian. Masing-masing bagian merupakan representasi dari
berbagai kelompok, dan luas dari bagian itu berdasarkan frekuensi
masing-masing kelompok. Jika frekuensi kelompok UMKM di atas
disajikan dalam bentuk pie-chart, maka yang diperoleh adalah
sebagai berikut :
28
Jumlah
Menengah
6%
Kecil
29%
Mikro
65%
3. Scatter Plot
Plot ini merupakan grafik yang digunakan untuk melihat hubungan
antara dua buah peubah numerik. Misalkan kita ingin tahu
hubungan antara peringkat daya saing dengan jumlah prosedur
perizinan.
16
14
12
Prosedur Perizinan
10
8
6
4
2
0
0 50 100 150 200
Peringkat
29
Dari plot ini kita bisa melihat apakah peringkat daya saing yang lebih
baik memiliki jumlah prosedur perizinan yang lebih sedikit
dibandingkan peringkat daya saing yang lebih buruk.
4. Time Series Plot

Plot ini digunakan untuk melihat perkembangan nilai suatu peubah
dari waktu ke waktu. Misalkan kita ingin membuat gambaran
perkembangan peringkat posisi kredit tahun 2005 sampai 2010.
Plot yang diperoleh misalnya sebagai berikut :
2,000
1,800
1,600
Posisi Krdit (Rp Miliar)
1,400
1,200
1,000
800
600
400
200
‐
2004 2005 2006 2007 2008 2009 2010 2011
Tahun
Dari plot series di atas dapat diketahui bahwa posisi kredit per
desember dari tahun 2005 sampai dengan 2011 memiliki
kecenderungan yang menaik.
3.3. Distribusi Frekuensi

Salah satu cara untuk meningkatkan kegunaan data mentah adalah
dengan menyusunnya ke dalam distribusi frekuensi. Distribusi frekuensi
memberikan gambaran yang khas mengenai variasi data. Langkah-langkah
membuat distribusi frekuensi untuk data kontinu/numerik yaitu:
30
1. Banyaknya Kelas. Biasanya dari 5 sampai dengan 20, atau dengan

menggunakan rumus sturges:
Banyaknya kelas = 1 + 3.325 log (n)
Dimana n adalah banyaknya observasi. Banyaknya kelas secara

umum sering sekali dibulatkan ke atas.
2. Lebar Interval Kelas. Lebar untuk interval kelas, dapat ditentukan
dengan formula berikut:
Nilai Tertinggi-Nilai Terendah

Interval Kelas =
Banyaknya Kelas
Untuk keperluan praktisnya, nilai tertinggi merupakan angka
tertinggi yang dibulatkan ke atas dan nilai terendah adalah angka
terendah yang dibulatkan ke bawah.
3. Batas Kelas
Harus dibedakan batas kelas dengan tepi kelas. Misalkan: hasil
produksi padi dicatat dalam satuan kuintal sebagai satuan terkecil
(tanpa desimal). Kelas pertama adalah 20-34, batas kelas bawah 20
dan batas kelas atas 34. Sebenarnya, dalam proses pencatatan
semua produksi diantara 19.5 dan 20.5 dicatat menjadi 20 kuintal,
semua produksi diantara 33.5 dan 34.5 dicatat menjadi 34 kuintal
dan seterusnya. Pada umumnya angka tepi kelas jarang digunakan
dalam distribusi frekuensi, tetapi interval kelas dihitung dari tepi
kelas bukan dari batas kelas.
Jika data
1 desimal  tepi kelas bawah = batas kelas bawah - 0.05
 tepi kelas atas = batas kelas atas + 0.05
lebar batas kelas = interval kelas - (0.05 x 2)
2 desimal  tepi kelas bawah = batas kelas bawah - 0.005
 tepi kelas atas = batas kelas atas + 0.005
lebar batas kelas = interval kelas - (0.005 x 2)
31
4. Jika langkah 1, 2 dan 3 sudah dilakukan, masukkan angka-angka ke

dalam kelas yang sesuai, kemudian hitung frekuensi, frekuensi
relatif, frekuensi kumulatif dan persentase relatif kumulatif.
Frekuensi adalah banyaknya observasi yang termasuk dalam kelas
interval. Frekuensi relatif adalah proporsi atau persentase observasi
yang termasuk dalam suatu kelas interval, diperoleh dengan cara
membagi frekuensi kelas terhadap frekuensi total. Frekuensi
kumulatif adalah banyaknya observasi yang termasuk dalam suatu
kelas interval dan kelas dibawahnya. Proporsi persentase kumulatif
adalah proporsi observasi yang termasuk dalam suatu kelas interval
dan kelas dibawahnya.
Untuk lebih dapat memahami kasus ini kita asumsi kita memiliki
data tentang hasil penimbangan pembelian ikan di pasar sebanyak 60
responden sebagai berikut:
Tabel 3.3. Hasil Penimbangan Pembelian Ikan oleh Konsumen
No Berat (Kg) No Berat (Kg) No Berat (Kg)
1 3 21 11 41 16
2 4 22 12 42 16
3 5 23 12 43 16
4 5 24 12 44 16
5 6 25 12 45 16
6 6 26 13 46 17
7 7 27 13 47 17
8 8 28 13 48 17
9 8 29 13 49 18
10 8 30 13 50 18
11 9 31 13 51 18
12 9 32 14 52 19
13 10 33 14 53 19
14 10 34 14 54 20
15 10 35 14 55 20
16 10 36 14 56 21
17 10 37 15 57 21
18 11 38 15 58 22
19 11 39 15 59 23
20 11 40 15 60 23
32
Informasi penting tentang data Tabel 3.3. dapat diketahui melalui

pengelompokan data ke dalam beberapa kelas, kemudian dihitung
banyaknnya pengamatan yang masuk ke dalam setiap kelas. Susunan
seperti ini disebut sebagai distribusi frekuensi. Sebagai contoh kita susun
dalam bentuk interval pada Tabel 3.3.
1. Tentukan rentang, diperoleh dari data terbesar dikurangi dengan data
terkecil . Dalam kasus kita adalah 23 – 3 = 20
2. Tentukan banyak kelas. Banyaknya kelas umumnya dibuat paling kecil
5 dan paling banyak 15, umumya hal ini disesuaikan dengan kebutuhan.
Interval kelas juga dapat ditentukan dengan aturan Sturges yaitu
Banyak kelas = 1 + (3.325) x Log n = 1 + (3.325) x Log 60
= 1 + (3.325) x (1.7782) = 6.91
Dalan m kasus ini kita dapat susun daftar frekuensi dengan banyak
kelas 6 atau 7. Kita asumsikan ditetapkan sebanyak 7 kelas.
3. Menentukan panjang kelas interval (p). Untuk kasus ini dapat
digunakan dengan cara:
𝑟𝑒𝑛𝑡𝑎𝑛𝑔 20
𝑝 2.86
𝑏𝑎𝑛𝑦𝑎𝑘 𝐾𝑒𝑙𝑎𝑠 7
Dari hasil ini kita dapat ambil nilai 2 atau 3, kita tetapkan 3.
4. Tentukan batas bawah kelas kelas interval pertama. Untuk ini dapat
dilakukan dengan cara mengambil data terkecil dalam kasus kita adalah
bernilai 3 Kg, sehingga internal dapat dituliskan menjadi 3-5, 6-8 dan
seterusnya. Artinya interval kela dimulasi dari 3 dengan panjan kelas
juga 3. Sehingg kita dapat susun frekuensi seperti Tabel 3.4
Tabel 3.4. Seberan Frekuensi Hasil Penimbangan
Kelas Interval Batas Kelas f % Titik Tengah
1 3‐5 2.5 ‐ 5.5 4 6.67 4
2 6‐8 5.5 ‐ 8.5 6 10.00 7
3 9‐11 8.5 ‐ 11.5 11 18.33 10
4 12‐14 11.5 ‐ 14.5 15 25.00 11
5 15‐17 14.5 ‐ 17.5 12 20.00 16
6 18‐20 17.5 ‐ 20.5 7 11.67 19
7 21‐23 20.5 ‐ 23.5 5 8.33 22
60 100.00
33
Banyaknya pengamatan yang masuk dalam satu kelas tertentu disebut

frekuensi kelas dan umum disimbol dengan f. Pada Tabel 3.3. nilai-nilai
terkecil dan terbesar dalam setiap selang disebut sebagai limit kelas.
Untuk setiap interval misalnya 6-8, bilangan yang kecil yaitu 6 disebut limit
bawah kelas, sedangkan bilangan yang lebih besar, yaitu 8 disebut limit
atas kelas. Secara umum batas kelas dinyatakan satu decimal lebih banyak
dari pada pengamatan aslinya. Tujuannya adalah untuk menjamin bahwa
tidak ada pengamatan yang jatuh tepat pada batas kelas, dan juga
menghindari keraguan pada kelas mana pengamatan itu termasuk.
Untuk menyajikan data yang telah disusun pada daftar frekuensi
menjadi diagram, kita dapat gunakan sumbu datar untuk menyatakan kelas
interval dan sumbu vertikal untuk menyatakan frekuensi baik absolut
maupun relatif (Lihat Gambar 3.1).
f
16
14
12
10
2.5 5.5 8.5 11.5 14.5 17.5 20.5 23.5 Nilai
Gambar 3.1. Diagram Distribusi Frekuensi
Diagram seperti Gambar 3.1 disebut histrogram. Hubungkan sebuah garis

dengan cara menarik garis ditengah setiap interval sampai dihubungkan ke
kelas interval terakhir pada sumbu data, yang akan membentuk sebuah
poligon frekuensi.
34
3.4. Ukuran Pemusatan

Ukuran pemusatan menunjukkan nilai atau titik dimana data
pengamatan berpusat. Beberapa ukuran pemusatan, antara lain (1) Rata-
rata hitung (arithmetic mean), (2) median, (3) modus, (4) rata-rata hitung
tertimbang (weighted mean) dan (5) rata-rata ukur (geometric mean).
3.4.1. Rata‐Rata Hitung

Rata-rata hitung (mean) umumnya disebut rata-rata. Rata-rata
hitung adalah salah satu nilai yang menunjukkan ukuran pemusatan data.
Nilai tersebut menunjukkan pusat nilai data. Rata-rata hitung populasi
diperoleh dengan formula:
N
X1  X 2  X 3    X n 
Xi
μ  i 1
…………………….………….. (3.1)
N N
Dimana:
 = rata-rata hitung (mean) populasi
Xi = nilai pada pengamatan ke-i dalam suatu populasi
N = total pengamatan dalam suatu populasi
Jika penelitian yang dilakukan tidak mengamati seluruh anggota

dalam populasi (sebagai dari populasi, sample) maka rata-rata hitung untuk
sampel juga dihitung dengan formula yang sama tetapi dengan membuat
perbedaan dalam notasi, sebagai berikut:
n
x1  x 2  x3    x n 
xi
x  i 1
………………………………….. (3.2)
n n
Dimana:
x = rata-rata hitung (mean) sampel
xi = nilai pada pengamatan ke-i dalam suatu sampel
n = total pengamatan sampel
Sebagai contoh andaikan diketahui nilai mahasiswa untuk metode
kuantitatif berturut-turut adalah
35
No 1 2 3 4 5 Total
Nilai 82 70 65 26 82 325
Sehingga kita dapat menentukan rata-rata hitung. Jika kasus tersebut

mencakup seluruh populasi, maka:
n
X 82  70  65  26  82 325
i
 i 1
   65
N 5 5
Jika hal tersebut merupakan sampel, maka rata-rata hitungnya adalah:
n
x 325 i
x i 1
 65 
n 5
Lihat bahwa nilai rata-rata hitung untuk populasi dan sampel adalah 65.
Rata-rata hitung merupakan ukuran yang sangat berguna dalam
membandingkan dua atau lebih sampel atau populasi. Hampir dalam setiap
penggunaan metode, umumnya kita tidak terlepas dari penggunaan rata-
rata hitung. Rata-rata hitung aritmatik memiliki beberapa karakteristik,
antara lain:
1. Untuk setiap data dengan skala pengukuran interval ataupun rasio
memiliki suatu rata-rata hitung
2. Satu kelompok data hanya memiliki satu rata-rata hitung.
3. Rata-rata hitung bersifat unik dan semua nilai dimasukkan dalam
perhitungan rata-rata hitung.
4. Rata-rata hitung merupakan satu-satunya ukuran pemusatan dimana
jumlah deviasi setiap nilai terhadap rata-rata hitungnya sama dengan
nol.
3.4.2. Median
Median adalah nilai pada posisi tengah-tengah data setelah data
diurutkan dari terkecil ke terbesar atau sebaliknya. Banyaknya jumlah
pengamatan di bawah dan di atas median adalah sama. Untuk menentukan
median dari sebuah gugus data adalah:
36
1. Urutkan data dari terkecil ke terbesar atau sebaliknya

2. Tentukan nomor urut data yang menjadi posisi median
a. Jika jumlah pengamatan, n, adalah ganjil maka posisi median pada
angka urutan ke (n+1)/2. Posisi median dalam hal ini bilangan
integer (bilangan bulat positif). Urutan angka integer yang sesuai
merupakan nilai median.
b. Jika jumlah pengamatan, n, adalah genap, maka posisi median pada
angka urutan ke (n+1)/2 dalam hal ini urutan angka adalah pecahan.
Urutan angka pecahan median adalah rata-rata dari dua bilangan
yang terdekat dengan urutan angka pecahan tersebut.
Contoh pada kasus sebelumnya, dimana jumlah pengamatan adalah ganjil,
yaitu sebanyak 5, yaitu:
No 1 2 3 4 5
Nilai 82 70 65 26 82
Urutkan nilai tersebut dari nilai terkecil ke terbesar atau sebaliknya,

sehingga terlihat menjadi:
No 1 2 3 4 5
Nilai 25 65 70 82 82
Dengan demikian posisi Median dalam gugus data tersebut adalah

n 1 5 1
Posisi Median   3
2 2
Dengan demikian, dapat diketahui bahwa Median adalah 70
Contoh pada kasus sebelumnya, jika ditambah satu pengamtan lagi dengan
nilai 72, maka jumlah pengamatan adalah menjadi genap, yaitu sebanyak 6,
yaitu:
No 1 2 3 4 5 6
Nilai 82 70 65 26 82 72
Urutkan nilai-nilai tersebut dari nilai terkecil ke terbesar atau sebaliknya,
sehingga terlihat menjadi:
37
No 1 2 3 4 5 6
Nilai 25 65 70 72 82 82
Dengan demikian posisi Median dalam gugus data tersebut adalah

n 1 6 1
Posisi Median    3.5
2 2
Untuk mendapatkan nilai Median, temukan rata-rata dari kedua nilai yang
berdekatan dengan posisi median (3.5), dalam hal ini nilai posisi 3 = 70 dan
posisi 4 = 72. Sehingga nilai dapat diketahui bahwa nilai dari gugus data
tersebut adalah:
70  72 142
Me    71
2 2
Median memiliki beberapa karakteristik atau sifat yaitu:
1. Bersifat unik dalam arti bahwa hanya ada satu median untuk satu
variabel.
2. Nilai median tidak dipengaruhi oleh nilai ekstrim besar atau ekstrim
kecil (outlier). Oleh karenanya merupakan ukuran pemusatan yang
baik jika ditemui adanya nilai ekstrim.
3. Nilai median dapat dihitung untuk distribusi frekuensi yang memiliki
interval terbuka dan juga dapat dihitung untuk data skala pengukuran
ordinal, interval dan rasio.
3.4.3. Modus
Modus merupakan nilai observasi atau pengamatan yang paling

sering muncul. Sangat berguna untuk menentukan ukuran pemusatan
terutama untuk data yang diukur dalam skala nominal dan ordinal. Contoh
pada kasus sebelumnya terlihat seperti
No 1 2 3 4 5 6
Nilai 82 70 65 26 82 72
38
Dalam hal ini kita dapat langsung mengatahui bahwa nilai model untuk
variabel nilai mahasiswa tersebut adalah 82. Karena dalam tabel tersebut
nilai 82 muncul sebanyak 2 kali, sementara yang lain muncul hanya sekali.
Beberapa karakteristik atau sifat dari ukuran pemusatan Modus,
antara lain (1) Dapat dihitung untuk semua skala data (nominal, ordinal,
interval dan rasio), (2) Modus tidak dipengaruhi oleh nilai ekstrim (outlier).
Namun demikian Modus memiliki beberapa kelemahan yang cukup
mendasar karena suatu variabel dalam gugus data bisa jadi tidak memiliki
modus dengan kata lain frekuensi muncul sama untuk setiap pengamatan,
dengan demikian modus tidak selalu ada.
Suatu gugus data dapat jadi memiliki dua modus (bimodus), tiga
(trimodus), empat (multimodus) dan seterusnya, sehingga modus tidak
bersifat unik.
3.4.4. Rata‐Rata Ukur

Rata-rata ukur dari n bilangan positif didefinisikan sebagai akar
pangkat n dari hasil perkalian semua bilangan itu. Selain untuk menghitung
rata-rata, rata-rata ukur berguna untuk menentukan rata-rata angka
kelipatan dari satu periode ke periode selanjutnya. Rata-rata ukur juga
baik digunakan untuk menghitung rata-rata dari rasio dan laju
pertumbuhan rata-rata setiap periode waktu tertentu. Formula Rata-rata
ukur adalah:
1/ n
 n 
Gm  (x 1 . x 2 . x 3 ... x n )    x i 
1/ n
 i 1 
Tingkat kelipatan rata-rata setiap periode:
1/ n 1/ n
 x1 x 2 x 3 xn   xn  xn
 . . ...    n
 x 0 x 1 x 2 x n 1   x0  x0
Laju pertumbuhan rata-rata setiap periode:
xn
rn 1
x0
n = panjang periode waktu observasi
39
Contoh asumsikan kita memiliki data pertumbuhan sebagai berikut secara

berturut adalah 3.9; 4.8; 4.6; 6.0; 5.9; 2.6; 4.9; 4.5; 5.3; 5.9 maka nilai rata-
rata ukurnya adalah
G  10 3.9 x 4.8 x 4.6 x 6.0 x 5.9x 2.6 x 4.9 x 4.5 x 5.3 x5.9
 4.718
Dari rata-rata hitung dan median kita dapat mengetahui bentuk
kemenjuluran (skewness) sebaran data. Jika rata-rata hitung lebih besar
dari median maka penyebaran angka-angka menjulur ke kanan (positif).
Sebaliknya jika rata-rata lebih kecil dari median maka penyebaran data
menjulur ke kiri (negatif).
3.5. Ukuran Penyebaran

Secara umum nilai observasi atau pengamatan berada di sekitar
nilai rata-rata. Ada yang nilainya sama dengan rata-rata, lebih kecil atau
lebih besar dari rata-rata tersebut. Dengan kata lain ada suatu penyebaran
terhadap nilai rata-ratanya dan terhadap nilai-nilai lainnya. Rata-rata
hitung maupun rata-rata ukur umumnya memiliki nilai di sekitar rata-rata
tersebut. Ada nilai pengamatannya sama dengan rata-rata, ada yang lebih
kecil atau lebih besar dari nilai rata-rata, atau Dengan kata lain ada suatu
penyebaran terhadap nilai rata-ratanya dan terhadap nilai-nilai lainnya.
Apabila semua nilai dalam suatu kelompok, memiliki nilai yang sama
satu dengan lainnya, maka kelompok disebut homogen (tidak
bervariasi/menyebar). Apabila perbedaan nilai satu sama lain sangat lebar
maka disebut heterogen (sangat bervariasi/menyebar). Ada kemungkinan
dua kelompok pengamatan mempunyai rata-rata hitung atau median sama,
namun berbeda dalam penyebarannya. Beberapa ukuran dispersi atau
penyebaran, yaitu (1) Jarak (range), (2) Varians, (3) Standar Deviasi dan (4)
Koefisien Variasi
Ukuran penyebaran data adalah suatu ukuran yang menyatakan
jauh dekatnya (jarak) nilai-nilai pengamatan dari nilai tengahnya. Ukuran
penyebaran yang kecil menunjukkan bahwa data berkumpul berdekatan di
sekitar nilai tengahnya, sehingga rata-rata hitung sangat baik mewakili
40
data. Sebaliknya, nilai yang besar dari ukuran dispersi menunjukkan

bahwa kumpulan data terpencar-pencar agak menjauh dari nilai
tengahnya, sehingga rata-rata hitung sangat tidak dapat diandalkan.
Ukuran penyebaran data yang umum dipergunakan yaitu varians dan
deviasi standar.
3.5.1. Jarak (Range)

Ukuran dispersi yang paling sederhana dan paling mudah dihitung
adalah Jarak. Jarak didefinisikan sebagai selisih antara nilai maksimum
dengan nilai minimun dalam sekelompok data, dituliskan :
Jarak = nilai maksimum ‐ nilai minimum
Jarak bukan merupakan ukuran dispersi yang baik, terutama bila

ukuran sampel atau populasinya besar. Hanya memperhatikan nilai
ekstrim dan tidak memberikan informasi mengenai sebaran nilai-nilai
diantara kedua nilai ekstrim.
3.5.2. Varians dan Standar Deviasi

Varians adalah rata-rata dari kuadrat deviasi setiap pengamatan
terhadap rata-rata hitungnya. Maksud dari dikuadratkannya deviasi adalah
untuk menghilangkan tanda + dan - dari deviasi. Formula untuk
menghitung varians populasi adalah:
 x  
2
 2

i

N
Dimana: 2 = varians populasi, Xi= nilai observasi ke-i,  = rata-rata hitung
populasi, dan N = banyaknya observasi dalam populasi. Sedangkan formula
untuk menghitung varians sampel adalah:
 x  x
2
2

i
s
n 1
dimana
s2 = varians sampel
41
Xi = nilai observasi ke-i

X = rata-rata hitung sampel
n = banyaknya observasi dalam sampel
Satuan pengukuran dalam bentuk kuadrat, misalnya data satuannya

Kilogram (Kg) maka varians satuannya adalah kilogram (Kg2), dalam arti
bahwa satuannya mengikuti data aslinya dengan menambahkan kuadrat.
Formula untuk menghitung standar deviasi dan standard error populasi
berturut-turut adalah:
 x  
2

 SE 
i
dan
N n
Sedangkan formula untuk menghitung standar deviasi dan standard error
sampel adalah:
 x  x
2
s
s
i
dan SE 
n 1 n
dimana secara berturut-turut  = deviasi standar populasi dan s = deviasi
standar sampel.  dan s mempunyai satuan yang sama dengan satuan data
aslinya.
3.5.3. Koefisien Variasi

Standar deviasi tidak dapat membandingkan penyebaran dua gugus
data, jika satuan pengukurannya berbeda. Koefisien variasi mampu
membandingkan penyebaran dua gugus data, meskipun satuan
pengukurannya berbeda. Formula koefisien variasi untuk populasi
dituliskan sebagai berikut:

CV  * 100%

Sementara koefisien variasi untuk sampel adalah:
s
CV  * 100%
x
42
Perlu diketahui bahwa dalam hal ini koefisien variasi tidak memiliki satuan
pengukuran, namun demikian hasilnya dapat diintepretasikan sebagai
persentase (%).
3.5.4. Kuartil
Sekumpulan data yang dibagi menjadi empat bagian yang sama
banyak, setelah disusun menurut urutan nilainya, maka bilangan
pembaginya disebut sebagai kuartil. Terdapat tiga jenis kuartil yaitu kuartil
pertama, kuartil kedua dan kuartil ketiga disingkat dengan Q1, Q2 dan Q3.
Kuartil memiliki sifat bahwa 25% data jatuh dibawah Q1, 50% jatuh
dibawah Q2 dan 75% jatuh dibawah Q3. Lihat ilustrasi berikut ini.
25% 25% 25% 25%

Q1 Q2 Q3
50% 50%
75%
Formula untuk menentukan letak kuartil adalah:

i(n+1 )
Qi  , i = 1, 2, 3
4
Untuk menentukan nilai kuartil adalah (1) susun data menurut urutan
nilainya (dari nilai terkecil ke nilai terbesar), (2) tentukan letak kuartil dan
(3) tentukan nilai kuartil.
3.5.5. Desil dan Persentil

Desil adalah 9 sekumpulan data yang dibagi menjadi 10 kelompok
10 bagian yang sama disebut desil disimbol dengan D1, D2, ..., D9. Sedangkan
persentil adalah sekumpulan data yang dibagi menjadi 100 bagian yang
sama akan menghasilkan 99 pembagi yang berturut-turut disebut persentil
pertama sampai dengan persentil sembilan puluh sembilan disimbol
dengan P1, P2, ..., P99.
43
Ditentukan dengan cara mengurutkan data terlebih dahulu dari nilai

terkecil ke nilai terbesar. Formula Desil dan Persentil secara berturut-turut
adalah:
i(n+1 )
Di  nilai yang ke , i = 1, 2, ..., 9
10
i(n+1 )
Pi  nilai yang ke , i = 1, 2 , ..., 99
100
Proses perhitungan baik kuartil, desil dan persentil adalah sama. Untuk
menentukan nilai kuartil, desil dan persentil adalah (1) susun data menurut
nilai terkecil ke nilai terbesar, (2) tentukan letak kuartil, desil dan persentil
dan (3) tentukan nilai dari masing-masing kuartil, desil dan persentil.
3.5.6. Kemiringan
Bentuk atau sebaran data untuk pengukuran yang paling baik
ditayangkan dalam bentuk sebuah histogram. Formula untuk menentukan
nilai skewness adalah:
3
n n
 xi  x 
Skew   
n  1 n  2 i 1  s 

Nilai skewness dapat positif atau negatif, yang menunjukkan asimetri

distribusi data secara teoritis. Nilai pengamatan skewness yang mendekati
nol menunjukkan data berdistribusi normal.
3.5.7. Kurtosis
Dengan melihat pada kurva normal, kurva distribusi normal, tinggi
rendahnya kurva, bentuk kurva dan kemiringan kurva, disebut sebagai
Kurtosis. Formula kurtosis adalah:
 nn  1 n
 xi  x  
4
3n  1
2
Kurt     
 n  1 n  2 n  3 i 1  s   n  2 n  3
Kurva distribusi normal yang tidak terlalu runcing, atau tidak terlalu datar
dinamakan dengan mesokurtik, kurva yang runcing disebut leptokurtik dan
kurva yang datar disebut platikurtik.
44
3.6. Contoh Aplikasi

3.6.1. Perhitungan Manual
Berikut adalah nilai dari 12 mahasiswa untuk mata kuliah metode
kuantitatif. Deskripsikanlah pengamatan tersebut dengan menggunakan
ukuran pemusatan dan penyebaran
Mahasiswa 1 2 3 4 5 6 7 8 9 10 11 12
Nilai 63 61 57 53 50 70 55 61 65 74 85 65
Pada bagian ini akan dikerjakan secara manual, dengan cara menyususn
data dalam bentuk tabel dan urutkan nilai pengamatan dari yang terkecil
ke terbesar sebagai berikut:
Tabel 3.5. Proses Perhitungan Ukuran Pemusatan dan Penyebaran

3 4
 xi  x   xi  x 
Urutan Nilai  xi  x  2
   
 s   s 
1 50 175.5625 ‐2.5368 3.4598
2 53 105.0625 ‐1.1744 1.2390
3 55 68.0625 ‐0.6123 0.5200
4 57 39.0625 ‐0.2662 0.1713
5 61 5.0625 ‐0.0124 0.0029
6 61 5.0625 ‐0.0124 0.0029
7 63 0.0625 0.0000 0.0000
8 65 3.0625 0.0058 0.0011
9 65 3.0625 0.0058 0.0011
10 70 45.5625 0.3354 0.2330
11 74 115.5625 1.3548 1.4990
12 85 473.0625 11.2205 25.1199
Jumlah 759 1038.25 8.3078 32.2499
Rerata 63.25 86.5208 0.6923 2.6875
 x i  x 2 1038.25
s 
2
  94.3864 dan s  94.3864  1.04847
n 1 12  1
45
Keterangan Formula Nilai

n
Rata-Rata x   xi 63.25
i 1
n  1 12  1
Posisi    6.5
2 2
Median 62
Me 
61  63  124 =62
2 2
Modus Nilai yang paling sering muncul 61 & 65
Jarak (Range) max – min = 85 – 50 = 35 35
 x  x
2
1038.25
Varians 2
   94.3864 94.3864
i
s
n 1 12  1
Standard Deviasi s  s 2 = 94.3864  9.715264 9.71526
s 9.71526
Standard Error SE    2.8045 2.80455
n 12
s 9.715264
Koefisien Variasi CV  * 100%  * 100% 15.3601
x 63.25
i * n  1
Qi  , maka posisi dan nilai
4
1 * 12  1
Q1   3.25  55  0.25 * (57  55)  55.50
Kuartil 4 55.50
2 * 12  1
Q2   6.50  61  0.50 * (63  61)  62.00 62.00
4
3 * 12  1 68.75
Q3   9.75  65  0.75 * (70  65)  68.75
4
3
n  xi  x 
n
12
n  1 n  2 
Skewness Skew     * 8.3078  0.9063
i 1  s  (11)(10)
 nn  1 n
 xi  x  
4
3n  1
2
Kurt  
  1   2    3  






  2    3
=
 n n n i 1 s  n n
Kurtosis
 1213  3112 1.04847
 * 32.2499   0.157 * 32.2499  4.033 
 11 10 9  10 9
46
Lihat bahwa nilai median akan selalu sama dengan nilai kuartil kedua (Q2),
dalam hal ini nilai Q2 = 62 dan nilai Median = 62. Dengan kata lain bahwa
nilai quartil kedua dan nilai adalaj sama atau sama dengan kita menuliskan
bahwa median = Q2.
3.6.2. Aplikasi Excell

Untuk penggunaan aplikasi excel, langkah pertama yang harus
dilakukan adalah melakukan entry data nilai mahasiswa tersebut (data
tersimpan dalam file CD dengan nama Sheet deskexcel). Selanjutnya ikuti
tahapan berikut ini:
1. Klik Data + Data Analysis
2. Kemudian pilih Descriptive Statistics + Klik OK sehingga kotak
dialog berikut ini akan muncul:
3. Pada Input Range: Sorot atau Drag dari B1 sampai dengan B13.
Beritanda centang pada Labels in first row. Tentukan salah satu sel
sebagai tempat dari Output Descriptive Statistics, dan jangan lupa
beri tanda centang pada Summary Statistics
47
4. Klik OK, maka hasilnya akan terlihat seperti berikut ini:

Nilai
Mean 63.25
Standard Error 2.804555
Median 62
Mode 61
Standard Deviation 9.71526
Sample Variance 94.38636
Kurtosis 1.04847
Skewness 0.90630
Range 35
Minimum 50
Maximum 85
Sum 759
Count 12
Pembaca dapat membandingkan hasil secara manual maupun

penggunaan aplikasi Excell, adalah sama, namun demikian tidak
semua statistics deskriptif tersebut terdapat pada aplikasi program
excel. Berikut ini kita akan mencoba menggunakan aplikasi program
Statistics Analysis System (SAS), perlu dicatat bahwa versi yang
digunakan adalah 9.4.
3.6.3. Aplikasi SAS
Untuk penggunaan aplikasi SAS, kita akan menggunakan data Pada

Tabel 3.6. Ini merupakan data 60 mahasiswa yang mengikuti kuliah metode
kuantitatif. Dalam hal ini, kita akan melakukan analisis deskriptif baik
dalam ukuran pemusatan maupaun ukuran penyebaran.
Secara umum statistik deskriptif hampir seluruhnya terdapat pada
prosedur SAS, namun demikian pada sesi kita akan uraiankan tentang
penggunaan aplikasi SAS khusunya dengan menerapkan prosedur PROC
UNIVARIATE. Untuk tujuan tersebut ikuti tahapan berikut ini:
48
Tabel 3.6. Rekap Hasil Nilai Metode Kuantitatif

No Nilai No Nilai No Nilai No Nilai No Nilai No Nilai
1 63 11 85 21 58 31 67 41 58 51 68
2 61 12 65 22 75 32 61 42 55 52 71
3 57 13 80 23 70 33 75 43 67 53 65
4 53 14 82 24 60 34 58 44 65 54 58
5 50 15 90 25 67 35 58 45 65 55 75
6 70 16 80 26 89 36 68 46 73 56 73
7 55 17 67 27 77 37 56 47 75 57 72
8 61 18 78 28 78 38 70 48 85 58 75
9 65 19 63 29 88 39 65 49 65 59 69
10 74 20 71 30 68 40 68 50 78 60 60
1. Ketikkan data pada Tabel 3.6. (tersedia dalam CD dengan nama file
databuku dan nama sheet desksas
2. Selanjut import data ke SAS dan gunakan PROC UNIVARIATE untuk
menghasilkan statistik deskriptif:
proc import datafile='D:\Metode_Kuantitatif\databuku.xls'

out=deskrip dbms=excel2000 replace;
sheet='desksas';
getnames=yes;
run;
ods rtf file='D:\Metode_Kuantitatif\deskriptif.rtf';
proc UNIVARIATE data=deskrip;

var nilai;
run;
ods rtf close;
3. Running program, sehingga SAS akan menghasilkan output seperti

berikut ini:
49
Output 3.1.
The UNIVARIATE Procedure
Variable: Nilai (Nilai)
Moments
N 60 Sum Weights 60
Mean 68.6333333 Sum Observations 4118
Std Deviation 9.35725345 Variance 87.5581921
Skewness 0.34244146 Kurtosis -0.3451343
Uncorrected SS 287798 Corrected SS 5165.93333
Coeff Variation 13.6336864 Std Error Mean 1.20801623
Basic Statistical Measures

Location Variability
Mean 68.63333 Std Deviation 9.35725
Median 68.00000 Variance 87.55819
Mode 65.00000 Range 40.00000
Interquartile Range 14.00000
Tests for Location: Mu0=0

Test Statistic p Value
Student's t t 56.81491 Pr > |t| <.0001
Sign M 30 Pr >= |M| <.0001
Signed Rank S 915 Pr >= |S| <.0001
Quantiles (Definition 5)
Quantile Estimate
100% Max 90.0
99% 90.0
95% 86.5
90% 81.0
75% Q3 75.0
50% Median 68.0
25% Q1 61.0
10% 57.5
5% 55.0
1% 50.0
0% Min 50.0
50
Lihat output 3.1. yang dihasilkan oleh program SAS, secara default telah
menghasilkan nilai-nilai statistik yang relatif lengkap dengan program
aplikasi lainnya. Output tersebut dihasilkan oleh pernyataan PROC
UNIVARIATE.

var nilai;
run;
Pernyataan VAR adalah untuk menentukan variabel yang akan dianalisis.

Prosedur UNIVARIATE juga dapat ditambahkan berbagai tambahan
optional seperti contoh normal, histogram dan lain sebagainya. Pembaca
dapat mengacu pada SAS Help. Berikut contoh option dari beberapa
pernyataan Univariate.
ods graphics on;
var nilai;
histogram / normal;
run;
ods graphics off;
Dengan melakukan running kembali program, maka SAS akan

menghasilkan output tambahan seperi berikut ini:
The UNIVARIATE Procedure: Fitted Normal Distribution for Nilai
51
Parameters for Normal

Distribution
Parameter Symbol Estimate
Mean Mu 68.63333
Std Dev Sigma 9.357253
Goodness-of-Fit Tests for Normal Distribution

Test Statistic p Value
Kolmogorov-Smirnov D 0.07698128 Pr > D >0.150
Cramer-von Mises W-Sq 0.04807140 Pr > W-Sq >0.250
Anderson-Darling A-Sq 0.33818897 Pr > A-Sq >0.250
3.7. Latihan 3
Dari sebuah pengkuran tinggi badan mahasiswa sebagai 50 orang diperoleh
data sebagai berikut:
No Tinggi No Tinggi No Tinggi No Tinggi No Tinggi
1 168 11 163 21 158 31 167 41 171
2 164 12 157 22 166 32 153 42 174
3 152 13 168 23 158 33 175 43 159
4 172 14 167 24 158 34 162 44 169
5 175 15 156 25 156 35 151 45 156
6 150 16 159 26 167 36 162 46 170
7 171 17 160 27 168 37 152 47 167
8 164 18 151 28 159 38 160 48 167
9 168 19 166 29 169 39 155 49 170
10 151 20 154 30 165 40 168 50 163
Pertanyannya:
1. Hitunglah Rata-rata hitung (arithmetic mean), median dan modus, dari
data tersebut.
2. Gambarkan tabel frekuensi dan histogramnya
3. Hitunglah varians dan standard deviasi sampel
4. Hitung Kuartil 1, 2 dan 3 !
5. Hitung Persentil ke-5 (P5)dan ke-95 (P95) !, dan
6. Hitunglah desil ke 1 dan 4
52
BAB IV
PELUANG DAN DISTRIBUSI PELUANG
4.1. Pendahuluan
P
eluang mungkin sebagai akibat dari ketidakpuasan manusis secara
umum dalam memenangkan sebuah pertandingan, ataupun untuk
memprediksi sebuah percobaan dan kejadian. Para ahli matematika
seperti Pascal, Fermat, James Bernouli mengembangkan teori peluang
dalam rangka untuk mengoptimalkan sebuah percobaan. Teori peluang ini
berusaha untuk memperkirakan dan mengeneralisasi sebuah kejadian
yang bersifat peluang termasuk di bidang sosial, ekonomi, bisnis maupun
di bidang politik. Untuk menghitung peluang dari berbagai kejadian, telah
disediakan bagaimana cara memecahkan atau mencari solusinya. Peluang
memenuhi hokum-hukum matematika tertentu, sehingga perhitungannya
dapat dipermudah.
Pekerjaan Statistik dianggap berhasil jika dapat membuat
kesimpulan yang tepat tentang sifat dan karakteristik populasi yang
diperoleh dari sampling. Tentu setiap kesimpulan yang dibuat,
kebenarannya tidaklah pasti sehingga timbul soal keyakinan untuk
mempercayai kebenaran. Keyakinan dan keraguan tersebutlah menjadi
dasar dari Peluang, yang membahas tentang ukuran atau derajat
ketidakpastian suatu peristiwa/kejadian.
4.2. Peluang
Peluang atau probability, merupakan ukuran numerik tentang
seberapa besar atau sering kejadian atau peristiwa itu akan terjadi.
Umumnya semakin besar nilai probabilitas menyatakan bahwa peristiwa
itu akan sering terjadi. Probabilitas memberikan nilai kuantitatif pada
pernyataan seberapa sering suatu peristiwa terjadi.
Bab 4. Peluang dan Distribusi Peluang
Asumsikan dilakukan percobaan sebanyak N kali, dan kejadian E

terjadi sebanyak n kali, maka peluang E didefinisikan sebagai:
𝑃 𝐸
dan yang bukan kejadian E dituliskan 𝐸 . Setidaknya terdapat tiga kaidah
peluang, yaitu:
1. 0 𝑃 𝐸 1
2. 𝑃 𝐸 1 𝑃 𝐸 atau 𝑃 𝐸 𝑃 𝐸 1
3. 𝑃 𝐸 𝑎𝑡𝑎𝑢 𝐸 𝑎𝑡𝑎𝑢 … 𝑎𝑡𝑎𝑢 𝐸 𝑃 𝐸 𝑃 𝐸 ⋯ 𝑃 𝐸
Kaidah peluang pertama menunjukkan bahwa nilai peluang antara
0 dan 1. Jika nilai P(E)=0 dapat diartikan bahwa kejadian E pasti tidak
terjadi, sedangkan jika P(E)=1 maka kejadian E pasti terjadi. Sedangkan
pada kaidah kedua menunjukkan bahwa kejadian E dan 𝐸 merupakan dua
kejadian yang saling eksklusif, karena kejadian E akan meniadakan akan
kejadian 𝐸 dan sebaliknya. Kejadian saling eksklusif dihubungkan dengan
kata “atau”, sehingga jika k sebagai kejadian E1, E2, …, Ek saling eksklusif
maka peluang terjadinya E1 atau E2 atau … atau Ek sama dengan jumlah
peluang setiap peristiwa seperti yang ditunjukkan pada kaidah ketiga.
4.3. Ruang Sampel dan Kejadian

Sebuah dadu memiliki ruang sampel {1,2,3,4,5,6} dan titik sampel
juga ada 6, sedangkan kejadian yang muncul jika dilakukan pelemparan
satu kali adalah kejadian muncul mata 1, kejadian muncul mata 2…….,
kejadian muncul mata 6. Ruang Sampel didefinisikan sebagai kumpulan
atau himpunan dari semua hasil yang mungkin terjadi dalam suatu
percobaan, sedangkan titik sampel adalah setiap anggota dalam ruang
sampel. Kejadian didefinisikan sebagai beberapa elemen (hasil) dari ruang
sampel yang sedang diamati atau himpunan bagian dari ruang sampel.
Jika S adalah ruang sampel dengan banyaknya anggota = n(S) dan E
merupakan suatu kejadian dengan banyaknya anggota = n(E), maka
peluang kejadian E adalah:
𝑛 𝐸
𝑃 𝐸
𝑛 𝑆
54
Kisaran nilai P(E) adalah 0 ≤ P(E) ≤ 1. P(E) = 1 disebut sebagai

kejadian pasti terjadi dan P(E) = 0 disebut peluang mustahil. Contoh
Pelemparan sebuah mata dadu, tentukanlah peluang munculnya sisi
bernilai ganjil, yaitu:
Ruang sampel = {1,2,3,4,5,6}  n(S) = 6
Bernilai Ganjil = {1,3,5}  n(E) = 3,
maka
𝑛 𝐸 3 1
𝑃 𝐸
𝑛 𝑆 6 3
Dari seperangkat kartu remi (bridge) diambil secara acak satu
lembar kartu. Tentukan peluang terambilnya kartu bukan Quen !. Pertama
harus diketahui bahwa:
Banyaknya kartu =n(S) = 52
Banyaknya kartu quen =n(E) = 4
Peluang quen =𝑃 𝐸
Peluang bukun quen =𝑃 𝐸 1 𝑃 𝐸
1 12
𝑃 𝐸 1
13 13
Kejadian E dan bukan 𝐸 dikatakan saling komplemen. Kejadian E dan 𝐸 juga
merupakan dua peristiwa yang saling asing atau saling eksklusif, karena
kejadian E akan menghindarkan kejadian 𝐸 dan sebaliknya.
Dua kejadian dikatakan mempunyai hubungan bersyarat jika
kejadian yang satu menjadi syarat terjadinya kejadian yang lain, dapat
ditulis A | B untuk menyatakan peristiwa A terjadi dengan didahului
terjadinya peristiwa B. Peluangnya ditulis P(A|B) yang disebut sebagai
peluang bersayarat untuk terjadinya peristiwa A dengan syarat B. Jika
terjadi atau tidak terjadinya kejadian B tidak mempengaruhi terjadinya
kejadian A, maka A dan B disebut peristiwa bebas atau independent.
Contoh dilakukan undian dengan sebuah mata uang sebanyak 2 kali.
Kejadian A = tampak muka G pada undian pertama, dan kejadian B =
tampak muka G pada undian kedua. Jelas bahwa A dan B dua kejadian yang
independent. Sehingga diperoleh peluang P(A dan B):
55
P(A | B) = P(A) . P(B) = ½ + ½ = 1/4
Sebuah kotak berisi 10 pena merah, 18 pena biru dan 22 pena hitam.
Isi kotak diaduk dengan baik kemudian seseorang yang mata ditutup
diminta mengambil sebuah pena secara acak. Asumsikan dari kotak diambil
pena dua kali. Pena yang telah diambil pertama kali tidak disimpan lagi
(tidak dikembalikan) ke dalam kotak. Misal M = pena yang diambil pertama
berwarna merah, dan B = pena yang diambil kedua kali berwarna biru.
Kejadian M dan B tidak independent, maka peluang
𝑃 𝑀 =0.20
yang merupakan peluang pena warna merah pada pengambilan pertama,

sedangkan P(B|M) = peluang pena pada pengambilan kedua berwarna biru
jika pena pada pengambilan pertama berwarna merah, maka:
𝑃 𝐵|𝑀 = sedangkan
P(M | B) = P(M) . P(B | M) = 0.2 ∗
Sebuah kartu diambil secara acak dari satu set kartu remi (bridge).
Tentukan peluang bahwa yang terambil adalah kartu hati atau kartu
bergambar (kartu King, Queen, dan Jack).
Banyaknya kartu remi = n(S) = 52
Banyaknya kartu berlabel hati = n(A) = 13
Banyaknya kartu bergambar = n(B) = 3x4 = 12
Kartu hati dan kartu bergambar dapat terjadi bersamaan yaitu kartu King
hati, Queen hati, dan Jack hati), sehingga A dan B disebut sebagai inklusif.
Sehingga formula yang sesuai untuk hubungan inklusif ini adalah:
𝐴 𝑑𝑎𝑛 𝑎𝑡𝑎𝑢 𝐵 𝑃 𝐴 𝑃 𝐵 𝑃 𝐴 𝑑𝑎𝑛 𝐵
56
atau dapat juga ditulis

P(A  B) = P(A) + P( B) - P(A  B)
maka peluang terambil kartu hati atau bergambar adalah :
P(A dan atau B) = P(A) + (P(B) – P(A dan B)

13 12 3 4
52 52 52 13
22 11
52 26
Dengan demikian dapat diketahui bahwa peluang terambilnya kartu hati
atau bergambar adalah 11/26.
4.4. Frekuensi Harapan suatu Kejadian

Andaikai percobaan pelemparan 3 mata uang logam sekaligus
sebanyak 120 kali. Tentukan frekuensi harapan munculnya “dua gambar
disimbol G” dan “satu angka disimbol A”. Pertama identifikasi ruang sampel
dan kejadian yang mungkin terjadi dalam setiap percobaan adalah:
S = {AAA, AAG, AGA, GAA, AGG, GAG, GGA, GGG} = n(S) = 8
E = {AGG, GAG, GGA} = n(E) = 3
Maka, frekuensi harapan untuk kejadian munculnya “dua gambar” dan
“satu angka” adalah:
Fh = 𝑛𝑥𝑃 𝐸
3𝑥 45
Fh merupakan frekuensi harapan dari suatu kejadian yang dalam kasus ini
adalah 45 kali.
4.5. Distribusi Normal

Setiap peristiwa akan mempunyai peluangnya masing-masing, dan
peluang terjadinya peristiwa itu akan mempunyai penyebaran yang
mengikuti suatu pola tertentu yang di sebut dengan distribusi. Distribusi
peluang untuk suatu variabel acak menggambarkan bagaimana peluang
terdistribusi untuk setiap nilai variabel acak. Distribusi peluang
didefinisikan dengan suatu fungsi peluang, yang menunjukkan peluang
57
untuk setiap nilai variabel acak. Ada dua jenis distribusi, sesuai dengan
variabel acaknya. Jika variabel acaknya variabel diskrit, maka distribusi
peluangnya adalah distribusi peluang diskrit, dan jika variabel acaknya
variabel yang kontinu, maka distribusi peluangnya adalah distribusi
peluang kontinu.
Asumsikan dilakukan undian dengan satu buah uang logam, maka
peluang P(muka G) = P(muka A) = ½. Jika muka G yang tampil, maka muka
A = 0 dan muka G = 1. Andaikan banyak muka G disimbol X, maka untuk
muka A berlaku X = 0 dan untuk muka G berlaku X = 1. Kita dapat simbol
dengan peluang menuliskan:
P(X=0) = ½
P(X=1) = ½
Hal yang jika dilakukan undian dengan dua buah uang logam, maka
kejadian yang kemungkinan terjadi adalah:
{GG, GA, AG, AA}
Sehingga peluang yang didapat P(GG)=P(GA)=P(AG)=P(AA) = ¼. Jika
diasumsikan X menyatakan muka G, maka X = 0, 1, 2, maka:
P(X=0)= ¼  muka G yang tidak ada
P(X=1) = ½  muka G yang ada sebanyak 1
P(X=2) = ¼  muka G yang ada sebanyak 2
Bagaiaman jika kita melakukan undian dengan tiga buah uang logam, maka
kejadian yang mungkin terjadi adalah:
{GGG, GGA, GAG, AGG, GAA, AAG, AGA, AAA}
Sehingg peluang setiap peristiwa adalah 1/8. Jika diasumsikan bahwa X
menyatakan muka G yang tampil, maka X = 0,1,2,3, maka didapat peluang
P(X=0) = 1/8
P(X=1) = 3/8
P(X=2) = 3/8
P(X=3) = 1/8
Nilai atau simbol dengan harga X = 0,1,2,3 disebut sebagai variabel acak
diskrit, dan di dalam setiap harga terdapat peluangnya. Ilustrasi tersebut
juga diketahui bahwa jumlah peluang selalu sama dengan satu.
58
Variable diskrit termasuk di dalammnya adalah distribusi binom,

distribusi poisson dan lainnya. Sedangkan yang termasuk dalam distribusi
variabel kontinu adalah sebaran distribusi z sering disebut distribusi
normal, sebaran distribusi t dan chi-square (2). Dalam buku ini kita hanya
membahas terkait dengan distribusi normal z dan t.
Distribusi normal disebut pula distribusi Gauss, adalah distribusi
probabilitas yang paling banyak digunakan dalam berbagai analisis statistika
yang diterapakan di berbagai bidang ilmu baik sosial, ekonomi maupun
politik. Konsep distribusi normal sangat penting untuk dipahami karena
konsep ini mendasari asumsi pada distribusi sampling, pendugaan
statistika maupun pengujian hipotesa. Distribusi normal adalah distribusi
variabel kontinu yang memiliki ciri-ciri sebagai berikut :
1. Kurvanya mempunyai puncak tunggal
2. Kurvanya berbentuk seperti lonceng
3. Nilai rata-rata distribusi normal terletak ditengah kurva normal.
4. Distribusi normal memiliki bentuk simetris sehingga nilai tengah,
median dan modus berada ditengah-tengah kurva normal adalah sama,
 = Me = Mo.
5. Dua sisi kurva normal memanjang tak terbatas dan tak pernah
menyentuh garis horizontal, dan
6. Luas dibawah kurva normal sama dengan satu
Distribusi peluang untuk variabel acak kontinu tidak dapat disajikan
dalam bentuk tabel, tetapi dinyatakan dalam sebuah fungsi yang disebut
fungsi densitas. Fungsi ini dinyatakan sedemikian sehingga luas daerah di
bawah kurva, diatas sumbu x  1, dituliskan:
𝑓 𝑥 𝑑𝑥 1
Untuk menentukan peluang bahwa harga X = x antara batas atas, a dan

batas bawah, b maka kita dapat menuliskan f(x) adalah fungsi kontinu,
maka probabilitas P(a < x < b) diberikan oleh:
59
1 /
𝑃 𝑎 𝑥 𝑏 𝑒 𝑑𝑥
𝜎√2𝜋
Sebuah variable acak kontinu X yang memiliki sebaran berbentuk lonceng

atau genta (Gambar 1) disebut variabel acak normal. Persamaan matematik
bagi sebaran peluang variabel acak normal ini tergantung pada dua
parameter yaitu nilai tengahnya () dan standard deviasi (). Secara umum
dilambangkan fungsi densitas X dengan cara n(x; ,).
Jika X adalah suatu variable acak normal dengan nilai tengah () dan
standard deviasi (), maka persamaan kurva normalnya adalah:
1
𝑛 𝑥; 𝜇, 𝜎 𝑒
𝜕√2𝜋
Dimana: - < x < , Nilai  = 3.14159 dan e = 2.71828. Secara matematis

persamaan diatas sulit dipecahkan, oleh karena itu penyelesaiannya
dilakukan dengan menggunakan transformasi nilai-nilai X menjadi nilai
baku z dengan formula:
𝑥 𝜇
𝑧
𝜎
Dengan transformasi tersebut didapat distribusi normal z dengan rata-rata
=0 dan standar deviasi =1 ditulis sebagai N(0,1). Distribusi normal z ini
disebut sebagai distribusi normal standar (Gambar 4.1).
Jika X di antara x = x1 dan x = x2, maka variable acak z akan berada
di antara nilai-nilai padanannya, yaitu:
𝑥 𝜇 𝑥 𝜇
𝑧 𝑑𝑎𝑛 𝑧
𝜎 𝜎
𝑃 𝑥 𝑋 𝑥 𝑃 𝑧 𝑍 𝑧
𝑀𝑖𝑠𝑎𝑙𝑘𝑎𝑛 : 𝑃 3.4 𝑋 3.4  hasilnya pada (Gambar 4.1)
60
Gambar 4.1. Standard Normal Distribution Probability

Probability Density
‐4.0 ‐3.0 ‐2.0 ‐1.0 0.0 1.0 2.0 3.0 4.0

z value
Untuk mengilustrasi penggunaan Tabel z. Asumsikan kita

menghitung peluang z lebih kecil dari 1.74, untuk kasus ini kita dapat
menuliskan menjadi
P( z < 1.74 ).
Lihat sebaran tabel z (pada lampiran), maka kita peroleh bahwa

P(z <1.74) = 0.9591
Z 0.035 0.040 0.045 Nilai 0.9591 diperoleh dengan mengacu

‐0.20 0.4345 0.4364 0.4384
‐0.10 0.4741 0.4761 0.4781
pada sebaran tabel z. P(z < 1.74 ) = 0.9591.
0.90 0.8251 0.8264 0.8277 Cari baris yang bernilai sekitar 1.7 dan
1.00 0.8497 0.8508 0.8520 cari kolom yang bernilai sekitar 0.04
1.50 0.9376 0.9382 0.9388
1.60 0.9490 0.9495 0.9500
kemudian jumlahlah yang nilainya 1.74.
1.70 0.9586 0.9591 0.9595 kemudian tarik garis hingga berpotongan
1.80 0.9667 0.9671 0.9675 seperti terlihat diarsir yang nilainya
1.90 0.9735 0.9738 0.9741
2.00 0.9791 0.9793 0.9796 adalah 0.9591.
61
Contoh Hasil dari sebuah penimbangan berat badan rata-rata =50, dan
standard deviasi (=10), hitunglah peluang berat badan diantara antara 45
dan 62. Pertama kita tentukan nilai z padanan dari z1 = 45 dan z2 = 62, yaitu
maka kita bias hitung bahwa:
𝑥 𝜇
𝑧
𝜎
𝑧 0.5 dan 𝑧 1.2
Maka peluang berat badan antara 45 dan 62 adalah:

𝑃 45 𝑋 62 𝑃 0.5 𝑍 1.2
= P(Z < 1.2) – P(Z < -0.5)
= 0.8849 – 0.3083
= 0.5764
Dari hasil diatas dapat ditarik disimpulkan bahwa peluang berat badan
antara 45 dan 62 adalah sebesar 57.64%.
4.6. Distribusi t‐Student

Distribusi dengan variable acak kontinu selain distribusi normal z
adalah distribusi student atau dikenal dengan distribusi t, fungsi
densitasnya adalah:
𝐾
𝑓 𝑡
𝑡
1
𝑛 1
Dimana t: - < t < ; dan K merupakan bilangan tetap yang besarnya
tergantung pada n, sehingga luas daerah di bawah kurva sama dengan satu
62
unit. Pada distribusi t terdapat bilangan (n–1) yang disebut derajat

kebebasan (dk) disimbol dengan v. Bentuk grafiknya persis sama dengan
distribusi normal standar z. Untuk n yang besar umumnya n  30 distribusi
t mendekati distribusi normal standar z.
Jika 𝑥̅ (nilai tengah) dan s (standar deviasi sampel) suatu contoh acak
berukuran n yang diambil dari suatu populasi normal dengan nilai tengah
 dan varian 2 maka:
𝑥̅ 
𝑡
𝑠⁄√𝑛
yang merupakan sebuah nilai variable acak yang memiliki sebaran t dengan
derajat bebas v = n – 1. Sebaran t secara umum digunakan pada ukuran
sampel kecil n < 30.
Contoh masyarakat ragu bahwa isi kopi cap jago 100 gr tidak sesuai
beratnya seperti yang tertera pada kemasan. Sebagai tanggapannya YLK
kemudian mengambil sampel random dari pasar sebanyak 25 bungkus
secara acak. Hasil penimbangan menunjukkan rata-rata berat 99,2 gr dan
standard deviasi 3.25 gr. Pada taraf nyata α = 5% apakah kita percaya
dengan isi kemasan dari pabrik?. Langkh pertama kita hitung nilai t dengan
formula diatas:
𝑥̅ 
𝑡
𝑠⁄√𝑛
99.2 100 0.8

𝑡 1.23
3.25⁄√25 3.25⁄5
63
Nilai t antara t(0.05; n-1); maka t(0.05; 24) = -1.711 dan 1.711 (lihat Tabel
distribusi t), sehingga dalam bentuk kurva normal dapat digambarkan
sebagai berikut:
Keputusan yang umum dapat diperbandikan antara thitung dengan ttabel

secara absolut. Jika thitung > ttabel kita dapat menerima dugaan dari
masyarakat dan sebaliknya. Hasil perhitungan dan gambar diatas
menunjukkan bahwa thitung < ttabel atau t(-1.23) < t(-1.711) artinya bahwa kita
masih percaya dengan isi kemasan dari pabrik tersebut.
4.7. Latihan 3
1. Misalkan sebuah kurva normal memiliki rata-rata 100 dan standard
deviasi 20. Hitunglah luas kurva normal antara 75 sampai dengan 120 ?
2. Nilai ujian metode kuantitatif di kelas MAB terdistribusi secara normal
dengan rata-rata 60 dan standard deviasi 10. Berapa persen siswa yang
memperoleh nilai antara 60 – 70 ?
3. Suatu anggota n = 60 mahasiswa harus diambil dari suatu populasi yang
mempunyai rata-rata 45 dan simpangan baku 12. Hitung peluang
bahwa rata-rata itu akan terletak antara 43 dan 48 !
4. Selama kurun waktu 2017 diketahui harga jagung Rp. 354 per/kg.
Untuk mengetahui perkembangan harga jagung, diadakan penyelidikan
dengan sampel 4 petani. Diperoleh rata-rata harga petani adalah Rp.272
per/kg dengan standar deviasi Rp.260. Dengan taraf signifikan 5%
apakah harga jagung tersebut mengalami penurunan ?
64
BAB V
PENGUJIAN HIPOTESIS
5.1. Pendahuluan
S
tatistik Inferensia memberikan ulasan mengenai gugus data untuk
tujuan mendapatkan fenomena umum. Sehubungan untuk tujuan
pendugaan suatu fenomena umum, statistika ini memberikan
tingkat signifikansi dari angka yang dihasilkan. Metode ini melakukan
peramalan atau penarikan kesimpulan mengenai keseluruhan gugus data
induknya (populasi). Generalisasi yang berhubungan dengan statistika
inferensia selalu mempunyai sifat teori probabilitas tak pasti
Dalam keseharian, kita sering melakukan dugaan-dugaan terhadap
terjadinya sesuatu. Dugaan tersebut sering kali terkait dengan keputusan
yang akan kita ambil. Misal, sering kita bertanya dalam hati (menduga),
apakah hari ini hujan atau tidak. Pertanyaan ini berhubungan dengan
keputusan apakah kita akan bawa payung atau tidak. Pada kesempatan
lain, ketika kita akan membeli jeruk , kita juga bertanya dalam hati apakah
jeruk yang kita beli manis atau asam. Lalu untuk memenuhi rasa ingin
tahu apakah jeruk tersebut manis atau tidak, kita mengujinya dengan
mencicipi jeruk yang dijual tersebut.
Contoh lain, pada saat pemilihan presiden, sering kali juga kita
menduga Pasangan tertentu yang akan menang. Lalu kita survey ke calon
pemilih dan dari survei itu lalu kita menyimpulkan bahwa pasangan “A”
yang akan menang. Perhatikan juga kerja seorang dokter. Biasanya
seorang dokter memeriksa pasiennya untuk mengetahui penyakit apa
yang diderita pasiennya. Pada saat awal, dokter menduga bahwa
pasiennya menderita penyakit tertentu, misal thypus. Untuk menguji
dugaan tersebut, lalu diperiksa darah pasien tersebut. Jika hasil
pemeriksaan menunjukkan positip, maka disimpulkan pasien tersebut
menderita Thypus, jika tidak maka pasien menderita sakit yang lain.
Bab 5. Pengujian Hipotesis
Ilustrasi lain tentang pengujian hipotesis juga dapat anda simak

pada kasus dipengadilan untuk membuktikan apakah seorang bersalah
atau tidak bersalah. Dalam hal ini Pak Hakim yang melakukan pengujian
terhadap dugaan bahwa terdakwa bersalah atau tidak. Lalu Pak Hakim
memeriksa saksi dan bukti. Jika saksi dan bukti tidak memperkuat
dugaan bahwa terdakwa bersalah, maka terdakwa dibebaskan.
Dalam ilmu manajemen, sering seorang manager harus
memutuskan apakah produksinya masih memenuhi standar mutu yang
diberikan atau tidak. Misal, standar mutunya mengatakan bahwa mutu
produk akan terjamin jika dalam serangkaian proses produksi, yang cacat
tidak melebihi 5%. Untuk mengetahui hal tersebut, manager lalu
mengambil beberapa simple produk dari proses produksi yang baru
berjalan. Kemudian dari beberapa produk tersebut diperiksa berapa
persen yang cacat. Berdasarkan hasil pemeriksaan tersebut, lalu
disimpulkan bahwa proses produksi masih berada dalam kendali mutu
atau tidak. Semua ilustrasi yang dijelaskan di atas adalah gambaran
betapa banyak keputusan yang terkait dengan pengujian hipotesis dan
betapa sering dan banyaknya kasus yang tanpa kita sadari, ternyata kita
sedang melakukan uji hipotesis.
Hipotesis adalah asumsi atau dugaan sementara mengenai sesuatu
hal yang dibuat dan untuk menjelaskan hal tersebut dibutuhkan atau
diperlukan melakukan pemeriksaan. Jika dugaan tersebut dikhususkan
terhadap populasi, seperti nilai parameter populasi, maka hipótesis
tersebut disebut hipótesis statistik. Setiap hipótesis bisa benar atau salah,
karena perlu diadakan penelitian sebelum menerima atau menolak
hipótesis. Langkah dan prosedur dalam menerima dan menolak hipótesis
tersebut disebut sebagai pengujian hipotesis.
5.2. Dua Jenis Kesalahan

Pengujian hipotesis dimulai dengan menerima suatu anggapan
tertentu sebagai hal yang benar. Anggapan inilah yang dijadikan sebagai
landasan kerja berikutnya dan dinamakan Hipotesis Nol (H0). Jika
anggapan ini berdasarkan data yang diperoleh, dapat diterima
66
kebenarannya, maka dianggaplah anggapan tersebut sebagai suatu fakta.

Jika data yang diperoleh tidak menyokong anggapan tersebut, maka
diterimalah suatu anggapan lain yang merupakan tandingan (H1) dari H0
sebagai fakta. Anggapan tandingan disebut juga Hipotesis Alternatif (Ha).
Contoh, seorang Hakim mempunyai resiko melakukan kesalahan dalam
mengambil keputusan. Bisa saja seorang hakim memutus terdakwa tidak
bersalah, pada hal sebenarnya terdakwa bersalah. Bisa juga hakim memutus
terdakwa bersalah, pada hal sebenarnya terdakwa tidak bersalah. Resiko
tersebut adalah (1) peluang menolak Hipotesis Nol (H0), pada hal
sesungguhnya H0 benar (disebut sebagai kesalahan jenis I atau ; (2)
peluang menerima H0, pada hal sesungguhnya H0 salah (disebut sebagai
kesalahan jenis kedua atau ). Berdasarkan ilustrasi di atas, hubungan
antara tindakan pengujian kebenaran dan kelahan hipotesis diringkas
dalam tabel berikut:
Tabel 4.1. Tipe Kekeliruan dalam Pengambilan Kesimpulan tentang

Hipotesis
Keadaan Kebenaran Hipotesis
H0 Benar H1 Benar
Benar Kesalahan Jenis Kedua
Terima H0
(1-) ()
Kesalahan Jenis Pertama Benar
Terima H1
() (1-)
Dalam prakteknya, peluang melakukan kesalahan jenis I () ini di

tentukan lebih dahulu, karena hal ini mencerminkan resiko yang berani
kita ambil dalam mengambil keputusan. Misal peluang melakukan
kesalahan jenis I () ditentukan 0.05 (5%), artinya kita berani menerima
resiko melakukan kesalahan menolak H0 padahal sesungguhnay H0 benar.
Begitu, peluang melakukan kesalahan jenis I () kita tentukan, maka
secara tidak langsung kita menentukan mana daerah penerimaan H0 dan
mana daerah penolakan H0.
67
5.3. Design Hipotesis dan Wilayah Kritis

Pasangan sebuah H0 harus dirancang memiliki hipotesis alternatif
H1 menentukan daerah penerimaan dan daerah penolakan hipotesis.
Daerah penolakan dan penerimaan hipotesis dikenal dengan nama daerah
kritis. Jika kita menguji daerah parameter dari sampel atau populasi (rata-
rata , proporsi, p dan standard deviasi,  ). Design hipotesis dapat
H0 :  = 0
H1 :   0
Hipotesis seperti ini disebut pengujian hipotesis dua arah (two tail).
Hipotesis tandingan H1 diatas disebut sebagai hipotesis alternatif dua
arah. Pengujian dengan hipotesis alternatif seperti ini disebut sebagai
pengujian hipotesis dua arah (two tail) dengan daerah penerimaan dan
penolakan seperti ditampilkan Gambar 4.1.
Wilayah H1 Wilayah H1
Wilayah H0
 

2 2
‐d 0 d
Gambar 4.1. Pengujian Hipotesis Dua Arah (two tail)
Kedua daerah dibatasi oleh ‐d dan d, yang nilainya atau harganya di

peroleh dari daftar distribusi yang bersangkutan (distribusi tabel Z, atau
tabel t) dengan menggunakan peluang yang ditentukan oleh ½ alpha
(½). Kriteria yang diperoleh adalah menerima H0 jika statistik hitung
berada di daerah antara –d dengan d, degan kata lain tidak cukup bukti
sampel menolak kebenaran hipotesis, diluar wilayah tersebut kita
menolak menolak H0, atau tidak cukup bukti sampel untuk menerima
kebenaran hipotesis.
68
Design hipotesis seperti:

H0 :  = 0
H1 :  > 0
Hipotesis H1 yang memiliki perumusan lebih besar, maka distribusi yang
digunakan didapat dari sebuah daerah kritis yang letaknya berada diujung
sebelah kanan. Luas daerah kritis atau daerah penolakan sama dengan
alpha ().
Wilayah H1
Wilayah H 0

d
Gambar 3.2. Pengujian Hipotesis Satu Arah Kanan
Jika hipotesis alternatif mengandung pernyataan lebih kecil, yang

dituliskan seperti berikut:
H0 :  = 0
H1 :  < 0
maka daerah kristis ada diujung sebelah kiri dari tabel distribusi yang
digunakan. Luas daerah ini adalah  yang menjadi batas daerah
penerimaan H0.
Wilayah H1
Wilayah H 0

-d
Gambar 3.3. Pengujian Hipotesis Satu Arah Kiri
69
Kini saatnya kita menerapkan prinsip tersebut untuk kasus khusus

yaitu menguji hipotesis terhadap rata-rata populasi (mean). Pada
kesempatan kali ini, kita asumsikan bahwa data yang kita miliki dari hasil
survei mengikuti distribusi normal dan variance populasinya diketahui.
Dalam prakteknya, variance populasi sulit untuk diketahui, dan umumnya
diduga lewat variance sample.
Untuk memberikan dasar pemikiran bagaimana menguji rata-rata
populasi ini, simaklah ilustrasi berikut. Misalkan kita tertarik untuk
menguji apakah benar bahwa berat gula kemasan 10 Kg yang dijual
disebuah minimarket adalah 10 Kg. Sesuai dengan prosedur yang
diuraikan sebelumnya, kita mulai pengujian tersebut dengan menyatakan
Hipotesis H0 yang dalam hal ini dinyatakan :
H0:  = 10
Hipotesis alternatif dapat kita susun adalah
H1 :   10 atau
H1:  > 10 atau
H1:  < 10 ;
H1 yang pertama karena menggunakan ≠ disebut hipotesis alternatif dua

arah (two tail), sedangkan dua H1 terakhir disebut sebagai pengujian
hipotesis satu arah. Pemilihan H1 tergantung pada kebutuhan, jika kita
tidak tertarik arahnya, maka uji dua arah sering dilakukan. Tetapi jika
kita tertarik untuk menguji apakah berat kemasan gula 10 Kg kurang dari
10 Kg (dalam hal ini kita sebagai konsumen), maka uji satu arah lebh
sesuai dalam hal ini adalah uji arah kiri. Misalkan kita sebagai konsumen,
yang menjadi pilihan hipotesis tandingannya adalah H1 :  < 10, dengan
demikian hipotesis lengkapnya kita susun sebagai berikut:
H0:  = 10
H1:  < 10
70
5.4. Statistik Uji

Secara umum hipotesis yang dirancang tentu harus diuji secara
statistik. Pengujian statistik dalam hal ini paling umum digunakan adalah
statistik hitung t dan z. Penggunaan statistik t umumnya memiliki sampel
kurang dari 30 sedangkan statistik z untuk sampel besar atau lebih dari 30
sampel. Pengujian pada umumnya sering dilakukan terhadap nilai tengah
(rata-rata), varian ataupun proporsi.
5.4.1. Nilai Tengah

Jika suatu populasi variannya (2) diketahui, namun ingin diuji
hipotesis bahwa nilai tengah populasinya  sama dengan nilai tertentu, 0
lawan hipotesis alternatifnya bahwa nilai tengah populasi tidak sama
dengan 0, ini dapat dituliskan menjadi:
H0 :  = 0
H0 :  ≠ 0
Sebagai contoh kasus asumsikan bahwa YLKI menerima pengaduan

masyarakat bahwa kandungan Mie Instan Cap Sarimi memiliki Lemak
Total 10 gr tidak mencukupi standar seperti apa yang tertera pada
kemasannya yakni kurang dari 10 gr. YLKI kemudian mengambil sampel
random dari pasar sebanyak 64 bungkus Sarimi. Hasil pengujian
laboratorium menunjukkan bahwa rata-rata berat 9.75 gr dan standard
deviasi 1.15 gr. Dengan taraf nyata α = 5% apakah kita percaya dengan isi
kandungan lemak Total kemasan Sarimi tersebut?.
Untuk menjawab hal tersebut, kita dapat lakukan langkah-langkah
berikut ini:
1. Design hipoteis
H0 :  = 10
H1 :  < 10
Tentukan batas kritis: Dalam hal ini adalah  = 5%. Untuk tujuan ini
lihat Tabel z pada Lampiran. Z(0.05) = - 1.64 (disesuaikan dengan arah
kiri, arah kanan atau dua arah)
71
2. Menghitung statistik z: Formula untuk statistik z adalah:
x  0
z
/ n
Dari informasi diatas diketahui bahwa n = 64, s = 1.15 gr x  9.75 gr
x  0 9.75  10  0.25  0.25

z     1.739
/ n 1.15 / 64 (1.15)(8) 0.14375
3. Tentukan letak hitung pada batas kristis
Wilayah H1 Wilayah H0
- 1.739 - 1.645
Dengan Zhitung = -1.739 sementara Z(0.05) = -1.645 (Lampiran Tabel z),

maka dapat kita menuliskan bahwa:
Zhitung = -1.739 > Z=0.05 = -1.645
Hasil pengujian menunjukkan statistik (zhitung) berada pada wilayah

hipotesis alternatif (H1), dengan kata lain bahwa kita menerima H1,
karena tidak cukup bukti untuk menerima H0.
4. Pengambilan Keputusan
Kesimpulan secara verbal dapat disebutkan bahwa kemasan Sarima
dengan kandungan total lemak 10 gr ditolak atau tidak dapat
dipercaya dengan data yang ada.
72
Selain penggunaan statistik uji z, kita juga dapat menggunakan

statistik uji t tergantung dari beberapa kondisi seperti jumlah sampel,
varian diketahui atau tidak, dan sampel yang berpasangan atau tidak.
Semua statistik uji untuk nilai tengah ditampilkan pada Tabel 4.2.
Tabel 4.2. Statistik Uji terhadap Nilai Tengah atau Rata-Rata
H0 Statistik Uji Keterangan H1 Wilayah Kritis

 = 0 x  0  diketahui  < 0 z < -z
z n  30  > 0 z > z
/ n  ≠ 0 z < -z/2 dan
z > z/2
 = 0 x  0  tidak  < 0 t < -t
t diketahui  > 0 t > t
s/ n n < 30  ≠ 0 t < -t/2 dan
df = n‐ 1
t > t/2
1-2 = d0 x1  x2   d 0 1 =2 =   - 0 <d0 z < -z
z dan   - 0 >d0 z > z
1 1 diketahui  - 0 ≠d0 z < -z/2 dan
 
n1 n2 z > z/2
1-2 = d0 x1  x 2   d 0 1 =2 =   - 0 <d0 t < -t
t tetapi  tidak  - 0 >d0 t > t
1 1 diketahui  - 0 ≠d0 t < -t/2 dan
s  df= n1 + n2 – 2
n1 n2 t > t/2
(n1 1)s12 (n2 1)s22

s2 
n1  n2 2
1-2 = d0 x1  x 2   d 0 1≠2 dan 1  - 0 <d0 t < -t
t dan 2 juga  - 0 >d0 t > t
s12 s 22 tidak  - 0 ≠d0 t < -t/2 dan
 diketahui
n1 n 2 t > t/2
d = d0 d  d0 pengamatan d <d0 t < -t

t berpasangan d >d0 t > t
sd n df = n – 1
d ≠d0 t < -t/2 dan
 d d
2 t > t/2
sd 
i
n 1
73
Seorang dokter meyakini bahwa terapi B lebih baik dari terapi A

untuk sebuah percobaan yang dilakukan secara untuk tiga pasangan.
Hasilnya ditunjukkan pada tabel berikut:
Pasangan Terapi A (gr) Terapi B (gr) Perbedaan (B-A)

1 10 30 20
2 20 45 25
3 30 45 15
Pada taraf nyata 5% dan diasumsikan berat terapi mengikuti sebaran

normal. Berdasarkan data diatas, apakah dapat dikatakan bahwa terapi B
lebih berhasil dibanding dengan terapi A dalam menurunkan kadar lemak.
Jawab:
1. Design hipotesis:
H0 : d = 0 (program terapi A sama dengan terapi B)
H1 : d > 0 (terapi B lebih baik dibanding terapi A)
2. Menghitung statistik t: Dari kasus ini dapat diketahui bahwa d  20
dan
 d d 20  202  25  202  15  202

2
sd    25  5
i
n 1 2
Sehingga nilai statistik t adalah:
d  d 0 20  0 20
t    6.9
s d n 5 3 2.89
3. Menentukan letak t statistik pada batas kristis. Batas kristis pada taraf
alpha  = 0.05 dengan df = n – 1 = 2, maka angka t(0.05, 2)= 4.303 (lihat
tabel distribusi t). Daerah kritis untuk H1 adalah t(,df) > thitung. Hasil
perhitungan menunjukkan bahwa thitung = 6.9, maka dapat dituliskan
bahwa thitung > ttabel yang mengindikasikan bahwa tidak cukup bukti
dengan data yang ada untuk menerima H0, dengan kata lain kita terima
H1. Secara visual lihat gambar berikut ini.
74
0 4.303 6.9
4. Kesimpulan: Dari gambar diatas dapat ditarik kesimpulan bahwa t

statistik berada di wilayah H1, dengan kata lain bahwa terdapat
perbedaan yang nyata antara terapi B dengan terapi A dalam hal
menurunkan kadar lemak.
5.4.2. Varian
Pada bagian akan dilakukan pengujian hipotesis terhadap
keragaman (varian) suatu populasi atau membandingkan varian suatu
populasi dengan populasi lainnya. Pengujian hipotesis nol bahwa varian
populasi 2 sama dengan nilai tertentu  02 ditulis:
H0 :  2   02
Hipotesis alternatif sebagai lawan dari hipotesis nol adalah dapat salah
satu dari ketiga berikut, yaitu:
H1 :  2   02 atau
H1 :  2   02 atau
H1 :  2   02 ,
Untuk pengujian ini kita andaikan populasi berdistribusi normal dengan
varian (2) diambil dari sebuah sampel acak berukuran n dimana varian
sampel yang besarnya adalah s2 (lihat formula sebelumnya). Statistik uji
yang digunakan dalam pengambilan kesimpulan adalah chi‐kuadrat (2).
Formula chi‐kuadrat dituliskan:
2 
n  1 s 2
 02
75
Dimana n adalah jumlah sampel, s2 adalah varian sampel, dan  02 adalah

nilai varian  2 menurut hipotesis non (H0), dengan derajat bebas n – 1
atau (df = n – 1).
Sekarang andaikan kita memiliki dua populasi dan kita ingin
menguji kesamaan dua varian dari populasi, yaitu  12 dan  12 , dengan
kata lain kita ingin menguji hipotesis nol, bahwa:
H0 :  12   22
Lawan dari H0 sebagai hipotesis alternatif dapat ditulis misalnya:

H1 :  12   22 atau
H1 :  12   22 atau
H1 :  12   22
Jika sampel yang berukuran n1 dan n2 bersifat bebas (independen), maka
nilai statistic f bagi hipotesis H0 :  12   22 adalah rasio antara varian
sampel satu dengan varian sampel kedua, dituliskan:
s2
f  12
s2
Jika kedua populasi berdistribusi normal dan hipotesis nol adalah benar,
maka statistic f merupakan suatu nilai yang mengikuti sebaran distribusi F
dengan derajat bebas df = n1 – 1 dan df = n2 – 1. Wilayah kritis dengan
ukuran alpha () untuk masing hipotesis alternatif dituliskan:
f < f(1‐, df) untuk H1 :  12   22 dan

f > f(, df) untuk H1 :  12   22 dan
f < f(1‐/2, df) dan f > f(/2, df) untuk H1 :  12   22 .
Secara sederhana dapat dituliskan bahwa jika fhitung > ftabel, maka kita
sebutkan bahwa tidak cukup bukti untuk menerima hipotesis nol, dengan
kata lain kita menerima H1 yang memiliki tingkat kesalahan pada taraf .
76
5.4.3. Proporsi
Pengujian hipotesis terhadap proporsi sangat diperlukan dalam
kehidupan sehari-hari. Contoh kasus saja misalnya pemerintah ingin
mengetahui berapa besar proporsi penerimaan Negara dari pajak migas
dan non-migas ataupun seorang pengusaha manufactur berkepentingan
mengetahui proporsi barang yang cacat selama pengiriman.
Pada bagian ini dijelaskan masalah pengujian hipotesis bahwa
proporsi keberhasilan dalam suatu percobaan binom sama dengan suatu
nilai tertentu, dalam arti bahwa kita ingin menguji hipotesis berdasarkan
sebuah sampel acak yang diambil dari populasi tersebut, yaitu
H0 : P = Po
Hipotesis alternatif dapat berupa yang satu arah, ataupun dua arah,
seperti:
H1 : P < Po, atau
H1 : P > Po, atau
H1 : P ≠ Po
P0 adalah proporsi dari kejadian tertentu yang nilainya atau harganya
diketahui. Dari sampel berukuran n dihitung proporsi P (x/n) adanya
kejadian tertentu. Dengan menggunakan pendekatan distribusi normal,
maka untuk pengujian ini digunakan statistic z dengan formula:
p  p0
z
p 0 1  p 0 
n
Kriteria untuk pengujian ini, dengan taraf  untuk kasus dua arah adalah
Terima H0 jika  z 1 1   z  z 1 1  dimana  z 1 1  diperoleh dari daftar
2 2 2
distribusi normal denga peluang ½(1-), selain itu H0 ditolak. Wilayah

kritis untuk pengujian satu arah kanan adalah z  z 0.5 sedangkan
wilayah kristis satu arah kiri adalah z   z 0.5 dimana z 0.5 diperoleh dari
tabel distribusi normal dengan peluang (0.5 - ).
77
Contoh ingin diuji bahwa distribusi jenis kelamin laki-laki dan

perempuan adalah sama yang masuk di program Diploma IPB. Sampel
acak diambil terdiri atas 5000 mahasiswa ternyata berjenis kelamin laki-
laki adalah 2558 orang. Pada taraf  = 0.05, benarkah distribusi kedua
jensi kelamin tersebut di program diploma IPB adalah sama?
Jawaban
1. Rumusan hipotesis. Karena peluang bernilai dari 0 – 1 maka, dengan
menduga bahwa peluang laki-laki sama dengan proporsi perempuan
maka kita dapat tuliskan bahwa P0 = 1 – ½ = ½ , sehingga pasangan
hipotesis yang sesuai adalah:
H0 : P = ½
H1 : P ≠ ½
2. Menghitung statistik z: Dari ilustrasi diatas kita ketahui bahwa

2558
p  0.5116 dan P0 = ½, sehingga diperoleh:
5000
p  p0 0.5116  0.5 0.5116
z    1.64
p 0 1  p 0  0.51  0.5 0.007071
n 5000
3. Tentukan batas kristis: Angka z0.05 = 1.96 (lihat tabel distribusi z).
Terima H0 jika -1.96 < zhit < 1.96. Secara visual digambarkan seperti
berikut ini
Wilayah H1 Wilayah H0 Wilayah H1
‐ 1.96 0 1.64 1.96
78
4. Kesimpulan: zhit = 1.64 < z0.05 = 1.96. yang menunjukkan statisitik z

berada pada wilayah hipotesis nol (H0), dengan kata lain bahwa kita
menerima H0, karena tidak cukup bukti untuk menolak H0. Artinya
bahwa peluang masuk di Diploma IPB antara laki-laki dan perempuan
adalah sama.
Asumsikan sekarang kita memiliki dua populasi, dan ingin menguji
hipotesis nol bahwa dua proporsi tersebut adalah sama. Misalnya kita
ingin menguji juga bahwa proporsi dokter spesialis anak lebih besar di
daerah perkotaan dibanding dengan proporsi dokter spesialis anak di
wilayah perdesaan. Secara umum, pada bagian ini kita ingin menguji
hipotesis nol bahwa:
H0 : P1 = P2 = P
Hipotesis alternatif yang sesuai dapat berupa hipotesis alternatif satu arah
atau dua arah, yaitu:
H1 : P1 < P2 = P
H0 : P1 > P2 = P
H0 : P1 ≠ P2 = P
Untuk pengujian tersebut, kita dapat mengambila dua sampel bebas

(independen) berukuran n1 dan n2 yang diambil secara acak dari dua
populasi yang diselidiki. Dimana parameter P1 dan P2 adalah proporsi
untuk masing-masing populasi yang sedang diteliti. Dengan menggunakan
pendekatan distribusi normal, maka untuk pengujian ini digunakan
statistic z dengan formula:
p1  p 2
z
pq  1 n1   1 n2  
Untuk menghitung z, pertama kita harus menduga nilai p dan q secara

berturut diperoleh dengan formula berikut ini:
79
x1  x 2
p dan q = 1 - p
n1  n 2
Wilayah kritis untuk H1 ditentukan pada uraianya sebelumnya dengan

menggunakan kurva distribusi normal.
Contoh penelitian dilakukan di Bandung terhadap 480 pemilih,
hasil survey menunjukkan bahwa 216 pemilih menyatakan memilih
pasangan Calon Nomor 1, sementara di Bogor penelitian dilakukan
terhadap 425 pemilih dan terdapat 231 yang memilih pasangan Calon
Nomor 1. Pada taraf  = 0.05, adakah perbedaan yang nyata terhadap
pemilihan Calon Nomor 1 diantara kedua lokasi tersebut?
Jawaban, asumsikan bahwa P1 mewakili Bandung dan P2 mewakili
Bogor, sehingga:
1. Design hipotesis :
H0 : P1 = P2  tidak ada perbedaan yang nyata antara kedua daerah
tersebut terhadap pemilihan calon nomor 1
H1 : P1 ≠ P2  terdapat perbedaan yang nyata antara kedua daerah
terhadap pemilihan calon nomor 1
2. Menghitung statistik z: Dari ilustrasi di atas kita ketahui bahwa:
x1  x 2 216  231
p   0.494 dan
n1  n2 480  425
q = 1 – 0.494 = 0.506
216 231
p1   0.45 dan p 2   0.544
480 425
p1  p 2 0.45  0.544
z   2.81
pq  1 n1   1 n2   (0.494)(0.506)  1 480  1 425 
80
3. Tentukan batas kristis: Dengan peluang ½ (1-) maka Z0.475 = 1.96

(diperolah dari daftar distribusi normal). Kriteria pengujian adalah
terima H0 jika -1.96 < zhit < 1.96. Zhit adalah -2.81 yang menunjukkan
bahwa tidak cukup bukti untuk menerima H0, dengan kata lain kita
terima H1, secara visual digambarkan seperti berikut ini
Wilayah H1 Wilayah H0 Wilayah H1
‐2.81 ‐ 1.96 0 1.96
4. Kesimpulan: karena angka Zhit = -2.81 berada diwilayah H1, karena

tidak cukup bukti untuk menerima H0. Artinya bahwa terdapat
perbedaan yang nyata antara kedua daerah terhadap pemilihan Calon
Gubernur Nomor 1.
5.5. Aplikasi Excel

Seorang dokter meyakini bahwa terapi B lebih baik dari terapi A
untuk sebuah percobaan yang dilakukan secara untuk tiga pasangan.
Hasilnya ditunjukkan pada tabel berikut:
Pasangan Terapi A (gr) Terapi B (gr) Perbedaan (B-A)
1 10 30 20
2 20 45 25
3 30 45 15
Pada taraf nyata 5% dan diasumsikan berat terapi mengikuti
sebaran normal. Berdasarkan data di atas, apakah dapat dikatakan bahwa
terapi B lebih berhasil dibanding dengan terapi A dalam menurunkan
kadar lemak.
81
Untuk menjawab hal ini menggunakan program Excell maka

langkah awal yang harus dilakukan adalah melakukan input data seperti
pada tabel di atas, selanjutnya:
1. Klik Data + Data Analysis, maka kotak dialog berikut ini akan muncul,
yaitu:
Gambar 4.1.
2. Pilih t-Test Paired Two Sample for Mean dan Klik tombol OK, maka
pilihan berikutnya akan muncul, yaitu:
Gambar 4.2.
82
Pada Gambar 4.2. tentukanlah isian dialog sebagai berikut:
Varibel 1 Range: $C$1$C$4

Varibel 2 Range: $B$1$B$4
Hypothesized Mean Difference = 0

Alpha = 0.05
Output Range = $B$6
Setelah mengisi semua pilihan yang sesuai, maka Klik tombol OK,
hasilnya akan terlihat seperti berikut ini:
t‐Test: Paired Two Sample for Means
Terapi B (gr) Terapi A (gr)

Mean 40 20
Variance 75 100
Observations 3 3
Pearson Correlation 0.8660
Hypothesized Mean Difference 0
df 2
t Stat 6.9282
P(T<=t) one‐tail 0.0101
t Critical one‐tail 2.9200
P(T<=t) two‐tail 0.0202
t Critical two‐tail 4.3027
Sebagai catatan bandingkan hasil ini dengan hasil manual yang telah
dikerjakan sebelumnya pada Sub Bab 4.4.1. Catat bahwa di dalam
program excel kita tidak menghitung perbedaan ( d ) antara dua
populasi tersebut, cukup memilih data asli pengamatan atau sering
dikenal dengan row data.
83
5.6. Aplikasi SAS

Secara umum program pengujian di SAS cukup banyak dan semua
hampir tersedia, kita dapat menggunakan prosedur PROC UNIVARIATE,
NPAR1WAY, TTEST, ataupun PROC MEANS, tentu penggunaan ini sangat
tergantung dari fenomena yang sedang diteliti. Dalam kasus ini kita dapat
gunakan PROC TEST. Ikut langkah berikut ini:
1. Ketikkan data pada Tabel diatas (tersedia dalam CD dengan nama file
databuku dan nama sheet uji)
2. Selanjut import data ke SAS dan gunakan PROC TEST, yaitu:
out=uji dbms=excel2000 replace;
sheet='uji'; getnames=yes;
run;
*Ciptakan data baru untuk memperoleh perbedaan (d);

Data ujites;
Set uji;
d = terapib-terapia;
run;
ods rtf file='D:\Metode_Kuantitatif\deskriptif.rtf';
proc TTEST data=ujites;
var d;
run;
ods rtf close;
3. Running program SAS akan menghasilkan output seperti berikut ini:
The TTEST Procedure

Variable: d
N Mean Std Dev Std Err Minimum Maximum
3 20.0000 5.0000 2.8868 15.0000 25.0000
Mean Std Dev DF t Value Pr > |t|

20.0000 5.0000 2 6.93 0.0202
84
5.7. Latihan 5
1. Departemen Pariwisata berpendapat bahwa rata-rata tingkat

pengeluaran wisatawan asing selama mereka berada di Bali adalah
lebih dari USD 1000. Untuk membuktikan pernyataan tersebut dipilih
secara acak 10 orang wisatawan asing dan diperoleh data pengeluaran
(USD) sebagai berikut:
950; 1075; 1200; 925; 1025; 1250; 800; 1300; 1100; 1150
Berdasarkan data di atas ujilah pada taraf nyata 5% apakah pendapat
tersebut dapat dipercaya ?
2. Yayasan Lembaga Konsumen (YLK) menerima pengaduan dari
masyarakat bahwa isi kopi bubuk cap Kapal kemasan 100 gr tidak
mencukupi standar seperti apa yang tertera pada kemasannya yakni
kurang dari 100 gr. Sebagai tanggapannya YLK kemudian mengambil
sampel random dari pasar sebanyak 40 bungkus cap Kapal kemasan
100 gr. Hasil penimbangan menunjukkan rata-rata berat 99.5 gr dan
Standard deviasi 2.0 gr. Pada taraf nyata α = 5% apakah kita percaya
dengan isi kemasan dari pabrik?
3. Suatu iklan otomotif ‘panther’ mengklaim bahwa mobilnya mampu
menghemat bahan bakar hingga 14 km per liter. Ali sebagai calon
konsumen tertarik untuk meneliti terlebih dahulu sebelum membeli,
apakah benar pernyataan tersebut ? Kalau benar Ali akan jadi membeli
dan kalau tidak benar Ali tidak jadi membeli. Ali mensurvei terhadap 7
pemilik mobil panther, dengan data sebagai berikut:
Km/ltr : 11.5 13 12.5 14 12.8 13.5 14
atas data tersebut bantulah Ali mengambil keputusan secara statistika
apakah ia harus membeli ataukah tidak ? gunakan taraf nyata 5 %
4. Sebuah penerbit surat kabar mengklaim bahwa surat kabarnya
memiliki pangsa pasar 60%. Sebuah penelitian dgn 500 responden yg
dipilih secara random menunjukkan 250 responden yg suka dengan
surat kabar penerbit itu. Dengan taraf nyata 5%, ujilah bahwa klaim
tersebut terlalu besar!
85
5. Seorang pengamat pendidikan berpendapat bahwa siswa SMU yang

lulus SBMPTN, 50% diantaranya mengikuti Bimbingan Belajar
(Bimbel). Ujilah hypotesis tersebut dengan alternative hypotesis yang
mengikuti Bimbel tidak mencapai 50%, jika dari suatu sample
sebanyak 60 lulusan 25 siswa yang mengikuti Bimbel. Gunakan taraf
nyata 0.05.
6. Bagian pengadaan barang perusahaan X dihadapkan pada dua
alternative dalam memilih supplier peralatan ATK, yaitu suplier A dan
supplier B. Suplier A terkenal dengan tingkat cacat barang kecil sekali,
tetapi pengiriman barangnya sering terlambat. Sedangkan Suplier B
terkenal dengan tingkat cacat barangnya cukup besar tetapi
pengirimannya tepat waktu Perusahaan X lebih menyukai memesan
barang dari suplier B asalkan proporsi barang yang cacat tidak lebih
dari 1% dibandingkan barang cacat supplier A. Dari pengamatan 500
item barang dari supplier A ternayata mendapatkan cacat barang 20
item. Sedangkan dari supplier B, dari 500 item barang ternyata yang
cacat sebanyak 30 item. Apakah perusahaan akan memesan barang
dari Perusahaan A atau Perusahaan B ? uji dengan alpha 5%.
7. Seorang pengamat ingin mengetahui perbedaan gaji buruh di
perusahaan A dan perusahaan B. Diperoleh data gaji (ribuan)
beberapa buruh sebagai berikut :
Perusahaan A 300 360 400 260 280 240 320 340 200
Perusahaan B 200 140 100 150 250 300 360 280 240
Dengan taraf nyata 5 % dan asumsi varians kedua populasi sama,

ujilah apakah ada perbedaan gaji buruh pada dua perusahaan tsb!
86
BAB VI
KORELASI DAN REGRESI
6.1. Pendahuluan
T
erdapat beberapa jenis metode untuk pengukuran hubungan yang
ada antara variabel-variabel ekonomi. Yang paling sederhana
adalah analisis korelasi dan analisis regresi. Pada bagian ini kita
akan mengawali pembahasan korelasi dengan analisis regresi. Meskipun
analisis korelasi memiliki kelemahan yang cukup serius, namun akan
membuat pembaca menjadi lebih familiar terhadap berbagai hubungan
antar variabel ekonomi. Analisis regresi akan dibahas tentang regresi
linier sederhana dan regresi linier berganda.
Teori ekonomi mendalilkan bahwa jumlah barang yang diminta (q)
adalah fungsi dari harga barang tersebut (p). Bentuk fungsi permintaan
dapat dituliskan q = f (p). Begitu juga dengan fungsi-fungsi lain seperti
fungsi penawaran dituliskan S = f (p), fungsi biaya C = f (q) dan fungsi
utilitas U = f (q). Hubungan-hubungan fungsional di atas mendefinisikan
ketergantungan variabel dependent dengan variabel-variabel bebasnya
(independent) dalam bentuk yang spesifik. Bentuk hubungan fungsi
tersebut, bisa linier, kuadratik, logarithma, eksponensial atau hiperbola.
Hubungan fungsional tersebut dapat diduga dengan metode ordinary least
squares (OLS), yang umum kita kenal dengan analisis Regresi. Hubungan
fungsional antara satu variabel disebut sebagai regresi linier sederhana
karena hanya satu variabel penjelas yang terdapat di sebelah kanan tanda
sama dengan.
Dalam kenyataannya bahwa banyak variabel penjelas yang dapat
mempengaruhi variabel dependent, y (variabel terikat). Contoh dalam
teori ekonomi disebutkan bahwa permintaan akan komoditi tergantung
pada harga komoditi itu sendiri, harga substitusi komoditi dan
pendapatan. Output di dalam fungsi produksi menjadi fungsi yang lebih
Bab 6. Korelasi dan Regresi
dari satu input. Dengan mengacu pada model ekonomi, lebih dari satu
variabel penjelas yang disesuaikan ke dalam model statistik tersebut
sering disebut sebagai regresi linier berganda (multiple regression model).
Pada bagian ini kita akan mempelajari pembentukan model regresi
(spesifikasi persamaan), dan metode pendugaan parameter dan
menjelaskan inferensia statistik dari model regresi. Secara bertahap kita
akan memulai pembahasan dari korelasi, regresi sederhana dan regresi
berganda.
6.2. Analisis Korelasi

6.2.1. Korelasi Pearson
Korelasi dapat didefinisikan sebagai tingkat hubungan yang ada
antara dua atau lebih variabel. Tingkat hubungan yang ada antara dua
variabel disebut sebagai simple correlation. Sedangkan tingkat hubungan
yang dihubungkan dengan tiga atau lebih variabel disebut dengan multiple
correlation. Dua variabel mungkin memiliki korelasi positif, korelasi
negatif atau mungkin tidak berkorelasi.
Korelasi positif (positive correlation). Dua variabel dikatakan
berkorelasi secara positif jika perubahan mereka cenderung sama dengan
arah yang sama, yaitu kedua variabel tersebut cenderung meningkat atau
menurun secara bersama. Contoh dalam hal ini adalah seperti yang
didalilkan dalam teori ekonomi tentang jumlah komoditi yang ditawarkan
terhadap harganya. Ketika harga meningkat maka jumlah yang
ditawarkan akan meningkat, dan sebaliknya jika harga turun maka jumlah
yang ditawarkan akan menurun.
Korelasi negatif (negative correlation). Dua variabel dikatakan
berkorelasi secara negatif jika perubahan mereka cenderung dengan arah
yang berlawanan. Misalkan X meningkat maka Y akan turun, dan
sebaliknya. Contoh dalam hal ini adalah seperti yang didalilkan dalam
teori ekonomi tentang jumlah komoditi yang diminta terhadap harganya
adalah berkorelasi negatif. Ketika harga meningkat maka jumlah komoditi
yang diminta akan menurun, dan ketika harga turun maka jumlah
komoditi yang diminta akan meningkat.
88
Tidak ada korelasi (no correlation atau zero correlation). Dua

variabel dikatakan tidak berkorelasi ketika perubahan mereka tidak
berhubungan dengan yang lainnya. Misalkan, jika X berubah maka tidak
akan mempengaruhi kecenderungan arah dari variabel Y.
Lebih tepat pengukuran secara kuantitatif dari tingkat hubungan
antara variabel X dan Y kita menggunakan parameter yang disebut dengan
koefisien korelasi (the correlation coefficient) dalam program SAS disebut
korelasi Pearson. Koefisien korelasi didefinisikan oleh formula:
rxy 
 xi y i ........................................................... (6.1)
 xi2  yi2
dimana:
xi  X i  X
y i  Yi  Y
Alternatif lain dalam menghitung koefisien korelasi adalah,
n XY   X  Y 
rxy  ......................... (6.2)
n X 2   X  n Y 2   Y 
2 2
dimana: n adalah jumlah sampel. Lebih jelas bentuk matematika untuk

menurunkan koefisien korelasi dapat dilihat pada Koutsoyiannis, (1977)
Hal: 31-37. Formula koefisien korelasi pada persamaan (6.1) dan (6.2)
memiliki dua hal pokok pada penerapannya yaitu:
1. simetri, yaitu rxy = ryx
2. hanya dapat diaplikasikan untuk hubungan linier.
Nilai koefisien korelasi bervariasi, dari -1 sampai dengan +1. Jika
nilai r positif atau negatif, maka X dan Y meningkat atau menurun secara
bersama. Nilai r = +1, hal ini mengindikasikan bahwa hubungan antara X
dan Y adalah sempurna (perfect positive correlation). Ketika nilai r negatif,
maka X dan Y bergerak pada arah yang berlawanan. Jika r = -1, maka
hubungan X dan Y adalah sempurna (perfect negative correlation), dan
ketika r = 0 maka kedua variabel tidak berkorelasi. Sebagai ilustrasi,
89
tentukan nilai koefisien korelasi antara jumlah yang ditawarkan (Y) dengan
harga (X). Contoh data ini dikutip dari Koutsoyiannis, 1977 Hal: 39.
Tabel 6.1. Korelasi Penawaran dan Harga
Penawaran Harga
No x X X y  Y Y xy x2 y2
(Y) (X)
1 10 2 ‐9 ‐51 459 81 2601
2 20 4 ‐7 ‐41 287 49 1681
3 50 6 ‐5 ‐11 55 25 121
4 40 8 ‐3 ‐21 63 9 441
5 50 10 ‐1 ‐11 11 1 121
6 60 12 1 ‐1 ‐1 1 1
7 80 14 3 19 57 9 361
8 90 16 5 29 145 25 841
9 90 18 7 29 203 49 841
10 120 20 9 59 531 81 3481
Rerata 61 11 0 0 181 33 1049
 610 110 0 0 1810 330 10490
rxy 
x y i i

1810

1810

1810
 0.9728
x y
2
i
2
i
330 10490 18.17 104.20 1860.56
Hasil ini menunjukkan bahwa nilai koefisien korelasi yang diperoleh

adalah 0.9728. Hal ini mengindikasikan bahwa derajat hubungan antara
variabel X dan Y (rxy) = 97.28 persen. Hubungan ini singnifikan pada taraf
kepercayaan 99 persen. Nilai Koefisien korelasi (ditampilkan pada baris
pertama) sedangkan uji statistik signifikansi ditampilkan pada baris
kedua.
Aplikasi komputer untuk perhitungan korelasi dapat dilakukan
dengan program aplikasi excell. Klik Data + Analyisis dan selajutnya ikut
pilihan yang diminta oleh kotak dialog excell. Secara default excell hanya
mengeluarkan korelasi pearson.
90
6.2.2. Korelasi Spearman

Formula koefisien korelasi yang dibangun pada sesi sebelumnya
didasarkan pada asumsi bahwa seluruh variabel-variabel melibatkan
variabel-variabel kuantitatif dan kita memiliki data yang akurat untuk
ukuran-ukuran mereka. Namun demikian dalam berbagai kasus nilai-nilai
variabel tersebut mungkin diukur secara kualitatif (atau variabel-variabel
binary) dan karena itu tidak dapat diukur secara numerik. Sebagai contoh.
profesi, pendidikan, pilihan pada merek-merek tertentu adalah variabel-
variabel kategori. Selain ini, masih banyak kasus lain yang nilainya tidak
sesuai dan mungkin nilai variabel tersebut mungkin tidak tersedia,
sedemikian rupa sehingga tidak mungkin menghitung nilai koefisien
korelasi dengan formula yang dikembangkan pada sesi sebelumnya. Untuk
kasus-kasus seperti ini kita dapat menggunakan rank correlation
coefficient (Sperman’s correlation coefficient).
Kita merangking pengamatan dengan urutan tertentu, misalnya
diurutkan berdasarkan ukuran, kepentingan dan lain sebagainya
menggunakan nomor 1, 2, ..., n. Dengan kata lain bahwa kita menugaskan
rangking (rank) terhadap data dan mengukur hubungan diantara rangking
mereka sebagai nilai pengganti dari nilai-nilai aktual mereka. Oleh karena
itu nama dari statistik rangking dinamai dengan rank correlation
coefficient. Jika dua variabel X dan Y dirangking dengan cara di atas maka
kita dapat menghitung rank correlation coefficient, dengan formula:
6 D 2
r  1  ...................................................................... (6.3)

n n2 1 
dimana:
D = perbedaan antara rangking pasangan yang disesuaikan antara

variabel X dan Y
n = jumlah pengamatan
Nilai r  diasumsikan berkisar antara + 1 sampai dengan -1. Ada dua
hal yang utama untuk menerapkan rank correlation coefficient, yaitu:
91
Pertama, adalah tidak berarti bahwa apakah kita memiliki rangking

pengamatan yang diurutkan berdasarkan ascending atau descending. Kita
harus menggunakan aturan yang sama dalam merangking kedua variabel.
Kedua, jika dua atau lebih pengamatan memiliki nilai sama, maka kita
menugaskan mean rank mereka. Contoh, Tabel 6.2 menampilkan data
tentang nilai rangking 10 pelajar yang dirangking menurut performa
mereka pada pekerjaan kelompok dan ujian akhir mereka.
Tabel 6.2. Rangking Pengamatan Berdasarkan Pekerjaan Rumah dan

Ujian Akhir
Rangking berdasarkan Rangking berdasarkan
Pelajar
pekerjaan kelompok ujian akhir
A 2 1
B 5 6
C 6 4
D 1 2
E 4 3
F 10 7
G 7 8
H 9 10
I 3 5
J 8 9
Sumber: Koutsoyiannis, 1977 Hal: 41
Kita diminta untuk menentukan rank correlation coefficient (koefisien

korelasi Sperman’s). Untuk hal ini kita dapat menggunakan pernyataan
PROC CORR dengan pilihan SPEARMAN. Namun langkah pertama yang
dilakukan adalah entry data Tabel 6.2. di atas ke dalam excel, dengan
nama sheet korelasi, selanjutnya tuliskan kode pernyataan SAS berikut::

out=olah dbms=excel2000;
sheet='Korelasi';
getnames=yes;
run;
92
ods rtf file='D:\Metode_Kuantitatif\hasil.rtf';

proc corr data=olah spearman;
var pr;
with ujian;
run;
ods rtf close;
ODS adalah suatu pernyataan yang berfungsi untuk menghasilkan output

SAS ke dalam format aplikasi lain HTML, RTF dan PDF. Dalam kasus ini
digunakan RTF, agar hasilnya dapat ditampilkan pada aplikasi MS. Office .
Untuk memahami fungsi ODS (output delivery system) di dalam SAS, dapat
dillihat pada Lampiran. Jalankan program dengan menekan tombol F8,
sehingga prosedur CORR akan menampilkan koefisien korelasi
SPEARMAN seperti yang terlihat pada output berikut ini:
Ouptut 6.1
Simple Statistics
Variable N Mean Std Dev Median Minimum Maximum Label
Ujian 10 5.50000 3.02765 5.50000 1.00000 10.00000 Ujian
PR 10 5.50000 3.02765 5.50000 1.00000 10.00000 PR
Spearman Correlation Coefficients, N = 10

Prob > |r| under H0: Rho=0
PR
Ujian 0.85455
Ujian 0.0016
Nilai koefisien korelasi Spearman adalah 0.85455. Hal ini

mengindikasikan bahwa derajat hubungan antara variabel WORK dan
UJIAN r  = 85 persen. Singnifikan pada taraf kepercayaan 99 persen. Kita
dapat menghasilkan koefisien korelasi lainnya, sesuai dengan alat analisis
yang digunakan. Selain korelasi PEARSON dan SPEARMAN. Prosedur
PROC CORR juga dapat mengeluarkan nilai koefisien korelasi HOEFFDING,
KENDALL dan korelasi PARTIAL (Lihat Lampiran 1).
93
6.3. Analisis Regresi

6.3.1. Regresi Linier Sederhana
Dalam model regresi persamaan tunggal, satu variabel disebut
variabel tidak bebas (dependent variable), yang dinyatakan sebagai fungsi
linier dari satu atau lebih variabel lain, yang disebut variabel yang akan
menjelaskan (explanatory variables atau independent variables). Analisis
regresi berkenaan dengan studi ketergantungan satu variabel (dependent
variable) pada satu atau lebih variabel lain (explanatory variables), dengan
tujuan menaksir atau meramalkan nilai variabel dependent, yang
dipandang dari segi nilai yang diketahui atau tetap (dalam pengambilan
sampel berulang).
Perhatian kita dalam analisis regresi apa yang dikenal dengan
ketergantungan di antara variabel yang bersifat statistik, bukan fungsional
(bersifat fungsi) atau deterministik, seperti pada ilmu fisika. Hubungan di
antara variabel yang bersifat statistik akan dihadapkan pada variabel acak
(random) atau stochastic, yaitu variabel yang mempunyai distribusi
probabilitas.
Contoh sebelumnya disebutkan, teori ekonomi mendalilkan bahwa
permintaan suatu komoditi (dependent variabel) tergantung explanatory
variables (harganya sendiri, harga komoditi lain, pendapatan dan selera
konsumen), meskipun jelas ini penting, para ahli ekonomi tidak mungkin
meramalkan permintaan secara akurat karena kesalahan yang terdapat
dalam pengukuran variabel-variabel ini dan sekelompok variabel lain
yang mempengaruhi permintaan tadi tetapi sulit untuk dikenali secara
perorangan. Jadi ada sesuatu yang ”hakiki” (”intrinsik”) atau variabilitas
random dalam variabel dependent.
Bentuk umum persamaan linier sederhana yang menunjukkan
ketergantungan variabel dependent, Y dengan variabel independent, X
dalam bentuk model matematis deterministik (deterministic mathematical
model) adalah:
Y = 0 + 1 X .................................................................................. (6.4)
94
dimana:
Y adalah variabel dependent (misalnya: tingkat penjualan/minggu)
0 adalah intersep (titik potong kurva pada sumbu Y)
1 adalah kemiringan (slope) kurva linier
X adalah variabel independent (misalnya: harga)
Model persamaan (6.4) merupakan model matematika

deterministik, karena ketika kita mengetahui nilai variabel X, maka nilai
variabel Y dapat ditentukan dengan pasti tanpa mengandung faktor
kesalahan (error). Berbeda halnya dengan model matematika stokhastik
(stochastic mathematical model) berikut ini:
Y = 0 + 1 X +  ......................................................................... (6.5)
pada persamaan (5.5), meskipun nilai variabel X tertentu (diketahui), nilai

variabel Y masih belum dapat ditentukan, karena masih terdapat faktor
error. Besarnya nilai error atau residual dapat ditentukan dengan formula:

  Y  Yˆ  ........................................................................... (6.6)
Sisa (Residual) yaitu perbedaan antara nilai aktual pengamatan, Y dengan

nilai-nilai dari prediksi yang diestimasi, Ŷ . Residual merupakan jarak
vertikal (positif atau negatif) titik-titik data dari least squares. Sedemikian
rupa sehingga kita memiliki persamaan identitas sebagai berikut:
Observasi = Fit + Residul

atau
Y = Yˆ + ( Y - Yˆ ) ........................................................ (6.7)
dimana:
Y = titik-titik data hasil pengamatan
Yˆ = titik-titik data hasil estimasi
95
Pada persamaan regresi dengan model deterministik, nilai dari  di

asumsikan bernilai 0 (nol) dengan varians sama dengan standard deviasi,
sedemikian rupa sehingga nilai pengamatan pada persamaan (6.7) sama
dengan nilai estimasinya atau Y  Yˆ .
Kita dapat menilai 0 dan 1 pada persamaan (6.5) dengan metode
garis lurus. Idealnya kita harapkan nilai 0 dan 1 sedemikian rupa
sehingga garis Y=0 + 1 X terletak pada semua pengamatan atau
observasi. Namun demikian suatu hal yang tidak mungkin, dimana garis
regresi yang diperoleh berada tepat pada semua titik-titik data
pengamatan. Melihat kenyataan tersebut, upaya terbaik yang harus
dilakukan adalah dengan mengestimasi nilai 0 dan 1 sedemikian rupa
sehingga deviasi dari antara Y = 0 + 1 X dengan titik-titik data
pengamatan sekecil mungkin. Atau dengan kata lain, nilai error akan
diminimumkan atau mempunyai kesalahan minimum (minimized the
error) antara titik estimasi dengan titik-titik data aktualnya.
Metode yang digunakan untuk mencapai kesalahan (error) yang
minimum adalah metode kuadrat terkecil (method of ordinary least‐
squares, OLS). Method of least‐squares menilai 0 dan 1 akan
meminimumkan sum of squared errors (jarak antara titik data aktual
dengan titik data estimasi) yang dituliskan sebagai berikut:

SSE   Y  Yˆ    Y  
2
0  1 X 
2
……………..……… (6.8)
dan untuk mencari nilai-nilai 1 dan 0 dapat ditentukan dengan

menggunakan formula berikut ini:
1 
n X t Yt   X t  Yt

 X  X Y  Y  ………………
t t
(6.9)
n X   X t   X  X 
2 2 2
t t
0 
Y t

1  X t
 Y  1 X …………………………….……… (6.10)
n n
96
Lebih detail dalam menurunkan formula secara matematika dapat lihat

pada Hanke, et. all. (2001). Hal: 457-458 dan Koutsoyiannis, (1977). Hal:
48-68. Model statistik garis linier regresi (straight‐line regression) pada
model persamaan tunggal (misalnya respon variabel dependent, Y yang
pengaruhi oleh variabel independent, X) dapat dituliskan sebagai berikut:
Yt = 0 + 1 Xt +  ............................................................. (6.11)
dimana deviasi  diasumsikan independent dan berdistribusi normal.

Sebagai contoh, gunakan data Tabel 6.3. (Sumber Hanke, et. all, 2001. Hal:
195) sebagai data untuk mengestimasi persamaan (6.11).
Tabel 6.3. Data Tingkat Penjualan Susu Kaleng
Minggu Tingkat Penjualan Harga

(ribu kaleng) ($ dollar)
Y X
1 10 1.3
2 6 2.0
3 5 1.7
4 12 1.5
5 10 1.6
6 15 1.2
7 5 1.6
8 12 1.4
9 17 1.0
10 20 1.1
Sumber: Hanke, et.all. 2001
Untuk mengestismasi persamaan (6.11), dapat digunakan PROC

REG, ataupun PROC MODEL, dan untuk menghasilkan nilai prediksi dan
residual, gunakan pilihan OUTPUT setelah pernyataan MODEL. Berikut ini
kode program SAS yang sesuai untuk menghasilkan koefisien estimasi
persamaan (6.11), yaitu:
97

out=regresi dbms=excel2000;
sheet='regre1'; getnames=yes;
run;

proc reg data=regresi;
model y = x;
output out=h_pre predicted=pred_y residual=sisa_y;
run;
proc print data=h_pre; run;
ods rtf close;
Tekan tombol F8 untuk atau kliki tombol , sehingga pernyataan PROC

REG akan menghasilkan nilai koefisien estimasi seperti yang terlihat pada
Output berikut ini.
Output 6.2
Analysis of Variance
Source DF Sum of Squares Mean Square F Value Pr > F
Model 1 174.17524 174.17524 23.45 0.0013
Error 8 59.42476 7.42809
Corrected Total 9 233.60000
Root MSE 2.72545 R-Square 0.7456

Dependent Mean 11.20000 Adj R-Sq 0.7138
Coeff Var 24.33440
Parameter Estimates
Parameter Standard
Variable Label DF Estimate Error t Value Pr > |t|
Intercept Intercept 1 32.13592 4.40859 7.29 <.0001
X X 1 -14.53883 3.00245 -4.84 0.0013
98
Predicted (pred_y) and Residual (sisa_y)

Obs Y X pred_y sisa_y
1 10 1.3 13.2354 -3.23544
2 6 2.0 3.0583 2.94175
3 5 1.7 7.4199 -2.41990
4 12 1.5 10.3277 1.67233
5 10 1.6 8.8738 1.12621
6 15 1.2 14.6893 0.31068
7 5 1.6 8.8738 -3.87379
8 12 1.4 11.7816 0.21845
9 17 1.0 17.5971 -0.59709
10 20 1.1 16.1432 3.85680
Pernyataan PROC REG selain menghasilkan koesifien paremeter, juga

menghasilkan standar error, uji statistik t, F dan berbagai ukuran-ukuran
statistik lainnya. Kita akan menjelaskan secara detail dimulai dengan
menuliskan hasil estimasi persamaan (6.11) sebagai berikut:
Yˆ  32.135  14.538 X
Slope koefisien 1 diinterpretasikan sebagai rata-rata perubahan pada Y

yang terjadi ketika X meningkat 1 unit. Dalam contoh di atas, Y menurun
rata-rata 14.538 (yaitu 14.548 lebih sedikit susu kaleng yang terjual)
ketika X meningkat sebesar $ 1 (biaya per susu kaleng meningkat $ 1).
Dengan kata lain bahwa setiap peningkatan X sebesar $ 1 maka tingkat
penjualan susu kaleng akan menurun rata-rata sebesar 14.548 kaleng.
6.3.1.1. Standard Error Estimated

Standard error of the estimate bertujuan untuk mengukur
ketepatan model persamaan regresi yang dihasilkan dalam mengestimasi
99
nilai variabel dependent dengan metode kuadrat terkecil (ordinary least

squares). Untuk mencari nilai Standard error of the estimate dapat
digunakan formula berikut ini:
 Y  Yˆ 
2
Se  ........................................................................... (6.12)
n2
atau
Se 
Y 2
  0  Y   1  XY
.............................................. (6.13)
n2
Pada contoh kasus kita (hasil program SAS di atas), diketahui bahwa
standar error estimasi yang ditandai dengan label root mean squares error
(Root MSE). Nilai MSE dapat diperoleh dengan cara:
 Y  Yˆ 
2
SSE
MSE    S e2 ........................................................ (5.14)
n2 n2
Nilai Root MSE = 2.725 atau Nilai Se = 2.725 adalah secara moderat relatif
kecil, yang mengindikasikan bahwa variasi di dalam Y (penjualan susu
kaleng) tidak dijelaskan oleh variabel X (harga) sebesar 2.725%.
6.3.1.2. Dekomposisi Varian

Berikut ini kita akan menjelaskan dan menguraikan variasi pada
estimasi persamaan, kita akan memulai dengan menggunakan persamaan
(6.4) sebagai berikut:
Y = Ŷ + ( Y - Yˆ )
atau dapat dituliskan dalam bentuk berikut ini:
Y 
 ˆ0  ˆ1 X   Y  ˆ 0  ˆ1 X  ............ (6.15)
100
dijelaskan oleh  residual atau 

nilai aktual Y =   + 
hubungan linier  deviasi 
Kurangkan dengan nilai Y di kedua sisi persamaan (6.15) akan

menghasilkan persamaan berikut ini:
Y  Y   Yˆ  Y   Y  Yˆ  …………………………………. (6.16)
Dengan menambah pangkat dan menjumlahkannya ( tanda  ), maka

dengan menggunakan aljabar kita dapat menghasilkan persamaan (6.17),
yang disebut dengan sum of square berikut ini:
 Y  Y    Yˆ  Y   Y  Yˆ 
2 2 2
 ……………….. (6.17)
atau
SST = SSR + SSE
 var iasi yang dapat   sisa atau var iasi 
total    +  yang tidak dapat 
 var iasi Y  = dijelaskan oleh   
  hubungan linier   dijelaskan (error )
Dimana:
sum of square regression  
SSR   Yˆ  Y
2
SSE   Y  Yˆ 
2
sum of square error
SST   Y  Y 
2
sum of square total
SS disini adalah singkatan dari sum of squares dan T, R, E berturut adalah

total, regression, dan error. Sum of squares memiliki derajat bebas (degrees
of freedom) adalah:
df (SSR) = 1
df (SSE) = n – 2
df (SST) = n – 1
101
Jumlah kuadrat (Sum of square) yang sesuai dengan masing-masing

derajat bebasnya (degree of freedom) adalah:
n – 1 = 1 + (n – 2) ……………………………………….. (6.18)
Jika disana tidak terdapat hubungan linier, maka Y tidak tergantung pada
X dan variasi di dalam Y dijelaskan oleh variasi sampel (sample variance),
sebagai berikut:
S2 
1
 Y  Y 2 ……………………………………… (6.19)
n 1
Kolom terakhir dari Tabel ANOVA (Tabel 6.4) adalah mean square. Mean
square regreesion, MSR, adalah jumlah kuadrat regresi dibagi dengan
derajat bebasnya (degree of freedom). Hal yang sama dengan mean square
error, MSE, adalah jumlah kuadrat error dibagi dengan derajat bebasnya.
Mengulang persamaan (5.14),
 Y  Yˆ 
2
SSE
MSE    S e2
n2 n2
maka kita dapat menyusun Tabel ANOVA. Tabel ANOVA regresi linier
Sederhana ditampilkan pada Tabel 6.4. Mengacu pada Tabel 6.4, dapat
disusun Tabel ANOVA yang hasilnya dapat dilihat Analysis of Variance
pada Output 6.2.
Tabel 6.4. Tabel ANOVA Regresi Linier Sederhana

Degree of Sum of Mean
Variasi F value
Fredom Squares Square
Regression 1 SSR MSR = SSR/1 MSR/MSE
Error n–2 SSE MSE = SSE/(n-2)
Total n–1 SST
102
6.3.1.3. Koefisien Determinasi

Untuk memeriksa model persamaan regresi yang telah terestimasi
cukup baik atau tidak, kita dapat melihat seberapa dekatkah garis regresi
yang terestimasi dengan data aktualnya. Ukuran-ukuran yang biasa
digunakan adalah koefisien determinasi (coefficient of determination,).
Coefficient of determination merupakan suatu ukuran yang
menjelaskan seberapa besar variasi dependent, Y dapat dijelaskan oleh
regressor, X, dengan kata lain persentase variabilitas pada Y yang dapat
dijelaskan oleh variabel independen, X. Seperti yang dijelaskan
sebelumnya, SST mengukur total variasi Y dan bagian total variasi yang
dijelaskan oleh pergerakan di dalam X adalah SSR. Sisanya atau yang tidak
dapat dijelaskan adalah SSE. Ratio dari SSR terhadap SST disebut
coefficient of determination yang disimbol dengan r2. Formulanya
 Yˆ  Y 
2
Explained var iation SSR
r 
2
  ………….. (6.20)
 Y  Y 
2
Total var iation SST
atau
r  1
2 Un exp lained var iation
 1
SSE
 1
 Y  Yˆ
2

… (6.21)

Total var iation SST  Y  Y 2
Sedangkan untuk mencari nilai Adjusted r squared r ,

2
kita dapat
sesuaikan dengan masing-masing derajat bebasnya, sehingga:
 Y  Yˆ 
2
SSE
r 2  1 n  2  1 n2 …………………… (6.22)
 Y  Y 
2
SST
n 1
n 1
Pada contoh kasus Output yang dihasilkan SAS, nilai r2 yang diberi label
dengan R‐square adalah:
103
174.175
r2   0.746
233.60
atau
59.424
r 2  1  1  0.254  0.746
233.60
 
Sedangkan nilai Adjusted r squared r 2 , yang diberi label Adj ‐ Sq adalah:
SSE 59.42
r  1
2 n  2  1 8
 1  0.286  0.714
SST 233.60
n 1 9
R-Square = 0.746 dapat diinterpretasikan bahwa sekitar 74.6 persen

variasi tingkat penjualan susu kaleng dapat dijelaskan oleh harga susu
kaleng. Sedangkan sisanya atau sekitar 25.4 persen lagi dijelaskan oleh
variabel lainnya yang tidak dimasukkan di dalam model.
6.3.2. Evaluasi Model

Sebelum pengujian hipotesis, pertama sekali kita harus
mengevaluasi hasil koefisien estimasi dari model. Evaluasi hasil etimasi
model persamaan umumnya dibagi dalam tiga bagian, yaitu: (1) kriteria
ekonomi, (2) kriteria statistika dan (3) kriteria ekonometrika. Berikut
akan kita jelaskan ketiga kriteria tersebut, sebagai berikut:
6.3.2.1. Economic ‘A Priori’ Criteria

Economic ‘A Priori’ Criteria, dalam hal ditentukan oleh prinsip-
prinsip yang sesuai dengan kriteria ekonomi, yang mengacu pada arah
dan besaran (mangnitude dan sign). Pada contoh kita, permintaan susu
kaleng (Y) dipengaruhi oleh harganya (X) dimana hipotesis atau tanda
yang kita harapkan adalah negatif (slope koefisien estimasi negatif). Hal
yang mendasari bahwa dalam teori permintaan, jumlah yang diminta akan
menurun ketika harga komoditi tersebut meningkat. Hasil estimasi
menunjukkan bahwa (Output 6.2):
104
Yˆ  32.135  14.538 X
Dengan melihat hasil estimasi, dapat disimpulkan bahwa hasil koefisien

estimasi mengikuti dalil ekonomi (sesuai dengan tanda yang harapkan),
yaitu harga (X1) memberikan tanda negatif. Jika koefisien estimasi positif,
maka hal ini melanggar prinsip ekonomi dan hasil estimasi tersebut tidak
menjadi berarti atau bermakna secara ekonomi (meaning less). Dengan
kata lain bahwa kriteria a priori selalu mengacu pada konsep teori
ekonomi.
6.3.2.2. Statistical Criteria

Statistical criteria: first‐order tests, ditentukan oleh teori statistik
dan membantu evaluasi model secara statistika yang dapat dipercaya dari
keofisien estimasi model. Kriteria statistik yang paling sering digunakan
adalah correlation coefficient dan standard deviation (standar error)
estimasi. Kriteria statistik adalah kriteria pertama setelah kriteria a priori
ekonomi.
Paramater estimasi dapat ditolak jika yang terjadi pada mereka
memiliki tanda yang “salah” walaupun koefisien korelasi tinggi atau
standard error diyakini bahwa estimasi parameter secara statistik
signifikan (berbeda nyata dengan nol). Dalam banyak kasus secara
statistik terpenuhi, tetapi secara teori tidak mungkin atau tidak masuk
akal (make no sense) dari dasar kriteria teori ekonomi, sehingga kita perlu
melakukan respesifikasi model untuk menyesuaikan dengan dalil ekonomi
yang ada. Langkah pertama untuk pengujian hipotesis kita dapat tuliskan:
H0 : 1 = 0
H1 : 1  0
H0 memiliki arti bahwa tidak ada hubungan atau pengaruh secara linier
antara variabel Y dan X. Atau dengan kata lain, secara statistik tidak
berbeda nyata dengan nol pengaruh X terhadap variabel dependent,
Y. Sedangkan
105
H1 memiliki makna bahwa ada hubungan atau pengaruh secara linier

antara variabel Y dan X. Atau dengan kata lain secara statistik
berbeda nyata dengan nol pengaruh X terhadap variabel dependent,
Y.
Jika H0 : 1 = 0 adalah benar, maka nilai uji statistic-t, adalah:
1
t ............................................................................... (6.23)
S b1
yang memiliki suatu distribusi t dengan derajat bebas, df = n – 2. Dalam
hal ini koefisien estimasi standard deviation (atau standard error) adalah:
Se
S 1  ........................................................... (6.24)
 X  X 
2
Pada contoh kasus kita (Output 6.2), dapat diketahui bahwa koefisien
estimasi standar error variabel independent, X adalah:
Se
S 1  = 3.002
 X  X 
2
sehingga nilai uji statistik-t adalah:
1  14.5388
t   4.842
S b1 3.002
Nilai t-tabel dengan derajat bebas n – 2 = 8 pada level 0.01 dan 0.05
adalah:
t0.01 = 3.896 (lihat tabel distribusi t)

t0.05 = 1.860 (lihat tabel distribusi t)
106
Karena statistik uji-t > ttabel atau nilai multak | t | = 4.842 > t0.01 = 3.335,
maka kita dapat menolak H0 signifikan pada taraf alpha 1 persen atau
tidak cukup bukti untuk menerima H0. Dengan kata lain kita dapat
menerima H1 yang mengindikasikan bahwa explanatory variabel (X)
berbeda nyata dengan nol pada taraf kepercayaan 99 persen.
Cara lain untuk mengetahui apakah secara individu independent
variabel berbeda nyata dengan nol pada taraf tertertu tanpa melihat
distribusi tabel-t adalah dengan menggunakan langsung nilai Prob > | T |
yang dihasilkan oleh SAS.
Contoh kasus kita (Output 6.2) dapat diketahui bahwa variabel
independent, X, secara statistik berbeda nyata dengan nol pada level
0.0013. Uji-t dapat digunakan sebagai suatu pengujian secara individu
variabel independent, sedangkan uji alternatif secara keseluruhan yang
dapat digunakan adalah uji statistik F. Jika asumsi dari statistik model
regresi linier adalah sesuai dan jika hipotesis nol H0 : 1 = 0 adalah benar,
maka rasio:
regression mean square MSR

F  ................................ (6.25)
Error mean square MSE
yang memiliki distribusi F dengan derajat bebas, df=1, n – 2. Jika H0 benar,

maka rasio MSR dengan MSE, Frasio < Ftabel, dan, jika H1 : 1  0 benar, maka
pembilang di dalam rasio Fvalue cenderung lebih besar dari pada penyebut.
Besarnya nilai F rasio konsisten dengan hipotesis alternatif dengan kata lain
jika Frasio > Ftabel, maka H0 ditolak atau H1 diterima.
Uji hipotesis H0 : 1 = 0 versus H1 : 1  0 didasarkan pada F rasio:
MSR
F dengan df = 1, n – 2.
MSE
Pada level , dimana daerah penolakan H0 adalah Frasio > F . Pada kasus
kita (Output 5.2) dapat kita ketahui bahwa nilai Frasio adalah:
107
MSR 174.175
F   23.448
MSE 7.428
dengan derajat bebas, 1 = 1 dan 2 = 8, sedemikian rupa sehingga nilai

Ftabel adalah:
F0.01  11.26 (Lihat tabel distribusi F)
Karena Frasio = 23.448 > F0.01 = 11.26, maka hipotesis H0 : 1 = 0 dapat kita
tolak. Atau dengan kata lain kita terima H1. Dalam arti bahwa model
persamaan regresi secara statistik berbeda nyata dengan nol pada tingkat
alpha 0.01.
Kita juga dapat menentukan apakah suatu model persamaan
regresi secara statistik berbeda nyata nol atau tidak dengan melihat
langsung nilai probability yang diberi label Prob > F oleh program SAS.
Pada contoh kita (Output 6.2) dimana nilai Prob > F = 0.0013, hal ini
mengindikasikan bahwa model persamaan regresi secara statistik
berbeda nyata dengan nol pada level 0.0013.
r 2 n  2
F ......................................................................... (6.26)
1 r2
Pada Persamaan (6.26) adalah alternatif atau cara lain untuk mencari nilai
statistik Frasio, dapat juga diekspresikan dalam istilah koefisien
determinasi (r2) sebagai berikut:
6.3.2.3. Econometric Criteria: Second‐Order Test

Econometric criteria: second‐order test ditentukan oleh ilmu
ekonometrika yang membantu mengevaluasi apakah asumsi dari metode
ekonometrika terpenuhi atau tidak pada kasus-kasus tertentu. Kriteria
ekonometrik membantu kita untuk menetapkan apakah estimasi yang
diinginkan memiliki properties unbiasedness, consistency dan lain-lain
(lebih jelasnya lihat Koutsoyiannis, 1977. Hal: 100 – 116).
108
Pada kriteria ini, kita juga akan menguji tentang asumsi dari
metode pendugaan ordinary least square (OLS), antara lain asumsi
multicollinearity, autocorrelation dan heteroscedasticity (Lebih jelasnya
lihat Koutsoyiannis, 1977. Hal: 55 – 58). Dalam buku ini dapat dilihat
pada topik Pelanggaran Asumsi Model Klasik Bab 6.
6.3.3. Estimasi Elastisitas dari Garis Regresi

Secara umum hasil dari estimasi model yang telah diestimasi
dengan menggunakan metode OLS dituliskan:
Yˆ  ˆ0  ˆ1 X ………………………………………………. (6.27)
adalah persamaan garis regresi dimana ˆ0 adalah intercept dan ̂1
merupakan slope. Koefisien ̂ 1 adalah derivatif dari Ŷ responnya
terhadap X, yaitu:
dYˆ
ˆ1  ……………………………………………………. (6.28)
dX
yang menunjukkan perubahan di dalam Ŷ karena perubahan jumlah yang

kecil di dalam X. Hal ini jelas bahwa, jika fungsi estimasi adalah linier
maka koefisien ̂1 bukan merupakan elastisitas harga, tetapi merupakan
komponen dari elastisitas, yang kita definisikan dengan formula:
dY X
p  ………………………………………………… (6.29)
dX Y
dimana:
p = elastisitas harga
Y = jumlah yang diminta
X = harga
109
dY
Lebih jelas ̂1 adalah komponen , maka dari fungsi estimasi
dX
kita akan menghasilkan suatu elastisitas rata-rata (average elasticity),
sebagai berikut:
X X
 p  ˆ1  ˆ1 ……………………………………….. (6.30)
Yˆ Y
dimana:
X = harga rata-rata
Y = rata-rata jumlah yang diminta
Catat bahwa pada persamaan (6.30) nilai Yˆ  Y (Lebih lengkap bukti

matematika dapat dilihat Koutsoyiannis, (1977) Hal: 66-67. Dengan
demikian maka kita dapat memperoleh nilai elastisitas harga terhadap
permintaan susu kaleng, yaitu:
X 1.44
 p  ˆ1  14.53  1.869
Y 11.2
Pada persamaan (6.30) elastisitas harga rata-rata terhadap permintaan

susu kaleng adalah  = -1.869, artinya bahwa ketika harga meningkat 1
persen, ceteris paribus, maka jumlah yang diminta (susu kaleng) akan
menurun sebesar 1.869 persen. Dengan hasil ini juga mengindikasikan
bahwa respon perubahan permintaan susu kaleng terhadap perubahan
harga susu kaleng (harga sendiri) adalah elastis dalam jangka pendek.
Elasititas dalam jangka panjang tidak dapat diduga, karena dalam
persamaan tidak memperhitungkan nilai lag dari dependent variabel.
Formula umum untuk melihat elastisitas jangka panjang adalah:
p
 LR  ………………………………………………………….. (6.31)
1  ˆ Lag 
Dimana  LR adalah elastisitas jangka panjang, ̂ Lag adalah koefisien
parameter untuk variabel endogen.
110
6.3.4. Regresi Linier Berganda

Model regresi linier sederhana hanya melibatkan satu variabel
independent dalam mengestimasi nilai variabel dependent. Dalam regresi
linier berganda, dalam mengestimasi variabel dependent menggunakan
lebih dari satu independent (explanatory) variabel, misalnya (variabel X1
dan X2). Model persamaan regresi, lebih dari satu explanatory variables
disebut model regresi linier berganda (multiple regression model).
Dalam dunia nyata, sering kali kita temui bahwa perubahan suatu
variabel dependent dipengaruhi oleh lebih dari satu predictor variables.
Contoh kasus sebelumnya diketahui bahwa penjualan susu kaleng hanya
dipengaruhi oleh harganya sendiri, pada bagian ini kita dapat menambah
variabel lainnya yang dianggap relevan mempengaruhi tingkat penjualan
susu kaleng, misalnya biaya promosi.
Pada Tabel 6.5. adalah data tingkat penjualan susu kaleng dengan
beberapa variabel variabel bebas seperti harga (X1) dan promosi (X2).
Dalam kasus ini diasumsikan bahwa tingkat penjualan susu kaleng
dipengaruhi oleh harganya sendiri dan biaya promosi yang dikeluarkan
oleh perusahaan.
Tabel 6.5. Tingkat Penjualan, Harga dan Promosi Susu Kaleng
Minggu Penjualan Harga Promosi

(ribu kaleng) ($ / kaleng) ($ 100)
Y X1 X2
1 10 1.3 9
2 6 2.0 7
3 5 1.7 5
4 12 1.5 14
5 10 1.6 15
6 15 1.2 12
7 5 1.6 6
8 12 1.4 10
9 17 1.0 15
10 20 1.1 21
Sumber: Hanke, et.all. 2001
111
6.3.5. Model dan Metode Estimasi Regresi

Dengan memperluas model regresi linier dua atau lebih variabel
independent, maka model persamaan regresi dengan variabel dependent, Y
dan k variabel bebas (independent variables), X1, X2, ..., Xk, secara umum
model statistik untuk regresi liner berganda ini dapat dituliskan sebagai
berikut:
Yi = 0 + 1 X1i + 2 X2i + ... + k Xki + i .............................. (6.32)
dimana:
Y = variabel terikat (dependent variable)
0 = intercept
1,.., k = koefisien parameter regresi
 = faktor stochastic (error term)
i =1,2,..n = pengamatan ke-i
Sebagai contoh, Tabel 6.5. andaikan kita ingin mengetahui perilaku tingkat
penjualan susu kaleng, maka kita dapat menuliskan persamaan regresi
linier berganda sebagai berikut:
Y = 0 + 1 X1 + 2 X2 +  ........................................................... (6.33)
Persamaan (6.33) dapat diestimasi dengan menggunakan metode ordinary

least squares, OLS, dengan formula matriks sebagai berikut:
ˆ k   X ' X 1 X ' Y .............................................................. (6.34)
dimana:
ˆ k = koefisien parameter regresi
 X ' X 1 = inverse cross‐product matrix
X' = transpose vektor matriks variabel bebas, X
Y = vektor matriks variabel terikat, Y
112
Secara lengkap bentuk aljabar matriks metode dan OLS dapat dilihat pada
Verbeek, M. 2000. Hal 7-13. Hasil parameter estimasi menggunakan
metode OLS dapat dituliskan menjadi:
Yˆ  ˆ0  ˆ1 X 1  ˆ 2 X 2 ............................................................. (6.35)
Untuk mencari nilai koefisien parameter regresi pada persamaan (6.34)

yang akan menghasilkan persamaan (6.35), kita dapat menggunakan
prosedur PROC REG di program SAS atau menggunakan aplikasi MS. Office
Excell. Dalam kasus ini penulis akan mencoba membuat aplikasi Excell
dan SAS.
6.3.5.1. Aplikasi Excell

Dalam contoh aplikasi kita menggunakan data pada Tabel 6.5.
Ketikkan data tersebut, di dalam program Excell untuk penyeragaman
buat nama file databuku dengan nama sheet regres2. Di dalam sheet
tersebut, lakukan tahapan berikut:
 Klik Data + Klik Data Analysis, kotak dialog pada Gambar 5.1. mucul
Gambar 6.1. Kotak Dialog Data Analysis
 Pilih Regression (untuk analisis regresi), maka kotak dialog berikutnya

akan muncul
113
Gambar 6.2. Kotak Dialog Regresi
 Kotak dialog Input:

 Drag Input Y Range: Klik dan drag dan sorot semua nilai
entrian termasuk nama variabelnya dalam hal ini dipilih variabel
dependent
 Drag Input X Range: Klik dan drag dan sorot semua nilai
entrian termasuk nama variabelnya dalam hal ini dipilih variabel
independent
 Beri tanda centang pada Label
 Klik pada Output Range, tentukan sel untuk output pendugaan
(dalam kasu s ini adalah di sel G2)
 Selanjutnya button OK, untuk menjalankan program, hasilnya
ditampilkan pada Output 6.3 berikut:
114
Output 6.3
SUMMARY OUTPUT
e
Regression Statistics
Multiple R 0.96536
R Square 0.93193
Adjusted R Square 0.91248
Standard Error 1.50720
Observations 10
ANOVA
df SS MS F Significance F
Regression 2 217.699 108.849 47.917 0.0001
Residual 7 15.901 2.272
Total 9 233.600
Coefficients Standard Error t Stat P‐value

Intercept 16.4064 4.3425 3.7781 0.0069
X1 -8.2476 2.1961 -3.7556 0.0071
X2 0.5851 0.1337 4.3771 0.0032
Sebelum menjelaskan hasil ini, perlu dicatat bahwa Data Analysis di

Aplikasi Excell tidak terinstall secara default. Untuk menambah menu Data
Analysis, maka perlu diinstall ke dalam komputer. Untuk tujuan ini dapat
dilihat di Lampiran Data Analysis.
Output program Excell pada Output 6.3 dapat dituliskan sebagai
berikut:
Yˆ  16.4064  8.2476 X 1  0.5851 X 2

(-3.755) (4.377)
R2 = 0.9653
115
Hasil estimasi diketahui bahwa koefisien determinasi, R2 = 0.9653.

Hal ini dapat diartikan bahwa variasi perubahan tingkat penjualan susu
kaleng dapat dijelaskan oleh variabel harganya sendiri (X1) dan biaya
promosi (X2) sebesar 96.53 %, sedangkan sisa sebesar 3.47 % dijelaskan
oleh faktor lain di luar model.
Lebih jauh dijelaskan bahwa tambahan kenaikan harga (X1)
sebesar $1, ceteris paribus, akan menurunkan tingkat penjualan susu
kaleng sebesar $-8.247. Sementara kenaikan biaya promosi sebesar $1,
ceteris paribus, akan meningkatkan tingkat penjualan susu kaleng sebesar
$ 0.585. Kedua variabel X1 dan X2 secara statistik juga signifikan
mempengaruhi variasi tingkat penjualan susu kaleng.
6.3.5.2. Aplikasi SAS

Sub bagian sebelumnya telah dijelaskan menggunakan aplikasi
Excell, berikut ini akan digunakan aplikasi SAS. Data yang digunakan
masih pada Tabel 6.5. dengan prosedur PROC REG. PROC REG secara
otomatis menggunakan metode OLS. Berikut adalah kode program SAS
yang sesuai untuk menghasilkan koefisien parameter tersebut, yaitu:

out=reg2 dbms=excel2000;
sheet='regre2';
getnames=yes;
run;
proc reg data=sales;

model y = x1 x2;
label x1=’’
x2=’’
run;
Tekan tombol F8 untuk melaksanakan prosedur PROC REG, sehingga

prosedur REG akan menghasilkan koefisien estimasi seperti yang terlihat
pada Ouput 6.4.
116
Output 6.4.
Analysis of Variance
Sum of Mean
Source DF Squares Square F Value Pr > F
Model 2 217.69851 108.84926 47.92 <.0001
Error 7 15.90149 2.27164
Corrected Total 9 233.60000
Root MSE 1.50720 R-Square 0.9319

Dependent Mean 11.20000 Adj R-Sq 0.9125
Coeff Var 13.45711
Parameter Estimates
Parameter Standard
Variable Label DF Estimate Error t Value Pr > |t|
Intercept Intercept 1 16.40637 4.34252 3.78 0.0069
X1 Harga 1 -8.24758 2.19606 -3.76 0.0071
X2 Promosi 1 0.58510 0.13367 4.38 0.0032
Hasil parameter estimasi pada persamaan (6.33) menggunakan metode

OLS yang sesuai seperti yang ditunjukkan pada Output 6.4, dan hasilnya
tidak berbeda dengan output Excell, dapat dituliskan sebagai berikut:
Yˆ  16.406  8.246 X 1  0.585 X 2
menunjukkan bahwa harga susu (X1) berpengaruh negatif terhadap

tingkat penjualan susu kaleng, sedangkan biaya promosi (X2) berpengaruh
positif terhadap tingkat penjualan susu kaleng. Kedua explanatory variabel
ini secara statistik berbeda nyata dengan nol pada level berturut-turut
untuk X1 dan X2 adalah 0.0071 dan 0.0032 (lihat nilai Prob > | T | ).
117
6.3.6. Statistik Inferensi Regresi Linier Berganda

6.3.6.1. Dekomposisi Varian
Inferensia statistik model regresi linier berganda sama halnya
dengan model regresi linier sederana. Kita mulai dengan melakukan
dekomposisi varian, dimana observasi Y dituliskan kembali seperti
menjadi:
Observasi = Fit + Residul

atau
Y = Yˆ + ( Y - Yˆ ) ........................................... (6.36)
Dengan menguraikan (dekomposisi) sum of square yang dihubungkan

dengan masing-masing derajat bebasnya (degree of freedom) adalah:
 Y  Y    Yˆ  Y    Y  Yˆ 
2 2 2
……………………… (6.37)
SST = SSR + SSE
df: n–1 = k + n–k–1
Total variasi, SST, terdiri dari dua komponen, pertama SSR, yaitu variasi
yang dapat dijelaskan oleh prediktor variabel melalui perkiraan model
fungsi regresi, dan kedua SSE, yaitu variasi yang tidak dapat jelaskan oleh
model regresi atau variasi error. Informasi persamaan (6.37) dapat
disusun pada tabel analysis of variance (ANOVA), seperti yang terlihat
pada Tabel 6.6.
6.3.6.2. Standard Error Estimated

Kesalahan standar estimasi (standard error of the estimate) adalah
standar deviasi dari residual. Formulasi standard error estimasi model
regresi linier berganda adalah:
118
 Y  Yˆ 
2
SSE
Se    MSE ............................ (6.38)
n  k 1 n  k 1
dimana:
n = jumlah pengamatan
k = jumlah variabel bebas (independent) di dalam model regresi

SSE   Y  Yˆ  2
= residual sum of square
SSE
MSE  = residual mean square
n  k 1
Pada contoh kasus kita (hasil Output 6.4) dapat diketahui bahwa nilai
standard error estimasi, yang diberi label dengan Root MSE = 1.50720,
mengindikasikan bahwa variasi di dalam Y (penjualan susu kaleng) tidak
dijelaskan oleh variabel X1 dan X2 sebesar 1.507 kaleng, atau dengan kata
lain terdapat sebesar 1.507 kaleng perbedaan antara nilai-nilai data aktual
dengan nilai-nilai hasil estimasi model regresi.
6.3.6.3. Tingkat Signifikansi Model

Model regresi linier sederhana hanya terdapat satu predictor
variabel, konsekuensinya pengujian untuk tingkat signifikansi model
regresi menggunakan Frasio dari Tabel ANOVA adalah equivalent dengan
statistik uji-t dari hipotesis bahwa slope garis regresi sama dengan nol.
Untuk regresi linier berganda, statistik uji-t digunakan untuk menguji
koefisien regresi signifikan atau tidak secara individu, sedangkan statistik
uji F digunakan untuk menguji secara keseluruhan koefisien regresi dalam
menentukan nilai dependent variabelnya.
Uji-t hipotesis nol adalah

H0 : j = 0,
sedangkan dalam uji-F hipotesis nol adalah
H0 : 1 = 2 = … = k = 0
119
Hipotesis ini menunjukkan bahwa tidak terdapat hubungan linier

antara dependent variable dengan variabel bebasnya (independent
variables). Uji H0 digunakan sebagai uji significance of the regression. Jika
model regresi yang diasumsikan adalah sesuai dan H0 benar, maka rasio:
MSR
F .............................................................................. (6.39)
MSE
Distribusi F persamaan (6.39) memiliki derajat bebas, df = k, n – k – 1.

Selanjutnya Frasio dapat digunakan untuk uji signifikansi model regresi,
dimana daerah penolakan H0: adalah Frasio > Ftabel. Tabel analysis variance
(ANOVA) berdasarkan pada dekomposisi total variasi Y (SST) ditampilkan
pada Tabel 6.6.
Tabel 6.6. Tabel ANOVA Model Regresi Linier Berganda
Sum of
Sumber Deviasi df Mean Square F rasio
Squares
SSR MSR
Regression k SSR MSR  F
k MSE
SSE
Error n–k–1 SSE MSE 
n  k 1
Total n–1 SST
Pada contoh kasus hasil Output 5.4 dapat disusun tabel ANOVA sebagai
berikut:
Sum of Mean
Sumber Deviasi df F rasio Prob > F
Squares Square
Regression 2 217.698 108.849 47.917 0.0001
Error 7 15.901 2.271
Total 9 233.600
120
Dalam model regresi linier berganda, uji hipotesis adalah:
H0 : 1 = 2 = … = k = 0
H1 : setidaknya ada satu j  0
MSR
akan diuji dengan Frasio  dengan derajat bebas, df = k, n – k – 1,
MSE
signifikan pada level , dimana daerah penolakan adalah: H0 adalah:
Frasio > F
dimana F adalah nilai batas atas  (kesalahan) dari tabel distribusi F
dengan derajat bebas, 1 = k, dan 2 = n – k – 1.
Secara langsung juga dapat diambil kesimpulan apakah model
regresi signifikan atau tidak dengan melihat nilai Prob > F yang dihasilkan
oleh prosedur PROC REG. Pada contoh kasus ini diketahui nilai:
Prob > F = 0.0001
Dalam hal ini dapat diketahui bahwa setidaknya ada satu prediktor
variabel yang berbeda nyata dengan nol pada level 0.0001. Kita dapat
menyimpulkan bahwa total variasi dari dependent variabel dapat
dijelaskan dengan baik oleh seluruh predictor variabel dan secara statistik
signifikan pada level 0.0001. Atau dengan kata lain, seluruh variabel
independent mampu dengan baik menjelaskan variabel dependennya,
sehingga model ini dapat dijadikan untuk meramalkan perilaku penjualan
susu kaleng yang akan datang. Secara ringkas kita dapat mengatakan
bahwa tidak ada bukti kuat untuk dapat menerima H0.
6.3.6.4. Koefisien Determinasi

Pemeriksaan model persamaan regresi linier berganda dapat
dilakukan terutama untuk melihat seberapa dekatkah garis regresi yang
terestimasi dengan data aktualnya. Ukuran-statistik yang umumnya
digunakan adalah koefisien determinasi (coefficient of determination,),
yang bertujuan untuk menjelaskan variasi di dalam variabel dependent.
Formula koefisien deteminan, (R2) ditentukan dengan formula:
121
 Yˆ  Y 
2
SSR
R 
2
 …………………………………….………. (6.40)
 Y  Y 
2
SST
atau
R  1
2 SSE
 1
 
Y  Yˆ
2
 ……………………………..……… (6.41)
 Y  Y 
2
SST
Formula ini memiliki bentuk dan interpretasi yang sama dengan r2 pada
regresi linier sederhana, yaitu proporsi variasi Y yang dapat dijelaskan
oleh hubungan Y dengan variabel X.
Nilai R2 = 1 dikatakan bahwa seluruh variasi dijelaskan dalam
model regresi, sebaliknya jika nilai R2 = 0 yang berarti bahwa tidak ada
variasi yang dijelaskan pada dalam model persamaan regresi. Dalam
kenyataannya nilai R2 adalah 0 < R2 < 1, dan nilai R2 harus diinterpretasi
relatif terhadap nilai ekstrim 0 dan 1.
R  R2 …………………………………………………… (6.42)
Persamaan (5.42) disebut sebagai multiple correlation coefficient yang

merupakan korelasi antara variabel Y dan nilai estimasi Yˆ . Karena nilai
perkiraan respon, R adalah selalu positif, sehingga 0  R2  1. Pada kasus
model persamaan regresi linier berganda, nilai:
R2  n  k 1
F   ……………………………………….. (6.43)
1 R2  k 
seluruhnya sama kecuali dalam hal tingkat signifikansi model persamaan

regresi (besarnya Frasio) yang dihubungkan dengan besarnya nilai relatif
R2. Pada Contoh kasus Output 6.4, diketahui bahwa koefisien determinan
(R2) yang diberi label dengan R‐Square:
SSE 15.901
R2  1  1  0.9319
SST 233.60
122
Sedangkan untuk mencari nilai Adjusted R squared R 2 , masing-masing  

kita harus sesuaikan dengan derajat bebasnya (degree of freedom),
sedemikian rupa sehingga:
SSE
(n  k  1)
R  1
2
……....................……………… (6.44)
SST
(n  1)
Pada contoh kasus Output 6.4, dapat diketahui bahwa nilai R 2 yang diberi
label dengan Adj. R‐sq adalah:
15.901
R  1
2 7  0.9125
233.60
9
6.3.6.5. Menguji Prediktor Variabel

Sebelumnya telah dijelaskan pengujian secara statistik apakah
secara keseluruhan koefisien regresi signifikan atau tidak dalam
menentukan variabel dependennya dengan menggunakan statistik uji-F.
Pada sesi ini, akan diuji secara individu (satu per satu dari prediktor
variabel) apakah signifikan atau tidak mempengaruhi variabel
dependennya. Untuk tujuan ini kita akan menggunakan statistik uji-t.
Sebelum dilakukan pengujian, hal pertama yang dilakukan adalah
merumuskan hipotesis, jika:
H0 : j = 0
H1 : j  0
Uji statistik-t adalah:
j
t ............................................................................... (6.38)
S j
yang memiliki distribusi t dengan derajat bebas, df = n – k – 1. Dalam hal
ini j adalah koefisien parameter estimasi dari metode ordinary least
squares untuk masing-masing predictor variabel ke‐j dan Sj adalah
123
estimasi standar deviasi (standard error) dari perdiktor variabel ke-j.

Daerah penolakan H0 adalah jika:
| t | > t/2. t/2
Titik batas atas /2 distribusi tabel-t dengan derajat bebas df = n – k – 1.

Cara yang lebih sederhana tanpa melihat tabel distribusi t adalah
dengan melihat langsung Prob > | T | yang dihasilkan oleh PROC REG.
Contoh pada Output 6.4, dimana nilai Prob > | T | untuk masing-masing
predictor variabel:
X1 = 0.0071 dan
X2 = 0.0032.
Hal ini dapat diinterpretasikan bahwa variabel X1 secara statistik berbeda

nyata dengan nol pada level level 0.0071, dan predictor variabel X2 juga
signifikan pada level 0.0032. Kita dapat menuliskan secara ringkas
sebagai berikut:
Prob > | T | X1 = 0.0071  tolak H0

Prob > | T | X2 = 0.0032  tolak H0
Dengan kata lain kita dapat menunjukkan tingkat signifikansi masing-

masing prediktor variabel dalam suatu model regresi linier berganda
sesuai dengan nilai yang ditampilkan oleh Prob > | T |.
6.4. Latihan 6
1. Asumsi seorang mahasiswa ingin mempelajari tentang perilaku
konsumen terkait akan permintaan akan suatu barang. Permintaan
akan barang tersebut disimbol (q) dan harganya sendiri ditulis dengan
symbol (p). Hasil pengamatan selama tahun 2003 – 2017 diperoleh
data permintaan dan harga sebagai berikut:
124
Tahun Permintaan (Kg) Harga (Rp/Kg)

Q P
2003 39 68
2004 35 65
2005 33 60
2006 27 75
2007 38 60
2008 31 72
2009 39 70
2010 33 69
2011 38 65
2012 46 40
2013 31 69
2014 31 70
2015 20 70
2016 32 65
2017 49 38
Jika diasumsikan bahwa permintaan fungsi dari harganya sendiri

dituliskan q= f (p), maka:
a. Tentukan hubungan (korelasi) antara q dan p
b. Estimasilah fungsi permintaan tersebut dan tuliskan hasil estimasi,
dan jelaskan interpretasinya.
c. Apa makna intersep dalam konteks ini
d. Tentukan elastisitas harga permintaan
e. Susunlah Tabel Anova secara lengkap
2. Seorang Mahsiswa program agribisnis ingin mengetahui bagaimana

pengaruh harga terhadap produk perkembangan produksi mereka,
mahasiswa tersebut melakukan survei untuk 10 perusahaan yang
data-data ditampilkan pada Tabel berikut:
125
Penawaran (Kg) Harga Produk (Rp/Kg) Harga Input (Rp/Kg)

No
q p I
1 12 10 2
2 15 12 2
3 14 11 5
4 17 15 3
5 20 18 3
6 22 19 9
7 25 20 2
8 30 25 5
9 28 22 2
10 29 24 8
Jika diasumsikan bahwa penawaran perusahaan adalah fungsi dari

harganya sendiri dituliskan q = f (P, I), dimana q adalah jumlah yang
ditawarkan dan p adalah harga produk, dan I adalah harga input, maka
a. Tentukan hubungan (korelasi) antara q dan p
b. Estimasilah fungsi penawaran tersebut dan tuliskan hasil estimasi,
dan jelaskan interpretasinya.
c. Tentukan elastisitas harga penawaran dan elastisitas harga input
terhadap penawaran
d. Susunlah Tabel Anova secara lengkap
126
BAB VII
METODE PERAMALAN
7.1. Pendahuluan
A
da dua pendekatan dasar dalam model peramalan data time series,
yaitu pendekatan kecenderungan waktu yang bertujuan untuk
menangkap perilaku jangka panjang dengan menyesuaikan
persamaan sebagai fungsi dari waktu. Fungsi trend yang biasa digunakan
adalah polynomial atau exponensial. Ketika data memiliki suatu pola
musiman, trend peramalan dapat juga disesuaikan untuk musiman, dan
model pendekatan data time series dengan fluktuasi jangka pendek yang
menggunakan beberapa metode seperti model autoregressive (Box dan
Jenkins 1976). Metode yang baik otomatis dapat menggabungkan
pendekatan keduanya dan mempunyai fleksibilitas yang cukup pada
beberapa model perilaku yang berbeda antar waktu.
Secara umum terdapat tiga jenis metode peramalan yang umum
digunakan, pertama adalah metode peramalan yang didasarkan atas
metode regresi, kedua adalah metode peramalan yang didasarkan atas
metode deterministik yang berkaitan dengan data time series, dan ketiga
adalah metode peramalan Box-Jenkins. Kita akan mulai penggunaan
beberapa metode dasar peramalan seperti metode rata-rata bergerak
(moving average), pelicinan eksponensial (exponential smoothing), metode
regresi dan yang terakhir adalah metode peramalan Box-Jenkins.
7.2. Metode Smoothing

7.2.1. Moving Average
Metode rata-rata bergerak (moving average, MA) bertujuan untuk
memprediksi nilai periode berikutnya sebagai rata-rata dari nilai aktual
dari m periode terakhir, dituliskan:
y t  y t 1    y t  m 1
yˆ t 1  ...................................................... (7.1)
m
Bab 7. Peramalan
Tidak ada standard yang tepat untuk menentukan m waktu yang tepat.
Dalam prakteknya, m sering digunakan antara 2 sampai dengan 5. Jika m
terlalu kecil maka kemungkinan variabel data kemungkinan tidak
terdeteksi, sebaliknya jika m terlalu besar variasi waktu terlalu ditekan.
Keakurasian peramalan dapat dilihat dari nilai indikator statistik seperti
Mean Absolut Deviation (MAD), Mean Squared Error (MSE) dan Mean
Absolute Percentages Error(MAPE), dengan formula:
MAD 
 i
………………………………………………………………. (7.2)
n
MSE 
 i
2
………………..……………………………………………. (7.3)
n

i
x100
MAPE  ……………………………………………………. (7.4)
xi
n
 
 adalah error dengan peroleh dengan   Y  Yˆ dimana Y adalah nilai
aktual dan Yˆ nilai prediksi atau prakiraan. Sebagai contoh, gunakan data
pada Tabel 7.1. dengan menetapkan m = 3.
Tabel 7.1. Data dan Hasil Peramalan Permintaan Susu (unit)

Bulan Demand, Y Yˆ MADt 1 MSE MAPE
1 17 ‐ ‐ ‐ ‐
2 21 ‐ ‐ ‐ ‐
3 19 ‐ ‐ ‐ ‐
4 23 19.00 4.00 16.00 17.39
5 18 21.00 3.00 9.00 16.67
6 16 20.00 4.00 16.00 25.00
7 20 19.00 1.00 1.00 5.00
8 18 18.00 0.00 0.00 0.00
9 22 18.00 4.00 16.00 18.18
10 20 20.00 0.00 0.00 0.00
11 15 20.00 5.00 25.00 33.33
12 22 19.00 3.00 9.00 13.64
2.67 10.22 14.36
128
17  21  19
MA(3)  yˆ 31   19 unit
3
12  29  23
MA(3)  yˆ 41   21 unit
3
Dan untuk proyeksi data permintaan Susu bulan ke 13 (Y13) adalah
sebagai berikut:
22  15  20
MA(3)  yˆ121   19 unit
3
Dengan menggunakan rata-rata bergerak tiga bulan (MA3), diketahui
bahwa proyeksi permintaan susu mencapai 19 unit pada bulan ke 13.
Dengan rata-rata deviasi (MAD) 2.67, rata-rata kesalahan (MSE) sebesar
10.22, dan rata-rata tingkat penyimpangan dari data aktualnya (MAPE)
berkisar 14.36 persen. Untuk mengurangi besarnya error pembaca dapat
mencoba di berbagai nilai m.
7.2.2. Exponential Smoothing

Pada metode rata-rata bergerak (moving average) menggunakan
bobot yang sama untuk semua pengamatan yang akan membentuk rata-
rata, dengan kata lain bahwa dala metode rata-rata bergerak hanya
menggunakan satu pembobot. Ini merupakan kelemahan dalam model
rata-rata bergerak. Metode pelicinan eksponen menggunakan suatu bobot
rata-rata dari nilai series sebelumnya sebagai peramalan. Suatu prosedur
yang secara terus menerus memperbaiki peramalan dengan
menghaluskan (smoothing) nilai masa lalu dari suatu data time series
dengan cara eksponensial. Formula dasar dari metode exponential
smoothing adalah:
Ft 1  Yt  1   Ft ………………………………………. (7.5)
Dimana: Ft+1 = peramalan untuk periode t + 1

Yt = nilai aktual periode ke t
Ft = peramalan untuk periode ke t
 = konstanta penghalusan (smoothing constant: 0    1
129
Bab 7. Peramalan
Pada persamaan (7.5) menunjukkan bahwa peramalan untuk

periode t + 1 rata-rata diboboti dengan nilai aktual pada periode t dan
peramalan untuk periode t. Bobot yang diberikan pada periode t adalah 
dan bobot yang diberikan pada peramalan periode t adalah 1 - . Sebagai
ilustrasi untuk menunjukkan bahwa metode peramalan exponential
smoothing untuk periode tertentu juga diboboti oleh rata-rata seluruh
nilai aktual sebelumnya, asumsikan kita memiliki series data tiga periode,
yaitu Y1, Y2 dan Y3.
Untuk mengawali perhitungan, kita tetapkan peramalan periode
pertama (F1) sama dengan nilai aktual periode pertama (Y1), yaitu F1 = Y1,
sehingga nilai peramalan untuk periode kedua adalah:
F2 =  Y1 + (1 - ) F1
=  Y1 + (1 - ) F1
= Y1
Selanjutnya peramalan penghalusan secara menurun untuk period ke 2

adalah sama dengan nilai actual dari nilai series data periode 1. Peramalan
untuk periode ke 3 adalah:
F3 =  Y2 + (1 - ) F2
=  Y2 + (1 - ) Y1
Peramalan ke 4 adalah, dengan melakukan substitusi persamaan F3 ke

dalam persamaan F4 berikut, yang akan menghasilkan:
F4 =  Y3 + (1 - ) F3
=  Y3 + (1 - ) [ Y2 + (1 - ) Y1 ]
=  Y3 + (1 - ) Y2 + (1 - )2 Y1
Dapat diketahui bahwa F4 adalah rata-rata diboboti dari ketiga nilai series
(seluruh data series yang ada, yaitu Y1, Y2 dan Y3). Penjumlahan koefisien
atau bobot untuk Y1, Y2 dan Y3 sama dengan 1.
130
Contoh kasus kita gunakan data pada Tabel 7.1. Untuk memulai
perhitungan tentu kita harus menentukan nilai . Nilai 0    1, dan
dapat ditentukan secara arbitrary. Dalam kasus ini kita gunakan  = 0.2,
maka hasil peramalan ditampilkan pada Tabel 7.2:
Tabel 7.2. Hasil Peramalan Permintaan Susu (unit) dengan Metode

Exponential Smoothing
Exponential Smoothing
Bulan Demand MAD MSE MAPE
(Ft)
1 17 ‐ ‐ ‐ ‐
2 21 17.00 4.00 16.00 19.05
3 19 17.80 1.20 1.44 6.32
4 23 18.04 4.96 24.60 21.57
5 18 19.03 1.03 1.07 5.73
6 16 18.83 2.83 7.98 17.66
7 20 18.26 1.74 3.03 8.70
8 18 18.61 0.61 0.37 3.38
9 22 18.49 3.51 12.34 15.97
10 20 19.19 0.81 0.66 4.05
11 15 19.35 4.35 18.94 29.01
12 22 18.48 3.52 12.38 15.99
18.46 2.60 8.98 13.40
Karena Y1 = 17, maka kita tetapkan F2 = 17 (lihat kembali ilustrasi

persamaan sebelumnya) untuk mengawali perhitungan exponential
smoothing. Selanjutnya kita dapat menghitung peramalan periode ke 3
dengan  = 0.2, sebagai berikut:
F3 =  Y2 + (1 - ) F2
= 0.2 Y2 + 0.8 F2
= 0.2 (21) + 0.8 (17)
= 17.80
131
Bab 7. Peramalan
Karena kita ketahui bahwa nilai aktual pada periode 3 adalah Y3 = 19,
maka kita dapat menghasilkan peramalan pada periode ke 4, yaitu:
F4 =  Y3 + (1 - ) F3
= 0.2 Y3 + 0.8 F3
= 0.2 (19) + 0.8 (17.80)
= 18. 04
Dengan proses yang sama, kita dapat dilakukan peramalan untuk periode-
periode berikutnya. Terakhir adalah karena kita ketahui bahwa Y12 = 22,
sementara F12 = 18.48 (Lihat Tabel 7.2), maka kita dapat mengetahui
permintaan susu pada perode ke 13, F13 adalah:
F13 =  Y12 + (1 - ) F12

= 0.2 Y12 + 0.8 F12
= 0.2 (22) + 0.8 (18.48)
= 19. 18
Jika dibanding secara keseluruhan antara metode rata-rata bergerak

dengan exponential smoothing pada kasus ini terlihat bahwa metode
exponential lebih baik berdasarkan pada indikator MAD, MSE dan MAPE.
Hal ini dapat dipahami karena pembobot yang digunakan tidak hanya satu
seperti yang terjadi pada metode rata-rata bergerak.
7.2.3. Aplikasi Excel

Untuk menggunakan aplikasi excel dengan metode rata-rata
bergerak (moving average) dapat diikuti langkah berikut ini:
1. Buka file excel dengan nama file databuku.xls
2. Gunakan Sheet ramal (dalam sheet ini data pada Tabel 7.1 telah
tersedia)
3. Klik Data + Data Analysis, sehingga kota dialog data analysis akan
muncul seperti terlihat pada Gambar 7.1.
132
Gambar 7.1. Kota Dialog Data Analysis
4. Pilih Moving Average + Klik OK, maka kotak dialog berikutnya akan
muncul seperti Gambar 7.2
Gambar 7.2. Kotak Dialog Moving Average
5. Input Range diisi dengan Data sel B1 sampai dengan B13. Kemudian
beri tanda centang pada Labels in First Row. Interval diisi dengan 3
(MA3). Output disorot sel C3 sampai dengan C13, selanjutanya pilih
OK, maka akan menghasilkan MA3 seperti Tabel 7.1.
133
Bab 7. Peramalan
Berikutnya adalah kita menggunakan aplikasi excel untuk metode

exponential smoothing dengan  = 0.2. Data yang digunakan masih pada
Tabel 7.1. Untuk tujuan tersebut ikut tahap berikut ini:
1. Buka file excel dengan nama file databuku.xls
2. Gunakan Sheet ramal
3. Klik Data + Data Analysis, sehingga kota dialog data analysis akan
muncul seperti terlihat pada Gambar 7.3.
Gambar 7.3. Kotak Dialog Data Analysis
4. Pilih Exponetial Smoothing + Klik OK, maka kotak dialog berikutnya

akan muncul seperti Gambar 7.4
Gambar 7.4. Kotak Dialog Exponential Smoothing
134
5. Input Range disorot atau diisi dengan data pada sel B1 sampai B13
atau ($B$1:$B$13). Kemudian beri tanda centang pada Labels in First
Row. Pada isian Dumping Factor harus diisi dengan nilai (1 - ),
karena kita memiliki  = 0.2, maka Dumping Factor diisi dengan
nilai 0.8. Selanjutnya pilih sebuah sel untuk menempatkan hasilnya
dalam hal ini adalah sel C2. selanjutanya pilih OK, maka akan
menghasilkan peramalan metode exponential dengan hasil yang
ditunjukkan seperti pada Tabel 7.2 sebelumnya.
7.3. Metode Trend Linier

Pada prinsipnya model regresi telah dijelaskan dalam Bab 5 dan
Bab 6. Perbedaan yang mendasar dalam hal ini adalah bahwa dalam
motode proyeksi kecenderungan linier (trend linear), dependent variabel
merupakan fungsi dari waktu ke waktu, secara umum model
kecenderungan linier ditulisakan sebagai berikut:
Y = 0 + 1 T +  ......................................................................... (7.6)
Dimana Y adalah variabel dependent, T adalah peride waktu (explanatory

variable) dan  adalah unsur error term. Bandingkan persamaan (7.6)
dengan persamaan (5.5).
Pada persamaan (5.5) Y fungsi dari X, sedangkan pada persamaan
(7.6) Y merupakan fungsi dari waktu, oleh karenanya model ini disebut
sebagai Trend Linier. Metode estimasi yang digunakan adalah OLS (lihat
persamaan 5.9 dan persamaan 5.10, secara berturut-turut dituliskan
kembali dengan merubah varibel X menjadi t.
ˆ1 
n tYt   t  Yt

 t  t  Y  Y t
.................................. (7.7)
n t   t   t  t 
2 2 2
ˆ0 
Y    t  Y   t
1
…………………………………….…….. (7.8)
1
n n
Dimana Yt = nilai actual pada periode t

n = jumlah periode pengamatan
135
Bab 7. Peramalan
Y = nilai rata-rata variabel Y

t = nilai rata-rata variabel t
Sebagai contoh kasus untuk melakukan peramalan dengan metode trend

regresi linier, kita gunakan data pada Tabel 7.3. berikut.
t 1 2 3 4 5 6 7 8 9 10
Y 10 6 5 12 10 15 5 12 17 20
Dalam hal ini adalah permintaan akan susu pada minggu 1 sampai minggu
ke 10. Pertanyaannya adalah berapakah permintaan susu pada minggu ke
11, kita dapat menggunakan formula 7.7 dan 7.8 (Lihat Tabel 7.4).
Tabel 7.4. Hasil Peramalan dengan Metode Trend Linier

OBS t Y t  t  Y  Y  t  t Y  Y  t  t 2
1 1 10 ‐4.50 ‐1.20 5.40 20.25
2 2 6 ‐3.50 ‐5.20 18.20 12.25
3 3 5 ‐2.50 ‐6.20 15.50 6.25
4 4 12 ‐1.50 0.80 ‐1.20 2.25
5 5 10 ‐0.50 ‐1.20 0.60 0.25
6 6 15 0.50 3.80 1.90 0.25
7 7 5 1.50 ‐6.20 ‐9.30 2.25
8 8 12 2.50 0.80 2.00 6.25
9 9 17 3.50 5.80 20.30 12.25
10 10 20 4.50 8.80 39.60 20.25
Jumlah 55 112 0.00 0.00 93.00 82.50
Rata‐rata 5.5 11.2 0.00 0.00 9.30 8.25
ˆ1 
n tYt   t  Yt

 t  t Y  Y   93.00  1.127
t
n t   t   t  t 
2 2
2 82.50
ˆ 0  Y  ˆ1t  11.2  1.237 (5.5)  5.0
136
Dalam bentuk persamaan dapat dituliskan sebagai berikut:
Yˆ  5.0  1.127 t
Dengen demikian, maka untuk menentukan nilai peramalan permintaan

susu pada minggu ke 11 (t = 11) adalah:
Yˆ  5.0  1.127 t
Yˆ11  5.0  1.127 (11)
 17.40
Dengan menggunakan metode trend linier, peramalan permintaan susu

pada minggu ke 11 diperkirakan mencapai 17.40 satuan Contoh
penggunaan aplikasi Excel dan SAS pembaca dapat melihat pada Bab 5
dan Bab 6.
7.4. Metode Box‐Jenkins

Salah satu metode peramalan yang cukup baik yang sering
digunakan pada data time series adalah metode peramalan Box-Jenkins.
Metode ini dapat menghasilkan ketepatan peramalan berdasarkan pada
pola historis data. Model yang dipelopori oleh G.E.P. Box dan G. M. Jenkins
dikenal dengan dengan AutoRegressive Integrated Moving Average,
(ARIMA) yang dikelompokkan ke dalam model-model linier yang dapat
menggambarkan dengan baik stationary dan nonstationary data time
series.
Dalam menghasilkan nilai peramalan, model ARIMA tidak
melibatkan variabel independent (expalanory variables), melainkan hanya
menggunakan informasi di dalam seriesnya sendiri untuk menghasilkan
nilai peramalan. Hal ini sangat berbeda dengan model regresi, dimana
dalam model regresi untuk melakukan peramalan dibutuhkan peramalan
dari nilai-nilai variabel bebas (independent variables). ARIMA sangat baik
ketepatannya untuk peramalan jangka pendek, sedangkan untuk
137
Bab 7. Peramalan
peramalan jangka panjang ketepatan peramalannya kurang baik, karena

pada umumnya akan cenderung mendatar atau konstan untuk periode
yang cukup panjang.
Metodologi peramalan Box-Jenkins (Box‐Jenkins Methodology)
tidak membuat asumsi tertentu terhadap pola historis data series untuk
menghasilkan peramalan atau tidak mengasumsikan bentuk pola data
series tertentu. Dengan kata lain bahwa model ARIMA sangat baik untuk
meramalkan data series yang mempunyai pola yang kurang jelas.
Metodologi Box‐Jenkins umumnya mengacu pada sekumpulan prosedur
yang bertujuan untuk:
1. mengidentifikasi series (identifying),
2. mencari model yang sesuai (fitting),
3. memeriksa (checking) dan
4. melakuan peramalan (forecast) dengan data time series.
Peramalan secara langsung akan dilakukan dari bentuk model yang
sesuai. (Hanke, et.all, 2001: Hal 347 dan Enders,1995 Hal: 95). Berikut ini
akan diuraikan model ARIMA secara bertahap.
7.5. Model ARIMA

Klasifikasi model ARIMA dapat dikelompokkan ke dalam 4 jenis
model, yaitu Autoregressive Model, Moving Average Model,
Autoregressive Moving Average Model dan Autoregressive Integrated
Moving Average Model. Berikut adalah uraiannya.
7.5.1. Autoregressive Model

Autocorrelation mengimplikasikan bahwa nilai-nilai dari variabel
dependent pada satu periode waktu adalah berhubungan secara linier
terhadap nilai-nilai variabel dependent di dalam periode waktu yang lain.
Salah satu solusi untuk memecahkan masalah serial correlation terhadap
model adalah dengan melakukan pembedaan periode waktu secara
langsung. Hal ini dapat dilakukan dalam kerangka regresi dengan
menggunakan satu atau lebih lag variabel dependent yang dijadikan
sebagai prediktor atau independent variabel.
138
Formula model-model regresi dengan cara ini disebut sebagai

autoregressive models. Bentuk model autoregressive derajat pertama atau
first‐order autoregressive, AR(1) dituliskan sebagai berikut:
Yt = 0 + 1 Yt-1 + t ……………………………………….. (7.9)
dimana t adalah error term (white noise, artinya mean, variance yang
konstan dan covariace sama dengan nol) dan diasumsikan memiliki
properties yang sama dengan model standard regresi. Persamaan (7.9)
yang sesuai untuk peramalan dengan menggunakan metode least squares
adalah:
Yˆt  ˆ0  ˆ1Yt 1 ……………………………………………….. (7.10)
Peramalan dengan model autoregressive dapat diartikan bahwa nilai

peramalan variabel tertentu merupakan fungsi dari nilai-nilai variabel
sebelumnya yang ada di dalam data time series. Persamaan (7.9) disebut
sebagai first‐order autoregressive, disimbol AR(1), sedangkan untuk
derajat autoregressive ke p, disimbol dengan AR(p), bentuk umumnya
dapat dituliskan sebagai berikut:
Yt = 0 + 1 Yt-1 + 2 Yt-2 + ... +p Yt-p + t .......................... (7.11)
dimana:
Yt = respon variabel (dependent) pada waktu t

Yt‐1, Yt‐2,...,Yt‐p = respon variabel pada waktu lag t‐1, t‐2, ... , t‐p secara
berturut-turut.
0, 1, 2,...,p = koefisien estimasi AR
t = error term pada waktu t, yang merupakan pengaruh
dari variabel-variabel yang tidak dijelaskan dalam
model. Asumsi tentang error term sama halnya
dengan asumsi pada model standard regresi.
139
Bab 7. Peramalan
Persamaan (12.4) terlihat seperti model regresi dengan nilai lag variabel
dependent diposisikan sebagai variabel independent. Oleh karena itu diberi
nama dengan autoregressive model. Model-model autoregressive adalah
sesuai untuk stationary data time series dan koefisien 0 adalah mengacu
pada suatu constant level series. Jika data berubah-ubah disekitar nol atau
digambarkan sebagai rata-rata deviasi Yt  Y maka koefisien 0 tidak
diperlukan. Persamaan model dengan derajat atau ordo 1 disingkat
dengan AR(1) dan derajat 2 disingkat AR(2) dan derajat p disingkat
dengan AR(p).
7.5.2. Moving Average Model

Model moving average pada derajat atau ordo ke-q dapat dituliskan
sebagai berikut:
Yt =  + t - 1 t - 1 - 2 t - 2 - ... - q t - q .......................... (7.12)
dimana:
Yt = respon (dependent) variabel pada waktu t
 = contant mean of the process
1, 2, ... ,q = koefisien estimasi
t = error term. Asumsi error term sama halnya dengan
asumsi pada model standard regresi
t -1, t – 2, ..., t - q = error pada waktu t sebelumnya, yang dimasukkan
pada respon Yt.
Persamaan (7.12) menunjukkan bahwa variabel dependent, Yt tergantung

pada nilai-nilai error sebelumnya bukan tergantung pada nilai variabelnya
sendiri seperti yang terjadi pada persamaan (7.11). Model moving average
akan memberikan nilai peramalan Yt berdasarkan pada kombinasi linier
dari nilai-nilai error sebelumnya dengan jumlah yang terbatas (finite),
sedangkan pada model autoregressive (AR), peramalan Yt ditentukan
berdasarkan pada fungsi linier dari variabel Yt sebelumnya dengan jumlah
yang terbatas. Persamaan dari model moving average dengan derajat atau
140
ordo 1 disingkat dengan MA(1) dan derajat 2 disingkat MA (2) dan derajat
q disingkat dengan MA(p).
Moving average disini mengacu pada kenyataan bahwa deviasi
berasal dari rata-rata atau mean, Yt - , merupakan kombinasi linier dari
nilai error sekarang dan error sebelumnya dengan bergerak terhadap
waktu kedepan, sehingga nilai error akan melibatkan kombinasi linier
dengan pergerakan ke depan terhadap waktu seperti berikut:
Yt ‐  = t ‐ 1 t‐1 ‐ 2 t‐2 ‐ ... ‐ q t‐q

Yt+1 ‐  = t+1 ‐ 1 t‐1 ‐ 2 t‐2 ‐ ... ‐ q t‐q ....................... (7.13)
Pembobot 1, 2,..., q tidak diperlukan berjumlah sama dengan satu dan
nilainya mungkin positif atau negatif walaupun masing-masing mereka
didahului oleh tanda minus dalam spesifikasi model.
7.5.3. Autoregressive Moving Average Model

Model autoregressive dapat dikombinasikan dengan model moving
average yang dikenal dengan istilah ”mixed” model atau disebut dengan
autoregressive moving‐average, notasi yang sesuai untuk model ini adalah
ARMA(p, q) dimana p adalah derajat atau ordo autoregressive dan q adalah
derajat atau ordo moving average. Bentuk umum model autoregressive‐
moving average dapat dituliskan sebagai berikut:
Yt = 0 + 1 Yt – 1 + 2 Yt – 2 + …... + p Yt – p + t - 1 t ‐ 1
‐ 2 t – 2 ‐ …….. - q t – q ……………….……… (7.14)
Model ARMA(p, q) dapat menjelaskan secara luas dari berbagai perilaku

stationary data time series. Peramalan yang dihasilkan dengan model
ARMA(p, q) tergantung pada nilai sekarang dan nilai yang lalu dari respon
variabel (dependent) Yt dan juga nilai sekarang dan nilai masa yang lalu
dari error (residual). Jumlah autoregressive dan moving average (derajat p
dan q) di dalam suatu model ARMA ditentukan dari pola autocorrelation
(ACF) dan partial autocorrelation (PAC).
141
Bab 7. Peramalan
7.5.4. Autoregressive Integrated Moving Average Model

Tahapan dalam metodologi Box‐Jenkins seperti yang telah
disinggung sebelumnya antara lain adalah mengidentifikasi (identifying),
estimasi model (fitting) dan memeriksa (checking) dan terakhir adalah
meramalkan (forecasting). Peramalan secara langsung akan dilakukan dari
bentuk model yang telah sesuai. Tahap pertama adalah mengidentifikasi
untuk menentukan apakah series adalah stationary, yaitu time series
terlihat memiliki varian dan nilai tengah yang konstan. Data time series
yang tidak stationer (nonstationary) terlihat meningkat atau menurun
terhadap waktu.
Jika data series nonstationary, maka kita dapat konversi menjadi
stationer dengan melakukan pembedaan (differencing), yaitu data series
asli diganti dengan series dari pembedaan. Dalam model ARMA dapat
menangani pembedaan series, sebagai contoh, andaikan data asli series, Yt
secara umum meningkat terhadap waktu, tetapi jika dilakukan
pembedaan pertama (first differences), Yt = Yt – Yt – 1, maka nilai tengah
series terlihat berubah-ubah disekitar level yang tetap, yang
mengindikasikan data telah stationary, sehingga model yang sesuai
stationary differences ARMA, katakan saja misalnya derajat p=1 dan q=1,
maka dalam kasus ini bentuk model adalah:
Yt = 1 Yt – 1 + t - 1 t – 1
(Yt – Yt – 1) = 1 (Yt – 1 + Yt – 2) + t - 1 t – 1 …………....….......... (7.15)
Kenyataannya, pembedaan diperlukan sebelum data yang dihasilkan

adalah stationary. Model sederhana, jika kita melakukan pembedaan dua
kali adalah:
2Yt = (Yt) = (Yt – 1 – Yt – 1) = Yt – 2 Yt – 1 + Yt – 2 ............ (7.16)
Pembedaan masih tetap dilaksanakan sampai plot data series

mengindikasikan bervariasi atau berubaha-ubah disekitar level tertentu.
Jumlah pembedaan (differences) yang diperlukan untuk mencapai
stationary disimbol dengan d.
142
7.6. Tahapan ARIMA

7.6.1. Stationary Data
Untuk menerapkan ARIMA ke dalam data runtun waktu,
diperlukan syarat kestasioneran data. Data runtun waktu dikatakan
stasioner jika secara stokastik data menunjukkan pola yang konstan dari
waktu ke waktu. Selanjutnya ada dua jenis kestasioneran dalam data
runtun waktu, yaitu stasioner dalam nilai tengah dan stasioner dalam
varians.
Jika suatu deret runtun waktu diplot dan kemudian terbukti
adanya perubahan nilai tengah dari waktu ke waktu, maka deret data
tidak stasioner dalam nilai tengahnya. Agar stasioner harus dilakukan
pembedaan (differencing) terhadap deret data asli (Lihat persamaan
sebelumnya). Pada prakteknya jarang diperlukan pembedaan sampai
melebihi ordo yang ke-2. Hal ini disebabkan data asli akan stasioner
setelah dikenakan pembedaan ordo pertama atau kedua
Jika Data tidak stasioner dalam varians. Data runtun waktu tidak
stasioner dalam varians jika diplot memperlihatkan adanya perubahan
varians dari waktu ke waktu. Untuk mengatasi ketidakstasioneran dalam
variansnya, maka data tersebut harus ditransformasi ke dalam bentuk
logaritma atau logarithm natural atau akar kuadrat. Pemeriksaan
kestasioneran data dengan cara di atas, yang dilakukan dengan memplot
data runtun waktu sifatnya visual belaka. Selain dengan cara visual, juga
dapat dilakukan dengan menggunakan peralatan statistik lain, seperti
correlogram. Correlogram seperti diagram batang yang tinggi/panjang
batangnya pada setiap time lag mencerminkan nilai koefisien autokorelasi
atau koefisien autokorelasi parsial.
Suatu data runtun waktu bersifat stasioner, jika setelah time lag
kedua atau ketiga koefisien autokorelasinya menurun hingga mencapai
angka 0 (nol). Sedangkan untuk data yang tidak stasioner, koefisien
autokorelasi masih signifikan berbeda dari nol setelah time lag kedua atau
ketiga. Dalam kajian ini selain menggunakan alat visual correlogram untuk
mendeteksi kestationeran data, juga digunakan uji statistik Augmented
Dickey‐Fuller Unit Root Tests.
143
Bab 7. Peramalan
7.6.2. Identifikasi Pola Data Series

Ada dua tools yang umum digunakan untuk mengidentifikasi pola
data runtun waktu, yaitu koefisien autokorelasi dan koefisien autokorelasi
parsial. Koefisien korelasi menunjukkan tingkat keeratan hubungan
antara nilai-nilai variabel yang sama tetapi dengan periode waktu yang
berbeda. Bentuk umum rumus untuk memperoleh koefisien autokorelasi
untuk time lag k = 1,2,3,.... adalah sebagai berikut:
nk
 (Y t  Y )(Yt  k  Y )
rk  t 1
n
……………………………………………..…. (7.17)
 (Y
t 1
t Y ) 2
Standard Error (SE) dari koefisien autokorelasi untuk time lag k=1,2,3,...
dinyatakan dengan formula:
1/ 2
 k 1

 ( 1  2  ri 2 ) 
SE(rk )   i 1
 …………………………………………..……….. (7.18)
 n 
 
Selang kepercayaan (1- )100% dari koefisien autokorelasi untuk time
lag k=1,2,3, .... yang dinyatakan dengan formula:
‐Z/2 x SE(rk)  rk  Z/2 x SE(rk) ………………………………….……. (7.19)
Interpretasi dari selang kepercayaan (1- ) dari koefisien autokorelasi

adalah sebagai berikut: jika koefisien autokorelasi berada pada selang,
maka disimpulkan bahwa secara statistik koefisien tersebut tidak berbeda
nyata dari nol. Akan tetapi jika koefisien di luar selang, maka secara
statistik koefisien tersebut berbeda nyata dari nol.
Jika keadaan terakhir dipenuhi, maka berarti terdapat hubungan
yang erat antara nilai sekarang dengan nilai pada time lag ke-k. Dengan
kata lain nilai-nilai pada deret berhubungan erat dengan nilai-nilai pada
time lag ke-k. Sehingga model ARIMA dapat diterapkan. Berdasarkan
koefisien autokorelasi kita dapat memperoleh informasi:
144
1. Kerandoman data. Ditunjukkan oleh nilai-nilai koefisien autokorelasi

pada semua time lag yang secara statistik tidak berbeda nyata dari nol.
2. Musiman. Ditunjukkan oleh nilai-nilai koefisien autokorelasi yang kuat
untuk time lag tinggi.
3. Data stasioner. Ditunjukkan oleh nilai-nilai koefisien autokorelasi yang
menurun sampai dengan nol sesudah time lag kedua atau ketiga. Yang
dimaksud dengan bernilai nol disini adalah koefisien berada pada
selang kepercayaan (1- )100%.
4. Orde rataan bergerak (Moving Average = MA). Ditunjukkan oleh
banyaknya nilai koefisien autokorelasi yang berbeda nyata dari nol.
Koefisien Autokorelasi Parsial menunjukkan tingkat keeratan
antara nilai Yt dan Yt-k, jika pengaruh time lag ke 1,2,3,...,k-1 sudah
dihilangkan. Koefisien autokorelasi parsial time lag k = 1,2,3,...,m
dinotasikan dengan rkk dan dinyatakan dengan formula:
 rk ,jika k  1
 k 1
 rk   rk 1.j rk  j
rkk   j 1 ,jika k = 2 ,3, ... ……………………..………. (7.20)
 k-1
 1   rk 1.j r j
 j=1
dimana: rkj = rk-1.j - rkkrk-1.k-j, untuk k=2,3, ....
Nilai Standard Error (SE) koefisien autokorelasi parsial untuk time lag
k=1,2,3,... dinyatakan dengan rumus :
1
SE (rkk )  ………………………………………………………..…….. (7.21)
n
Selang kepercayaan (1- )100% bagi koefisien autokorelasi parsial untuk

time lag k=1,2,3, ...,m dinyatakan dalam rumus:
‐Z/2 x SE(rkk)  rkk  Z/2 x SE(rkk) …………………………….……… (7.22)
145
Bab 7. Peramalan
Interpretasi dari selang kepercayaan (1-)100% dari koefisien

autokorelasi parsial adalah jika koefisien autokorelasi parsial berada di
dalam selang, maka disimpulkan bahwa secara statistik koefisien tersebut
tidak berbeda nyata dari nol. Akan tetapi jika koefisien di luar selang,
maka secara statistik koefisien tersebut berbeda nyata dari nol. Kegunaan
koefisien ini untuk menentukan ordo proses regresi diri atau p. Ordo
regresi diri (p) sama dengan banyaknya koefisien autokorelasi parsial
yang berbeda nyata dari nol.
7.6.3. Pengujian Parameter secara Individu

Hipotesis yang digunakan untuk menguji signifikansi dari masing-
masing parameter biasanya mengambil bentuk seperti berikut,
H0 :  i = 0
H1 :  i  0
Statistik yang digunakan untuk menguji kedua hipotesis tersebut dihitung
menurut formula berikut:
βˆ
thit(βi ) = i ………………………………………….……………….. (7.23)
SE β(ˆi )
dimana  adalah nilai dugaan parameter, yaitu ,  dan , dan
i
SE ( i ) adalah Standar Error parameter dugaan. Keputusan uji serta

interpretasinya sebagai berikut:
Jika |thit |  t (/2, n -n p ) maka terima H0 dengan kata lain bahwa Koefisien
tidak berbeda dari nol, maksudnya variabel penjelas berpengaruh
nyata, dan
Jika |thit |  t (/2, n -n p ) maka terima H1 dengan kata lain bahwa Koefisien
berbeda nyata dari nol, maksudnya variabel penjelas berpengaruh
nyata.
Suatu model dikatakan baik untuk peramalan jika semua nilai dugaan
parameternya berbeda secara signifikan dari nol. Atau dengan bahasa
sederhana semua variabel penjelasnya memberikan pengaruh yang
berarti bagi variabel yang dijelaskan.
146
7.6.4. Pengujian Model Secara Keseluruhan

Kriteria kedua dalam penilaian baik-buruknya model adalah
kerandoman nilai suku kesalahannya. Model dikatakan baik apabila suku
kesalahannya (error) bersifat random. Artinya antara variabel dan error-
error sudah tidak berpola lagi dan antar error itu sendiri pada beberapa
time lag sudah tidak berkorelasi lagi. Bila syarat demikian terpenuhi
maka model yang diperoleh dapat menangkap dengan baik pola data yang
ada.
Untuk melihat kerandoman dari nilai error dilakukan pengujian
nilai koefisien autokorelasi dari error, dengan menggunakan statistik uji Q
Box-Pierce Portmanteau (1970) menggunakan sample autocorrelation (ACF)
untuk Q statistic dengan formula:
s
Q  T  rk2 .............................................................................................. (7.24)
k 1
Statistik Q dari Box-Pierce menyebar menurut distribusi 2 chi-kuadrat

dengan derajat bebas s. Jika perhitungan nilai Q melebihi dengan nilai
tabel 2, maka kita dapat menolak hipotesis nol dari tidak ada
autocorrelation yang signifikan (no significant autocorrelation). Menolak
hipotesis nol artinya menerima hipotesis alternatif bahwa paling tidak ada
satu autocorrelation yang tidak sama dengan nol.
Persoalan dengan Box‐Pierce Q‐Statistic adalah bahwa kurang baik
diterapkan pada sampel yang kecil. Ljung dan Box (1978) melaporkan
keragaan yang baik untuk sampel yang kecil dengan memodifikasi Q
statistic dengan perhitungan sebagai berikut:
s
1
Q  T T  2 rk2 ............................................................. (7.25)
k 1 T  k 
dimana:
rk2 adalah autocorrelation residual pada lag k
T adalah observasi
s jumlah dari lag waktu yang dimasukkan dalam test
147
Bab 7. Peramalan
Jika nilai Q yang dihitung dari persamaan (7.25) melebihi nilai kritis dari
2 (Q > 2 ) dengan derajat bebas s, maka setidaknya ada satu nilai rk
secara statistik berbeda nyata dari nol pada level signifikan tertentu yang
berarti nilai error tidak bersifat random. Box‐Pierce dan Ljung‐Box Q‐
Statistic juga dapat memeriksa residual yang merupakan suatu proses
white noise (Enders, 1995 Hal: 87-88).
Ketika bentuk korelasi s, diestimasi dari model ARMA(p, q), maka
derajat bebas harus dikurangi dengan jumlah koefisien estimasi, sehingga
residual dari model ARMA(p, q), Q statistic memiliki distribusi 2 dengan
derajat bebas s‐p‐q). Salah satu dari kedua kriteria di atas sering
digunakan untuk pengujian model secara keseluruhan, pada tingkat taraf
, secara singkat taraf nyata pengujian dituliskan:
jika Q   (2 , s  p  q ) maka suku error tidak berpola (error bersifat

random, dengan kata lain bahwa Model sudah baik,
karena suku error tidak berpola.
jika Q >  (2 , s  p  q ) maka suku error masih berpola (nilai tidak bersifat
random), degan kata lain bahwa Model tidak baik,
karena suku error masih berpola
7.6.5. Pemilihan Model Terbaik

Pemilihan model terbaik berarti memilih model terbaik dari
beberapa model yang baik. Oleh karena itu pertama-tama kita harus
menemukan beberapa bentuk model ARIMA yang dikatakan baik. Secara
umum suatu model dikatakan baik jika memenuhi dua persyaratan
sekaligus; yaitu
1. Semua nilai parameter dugaan harus berbeda secara signifikan dari
nol (kecuali konstanta), dan
2. Suku kesalahan (error) sudah bersifat random.
Model-model yang memenuhi kedua kriteria tersebut kita daftarkan
sebagai kandidat untuk model peramalan.
148
Selanjutnya dari daftar kandidat model peramalan, kita seleksi

model terbaik. Model terbaik adalah model yang memiliki ukuran
kesalahan peramalan sekecil mungkin (minimum). Adapun ukuran
kesalahan peramalan dapat berupa salah satu statistik berikut, yaitu
MSE, MAPE, MPE atau Standard Error Estimate.
Uji statistik Q sebelumnya dapat digunakan untuk mendiagnosa
atau memeriksa model tertentu, sementara itu, juga dapat digunakan
kriteria tertentu dalam memilih model yang sesuai untuk series yang ada.
Kriteria yang biasa digunakan adalah Akaike Information Criteria (AIC)
dan Schwartz Bayesian Criterion (SBC). Formula untuk masing-masing
kriteria AIC dan SBC berturut-turut adalah:
AIC  T lnresidual sum of squares   2n

SBC  T ln residual sum of squares   n ln T 
dimana:
n adalah jumlah parameter estimasi (p + q + kemungkinan konstanta)
T adalah jumlah observasi yang digunakan
Model dianggap lebih baik jika memiliki nilai AIC dan SBC lebih kecil jika
dibandingkan dengan model lainnya. Misalnya, model A dikatakan lebih
baik jika memiliki nilai AIC dan SBC lebih kecil dibandingkan dengan
model B.
7.7. Aplikasi Model ARIMA dengan SAS

Seperti yang kita ketahui bahwa model Box‐Jenkins bertujuan
untuk melakukan peramalan (forecast). Tahapan dalam metodologi Box‐
Jenkins seperti yang telah disinggung sebelumnya antara lain adalah
mengidentifikasi (identifying), estimasi model (fitting) dan memeriksa
(checking) dan terakhir adalah meramalkan (forecasting). Peramalan
secara langsung akan dilakukan dari bentuk model yang telah sesuai.
Sebagai contoh kasus kita gunakan data Tabel 7.5 berikut.
149
Bab 7. Peramalan
Tabel 7.5. Data Series
t y t y t y
1 60 26 97.5 51 88.5
2 81 27 61.5 52 51
3 72 28 96 53 85.5
4 78 29 79.5 54 58.5
5 61.5 30 72 55 90
6 78 31 79.5 56 60
7 57 32 64.5 57 78
8 84 33 99 58 66
9 72 34 72 59 97.5
10 67.8 35 78 60 64.5
11 99 36 63 61 72
12 25.5 37 66 62 66
13 93 38 84 63 73.5
14 75 39 66 64 66
15 57 40 87 65 73.5
16 88.5 41 61.5 66 103.5
17 76.5 42 81 67 60
18 82.5 43 76.5 68 81
19 72 44 84 69 87
20 76.5 45 57 70 73.5
21 75 46 84 71 90
22 78 47 73.5 72 78
23 66 48 78 73 87
24 97.5 49 49.5 74 99
25 60 50 78 75 72
Sumber: Hanke, et.all, (2001) Hal: 363
Untuk mengikuti prosedur dari model Box‐Jenkins, maka pertama yang

harus dilakukan adalah melakukan input data tersebut ke dalam program
excel (tersedia dalam CD dengan Nama sheet ATRON). Kemudian ikut
langkah berikut ini.
150
7.7.1. Identifikasi dan Stationer Data

Pada kasus ini kita akan menggunakan aplikasi SAS dengan
menggunakan PROC ARIMA. Untuk tujuan tersebut ikut langkah-langka
berikut ini:
1. Ketikka data Tabel 7.5. di exel dan beri nama dengan databuku.xls
dengan nama Sheet ATRON
2. Selanjutnya impor data ke SAS, dan lakukan proses identifikasi
dengan mengetikkan pernyataan berikut:

out=BoxJen dbms=excel2000 replace; sheet='atron';
getnames=yes;
run;
ods rtf file='D:\Metode_Kuantitatif\arima.rtf';

ods graphics on;
proc arima data=BoxJen plots=all;
identify var=y stationarity=(adf=(1,2));
run;
ods graphics off;
ods rtf close;
3. Running program sehingga akan menghasilkan OUTPUT dalam bentuk

arima.rtf, yang pada prinsipnya dapat dibuka di program Microsoft
Word. Hasilnya (terpilih) ditampilkan pada Output 7.1.
Output 7.1.
Autocorrelation Check for White Noise
To Chi-
Lag Square DF Pr > ChiSq Autocorrelations
6 31.41 6 <.0001 -0.528 0.281 -0.038 0.008 0.144 -0.137
12 41.28 12 <.0001 0.147 -0.036 0.067 -0.150 0.158 -0.189
18 57.65 18 <.0001 0.187 -0.233 0.220 -0.120 -0.086 0.106
151
Bab 7. Peramalan
Augmented Dickey-Fuller Unit Root Tests

Type Lags Rho Pr < Rho Tau Pr < Tau F Pr > F
Zero Mean 1 -0.3209 0.6074 -0.32 0.5661
2 0.0438 0.6900 0.08 0.7056
Single Mean 1 -110.707 0.0001 -7.20 0.0001 25.91 0.0010
2 -60.4765 0.0007 -4.22 0.0012 8.95 0.0010
Trend 1 -120.070 0.0001 -7.47 <.0001 27.90 0.0010
2 -70.0329 0.0002 -4.48 0.0031 10.15 0.0010
Plot yang ditampilkan pada Output 7.1, terlihat bahwa nilai amatan
tidak memiliki kecenderungan yang meningkat terhadap perubahan
waktu, dimana series data konstan disekitar nilai tengah (level yang tetap)
yaitu sekitar 50-80, yang mengindikasikan bahwa stationer pada level.
Stationer data juga ditunjukkan oleh pengujian Augmented Dickey‐Fuller
Unit Root Tests, dengan type Single Mean (kasus intercept), Zero Mean
152
(kasus tanpa intercept) dan Trend (kasus deterministic kecenderungan

waktu dan intercept), terlihat bahwa: Pr < Tau = 0.0001, yang
mengindikasikan bahwa data adalah stationer.
Dari Output 7.1, secara tentative juga dapat dilihat dari plot
autocorrelation atau disebut autocorrelation function (ACF). Dari plot
tersebut juga disimpulkan bahwa series variabel, Yt adalah stationary.
Plot ACF hanya signifikan pada lag 1 (di luar arsiran) dan autocorrelation
hilang dengan cepat ke arah nol, ACF muncul memotong setelah lag 1
yang mengindikasi bahwa series data memiliki perilaku MA(1). Sedangkan
pada plot partial autocorrelation, (PACF) muncul memotong setelah lag 1,
mengindikasi perilaku AR(1). Dengan demikian kita dapat menduga
model yang sesuai untuk series variabel Yt adalah ARIMA(1,0,0) dan atau
ARIMA(0,0,1).
Namun demikian, program SAS juga dapat memberikan secara
tentative pemilihan model yang sesuai dengan series yang ada. Untuk
tujuan ini dapat ditambahkan perintah SCAN pada program sebelumnya,
sebagai berikut:

out=BoxJen dbms=excel2000 replace; sheet='atron';
getnames=yes;
run;

ods graphics on;
identify var=y SCAN stationarity=(adf=(1,2));
run;
ods graphics off;
ods rtf close;
Hasil program sehingga akan menghasilkan output 7.2 dalam bentuk

arima.rtf, yang prinsipnya sama pada Output 7.1. dengan tambahan seleksi
model yang sesuai, hasilnya ditampilkan pada Output 7.2
153
Bab 7. Peramalan
Output 7.2
ARMA(p+d,q) Tentative Order Selection Tests

SCAN
p+d q
1 0
0 2
(5% Significance Level)
SCAN adalah singkatan dari Squared Canonical Correlation Estimates

(SCAN), dan pernyataan SCAN akan menghasilkan kemungkinan model-
model terbaik adalah. Dari Output 7.2 penulisannya dapat dilihat seperti
Tabel berikut:
ARMA(p+d,q) Tentative Order Selection Tests Kemungkinan Model Terbaik

SCAN untuk Yt
p+d q
1 0 ARIMA (1,0,0)
0 2 ARIMA (0,0,2)
Dari hasil identifikasi tersebut maka kemungkinan model terbaik adalah

ARIMA(1,0,0) dan ARIMA(0,0,2). Hasil kedua model tersebut akan
dievaluasi seperti uji signifikansi parameter, minimum standard error
estimate, dan kriteria AIC dan SBC. Lakukan estimasi satu persatu pada
kedua model, dan bandingkan diantara keduanya.
7.7.2. Estimasi dan Pemeriksaan Model

Pertama kita estimasi model ARIMA(1,0,0), dengan menuliskan
kembali pernyataan sebelumnya dan memberikan tambahan pernyataan
ESTIMATE p=1 q=0, secara lengkap dituliskan sebagai berikut:

out=BoxJen dbms=excel2000 replace;
sheet='atron';
getnames=yes;
run;
154

ods graphics on;
identify var=y scan stationarity=(adf=(1,2)) NOPRINT;
estimate p=1 q=0;
run;
ods graphics off;
ods rtf close;
Submit program sehingga akan menghasilkan output 7.3 (Output 7.3.

hanya ditampilkan sebagian).
Output 7.3
Conditional Least Squares Estimation

Standard Approx
Parameter Estimate t Value Lag
Error Pr > |t|
MU 75.30541 0.89549 84.09 <.0001 0
AR1,1 -0.52867 0.09940 -5.32 <.0001 1
Constant Estimate 115.1174

Variance Estimate 139.4634
Std Error Estimate 11.80946
AIC 585.1488
SBC 589.7837
Number of Residuals 75
* AIC and SBC do not include log determinant.
Correlations of Parameter
Estimates
Parameter MU AR1,1
MU 1.000 0.001
AR1,1 0.001 1.000
155
Bab 7. Peramalan
Autocorrelation Check of Residuals

To Lag Chi-Square DF Pr > ChiSq Autocorrelations
6 5.31 5 0.3790 0.003 0.088 0.146 0.094 0.163 -0.029
12 9.23 11 0.6008 0.137 0.094 -0.016 -0.096 0.032 -0.083
18 16.10 17 0.5169 0.021 -0.118 0.131 -0.114 -0.160 -0.020
24 29.52 23 0.1636 -0.139 -0.059 -0.282 -0.016 -0.137 -0.066
Interpretasi
Hasil estimasi ringkasan model ARIMA(1,0,0) atau sama dengan
menulis AR(1), model yang sesuai untuk Output 7.3 adalah:
Yˆt  115.1174 – 0.528 Y75
156
Nilai parameter AR(1) memiliki T Ratio -5.32, hal ini signifikan

pada level 0.05 dan nilai rata-rata yang diberi label dengan MU = 75.30541
dan hal ini juga signifikan pada level 0.05.
Pemeriksaan autocorrelation dilakukan dengan uji Ljung dan Box
chi‐square untuk hipotesis nol tentang error berdistribusi secara normal
(white noise). Uji chi‐square disebut juga dengan Q statistics. Untuk model
AR(1), tidak ada Q statistics yang signifikan pada level 0.05 (lihat Tabel
Autocorrelation Check of Residuals), yang berarti series Yt adalah
benar-benar acak (purely random), dengan kata lain model AR(1) sesuai
untuk data series yang ada.
7.7.3. Peramalan
Dengan demikian kita dapat menggunakan model AR(1) untuk
menentukan nilai peramalan Yt sebagai contoh kita lakukan peramalan Yt
untuk 5 tahun yang akan datang, maka pernyataan yang sesuai untuk hal
ini adalah:

estimate p=1 q=0;
forecast lead = 5;
run;
Submit program sehingga akan menghasilkan output 7.4 berikut;
Output 7.4.
Forecasts for variable y
95% Confidence
Obs Forecast Std Error
Limits
76 77.0529 11.8095 53.9068 100.1990
77 74.3816 13.3582 48.1999 100.5632
78 75.7938 13.7600 48.8247 102.7629
79 75.0472 13.8702 47.8621 102.2323
80 75.4419 13.9008 48.1968 102.6871
157
Bab 7. Peramalan
Ringkasan hasil peramalan menggunakan metode ARIMA(1,0,0) atau

ditulis dengan AR(1), secara manual dapat dituliskan sebagai berikut yaitu:
Yˆ76  115.1174 – 0.528 Y75

= 115.1174 – 0.528 (72)
= 77.0529
Cara yang sama dapat dilakukan untuk menentukan nilai peramalan pada
periode-periode yang lainya. Secara lengkap hasil peramalan dari periode 76
sampai dangan 80 dapat dilihat pada Output 7.4.
Berikutnya adalah kita lakukan kembali estimasi terhadap model
ARIMA(0,0,2) atau juga dapat ditulis MA(2). Karena pada prinsip kita sudah
dapat mengetahui tentative model maka dalam kasus MA(2) ini akan dilakukan
estimasi dan peramalan sekaligus. Secara singkat pernyataan yang sesuai untuk
model MA(2) adalah:
158

out=BoxJen dbms=excel2000 replace;
sheet='atron';
getnames=yes;
run;
ods graphics on;
estimate p=0 q=2;
run;
ods graphics off;
ods rtf close;
Perhatikan bahwa tidak ada perbedaan yang mendasar dalam penulisan

program. Perbedaan terdapat pada pernyataan estimate saja. Pernyataan
estimasi untuk model ARIMA(1,0,0) ditulis:
estimate p=1 q=0;
Sedangkan untuk model ARIMA(0,0,2) ditulis:
estimate p=0 q=2;
Catat bahwa p mewakili autoregressive dan q mewakili moving average.

Submit program sehingga akan menghasilkan Output 7.5 berikut.
Output 7.5.
Conditional Least Squares Estimation
Standard Approx
Parameter Estimate Error t Value Pr > |t| Lag
MU 75.38393 1.06054 71.08 <.0001 0
MA1,1 0.55428 0.11161 4.97 <.0001 1
MA1,2 -0.33974 0.11590 -2.93 0.0045 2
159
Bab 7. Peramalan
Constant Estimate 75.38393 Correlations of Parameter Estimates

Variance Estimate 137.2204 Parameter MU MA1,1 MA1,2
Std Error Estimate 11.71411 MU 1.000 -0.002 -0.048
AIC 584.8983 MA1,1 -0.002 1.000 -0.395
SBC 591.8507 MA1,2 -0.048 -0.395 1.000
Number of Residuals 75
* AIC and SBC do not include log determinant.
Autocorrelation Check of Residuals
To Lag Chi-Square DF Pr > ChiSq Autocorrelations
6 2.57 4 0.6328 0.007 0.031 -0.008 0.083 0.151 -0.018
12 7.16 10 0.7101 0.146 0.076 -0.003 -0.118 0.043 -0.098
18 12.92 16 0.6786 0.041 -0.098 0.136 -0.104 -0.136 0.011
24 23.96 22 0.3491 -0.108 -0.026 -0.270 0.006 -0.129 -0.033
160
Model for variable y

Estimated Mean 75.38393
Moving Average Factors

Factor 1: 1 - 0.55428 B**(1) + 0.33974 B**(2)
Forecasts for variable y

95% Confidence
Obs Forecast Std Error Limits
76 80.3660 11.7141 57.4067 103.3252
77 77.9858 13.3932 51.7356 104.2360
78 75.3839 13.9720 47.9994 102.7685
79 75.3839 13.9720 47.9994 102.7685
80 75.3839 13.9720 47.9994 102.7685
161
Bab 7. Peramalan
Interpretasi
Hasil estimasi model peramalan pada Output 7.5 yang sesuai untuk model
ARIMA(0,0,2) atau disingkat dengan MA(2) dapat dituliskan sebagai
berikut:
Yˆt  ˆ  ˆ 1et 1  ˆ 2 et  2
Ŷt  75.3839 - 0.55428 et – 1 + 0.33974 et – 2
Nilai parameter ARIMA(0,0,2) atau MA(2) semuanya signifikan pada level

0.05. Uji Ljung dan Box chi‐square untuk hipotesis nol tentang disturbance
normal (white noise) dan Q statistics pada model MA(2), tidak ada yang
signifikan pada level 0.05, dengan kata lain bahwa tolak hipotesis nol
tentang white noise, yang berarti series benar-benar random.
162
Hasil peramalan untuk period 76 dengan menggunakan metode

peramalan model ARIMA(0,0,2) atau ditulis dengan MA(2), secara manual
dapat ditulis, yaitu:
Yˆt  ˆ  ˆ 1et 1  ˆ 2 et  2
Yˆ76  ˆ  ˆ 1e75  ˆ 2 e74
Yˆ  75.3839 - 0.55428 (7.6585) + 0.33974 (27.1592)
76
= 80.3660
Cara yang sama juga dilakukan untuk mencari nilai peramalan variabel
dependent Yt periode 77 sampai dengan periode 80. Nilai peramalan ini
secara lengkap dapat dilihat pada tabel Forecasts for variable y.
Dari kedua model baik ARIMA(1,0,0) dan ARIMA(0,02) telah
dianggap sesuai untuk digunakan sebagai metode peramalan pada data
series Yt, pertanyaannya adalah model mana yang terbaik? Untuk
pemilihan model terbaik dari yang terbaik lihat bahasan berikut ini.
7.7.4. Pemilihan Model Terbaik

Untuk tujuan pemilihan model terbaik, berarti kita memilih model
terbaik dari beberapa model yang baik. Secara umum suatu model
dikatakan baik jika memenuhi dua persyaratan sekaligus; yaitu (1) Semua
nilai parameter dugaan harus berbeda secara signifikan dari nol (kecuali
konstanta), dan (2) Suku kesalahan (error) sudah bersifat random.
Model yang memenuhi kedua kriteria tersebut kita daftarkan
sebagai kandidat untuk metode peramalan. Selanjutnya dari daftar
kandidat model peramalan, kita seleksi model terbaik. Model terbaik
adalah model yang memiliki ukuran kesalahan peramalan sekecil mungkin
(minimum). Adapun ukuran kesalahan peramalan dapat berupa indikator
statistik seperti Standard Error Estimate. Kriteria lain yang biasa
digunakan adalah Akaike Information Criteria (AIC) dan Schwartz Bayesian
Criterion (SBC). Model dianggap lebih baik jika memiliki nilai AIC dan SBC
lebih kecil jika dibandingkan dengan model lainnya.
163
Bab 7. Peramalan
Untuk tujuan pemilihan tersebut, kita list seluruh indikator yang

dimaksud dan membandingkannya diantara kandidat-kandidat model
yang ada. Secara lengkap list indiaktor pemilihat model ARIMA(1,0,0) dan
ARIMA(0,0,2) ditampilkan pada Tabel 7.6 berikut.
Tabel 7.6. Pemilihan Model yang Sesuai dengan Menggunakan Beberapa

Kriteria
Prob 2 > Q
t‐ Std. Error
Model Parameter AIC SBC sd time lag ke
Value Estimated
6 12
ARIMA(1,0,0)
Constant 115.1174
AR1,1 ‐0.528 ‐5.32 585.148 589.783 11.809 0.3790 0.6008
ARIMA(0,0,2)
Constant 75.383
MA1,1 0.554 4.97
MA1,2 ‐0.339 ‐2.93 584.898 591.850 11.714 0.6328 0.7101
Dari Tabel 7.6. terlihat bahwa seluruh parameter berbeda nyata dengan
nol pada taraf  = 0 .05 (bandingkan dengan ttabel lihat lampiran distribusi
tabel t). Kedua model AR(1) dan MA(2) menunjukkan error adalah
berdistribusi normal yang ditunjukkan dari Prob 2 yang tidak signifikan.
Nilai Akaike Information Criteria (AIC) model AR(1) lebih besar
dibandingkan dengan MA(2), sementara nilai Schwartz Bayesian Criterion
(SBC), model MA(2) lebih besar dari model AR(1). Dilihat dari standard
error esimate bahwa model MA(2) lebih kecil dibanding model AR(1).
Dengan demikian, kita dapat memutuskan model yang terbaik adalah
model MA(2), namun demikian dilain waktu dan kondisi kemungkinan
kita dapat memilih model AR(1). Tergantung dari banyaknya indikator
yang dijadikan sebagai penentu pemilihan model.
Sejauh ini kita telah melakukan analisis pada kasus data yang
stationer, bagaimana jika data yang ada adalah tidak stationer, bagaimana
SAS akan memperlakukan data tersebut? Berikut adalah uraiannya.
164
7.7.5. Kasus untuk Data Non Stationer

Untuk memahami penggunaan aplikasi SAS dalam mengelola data
yang tidak stationer, kita kutip kasus studi Hanke, et.all, (2001) Hal: 358.
Data terdiri dari 65 pengamatan harian rata-rata indeks transportasi
selama musim panas.
Tabel 7.7. Rata-Rata Pengamatan Indeks Transportasi Pada Musim Pada,

Selama 65 Hari.
Daily Indeks Daily Indeks Daily Indeks Daily Indeks
1 222.34 21 228.96 41 251.07 61 278.49
2 222.24 22 229.99 42 248.05 62 281.75
3 221.17 23 233.05 43 249.76 63 285.70
4 218.88 24 235.00 44 251.66 64 286.33
5 220.05 25 236.17 45 253.41 65 288.57
6 219.61 26 238.31 46 252.04
7 216.40 27 241.14 47 248.78
8 217.33 28 241.48 48 247.76
9 219.69 29 246.74 49 249.27
10 219.32 30 248.73 50 247.95
11 218.25 31 248.83 51 251.41
12 220.30 32 248.78 52 254.67
13 222.54 33 249.61 53 258.62
14 223.56 34 249.90 54 259.25
15 223.07 35 246.45 55 261.49
16 225.36 36 247.57 56 264.95
17 227.60 37 247.76 57 268.21
18 226.82 38 247.81 58 272.16
19 229.69 39 250.68 59 272.79
20 229.30 40 251.80 60 275.03
Sumber: Hanke, et.all, (2001) Hal: 358
Seperti yang kita ketahui bahwa tahapan dalam metodologi Box‐Jenkins

seperti yang telah disinggung sebelumnya antara lain adalah
mengidentifikasi (identifying), estimasi model (fitting) dan memeriksa
(checking) dan terakhir adalah meramalkan (forecasting). Berikut adalah
uraiannya.
165
Bab 7. Peramalan
Untuk mengikuti prosedur dari model Box‐Jenkins, maka pertama yang

harus dilakukan adalah melakukan input data tersebut ke dalam program
excel (tersedia dalam CD dengan Nama sheet TRANSP). Selanjutnya ikuti
langkah berikut ini:
1. Ketikka data Tabel 7.7. di exel dan beri nama dengan databuku.xls
dengan nama Sheet TRANSP
2. Selanjutnya impor data ke SAS, dan lakukan proses identifikasi dengan
mengetikkan pernyataan berikut:

out=BJenkin dbms=excel2000 replace;
sheet='transp';
getnames=yes;
run;

ods graphics on;
proc arima data=BJenkin plots=all;
identify var=indeks stationarity=(adf=(1,2));
run;
ods graphics off;
ods rtf close;
4. Running program sehingga akan menghasilkan OUTPUT dalam bentuk

hasil.rtf, yang pada prinsipnya dapat dibuka di program Microsoft
Word. Hasilnya (terpilih) ditampilkan pada Output 7.6.
Output 7.6
Name of Variable = Indeks
Mean of Working Series 244.1762
Number of Observations 65
166

Zero Mean 1 0.2830 0.7468 2.97 0.9991
2 0.2871 0.7477 2.89 0.9989
Single Mean 1 1.6434 0.9952 1.50 0.9992 5.25 0.0342
2 1.5812 0.9947 1.45 0.9990 4.94 0.0432
Trend 1 -4.6625 0.8358 -1.24 0.8935 2.73 0.6353
2 -4.0706 0.8758 -1.02 0.9335 2.23 0.7336
Hasil identifikasi pada Output 7.6. menunjukkan bahwa data tidak

stationer (lihat Trend dan ACF) , karena memiliki kecenderungan yang
menaik terhadap perubahan waktu Pr < Tau dan tabel ADF juga
mengindikasikan hal yang sama dimana Pr < Tau tidak signifikan.
167
Bab 7. Peramalan
Karena data tidak stationer, maka kita harus lakukan stationeri data,
stationer data dalam hal ini dilakukan dengan pembedaan pertama (first
different). Untuk tujuan tersebut, di dalam program SAS dapat dituliskan
sebagai berikut:

identify var=indeks(1) stationarity=(adf=(1,2));
run;
Pernyataan var=indeks(1) menunjukkan kita melakukan proses first

different, atau pembedaan pertama. Running program, maka hasilnya
akan terlihat seperti pada Output 7.7. berikut:
Output 7.7.
Name of Variable = Indeks

Period(s) of Differencing 1
Mean of Working Series 1.034844
Number of Observations 64
Observation(s) eliminated by differencing 1

Zero Mean 1 -27.1011 <.0001 -3.58 0.0005
2 -13.0528 0.0097 -2.31 0.0214
Single Mean 1 -44.7726 0.0006 -4.68 0.0003 10.96 0.0010
2 -27.7856 0.0006 -3.41 0.0141 5.94 0.0172
Trend 1 -55.7301 0.0001 -5.11 0.0005 13.09 0.0010
2 -35.7562 0.0005 -3.65 0.0340 6.70 0.0444
168
Plot yang ditampilkan pada Output 7.7, terlihat bahwa series

Indeks tidak memiliki kecenderungan yang menaik terhadap perubahan
waktu, dimana series data konstan berada di sekitar nilai tengah yang
mengindikasikan bahwa data telah stationer pada first different. Stationer
data juga ditunjukkan oleh pengujian Augmented Dickey‐Fuller Unit Root
Tests, dimana Pr < Tau adalah signifikan.
Dari plot autocorrelation atau disebut autocorrelation function
(ACF) juga disimpulkan bahwa series variabel indeks, adalah stationary.
Plot ACF hanya signifikan pada lag 1 (di luar arsiran) dan autocorrelation
hilang dengan cepat ke arah nol, ACF muncul memotong setelah lag 1
yang mengindikasi bahwa series data memiliki perilaku MA(1). Sedangkan
pada plot partial autocorrelation, (PACF) muncul memotong setelah lag 1,
mengindikasi perilaku AR(1). Dengan demikian kita dapat menduga
169
Bab 7. Peramalan
model yang sesuai untuk series variabel Indeks adalah ARIMA(1,1,0) dan
atau ARIMA(0,1,1), dimana bentuk model umumnya adalah:
ARIMA(1,1,0): Yt = 0 + 1 Yt – 1 + t
ARIMA(0,1,1): Yt =  + t - 1 t – 1
Namun demikian, untuk menyakinkan kita, kita juga dapat menggunakan
pernyataan SCAN dalam melakukan indentifikasi tentative model yang
sesuai, dengan menuliskan tambahan pernyataan SCAN, berikut:

identify var=indeks(1) SCAN stationarity=(adf=(1,2));
run;
Submit program, maka hasilnya akan ditampilkan pada Output 7.8.
Output 7.8
SCAN
p+d q
1 0
0 1
Hasil identifikasi model dengan menggunakan pernyataan SCAN sama

dengan model sebelum, secara umum kita dapat menuliskan secara
lengkap pada Tabel berikut:

Kemungkinan Model Terbaik
SCAN
untuk Indeks(1)
p+d q
1 0 ARIMA (1,1,0)
0 1 ARIMA (0,1,1)
Jika model tentative telah diketahui, maka prosedur selanjutnya adalah

melakukan estimasi, pemeriksaan model dan peramalan. Dalam hal ini
prosesnya sama seperti prosedur sebelumnya. Pembaca dapat mencoba
dan membandingkan kedua model tersebut.
170
7.8. Latihan 7
1. Sebuah pengamatan di lakukan terhadap permintaan (demand) suatu

produk, harga produk (p) dan tingkat pendapatan konsumen yang
datanya ditampilkan berikut ini:
Demand Price Income

No
Qd P I
2006 7 10 6
2007 8 9 6
2008 9 9 7
2009 9 7 3
2010 6 11 5
2011 6 10 5
2012 7 9 3
2013 8 9 5
2014 5 10 2
2015 6 10 4
2016 9 6 7
2017 8 8 5
Beberapa pertanyaan terkait dengan data diatas:

a. Ramalkanlah nilai harga (p) pada tahun 2018 dengan
menggunakan MA(2)
b. Ramalkanlah nilai harga (I) pada tahun 2018 dengan menggunakan
MA(3)
c. Ramalkanlah nilai q pada tahun 2018 dengan menggunakan
metode trend linier
d. Ramalkanlah nilai q pada tahun 2018 dengan menggunakan
pendekatan OLS dimana nilai P yang diperoleh pada point (a) dan
nilai I yang diperoleh pada point (b).
171
Bab 7. Peramalan
2. Sebuah pengamatan harian dilakukan selama 50 hari pada tahun 2018

tentang perkembangan nilai tukar rupiah (exchange rate), yang
datanya ditampilkan sebagai berikut:
Hari Exchange Rate Hari Exchange Rate

1 12868 26 14003
2 12593 27 13954
3 13666 28 12979
4 14156 29 13685
5 13859 30 13851
6 13395 31 13704
7 12991 32 13094
8 13816 33 13435
9 13384 34 12447
10 13242 35 13017
11 13342 36 12431
12 14377 37 12452
13 13757 38 12991
14 13432 39 12441
15 13908 40 12446
16 13055 41 12671
17 13195 42 13143
18 12929 43 12691
19 12480 44 13747
20 14417 45 14218
21 12611 46 13689
22 12535 47 14355
23 13057 48 12749
24 14046 49 13492
25 12437 50 13363
Pertanyaan yang terkait dengan data tersebut adalah:

a. Apa data tersebut stationer
b. Ramalkanlah data tersebut sampai 5 lima hari kedepan, dengan
menggunakan model ARIMA yang terbaik/sesuai.
172
BAB VIII
LINIER PROGRAMMING
METODE GRAFIS
8.1. Pendahuluan
K
elangkaan (scarcity) merupakan permasalahan setiap agen
ekonomi seperti perusahaan, rumahtangga dan pemeritah. Tidak
satupun agen tersebut tidak mengalami masalah kelangkaan,
sehingga para pengambil keputusan dalam kelompok agen tersebut selalu
harus memikirkan bagaimana cara untuk mengalokasi sumberdaya yang
terbatas untuk mendapatkan keuntungan atau utilitas yang maksimum.
Linier programming merupakan suatu pendekatan pemecahan masalah
(problem‐solving) yang dikembangkan dengan tujuan untuk membantu
para pengambil keputusan dalam menentukan cara-cara terbaik
(optimum) dengan kendala sumberdaya yang terbatas.
Dalam pemecahan masalah, linier programming menggunakan
model matematik. Kata linier menunjukkan bahwa semua fungsi
matematik yang disajikan haruslah linier. Sedangkan kata programming
dapat dimaknai dalam konteks perencanaan. Jadi, linier programming
adalah perencanaan aktivitas-aktivitas untuk mencapai hasil yang optimal.
Hasil optimal mencerminkan bahwa pencapaian sasaran tertentu
(maximisasi atau minimisasi) yang paling baik menurut model matematik
diantara alternatif-alternatif yang ada.
Model linier programming merupakan bagian dari riset operasi.
Bentuk umum model linier programming terdiri dari satu fungsi tujuan
(objective function) dan beberapa pembatas (restrictions) yang dinyatakan
dalam beberapa variabel-variabel keputusan (decision variables) dari
suatu permasalahan. Karena setiap materi, akan ditampilkan model linier
Bab 8. Linier Programming: Metode Grafik
programming, maka materi linier programming akan di bahas secara

detail dalam 3 Bab, yaitu Linier Programming, Metode Simpleks, dan
Sensitivitas dan Dual.
8.2. Model Linier Programming
Model linier programming menggunakan model matematik, untuk

memecahkan masalah. Secara umum, bentuk umum model linier
programming terdiri dari satu fungsi tujuan (objective function) dan
beberapa pembatas (restrictions) yang dinyatakan dalam beberapa
variabel-variabel keputusan (decision variables) dari suatu permasalahan.
Bentuk umum model program linear pada kasus maksimisasi ataupun
minimisasi dituliskan sebagai berikut:
Fungsi Tujuan (Max/Min):

n
z  cj xj untuk j = 1, 2, 3, …, n
j 1
Kendala/batasan:
n
a
j 1
x  atau  bi untuk i = 1,2, 3, …, m
ij ij
Syarat
xj  0
dimana :
z = nilai skalar kriteria pengambilan keputusan; fungsi tujuan ( berupa
penerimaan total, biaya total atau keuntungan total)
cj = koefisien variabel pengambilan keputusan (dapat berupa harga,
biaya atau keuntungan per unit)
xj = variabel pengambilan keputusan atau kegiatan yang ingin dicari
nilai-nilainya (dapat berupa produksi)
174
aij = koefisien input-output (teknologi) variabel pengambilan keputusan

dari kegiatan yang bersangkutan dalam kendala ke-i (dapat berupa
jumlah penggunaan lahan, pupuk, insektisida, tenaga kerja atau
modal untuk menghasilkan satu unit produk kegiatan)
bi = sumberdaya yang terbatas, yang membatasi kegiatan atau usaha
yang bersangkutan yaitu kendala ke-i (dapat berupa jumlah lahan,
pupuk, insektisida, tenagakerja dan modal yang tersedia)
Karena setiap kasus, akan digunakan Tabel dalam menguraikan
masalah, maka seluruh simbol yang disusun secara ringkas tersebut dapat
diuraikan dalam bentuk tabel berikut:
Tabel 8.1.
Data dalam Model Linier Programming
Aktivitas Penggunaan Sumberdaya Perunit Aktivitas Kapasitas

Sumber
1 2 3 ……….. n Sumberdaya
1 a11 a12 a13 ……….. n1n b1
2 a21 a22 a23 ……….. n2n b2
3 a31 a32 a33 ……….. n3n b3
. . . . ……….. . .
. . . . ……….. . .
m am1 am2 am3 ……….. anm bi
z c1 c2 c3 ……….. cn
Variables Kuputusan
x1 x2 x3 ……….. xn
(aktivitas)
Mengacu pada tabel di atas, berikut dapat disusun suatu model

matematik linier programming, yang secara umum digunakan untuk
memecahkan masalah alokasi sumberdaya, yaitu:
175
Fungsi Tujuan (Max/Min)

z  c1 x1  c 2 x 2  c3 x3    c n x n
Kendala/Batasan:
a11 x1  a12 x 2  a13 x3    a1n x n  b1
a 21 x1  a 22 x 2  a 23 x3    a 2 n x n  b2
     
a m1 x1  a m 2 x 2  a m 3 x3    a mn x n  bm
Syarat:
x1 , x 2 , x3 , x n  0
Secara umum, dalam model linier programming dalam haruslah

memenuhi kriteria, yaitu:
a. Tujuan yang ingin dicapai harus dinyatakan dalam bentuk fungsi linier,
disebut sebagai fungsi tujuan.
b. Sumberdaya yang tersedia dinyatakan dalam bentuk pertidaksamaan
linier.
c. Variabel keputusan adalah non-negatif atau harus dinyatakan dalam
bentuk lebih besar dari nol. Ini dapat dimaknai bahwa (contoh kasus
produksi) produksi sebuah perusahaan tidak mungkin bernilai
negative, setidaknya harus bernilai nol (tidak diproduksi).
8.3. Asumsi
Secara umum, terdapat lima asumsi yang mendasar dari model

linier programming yaitu (1) Proportionality. Asumsi proporsionality
menyatakan bahwa perubahan nilai fungsi tujuan z dan penggunaan
sumberdaya akan berubah secara proprosional atau sebanding dengan
perubahan tingkat aktivitas, (2) Additivity. Asumsi ini menyatakan nilai
dari fungsi dan total sumberdaya yang digunakan dapat ditemukan
dengan menjumlahkan konstibusi fungsi tujuan dan sumberdaya yang
digunakan untuk seluruh variabel keputusan. Dengan kata lain bersifat
176
penjumlahan, (3) Divisibility. Asumsi ini mengindikasikan bahwa variabel

keputusan adalah bersifat continue, dengan kata lain nilai fungsi tujuan
dapat berupa bilangan pecahan, (4) Deterministic. Asumsi deterministic
menunjukkan bahwa seluruh parameter (koefisien input-ouput) dalam
model linier programming dapat diperkirakan dengan pasti, dan (5)
Decision variables adalah non-negative. Artinya bahwa nilai dari variabel
keputusan tidak mungkin menghasilkan nol, tetapi setidaknya harus nol
dan lebih besar dari nol. Asumsi ini tersirat makna ekonomi bahwa tidak
mungkin menghasilkan produk yang negative, tetapi tidak berproduksi
masih masuk diakal.
8.4. Kasus Maksimisasi
Untuk memahami teknik linier programming secara detail, berikut

akan diuraikan sebuah kasus dimana sebuah perusahaan perkebunan
ingin memproduksi karet atau sawit atau keduanya. Diasumsikan bahwa
dalam menghasilkan satu kilogram produk tersebut hanya membutuhkan
3 jenis input atau sumberdaya, yaitu pupuk Urea, SP dan pupuk KCL.
Jumlah sumberdaya pupuk Urea tersedia sebesar 36 Kg, pupu SP sebesar
30 Kg dan pupuk KCL sebesar 30 Kg. Harga jual produk Karet adalah Rp
2000 per Kg, sedangkan harga jual Kelapa Sawit adalah Rp 1000/kg.
Komposisi penggunaan sumberdaya untuk setiap kilogram Karet
diperlukan pupuk urea 3 kg, pupuk SP 1 kg dan pupuk KCL sebesar 3 kg.
Sementara untuk produk Sawit dibutuhkan Urea sebanyak 2 kg, pupuk SP
sebanyak 2 Kg dan pupuk KCL sebanyak 1 Kg.
Permasalah perusahaan perkebunan tersebut adalah berapa
banyak harus diproduksi Karet atau Sawit, atau keduanya dalam rangka
untuk memaksimumkan keuntungan. Bagaimana seharusnya keputusan di
buat? Keputusan dibuat dengan cara memeriksa keuntungan, yaitu:
Jumlah Produksi Jumlah Produksi Total

Karet Sawit Keuntungan
177
Untuk memecahkan masalah perusahaan perkebunan tersebut,

kita akan mencoba menguraikan ilustrasi di atas dalam bentuk tabel dan
menjelaskan secara detail penulisan fungsi tujuan, kendala dan
pernyataan model matematik. Berikut adalah uraian pemetaan masalah
yang ditampilkan dalam bentuk tabel
Tabel 8.2
Kefisien Teknologi (Input-Output) dan Ketersediaan Sumberdaya
Aktivitas Aktivitas Produksi Ketersediaan

Input Karet Sawit Sumberdaya
Urea 3 2 36
SP 1 2 30
KCL 3 1 30
Berikutnya akan diuraikan secara detail tabulasi Tabel 8.2 dalam

bentuk model pernyataan matematik yang diuraikan mulai dari
pernyataan fungsi tujuan dan kendala/batasan.
8.4.1. Fungsi Tujuan
Setiap permasalah dalam linier programming memiliki fungsi

tujuan maksimisasi atau minimisasi. Dalam kasus ini, fungsi tujuan adalah
maksimisasi kontribusi total keuntungan. Kita dapat menulis fungsi tujuan
dalam bentuk model matematik, dengan mengenalkan simbol-simbol.
Andaikan:
X1 = adalah jumlah produksi Karet

X2 = adalah jumlah produksi Sawit
Perlu diketahui bahwa kontribusi keuntungan perusahaan

perkebunan berasal dari (1) kontribusi keuntungan yang diperolah dari
178
memproduksi X1, Karet dan (2) kontribusi yang dihasilkan dengan

memproduksi X2 sawit. Karena harga per Kilogram produk Karet adalah
Rp 2000/kg dan Sawit adalah Rp 1000/kg, maka total kontribusi
keuntungan (z) dalam formulasi matematik dituliskan sebagai berikut:
Kontribusi Total Keuntungan = z  2000 x1  1000 x 2
Permasalahan perusahaan perkebunan tersebut adalah bagaimana

memilih nilai produksi X1 dan X2 yang menghasilkan kemungkinan nilai
keuntungan (z) yang maksimum. Dalam linier programming, istilah yang
mengacu pada X1 dan X2 disebut sebagai variable keputusan (decision
variables). Karena dalam hal ini fungsi tujuan adalah maksimisasi
kontribusi total keuntungan, yang merupakan variabel keputusan
sehingga kita menulis 2000 x1 + 1000 x2 sebagai fungsi tujuan, maka
fungsi tujuan dituliskan menjadi:
Max z  2000 x1  1000 x 2
Dalam masalah ini, kombinasi tertentu dalam menghasilkan

produksi Karet dan Sawit disebut sebagai solusi (solution) terhadap
masalah, dan solusi yang dicapai seluruhnya memenuhi kendala/batasan
(constraint) yang disebut sebagai feasible solutions. Kemungkinan
kombinasi produksi tertentu (feasible solution) yang menghasilkan
kontribusi keuntungan maksimum disebut sebagai kombinasi produksi
optimal atau optimal solution.
8.4.2. Fungsi Kendala atau Batasan
Setiap produk Karet dan Sawit yang dihasilkan membutuhkan

input pupuk, sementara jumlah masing-masing jenis pupuk yang tersedia
adalah terbatas. Jumlah kebutuhan input pupuk untuk meghasilkan
produk Karet dan Sawait seperti yang ditampilkan pada Tabel 8.2.
179
Dari Tabel 8.2. diketahui bahwa untuk menghasilkan satu kilogram

produk Karet dibutuhkan 3 kg pupuk urea, sementara untuk Sawit
membutuhkan 2 Kg urea, sehingga total kebutuhan untuk produk Karet
dan Sawit dituliskan sebagai berikut:
Total pupuk Urea yang dibutuhkan Karet dan Sawit  3 x1  2 x 2
Karena jumlah Sumberdaya input pupuk Urea hanya tersedia

sebesar 36 kg, maka untuk memilih kombinasi produk Karet dan Sawit,
maka kendala/batasan dituliskan sebagai berikut:
3 x1  2 x 2  36
Tanda  dibaca lebih kecil atau sama dengan. Pertidaksamaan diatas dapat
dimaknai bahwa jumlah Urea yang digunakan dalam proses produksi
harus lebih kecil atau sama dengan jumlah maksimum sumberdaya yang
tersedia.
Hal yang sama juga dapat ditulis untuk pupuk SP, dimana untuk
menghasilkan satu kilogram produk Karet dibutuhkan 1 kg pupuk SP,
sementara untuk Sawit membutuhkan 2 Kg SP. Sementara jumlah
sumberdaya input SP tersedia adalah 30 Kg, sehingga dapat ditulis sebagai
berikut:
1x1  2 x 2  30
Kendala/batasan yang terakhir akhir adalah pupuk KCL. Dari

Tabel 8.2. diketahui untuk menghasilkan satu kilogram produk Karet
dibutuhkan 3 kg pupuk KCL dan Sawit membutuhkan 1 Kg KCL, dimana
jumlah input KCL tersedia adalah 30 Kg, sehingga dapat ditulis sebagai
berikut:
3 x1  1x 2  30
180
Sejauh ini kita telah menuliskan model matematik yang saling

terkait untuk kendala/batasan dengan tiga jenis input. Ada satu kendala
lagi yang penting dan tidak bisa dilupakan?, yang memiliki makna
ekonomi yang paling mendasar? Dapatkah produk Karet atau Sawit
bernilai negatif? Jelas jawabannya adalah tidak. Dengan demikian, variabel
keputusan (decision variables) X1 dan X2 harus bernilai lebih besar atau
sama dengan nol, sehingga ditulis sebagai berikut:
x1  0 dan x2  0
Kendala tersebut harus ditambahkan sebagai suatu syarat. Tanda 

berarti lebih besar atau sama dengan. Kendala/batasan tersebut akan
menjamin bahwa solusi dari pemecahan masalah mengandung nilai
nonnegative untuk variabel keputusan, dalam linier programming disebut
sebagai nonnegative constraints.
x1 , x 2  0
Persamaan di atas (kendala non-negatif) merupakan bentuk umum dalam

model linier programming yang harus dituliskan. Ada tiga sofwares yang
sering digunakan dalam memecahkan masalah linier programming, yaitu
LINDO, SAS dan Quantitiatve Method for Windows. Untuk software
Quantitiatve Method for Windows pernyataan tersebut tidak perlu
dituliskan, sementara SAS harus dituliskan.
8.4.3. Pernyataan Matematik
Untuk Sejauh ini, pernyataan matematik atau formula matematik

untuk perusahaan perkebunan tersebut telah lengkap. Fungsi tujuan dan
kendala seluruhnya telah dikonversi ke dalam bentuk matematik yang
disebut sebagai mathematical model.
181
Secara lengkap model matematik dari permasalahan perusahaan

perkebunan tersebut ditulis sebagai berikut:
Maksimumkan:
z  2000 x1  1000 x 2
Kendala:
3 x1  2 x 2  36  Urea
1x1  2 x 2  30  SP
3 x1  1x 2  30  KCL
Syarat Non-negative: variabel keputusan (Decision variables)

x1 , x 2  0
Tugas kita sekarang adalah mencari kombinasi produk (untuk X1 dan X2)
yang memenuhi seluruh kendala dan secara bersamaan menghasilkan
nilai fungsi tujuan yang lebih besar atau sama dengan feasible sulotion.
Sehingga kita akan menemukan solusi optimal dari permasalahan
perusahaan perkebunan tersebut.
Mathematical model dari permasalahan perusahaan perkebunan
tersebut disebut linier programming. Permasalahan yang memiliki fungsi
tujuan dan kendala merupakan properties dari program linier. Properties
lainnya adalah seluruh kendala (sisi sebelah kiri dari kendala ditandai
dengan adanya pertidaksamaan) dan hal yang sama untuk variabel
keputusan. Penyelesaian masalah linier programming dapat diselesaikan
dengan dengan metode grafik (khusus untuk dua variabel keputusan), dan
jika lebih dari dua variabel keputusan harus digunakan dengan metode
simpleks.
Pada bagian ini, akan dijelaskan pendekatan dengan metode grafik,
sedangkan untuk penyelesaian masalah linier programming dengan
metode simpleks dapat dilihat pada Bab 9. Berikut ini akan dijelaskan
metode grafik.
182
8.4.4. Metode Grafik
Permasalahan linier programming yang hanya melibatkan dua

variabel keputusan dapat dipecahkan dengan solusi metode grafik.
Dimulai dengan menggambarkan kemungkinan solusi nilai X1 dan X2. Pada
Gambar 8.1. terlihat bahwa sumbu X1 digambarkan secara horizontal dan
sumbu X2 adalah vertical
x2
30
20
25
Daerah Solusi Nonnegative

15
10
x1
0
5 10 15 20 25 30
Gambar 8.1. Kendala Non-Negative
Beberapa titik dapat diidentifikasi di dalam grafik oleh nilai x1 dan x 2 ,

yang mengindikasikan posisi titik di sepanjang sumbu x1 dan x 2 . Karena
setiap titik kombinasi ( x1 , x 2 ) yang sesuai adalah kemungkinan solusi,
maka setiap titik dalam grafik disebut titik solusi (solution point). Solusi
titik x1  0 dan x 2  0 adalah mengacu pada titik origin.
183
Tahap berikutnya adalah kita menggambarkan masing-masing

garis kendala di dalam grafik. Untuk itu dapat dilakukan dengan cara
menetapkan salah satu dari variabel keputusan sama dengan nol.
Misalkan persamaan kendala Urea, ditetapkan x1  0 dan merubah tanda
pertidaksamaan ( ) menjadi tanda sama dengan (=), sehingga diperoleh:
3x1  2 x 2  36
30  2 x 2  36
36
x2   18  titik  x1 , x 2  ditulis menjadi 0, 18 ,
2
Kemudian kita tetapkan x 2  0 , maka
3 x1  20   36
36
x1   12  titik  x1 , x 2  ditulis menjadi 12, 0  ,
3
x2
30
20 (20, 20)
(0,18)
25
3x1 + 2x2 = 36  Kendala Urea

15
10
(12,0)
5 (5,5)
x1
0
5 10 15 20 25 30
Gambar 8.2. Kendala Sumberdaya Pupuk Urea
184
Nilai titik yang sesuai untuk titik  x1 , x 2  masing-masing adalah 0, 18 dan
12, 0 . Selanjutnya adalah menggambarkan titik tersebut di dalam Grafik
dan menghubungkan kedua titik yang membentuk garis lurus, seperti
yang ditampilkan pada Grafik 8.2. Garis lurus yang ditampilkan pada
Gambar 8.2 disebut sebagai garis kendala (constraints line).
Perlu diketahui bahwa, tidak mungkin menghasilkan kombinasi
titik (20, 20) karena hal ini tidak memenuhi kendala/batasan sumberdaya
input Urea atau berada diatas garis kendala, sementara titik (5, 5) dapat
dicapai, tetapi kemungkinan belum optimal.
Untuk menggambarkan kendala berikutnya (SP dan KCL)
dilakukan dengan proses yang sama seperti diperlakukan untuk input
sumberdaya Urea, diringkas dalam bentuk tabel berikut:
Tabel 8.3. Titik Kombinasi untuk Masing-Masing Kendala
Kendala Persamaan X1 X2 Titik

Urea 3 x1  2 x 2  36 0 18 (0, 18)
12 0 (12, 0)
SP 1x1  2 x 2  30 0 15 (0, 15)
30 0 (30, 0)
KCL 3 x1  1x 2  30 0 30 (0, 30)
10 0 (10, 0)
Berikutnya adalah menggambar seluruh titik ke dalam grafik,

sehingga akan dihasilkan grafik seperti yang terlihat pada Gambar 8.3.
Pada gambar tersebut terlihat bahwa daerah feasible disepanjang garis
titik A, B, C dan D. Daerah feasible atau feasible solution merupakan
kemungkinan titik-titik kombinasi  x1 , x 2  yang memenuhi seluruh
kendala Urea, SP dan KCL. Namun demikian hanya terdapat satu titik yang
akan menghasilkan kombinasi optimal. Secara visual dapat dipastikan
bahwa kombinasi optimal hanya terdapat pada titik A, B, C dan E. Untuk
memastikan titik solusi optimal, kita harus mencari dengan memecahkan
nilai di setiap titik, kemudian melakukan substitusi kepada fungsi tujuan.
185
Jika fungsi tujuan adalah maksimisi, maka nilai fungsi tujuan

dengan nilai terbesar menjadi kombinasi pilihan, sebaliknya, jika
kasusnya adalah minimisasi maka nilai terkecil menjadi kombinasi yang
menjadi pilihan.
Untuk menemukan nilai tersebut, perhatikan pada Gambar 8.3 di
Titik A 0, 15 , substitusikan nilai titik tersebut ke fungsi tujuan sehingga
diperoleh:
A (0, 15) z  2000 x1  1000 x 2

= 2000 (0) + 1000 (15)
= 15000
x2
30
20 3x1 + 1x2 = 30  Kendala KCL (3)
25
Bukan Daerah
15 A
Feasibel
B
3x1 + 2x2 = 36  Kendala Urea (1)
10
Daerah
C
1x1 + 2x2 = 30  Kendala SP (2)
Feasible
5
D x1
0
5 10 15 20 25 30
Gambar 8.3. Garis Kendala dan Daerah Feasibel Solution
Untuk menentukan solusi optimal kita harus memerikssa seluruh

titik di Gambar 8.3. Sehingga proses yang sama seperti titik A harus di
pada titik B, C dan D.
186
Pada Titik B merupakan perpotongan antara Kendala Urea (1) dan

Kendala SP (2), sehingga untuk mencari titik kombinasi pada titik B harus
dipecahkan secara simultan antara kedua kendala dengan menggunakan
metode eliminasi, sebagai berikut:
3x1  2 x 2  36  Urea
1x1  2 x 2  30  SP
3 x1  2 x 2  36
1x1  2 x 2  30

2 x1  6
x1  3
Untuk menemukan nilai x 2 , substitusikan nilai x1 ke salah satu persamaan

kendala, sehingga diperoleh nilai:
1x1  2 x 2  30
1(3)  2 x 2  30
2 x 2  30
x 2  15
Dengan demikian kita telah memperoleh kombinasi nilai pada titik B yaitu
B(3,15). Untuk mengetahui berapa besar kontribusi keuntungan, maka
substitusikan kembali nilai kombinasi tersebut ke fungsi tujuan, sehingga
diperoleh:
B (3, 15) z  2000 x1  1000 x 2

z  2000 (3)  1000 (15)
z  6000  15000
z  21000
187
Selanjut periksa juga titik C. Pada titik C merupakan titik perpotongan

antara kendala Urea (1) dan Kendala KCL (3) (lihat Gambar 8.3). Dengan
proses yang sama seperti menemukan titik B. Untuk memecahkan
persamaan tersebut dapat digunakan metode eliminasi sebagai berikut:
3 x1  2 x 2  36  Urea
3 x1  1x 2  30  KCL
3 x1  2 x 2  36
3 x1  1x 2  30

x2  6
Untuk menemukan nilai x1 , substitusikan nilai x 2 ke salah satu persamaan

3x1  1x 2  30
3x1  1(6)  30
3x1  24
x1  8
Dengan demikian kita telah memperoleh kombinasi nilai pada titik C yaitu
C(8, 6). Untuk mengetahui berapa besar kontribusi keuntungan, maka
substitusikan kembali nilai kombinasi tersebut ke fungsi tujuan, sehingga
diperoleh:
C (8, 6) z  2000 x1  1000 x 2

z  2000 (8)  1000 (6)
z  16000  15000
z  22000
188
Terakhir adalah menentukan nilai kombinasi pada titik D. Kombinasi pada

titik D(10, 0). Untuk mengetahui besarnya kontribusi keuntungan maka
substitusikan kembali ke fungsi tujuan, sehingga diperoleh:
D (10, 0) z  2000 x1  1000 x 2

z  2000 (10)  1000 (0)
z  20000
Dengan demikian kita telah memperoleh kombinasi nilai disetiap titik dan
memeriksa besarnya besarnya kontribusi keuntungan untuk setiap
kombinasi. Untuk memudahkan mengingat kembali kontribusi keuntugan
di setiap titik, akan diringkas dalam bentuk Tabel 8.4.
Tabel 8.4. Rekapitulasi Nilai Kombinasi untuk Setiap Titik
Jumlah
Titik Penulisan Keuntungan
x1 x2
A 0 15 A(0,15) 15.000
B 3 15 B(3,15) 21.000
C 8 6 C(8, 6) 22.000
D 10 0 D(10,0) 20.000
Pada Tabel 8.4. dapat diketahui bahwa titik kombinasi titik A memberikan
keuntungan sebesar Rp 15.000 (merupakan keuntungan terkecil)
sedangkan yang memberikan keuntungan paling besar berada pada titik C
(8,6). Artinya bahwa jumlah produksi yang dihasilkan yang memenuhi
seluruh kendala untuk produksi Karet adalah sebanyak 6 kg dan untuk
produk Sawit adalah sebanyak 6 Kg. Pada kombinasi titik tersebut
diperoleh keuntungan sebesar Rp 22.000. Dengan mengacu pada asumsi
bahwa perusahaan adalah rasional, maka tentu alternative pilihan
kombinasi berada pada titik C. Secara visual titik-titik kombinasi juga
ditampilkan pada Gambar 8.4.
189
x2
30
20
25
Solusi optimal
A(0,15) 2000 x1  1000 x2  22.000
15
B(3,15)
10
C(8,6)
isoprofit line
5
D(10,0)
x1
0
5 10 15 20 25 30
Gambar 8.4. Solusi Optimal Perusahaan Perkebunan
8.4.5. Aplikasi Software QM For Windows
Software aplikasi yang digunakan dalam Buku ini adalah Sofware

aplikasi Quantitiatve Method for Windows. Untuk dapat menggunakan
pastikan software tersebut telah terinstall di komputer anda. Tahapan
penggunaannya adalah:
1. Klik Aktifkan POM-QM for Windows 3
2. Klik Module + Linier Programming
3. Klik File + New sehingga kota dialog seperti Gambar 8.5. akan muncul.
Selanjutnya tentukan bahwa:
Number of Constraint =3
Number of Varibles =2
Objective = Maximize
190
Selanjutnya Klik tombol OK untuk melanjutkan proses pengisian

data. Dengan menekan (klik) tombol OK maka kotak dialog berikut akan
muncul seperti Gambar 8.6.
Gambar 8.5. Kota Dialog Linier Programming
Gambar 8.6. Lokasi Untuk Melakukan Entry Data
Berikutnya adalah mengisi sel-sel yang sesuai dengan model matematik

yang telah kita bangun sebelumnya. Perlu dicatat bahwa untuk mengisi sel
dapat diketik langsung di sel yang sesuai.
191
RHS (Right Hand Side) adalah sel yang ditampung untuk mengisi
kapasitas sumberdaya. Lihat model matematik sebelumnya, dan jika data
telah terisi, maka tampilan Gambar 8.6. akan terlihat seperti Gambar 8.7.
berikut:
Gambar 8.7. Bentuk Sel Setelah Data di Entry
Selanjutnya klik tombol pada Toolbar untuk melakukan

menjalankan program, sehingga hasil akan tampil seperti Gambar 8.8.
Gambar 8.8. Hasil Solusi Optimal Menggunakan Software Quantitiatve

Method for Windows
Perhatikan Gambar 8.8 bahwa X1 diproduksi sebesar 8 Kg dan X2

diproduksi sebesar 6 Kg. Hasil ini persis sama dengan manual yang kita
192
lakukan. Terkait dengan Slack dan Basis dan Non Basis kita akan bahan di
bagian lain. Untuk melihat bentuk grafik, dapat dilakukan dengan cara
berikut, yaitu:
Klik Window + Klik 6 Graph, sehingga hasilnya Grafik akan tampil seperti
pada Gambar 8.9 berikut:
Solusi optimal
2000 x1  1000 x2  22.000
Keterangan: adalah isoprofit line
Gambar yang dihasilkan oleh Softwares Quantitiatve Method for Windows

tidak berbeda seperti Gambar 8.4. yang kita hasilkan sebelumnya. Dimana
titik solusi optimal berada pada titik C(8,6). Secara lebih detail aplikasi
dan teknik penggunaan Softwares Quantitiatve Method for Windows
dapat dilihat pada Lampiran.
193
8.5. Kasus Minimisasi
Dalam teori Ilmu ekonomi umum dijumpai masalah-masalah yang

terkait dengan biaya. Perusahaan pada umumnya meminimumkan biaya
dengan teknologi tertentu yang dimiliki. Linier Programming juga dapat
diaplikasikan dalam masalah minimisasi biaya dengan kendala-kendala
tertentu.
Contoh Kasus:
Seorang petani bertujuan untuk meminimumkan biaya makanan

ternak dengan menyuplai kebutuhan minimum harian nutrisi (Calcium,
Protein, Calories) yang diperlukan untuk mempertahankan kegemukan
ternak. Kedua unsur makanan tersebut adalah X1 dan X2. Dimana kedua
unsur makanan (X1, X2) memiliki jumlah Calcium, Protein, Calories yang
bervariasi. Kebutuhan minimum harian dari kedua sumber dan jumlah
nutrisi ditampilkan pada tabel
Tabel 8.5. Jumlah Kandungan Nutrisi dan Kebutuahn Nutrisi Ternak
Kandungan Nutrisi Jenis Makanan

Kebutuhan Minimum
Nutrisi Ternak
Harian
X1 X2
Calcium 1 1 10
Protein 3 1 15
Calories 1 6 15
Kandungan nutrisi untuk X1 untuk Kalsium adalah 1 protein adalah 3 mg

dan Kalori adalah 1 mg. Sedangkan jenis makanan X2 mengandung nutrisi
Kalsium sebesar 1 mg, Protein 1 mg dan Kalori mengandung 1 6 mg.
Sementara untuk mempertahankan kegemukan ternak dibutuhkan nutrisi
Kalsium sebanyak 10 mg, protein sebanyak 15 mg dan kebutuhan
minimum kalori sebesar 15 mg/hari (Tabel 8.5).
194
Harga jenis makanan X1 adalah $1 perunit dan harga jenis makanan

X2 adalah $2 perunit. Pertanyaannya adalah berapa jumlah X1, X2 yang
harus disediakan oleh petani tersebut untuk tetap mempertahankan
kegemukan ternak, tetapi dengan biaya yang minimum.
Untuk memahami persoalan petani tersebut (masalah minimisasi)
di dalam model linier programming pada prinsipnya sama dengan
penyelesaianya masalah kasus maksimisai, namun terdapat perbedaan
yang mendasar dalam penulisan pertidaksamaan. Kasus maksimisasi
ditulis  sedangkan dalam minimisasi ditulis menjadi . Lebih jelas kita
akan uraikan secara detail.
Dalam kasus ini linier programming memiliki fungsi tujuan

minimisasi, yaitu miminimumkan biaya dengan kendala akan kebutuhan
nutrisi makanan ternak. Kita dapat menulis fungsi tujuan dalam bentuk
model matematik, sebagai barikut:
X1 = adalah jumlah makanan X1

X2 = adalah jumlah makanan X2
Kontribusi biaya petani berasal dari (1) biaya yang dikeluarkan untuk
membeli X1, dan (2) kontribusi biaya yang digunakan untuk membeli X2.
Karena harga per unit X1 adalah $1 dan X2 adalah $2, maka total kontribusi
biaya (z) dalam formulasi matematik dituliskan sebagai berikut:
Total Biaya = $ 1x1  $ 2 x 2
Permasalahan petani tersebut adalah bagaimana memilih nilai makanan

X1 dan X2 yang menghasilkan kemungkinan kombinasi X1 dan X2 yang nilai
(z) yang minimum. Karena dalam hal ini fungsi tujuan adalah minimisasi,
195
sehingga ditulis $1 X1 + 2 X2 sebagai fungsi tujuan, maka fungsi tujuan

secara matematik dituliskan:
Minimumkan z  $ 1x1  $ 2 x 2
Dalam masalah ini, kombinasi tertentu dalam menghasilkan X1 dan X2

disebut sebagai solusi (solution) terhadap masalah, dan solusi yang
dicapai seluruhnya memenuhi kendalah/batasan (constraint) yang
disebut sebagai feasible solutions. Kombinasi makanan X1 dan X2 tertentu
menghasilkan kontribusi biaya minimum disebut sebagai kombinasi
optimal atau optimal solution.
8.5.2. Fungsi Kendala /Batasan
Dari Tabel 8.5. diketahui bahwa untuk kandungan nutrisi kalsium

untuk makanan X1 adalah 1 mg dan X2 adalah 1 mg, sehingga total
kebutuhan kalsium dituliskan sebagai berikut:
Jumlah Nutrisi Kalsium  1x1  1x 2
Karena kebutuhan minimum harian ternak untuk Kalsium adalah 10 mg,

yang dapat diperoleh dari makanan X1 sebesar 1 mg dan X2 sebesar 1 mg,
maka untuk memilih kombinasi makanan X1 dan X2, dituliskan sebagai
berikut:
Kebutuhan Kalsium 1x1  1x 2  10
Tanda  dibaca lebih besar atau sama dengan. Pertidaksamaan diatas

dapat dimaknai sebagai kebutuhan minimum untuk mempertahan
kegemukan ternak miliki petani yang harus lebih besar atau sama dengan
jumlah kebutuhan minimum harian ternak utnuk unsur Kalsium. Dalam
arti bahwa kebutuhan setidaknya terpenuhi minimum 10 mg.
196
Hal yang sama juga dapat ditulis untuk pupuk Protein, dimana
untuk kandungan nutria X1 adalah 3 mg dan X2 adalah 1 mg. Karena
kebutuhan minimum harian ternak untuk Protein adalah 15 mg, yang
dapat diperoleh dari makanan X1 dan X2 tersebut maka untuk memilih
kombinasi makanan X1 dan X2, dituliskan sebagai berikut:
3 x1  1x 2  15
Kendala/batasan yang terakhir akhir adalah kebutuhan Kalori. Dari Tabel

8.5. diketahui bahwa untuk kebutuhan kalori dapat diperoleh dari unsur
makanan X1 sebesar 1 mg, dan X2 sebesar 6 mg. Karena kebutuhan kalori
minimum harian adalah 15 mg, maka secara matematik dapat ditulis
menjadi:
1x1  6 x 2  15
Sampai sejauh ini kita telah menemukan model matematik yang

saling terkait untuk kendala/batasan tiga jenis input kebutuhan ternak.
Kendala terakhir adalah variabel keputusan (decision variables). Seperti
hal kasus maksimisasi, dalam kasus minimisasi variabel keputusan juga
harus ditetapkan lebih besar sama dengan nol, dapat ditulis sebagai
berikut:
x1  0 dan x2  0
Kendala tersebut harus ditambahkan sebagai suatu syarat.

Pertidaksamaan dengan symbol  menunjukkan arti bahwa harus lebih
besar atau sama dengan. Dengan demikian, kendala/batasan tersebut
akan menjamin bahwa solusi dari pemecahan masalah mengandung nilai
nonnegative untuk variabel keputusan. Kendala ini rasional, karena tidak
mungkin petani menyediakan X1 atau X2 negatif, tetapi setidaknya tidak
menyediakan atau sama dengan nol.
197
Sejauh ini, pernyataan matematik dari fungsi tujuan dan kendala

petani telah dirumuskan secara lengkap, dengan kata lain fungsi tujuan
dan kendala seluruhnya telah di dikonversi ke dalam bentuk matematik
yang disebut sebagai mathematical model.
Secara lengkap model matematik dari permasalahan petani dalam
penggemukan ternak dapat ditulis sebagai berikut:
Minimumumkan:
z  $ 1x1  $ 2 x 2
Kendala:
Kalsium 1x1  1x 2  10
Protein 3 x1  1x 2  15
Kalori 1x1  6 x 2  15

x1 , x 2  0
Tugas kita sekarang adalah mencari kombinasi unsur makanan X1 dan X2

yang memenuhi seluruh kendala dan secara bersamaan menghasilkan
nilai fungsi tujuan yang minimum.
8.5.4. Metode Grafik
Karena kasus petani ternak tersebut masih melibatkan dua

variabel keputusan, maka solusi linier programming dapat dipecahkan
dengan metode grafik. Dimulai dengan menggambarkan kemungkinan
solusi nilai X1 dan X2. Pada Gambar 8.10. terlihat bahwa sumbu X1
digambarkan secara horizontal dan sumbu X2 adalah vertical.
198
x2
20
15
Daerah Solusi Nonnegative

10
x1
0
5 10 15 20
Gambar 8.10. Daerah Kendala Non-Negative
Berikutnya adalah menggambarkan masing-masing kendala ke

dalam grafik. Untuk itu dapat dilakukan dengan cara menetapkan salah
satu dari variabel keputusan sama dengan nol. Misalkan persamaan
kendala Kalsium, ditetapkan x1  0 dan merubah tanda pertidaksamaan
( ) menjadi tanda sam dengan (=), sehingga diperoleh:
1x1  1x 2  10
10  1x 2  10
10
x2  110  titik  x1 , x 2  ditulis menjadi 0, 10  ,
1
Kemudian ditetapkan x 2  0 , maka
1x1  10   10
10
x1   10  titik  x1 , x 2  ditulis menjadi 10, 0  ,
1
199
Nilai titik yang sesuai untuk titik  x1 , x 2  masing-masing adalah 0, 18 dan
12, 0 . Selanjutnya adalah menggambarkan titik tersebut di dalam Grafik
dan menghubungkan kedua titik yang membentuk garis lurus, seperti
yang ditampilkan pada Grafik 8.11. Sekali lagi disebutkan bahwa garis
lurus tersebut disebut sebagai garis kendala (constraints line).
x2
20
15
(0,10)
10 1x1 + 1x2 = 10  Kendala Kalsium
5 (10,0)
x1
0
5 10 15 20
Gambar 8.11. Garis Kendala untuk Kebutuhan Kalsium
Dengan proses yang sama, dapat digambarkan kendala lainnya untuk

Protein dan Kalori. Kombinasi titik-titik yang sesuai diringkas dalam
bentuk Tabel 8.6.
Berikutnya adalah menggambar seluruh titik-titik tersebut ke
dalam grafik, sehingga akan dihasilkan grafik seperti yang terlihat pada
Gambar 8.12. Dari Gambar 8.12 tersebut terlihat bahwa daerah feasible
terdapat disepanjang garis titik A, B, C dan D. Daerah feasible atau feasible
solution merupakan kemungkinan titik-titik kombinasi  x1 , x 2  yang
memenuhi seluruh kendala.
200
Tabel 8.6. Titik Kombinasi untuk Masing-Masing Kendala
Kendala Persamaan X1 X2 Titik

0 10 (0, 10)
Kalsium 1x1  1x 2  10
10 0 (10, 0)
0 15 (0, 15)
Protein 3x1  1x 2  15
5 0 (5, 0)
0 2.5 (0, 2.5)
Kalori 1x1  6 x 2  15
15 0 (15, 0)
Namun demikian hanya terdapat satu titik yang akan menghasilkan

kombinasi optimal (biaya minimum). Secara visual dapat dipastikan
bahwa kombinasi optimal hanya terdapat pada titik A, B, C dan D. Untuk
memastikan titik solusi optimal, kita harus mencari dengan memecahkan
nilai di setiap titik, kemudian melakukan substitusi kepada fungsi tujuan.
x2
20
Feasible Area
15 A 3x1 + 1x2 = 15  Kendala protein
1x1 + 1x2 = 10  Kendala Kalsium

10
B
5 1x1 + 6x2 = 15  Kendala Kalori
C
D x1
0
5 10 15 20
Gambar 8.12. Garis Kendala
201
Besarnya biaya pada titik A (0,15) adalah:
z  1 x1  2 x 2
 1(0)  2(15)
 30
Pada Titik B, karena terdapat perpotongan antara Kendala

Kalsium dan dan kendala Protein, maka untuk mencari titik kombinasi
pada titik B harus dipecahkan secara simultan antara kedua kendala
dengan menggunakan metode eliminasi, sebagai berikut:
1x1  1x 2  10  Kendala Kalsium

3 x1  1x 2  15  Kendala Protein
1x1  1x 2  10
3 x1  1x 2  15

2 x1  5
x1  2.5
Untuk menemukan nilai x 2 , substitusikan nilai x1 ke salah satu persamaan

1x1  1x 2  10
1(2.5)  1x 2  10
1x 2  10  2.5
x2  7.5
Dengan demikian kita telah memperoleh kombinasi nilai pada titik B yaitu
B(2.5, 7.5). Untuk mengetahui berapa besar kontribusi biaya, maka
substitusikan kembali nilai kombinsai tersebut ke fungsi tujuan, sehingga
diperoleh:
202
Titik B (2.5, 7.2)
z  1 x1  2 x 2
 1 (2.5)  2 (7.5)
 17.50
Selanjutnya periksa titik C. Pada titik C merupakan titik perpotongan
antara kendala Kalsium dan Kendala Kalori. Dengan proses yang sama
seperti menemukan titik B, kita akan memperoleh kombinasi titik C
sebagai berikut:
1x1  1x 2  10  Kalsium
1x1  6 x 2  15  Kalori
1x1  1x 2  10
1x1  6 x 2  15

 5 x 2  5
x2  1
Untuk menemukan nilai x1 , substitusikan nilai x 2 ke salah satu persamaan

kendala, sehingga diperoleh nilai x1 menjadi:
1x1  1x 2  10
1x1  1(1)  10
1x1  10  1
x1  9
Dengan demikian kita telah memperoleh kombinasi nilai pada titik C yaitu
C (9,1). Untuk mengetahui berapa besar kontribusi biaya, substitusikan
kembali nilai-nilai kombinasi titik C tersebut ke fungsi tujuan, sehingga
diperoleh:
203
C (1, 9) z  1 x1  2 x 2
z  1 (9)  2 (1)
z  11
Terakhir adalah menentukan nilai kombinasi pada titik D. Kombinasi pada

titik D(X1, X2) adalah D(10, 0). Untuk mengetahui besarnya kontribusi
biaya, substitusikan nilai titik tersebut ke fungsi tujuan, sehingga:
D (15, 0) z  1 x1  2 x 2
z  1 (15)  2(0)
z  15
Dengan demikian kita telah memperoleh kombinasi nilai di setiap titik dan
memeriksa besarnya kontribusi biaya untuk setiap kombinasi. Untuk
memudahkan mengingat kembali kontribusi biaya di setiap titik, akan
diringkas dalam bentuk Tabel 8.7. berikut:
Tabel 8.7. Rekapitulasi Nilai Kombinasi untuk Setiap Titik
Jumlah
Titik Penulisan Biaya
x1 x2
A 0 15 A(0, 15) $ 30
B 2.5 7.5 B(2.5, 7.5) $ 17.5
C 9 1 C(9, 1) $ 11
D 15 0 D(15, 0) $ 15
Hasil rekapitulasi Tabel 8.7. menunjukkan bahwa biaya terbesar terdapat

pada titik A(0, 15) dengan total biaya yang harus dikeluarkan adalah $ 30.
Sementara biaya terkecil terdapat pada titik C(9,1) dengan total biaya
sebesar $ 11. Dengan asumsi petani adalah rasional, maka tentu
alternative pilihan kombinasi berada pada titik C, karena biaya yang
dikeluarkan adalah minimum dan kegemukan ternak petani dapat
dipertahankan.
204
x2
20
15 A(0,15)
Feasible Area
10
B(2.5, 7.5)
5
Bukan
Feasible Area C(9, 1)
D(15,0) x1
0
5 10 15 20
Gambar 8.13. Solusi Optimal untuk Permasalah Petani Ternak
Secara visual titik-titik kombinasi ditampilkan pada Gambar 8.13. Karena

pilhan kombinasi adalah titik C(9, 1) berarti jumlah unsur makanan yang
harus disediakan oleh petani untuk X1 adalah sebanyak 9 unit, sedangkan
untuk X2 adalah sebanyak 1 unit. Kombinasi tersebut akan memenuhi
seluruh kendala (kebutuhan nutrisi makanan ternak harian) dengan biaya
yang harus dikeluarkan adalah sebesar $ 11.
Selain proses manual dengan menggunakan metode grafik (telah

dijelaskan di atas), dalam memecahkan masalah petani ternak (kasus
minimisai) tersebut juga dapat dipecahkan dengan penggunaan software
Quantitiatve Method for Windows. Tahapan penggunaannya adalah:
205
1. Aktifkan POM-QM for Windows 3

3. Klik File + New sehingga kota dialog seperti Gambar 8.14. akan
muncul. Selanjutnya isian:
Number of Varibles =2
Objective = Minimize
Gambar 8.14. Kota Dialog Linier Programming
Selanjutnya Klik tombol OK untuk melanjutkan proses pengisian data.

Dengan menekan tombol OK maka kotak dialog (tempat pengisian/entri
data) akan muncul seperti Gambar 8.15.
Berikutnya adalah mengisi sel-sel yang sesuai dengan model
matematik yang telah kita bangun sebelumnya. Perlu dicatat bahwa untuk
mengisi sel dapat diketik langsung di sel yang sesuai. RHS (Right Hand
Side) adalah sel yang ditampung untuk mengisi kapasitas sumberdaya.
Lihat model matematik sebelumnya.
206
Gambar 8.15. Lokasi Untuk Melakukan Entry Data
Sesuaikanlah simbol dan nama kendala (jika diperlukan) dan entri data
yang sesuai untuk baris dan kolom. Jika seluruh data telah terisi dan
disesuaikan, maka tampilan Gambar 8.15. akan terlihat seperti Gambar
8.16. berikut:
Gambar 8.16. Bentuk Sel Setelah Data di Entry
Selanjutnya klik tombol pada Toolbar untuk melakukan

menjalankan program, sehingga hasil akan tampil seperti Gambar 8.16.
Gambar 8.16. Hasil Solusi Optimal Menggunakan Software Quantitiatve

Method for Windows
207
Perhatikan Gambar 8.16, bahwa jumlah X1 = 9 dan X2 = 1. Hasil ini persis

sama dengan cara manual yang kita lakukan. Untuk melihat bentuk grafik,
dapat dilakukan dengan cara berikut, yaitu:
Klik Menu Window + Klik 6 Graph, sehingga hasilnya Grafik akan tampil
seperti pada Gambar 8.17 berikut:
Gambar yang dihasilkan oleh Softwares Quantitiatve Method for Windows

tidak berbeda seperti yang dihasilkan sebelumnya. Dimana titik solusi
optimal berada pada titik C(9,1).
8.6. Latihan
1. Seorang petani menghasilkan dua jenis produk, yaitu Jagung dan
kedele, dengan bahan baku modal dan tenaga kerja. Ketersediaan
modal sebesar Rp 6 juta dan jumlah tenaga kerja tersedia 8
208
orang/hari. Untuk menghasilkan jagung dibutuhkan modal sebesar 1

juta sedangkan untuk kedele dibutuhkan modal sebesar Rp 2 juta.
Jumlah tenaga kerja yang dibutuhkan untuk tanaman jagung adalah 2
orang perhari sedangkan untuk kedele dibutuhkan 1 orang tenaga
kerja. Harga produk jagung adalah Rp. 3 ribu/Kg sedangkan untuk
kedele seharga Rp 2 ribu/kg. Permintaan maksimum untuk kedele
adalah 2 ton/semester. Sementara permintaan kedele tidak dapat
melebihi permintaan jagung 1 ton.
2. Seorang petani di Indonesia memiliki lahan 1000 Ha yang akan
ditanam 2 komoditi yaitu jagung, kedele. Setiap hektar jagung
membutuhkan biaya persiapan sebesar $100, membutuhkan 7 hari
kerja tiap hektarnya dan keuntungan $30 per hektar. Setiap hektar
kedele membutuhkan biaya persiapan sebesar $70, membutuhkan 8
hari kerja tiap hektarnya dan menghasilkan keuntungan sebesar $20
per hektar. Petani tersebut telah meminjam uang ke bank sebesar
$80.000 untuk persiapan penanaman dan telah mendapatkan tenaga
kerja sebesar 6000 hari kerja. Asumsikan juga bahwa sebuah
perusahaan telah setuju untuk membeli maksimal hasil dari 400 Ha
lahan jagung dan 600 Ha lahan kedele.
3. Perusahaan pengolahan susu sapi akan memproduksi 2 jenis produk
yaitu produk puding dan eskrim. Menggunakan bahan baku terdiri
atas susu segar, coklat bubuk dan gula. Dalam satu periode produksi
perusahaan menyediakan susu segar 40 unit, cokelat bubuk 20 unit
dan gula 25 unit. Semua produk yang dihasilkan perusahaan dapat
dijual dengan harga masing-masing untuk puding Rp. 1800 dan eskrim
Rp. 2500. Diperoleh informasi bahwa jumlah produk puding dan
eskrim yang dapat diserap pasar maksimum 80 unit. Tabel berikut
disajikan kebutuhan bahan baku untuk produk, yaitu:
Produk
Bahan Baku
Puding Eskrim
Susu Segar 2 1
Cokelat bubuk 3 2
Gula 1 3
209
Pertanyaan
a. Tentukanlah model linear programming yang sesuai untuk
kasus diatas.
b. Produk apa yang dihasilkan oleh perusahaan tersebut, dan
tentukanlah berapa keuntungan yang diterima oleh perusahaan
tersebut
4. Sebuah perusahaan membuat sereal dari dua jenis bahan baku yaitu
gandum dan beras. Kedua bahan tersebut mengandung vitamin A dan
B. Dalam pembuatan sereal tersebut terdapat kadar minimal untuk
masing-masing vitamin, untuk vitamin A minimal sebesar 48 mg dan
vitamin B 12 mg. Dalam setiap 1 kg gandum mengandung 8 mg
vitamin A dan 1 mg vitamin B, sedangkan dalam 1 kg beras
mengandung 6 mg vitamin A dan 2 mg vitamin B. Berapa gandum dan
beras yang akan digunakan jika harga gandum dan beras per kilonya
masing-masing $0,05 dan $0,03.
5. Perusahaan yang bergerak di konveksi, menghasilkan dua jenis produk
yaitu, Tshirt dan Kemeja, kedua jenis produk tersebut terbuat dari dua
jenis bahan baku yaitu benang dan kain. Keuntungan dari penjualan
sepeda Tshirt sebesar $10/unit dan Kemeja sebesar $15/unit.
Kebutuhan bahan baku untuk masing-masing jenis kerangka sepeda
disajikan pada Tabel berikut ini.
Benang (Kg) Kain (Kg)
Tshirt 2 4
Kemeja 4 2
Pemasok dapat memasok 100 kg benang dan 80 kg kain tiap

minggunya. Berapa jumlah masing-masing Tshirt dan Kemeja yang
harus dihasilkan perusahaan tersebut setiap minggunya?.
210
BAB IX
METODE SIMPLKES
9.1. Pendahuluan
M
etode simpleks merupakan operasi prosedur algoritma.
Prosedur dalam hal ini kita sebut sebagai iterasi. Untuk kasus
keputusan dua variabel, dapat digunakan dengan metode grafik,
seperti yang dijelaskan Bab 8. Pada kenyataanya variabel keputusan
kemungkinan lebih dari dua variable, sehingga pemecahan masalah linier
programming harus digunakan prosedur algoritma yang kita sebut
sebagai metode simpleks (simplex method). Untuk memahami penggunaan
metode simpleks secara lengkap akan diuraikan berikut ini.
9.2. Kasus Maksimisasi
Sebuah perusahaan yang bergerak di sektor industri pengolahan

makanan dan minuman, ingin memilih dan memproduksi tiga jenis
produk Eskrim, Yogurt, dan Puding. Dimana untuk menghasilkan produk
tersebut diperlukan input bahan baku berupa Gula Pasir, Susu Segar dan
Bubur Cokelat.
Diasumsikan bahwa untuk menghasilkan perkilogram Eskrim
dibutuhkan 1 kg Gula Pasir, 2 kg Susu Segar, dan 3 kg Bubur Cokelat.
Untuk menghasilkan produk Yogurt, dibutuhkan Gula Pasir sebesar
sebesar 2 kg, Susu Segar sebear 2 kg, dan Bubur Cokelat sebesar 1 kg.
Sementara untuk menghasilkan produk Puding dibutuhkan 3 kg Gula
Pasir, Susu Segar sebanyak 2 kg, dan untuk bahan baku Bubur Cokelat
dibutuhkan sebesar 1 kg. Hasil kajian (survei) perusahaan ditemukan
bahwa jumlah Puding hanya dapat diserap oleh pasar sebesar Rp 50 Kg.
Lebih detail ditampilkan pada Tabel berikut ini:
Bab 9. Metode Simpleks
Tabel 9.1. Kebutuhan Bahan Baku untuk Setiap Jenis Produk
Aktivitas Kebutuhan Produk Ketersedian

Bahan Baku Eskrim Yogurt Puding Sumberdaya
Gula Pasir 1 2 2 28
Susu Segar 2 1 2 40
Bubur Cokelat 3 2 1 30
Pasar 0 0 1 50
Ketersediaan sumberdaya (bahan baku) yang dimiliki oleh

perusahaan untuk bahan baku Gula Pasir adalah 28 kg, Susu Segar adalah
40 Kg, sedangkan Bubur Cokelat adalah 30 kg (Tabel 9.1). Harga untuk
produk Eskrim dari hasil survey perusahaan diperoleh rata-rata sebesar
Rp 25 ribu per kilogram, harga rata-rata Yogurt Rp 30 ribu per kilogram,
sementara harga Puding adalah sebesar Rp 35 ribu per kilogram.
Pertanyaannya jumlah kombinasi produksi untuk ketiga jenis
produk tersebut, dan apakah ketiga produk tersebut harus dihasilkan
dalam rangka untuk memaksimumkan keuntungan?.
Pemecahan metode grafik dapat dilakukan jika variabel keputusan
hanya satu atau dua variabel, namun demikain ketika variabel keputusan
lebih dari dua variabel, pemecahan linier programming dapat digunakan
dengan metode simpleks (simplex method). Metode simpleks merupakan
suatu metode yang umum digunakan utnuk menentukan kombinasi
optimal dari berbagai alternatif pilihan
9.3. Metode Simpleks
Dari kasus di atas dapat diketahui bahwa variabel keputusan ada

tiga yaitu produk Eskrim, Yogurt dan Produk Puding. Sehingga
pendekatan metode grafik tidak dapat dgunakan. Karena dalam kurva
atau grafik Cartesian, dari empat kuadran yang ada hanya terdapat satu
kuadran yang memiliki nilai positif-positif. Sehingga, dalam kasus ini,
tidak memungkinkan untuk menggunakan metode grafik.
212
Masalah linier programming dalam kasus ini (terdiri dari tiga

variabel), dapat dipecahkan dengan menggunakan metode simpleks.
Untuk memahami pemecahan penyelesaian metode simpleks, diawali
dengan menentukan fungsi tujuan, kendala pernyataan model matematik,
sebagaimana yang dipersyaratkan dalam model linier programming.
Setiap permasalah dalam linier programming memiliki fungsi

tujuan tertentu, dapat berupa maksimisasi atau minimisasi. Dalam kasus
ini, fungsi tujuannya adalah maksimisasi kontribusi total keuntungan
untuk memproduksi Eskrim, Yogurt ataupun Puding. Untuk meringkas
dan memudahkan disimbol:
X1 = adalah jumlah produksi Eskrim

X2 = adalah jumlah produksi Yogurt
X3 = adalah jumlah produksi Puding
Total kontribusi keuntungan industri adalah penjumlahan dari (1)

kontribusi keuntungan yang diperoleh dari memproduksi eskrim (X1), (2)
kontribusi keuntungan yang dihasilkan dengan memproduksi Yogurt (X2),
dan (3) kontribusi yang dihasilkan dengan memproduksi Puding (X3).
Karena harga per Kilogram produk Eskrim adalah Rp 25 ribu/kg
dan Yogurt adalah Rp 30 ribu/kg, dan harga produk Puding adalah Rp 35
ribu/kg, sehingg total kontribusi keuntungan (z) secara matematik
Kontribusi Total Keuntungan = z  25 x1  30 x 2  35 x3
Permasalahan industri tersebut adalah bagaimana memilih kemungkinan

produksi X1, X2 dan X3 yang menghasilkan nilai keuntungan (z) yang
maksimum. Sekali lagi bahwa dalam linier programming, istilah yang
213
mengacu pada X1, X2 dan X3 disebut sebagai variable keputusan (decision

variables). Karena fungsi tujuan adalah maksimisasi keuntungan, maka
secara matematik dalam linier programming dituliskan secara lengkap
menjadi:
Max z  25 x1  30 x 2  35 x3
9.3.2. Fungsi Kendala/Batasan
Setiap produk eskrim, yogurt dan puding memerlukan bahan baku

Gula Pasir, Susu Segar dan Bubur Cokelat, di satu sisi jumlah masing-
masing bahan baku yang tersedia adalah terbatas. Dari Tabel 9.1.
diketahui bahwa untuk menghasilkan eskrim dibutuhkan 1 kg gula pasir,
produk yogurt memerlukan 2 kg gula pasir dan untuk produk Puding
diperlukan 2 kg gula pasir. Sehingga dapat ditulis seperti:
Gula Pasir  1x1  2 x 2  2 x3
Karena ketersediaan bahan bahan baku Gula Pasir hanya sebesar 28 kg,
maka untuk memilih kombinasi produk eskrim, yogurt dan pudding,
kendala/batasan dituliskan sebagai berikut:
1x1  2 x 2  2 x3  28
Hal yang sama juga dapat ditulis untuk bahan baku Susu Segar, dimana
untuk menghasilkan produk eskrim memerlukan 2 kg susu segar, produk
yogurt membutuhkan 1 kg susu segar dan puding membutuhkan 2 kg
Susu Segar. Karena jumlah Susu Segar yang tersedia hanya sebesar 40 kg,
formulasi model matematik untuk kendala Susu Segar dituliskan sebagai
berikut:
2 x1  1x 2  2 x3  40
214
Mengacu pada Tabel 9.1. sebelumnya telah diketahui bahwa kapasitas

sumberdaya Bubur Cokelat yang tersedia sebesar 30 kg, maka untuk
kendala yang Bubur Cokelat dapat ditulis menjadi:
3 x1  2 x 2  1x3  30
Kendala/batasan terakhir adalah kendala pasar. Disebut kendala pasar

karena dalam Kasus ini diketahui bahwa produk Puding (X3) hanya dapat
diserap oleh pasar sebesar Rp 50 Kg. Secara matematik, kendala pasar ini
dapat ditulis sebagai berikut:
x3  50
Persamaan di atas juga dapat ditulis dalam bentuk:
0 x1  0 x 2  1x3  50
Sejauh ini kita telah membangun model matematik yang saling terkait
untuk seluruh kendala/batasan. Kendala lainnya yang penting dan
mendasar adalah variabel keputusan (decision variables) X1, X2 dan X3
harus bernilai lebih besar atau sama dengan nol, sehingga ditulis sebagai
berikut:
x1 , x 2 , x3  0
Kendala nonnegative merupakan bentuk umum dalam model linier

programming dan dinyatakan secara explisit. Tanda  akan menjamin
bahwa solusi dari pemecahan masalah mengandung nilai nonnegative
untuk variabel keputusan, dalam linier programming disebut sebagai
nonnegative constraints.
215
Pernyataan matematik untuk industri produk makanan tersebut

telah dinyatakan secara jelas dan lengkap. Fungsi tujuan dan kendala
seluruhnya telah dikonversi ke dalam bentuk matematik yang disebut
sebagai mathematical model.
Secara lengkap model matematik dari permasalahan industry
pengolahan makanan tersebut ditulis lengkap dan utuh, dengan tujuan
untuk memudahkan memahami iterasi metode simpleks dan Tabel
simpleks standard. Model matematik ditulis sebagai berikut:
Maksimumkan:
z  25 x1  30 x 2  35 x3
Kendala:
1x1  2 x 2  2 x3  28  Gula Pasir
2 x1  1x 2  2 x3  40  Susu Segar
3x1  2 x 2  1x3  30  Bubur Cokelat
1x3  50  Pasar

x1 , x 2 , x3  0
Tugas kita sekarang adalah mencari kombinasi produk Eskrim (X1),

Yogurt (X2) dan Puding (X3) yang memenuhi seluruh kendala dan secara
bersamaan menghasilkan nilai fungsi tujuan yang lebih besar atau sama
dengan feasible sulotion. Sehingga kita akan menemukan solusi optimal
dari permasalahan perusahaan makanan tersebut.
Pernyataan model matematik di atas perlu dilakukan beberapa
penyesuaian terhadap beberapa persamaan kendala, untuk penyesuaian
pada standard Tabel Simpleks.
216
Untuk mengingat kembali, mari kita rekap kembali pernyataan

model matematik sebelumnya, dengan melakukan beberapa perubahan
dan penyesuaian terhadap persamaan, penyesuaian model matematik
dilakukan dalam rangka untuk penyusunan standard tabel simpleks.
Berikut adalah pernyataan model matematik secara lengkap:
Maksimumkan:
z  25 x1  30 x 2  35 x3
Kendala:
1x1  2 x 2  2 x3  s1  28  Gula Pasir
2 x1  1x 2  2 x3  s 2  40  Susu Segar
3x1  2 x 2  1x3  s3  30  Bubur Cokelat
0 x1  0 x 2  1x3  s 4  50  Pasar

x1 , x 2 , x3 , s1 , s 2 , s3 , s 4  0
Perlu dicatat bahwa Si adalah singkatan dari Slack kendala ke i. Variabel

slack bertujuan untuk menampung kelebihan sumberdaya yang tidak
digunakan.
Perhatikan juga syarat pada variabel keputusan, yang sebelumnya
hanya 3 (tiga) variabel (X1, X2, X3), sekarang menajdi 7 (tujuh) variabel
dengan memasukkan S1, S2, S3, dan S4. Justifikasi untuk ke empat variabel
tambahan tersebut adalah karena setiap satu persamaan kendala terdapat
satu variabel, sehingga jika ada sumberdaya yang tersisi (menganggur)
akan ditampung pada masing-masing slack yang sesuai. Bagaimana
dengan kendala pasar, kendala pasar dalam hal ini diartikan bahkan
sebagai sumberdaya yang mengganggur, tetapi dapat diartikan sebagai
sisa quota pasar yang tidak terpenuhi.
217
9.3.4. Variabel Basis dan Non‐Basis
Untuk menentukan variabel non-basis dapat diperoleh dengan

menetapkan m – n sama dengan nol, atau mengurangkan jumlah variabel
keputusan (termasuk variabel slack) dengan jumlah persamaan kendala,
dituliskan:
m–n=0
dimana m adalah jumlah variabel keputusan, dan n adalah jumlah
persamaan kendala, dengan demikian kita memperoleh variabel non-basis
sebanyak m – n = 7 – 4 = 3.
9.3.5. Tabel Simpleks Standard
Langkah-langkah untuk menyusun Standard Tabel Simpleks

sepenuhnya mengacu pada model matematika linier programming dengan
perubahan tata letak seperti yang ditampilkan pada Tabel 9.2.
Tabel 9.2. Standard Tabel Simpleks

Cj
25 30 35 0 0 0 0
Cb Basis Jumlah
X1 X2 X3 S1 S2 S3 S4
0 S1 28 1 2 2 1 0 0 0
0 S2 40 2 1 2 0 1 0 0
0 S3 30 3 2 1 0 0 1 0
0 S4 50 0 0 1 0 0 0 1
Zj 0 0 0 0 0 0 0 0
Cj - Zj 25 30 35 0 0 0 0
Perhatikan Tabel 9.2. pada Kolom Cj. Cj yang dimaksud disini

adalah koefisien kolom ke j. Contoh untuk X1 koefisiennya adalah 25, X2
adalah 30 dan X3 adalah 35, koefisien masing-masing menunjukkan harga
dari produk X1, X2 dan X3. Sementara nilai koefisien untuk S1, S2, S3 dan S4
adalah 0 (nol). Karena sumberdaya belum digunakan, maka harga S1, S2,
S3 dan S4 menjadi nol.
218
Cj
25 30 35 0 0 0 0  Harga
X1 X2 X3 S1 S2 S3 S4  Label Variabel Keputusan
Isi Tabel 9.2. terlihat ditampilkan seperti berikut:
Jumlah X1 X2 X3 S1 S2 S3 S4 Persamaan Kendala

28 1 2 2 1 0 0 0 1X1 + 2X2 + 2X3 + 1S1 + 0S2 + 0S3 + 0S4
40 2 1 2 0 1 0 0 2X1 + 1X2 + 2X3 + 0S1 + 1S2 + 0S3 + 0S4
30 3 2 1 0 0 1 0 3X1 + 2X2 + 1X3 + 0S1 + 0S2 + 1S3 + 0S4
50 0 0 1 0 0 0 1 0X1 + 0X2 + 1X3 + 0S1 + 0S2 + 0S3 + 1S4
Kolom jumlah dimaksudkan untuk menampung sumberdaya yang menjadi

kendala/batasan, sementara berdasarkan atau kolom-kolom lainnya diisi
berdasarkan koefisien teknologi, (lihat persamaan kedana disamping tabel
diatas). Terakhir adalah kolom Cb dan kolom Basis. Kolom Cb merupakan
nilai harga dari sebuah variabel basis. Dalam hal ini karena variabel basis
pada awalnya di setting adalah variabel Slack, maka nilai harga menjadi 0
(nol). Dari standard Tabel Simpleks terlihat bahwa variabel basis adalah
berjumlah 4 (empat) variabel.
Dua baris terakhir yang terlihat di Standard Tabel Simpleks
ditampilkan seperti:
Zj 0 0 0 0 0 0 0 0
Cj - Zj 25 30 35 0 0 0 0
Pada baris Zj, yang merupakan fungsi tujuan dari masalah linier
programming, diperoleh dengan formula:
Z j   C bi x C ji 
4
............................................................................ (9.1)
i 1
Sebagai contoh perhatikan kolom Cb dengan Kolom Jumlah
219
Kolom Jumlah Kolom X1 dst ....
Cb Jumlah Cb X1
0 * 28 = 0 0 * 1= 0
0 * 40 = 0 0 * 2= 0
0 * 30 = 0 0 * 3= 0
0 * 5 0= 0 0 * 0= 0
Total Zj 0 Total Zj 0
Baris yang paling terakhir adalah diperoleh dengan cara mengurangkan

nilai Cj – Zj sebagai berikut:
Cj
25 30 35 0 0 0 0
Zj 0 0 0 0 0 0 0 0
Cj - Zj 25 30 35 0 0 0 0
Cj – Zj merupakan salah satu indikator yang menunjukkan apakah solusi

optimal telah terpenuhi atau belum. Untuk mengetahui solusi otpimal
telah dicapai maka dapat diperiksa dengan ketentuan kika
Cj – Zj > 0, maka solusi optimal belum tercapai (proses iterasi

metode simpleks masih terus dilanjutkan)
Cj – Zj < 0, maka solusi optimal telah tercapai (proses interasi
metode simpleks telah selesai)
9.3.6. Perhitungan Tabel Simpleks
Setelah menyusun standard Tabel Simpleks, maka tahap

berikutnya adalah melakukan perhitungan dan perubahan terhadap baris
dan kolom yang dalam hal ini kita sebut sebagai iterasi. Perhitungan tabel
simpleks diawali dengan menentukan kolom kunci dan baris kunci.
Menentukan kolom kunci dan baris kunci bertujuan untuk menentukan
dan memasukkan variabel basis kedalam baris dan kolom.
220
Untuk menentukan kolom kunci dilakukan dengan cara

memilih nilai variabel keputusan yang paling besar untuk
masing‐masing kolom yang sesuai
Dalam kasus kita untuk kolom kunci pilihannya adalah kolom variabel X3
dimana nilainya adalah 35. Tahapan berikutnya adalah menentukan baris
kunci.
Baris kunci ditentukan dengan cara memilih nilai terkecil
dari rasio antara kolom jumlah sumberdaya dengan nilai
kolom kunci, atau ditulis:
jumlah
rasio 
Kolom Kunci
Tabel 9.3. Iterasi Pertama Tabel Simpleks

Cj
25 30 35 0 0 0 0
Cb Basis Jumlah Rasio
X1 X2 X3 S1 S2 S3 S4
0 S1 28 1 2 2 1 0 0 0 28/2=14
0 S2 40 2 1 2 0 1 0 0 40/2=20
0 S3 30 3 2 1 0 0 1 0 30/1=30
0 S4 50 0 0 1 0 0 0 1 50/1=50
zj 0 0 0 0 0 0 0 0
cj - zj 25 30 35 0 0 0 0
Selanjutnya adalah merubah nilai baris kunci dengan nilai yang

baru. Sebelum merubah nilai baru di baris kunci, maka perlu diketahui
yang pertama adalah Nilai Kunci. Nilai kunci adalah nilai yang termasuk
dalam kolom kunci dan juga baris kunci atau perpotongan antara kolom
kunci dengan baris kunci. Dalam ha ini nilai kunci adalah 2 (lihat Tabel
9.3, di baris dan kolom yang diarsir).
Baris kunci
Nilai Baru di Baris Kunci =   .............................. (9.2)
Nilai kunci
221
Mengacu pada formula diatas, maka nilai baru di baris kunci dapat
ditentukan seperti yang terlihat berikut ini:
Jumlah X1 X2 X3 S1 S2 S3 S4
28 1 2 2 1 0 0 0
28/2=14 1/2=0.5 2/2=1 2/2=1 1/2=0.5 0/2=0 0/2=0 0/2=0
Setelah kita mendapat perubahan nilai baru dibaris kunci, maka perlu
dilakukan penyesuaian terhadap Tabel Simpleks. Penyesuaian yang
dilakukan antara lain adalah:
1. Merubah kolom Basis dibaris pertama dengan menganti variabel S1

menajdi variabel X3 dan sekaligus mengganti kolom Cb di baris
pertama dari 0 (nol) menjadi 35, karena harga X3 adalah 35.
2. Mengisi perubahan nilai baris baru di baris kunci. Perubahan ini dapat
dilihat di Tabel 9.4
Tabel 9.4. Nilai Baru pada Baris Kunci di Tabel Simpleks
Cj
25 30 35 0 0 0 0
Cb Basis Jumlah Baris
X1 X2 X3 S1 S2 S3 S4
35 X3 14 0.5 1 1 0.5 0 0 0 1 (baru)
0 S2 40 2 1 2 0 1 0 0 2 (lama)
0 S3 30 3 2 1 0 0 1 0 3 (lama)
0 S4 50 0 0 1 0 0 0 1 4 (lama)
zj 0 0 0 0 0 0 0 0 5 (lama)
cj - zj 25 30 35 0 0 0 0 6 (Lama)
Tahap berikutnya adalah merubah seluruh nilai-nilai baris lama

yang tertera pada Tabel 9.4, dengan nilai-nilai baru yang sesuai. Nilai baru
untuk setiap baris ditentukan dengan formula:
Nilai Baru di Baris Lama = Baris Lama  Nilai kolom kunci *  
222
Menggunakan formula di atas dan dengan data Tabel 9.4 kita akan
memperoleh hasil sebagai berikut:
Perubahan Pada Baris Baris 2
Baris 2 (nilai lama) 40 2 1 2 0 1 0 0

Kolom Kunci Baris ke 2 2 2 2 2 2 2 2 2
Nilai Baru di Baris Kunci 14 0.5 1 1 0.5 0 0 0
Nilai Baru Baris Ke 2 40 ‐ (2 x 14) =12 1 ‐1 0 ‐1 1 0 0
Perubahan Pada Bari Baris 3
Baris 3 (nilai lama) 30 3 2 1 0 0 1 0

Nilai Baru Baris Ke 3 30 – (1 x 14)=16 2.5 1 0 ‐0.5 0 1 0
Baris 4 (nilai lama) 50 0 0 1 0 0 0 1

Nilai Baru Baris Ke 4 50 – (1 x 14)=36 ‐0.5 ‐1 0 ‐0.5 0 0 1
Selanjutnya menggantikan nilai-nilai di baris lama dengan nilai-nilai baris

baru yang ke dalam Tabel Simpleks, tabel sementara terlihat seperti pada
Tabel 9.5 berikut ini.
223
Tabel 9.5. Penggantian Nilai Lama dengean Perubahan Nilai Baru untuk
Setiap Baris
Cj
25 30 35 0 0 0 0
Cb Basis Jumlah X1 X2 X3 S1 S2 S3 S4
35 X3 14 0.5 1 1 0.5 0 0 0
0 S2 12 1 -1 0 -1 1 0 0
0 S3 16 2.5 1 0 -0.5 0 1 0
0 S4 36 -0.5 -1 0 -0.5 0 0 1
Zj 0 0 0 0 0 0 0 0
Cj - Zj 25 30 35 0 0 0 0
Terakhir adalah mencari nilai Zj dan nilai Cj – Zj. Untuk mencari nilai Zj
dapat digunakan formula (9.1), sehingga Perubahan Tabel Simpleks
(iterasi 2) ditampilkan Seperti Tabel 9.6.
Tabel 9.6. Perubahan Lengkap Tabel Simpleks (Iterasi Ke 2)
Cj
25 30 35 0 0 0 0
35 X3 14 0.5 1 1 0.5 0 0 0
0 S2 12 1 -1 0 -1 1 0 0
0 S3 16 2.5 1 0 -0.5 0 1 0
0 S4 36 -0.5 -1 0 -0.5 0 0 1
Zj 490 17.5 35 35 17.5 0 0 0
Cj - Zj 7.5 -5 0 -17.5 0 0 0
Tahap berikutnya adalah memeriksa nilai baris Cj – Zj. Jika nilai-nilai pada
Cj – Zj  0 maka metode simpleks telah mencapai solusi optimal yang
memenuhi seluruh kendala/batasan. Tetapi pada iterasi 2 (Tabel 9.6)
terlihat bahwa pada kolom X1 masih bernilai lebih besar dari nol (positif),
yang mengindikasikan bahwa solusi optimal belum tercapai. Dengan
demikian perubahan baris (iterasi) harus dilanjutkan lagi.
224
Proses perubahan dan penyesuaian baris dan kolom (Iterasi)

berikutnya dilakukan dengan proses yang sama pada iterasi sebelumnya.
Tahapannya adalah menentukan kolom kunci dan baris kunci.
Periksa baris nilai Cj – Zj yang memiliki nilai terbesar (memberikan
kontribusi keuntungan yang besar). Pada kolom X1 akan memberikan
kontribusi keuntungan sebesar 7.5, pada kolom X2 = -5 dan kolom X3 = 0,
sedangkan kolom Slack memiliki nilai 0 dan kecuali untuk S1 = -17.5.
Dengan demikian maka kolom kunci adalah kolom X1 = 7.5. Sedangkan
baris kunci ditentukan dari rasio minimum (lihat Tabel 9.7)
Tabel 9.7. Penentuan Kolom dan Baris Kunci
Cj
25 30 35 0 0 0 0 Rasio
35 X3 14 0.5 1 1 0.5 0 0 0 14/0.5=28
0 S2 12 1 -1 0 -1 1 0 0 12/ 1=12
0 S3 16 2.5 1 0 -0.5 0 1 0 16 / 2.5 =6.4
0 S4 36 -0.5 -1 0 -0.5 0 0 1 36/-0.5=-70
Zj 490 17.5 35 35 17.5 0 0 0
Cj - Zj 7.5 -5 0 -17.5 0 0 0
Berikutnya adalah menentukan Nilai Baru di Baris Kunci, lihat

formula (9.2). Pada Tabel 9.7 diketahui bahwa Nilai Kunci adalah 2.5 (lihat
perpotongan antara kolom dan baris kunci), sehingga kita dapat
memperoleh perubahan nilai baris kunci, yaitu:
25 30 35 0 0 0 0
Jumlah X1 X2 X3 S1 S2 S3 S4
16 2.5 1 0 -0.5 0 1 0
=16/2.5 =2.5/2.5 =1/2.5 =0/2.5 =-0.5/2.5 =0/2.5 =1/2.5 =0/2.5
=6.4 =1 =0.4 =0 = - 0.2 =0 =0.4 =0
Hasil perhitungan tersebut di atas, disusun kembali ke dalam tabel

simpleks seperti Tabel 9.8, dimana baris yang di arsir merupakan baris
baru dari baris kunci.
225
Tabel 9.8. Nilai Baru di Baris Kunci

CJ
25 30 35 0 0 0 0 Baris
Cb Basis Jumlah
X1 X2 X3 S1 S2 S3 S4
35 X3 14 0.5 1 1 0.5 0 0 0 1 (lama)
0 S2 12 1 -1 0 -1 1 0 0 2 (lama)
25 X1 6.4 1 0.4 0 -0.2 0 0.4 0 3 (baru)
0 S4 36 -0.5 -1 0 -0.5 0 0 1 4 (lama)
Zj 490 17.5 35 35 17.5 0 0 0 5 (lama)
Cj - Zj 7.5 -5 0 -17.5 0 0 0 6 (lama)
Tahap berikutnya adalah merubah seluruh nilai-nilai baris lama dengan

nilai-nilai baru yang sesuai. Dengan menggunakan formula sebelumnya,
kita akan memperoleh hasil baris baru lainnya, yaitu:
Perubahan Pada Baris Baris 1

Baris 1 (nilai lama) 14 0.5 1 1 0.5 0 0 0
Kolom Kunci Baris ke 1 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5
Nilai Baru di Baris Kunci 6.4 1 0.4 0 -0.2 0 0.4 0
Nilai Baru Baris Ke 2 10.8 0 0.8 1 0.6 0 -0.2 0

Baris 1 (nilai lama) 12 1 -1 0 -1 1 0 0
Nilai Baru Baris Ke 2 5.6 0 -1.4 0 -0.8 1 -0.4 0

Baris 1 (nilai lama) 36 -0.5 -1 0 -0.5 0 0 1
Kolom Kunci Baris ke 2 -0.5 -0.5 -0.5 -0.5 -0.5 -0.5 -0.5 0.5
Nilai Baru Baris Ke 2 39.2 0 -0.8 0 -0.6 0 0.2 1
Selanjutnya mengisi nilai-nilai baru ke dalam Tabel Simpleks, dan

sekaligus menghitung nilai Zj dan nilai Zj – Cj. Tabel simpleks secara
lengkap terlihat seperti Tabel 9.9 berikut ini.
226
Tabel 9.9. Perubahan Lengkap Tabel Simpleks (Iterasi Ke 3)

CJ
25 30 35 0 0 0 0
Cb Basis Jumlah
X1 X2 X3 S1 S2 S3 S4
35 X3 10.8 0 0.8 1 0.6 0 -0.2 0
0 S2 5.6 0 -1.4 0 -0.8 1 -0.4 0
25 X1 6.4 1 0.4 0 -0.2 0 0.4 0
0 S4 39.2 0 -0.8 0 -0.6 0 0.2 1
Zj 538 25 38 35 16 0 3 0
Cj - Zj 0 -8 0 -16 0 -3 0
Pada Iterasi Ke 3, baris Cj – Zj  0, hal ini mengindikasikan bahwa solusi

optimal telah tercapai dengan memenuhi seluruh kendala. Berikut adalah
ringkasan dari iterasi metode simpleks.
Tabel 9.10. Proses Iterasi Lengkap Tabel Simpleks
Iterasi 1 Cj
25 30 35 0 0 0 0
Cb Basis Jumlah
X1 X2 X3 S1 S2 S3 S4
0 S1 28 1 2 2 1 0 0 0
0 S2 40 2 1 2 0 1 0 0
0 S3 30 3 2 1 0 0 1 0
0 S4 50 0 0 1 0 0 0 1
zj 0 0 0 0 0 0 0 0
cj - zj 25 30 35 0 0 0 0
Iterasi 2
35 X3 14 0.5 1 1 0.5 0 0 0
0 S2 12 1 -1 0 -1 1 0 0
0 S3 16 2.5 1 0 -0.5 0 1 0
0 S4 36 -0.5 -1 0 -0.5 0 0 1
Zj 490 17.5 35 35 17.5 0 0 0
Cj - Zj 7.5 -5 0 -17.5 0 0 0
Iterasi 3
35 X3 10.8 0 0.8 1 0.6 0 -0.2 0
0 S2 5.6 0 -1.4 0 -0.8 1 -0.4 0
25 X1 6.4 1 0.4 0 -0.2 0 0.4 0
0 S4 39.2 0 -0.8 0 -0.6 0 0.2 1
Zj 538 25 38 35 16 0 3 0
Cj - Zj 0 -8 0 -16 0 -3 0
227
9.3.7. Interpretasi Tabel Simpleks
Tabel 9.10 di iterasi ke 3, dapat diketahui bahwa kombinasi produk

yang dihasilkan oleh perusahaan makanan tersebut adalah produk Eskrim
(X1) dan produk puding (X3), sedangkan produk Yogurt (X2) tidak
diproduksi. Jumlah kombinasi produksi adalah:
X1 = 6. 4
X2 =0
X3 = 10.8
Substitusikan X1, X2 dan X3 ke fungsi tujuan, sehingga total keuntungan

yang diperoleh adalah sebesar:
z  25 x1  30 x 2  35 x3
 25(6.4)  30(0)  35(10.8)
z  538
Sebelum menjelaskan mengapa produk Yogurt tidak diproduksi (X2=0),

akan dikenalkan apa yang dimaksud dengan reduced cost. Reduced cost
mengindikasikan bahwa seberapa besar masing-masing koefisien fungsi
tujuan akan memberikan perbaikan variabel keputusan yang bernilai
positif di dalam solusi optimal.
Perhatikan pada Baris Cj – Zj di Iterasi Ke 3, dimana reduced cost
variabel keputusan:
X1 =0
X2 = -8
X3 = 0.
Reduced cost variabel X2 = -8, diartikan bahwa kontribusi keuntungan

untuk X2 setidaknya meningkat sebesar (Rp 30 *-8 = -240). Karena nilai
228
adalah negatif maka dapat disebutkan bahwa kontribusi keuntungan

menurun sebesar Rp -240. Untuk mengetahui besaran tesebut dapat di
substitusi ke fungsi tujuan dan membandingkannya jika X2 diproduksi,
sebagai berikut:
z  25 x1  30 x 2  35 x3
 25(6.4)  30(8)  35(10.8)
z  298
Perubahan z = 538 – 298
= 240
Dengan kata lain kontribusi keuntungan meningkat sebesar reduced cost

dengan mempertahankan variabel keputusan tersebut sama dengan nol
(X2 = 0).
Interpretasi terkait dengan Slack adalah interpretasi terhadap
Surplus dan harga bayangan sumberdaya (shodow price atau Dual Price).
Suatu perbaikan di dalam nilai solusi optimal per unit kenaikan di dalam
kendala sumberdata (right‐hand side) disebut sebagai dual price. Lihat
pada Baris Zj pada kolom S1, S2, S3 dan S4, diketahui bahwa:
S1 = 16
S2 =0
S3 =3
S4 =0
Dual price untuk sumberdaya Gula Pasir adalah 16 (S1=16). Hal ini dapat
diartikan bahwa setiap tambahan satu unit di dalam sumberdaya Gula
Pasir, akan meningkatkan nilai solusi optimal sebesar Rp 16. Sedangkan
untuk dual price untuk Bubur Cokelat adalah 3 (S3 = 3), yang
menunjukkan bahwa tambahan satu unit sumberdaya Bubur Cokelat akan
memberikan perbaikan pada nilai solusi optimal atau meningkatkan nilai
solusi optimal sebesar Rp 3.
229
Sementara harga bayangan sumberdaya Susu Segar dan Pasar

masing-masing bernilai nol (S2 =0 dan S4=0). Artinya tambahan masing-
masing sumberdaya Susu Segar dan Pasar tidak memberikan perbaikan
pada nilai solusi optimal. Karena pada prinsipnya kedua sumberdaya
tersebut adalah berlebih (surplus)
Lihat Tabel 9.10 pada Kolom Jumlah, diketahui bahwa S2 = 5.6. Ini
menunjukkan bahwa terdapat sumberdaya Susu Segar yang berlebih
(menganggur) sebesar 5.6. Sedangkan S4 = 39.2, quota pasar masih sisa
sebesar 39.2. Catat bahwa S4 merupakan variabel Slack yang menampung
kendala pasar.
9.4. Aplikasi Software QM For Windows
Selain proses manual dengan menggunakan iterasi simpleks (telah

dijelaskan diatas), dalam memecahkan masalah perusahaan makanan
tersebut juga dapat dipecahkan dengan batuan penggunaan aplikasi
software Quantitiatve Method for Windows. Tahapan penggunaannya
adalah:
2. Klik Module + Linier Programming +
3. Klik File + New sehingga kotak dialog seperti Gambar 9.1. akan
muncul.
4. Selanjutnya isi kotak dialog sesuai fungsi tujuan, kendala sebagai
berikut:
Number of Constraint = 4
Number of Variables = 3 (tidak termasuk variabel Slack)
Objective = Maximize
5. Kemudian, Klik tombol OK, sehingga kotak dialog 9.2. berikutnya akan
muncul.
6. Lakukan perubahan dan pengentrian data yang sesuai dengan kolom
dan baris. Perubahan setelah data dientri akan terlihat seperti pada
Gambar 9.3.
230
Gambar 9.1. Kotak Dialog Linier Prorgamming
Gambar 9.2. Kota Dialog Entry Data
231
Perlu diketahui bahwa entri data dapat dilakukan dengan mengetik

secara langsung di sel-sel yang sesuai. Data yang dientri harus
mengacu pada model matematik tanpa mengentri variabel Slack.
Gambar 9.3. Kotak Dialog Setalah Entry Data Dilakukan
7. Kemudian, Klik Solve untuk menjalankan dan memecahkan model

linier programming tersebut. Hasil pemecahan masalah ditampilkan
seperti Gambar 9.4
Gambar 9.4. Hasil Linier Programming
Lihat bahwa variabel basis ada 4, dan non basis ada 3, nilai solusi
optimal dicapai dengan kombinasi (X1 = 6.4 dan X3 = 10.8) dengan total
232
keuntungan sebesar 538. Hasil ini tidak berbeda dengan cara

algoritma yang telah kita lakukan sebelumnya.
8. Untuk menampilkan hasil iterasi, klik Menu Windows + 4 Iterations.

Hasil Iterasi terlihat seperti Gambar 9.5.
Gambar 9.5. Iterasi Model Simpleks
Proses iterasi di atas, sama dengan yang dihasilkan pada Tabel 9.10
(bandingkan keduanya). Untuk cara melakukan interpretasi terhadap
iterasi, dilihat pembahasan Tabel 9.10 sebelumnya.
233
9.5. Latihan 9
1. Sebuah perusahaan agribisnis menggunakan input Urea, ZA dan NPK
untuk menghasilkan produk Karet dan sawit Harga produk karet
adalah Rp 2 ribu/kg dan sawit Rp 3 ribu/kg. Pada Tabel berikut ini
adalah komposisi penggunaan input untuk setiap unit output karet dan
sawit
Produksi Jumlah Input yang
Input
Karet Sawit tersedia
Urea 3 2 15
ZA 1 2 10
NPK 4 1 12
Pertanyaan yang berkaitan dengan kasus diatas:
a. Gunakan metode grafik: produk apa yang akan diproduksi oleh
perusahaan tersebut, agar solusi mencapai optimum dan
tentukanlah berapa keuntungan perusahaan tersebut.
b. Gunakan metode simpleks: apakah produk yang diproduksi oleh
perusaan sama?
2. Sebuah perusahaan pengolahan susu sapi akan memproduksi 3 jenis
produk yaitu produk, Yoghurt, Eskrim dan Susu Formula, dengan
menggunakan bahan baku terdiri susu segar, bubuk coklat dan Gula.
Dalam satu periode produksi perusahaan menyediakan susu segar 40
unit, bubuk coklat 20 unit dan gula 25 unit. Semua produk yang
dihasilkan perusahaan dapat dijual dengan harga perunit masing-
masing untuk Produk Yoghurt Rp. 1800, Eskrim Rp. 2500 dan produk
Susu Formula Rp 3000. Tabel berikut merupakan kebutuhan bahan
baku untuk menghasilkan per unit produk Yoghurt, Eskrim dan Susu
Formula:
Produk
Input Ketersediaan
Yoghurt Eskrim S. Formula
Susu Segar 2 1 4 40
Bubuk Coklat 3 2 1 20
Gula 1 3 1 25
Jumlah produk Yoghurt dan S.Formula hanya dapat diserap pasar
maksimum 80 unit. Tentukanlah produk yang akan dihasilkan oleh
perusahaan untuk mencapai solusi optimal.
234
BAB X
SENSITIVITY DAN DUALITY
10.1. Pendahuluan
A
nalisis sensitivitas (sensitivity analysis) bertujuan untuk
mengurungi proses perhitungan ulang mulai dari awal iterasi
sampai dengan mencapai kondisi solusi optimal. Mengapa
demikian, mari kita pertimbangkan keadaan social dan ekonomi
masyarakat, secara umum dari hari ke hari tidak ada yang konstan,
artinya sumberdaya atau endowment yang dimiliki oleh suatu
lembaga/perusahaan dan masyakarat (agent) secara umum dapat
berubah (semakin besar ataupun bisa kecil). Selain perubahan
sumberdaya, dapat juga disebabkan karena guncangan ekonomi, yang
berdampak terhadap kondisi internal agent itu sendiri. Sedemikin rupa,
sehingga akan mengganggu aktivitas dalam proses produksi.
Pertanyaanya adalah apakah setiap perubahan fungsi tujuan,
perubahan teknologi dan perubahan dalam sumberdaya harus selalu
melakukan proses iterasi dari awal? Jawabannya jelas tidak, karena hal ini
dapat diatasi dengan analisis sensitivitas. Karena analisis sensitivitas
dilakukan setelah pencapaian solusi optimal, maka analisis ini sering
disebut sebagai post optimality analysis.
Untuk memahami tentang analisis sentivitas, kembali kita akan
menggunakan contoh kasus maksimisasi pada Bab 9 (contoh kasus
maksimisasi perusahaan pembuatan makanan dan minumum). Sebelum
memulai analisis, kita juga perlu menampilkan kembali model matematik
dan Tabel iterasi terakhir (iterasi 3). Karena dalam proses perhitungan
kita akan selalu menggunakan unsur-unsur yang terdapat dalam iterasi
terakhir dari model linier programming. Berikut adalah model matematik
dan iterasi terakhir dari kasus perusahaan pembuatan makanan.
Bab 10. Sensitivity dan Duality
10.2. Analisis Sensitivitas
Bab 9, telah diuraikan pernyataan model matematik linier

programming untuk perusahaan pembuat produk makanan (Eskrim, X1,
Yogurt, X2 dan Puding, X3). Berikut disajikan model matematik bersamaan
dengan iterasi terakhir dari kasus tersebut, yaitu:
Maksimumkan:
z  25 x1  30 x 2  35 x3
Kendala:
1x1  2 x 2  2 x3  s1  28  Gula Pasir
2 x1  1x 2  2 x3  s 2  40  Susu Segar
3x1  2 x 2  1x3  s3  30  Bubur Cokelat
1x3  50  Pasar
x1 , x 2 , x3  0
Tabel iterasi terakhir dari model matematik linier programming tersebut

ditampilkan pada Tabel 10.1. Periksa bahwa syarat Zj – Cj  0 telah
tercapai.
Tabel 10.1. Tabel Iterasi Terakhir Perusahaan Pembuat Makanan dan

Minuman
Cj
25 30 35 0 0 0 0
Cb Basis Jumlah
X1 X2 X3 S1 S2 S3 S4
35 X3 10.8 0 0.8 1 0.6 0 -0.2 0
0 S2 5.6 0 -1.4 0 -0.8 1 -0.4 0
25 X1 6.4 1 0.4 0 -0.2 0 0.4 0
0 S4 39.2 0 -0.8 0 -0.6 0 0.2 1
Zj 538 25 38 35 16 0 3 0
Cj - Zj 0 -8 0 -16 0 -3 0
236
Tabel 10.1. jelas menunjukkan bahwa Zj – Cj  0 yang mengindikasi

bahwa kondisi solusi optimal telah tercapai. Salah satu perubahan setelah
kondisi solusi optimal dapat terjadi disebabkan antara lain karena:
1. Ketersediaan Sumberdaya
2. Koefisien fungsi tujuan
3. Koefisien teknologi (teknis) di dalam fungsi kendala
4. Penambahan dan pengurangan variabel baru, dan
5. Penambahan dan pengurangan kendala baru
Dari salah satu kemungkinan perubahan yang disebutkan di atas,
dapat menyebabkan beberapa kemungkinan perubahan yang akan terjadi.
Kemungkinan perubahan yang akan terjadi adalah:
1. Solusi optimal tidak berubah, artinya baik variabel basis maupun
nilainya tidak mengalami perubahan
2. Variabel basis mengalami perubahan, tetapi nilai-nilainya tidak
mengalami perubahan
3. Solusi optimal berubah semua
10.2.1. Koefisien Fungsi Tujuan
Analisis sensitivitas untuk koefisien fungsi tujuan terkait dengan

penempatan suatu range dalam nilai koefisien. Range ini disebut sebagai
range of optimality. Perubahan koefisien fungsi tujuan di sepanjang range
of optimality, basis feasible solution awal akan tetap dipertahankan
optimal. Dalam arti bahwa solusi optimal tidak akan akan berubah dimana
besaran variabel basis dan non-basis tidak berubah.
Dalam perhitungan range of optimality untuk koefisien fungsi
tujuan, seluruh koefiesien lainnya di dalam permasalahan ini diasumsikan
tidak berubah, dengan kata lain bahwa hanya salah satu koefisien
diijinkan untuk dirubah dalam suatu waktu.
Untuk menguraikan perhitungan range optimal, kita gunakan
kembali contoh kasus perusahaan pembuat makanan dan minumum
sebelumnya.
237
Sebelum kita mulai melakukan perhitungan, pertama sekali

dikenalkan suatu simbol  yang didefinisikan sebagai range of optimality.
Range optimal () yang tetap mempertahankan solusi feasibel dapat
menggunakan formula berikut ini:
Cbi   )  x vector non  basis - Koef fungsi tujuan NonBasis ≥ 0
Sebagai ilustrasi, mari kita tentukan range optimal untuk koefisien fungsi
tujuan untuk produk Eskrim (X1). Mengacu pada formula 10.1 dan Tabel
iterasi terakhir (Tabel 10.1).
Dari tabel iterasi terakhir diketahui bahwa variabel basis X3, S2, X1
dan S4, sedangkan variabel Non-Basis adalah X2, S1 dan S3. Sehingga untuk
mengetahui range optimal produk eskrim ditulis menjadi:
Untuk Vector variabel Nonbasis X2
 35   0.8 
 0   1.4 
 x   30  0
25     0.4 
   
 0   0.8
 35 * 0.8  (0 * 0.4)  (25 * 0.4)  ( * 0.4)  (0 * 0.8)  30  0

 (28  0  10  0.4   0)  30  0
 38  0.4    30  0
 8  0.4   0
8
  
0.4
   20
Pada titik diperoleh   -20, artinya range penurunan yang dizinkan

maksimum sebesar -20,
238
Untuk Vector variabel Nonbasis S1

 35   0.6 
 0   0.8
 x 0 0
25     0.2
   
 0   0.6
 35 * 0.6  (0 * 0.8)  (25 * 0.2)  ( * 0.2)  (0 * 0.6)  0  0

 (21  0  5  0.2   0)  0  0
 16  0.2    0  0
 16  0.2   0
 0.2   16
   80
Untuk Vector Variabel Nonbasis S3
 35   0.2
 0   0.4
 x 0 0
25     0.4 
   
 0   0.2 
 35 * 0.2   (0 * 0.4)  (25 * 0.4)  ( * 0.4)  (0 * 0.2)  0  0

 (7  0  10  0.4   0)  30  0
 3  0.4    0  0
 0.4   3
    7 .5
Sejauh ini kita telah mendapat masing-masing nilai   -20,   80 dan nilai
  -7.5. Untuk menentukan range of optimality kita dapat membuat
sebuah ilustrasi dengan menggambarkan range dari setiap titik tanpa
merubah solusi optimal.
239
  - 20
  80
  - 7.5
- 20 -7.5 0 80
Dari Gambar di atas terlihat bahwa batas penurunan yang dizinkan dari
titik asalnya adalah -7.5 dan batas kenaikan maksimum diizinkan adalah
80, sehingga range of optimality dapat dituliskan menjadi:
-7.5    80
Dengan demikian kita dapat menentukan batas bawah (lower bound) dan
batas atas (upper bound) perubahan untuk tetap mempertahankan kondisi
feasible solution tidak berubah, yaitu:
Lower / Upper bound = Nilai Koefisien Asal + 
Dalam kasus kita koefisien (harga) dari produk Eskrim adalah 25,
sehingga range optimal untuk:
Batas Bawah = 25 – 7.5 = 17.5

Batas Atas = 25 + 80 = 105
Dari hasil ini terlihat bahwa batas bawah harga produk Eskrim adalah
lebih kecil dari lebih besar 17.5 dan batas atas perubahan harga produk
eskrim adalah lebih kecil 105.
Di sepanjang range optimal ini, maka perubahan koefisien fungsi
tujuan untuk produk Eskrim tidak akan merubah solusi feasible. Dengan
kata lain bahwa kombinasi produk, variabel basis dan non basis tetap
tidak berubah. Dalam yang kasus ini yang hanya mengalami perubahan
adalah besarnya nilai kontribusi keuntungan.
240
Produk Yogurt dalam kasus ini tidak diproduksi dan termasuk

pada variabel nonbasis (lihat vektor kolom X2). Perlu diketahui bahwa
pada tingkat harga X2 = 30 ribu/kg saja, produk yogurt tidak diproduksi,
apalagi jika harga yogurt tersebut diturunkan sampai negatif tertehingga
atau (-infinity) maka dapat dipastikan bahwa solusi feasibel tidak akan
berubah dan kontribusi keuntungan juga tetap tidak berubah. Artinya
bahwa batasan penurunan harga yogurt negatif tidak terhingga (-infinity).
Bagaimana dengan batasan kenaikan harga produk Yogurt? Dan berapa
berapa besar kenaikan harga yogurt agar feasibel solution tidak berubah.
Batasan kenaikan harga produk yogurt ditentukan dengan menjumlahkan
nilai harga awal dengan reduced cost.
Reduced cost produt Yogurt adalah 8 (nilai mutlak Lihat Tabel 10.1
pada Baris Cj – Zj pada vektor X2), Sehingga batas maksimum kenaikan
harga adalah 30 + 8 = 38. Dengan demikian range optimal produk Yogurt
adalah:
-infinity    8
Dengan demikian kita dapat menentukan batas maksimum dan batas

minimum perubahan koefisien harga dari produk Yogurt, yaitu
Batas Bawah = 30 – infinity = 30 – infinity = - infinity

Batas Atas = 30 + reduced cost = 30 + 8 = 38
Hasil ini menjelaskan bahwa, ketika harga Yogurt turun sampai tak
terhingga, tidak akan merubah feasible solution, sedangkan batas harga
Yogurt maksimum adalah 38.
Terakhir adalah menentukan range optimal untuk koefisien harga
produk Puding. Puding dalam hal ini merupakan variabel basis. Sehingga
untuk menentukan range optimal produk Puding (X3) kita dapat kembali
menggunakan formula:
Cbi   )  x vector non  basis - Koef fungsi tujuan NonBasis ≥ 0
241
Untuk Vector variabel Nonbasis X2
X 3  35     0.8 
S     
 2    0  x  1.4   30  0
X1   25   0.4 
     
S 4   0   0.8
 35 * 0.8  ( * 0.8)  (0 * 1.4)  (25 * 0.4)  (0 * 0.8)  30  0
 (28  0.8   10  30  0
 38  0.8    30  0
 8  0.8   0
8
    10
0.8
Untuk Vector variabel Nonbasis S1

35     0.6 
 0   0.8
 x 0 0
 25   0.2
   
 0   0.6
 35 * 0.6  (0.6 *  )  (0 * 0.8)  (25 * 0.2)  (0 * 0.6)  0  0
 (21  0.6   0  5  0)  0  0
 16  0.6    0  0
 16  0.6   0
 0.6   16
   26.67
Untuk Vector Variabel Nonbasis S3

35     0.2
 0   0.4
 x 0 0
 25   0.4 
   
 0   0.2 
242
 35 * 0.2    * 0.2   (0 * 0.4)  (25 * 0.4)  (0 * 0.2)  0  0

 (7  0.2   0  10  0)  0  0
 3  0.2    0  0
 0.2   3
   15
Sejauh ini kita telah mendapat masing-masing nilai   -15,  -10 dan nilai
  26.67. Range of optimatility dapat dibuat dengan menggambarkan
range dari setiap titik tanpa merubah solusi optimal.
border border
  - 10
  26.67
  15
- 10 0 15 26.67
Dari Gambar di atas terlihat bahwa batas penurunan yang dizinkan dari
titik asalnya adalah -10 dan batas kenaikan maksimum diizinkan adalah
15 untuk memenuhi seluruh kendala/batasan, sehingga range optimal
dapat dituliskan menjadi:
-10    15
Dengan demikian kita dapat menentukan batas bawah (lower bound) dan
batas atas (upper bound) perubahan untuk tetap mempertahankan kondisi
feasible solution tidak berubah, yaitu:
Lower / Upper bound = Nilai Koefisien Asal + 
Dalam kasus kita koefisien (harga) untuk produk Puding adalah 35,
sehingga range batas bawah dan batas atas adalah:
243
Batas Bawah = 35 – 10 = 25
Batas Atas = 35 + 15 = 50
Hal ini menunjukkan bahwa batas terendah harga puding adalah 25 dan
batas tertinggi adalah 50. Perubahan koefisien (harga) produk puding di
dalam range tersebut, tidak akan mempengaruhi feasible solution.
Dengan demikian kita dapat merekap kembali seluruh batas-batas
terhadap perubahan koefisien fungsi tujuan yang dalam hal ini kita sebut
sebagai analsisi sensitivitas, sebagai berikut:
Tabel 10.2. Range Optimal Fungsi Tujuan
Variabel Nilai Reduced Cost Nilai Awal Batas Bawah Batas Atas
X1 6.4 0 25 17.5 105
X2 0 8 30 -Infinity 38
X3 10.8 0 35 25 50
Pada Tabel 10.2. kolom nilai menunjukkan banyaknya variabel X1,

X2 dan X3 yang diproduksi, (Lihat Tabel Simplek Terakhir). Nilai awal
menunjukkan harga dari produk, sedang batas bawah dan batas atas
adalah range optimal perubahan untuk tetap mempertahankan kondisi
solusi feasibel.
10.2.2. Aplikasi QM For Windows
Sebelum beranjak kepembahasan perubahan koefisien kendala,

berikut akan dijelaskan bagaimana aplikasi komputer untuk menampilkan
range optimal tersebut. Untuk tujuan tersebut, kita kembali APLIKASI
KOMPUTER pada bagian 9.4.
Langkah data yang digunakan masih contoh yang sama, dan
lakukan entri data sesuai dengan Sub Bagian 9.4. (atau buka file jika ada
pernah simpan), selanjutnya klik SOLVE.
244
Dengan menekan tombol SOLVE, sehingga perangkat lunak QM for

Windows akan menampilkan hasil seperti yang ditunjukkan pada Sub
Bagian 9.4. Untuk menampilkan range optimal, maka:
Klik menu Window + 2 Ranging, sehingga mucul tampilan seperti Gambar

10.1 berikut:
Gambar 10.1. Range Optimal
Perhatikan secara seksama, bahwa hasil Ranging yang dihasilkan oleh

Program QM for Windows, tidak berbeda dengan hasil yang kita tabulasi
pada Tabel 10.2. Dalam Software QM for Windows, selain menghasilkan
range optimal untuk fungsi tujuan, juga telah menghasilkan range optimal
untuk kendala/batasan. Meskipun demikian secara konsep dan manual
akan dijelaskan setelah ini.
Untuk mencoba bahwa feasibel solution tidak berubah di
sepanjang range optimal tersebut, kita dapat mencoba dengan menganti
nilai koefisien harga dari salah satu atau ketiga produk tesrebut. Untuk
membuktikan hal tesebut, lakukan tahapan berikut ini:
1. Klik Menu Window + Edit
2. Sehingga muncul menu entri data seperti Gambar 10.2
3. Lakukan perubahan pada sel yang sesuai (misalnya merubah harga
X1 =25 menjadi X1 = 100).
245
Gambar 10.2. Menu Entri Data
4. Tampilan Gambar 10.3 akan terlihat seperti pada Gambar 10.3

setelah dilakukan perubahan harga menjadi X1=100
Gambar 10.3. Perubahan Harga X1 = 100
5. Kemudian Klik SOLVE, sehingga feasible solution akan tampil

seperti Pada Gambar 10.4. berikut
Gambar 10.4. Hasil Optimal
246
Perhatikan bahwa feasibal solution tidak berubah (Bandingkan

Gambar 10.4 dengan Gambar 9.4 sebelumnya). Terlihat bahwa solusi
feasible tidak berubah, tetapi yang berubah hanya kontribusi keuntungan
saja karena kenaikan harga X1 = 100, yaitu:
z  100 x1  30 x 2  35 x3
 100(6.4)  30(0)  35(10.8)
 640  0  278
z  1018
Ini membuktikan bahwa di sepanjang range optimal, feasibel solution

tidak akan berubah, melainkan hanya besaran keuntungan yang akan
meningkat/menurun sesuai dengan perubahannya. Para pembaca dapat
mencoba untuk skenario yang lainnya.
10.2.3. Koefisien Fungsi Kendala Sumberdaya
Dalam model matematik linier programming, umumnya nilai sisi

sebelah kanan (right‐hand side) tanda pertidaksamaan dapat diartikan
sebagai ketersediaan sumberdaya. Contoh kasus industri pengolahan
pembuat makanan diketahui bahwa ketersediaan Gula Pasir 28 kg, Susu
Segar sebanyak 40 kg, Bubur Cokelat 30 kg dan sisi kanan dari kendala ke
empat adalah 50 kg, yang menggambarkan jumlah maksimum produk
puding yang dapat diserap oleh pasar. Sebelum menjelaskan range
optimal sumberdaya, pertama akan dijelaskan interpretasi ekonomi dari
shadow price atau dual price dari sumberdaya. Dual price memberikan
informasi tentang nilai tambahan sumberdaya.
Perbaikan di dalam nilai solusi optimal untuk setiap unit kenaikan
di dalam kendala keterbatasan sumberdaya disebut dengan dual price.
Nilai dual price dapat ditemukan pada tabel terakhir metode simpleks,
yaitu pada baris Zj untuk setiap kolom slack (S1, S2, S2 dan S4). Untuk
menjelaskan hal ini di tampilkan kembali Tabel 10.1 sebelumnya, yaitu:
247
Cj
25 30 35 0 0 0 0
Cb Basis Jumlah
X1 X2 X3 S1 S2 S3 S4
35 X3 10.8 0 0.8 1 0.6 0 -0.2 0
0 S2 5.6 0 -1.4 0 -0.8 1 -0.4 0
25 X1 6.4 1 0.4 0 -0.2 0 0.4 0
0 S4 39.2 0 -0.8 0 -0.6 0 0.2 1
Zj 538 25 38 35 16 0 3 0
Cj - Zj 0 -8 0 -16 0 -3 0
Nilai pada baris Zj untuk keempat variabel slack adalah S1 = 16, slack S2 =
0, S3 = 3 dan S4 = 0. Dengan kata lain bahwa dual price untuk Gula Pasir
adalah 16, Susu Segar adalah nol, Bubur Cokelat adalah 3 dan Pasar adalah
0. Dual price untuk Gula Pasir memiliki dampak paling besar terhadap
kontribusi keuntungan perusahaan.
Perhatikan dual price Gula Pasir (S1 = 16), yang menunjukkan
bahwa setiap tambahan sumberdaya Gula Pasir sebesar satu unit, akan
meningkatkan kontribusi keuntungan atau fungsi tujuan sebesar Rp 16.
Dalam istilah ekonomi, dula price disebut sebagai nilai marginal (marginal
value).
Sejauh ini, telah diketahui berapa tambahan kontribusi keuntungan
untuk setiap tambahan satu unit sumberdaya Gula Pasir (S1 = 16), namun
demikian kita belum menegtahui seberapa batasan yang dizinkan agar
tidak merubah solusi feasible?. Pada bagian ini akan dijelaskan range
optimal sumberdaya. Pertanyaannya, berapa besar perubahan (range
perubahan) yang diizinkan pada koefisien fungsi kendala (RHS) agar
solusi feasible tidak berubah. Simbol perubahan batasan kendala adalah
, maka range optimal perubahan masing-masing kendala agar solusi
feasible tidak berubah ditentukan dengan formula berikut:
Cbi Jumlah SDA   S ij   0
Untuk menentukan range optimal perubahan kendala/batasan untuk Gula

Pasir (lihat Tabel 10.1). Untuk S1 adalah:
248
10.8   0.2  10.8 /  0.2  18.00 

 5.6   0.8    
      0     5.6 / 0.8    7.00 
 6.4   0.2  6.4 / 0.2   32.00
       
39.2  0.6 39.2 / 0.6   65.33
Untuk menentukan range optimal perubahan kendala sumberdya bahan

baku Gula Pasir tersebut ditentukan dengan cara berikut ini
border border
  -18.00
  7.00  = 65.33
  32.00  = 32.00
  65.33  = 7.00
- 18 0 7 32 65.33
Dari Gambar diketahui bahwa range otpimal yang memenuhi seluruh

kendala, yaitu range sepangjang batasan border, dalam hal ini dapat ditulis
menjadi:
- 18    7,
Dengan demikian, batasan maksimum penurunan dan batas maksimum

peningkatan untuk perubahan kendala sumberdaya Gula pasir ditentukan
adalah:
Batas = Nilai awal kendala SD + 
Karena nilai awal kendala sumberdaya Gula Pasir adalah 28, maka batas
bawah dan batas atas perubahan adalah:
Batas bawah = 28 – 18 =10

Batas atas = 28 + 7 =35
249
Seperti penjelasan sebelumnya bahwa perubahan di sepanjang

range optimal tersebut tidak akan merubah solusi feasibel. Namun
demikian perlu dicatat bahwa, karena sumberdaya Gula Pasir (S1)
memiliki nilai dual price S1 = 16, maka meskipun solusi feasibel tidak
berubah, tetapi besarnya jumlah produk yang dihasilkan (vector kolom
jumlah) akan mengalami perubahan di Tabel Simpleks terakhir, sehingga
total kontribusi keuntungan akan berubah, tetapi yang menjadi variabel
basis dan non basis (vector kolom basis) tidak mengalami perubahan.
Perhatikan pada kolom Basis dan baris S2, dimana S2 = 5.6. Nilai ini
merupakan kelebihan sumberdaya, artinya bahwa jika sumberdaya Susu
Segar (S2) turun sebesar 6.5 tidak akan mempengaruhi feasible solution
dan kontribusi keuntungan juga tetap tidak berubah. Karena ini S2 = 5.6
tersebut merupakan sumberdaya yang menganggur, maka tentu saja jika
kita tambah sampai tak terhingga juga tidak akan mempengaruhi feasible
solution dan kontribusi keuntungan juga tidak berubah, sehingga vektor
kolom S2 memiliki dual price 0 (nol). Secara explisit dapat dinyatakan
bahwa ini merupakan range optimal sumberdaya Susu Segar (S2).
Dengan demikian range optimal untuk sumberdaya Susu Segar
dapat ditulis sebagai berikut:
- 5.6    Infinity
Karena nilai awal kendala sumberdaya Susu Segar adalah 40, maka batas
bawah dan batas atas perubahan adalah:
Batas Bawah = 40 – 5.6 = 34.4

Batas Atas = 40 + infinity = infinity
Perubahan di sepanjang range optimal untuk kendala sumberdaya Susu

Segar tersebut, tidak akan merubah feasibel solution. Dalam arti bahwa
basis dan nilai basis tidak berubah, melainkan yang hanya berubah adalah
jumlah sumberdaya Susu Segar yang menganggur makin besar atau makin
kecil sesuai dengan perubahannya.
250
Cara lain menentukan range optimal sumberdaya Susu Segar dapat

digunakan dengan cara yang sama dalam menghasilkan range optimal
untuk Gula pasir, yaitu:
Untuk kendala Susu Segar (S2)
10.8  0  10.8 / 0   Infinity 

 5.6  1     
       0      5.6 / 1   5.6 
 6.4  0   6.4 / 0   Infinity 
       
39.2 0  39.2 / 0   Infinity 
Gambarkan range tersebut untuk menentukan batas yang memenuhi

seluruh kendala, yaitu:
border border
  infinity
  - 5.6
  infinity
  infinity
- 5.6 0 Infinity
Dengan demikian maka range optimalnya adalah - 5.6    Infinity.

Karena nilai awal sumberdaya Susu Segar adalah 40, maka batas bawah
dan batas atas adalah:
Batas Bawah = 40 – 5.6 = 34.4

Perubahan di sepanjang range optimal untuk kendala sumberdaya Susu

Segar tersebut, tidak akan merubah feasibel solution. Dalam arti bahwa
basis dan nilai basis tidak berubah, melainkan yang hanya berubah adalah
perubahan jumlah sumberdaya Susu Segar itu sendiri.
251
Berikutnya adalah menentukan range optimal Bubur Cokelat.

Untuk Bubur Cokelat (kolom S3) adalah:
10.8   0.2   10.8 / 0.2   54 

 5.6   0.4     
      0     5.6 / 0.4    14 
 6.4   0.4  6.4 / 0.4   16 
       
39.2  0.2  39.2 / 0.2  196
Selanjutnya Gambar garis kenaikan dan penurunan sebagai berikut:
border border
  54
  14
  - 19
  -196
-196 -16 0 14 54
Dengan demikian kita dapat menulis range optimal untuk kendala Bubur
Cokelat adalah:
- 16    14
Karena koefisien atau ketersediaan sumberdaya Bubur Cokelat adalah 30,

maka batas bawah dan batas atas adalah:
Batas bawah = 30 – 16 = 14
Batas atas = 30 + 14 = 44
Perubahan nilai sumberdaya Bubur Cokelat disepanjang range optimal

tidak akan merubah solusi feasible. Karena Bubur Cokelat memiliki nilai
dual, penjelasan secara lengkapnya lihat kembali kendala Gula Pasir.
252
Kendala yang terakhir adalah daya serap pasar untuk produk

puding. Daya serap pasar ditampung pada Slack empat (S4). Range optimal
adalah untuk S4 adalah:
10.8  0  10.8 / 0   Infinity 

 5.6  0     
      0     5.6 / 0    Infinity 
 6.4  0   6.4 / 0   Infinity 
       
39.2 1   39.2 / 1  39.2 
Gambarkan range tersebut untuk menentukan border yang memenuhi

seluruh kendala, yaitu:
border border
  infinity
  infinity
  infinity
  -39.2
- 39.2 0 Infinity
Dengan demikian maka range optimalnya adalah - 39.2    Infinity.

Karena nilai awal quota pasar (daya serap pasar untuk puding) adalah 50,
maka batas bawah dan batas atas adalah:
Batas Bawah = 50 – 39.2 = 11.8

Perubahan di sepanjang range optimal untuk quota pasar tersebut, tidak

akan merubah solusi feasibel. Makna ekonomi juga terlihat bahwa, dari
daya serap pasar 50 kg, perusahaan hanya mampu menghasilkan produk
puding sebesar 10.8 kg, sehingga sisa permintaan yang tidak terpenuhi
oleh perusahaan adalah sebesar 39.2. Sehingga kenaikan permintaan
sebesar apapun tidak akan merubah solusi feasibel.
253
Kita dapat membuat rekap kembali untuk seluruh batas-batas

terhadap perubahan koefisien ketersediaan nilai sumberdaya disebut
sebagai analisis sensitivitas, sebagai berikut:
Tabel 10.3. Range Optimal Kendala Sumberdaya
Kendala/Batasan Dual Price Surplus Nilai Awal Batas Bawah Batas Atas
Gula Pasir 16 0 28 10 35
Susu Segar 0 5.6 40 34.4 infinity
Bubur Cokelat 3 0 30 14 44
Pasar 0 39.2 50 10.8 infinity
Pada Tabel 10.3. kolom Dual Price menunjukkan nilai marginal

sumberdaya, dan kolom Surplus menunjukkan kelebihan Sumberdaya
(Lihat Tabel Simpleks Terakhir). Nilai awal menunjukkan harga dari
produk, sedang batas bawah dan batas atas adalah range optimal
perubahan untuk tetap mempertahankan kondisi solusi feasibel.
Bandingkan Tabel 103. dengan Gambar 10.1. sebelumnya.
Untuk membuktikan kondisi tersebut benar, pembaca dapat
melakukan dengan cara merubah nilainya Sumberdaya, seperti yang
diterapkan pada contoh kasus perubahan fungsi tujuan sebelumnya.
Selamat mencoba.
10.3. Duality
Dalam persoalan ilmu ekonomi, secara umum agent ekonomi akan

memaksimumkan keuntungan/kepuasan. Misalnya sebuah perusahaan
dapat memaksimumkan keuntungan dengan kendala biaya, dan mereka
juga dapat meminimumkan biaya untuk memperolah keuntungan yang
maksimum. Fenomena seperti ini disebuat sebagai dichotomy dalam ilmu
ekonomi. Masalah yang sama akan dapat kita temukan dalam model linier
programming yang kita sebut sebagai dual.
254
Permasalahan dan formulasi model matematik yang asli di dalam

model linier programming disebut sebagai primal, dan jika masalah primal
dikonversi disebut dual. Contoh pada kasus perusahaan pembuat
makanan tersebut adalah maksimisasi (masalah primal) dan kita bisa
mengkonversi menjadi masalah minimisasi yang disebut masalah dual.
Dual dirancang untuk menentukan perhitungan nilai dari sumberdaya
yang memiliki harga shadow prices atau dual price.
Karakteristik khusus hubungan primal‐dual adalah bahwa jika

permasalahan primal memiliki solusi optimal maka
permasalahan dual juga memiliki solusi optimal. Nilai solusi
optimal primal‐dual adalah sama.
Sebagai contoh, gunakan kembali model linier programming perusahaan

pembuat makanan sebelumnya. Model linier programming dalam bentuk
aslinya (Primal) adalah:
Maksimumkan:
z  25 x1  30 x 2  35 x3
Kendala:
1x1  2 x 2  2 x3  28  Gula Pasir
2 x1  1x 2  2 x3  40  Susu Segar
3 x1  2 x 2  1x3  30  Bubur Cokelat
0 x1  0 x 2  1x3  50  Pasar
x1 , x 2 , x3  0
Dalam permasalahan maksimisasi seluruh kendala sumberdaya

dinyatakan dengan lebih kecil sama dengan (  ), dan membutuhkan
syarat nonnegative untuk variabel keputusan disebut sebagai canonical
255
form. Untuk masalah maksimisasi di dalam canonical form, seperti kasus

perusahaan pembuat makanan sebelumnya sangat mudah untuk
mengkonversi ke dalam masalah dual.
Secara umum untuk mengkonversi masalah primal menjadi dual
dapat dilihat tabel berikut ini:
Tabel 10.4. Konversi Primal – Dual
Primal Dual
Maximize: Minimum:
z = P1 X1 + P1 X2 z = 1 Y1 + 2 Y2
Kendala: Kendala:
a11 X1 + a12 X2  1 a11 Y1 + a21 Y2  P1
a21 X1 + a22 X2  2 a12 Y1 + a22 Y2  P2
Syarat: Syarat:
X1, X2  0 Y1  0, Y2  0
Perubahan primal menjadi dual secara matematika merupakan

transpose kolom menjadi baris. Dari Tabel 10.4 secara umum dapat
diketahui tahapan proses konversi primal-dual, yaitu:
1. Setiap koefisien kendala (i) dalam masalah primal merupakan
variabel keputusan dalam masalah dual.
2. Setiap koefisien fungsi tujuan pada masalah primal merupakan
kendala atau Right Hand Side (RHS) pada masalah dual
3. Setiap koefisien teknologi untuk setiap kendala pada masalah primal
(disebut matriks A) merupakan Matriks Transpose AT dalam masalah
dual
4. Peruabahan tanda pertidaksamaan dalam hubungan primal dual
ditampilkan pada Tabel 10.5 berikut
256
Tabel 10.5. Hubungan Tanda dalam Primal-Dual
Primal Dual
Fungsi Tujuan Tanda Fungsi Tujuan Tanda
Maximum  Minimum ≥
Minimum  Maximum 
Mengacu pada uraian Tabel 10.4. dan Tabel 10.5, maka kita telah dapat
melakukan konversi masalah primal perusahaan pembuat makanan
menjadi masalah dual, yaitu:
Minimumkan:
z  28 Y1  40 Y2  30 Y3  50 Y4
Kendala:
1 Y1  2 Y2  3 Y3  0 Y4  25  Es krim
2 Y1  1 Y2  2 Y3  0 Y4  30  Yogurt
2 Y1  2 Y2  1 Y3  1 Y4  35  Puding
Y1 , Y2 , Y3 , Y4  0
Lihat bahwa seluruh koefisien fungsi tujuan (primal) sekarang menjadi

kendala pada masalah dual, sebaliknya koefisien kendala dari masalah
primal sekarang menjadi fungsi tujuan dalam masalah dual. Pelabelan Yi
adalah mengacu pada sumberdaya, Y1 adalah Gula Pasir, Y2 adalah Susu
Segar, Y3 adalah Bubur Cokelat dan Y4 adalah pasar. Terakhir adalah
matriks transpose koefisien teknologi:
257
1 2 2
2 1 2 3 0 
2 1
Prima Matrik A =  Dual AT = 2 1 2 0
3 1 2
  2 2 1 1 
0 1 0
Untuk menampilkan masalah Dual dari permasalahan primal perusahaan
pembuat makanan, di Aplikasi Komputer sebelumnya dapat dilakukan
dengan cara:
Klik Menu Window + 5 Dual, maka tampilkan akan terihat seperti Gambar
10.5 berikut:
Gambar 10.5. Bentuk Perubahan Model Primal-Dual
Tahap berikutnya adalah menguji hubungan primal-dual tersebut. Apakah

solusi optimal menghasilkan nilai yang sama. Untuk ini kita akan bahas
pada sub bab berikut ini.
258
Untuk membuktikan bahwa masalah primal-dual memiliki nilai

optimal yang sama, kita akan mencoba aplikasi model persamaan dual di
atas dengan bantuan penggunaan aplikasi software Quantitiatve Method
for Windows. Tahapan penggunaannya adalah:

3. Klik File + New, mak dialog seperti Gambar 10.6. akan muncul.
4. Selanjutnya isi kotak dialog yang sesuai sebagai berikut:
Number of Variables =4
Objective = Manimize
5. Kemudian, Klik tombol OK, maka kotak dialog 10.7. akan muncul.
Gambar 10.6. Kotak Dialog Linier Prorgamming
259
6. Lakukan perubahan dan entri data yang sesuai dengan kolom dan
baris.
Gambar 10.7. Kota Dialog Entry Data
7. Data yang dientri harus mengacu pada model matematik tanpa

mengentri variabel Slack. Setelah data dientry dan disesuaikan akan
terlihat seperti pada Gambar 10.8.
Gambar 10.8. Entry Data Dilakukan dalam Masalah Dual
8. Kemudian, Klik Solve untuk menjalankan dan memecahkan model

linier programming masalah dual tersebut. Hasil pemecahan masalah
ditampilkan seperti Gambar 10.9. Dari Gambar terebut terlihat bahwa
optimal nilai (Z) adalah
z  28 Y1  40 Y2  30 Y3  50 Y4
z  28 (16)  40 (0)  30 (3)  50 (0)
z  448  90
z  538
Dalam kasus dual ini jumlah Y1 = 16 dan Y3 = 3, sehingga nilai solusi
optimal (z) adalah 538
260
Gambar 10.9. Hasil Linier Programming
9. Selain menampilkan hasil optimal (Z), para pembaca juga dapat

melihat sendiri hasil iterasi dari model dual, dengan cara klik Menu
Windows + 4 Iterations.
10. Masalah dual juga memiliki masalah primal, untuk menampilkannya
klik Menu Windows + 5 Dual. Hasilnya terlihat seperti pada Gambar
10.10 berikut:
Gambar 10.10. Hubungan Primal-Dual
261
10.3.2. Interpretasi Economi Variabel Dual

Untuk memahami intepretasi dari masalah dual, mari kita ingat
kembali bahwa hubungan primal-dual menyatakan bahwa nilai masalah
primal dan dual harus sama. Pada kasus masalah primal, fungsi tujuan
menghasilkan
z  25 x1  30 x 2  35 x3
 25(6.4)  30(0)  35(10.8)
z  538
Sementara fungsi tujuan masalah dual adalah:
z  28 Y1  40 Y2  30 Y3  50 Y4
z  28 (16)  30 (3)
z  538
Nilai fungsi tujuan primal diperoleh dari:
(harga produk) x (jumlah produk) = total nilai produksi
Dalam fungsi tujuan masalah dual adalah:
(harga input) x (jumlah input) = total nilai produksi
Dari hal ini jelas bahwa, kasus maksimisasi keuntungan akan sama dengan
kasus minimumkan biaya. Karena kedua proses tersebut akan
menghasilkan produksi optimal yang sama.
10.4. Latihan 10
1. Mengacu pada Latihan 9 pada Bab 9 No 1, tentukanlah model dual dari
kasus tersebut. Tentukanlah batas atas dan batas bawah perubahan
harga karet agar feasible solution tidak berubah.
2. Mengacu pada Latihan 9 pada Bab 9 No 2, tentukanlah:
(a) model dual dari kasus tersebut
(b) Berapa besar perubahan yang diizinkan dalam koefisien fungsi
tujuan agar solusi feasible tidak berubah khusus pada harga
eskrim.
(c) Berapa besar perubahan yang diizinkan dalam koefisien fungsi
kendala (RHS) agar solusi feasible tidak berubah untuk Susu Segar,
Bubuk Coklat, dan Gula.
262
BAB XI
TRANSPORTASI
11.1. Pendahuluan
T
ransportasi merupakan suatu metode yang secara spesifik
bertujuan untuk mengatur alokasi distribusi barang/jasa secara
optimal. Permasalahan transportasi sering muncul dalam
perencanaan distribusi barang/jasa dari beberapa lokasi ke beberapa
lokasi permintaan. Pengaturan distribusi diperlukan karena lokasi
produksi (sumber barang/jasa) memiliki biaya transportasi yang berbeda
atau bervariasi ke berbagai lokasi permintaan.
Secara umum tujuan dalam permasalahan transportasi adalah
minimisasi biaya pengiriman barang/jasa dari sumber lokasi (origin) ke
lokasi tujuan (destination). Selain mengatur alokasi dan distribusi barang
dari sumber lokasi ke lokasi permintaan, permasalahan transportasi juga
dapat diaplikasi dalam penjadwalan dalam proses produksi, alokasi
persediaan dan pembelanjaan modal dan tentu saja analisis penentuan
lokasi.
Penyelesaian masalah transportasi umumnya dapat diselesaikan
dengan teknik linier programming, namun memiliki ciri khusus dalam
permodelannya, karena sebelah kanan tanda pertidaksamaan merupakan
menggambarkan permintaan dan penawaran. Lihat Sub Bagian
transportasi dengan pemecahan model linier programming. Terdapat tiga
metode yang umum digunakan dalam memecahkan masalah transportasi
yaitu (1) Vogel Approximation Method (VAM), Northwest corner, dan (2)
Minimum Cost Method. Namun ketiga metode tersebut belum
menghasilkan kondisi optimal, sehingga diperlukan metode stepping stone
untuk memodifikasi alokasi distribusi dikenal dengan modified
distribution agar solusi menjadi optimal.
Bab 11. T r a n s p o r t a s i
11.2. Transportasi
Dalam permasalahan transportasi, jumlah barang yang tersedia di

masing-masing lokasi sumber penawaran (origin) adalah terbatas, dan
jumlah barang yang dibutuhkan di masing-masing lokasi permintaan
(destination) adalah diketahui. Sebagai contoh ilustrasi pertimbangan
pngiriman barang oleh PT. RINAWA berikut ini.
PT. RINAWA memproduksi sepatu di tiga lokasi (m) yang berbeda
yaitu Bogor, Bekasi dan Bandung. Kapasitas produksi yang dihasilkan di
tampilkan pada Tabel 11.1.
Tabel 11.1. Kapasitas Produksi
No Lokasi Pabrik (Asal) Kapasitas (Unit)

1 Kabupaten Bogor 5 000
2 Kabupaten Bekasi 6 000
3 Kabupaten Bandung 2 500
Total 1 350
Manajemen merencanakan melakukan pengiriman sesuai dengan

permintaan di setiap daerah tujuan (n), yaitu Jakarta Timur, Jakarta
Selatan, Jakarta Barat dan Jakarta Utara. Jumlah permintaan untuk setiap
lokasi permintaan ditampilkan pada Tabel 11.2. berikut:
Tabel 11.2. Jumlah Permintaan untuk Setiap Lokasi Tujuan
No Lokasi Tujuan (Destination) Permintaan (Unit)

1 Jakarta Timur 6 000
2 Jakarta Selatan 4 000
3 Jakarta Barat 2 000
4 Jakarta Utara 1 500
Total 1 350
264
Kapita Selekta Metode Kuantitatif
Biaya pengiriman barang dari lokasi pabrik ke lokasi tujuan permintaan

ditampilkan pada Tabel 11.3. berikut:
Tabel 11.3. Biaya Transportasi ke Daerah Tujuan

Lokasi Tujuan
Asal Jakarta Timur Jakarta Selatan Jakarta Barat Jakarta Utara
Bogor 3 2 7 6
Bekasi 7 5 2 3
Bandung 2 5 4 5
Secara lengkap rute distribusi pengiriman barang PT. RINAWA dari lokasi
pabrik sumber (origin) ke lokasi tujuan permintaan barang (destination)
ditampilkan pada Gambar 11.1. berikut.
Biaya Transportasi
1
1 3 Jaktim 6000
5000 Bogor 2
7
6
2
7 Jaksel 4000
2 5
6000
Bekasi 2
3
3
2 Jakbar 2000
5
3 4
2500 Bandung 5
4
Jakut 1500
Penawaran Rute Distribusi Permintaan
Gambar 11.1. Rute Pengiriman dan Biaya Transportasi
265
Pada Gambar 11.1 terlihat bahwa PT RINAWA memiliki 12 rute

distribusi pengiriman barang. Gambar tersebut sering disebut sebagai
jaringan (network), lingkaran adalah lokasi (nodes) dan garis yang
menghubungkan lokasi disebut arcs. Setiap sumber lokasi dan tujuan
digambarkan oleh lingkaran. Barang yang dikirim dari sumber lokasi ke
daerah tujuan menggambarkan aliran dalam jaringan. Perlu diingat bahwa
arah aliran dari sumber ke lokasi tujuan diindikasikan dengan arah panah.
Persoalan PT RINAWA adalah mendistribusikan barang ke daerah tujuan
dengan biaya minimum.
11.2.1. Tahap 1: Mencari Nilai Solusi Awal
Untuk menentukan biaya minimum dalam distribusi barang

tersebut, secara langsung dapat diketahui dengan menggunakan teknik
linier programming (dibahas Pada Sub Bab 11.3). Namun diluar metode
linier programming, juga dapat digunakan beberapa metode untuk
memecahkan masalah transportasi tersebut, yaitu:
1. Northwest corner
2. Vogel Approximation Method (VAM), dan
3. Minimum Cost Method.
Namun ketiga metode tersebut belum menghasilkan kondisi optimal.
Ketiga metode tersebut digunakan hanya untuk menentukan pemecahan
solusi (nilai) awal dari masalah transportasi, sehingga diperlukan metode
stepping stone untuk melakukan modifikasi alokasi distribusi dikenal
dengan metode modified distribution (MODI) agar solusi menjadi optimal.
11.2.1.1. Northwest Corner Method
Langkah pertama untuk mencari solusi awal dari metode sudut

barat (Nortwest Corner) adalah membangun sebuah Tabel yang berisikan
unsur permintaan, penawaran dan harga untuk masing-maisng biaya
pengiriman dari sumber ke lokasi tujuan, sebagai berikut:
266
Tabel 11.4. Biaya, Penawaran dan Permintaan Barang

Permintaan
Sumber Penawaran
Jaktim Jaksel Jakbar Jakut
3 2 7 6
Bogor 5000
X11 X12 X13 X14
7 5 2 3
Bekasi 6000
X21 X22 X23 X24
2 5 4 5
Bandung 2500
X31 X32 X33 X34
6000 4000 2000 1500 1350
Pada Tabel 11.4. diketahui bahwa jumlah permintaan sama dengan jumlah
penawaran, yaitu (1350 unit) tetapi dalam kenyataanya hal tersebut tidak
selalu demikian. Kita akan bahas di Kasus Khusus pada Bab ini.
Perlu dicata bahwa nilai dalam kotak menggambarkan besarnya
biaya pengiriman barang dari sumber ke lokasi tujuan. Sedangkan simbol
baru yang dikenalkan (Xij) digunakan untuk jumlah aliran barang yang di
kirim dari sumber ke lokasi tujuan. Cara membaca Xij adalah:
Xij = Besarnya pengiriman barang dari sumber i ke lokasi tujuan j.

dimana
i = adalah mewakili baris yaitu sumber ke 1, 2, 3,…, n
j = adalah mewakili kolom yaitu lokasi tujuan ke 1, 2, 3, …, m
Untuk memecahkan masalah transportasi dengan metode sudut barat

pertama dengan sudut barat dan mengalokasi sejumlah barang yang
sesuai. Dalam kasus kita adalah dimulai dari X11 dan mengirim seluruh
barang X11 = 5000 unit ke lokasi Jaktim.
Tidak mungkin kita mengalokasikan sebanyak permintaannya
(6000) karena kapasitas produksi di sumber Bogor hanya 5000 unit.
Dengan demikian lokasi permintaan Jaktim masih memiliki kekurangan
penawaran sebesar 1000 unit. Kekurangan supply tersebut dikirim dari
sumber Bekasi sebesar X21 = 1000.
267
Permintaan
Sumber Penawaran
3 2 7 6
Bogor 5000
5000
7 5 2 3
Bekasi 6000
1000 4000 1000
2 5 4 5
Bandung 2500
1000 1500
6000 4000 2000 1500
Sumber Bekasi memiliki sisa produksi 5000 unit, yang dialokasi

untuk Jaksel sebesar X22 = 4000 dan Jakbar sebesar X23 = 1000. Solusi
awal distribusi dan aliran pengiriman barang dengan metode sudut barat
ditampilkan pada Tabel 11.5. Dari tabel tersebut diketahui bahwa aliran
barang harga dan biaya dirangkum pada Tabel 11.6.
Tabel 11.6. Aliran dan Biaya Pengiriman dengan Metode Minimum Cost
Aliran Simbol Jumlah Harga Biaya

Bogor ----> Jaktim X11 5 000 3 15 000
Bekasi ---->Jaktim X21 1 000 7 7 000
Bekasi ----> Jaksel X22 4 000 5 20 000
Bekasi ----> Jakbar X23 1 000 2 2 000
Bandung ----> Jakbar X33 1 000 4 4 000
Bandung ----> Jakut X34 1 500 5 7 500
Total Biaya 55 500
Nilai awal Soluasi yang dihasilkan oleh metode Northwest corner dalam
masalah transportasi PT RINAWA adalah Rp 55500. Dengan kata lain
bahwa biaya pengiriman yang seharusnya dikeluarkan oleh PT RINAWA
adalah Rp 55500.
268
11.2.1.2. Vogel Approximation Method
Menggunakan metode Northwest corner diperoleh solusi awal

(biaya transportasi) dari PT RINAWA adalah sebeser Rp 55500. Metode
yang digunakan berikutnya untuk mencari solusi awal distribusi barang
barang adalah Vogel Approximation Method (VAM). Untuk menyelesaikan
masalah transportasi dengan menggunakan metode VAM:
1. Lakukan penyusunan Tabel seperti Pada Tabel 11.4.
2. Termukan selisih terbesar (absolut) antara dua harga (biaya)
pengiriman terkecil berdasarkan aliran barang, lihat Tabel 11.7. Dalam
kasus kita adalah kolom Jaksel (5 – 2 = 3).
Tabel 11.7. Selisih dari Dua Nilai Terkecil di Sepanjang Baris dan Kolom
Permintaan
Sumber Selisih
Bogor 3 2 7 6 3-2= 1
X11 X12 X13 X14 5000
Bekasi 7 5 2 3 3-2=1
X21 X22 X23 X24 6000
Bandung 2 5 4 5 4-2=2
X31 X32 X33 X34 2500
6000 4000 2000 1 500
3-2=1 5-2=3 4-2=2 5-3=2
3. Pilihlah biaya terkecil di point 2 dalam kasus kita adalah sel X12 dengan
biaya terkecil sebesar Rp 2.
4. Distribusikan barang ke sel terpilih, sesuai dengan kapasitas dan
permintaan. Dalam kasus kita, karena permintaan di Jaksel adalah
4000 unit dan penawaran di Bogor 5000 unit, maka seluruh
permintaan di Jaksel dapat dipenuhi, yaitu sebesar 4000 unit. sehingga
kapasitas di wilayah Bogor adalah 1000 unit lagi. Lakukan perubahan
Tabel 11.7 menjadi Tabel 11.8 berikut:
269
Tabel 11.8. Perubahan Pertama dalam Metode VAM
Permintaan
Sumber Selisih
Bogor 3 7 6 6-3= 3
X11 4000 X13 X14 1000
Bekasi 7 2 3 3-2=1
X21 X23 X24 6000
Bandung 2 4 5 4-2=2
X31 X33 X34 2500
Demand 6000 0 2000 1 500
3-2=1 0 4-2=2 5-3=2
5. Lakukan kembali point ke 2 sampai dengan point ke 4, sampai seluruh

penawaran terdistribusikan untuk seluruh permintaan yang ada. Lihat
Selisih nilai terbesar pada Tabel 11.8. adalah baris Bogor, dengan biaya
terkecil terdapat pada Sel X11.
Tabel 11.9. Perubahan Kedua dalam Metode VAM
Permintaan
Sumber Selisih
Bogor
1000 4000 0
Bekasi 7 2 3 3-2=1
X21 X23 X24 6000
Bandung 2 4 5 4-2=2
X31 X33 X34 2500
Demand 5000 0 2000 1 500
7-2=5 0 4-2=2 5-3=2
6. Lanjutkan kembali perhitungan point ke 2 sampai dengan point ke 4,

sampai seluruh penawaran terdistribusikan untuk seluruh permintaan
yang ada.
270
7. Lihat Selisih nilai terbesar pada Tabel 11.9. adalah Kolom Jaktim,
dengan biaya terkecil terdapat pada Sel X31. Lakukan perubahan,
sehingga terlihat seperti Tabel 11.10.
Tabel 11.10. Perubahan Kedua dalam Metode VAM

Permintaan
Sumber Selisih
Bogor
1000 4000 0
Bekasi 7 2 3 3-2=1
X21 X23 X24 6000
Bandung 2 4 5 4-2=2
2500 0
Demand 2500 0 2000 1500
7-2=5 0 4-2=2 5-3=2
Permintaan di Jaktim adalah sebesar 5000 unit (lihat Tabel 11.9),

sementara kapasitas dari Bandung hanya sebesar 2500, sehingga sisa
permintaan 2500 unit lagi (lihat perubahan pada Tabel 11.10). Pada
tahap hanya satu baris yang tersisa yaitu Bekasi = 6000. Distribusi
barang tersebut ketiga lokasi permintaan yang tersisa yaitu Jaktim,
Jakbar dan Jakut Lihat Tabel 10.11.
Tabel 11.11. Solusi Awal Metode VAM
Permintaan
Sumber Selisih
Bogor 3 2
0
1000 4000
Bekasi 7 2 3
0
2500 2000 1500
Bandung 2
0
2500
Demand 0 0 0 0
271
Dari Tabel 11.11. tersebut, dapat diketahui bahwa aliran barang harga dan
biaya dirangkum pada Tabel 11.12 berikut.
Tabel 11.12. Aliran dan Biaya Pengiriman dengan Metode VAM

Bogor ----> Jaktim X11 1 000 3 3 000
Bogor ----> Jaksel X12 4 000 2 8 000
Bekasi ---->Jaktim X21 2 500 7 17 500
Bekasi ----> Jakbar X23 2 000 2 4 000
Bekasi ----> Jakut X24 1 500 3 4 500
Bandung ----> Jaktim X31 2 500 2 5 000
Total Biaya 42 000
Nilai awal Solusi yang dihasilkan oleh metode Vogel Approximation

Method dalam masalah transportasi PT RINAWA adalah Rp 42000.
Dengan kata lain bahwa biaya pengiriman dikeluarkan oleh PT RINAWA
adalah Rp 42000. Solusi awal dari VAM ini terlihat lebih kecil dibanding
dengan metode Northwest Corner, yaitu sebesar Rp 55500.
11.2.1.3. Minimum Cost Method
Metode lain untuk mencari solusi awal adalah metode biaya

minimum. Perlu diketahui bahwa biaya minimum dalam hal ini tidak
berarti menggunakan pengujian derivatif pertama, melainkan hanya
melihat secara kasat mata biaya terkecil di dalam yang tersusun seperti
pada Tabel 11.4. Untuk memudahkan, tulis ulang seperti Tabel 11.13.
Pilih sel atau biaya paling kecil di dalam Tabel, dalam hal ini adalah sel X12,
Sel X31 dan Sel X23. Dimana ketiga sel tersebut memiliki nilai 2, kita dapat
memilih salah satu sel dengan cara mencari aliran barang terbesar di
ketiga sel tersebut, dalam hal ini adalah Sel X12. Sel X12 kita dapat
mengirim barang sebanyak permintaannya, yaitu 4000 unit.
272
Permintaan
Sumber Penawaran
3 2 7 6
Bogor 5000
X11 X12 X13 X14
7 5 2 3
Bekasi 6000
X21 X22 X23 X24
2 5 4 5
Bandung 2500
X31 X32 X33 X34
6000 4000 2000 1 500 1350
Gantikan Sel X12 sejumlah barang yang dikirim (4000 unit). Karena
permintaan Jaksel telah terpenuhi semua, sehingga diberi nilai nol pada
baris terakhir dan sekaligus mencoret nilai 4000. Secara lengkap
perubahan dalam iterasi 1 akan terlihat seperti pada Tabel 11.14.
Tabel 11.14. Iterasi 1 Metode Biaya Terkecil
Permintaan
Sumber Penawaran
3 2 7 6 5000
Bogor
X11 4000 X13 X14 1000
7 5 2 3 6000
Bekasi
X21 X22 X23 X24
2 5 4 5 2500
Bandung
X31 X32 X33 X34
6000 4000 2000 1500
0
Kemudian lanjutnya pada iterasi kedua dengan proses yang sama dengan
iterasi pertama, sampai pada suatu kondisi semua penawaran telah
terdistribusikan ke seluruh lokasi lokasi permintaan.
273
Tabel 11.15. Iterasi 2

Permintaan
Sumber Penawaran
3 2 7 6 5000
Bogor
X11 4000 X13 X14 1000
7 5 2 3 6000
Bekasi
X21 X22 X23 X24
2 5 4 5 2500
Bandung
2500 X32 X33 X34 0
6000 4000 2000 1 500
3500 0

Permintaan
Sumber Penawaran
3 2 7 6 5000
Bogor
X11 4000 X13 X14 1000
7 5 2 3 6000 4000
Bekasi
X21 X22 2000 X24
2 5 4 5 2500
Bandung
2500 X32 X33 X34 0
6000 4000 2000 1500
3500 0 0

Permintaan
Sumber Penawaran
3 2 7 6 5000
Bogor
X11 4000 X13 X14 1000
7 5 2 3 6000 4000
Bekasi
X21 X22 2000 1500 2500
2 5 4 5 2500
Bandung
2500 X32 X33 X34 0
6000 4000 2000 1500
3500 0 0 0
274
Permintaan
Sumber Penawaran
3 2 7 6 5000
Bogor
1000 4000 X13 X14 1000 0
7 5 2 3 6000 4000
Bekasi
X21 X22 2000 1500 2500
2 5 4 5 2500
Bandung
2500 X32 X33 X34 0
6000 4000 2000 1500 1350
3500 0 0 0
2500
Permintaan
Sumber Penawaran
3 2 7 6 5000
Bogor
1000 4000 X13 X14 1000 0
7 5 2 3 6000 4000
Bekasi
2500 X22 2000 1500 2500 0
2 5 4 5 2500
Bandung
2500 X32 X33 X34 0
6000 4000 2000 1500
3500 0 0 0
2500 0
Tabel 11.19 merupakan iterasi terakhir dari metode biaya terkecil, hal ini
terlihat dari seluruh baris dan kolom bernilai nol. Dari Tabel 11.19.
tersebut diketahui bahwa aliran barang, harga dan biaya dirangkum pada
Tabel 11.20 berikut.
275
Tabel 11.20. Aliran dan Biaya Transportasi Minimum Cost Method

Bogor ----> Jaktim X11 1000 3 3 000
Bogor ----> Jaksel X12 4000 2 8 000
Bekasi ---->Jaktim X21 2500 7 17 500
Bekasi ----> Jakbar X23 2000 2 4 000
Bekasi ----> Jakut X24 1500 3 4 500
Bandung ----> Jaktim X31 2500 2 5 000
Total Biaya 42 000
Nilai solusi awal yang dihasilkan oleh metode biaya terkecil dalam
masalah transportasi PT RINAWA adalah Rp 42000. Dengan kata lain
bahwa biaya pengiriman dikeluarkan oleh PT RINAWA adalah Rp 42000.
Solusi awal metode Northwest corner memiliki nilai yang sama dengan
metode VAM sebelumnya.
11.2.2. Tahap 2: Mencari Solusi Optimal
Tahap kedua adalah memeriksa dan menemukan solusi optimal

dari feasible solusi awal. Untuk memeriksa dan merubah distribusi solusi
feasible awal, dapat dlakukan dengan modified distribution (MODI)
metode. Untuk melakukan ini pertama kali perlu dilakukan identifikasi
dan mengevaluasi setiap sel. Metode MODI memerlukan index ui untuk
setiap baris dan dan index vj untuk setiap kolom di dalam tabel.
Perhitungan indeks baris dan indeks kolom membutuhkan koefisien biaya
untuk masing-masing arus pengiriman barang yang sama dengan:
ui + vj = cij
cij adalah biaya pengiriman barang per unit dari lokasi sumber i ke daerah
tujuan j. Sebagai contoh gunakan salah satu solusi awal yang dihasilkan
dari ketiga metode VAM, Northwest Corner atau Minimum Cost.
276
Gunakan metode Minimum Cost. Solusi awal dengan metode Minimum

Cost ditampilkan terlihat pada iterasi 6 Tabel 11.9. Susun kembali Tabel
11.9 tersebut dengan melukakan modifikasi seperti pada Tabel 11.21.
berikut, dan gunakan metode MODI untuk mengidentifikasi dan
mengevaluasi masing-masing sel.
Tabel 11.21. Solusi Awal

vj
ui v1 = v2 = v3 = v4 = Supply
3 2 7 6
u1 = 5000
1000 4000
7 5 2 3
u2 = 6000
2500 2000 1500
2 5 4 5 2500
u3 =
2500
Demand 6000 4000 2000 1500
Aliran barang = u1 + v1 = cij

Bogor ----> Jaktim = u 1 + v1 = 3
Bogor ----> Jaksel = u1 + v 2 = 2
Bekasi ---->Jaktim = u2 + v1 = 7
Bekasi ----> Jakbar = u 2 + v3 = 2
Bekasi ----> Jakut = u2 + v 4 = 5
Bandung --> Jaktim = u 3 + v1 = 2
Untuk menentukan masing-masing nilai indeks baris dan indeks kolom,

kita bebas menentapkan dan menentukan satu nilai indeks tertentu untuk
memecahkan indeks yang lainnya. Dalam hal ini setting bahwa:
u1 = 0
Jika u1 = 0, maka nilai indeks lainnya adalah:
277
Bogor ----> Jaktim = 0 + v1 = 3

v1 = 3
Bogor ----> Jaksel = 0 + v2 = 2
v2 = 2
Bekasi ---->Jaktim = u2 + v1 = 7
u2 + 3 = 7
u2 = 4
Bekasi ----> Jakbar = u2 + v3 = 2
4 + v3 = 2
v3 =‐2
Bekasi ----> Jakut = u2 + v 4 = 5
4 + v4 = 5
v4 = 1
Bandung --> Jaktim = u3 + v1 = 2
u3 + 3 = 2
u3= ‐1
Selanjutnya susun nilai-nilai indeks tersebut ke dalam Tabel, seperti Tabel
11.22 berikut ini
Tabel 11.22. Nilai Indeks Baris dan Kolom pada Metode MODI
vj
ui v1 = 3 v2 = 2 v3 = ‐2 v4 = ‐1 Supply
3 2 7 6
u1 = 0 5000
1000 4000
7 5 2 3
u2 = 4 6000
2500 2000 1500
2 5 4 5 2500
u3 = ‐1
2500
Demand 6000 4000 2000 1500
Sejauh ini kita telah menemukan indeks untuk baris dan kolom.
Tahap berikutnya untuk mengevaluasi dan mengidentifikasi perubahan
biaya di dalam setiap sel, digunakan sebuah indeks eij.
278
Indeks eij merupakan indeks evaluasi bersih (net evaluation index) dari
perubahan pengiriman aliran barang dan memiliki konsekuensi terhadap
perubahan biaya pengiriman. eij diperoleh dengan formula:
eij = cij – ui ‐ vj
diaman
eij adalah net evaluation index
cij adalah biaya pengiriman (ditunjukkan oleh nilai dalam kotak)
ui adalah vektor baris, dan
vj adalah vektor kolom
Jika eij  0, maka alokasi barang belum optimal. Mengacu pada formula
tersebut, dapat ditemukan indeks eij di masing-masing sel, yaitu:
=3–0–3 =0 =2–0 -2 =0 =7 – 0 – (-2) = 9 =6 – 0 - (-1) = 7
=7–4–3 =0 = 5 – 4 – 2 = -1 =2 – 4 – (-2) = 0 =4 – 4 - (-1) = 0
= 2 – (-1)–3 = 0 = 5– (-1)–2= 4 =4–(-1)-(-2) = 7 =5-(-1)- (-1) =7
Isikan masing-masing indeks eij ke dalam sel-sel yang sesuai. Perubahan

tabel terlihat seperti Tabel 11.23.
Tabel 11.23. Evaluasi Sel dengan Indeks eij

vj
ui v1 = 3 v2 = 2 v3 = ‐2 v4 = 1
3 2 7 6
u1 = 0 0 0 9 7
1000 4000
7 5 2 3
u2 = 4 0 ‐1 0 0
2500 2000 1500
2 5 4 5
u3 = ‐1 0 4 7 7
2500
279
Perlu diketahui bahwa eij didefinisikan sebagai perubahan di dalam

total biaya perunit yang dihasilkan dengan mengalokasikan satu unit ke
aliran yang sesuai. Contoh pada Tabel 11.23, dengan mengalokasi barang
dari Bogor ---> Jakbar akan menambah biaya sebesar Rp 9, disebut
sebagai Marginal Cost. Hal yang sama dapat diinterpretasikan untuk sel-
sel yang lainnya. Jika dilihat di seluruh sel, hanya sel X22 (aliran Bekasi -->
Jaksel) yang memiliki nilai negative (-1). Artinya jika dialokasi sejumlah
barang ke aliran tersebut, akan menurunkan biaya sebesar Rp -1 perunit
barang yang dikirim. Dengan informasi tersebut, kita dapat merubah
distribusi aliran barang untuk menurunkan biaya pengiriman.
Tahap pertama pindahkan atau alihkan 1 (satu) unit barang ke
aliran Bekasi—Jaksel (sel X22) dari sel X21 (aliran Bekasi-->Jaktim).
Dengan menambah 1 unit di sel X22, maka untuk menjaga keseimbangan
supply‐demand, harus disesuaikan seluruh sel-sel yang terkait, lebih
detail perubahan dalam sel ditampilkan pada Tabel 11.24.
Tabel 11.24. Perubahan Distribusi Satu Unit Barang di dalam Sel

vj
ui v1 = 3 v2 = 2 v3 = ‐2 v4 = 1
3 2 7 6
u1 = 0 1001 3999
1000 4000
7 5 2 3
u2 = 4 2499 1 2000 1500
2500
2 5 4 5
u3 = ‐1 2500
Tahap kedua adalah melakukan kembali tahap pertama, sampai

seluruh barang di sel X21 seluruhkan dipindahkan ke seluruh sel X22, dan
melakukan perubahan sesuai dengan jumlah perubahan alokasi barang
yang dilakukan. Dalam beberapa literatur disebutkan bahwa pemindahan
sejumlah aliran distribusi barang disebut sebagai stepping stone method
(metode loncatan).
280
Metode stepping stone ditampilkan pada Tabel 11.25, pada Tabel

tersebut terlihat bahwa sel X22 yang sebelumnya bernilai negatif diganti
menjadi positif dilingkari, yang artinya bahwa perlu dilakukan loncatan
(pemindahan) distribusi barang ke sel X22. Untuk menyeimbangkan
supply‐demand maka di lokasi X12 di beri tanda negatif, dan lokasi di sel
X11 diberi tanda positif dan memberikan tanda negatif pada sel X21.
Sehingga secara keseluruhan terlihat seperti membentuk segi-empat.
Tabel 11.25. Stepping Stone Method

vj
ui v1 = 3 v2 = 2 v3 = ‐2 v4 = 1
3 2 7 6
+ -
u1 = 0 1000 4000
7 5 2 3
- +
u2 = 4 2500 2000 1500
2 5 4 5
u3 = ‐1 2500
Metode stepping stone ditampilkan pada Tabel 11.25, pada Tabel

tersebut terlihat bahwa sel X22 yang sebelumnya bernilai negatif diganti
menjadi positif dilingkari, yang artinya bahwa perlu dilakukan loncatan
(pemindahan) distribusi barang ke sel X22. Untuk menyeimbangkan
supply‐demand maka di lokasi X12 di beri tanda negatif, dan lokasi di sel
X11 diberi tanda positif dan memberikan tanda negatif pada sel X21.
Sehingga secara keseluruhan terlihat seperti membentuk segi-empat.
Dengan demikian kita dapat merubah aliran barang, dengan
memindahkan sel di X21 = 2500 ke sel X22 dengan nilai yang sama dengan
mengurangi sel yang sesuai untuk mempertahankan suppl-demand. Tabel
transportasi yang optimal ditampilkan pada Tabel 11.26.
281
Tabel 11.26. Solusi Optimal dengan Evaluasi Metode MODI

v1 = v2 = v3 = v4 =
3 2 7 6
u1 = 0
3500 1500
7 5 2 3
u2 =
2500 2000 1500
2 5 4 5
u3 = 2500
Untuk menjamin bahwa Tabel 11.26 telah mencapai suatu kondisi solusi
optimal, kita dapat mengevaluasi kembali seluruh sel, dan rute
pengiriman barang, dengan menentukan kembali indeks baris dan indeks
kolom. Tetapkan u1 = 0, maka:
u1 + v1 = 3  0 + v 1 = 3  v1 = 3
u1 + v2 = 2  0 + v 2 = 2  v2 = 2
u2 + v2 = 5  u2 + 2 = 5  u2 = 3
u2 + v3 = 2  3 + v3 = 2  v3 = -1
u2 + v4 = 3  3 + v 4 = 3  v4 = 0
u3 + v1 = 2  u3 + 3 = 2  u3 = -1
Berikutnya adalah menentukan indeks sel eij yang kita disebut sebagai
marginal cost. eij untuk sel adalah:
v1 = 3 v2 = 2 v3 = ‐1 v4 = 0
u1 = 0 =3–0–3 =0 =2–0 -2 =0 =7 – 0 – (-1) = 8 =6 – 0 - (0) = 6
u2 = 3 =7–3–3 =1 =5–3–2 =0 =2 – 3 – (-1) = 0 =4 – 4 - (0) = 0
u3 = ‐1 = 2 – (-1)–3 = 0 = 5– (-1)–2= 4 =4–(-1)-(-1) = 6 =5-(-1)-(0) = 6
Tampilkan kembali nilai-nilai indek eij tersebut ke dalam Tabel 11.27.

sehingga tampil seperti Tabel 11.28.
282
Tabel 11.28. Optimal Solution dan Nilai Marginal Cost
Destination
Soure v1 =3 v2 =2 v3 = ‐1 v4 =0
3 2 7 6
u1 = 0 8 6
3500 1500
7 5 2 3
u2 =3 1
2500 2000 1500
2 5 4 5
u3 =‐1 2500 4 6 6
Dari Tabel 11.28 dapat diketahui bahwa tidak ada eij  0, sehingga solusi
telah mencapai titik optimal. Nilai-nilai di dalam lingkaran merupakan
marginal cost. Mengacu pada Tabel 11.28 dapat diketahui bahwa solusi
optimal yang menghasilkan biaya minimum dengan rute sebagai berikut:
Tabel 11.29. Rute Pengiriman Barang PT. RINAWA
Dari Ke Unit Sel Biaya/Unit Total Biaya

Bogor Jaktim 3500 X11 3 10 500
Bogor Jaksel 1500 X12 2 3 000
Bekasi Jaksel 2500 X22 5 12 500
Bekasi Jakbar 2000 X23 2 4 000
Bekasi Jakut 1500 X24 3 4 500
Bandung Jaktim 2500 X31 2 5 000
Total 39 500
Jika kita lihat dengan nilai awal yang dihasilkan oleh metode Minimum
Cost adalah sebesar Rp 42000 sedangkan setelah di evaluasi serta
memodifikasi distribusi aliran barang total biaya sebesar Rp 39500.
Terdapat penurunan biaya dengan selisih Rp 42000 – Rp 39500= Rp 2500,
yang merupakan jumlah unit yang dipindahkan ke aliran X22.
283
Pada bagian ini kita akan menggunakan model transportasi dengan

aplikasi computer. Untuk tujuan tersebut, dapat dilakukan dengan
tahapan-tahapan berikut:
1. Aktifkan QM for Windows
2. Klik Module + Transportation
3. Klik File + New, sehingg kota Dialog Transportasi akan muncul seperti
Gambar 11.2, dan mengisi kotak input:
Number of Source =3
Number of Destination = 4
Gambar 11.2. Kota Dialog Transportasi
4. Klik tombol OK untuk menjalankan sehingga kotak dialog input data

akan muncul seperti Gambar 11.3. Lakuan input data di setiap sel dan
mengisi data sesuai dengan data PT. RINAWA sebelumnya.
284
Gambar 11.3. Input Data Transportasi
5. Setalah data diinput di setiap baris dan kolom dengan nilai-nilai data
PT. RINAWA, maka akan terlihat seperti Gambar 11.4 berikut:
Gambar 11.4. Entry Data dan Penyesuaian Nama Variabel
6. Klik Solve di Menu Bar, sehingga solusi optimal dari model

transportasi akan ditampilkan pada Gambar 11.5.
Gambar 11.5. Solusi Optimal untuk Kasus PT. RINAWA
Dapat dilihat bahwa biaya tranportasi adalah Rp 39.500.
285
7. Klik Menu Window + 2 Marginal Cost, untuk menampilkan Marginal

Cost (Gambar 11.6)
Gambar 11.6. Marginal Cost
8. Klik Menu Window + 6 Shipments List, untuk menampilkan arus atau

aliran barang dan biaya per unit (Gambar 11.7)
Gambar 11.7. Aliran atau Arus Barang Dari Sumber dan Ke Tujuan
Perhatikan bahwa solusi optimal pada Gambar 11.7 sama dengan yang
dihasilkan dengan iterasi yang kita hasilkan sebelumnya seperti yang
ditampilkan pada Tabel 11.29.
9. Klik Menu Window + 4 Iteration, untuk menampilkan proses iterasi

dalam model transportasi (Gambar 11.8)
286
Gambar 11.8. Iterasi
Perhatikan dan bandingkan secara keseluruhan output yang dihasilkan

iterasi computer dengan proses iterasi yang kita lakukan. Perbedaan
mendasar hanya terlihat dalam tampilkan sedangkan substansi
hasilnya adalah sama.
11.3. Transportasi: Teknik Linier Programming
Bagian sebelumnya kita telah menjelaskan bagaimana teknik

pemecahan masalah transportasi mulai dari mencari solusi awal sampai
dengan mencari solusi optimal menggunakan metode modified distribution
(MODI). Pada bagian ini kita akan memecahkan masalah transportasi
dengan teknik linier programming. Formulasi model linier programming
untuk transportasi memiliki perbedaan dengan model linier programming
secara umum. Model linier programming dengan untuk transportasi
menggunakan supply dan demand sebagai kendala. Lebih jelas, formulasi
linier programming untuk transportasi dituliskan sebagai berikut:
287
Minimumkan
m n
 c
i 1 j 1
ij xij
Kendala:
n
x
j 1
ij  si i  1,2,3,..., m supply
x
i 1
ij  dj j  1,2,3,..., n demand
Syarat variabel keputusan

xij  0 untuk seluruh i dan j
Dimana
i = sumber asal penawaran, i = 1, 2, 3, …, m
j = lokasi tujuan permintaan, j = 1, 2, 3, …, n
xij = jumlah unit yang dikirim dari sumber i ke tujuan j
cij = biaya perunit pengiriman dari sumber i ke tujuan j
si = penawaran (supply) atau kapasitas pada sumber i
dj = permintaan (demand) di tujuan j
Sebagai contoh gunakan kembali kasus data PT. RINAWA sebelumnya.

Tahap pertama membangun formulasi model linier programming pada
untuk kasus PT.RINAWA tersebut, untuk membangun model tersebut,
perhatikan kembali Tabel 11.4, dan menuliskan formulasi LP berikut ini:
Minimumukan
Z = 3 X11 + 2 X12 + 7 X13 + 6 X14 + 7 X21 + 5 X22 + 2 X23 + 3 X24 +
2 X31 + 5 X32 + 4 X33 + 5 X34
Kendala Supply:
X11 + X12 + X13 + X14  5000
X21 + X22 + X23 + X24  6000
X31 + X32 + X33 + X34  2500
288
Kendala demand:
X11 + X21 + X31 = 6000
X12 + X22 + X32 = 4000
X13 + X23 + X33 = 2000
X14 + X24 + X34 = 1500
Syarat non-negatif
Xij  0
Pada prinsipnya pembaca dapat mengunakan dengan metode simpleks

secara manual (lihat prosedur metode simpleks sebelumnya). Dalam buku
ini digunakan dengan aplikasi Komputer. Untuk tujuan tersebut, aktifkan
program POM-QM for Windows, kemudian ikut tahap berikut ini:
1. Klik Module + Linier Proramming
2. Klik File + New, dan berikutnya isikan kotak dialog
Number of Varibel =12
Gambar 11.9. Kotak Dialog Transportasi dengan LP
289
3. Klik OK, kotak dialog untuk entry data akan muncul (Gambar 11.10)
Gambar 11.10. Tempat Entry Data
4. Lakukan perubahan pada setiap sel dengan data entry data yang
sesuai, sehingga akan tampil seperti pada Gambar 11.11
Gambar 11.11. Perubahan Setelah dilakukan Penyesuaian Nama

Variabel dan Entry Data
5. Klik Solve di Menu Toolbar, untuk pemecahan masalah, sehingga solusi

optimal akan terlihat seperti pada Gambar 11.12. Pada Gambar 11.12
terlihat bahwa Optimal Value (Z) adalah Rp 39500. Dimana nilai ini
sama dengan yang dihasilkan oleh metode stepping stone dan MODI
sebelumnya. Arus aliran pengiriman barang juga tidak berbeda dengan
metode MODI sebelumnya.
290
Gambar 11.12. Solusi Pemercahan Masalah Transportasi dengan Teknik

Linier Programming
Aliran barang yang dihasilkan dengan teknik linier programming dilist

pada Tabel 11.30 berikut:
Tabel 11.30. Rute Pengiriman Barang PT. RINAWA dengan LP
Dari Ke Unit Sel Biaya/Unit Total Biaya

Bogor Jaktim 3500 X11 3 10 500
Bogor Jaksel 1500 X12 2 3 000
Bekasi Jaksel 2500 X22 5 12 500
Bekasi Jakbar 2000 X23 2 4 000
Bekasi Jakut 1500 X24 3 4 500
Bandung Jaktim 2500 X31 2 5 000
Total 39 500
291
11.4. Kasus Khusus
Pada kenyataannya, tidak selalu kita temui bahwa penawaran sama

dengan permintaan, begitu juga bahwa dalam sebuah aliran barang tidak
juga akan memiliki kapasitas dan kemungkinan juga akan ditemui rute
yang tidak dapat ditempuh. Beberapa kemungkinan yang akan ditemui
variasi dalam permasalahan transportasi, yaitu:
1. Total penawaran tidak sama dengan total permintaan
2. Fungsi tujuan adalah maksimisasi
3. Rute dengan kapasitas maksimum atau minimum
4. Rute yang tidak dapat ditempuh
Berikut ini akan kita bahas secara singkat tentang variasi masalah
transportasi dan mencari solusi untuk pemecahan masalahnnya. Secara
manual memang dibutuhkan cara atau tahapan pengerjaan yang sesuai,
tetapi dengan aplikasi komputer sebenarnya masalah tersebut telah
diantisipasi dalam pemrogramannya, sehingga kita tidak perlu pusing
akan masalah-masalah tersebut.
11.4.1. Supply Tidak Sama dengan Demand
Jika penawaran atau kapasitas produksi tidak sama dengan

permintaan, maka perlu dimodifikasi kolom atau baris dengan
menambahkan satu baris atau kolom dummy. Berikut ini akan kita bahas
secara singkat tentang variasi masalah transportasi dan mencari solusi
untuk pemecahan masalahnya. Secara manual memang dibutuhkan cara
atau tahapan pengerjaan yang sesuai, tetapi dengan aplikasi komputer
sebenarnya masalah tersebut telah diantisipasi dalam pemrogramannya,
sehingga kita tidak perlu pusing akan masalah-masalah tersebut.
Perhatikan contoh PT. RINAWA sebelumnya, dimana kapasitas
produksi di Bandung sebesar Rp 2500, andaikan hal ini dirubah menjadi
sebesar 1500, sehingga total kapasitas hanya 12500 sementara
permintaan tetap sebesar 13500 unit, perubahan Tabel 11.4. terlihat
seperti pada Tabel 11.31, yaitu:
292
Tabel 11.31. Supply Lebih Kecil di Banding Permintaan
Permintaan
Sumber Penawaran
3 2 7 6
Bogor 5000
X11 X12 X13 X14
7 5 2 3
Bekasi 6000
X21 X22 X23 X24
2 5 4 5
Bandung 1500
X31 X32 X33 X34
6000 4000 2000 1500
Dengan demikian maka jumlah permintaan adalah 13500 unit sedangkan

kapasitas penawaran hanya 12500. Sehingga kita perlu melakukan
modifikasi Tabel 11.31 tersebut dengan menambah satu baris baris
dummy untuk mengisi kekurangan penawaran (Lihat Tabel 11.32).
Tabel 11.32. Penyesuaian Terhadap Tabel 11.31.
Permintaan
Sumber Penawaran
3 2 7 6
Bogor 5000
X11 X12 X13 X14
7 5 2 3
Bekasi 6000
X21 X22 X23 X24
2 5 4 5
Bandung 1500
X31 X32 X33 X34
0 0 0 0
Dummy 1000
X41 X42 X43 X44
6000 4000 2000 1500
Lihat pada baris dummy, seluruh biaya ditetapkan adalah nol. Pengiriman
barang ke rute tersebut tidak akan terjadi, karena pada prinsipnya hanya
menampung kekurangan supply dari perusahaan PT. RINAWA.
293
Hal yang sama dilakukan, jika permintaan lebih besar dari

penawaran, maka dalam kasus ini kita akan menambah satu kolom
dummy. Setelah melakukan proses penyesuaian terhadap supply dan
demand, maka proses pemecahan masalah transportasi dapat dilakukan
dengan metode-metode seperti yang diuraikan sebelumnya. Formulasi
model linier programming berubah menjadi:
Minimumukan
Z = 3 X11 + 2 X12 + 7 X13 + 6 X14 + 7 X21 + 5 X22 + 2 X23 + 3 X24 +
2 X31 + 5 X32 + 4 X33 + 5 X34 + 0 X41 + 0 X42 + 0 X43 + 0 X44
Kendala Supply: Perubahan pada fungsi koefisien tujuan
X11 + X12 + X13 + X14  5000

X21 + X22 + X23 + X24  6000
X31 + X32 + X33 + X34  1500
X41 + X42 + X43 + X44  1000 perubahan dalam kendala supply
Kendala demand:
X11 + X21 + X31 + X41 = 6000
X12 + X22 + X32 + X42 = 4000
X13 + X23 + X33 + X43 = 2000
X14 + X24 + X34 + X44 = 1500
Syarat non-negatif perubahan dalam kendala demand

Xij  0
Dengan perubahan kapasitas produksi di sumber Bandung, maka biaya
transportasi akan mengalami perubahan. Jika anda melakukan proses
iterasi baik dengan metode MODI, maupuan dengan menggunakan teknik
linier programming di atas, akan menghasilkan nilai yang sama. Dimana
total biaya pengiriman barang dalah Rp 37500, dengan rute X11 = 3500,
X12 = 1500, X22 =2500, X23 = 2000, X24 = 1500, X31=1500, dan X41=1000.
Silakan para pembaca untuk mencobanya, dan bandingkan hasilnya.
294
11.4.2. Fungsi Tujuan Maksimisasi
Pada umumnya masalah transportasi memiliki fungsi tujuan adalah

minimisasi biaya. Namun tidak jarang juga kita menemukan kasus dengan
fungsi tujuan memaksimumkan penerimaan atau keuntungan. Jika kasus
demikian kita hadapi, cukup kita memecahkan masalah persoalan
minimisasi tersebut menjadi maksimisasi. Pada contoh kasus PT.
RINAWA, andaikan pada Tabel 11.4 dimana setiap sel menggambarkan
pilihan alternative lokasi pasar perusahaan dengan tingkat keuntungan
atau penerimaan yang ditunjukkan di dalam kotak-kanan atas, maka kita
cukup memodifikasi fungsi tujuan minimisasi menjadi maksimisasi. Tanpa
merubah dan mempengaruhi kendala yang ada.
11.4.3. Rute Dengan Kapasitas Maksimum atau Minimum
Dalam formulasi linier programming untuk masalah transportasi

dapat mengakomodasi jumlah kapasitas maksimum atau minimum suatu
rute. Sebagai contoh, rute Bandung—Jaktim (X31) memiliki kapasitas rute
hanya sebesar 1000 unit, misalnya karena alasan keterbatasan dalam
moda tansportasi, sehingga dalam model linier programming kita perlu
menambah satu kendala baru, yaitu:
X31  1000
Hal yang sama, kita harus menambahkan satu kendala baru jika minimum
kapasitas dalam suatu rute adalah tertentu, misalnya rute X22 minimum
sebesar 2000 unit, maka persamaan kendala ditambahkan, yaitu:
X22  2000
Dengan demikian kita dapat menjamin bahwa kendala tersebut akan

dipertahankan dalam solusi optimal.
295
11.5. Latihan 11
1. Sebuah perusahaan yang bergerak di bidang agribisnis menghasilkan
produk berupa Kemeja, dimana perusahaan tersebut memiliki 3 Pabrik
dan 4 lokasi tujuan. Pabrik memiliki kapasitas produksi begitu juga
dengan permintaan akan produk tersebut. Kapasitas produksi,
permintaan dan biaya transportasi dari masing-masing pabrik ke
masing-masing pabrik adalah sebagai berikut:
Pasar Pasar Pasar Pasar Penawaran
Senin Selasa Rabu Kami
Jakarta 10 2 20 11 15
Bandung 12 7 9 20 25
Sukabumi 4 14 16 18 10
Permintaan 5 15 15 15
Pertayaan:
a. Berapa biaya yang dikeluarkan agar keuntungan maximum
b. Berapa biaya pengiriman dan tentukanlah jalur transportasi serta
kapasitas untuk setiap jalur
c. Tentukanlah model linier programming untuk model transportasi
diatas
2. Sebuah perusahaan yang bergerak di bidang agribisnis menghasilkan
produk Tepung Terigu, dimana perusahaan tersebut memiliki 3 Pabrik
dan 3 Gudang. Pabrik memiliki kapasitas produksi untuk
masing-masing adalah P1=60, P2=30 dan P3=30. Kebutuhan
masing-masing gudang yang dimiliki oleh perusahaan tersebut
masing-masing adalah G1=35, G2=55 dan G3=30. Biaya transportasi
dari masing-masing pabrik ke masing-masing gudang adalah sebagai
berikut:
G1 G2 G3
P1 10 2 20
P2 12 7 9
P3 4 14 16
Pertanyaan: (1) Tentukanlah biaya mínimum transportasi yang harus
dikeluarkan oleh perusahaan tersebut, (2) Tentukanlah formulasi
model linier programming dari model transportasi tersebut.
296
BAB XII
PENUGASAN
12.1. Pendahuluan
M
asalah penugasan (assignment problem) merupakan suatu
metode yang bertujuan untuk mengalokasi sumberdaya secara
optimal. Pengalokasian ini umumnya terkait dengan bagaimana
pihak manajemen mengalokasi sumberdaya tertentu (misalnya personil)
untuk melakukan jenis pekerjaan tertentu, tentu dalam pengalokasiannya
harus mempertimbangkan biaya minimum atau keuntungan yang
maksimum.
Dalam penyelesaiannya, diasumsikan bahwa jumlah personil yang
ditugaskan untuk pekerjaan tertentu harus sama dengan jumlah atau jenis
pekerjaan, sehingga dalam konsep ini hanya satu pekerja hanya dapat
mengerjakan satu pekerjaan/kegiatan, dengan kata lain seorang pekerja
tidak dapat merangkap untuk pekerjaan lain. Secara spesifik, tujuan dari
metode penugasan ini adalah untuk mengatur alokasi aktivitas kegiatan
dalam rangka untuk meminimumkan biaya atau waktu. Setidaknya ada
dua cara untuk memecahkan masalah penugasan, yaitu dengan metode
Hungarian, dan teknik linier programming. Berikut ini dibahas kedua
metode tersebut, dan beberapa kasus permasalahan penugasan.
12.2. Hungarian Method
Untuk memahaminya bagaimana penyelesaian metode Hungarian,

mari kita lihat Kasus PT. MCM yang bertujuan untuk mengalokasi pekerja
di pada setiap aktivitas. Waktu yang diperlukan pekerja untuk setiap
pekerjaan ditampilkan pada Tabel 12.1.
Bab 12. Penugasan
Tabel 12.1. Biaya Pekerja Berdasarkan Jenis Pekerjaan

Biaya (Rp 000)
Pekerja Produksi Pengemasan Pengepakan
Rizky 10 15 9
Najwan 9 18 5
Wafa 6 14 3
Untuk mebanca Tabel 12.1, perhatikan pekerja Rizky (baris pertama)

dipekerjakan di bagian produksi akan mengeluarkan biaya sebesar Rp 10,
sedangkan jika ditempatkan di bidang pengemasan dibayar sebesar Rp 15
sementara jika ditugaskan di bagian pengepakan dikenakan biaya Rp 9,
begitu juga untuk membaca pekerja Najwan dan Wafa.
Untuk menyelesaikan masalah penugasan tersebut, pertama kita
gunakan metode Hungaria. Dalam metode Hungarian kita akan kenal
istilah matrix reduction karena tahap pertama akan dilakukan proses
pengurangan baris dan kolom. Secara lengkap tahap dalam metode
Hungarian adalah:
1. Temukan nilai unsur paling kecil di setiap baris, dan kurangi masing-
masing unsur dengan nilai unsur paling kecil di setiap baris, proses ini
disebut sebagai row‐reduction matrix.
Contoh lihat baris pertama pada Tabel 12.1, nilai paling kecil adalah 9.
Kurangi nilai unsur di dalam baris dengen nilai 9. Pada baris dua, kita
tahu unsur paling kecil adalah 5 dan baris ke tiga unsur paling kecil
adalah 3. Jika kita kurangkan seluruh unsur di setiap baris yang sesuai
dengan nilai unsur paling kecil, maka akan diperoleh Tabel 12.2.
Biaya (Rp 000)

Rizky 1 6 0
Najwan 4 13 0
Wafa 3 11 0
298
2. Sama dengan tahap pertama, tetapi pada tahap ini adalah di bagian
diperlakukan terhadap kolom pada Tabel 12.2 (row‐reduction matrix),
disebut sebagai coloum‐reduction matrix.
Biaya (Rp 000)

Rizky 0 0 0
Najwan 3 7 0
Wafa 2 5 0
Pada kolom satu (kolom produksi) di Tabel 12.2. diketahui bahwa nilai
paling kecil adalah 1, pada kolom kedua adalah 6 dan pada kolom
ketiga adalah 0. Kurangi nilai unsur di setiap kolom yang sesuai
dengan nilai unsur yang paling kecil sehingga diperoleh Tabel 12.3.
3. Tarik garis lurus (minimum dua nilai nol terhubungkan tetapi tidak
boleh diagonal) yang melewati semua angka nol. Menarik garis harus
sedikit mungkin, yang dapat dilakukan dengan cara menghubungkan
angka nol paling banyak.
Tabel 12.4. Uji Optimalisasi
Biaya (Rp 000)

Rizky 0 0 0
Najwan 3 7 0
Wafa 2 5 0
Periksa jumlah garis yang ada. Jika jumlah garis sama dengan jumlah
baris atau kolom, maka solusi feasibel telah ditemukan. Sebaliknya,
kita harus melakukan revisi terhadap matrix.
299
Bab 12. Penugasan
4. Revisi matriks dilakukan dengan cara, mengurangkan nilai unsur

matriks yang tidak terlewati oleh garis lurus, dengan nilai unsur paling
kecil, dan menambahkan nilai unsur paling kecil tersebut ke unsur
yang mengalami perpotongan garis (lihat lingkaran) seperti yang
Biaya (Rp 000)

Rizky 0 0 2
Najwan 1 5 0
Wafa 0 3 0
Selanjutnya tarik kembali garis lurus yang menghubungkan antara

titik nol (minimum dua titik nol) lihat Tabel 12.5. Perhatikan bahwa
pada Kolom produksi, kita dapat menarik garis lagi dari dari baris
pertama ke baris ketiga, karena telah diwakili oleh garis baris pertama
dan garis baris ke tiga. Pada Tabel 12.5. diketahui bahwa jumlah garis
sebanyak tiga, dan hal ini sama dengan jumlah baris atau kolom,
dengan demikian solusi feasible telah ditemukan. Selanjutnya lakukan
pemilihan tugas di sel-sel yang bernilai 0 (nol) untuk masing-masing
pekerja. Cara yang paling mudah mengalokasikan tugas untuk setiap
pekerja adalah:
1. Pilih baris atau kolom yang hanya memiliki satu sel (unsur) yang
bernilai 0 (nol). Pada contoh kasus kita (Tabel 12.5) adalah Najwan
dipekerjakan sebagai pengepakan.
2. Ketika kita memilih pada pilihan pertama, maka tentu pilihan
untuk Wafa hanya di bagian Produksi, dan pekerja Rizky secara
otomatis akan dipekerjakan di bagian pengemasan. Secara lengkap
pekerja untuk setiap bidang ditampilkan pada Tabel 12.6 (lihat
yang diberi kotak).
300
Tabel 12.6. Solusi Optimal Kasus Penugasan
Biaya (Rp 000)

Rizky 0 0 2
Najwan 1 5 0
Wafa 0 3 0
Mengacu pada Tabel 12.6. dapat diketahui bahwa Najwan akan

ditempatkan di bagian pengepakan dengan biaya Rp 5, Wafa di bagian
Produksi dengan biaya Rp 6 dan Rizky di bagian Pengemasan dengan
biaya Rp 15. Sehingga total biaya adalah Rp 5 + 6 + 15 = 26 ribu.
Unsur-unsur didalam setiap sel pada matriks solusi feasible disebut
sebagai marginal cost, yaitu tambahan biaya jika kita memperkerjakan
pekerja yang bukan bernilai nol. Dalam konsep ekonomi, MC = 0
menunjukkan kondisi optimal.
12.3. Penugasan: Teknik Linier Programming
Sebelumnya kita telah menguraikan metode Hungarian untuk

memecahkan masalah penugasan. Berikut ini akan dijelaskan masalah
penugasan dengan teknik linier programming. Formulasi model linier
programming untuk assignment memiliki sedikti perbedaan dengan model
linier programming umumnya.
Masalah penugasan akan melibatkan sejumlah m pekerja dan n
pekerjaan. Asumsikan bahwa xij = 1 atau 0 untuk pekerja i yang ditugasi
untuk pekerjaan j atau tidak, dan asumsi bahwa cij adalah biaya penugasan
pekerja i untuk pekerjaan j. Model linier programming untuk masalah
penugasan menggunakan pekerja dan pekerjaan sebagai kendala. Lebih
jelas, formulasi linier programming untuk masalah penugasan dituliskan
sebagai berikut:
301
Bab 12. Penugasan
Minimumkan
m n
 c
i 1 j 1
ij xij
Kendala:
n
x
j 1
ij 1 i  1,2,3,..., m pekerja
x
i 1
ij 1 j  1,2,3,..., n pekerjaan / aktivitas
Syarat variabel keputusan

xij  0 untuk seluruh i dan j
Dimana
i = pekerja, i = 1, 2, 3, …, m
j = pekerjaan/aktivitas, atau tugas j = 1, 2, 3, …, n
xij = pekerja i yang dipekerjakan (ditugaskan) untuk ke pekerjaan j
cij = biaya pekerja i untuk pekerjaan j
Sebagai contoh gunakan kembali kasus data PT. MCM sebelumnya. Tahap
pertama membangun formulasi model matematik, dan menuliskan
formulasi LP. Agar lebih mudah menuliskan formulasi fungsi tujuan dan
kendala, lihat Tabel 12.1 dan berikan setiap sel label yang sesuai dengan
baris dan kolom, seperti Tabel 12.7.
Biaya (Rp 000)

Rizky X11 =10 x12 = 15 x13 = 9
Najwan X21 =9 x22 = 18 x23 = 5
Wafa X31 = 6 x23 = 14 x24 = 3
302
Kemudian tuliskan formulasi matematik untuk linier programming,

sebagai berikut:
Minimumkan
Z = 10 X11 + 15 X12 + 9 X13 + 9 X21 + 18 X22 + 5 X23 +
6 X31 + 15 X32 + 3 X33
Kendala Pekerja:
X11 + X12 + X13  1
X21 + X22 + X23  1
X31 + X32 + X33  1
Kendala Pekerjaan:
X11 + X21 + X31 = 1
X12 + X22 + X32 = 1
X13 + X23 + X33 = 1
Syarat non-negatif
Xij  0
Pada prinsipnya pembaca dapat mengunakan dengan metode simpleks

secara manual (lihat prosedur metode simpleks sebelumnya). Dalam buku
ini digunakan dengan aplikasi Komputer. Aktifkan program POM-QM for
Windows, kemudian ikuti tahapan berikut ini:
1. Klik Module + Linier Proramming

2. Klik File + New, sehingga kotak dialog linier programming akan muncul
seperti Gambar 12.1. Isikan kotak input sebagai berikut:
Number of Variables =9
303
Bab 12. Penugasan
Gambar 12.1. Kotak Dialog Penugasan dengan LP
3. Klik OK, kotak dialog untuk entry data akan muncul (Gambar 12.2)
Gambar 12.2. Tempat Entry Data
4. Lakukan perubahan pada setiap sel dengan data mengentri data yang
sesuai, sehingga akan tampil seperti pada Gambar 12.3.
5. Klik Solve di Menu Toolbar, untuk menjalankan dan memecahkan

masalah penugasan tersebut, sehingga solusi optimal akan terlihat
seperti pada Gambar 12.4.
304
Gambar 12.3. Perubahan Setelah dilakukan Penyesuaian Nama

Variabel dan Entry Data
6. Pada Gambar 12.4 terlihat bahwa Optimal Value (Z) adalah Rp 26.
Dimana nilai ini sama dengan yang dihasilkan oleh metode Hungarian.
Alokasi pekerja untuk masing-masing pekerjaan juga sama.
Gambar 12.4. Solusi Optimal
305
Bab 12. Penugasan
12.4. Kasus Khusus

Pada kenyataannya, tidak selalu kita temui bahwa jumlah pekerja
sama dengan jumlah pekerjaan. Beberapa kemungkinan yang akan kita
hadapi variasi dalam permasalah penugasan adalah:
1. Jumlah pekerja tidak sama dengan jumlah pekerjaan
2. Fungsi tujuan adalah maksimisasi
3. Penugasan yang tidak dapat diterima (uncceptable assignment)
Berikut ini akan kita bahas secara singkat tentang variasi masalah
penugasan dan mencari solusi untuk pemecahan masalahnnya. Secara
manual memang dibutuhkan cara atau tahapan pengerjaan yang sesuai,
tetapi dengan aplikasi komputer sebenarnya masalah tersebut telah
diantisipasi dalam pemrogramannya. Berikut akan diuraikan pemecahan
variasi-variasi dalam penugasan.
12.4.1. Jumlah Pekerja Tidak Sama dengan Jumlah Pekerjaan
Metode Hungarian mensyaratkan bahwa jumlah pekerjaan sama

dengan jumlah pekerja, tetapi dalam kenyataannya, akan kita temukan
bahwa jumlah pekerjaa tidak sama dengan jumlah pekerjaan. Misalnya
Contoh pada Kasus PT MCM, terdapat satu kegiatan lagi, yaitu pemasaran,
sehingga Tabel 12.1. terlihat menjadi Tabel 12.8.
Biaya (Rp 000)

Pekerja Produksi Pengemasan Pengepakan Pemasaran
Rizky 10 15 9 8
Najwan 9 18 5 7
Wafa 6 14 3 10
Pada Tabel 12.8 jumlah pekerja tidak sama dengan jumlah pekerjaan,
sehingga kita perlu menambah sebuah baris dummy yaitu dummy pekerja.
Lihat Tabel 12.9.
306
Tabel 12.9. Biaya dan Dummy Pekerja Berdasarkan Jenis Pekerjaan
Biaya (Rp 000)

Rizky 10 15 9 12
Najwan 9 18 5 6
Wafa 6 14 3 10
Dummy 0 0 0 0
Untuk dummy baris atau kolom, setiap sel diberi dengan nilai nol. Karena
pada prinsipnya pekerja tersebut tidak ada. Pemberiaan dummy
bertujuan untuk menampung kelebihan jumlah pekerjaan. Selanjutnya
adalah melakukan row-reduction (lihat Tabel 12.10)
Tabel 12.10. Row-Reduction
Biaya (Rp 000)

Rizky 1 6 0 3
Najwan 4 13 0 1
Wafa 3 11 0 7
Dummy 0 0 0 0
Coloum reduction tidak perlu dilakukan karena dibaris ke empat

(dummy) telah bernilai nol. Tarik Garis yang menghubungkan unsur nol
sebanyak mungkin terlewati. Dapat diketahui bahwa jumlah garis hanya
dua, sedangkan jumlah baris atau kolom adalah empat, sehingga kita perlu
melakukan modifikasi matriks.
Modifikasi matriks dilakukan dengan mencari nilai paling kecil di
setiap sel yang tidak terlewati oleh garis, dalam kasus kita adalah 1.
Kurangi unsur setiap sel dengan 1, dan tambahkan 1 pada sel dimana garis
berpotongan. Perubahan matriks Tabel 12.10. akan terlihat seperti pada
Tabel 12.11.
307
Bab 12. Penugasan
Tabel 12.11. Solusi Feasible
Biaya (Rp 000)

Rizky 0 5 0 2
Najwan 3 12 0 0
Wafa 2 10 0 6
Dummy 0 0 1 0
Dari Tabel 12.11 terlihat bahwa jumlah garis telah sama dengan jumlah
baris atau kolom, yang mengindikasikan bahwa solusi feasible. Lakukan
alokasi pengaturan pekerja sedemikian rupa, sehingga kita memperoleh
pekerja untuk masing-masing pekerjaan adalah yang diberi lingkaran.
Total biaya keseluruhan adalah Rp 10 + 6 + 3 + 0 = 19.
12.4.2. Fungsi Tujuan Maksimisasi
Umumnya masalah penugasan memiliki fungsi tujuan adalah

minimisasi biaya/waktu. Namun tidak jarang juga kita menemukan kasus
dimana fungsi tujuan adalah memaksimumkan keuntungan. Jika kasus
demikian kita hadapi, cukup kita memecahkan masalah persoalan
minimisasi tersebut menjadi maksimisasi.
Pada contoh kasus PT. MCM, asumsi bahwa disetiap isian sel pada
Tabel 12.1 adalah tingkat keuntungan yang dikerjakan oleh masing-
masing pekerja, maka dalam pemecahannya, dilakukan dengan cara:
1. Jika menggunakan metode Hungarian, maka perubahan tahapan

yang mendasar adalah di dalam row-reduction dan coloum reduction.
Pada kasus minimisasi, maka pilihannya adalah nilai paling kecil,
sedangkan dalam kasus maksimisasi pilihannya adalah nilai paling
besar.
308
2. Jika menggunakan teknik linier programming, cukup dengan

memodifikasi beberapa fungsi tujuan minimisasi menjadi maksimisasi.
Tanpa merubah dan mempengaruhi kendala yang ada.
12.5. Aplikasi Software QM For Windows
Pada bagian ini kita akan menggunakan pemecahan penugasan

dengan aplikasi computer. Untuk tujuan tersebut, dapat dilakukan dengan
tahapan-tahapan berikut:
1. Aktifkan QM for Windows + Klik Module + Assignment
2. Klik File + New, sehingg kota Dialog Assignment akan muncul seperti
Gambar 12.5. Lengkapi dan Isi Input data yang sesuai, yaitu
Number of Jobs =3
Number of Machines =3
Gambar 12.5. Kotak Dialog Penugasan
3. Klik Tombol OK, kotak dialog input data akan muncul (Gambar 12.6)
309
Bab 12. Penugasan
Gambar 12.6. Entry Data
Ketikkan data pada Tabel 12.1 sebelumnya dengan merubah judul dari
masing-masing kolom dan baris, sehingga akhirnya akan terlihat
seperti pada Gambar 12.7 berikut.
Gambar 12.7: Hasil Input Data
4. Klik Sove, maka hasilnya akan terlihat seperti Gambar 12.8 berikut
Gambar 12.8. Solusi Optimal Metode Assignment
310
12.6. Latihan 12
1. Sebuah perusahaan Agribisnis memberikan tugas kepada empat orang
pekerja untuk melakukan empat jenis kegiatan tugas. Biaya untuk
masing-masing pekerja untuk melakukan keempat pekerjaan tersebut
dapat dilihat pada tabel berikut:
Biaya
Pekera
Menanam Menyiram Memupuk Memanen
Amry 3 5 6 10
Ani 6 2 4 6
Ryan 7 6 5 6
Jhon 9 5 4 10
Pertanyaannya:
a. Tentukanlah skedul penugasan optimal
b. Berapa biaya yang harus dikeluarkan oleh perusahaan tersebut.
c. Tentukanlah formulasi model linier programming model
penugasan tersebut.
2. Sebuah Perusahaan Agribisnis yang berskala mikro memiliki 3

pekerjaan yang berbeda yang dapat diselesaikan oleh 3 pekerja.
Namun demikian jasa tenaga kerja menyediakan 4 tenaga kerja yang
handal, dimana biaya penugasan seorang karyawan untuk pekerjaan
yang berbeda adalah tidak sama karena sifat pekerjaan juga berbeda.
Tabel berikut ini menunjukkan biaya penugasan pekerja untuk
bemacam-macam pekerjaan tersebut, yaitu:
Jenis Pekerjaan (Cost Rp 000)

Pekerja
Manajer Keuangan Administrasi
Budi 10 15 6
Amir 9 8 10
Iwan 14 12 11
Andi 12 13 5
311
Bab 12. Penugasan
Pertanyaannya:
a. Tentukanlah bahwa skedul penugasan yang optimal dapat
menggunakan metode Hungarian atau metode linier
programming.
b. Tentukanlah berapa biaya minimum pada penugasan tersebut
c. Siapa yang berstatus sebagai pengangguran pada kasus diatas
d. Tuliskanlah formulasi model linier programming untuk kasus
penugasan diatas.
312
BAB XIII
MODEL JARINGAN
P
ersoalan yang banyak dihadapi oleh para manajer adalah
bagaimana merancang sistem transportasi, merancang sistem
informasi, penjadwalan project yang telah berhasil dipecahkan oleh
model-model jaringan, dan teknik analisis jaringan. Persoalan-persoalan
tersebut juga dapat dipecahkan dengan baik oleh Network model dan
teknik analisis jaringan. Model Network (Jaringan) ini diharapkan dapat
memecahkan persoalan dalam merancang dan mengatur sistem jalur yang
dihubungkan dengan beberapa jalur. Pada bagian ini akan dijelaskan tiga
metode tambahan terkait dengan masalah jaringan, yaitu Shortest‐Rute,
Minimal Spanning Tree dan Maximal Flow.
13.1. Shortest‐Route
Dalam sesi ini kita akan mempertimbangkan aplikasi jaringan

dengan tujuan untuk menentukan rute terpendek (shortest‐route) dalam
sebuah path atau jalur antara beberapa node yang berpasangan di dalam
jaringan. Jaringan (network) dapat didefinisikan sebagai suatu susunan
garis/jalur (path) yang menghubungkan antara berbagai titik, di mana
satu barang atau lebih bergerak dari satu titik ke titik lain. Model jaringan
(network model) sangatlah aplikatif untuk diterapkan ke banyak
permasalahan pengambilan keputusan yang dapat dimodelkan sebagai
model optimasi jaringan dan penyelesaian problem yang efisien dan
efektif.
Dalam sebuah jaringan terdiri dari dua komponen penting yaitu
nodes dan branches. Nodes dalam hal ini dapat menunjukkan titik
pertemuan, yang dalam jaringan ditunjukkan dengan lingkaran dan secara
umum node menunjukkan lokasi, seperti kota, intersections, terminal.
Bab 13. Model Jaringan
Branches direpresentasikan dengan sebuah garis lurus, yang

menghubungkan berbagai nodes dan menunjukkan aliran dari satu titik
dalam jaringan ke titik lainnya. Secara visual komponen dari sebuah
jaringan ditampilkan berikut ini:
Branch
Node
Pada prinsipnya, tujuan dari pemodelan jaringan adalah untuk

memecahkan solusi persoalan jaringan khusus untuk metode shortest-
Route pada umumnya bertujuan untuk mencari rute terpendek dari
sebuah jalur (path). Dalam arti lebih luas rute terpendek tentu akan
menghasilkan solusi dengan waktu yang lebih singkat dan biaya yang
lebih rendah di dalam berbagai pilihan jalur atau path yang ada dalam
sebuah jaringan.
Sebagai contoh asumsi perusahaan MCM melakukan pengiriman
barang dengan jarak (km) dan rute perjalanan yang kemungkinan terjadi
ditampilkan seperti pada Gambar berikut ini:
17
7
2
1
6
4
3 5
Gambar 13.1. Jaringan Permasalahan PT MCM
314
Sebelum memulai proses algoritma penyelesaian masalah rute

terpendek, ada baiknya akan dikenalkan pertama sekali terkait dengan
jaringan itu sendiri. Perhatian bagian dari Gambar 13.1. di atas.
[0,S] Branch selalu diikuti oleh jarak atau

biaya, dalam kasus kita adalah jarak
1 tempuh antara lokasi.
[10, 1] Label node
Jarak node 1 ke node 3 Nomor node sebelumnya

adalah 10
Prosedur penyelesaian permasalahan rute terpendek dapat dilakukan

dengan tahapan berikut ini:
a. Tahap 1. Node (lokasi) 1 berik label [0, S]. tanda [ ] melambangkan
Node, angka pertama pada menunjukkan jarak antar node dan angka
kedua menunjukkan nomor node sebelumnya. Node 1 tidak memiliki
node pendahulu (node sebelumnya) sehingga label S menunjukkan
bahwa ia adalah node awal.
b. Tahap 2. Hitunglah dan tentukan node terdekat, dan tulis label node
dan jarak pada label node. Dalam beberapa kasus, beberapa jalur
harus dicek untuk mencari node terdekat.
c. Tahap 3. Identifikasi seluruh node dengan tentatif label yang
menunjukkan jarak paling kecil dengan node sebelumnya.
d. Tahap 4. lakukan langkah-langkah di atas sampai seluruh tetatif label
pada tiap node memiliki jarak paling pendek dengan node sebelumnya,
sehingga tentatif label tersebut menjadi permanen label.
315
Pada contoh kasus perusahaan MCM rute terpendek diproses

dengan tahapan di atas, hasilnya ditampilkan pada Gambar 13.2. Lihat
bahwa dari Node 1 kita punya pilihan
rute 1 - 3 = 10 dan
rute 1 – 2 = 15,
tentu dengan nilai ini akan kita pilih rute 1 – 3 karena memiliki jarak yang
pendek, yaitu sebesar 10, sehingga diberi simbol menjadi [10,1] di node 3.
Tahap berikutnya adalah menghitung kembali rute terpendek dari node 3
ke node yang memiliki jalur. Bisa 3 – 2 = 3 dan 3 – 5 = 4 dan memilih jalur
terpendek salah satu diantara keduanya. Sehingga untuk node 2 dapat
dituliskan [13,3], nilai 13 adalah akumulasi dari node 1 – 3 – 2 = 13, dan
pada node 5 ditulis [14, 3] nilai 14 adalah akumulasi dari node 1 – 3 – 5,
ulangi langkah ini sampai pada akhir node (Lihat Gambar 13.2).
[22, 6]
[13, 3]
[23, 4]
[15, 1] [30, 2]
17
7
2
[18, 5]
[19, 2]
4
1
6
[16, 5]
3 4 5
[10, 1] [14, 3]
Gambar 13.2. Rute Terpendek Pengiriman Barang dari Node (lokasi) 1

ke Lokasi 7
Dari Gambar 13.2 dapat diketahui bahwa jarak tempuh terpendek dari
dari node 1 sampai node 7 adalah sebesar 22 km, dengan rute/jalur atau
path 1 – 3 – 5 – 6 – 7. Secara singkat hasil Shorthes Route Algorithm ini
dapat dituliskan 1 – 3 – 5 – 6 – 7 = 22.
316
13.2. Aplikasi Software untuk Shortest Route

Contoh aplikasi penggunaan computer masih tetap menggunakan
data yang sama, namun demikian untuk memudahkan hal tersebut, maka
langkah pertama yang harus diketahui adalah membuat tabel untuk
Gambar 13.1. sebagai berikut:
Tabel 13.1. Jarak untuk Setiap Percabangan

No Cabang Start Node End Node Distance
1 Branch 1 1 2 15
2 Branch 2 1 3 10
3 Branch 3 2 3 3
4 Branch 4 2 4 6
5 Branch 5 2 7 17
6 Branch 6 3 5 4
7 Branch 7 4 5 4
8 Branch 8 4 7 5
9 Branch 9 5 6 2
10 Branch 10 6 7 6
Dari tabel di atas dapat diketahui bahwa total percabangan di dalam

jaringan adalah 10 dengan masing-masing jarak tempuh untuk setiap
percabangan ditampilkan pada Tabel 13.1.
Untuk aplikasi penggunakan computer, digunakan software QM for
Windows maka langkah-langkah yang harus dilakukan adalah:
2. Klik Module + Networks
3. Klik File + New + 2 Shortest Route
4. Sehingga kotak dialog seperti Gambar 13.3. akan muncul, dan

selanjutnya sesuaikan isian kotak dialog sebagai berikut:
317
Number of Branches = 10
Gambar 13.3. Kotak dialog Shortes Route
5. Klik OK, maka kotak dialog berikutnya akan muncul seperti pada Tabel
Gambar Gambar 13.4. Berikut:
Gambar 13.4. Input Sel untuk Kasus Shortes Route
318
6. Isikan data pada Gambar 13.4 seperti Tabel 13.1. sehingga terlihat
seperti Gambar 14.5.
Gambar 13.5. Isian Data Shortest Route
7. Selanjutnya Klik pada menu Toolbar, maka hasil dari

pemecahan masalaha Shortest Route akan ditampilkan seperti pada
Gambar 13.6. berikut:
Gambar 13.6. Solusi Pemecahan Shortest Route
8. Lihat bahwa jarak tempuh terkecil dalam jaringan ini adalah 22,
dengan menempuh rute mulai dari node 1 – 3 – 5 – 6 – 7 = 22. Hal ini
sama dengan proses manual yang kita lakukan pada pembahasan
sebelumnya.
319
13.3. Minimal Spanning Tree

Minimal Spanning Tree merupakan suatu teknik untuk mencari
jalan penghubung yang dapat menghubungkan semua node di dalam
jaringan secara bersamaan sampai diperoleh jarak atau biaya minimum.
Metode minimal spanning tree pada prinsipnya sama dengan
masalah rute terpendek (shortest route). Perbedaan yang mendasar
adalah bahwa bahwa pada metode minimal spanning tree bertujuan untuk
menghubungkan seluruh node dalam jaringan sehingga total panjang jalur
(path) tersebut adalah minimal. Jaringan yang dihasilkan akan
menghubungkan semua node dalam jaringan. Prosedur algoritma dari
metode minimal spanning tree adalah:
1. Pilih secara arbitrary sebuah node di dalam jaringan untuk lebih
konsisten pilih node pertama
2. Hubungkan node terpilih tersebut dengan node terdekat
3. Perlu diperhatikan bahwa semua node apakah terdapat node yang
belum terhubungkan, jika tidak temukan dan hubungkan node
tersebut dengan node terdekat yang belum terhubung
4. Ulangi prosedur ketiga sampai seluruh node dapat terhubungkan
Sebagai contoh, perusahaan PDAM ingin membangun pipa jaringan
untuk saluran air bersih bagi rumah tangga, asumsi jarak (meter) antara
rumah untuk dibangun jaringan seperti pada Gambar berikut:
Gambar 13.7. Saluran Pipa Air Bersih
320
5
2
40 3 40
1 30 4
Gambar 13.8. Pemilihan Rute Terpendek pada Jalur Piva Air PDAM
Secara arbitrary jika dipilih node pertama (rumah 1), maka dari Rumah 1
selanjutnya akan dipilih jarak terdekat untuk mencapai rumah lainnya,
dalam hal ini adalah rumah 2 dan rumah 4 dengan jarak masing-masing
adalah:
1 – 2 = 20
1 – 4 = 30
Pertebal kedua cabang antara rumah tersebut dan di dalam lingkarannya
diberi arsir sebagai pertanda bahwa rumah tersebut telah terhubungkan
dari rumah terdekatnya (lihat Gambar 13.8).
Langkah berikutnya adalah menghitung dan menghubungkan
kembali rumah terpilih sebelumnya (Rumah 2 dan Rumah 4) ke rumah
terdekat berikutnya. Jika kita memulai rute baru dari rumah 2 maka
cabang yang tersedia hanya langsung ke rumah 5 dengan jarak 40 meter
(2-5 = 40). Namun jika dimulasi dari rumah 4, maka kita dapat melalui dua
rumah sekaligus dengan jarak yang sama yaitu:
4 – 3 = 10, dan
3 – 5 = 30
Tentu dalam hal ini kita memilih atau memasang jalur pipa dari rumah 4
menuju 3 dan rumah 5 (4 – 3 = 10 dan 3 – 5 = 30). Dan tahap terakhir dari
persambungan piva dapat dibangun kembali dari rumah 4 ke rumah 6,
321
sehingga saluran piva telah terhubungkan untuk semua rumah yang ada.
Final iterasi dari metode minimal spanning tree ditampikan pada Gambar
13.9 berikut.
5
2
40 3 40
30 4
1
Gambar 13.9. Solusi Akhir Pemecahan Jalur Piva Air PDAM
Dari 13.9 dapat diketahui bahwa total panjang piva untuk pemasangan air
bersih dari PDAM ke rumahtangga adalah sepanjang 110 meter, dengan
menggunakan jalur sebagai berikut:
1 – 2 = 20
1 – 4 = 30
4 – 3 = 10
3 – 5 = 30
4 – 6 = 20
Total = 110
Secara visual terlihat bahwa jalur penghubungan diantara rumahtangga
ditandai dengan garis lurus tebal solid.
Sebagai catatan bahwa dari satu node kita dapat menghubungkan
beberapa node apabila memang node tersebut memiliki jarak yang paling
minimum, dan karena saluran air tidak dapat terputus, maka seluruh jalur
harus tersambung agar air yang mengalir dari daerah asal tidak terputus
di salah satu node atau rumah tangga.
322
13.4. Aplikasi Software Untuk Minimal Spanning Treee

Untuk aplikasi penggunaan komputer dengan aplikasi Quantitative
Method fow Windows maka langkah yang harus dilakukan adalah:
2. Klik Module + Networks
3. Klik File + New + 1 Minimum Spnning Tree
4. Sehingga kotak dialog seperti Gambar 13.10. akan muncul, dan
selanjutnya sesuaikan isian kotak dialag sebagi berikut:
Title: Contoh Penggunaan: Minimum Spanning Tree
Number of Branches : 11 (Jumlah cabang pada Gambar 13.7)
Gambar 13.10. Kota Dialog Minimum Spanning Tree
Setelah menentukan isian kotak dialog pada Gambar 13.10, maka

selanjutnya klik tombol OK maka akan tampil sel untuk mengisi input
data dan nilai setiap percabangan (lihat Gambar 13.11), isi langsung
dengan mengetik data pada Tabel 13.7.
323
Gambar 13.11. Sel untuk Pengisian Data
Perhatikan bahwa Gambar 13.11 ini diperoleh dari data Tabel 13.7,
dan juga perlu dicatat bahwa program Aplikasi QM for Windows
secara default telah menentukan kolom keempat dengan nama Cost.
Pada prinsipnya kolom ini dapat diisi dengan jarak atau biaya.
5. Klik pada menu Toolbar, maka solusi hasil dari pemecahan

metode Minimum Spanning Tree akan ditampilkan seperti pada
Gambar 13.12. berikut:
Gambar 13.12. Solusi Pemecahan Shortest Route
324
13.5. Maximal Flow

Dalam metode rute terpendek (shortest route) memecahkan
persoalan terkait dengan solusi untuk mencapai jalur atau rute perjalanan
terpendek dalam memindahkan barang/jasa dari suatu lokasi ke lokasi
lainnya, hal sama juga terjadi pada metode minimal spanning tree, namun
dalam konsep bahwa semua node di dalam jaringan harus terhubungkan.
Kedua metode shortest route dan minimum spanning tree tidak
memperhitungkan tentang kapasitas suatu cabang yang memiliki
batasan. Dalam kenyataannya, masih terdapat masalah jaringan dimana
cabang suatu jaringan tersebut memiliki kapasitas arus yang terbatas.
Sebagai contoh kasus misalnya jalan raya memiliki kapasitas mobil
untuk melewati jalur tertentu, jika tidak akan menimbulkan kemacetan.
Kasus pada kasusnya sebelumnya, bahwa air bersih yang dikirim melalui
piva oleh PDAM ke rumahtangga juga memiliki debit arus air antar
saluran air, masing-masing cabang dalam jaringan saluran air tentunya
memiliki debit maksimum, jika debit maksimum tersebut dilanggar akan
menyebabkan terjadinya luapan air di salah satu atau beberapa cabang.
Untuk memahami arus maksimum (maximal flow), kita asumsikan
bahwa arus kendaraan maksimum yang melewati jalan penghubung
terminal baranangsiang ke darmaga. Jalan-jalan penghubung tersebut
digambarkan seperti gambar jaringan berikut ini.
6 3 4 0
1 2 4
0
5 5 8
0 7 0
0 3 5
6 0
Gambar 13.13. Kapasitas Kenderaan Per Jam
325
Sebelum menjelaskan metode metode pemecahan masalah arus

kapasitas maksimum, maka perlu diketahui terlebih dahulu hal-hal yang
terkait dengan kapasitas maksimum baik dalam penulisan maupun dalam
melakukan interpretasi di setiap cabang, yaitu:
1. Cara penulisan:
6 3 6
1 2 1 2
3
Penulisan Benar Penulisan Salah
2. Interpretasi:
a. Arus masuk maksimum kendaraan yang dapat melintasi jalan dari
node 1 ke node 2 adalah 6 ratus mobil per jam.
b. Arus balik maksimum kendaraan yang dapat melintasi jalan dari
node 2 ke node 1 adalah 3 ratus mobil per jam
Interpretasi yang sama dapat diterapkan di cabang lainnya yang

menghubungkan antar node. Permasalahan dalam kasus ini adalah
berapakah kapasitas maksimum dari yang menghubungkan terminal
baranangsiang dengan kampus dramaga IPB Bogor.
Untuk menjawab permasalahan tersebut, maka dapat dilakukan

tahapan penyelesaian dengan menggunakan algoritma atau iterasi dari
metode maximal flow (Anderson, et. all, 1997) sebagai berikut :
1. Tahap 1
Cari dan temukan jalur (path) dari node asal ke node (lokasi) tujuan
yang memiliki arah dengan aliran kapasitas yang lebih besar dari nol
untuk seluruh segitiga di dalam path. Jika tidak ada path yang tersedia,
berarti optimal solution telah tercapai.
2. Tahap 2
Cari di aliran kapasitas yang paling kecil (Sf) di dalam path yang
terpilih pada Tahap 1. Lakukan perubahan di dalam aliran di dalam
jaringan dengan mengirimkan sejumlah (Sf) ke lokasi tujuan.
326
3. Tahap 3
Pada jalur (path) yang terpilih di Tahap 1, kurangkan seluruh arus
kapasitas dengan (Sf) di node arah masuk dan tambahkan di node pada
arus balik node (Sf)
4. Tahap 4
Ulangi Tahapan sebelumnya dan menghentikan algoritma di atas,
ketika di node arah masuk telah lebih kecil dari nol
Berikut ini adalah penerapan tahapan penyelesaian dari metode
kapasitas maksimum untuk menjawab permasalahan kapasitas makimum
kenderaan dari jalur penghubung terminal barangnang siang ke kampus
IPB Dramaga.
1. Tahap 1: Pada Node 1, ada dua arus masuk yaitu

1–2=6
1–3=5
Kita pilih pada arus masuk 1 – 3 karena memiliki kapasitas yang lebih
besar, artinya bahwa kita pilih Node 2. Berikutnya pada node 2, kita
memiliki dua pilihan arus masuk sebagai berikut:
2–3=5
2–4=4
Kita pilih kembali arus pada 2 – 3=5 yaitu Node 3. Berikut pada Node 3
kita pilih kembali salah satu arus masuk antara:
3–4=7
3–5=6
Tentu kita pilih kembali arus pengiriman terbesar yaitu 7 dalam hal ini
adalah arus 3 – 4 (Node 4). Pada node 4 arus masuk adalah 8
sedangkan arus balik adalah 0 tentuk kita pilih kembali arus masuk
terbesar yaitu 8, dalam hal ini ditulis
4–5=8
Hubungkan seluruh node terpilih untuk menentukan jalur dari titik
asal ke titik tujuan, dalam hal ini adalah:
1–2–3–4–5
327
2. Tahap 2: Mencari kapasitas Makimum (Sf)

Disepanjang jalur (1 – 2 – 3 – 4 – 5) yang telah ditemukan pada Tahap
pertama di atas cari dan tentukan nilai terkecil (Sf), yaitu:
1–2=6
2–3=5
3–4=7
4–5=8
Maka nilai Sf adalah:
Sf: 2 – 3 = 5
Artinya bahwa disepanjang jalur ini kapasitas maksimum kendaraan

sebesar 5 ratus kendaraan perjam. Dengan demikian kita dapat
memodifikasi jalur dengan mengirim sebesar Sf = 5.
3. Tahap 3
Pada jalur (path) yang terpilih di Tahap 1, kita kurangkan sebesar (Sf)
di node arah masuk dan tambahkan di node pada arus balik sebesar
(Sf), Lihat Gambar 13.14 berikut:
1 8
6 3 4 0
1 2 4
5 5 5 0 8
0 3
5 2 3
0 7 0
0 1–2–3–4–5=5
3 5 Flow capacity = 5
6 0
Gambar 13.14. Iterasi Pertama Maximal Flow
328
4. Tahap 4 adalah mengulang kembali prosedur seperti pada Tahap 1

sampai dengan Tahap 3, hasilnya terlihat seperti berikut ini:
a. Jalur terpilih adalah 1 – 3 – 5 dengan Nilai Sf adalah 1 – 3 = 5
b. Modifikasi kembali Gambar 13.14 dengan mengirimkan ke setiap
node terpilih dalam jalur sebesar 5 (Lihat Gambar 13.15)
1 8
6 3 4 0
1 2 4
5 5 5 0 8
0 0 3
5 2 3
5 0 7 0
0 1–2–3–4–5=5
3 5 1–3–5=5
6 1 5 0
Akumulasi 5+5 = 10
Gamarb 13.15. Iterasi Kedua Maximal Flow
Ulangi kembali prosedur, seperti tahap 4

a. Pilihan jalur adalah 1 – 2 – 4 – 3 – 5 dengan Nilai Sf adalah 1 – 2 = 1
c. Modifikasi kembali Gambar 13.15 dengan mengirimkan ke setiap
node terpilih dalam jalur sebesar 1 (Lihat Gambar 13.16)
0 9
1 8 3 1
6 3 4 0
1 2 4
0
5 5 45 8
0 0 3
3
5 2 3
5 0 7 0 1–2–3–4–5=5
0 1–3–5=5
3 5 1–2–4–3–5=1
6 10 6 5 0
Akumulasi 5+5+1 = 11
Gamarb 13.16. Iterasi Ketiga Maximal Flow
329
Pada Node 1, arus masuk telah memiliki nilai 0, yang

mengindikasikan bahwa solusi pemecahan maximal flow telah optimal.
Dapat ditarik kesimpulan bahwa arus maksimum yang menghubungkan
antara lokasi terminal baranangsiang dengan dramaga adalah sebesar 11
kenderaan per jam dengan rincian jalur dan kapasitas sebagai berikut :
Iterasi 1 : 1–2–3–4–5 =5
Iterasi 2 : 1 –3 – 5 =5
Iterasi 3 : 1–2–4–3–5 =1
Kita dapat menyusun seluruh proses kapasitas dan flow dari setiap cabang
ke dalam sebuah tabel dan menggambarkan flow dari node satu ke node
lainnya (lihat Tabel 13.2 dan Gambar 13.17)
Tabel 13.2. Kapasitas dan Flow dari Setiap Cabang

Capacities Flow
Start End Capacity
Initial Final (Final-Initial)
Cabang 1 1 2 6 6 3 0 9 6
Cabang 2 1 3 5 5 0 0 5 5
Cabang 3 2 3 5 5 0 0 5 5
Cabang 4 2 4 4 4 0 3 1 1
Cabang 5 3 4 7 2 5 3 4 -1
Cabang 6 3 5 6 6 0 0 6 6
Cabang 7 4 5 8 8 0 3 5 5
6 1
1 2 4
5
5
3 5
6
Gambar. 13.17: Kapasitas Maksimum Antara Node di dalam Jalur
330
13.6. Aplikasi Software Untuk Maximal Flow

Penggunaan komputer dengan aplikasi Quantitative Method fow
Windows, maka langkah yang harus dilakukan adalah:
1. Aktifkan POM-QM for Windows 3 dan Klik Module + Networks
2. Klik File + New + 3 Maximal Flow
3. Kotak dialog seperti Gambar 13.18. akan muncul, dan selanjutnya
sesuaikan isian kotak dialog sebagi berikut:
Title: Contoh Penggunaan Maximal Flow

Number of Branches : 7 (Jumlah cabang pada Gambar 13.13)
Gambar 13.18. Kotak Dialog Maximal Flow
Setelah menentukan isian kotak dialog pada Gambar 13.18, maka

selanjutnya klik tombol OK, sehingga akan tampil sel untuk mengisi
data dan nilai setiap percabangan (lihat Gambar 13.19), isi langsung
dengan mengetik data pada Gambar 13.13. Hasil inputan data terlihat
pada Gambar 13.19.
Perhatikan bahwa Gambar 13.19 ini diperoleh dengan
melakukan input data dari Gambar 13.13. Input data di entri sesuai
kapasitas dan nilai arus balik (reverse capacity).
331
Gambar 13.19. Sel untuk Pengisian Data
4. Klik pada menu Toolbar, maka solusi hasil dari pemecahan

metode Maximal Flow akan ditampilkan seperti pada Gambar 13.20.
berikut:
Gambar 13.20. Solusi Pemecahan Metode Maximal Flow
Untuk melihat iterasi, Klik Windows + 2 Iterations, hasilnya terlihat

seperti gambar 13.21 berikut
Gambar 13.21. Proses Iterasi Maximal Flow
332
13.7. Latihan 13
1. Berikut adalah sebuah jaringan (network) yang terdiri dari beberapa
lokasi (node) dengan kapasitas jumlah arus masuk kenderaan
(km/jam) dan kapasitas arus keluar kenderaan (km/jam) ke berbagai
lokasi ditampilkan pada Gambar berikut.
Bulatan menunjukkan lokasi, sedangkan garis lurus merupakan

percabangan yang menunjukkan kapasitas arus masuk kenderaan dan
kapasitas arus keluar kendaraan.
a. Tentukanlah berapa kapasitas maksimum kenderaan agar jalur
tidak menjadi macet
b. Tentukanlah jalur yang dapat dilakukan kenderaan sebanyak 4 unit
adalah agar jalur tidak menjadi macet
2. Berikut adalah rute sebuah perjalanan dari lokasi 1 menuju ke lokasi 7,
tentukanlah jarak terdekat dengan menggunakan metode Shortest
Route.
333
3. Jalur berikut adalah jalur alternatif dari berbagai arah untuk menuju
titik lokasi 8. Tentukan jalur yang sesuai dengan menggunakan metode
Minimal Spanning Tree.
4. Tentukan jalur yang sesuai dengan menggunakan metode Maximal

Flow untuk kasus berikut:
334
BAB XIV
PERT/CPM
14.1. Pendahuluan
P
roject scheduling dapat didefinisikan sebagai suatu kegiatan yang
saling berkaitan yang harus dilakukan dengan urutan tertentu
sebelum keseluruhan tugas dapat diselesaikan. Kegiatan yang
saling berkaitan tersebut adalah suatu kegiatan yang sistematis dan logis
dalam arti bahwa beberapa kegiatan tidak dapat dimulai/terselesaikan
tanpa kegiatan sebelumnya telah diselesaikan. Sebuah kegiatan pada
sautu project dipandang sebagai sebuah tugas yang memerlukan waktu
dan sumberdaya untuk menyelesaikan projectnya. Dibanyak situasi,
manager dalam melakukan activitas tentu tidak terlepas untuk melakukan
suatu perencanaan, penjadwalan dan pengawasan dari sebuah project.
Metode program evaluation and review technique (PERT) dan
critical path method (CPM) bertujuan untuk membantu para manager
dalam hal perencanaan, penjadwalan dan pengontrolan project. Metode
PERT atau CPM metode yang beroreatasi pada waktu dalam arti keduanya
mengarah kepada penentuan sebuah jadwal. Kedua metode tersebut
dikembangkan secara independen, tetapi pada prinsipnya keduanya
sangat mirip. Penjadwalan project dengan metode PERT/CPM terdiri dari
tiga tahap dasar (1) Perencanaan, (2) Penjadwalan, dan (3) Pengendalain.
14.2. Waktu Diketahui
Untuk memahami skedul dalam project ini, mari kita lihat contoh
kasus perusahaan kontraktor yang ingin mengembangkan perumahan.
Project yang direncanakan adalah membangun ruangan perkantoran.
Bab 14. P E R T / C P M
Pendanaan dan keuangan direncanakan melalui perbankan Swasta di

Indonesia. Selebihnya aktivitas lainnya ditentukan dalam skedul project
PERT/CPM.
Tahap pertama dalam penggunaan metode skedul PERT/CPM
adalah membangun suatu list kegiatan/aktivitas untuk menyelesaikan
seluruh aktivitas. Tabel 14.1 menampilkan seluruh akvitas yang harus
dilakukan oleh menajemen.
Tabel 14.1. List Aktvitas untuk Pembangunan Perkantoran
Activitas yang Waktu

Activitas Keterangan Aktivitas
Mendahului (Bulan)
A Menyiapkan design gambar - 5
B Identifikasi penyewa potensial - 6
C Mengembangkan brusor A 4
D Memilih kontraktor A 3
E Persiapan IMB A 1
F Mendapatkan persetujuan IMB E 4
G Melaksanakan bangunan D,F 14
H Finalisasi kontrak dengan penyewa B,C 12
I Penyewa masuk G,H 2
Total 51
Pada Tabel 14.1. terlihat bahwa ada beberapa aktivitas tidak dapat
dilakukan jika aktivitas lain yang dipersyaratkan belum selesai disebut
sebagai immediate predecessor, seperti pada Aktivitas C, D dan E aktivitas
yang mendahului adalah aktivitas A. Begitu juga untuk aktivitas, F, G, H
dan I. Lihat pada aktivitas G, aktvitas yang mendahuluinya adalah aktivitas
D dan F. Artinya bahwa aktivitas F tidak dapat dilaksanakan jika aktivitas
D da F belum selesai. Kolom waktu menunjukkan waktu yang dibutuhkan
untuk meneyelesaikan aktivitas. Berbeda dengan Aktivias A dan B, dimana
tidak ada kegiatan yang mendahuluinya. Aktvititas A dan B dapat dimulai
sebagai awal dari project secara keseluruhan.
336
Jika digambarkan secara visual, akan lebih mudah melihat

keterkaitan antara aktivitas yang mendahului degan aktivitas lainnya.
Secara visual pemetaan Tabel 14.1 ditampilkan pada Gambar 14.1. berikut
ini:
Gambar 14.1. Skedul Project Pembangunan Ruangan Kantor
14.3. Konsep Jalur Kritis
Untuk membantu perhitungan PERT/CPM, kita dapat melakukan

modifikasi Gambar 14.1. menjadi Gambar 14.2. dengan melengkapi waktu
yang dibutuhkan untuk menyelesaikan aktivitas. Lihat Gambar 14.2.
ditampilkan kembali seluruh aktivitas yang dilengkapi dengan kebutuhan
waktu untuk menyelesaikan pekerjaan. Dalam rangka melakukan
perhitungan waktu project secara lengkap, dilakukan analisis jaringan dan
mengidentifikasi apa yang kita sebut sebagai jalur kritis (crtical path).
Path didefinisikan sequen suatu jalur di dalam jaringan yang terhubung
dari lokasi (node) awal sampai kepada akhir node.
337
E F
1 4
A D G
5 3 14
Start C H I
end
4 12 2
B
6
Gambar 14.2. Skedul Project dan Kebutuhan Waktu
Salah satu contoh jalur di dalam Gambar 14.2 adalah A-E-F-G-I. Jika
diidentifikasi lebih jauh, kita juga dapat mendapatkan beberapa jalur,
seperti A-D-G-I, A-C-H-I dan B-H-I. Seluruh jalur di dalam jaringan harus
dihitung ulang (pengulangan) untuk mendapatkan jalur kritis dan waktu
project secara lengkap.
Dari seluruh jalur, hanya satu jalur yang memiliki waktu terpendek.
Dalam jalur tersebut akan kita temukan jalur kritis. Jalur kritis dalam hal
ini adalah suatu aktivitas di dalam jalur yang tidak dapat ditunda, agar
seluruh aktivitas tidak tertunda. Activitas didalam jalur kritis disebut
sebagai aktivitas kritis. Untuk memahami jalur kritis, kita akan jelaskan
tahap demi tahap algoritma untuk menemukan titik kritis di dalam sebuah
jaringan.
14.4. Menentukan Jalur Kritis
Dalam perhitungan PERT/CPM, seluruh aktivitas yang ditampilkan

memiliki dan membutuhkan waktu untuk menyelesaikannya. Untuk
menentukan titik kritis di dalam jalur, setidaknya diperlukan dua tahap
338
perhitungan pergulangan (sequent). Pertama perhitungan dimulai dari

awal project sampai ke akhir project disebut sebagai Forward Pass, dan
perhitungan mundur dari akhir project kembali ke awal project disebut
Backward Pass.
14.4.1. Tahap 1: Forward Pass
Mari kita mulai dengan mengenalkan beberapa istilah waktu paling

cepat memulai suatu aktivitas dan waktu baru memulai untuk suatu suatu
aktivitas di dalam jaringan. Andaikan bahwa:
EF = ES + t …………………………………………………………………. (14.1)
Dimana:
ES = waktu tercepat memulai aktivitas (earliest start time)
EF = waktu tercepat menyelesaikan aktivitas (earliest finish time)
t = waktu aktivitas
Lihat pada aktivitas A. Kita dapat memulai aktivitas A segera tanpa ada
aktivitas lain yang harus dilakukan, hal ini kita sebut sebagai waktu
tercepat memulai aktivitas A adalah 0 (nol). Sehingga waktu tercepat
untuk menyelesaikan aktivitas A adalah:
EF = ES + t
=0+5
=5
waktu tercepat waktu tercepat

memulai aktivitas menyelesaikan aktivitas
A 0 5
5
339
Kita dapat mengisi seluruh waktu tercepat memulai suatu aktivitas serta
waktu tercepat untuk menyelesaikan aktivitas di di dalam jaringan.
Sebagai contoh lihat kembali aktivitas E. Karena E dapat dimulai setelah
aktivitas A, dimana untuk menyelesaikan aktivitas A diperlukan waktu 5,
sehingga waktu tecepat untuk memulai aktivitas E menjadi 5 sedangkan
waktu untuk menyelesaikan aktivitas E adalah 6 (5+1=6). Secara bertahap
waktu tercepat memulai dan menyelesaikan aktivitas dapat dilihat pada
Gambar 14.3.
waktu tercepat waktu tercepat

memulai aktivitas menyelesaikan aktivitas
E 5 6
1
A 0 5 D 5 8
5 3
Start C 5 9 H 9 21
4 12
B 0 6
6
Gambar 14.3. Waktu Tercepat Memulai dan Penyelesaian Aktivitas.
Pada Gambar 14.3. perhatikan pada aktivitas H. Aktivitas H dapat

dikerjakan setelah pekerjaan B dan C selesai. Kita tidak mungkin memilih
waktu 6 sebagai waktu tercepat memulai aktivitas H, karena disatu sisi
aktivitas C belum selesai (memerlukan waktu 9). Sehingga waktu tercepat
memulai aktivitas H adalah 9.
340
Dapat ditarik kesimpulan bahwa jika dalam suatu percabangan

terdapat dua atau lebih aktivitas yang mendahului, maka waktu yang
dipilih diantaranya adalah waktu yang paling lama. Secara waktu yang
diperlukan untuk menyelesaikan aktivitas dan project ditampilkan pada
Gambar 14.4
E 5 6 F 6 10
1 4
A 0 5 D 5 8 G 10 24
5 3 14
Start C 5 9 H 9 21 I 24 26
end
4 8 12 12 2
B 0 6
6
Gambar 14.4. Waktu Penyelesaian Project
Pada Tabel 14.4. dapat diketahui bahwa waktu tercepat untuk memulai
aktivitas dan waktu tercepat untuk menyelesaikan aktivitas serta waktu
yang diperlukan untuk menyelesaikan project. Waktu yang diperlukan
untuk menyelesaikan project adalah 26 bulan.
14.4.2. Tahap 2: Backward Pass
Backward pass merupakan tahap kedua dalam menentukan titik

kritis dalam sebuah jalur. Backward pass merupakan perhitungan mundur
dari aktivitas terakhir ke aktivitas awal project. Untuk memulai, pada
tahap 2 ini kita akan mengenalkan istilah waktu baru untuk memulai
aktivitas dan waktu baru untuk menyelesaikan aktivitas.
341
Untuk menentukan waktu baru dalam menyelesaikan suatu

aktivitas, dapat ditentukan dengan formula:
LS = LF – t ……………………………………………………………….. (14.2)
Dimana:
LS = waktu paling lambat memulai aktivitas
LS = waktu paling lambat menyelesaikan aktivitas
t = waktu aktivitas
Perhatikan pada aktivitas I. Aktivitas I merupakan waktu penyelesaian

project secara keseluruhan. Dimana waktu penyelesaian I = 26 yang
merupakan waktu penyelesaianya project secara keseluruhan.
Pada tahap kedua perhitungan mundur, waktu penyelesaian
project secara keseluruhan (di aktivitas I=26) disebut sebagai waktu
paling lambat menyelesaikan aktivitas (latest finish time). Menggunakan
persamaan (14.2), maka kita dapat mengetahui waktu paling lambat
memulai aktivitas (latest start time), yaitu:
LS = LF – t
= 26 – 2
= 24 (lihat ilustri dibawah)
waktu tercepat memulai waktu tercepat menyelesaikan

aktivitas (ES) aktivitas (EF)
I 24 26
2 24 26
waktu paling lambat waktu paling lambat

memulai aktivitas (LS) menyelesaikan aktivitas (LF)
342
Dengan demikian kita dapat menentukan waktu paling lambat

memulai dan menyelesaikan aktivitas dalam perhitungan mundur. Secara
lengkap perhitungan mundur ditampilkan pada Gambar 15.5.
E 5 6 F 6 10
1 5 6 4 6 10
A 0 5 D 5 8 G 10 24
5 0 5 3 7 10 14 10 24
Start C 5 9 H 9 21 I 24 26
end
4 8 12 12 12 24 2 24 26
B 0 6
6 6 12
Gambar 14.5. Perhitungan Forward dan Backward
Lihat pada gambar 14.5. bahwa waktu paling lambat memulai aktivitas I
merupakan waktu paling lambat menyelesaikan untuk aktivitas G dan H.
Karena I memiliki percabangan (aktivitas mendahului) G dan H.
Sebagai catatan bahwa dua atau lebih aktivitas menuju pada satu
aktivitas (contoh lihat aktivitas C, D dan E menuju pada satu aktivitas A),
dimana waktu paling lambat memulai aktivitas C = 8, D = 7 dan E = 5. Dari
ketiga waktu tersebut, dapat dipilih waktu yang paling kecil, dalam hal ini
adalah E = 5 yang merupakan waktu paling lambat menyelesaikan
aktivitas A.
Kita telah melakukan perhitungan maju dan perhitungan mundur
(sequen) di dalam jaringan, dan telah menemukan bahwa waktu
penyelesaian project adalah 26 bulan. Pertanyaanya adalah dimana titik
kritis (aktivitas kritis) di dalam jalur dalam rentang waktu 26 bulan
tersebut. Kita dapat menentukan Slack di setiap aktivitas dengan formula:
Slack: LS – ES = LF – EF .................................................................. (14.3)
343
Slack dapat didefinisikan sebagai lamanya waktu yang tersisa. Atau

dengan kata lain sisa waktu dari suatu aktivitas yang dapat ditunda tanpa
meningkatkan waktu penyelesaian project. Sebagai contoh Slack pada
aktivitas C adalah:
Slack titik C: LS – ES = LF – EF = 8 – 5 = 12 – 9 = 3
Hal ini dapat diartikan bahwa aktivitas C dapat ditunda sampai selama 3
bulan minggu tanpa meningkatkan waktu penyelesaian project dengan
kata lain bahwa seluruh aktivitas proyek tetap dapat diselesaikan selama
26 bulan. Aktivitas C dalam hal ini bukan aktivitas kritis di dalam jalur
(not critical path). Perhatikan lagi pada aktivitas E:
Slack titik E: LS – ES = LF – EF = 5 – 5 = 6 – 6 = 0
Pada aktivitas E nilai Slack = 0, titik E merupakan aktivitas kritis di dalam

jalur (critical path). Karena aktivitas E tidak dapat ditunda tanpa
meningkatkan waktu penyelesaian seluruh project. Dengan kata lain
bahwa aktivitas E harus mengikuti skedul dan harus dijaga sesuai dengan
skedul project
Tabel 14.2. List Aktivitas Kritis di dalam Jalur
Activitas ES LS EF LF Slack Critical path

A 0 0 5 5 0 YA
B 0 6 6 12 6
C 5 8 9 12 3
D 5 7 8 10 2
E 5 5 6 6 0 YA
F 6 6 10 10 0 YA
G 10 10 24 24 0 YA
H 9 12 24 24 3
I 24 24 26 26 0 YA
344
Aktivitas E disebut sebagai critical path. Tabel 14.2. ditampilkan list

aktivitas kritis dari sebuah jalur. Mengacu pada Tabel 14.2. di atas kita
dapat menentukan jalur kritis di dalam jaringan, yaitu:
A–E–F–G-I
Aktivitas A – E – F – G - I haruslah dilaksanakan sesuai dengan skedul

project untuk mempertahankan waktu penyelesaian project selama 26
bulan. Jika hal tesebut tidak dilakukan sesuai dengan skedul, maka waktu
penyelesaian project akan tertunda.
Berikut diaplikasi softwares untuk menentukan waktu

penyelesaian project dan jalur kritis dalam sebuah jaringan. Untuk tujan
tersebut, ikuti tahapan berikut ini:
1. Aktifkan POM-QM for Windows
2. Klik Module + Project Manajement (PERT/CPM)
3. Klik File + New + 1 Single time estimate, sehingga kotak dialog
PERT/CPM akan muncul seperti Gambar 14.6. Dan isikan kotak dialog
sebagai berikut:
Number of task = 9
Table Structure = Precedence List
4. Klik tombol OK untuk menjalankan program, sehingga kotak dialog

input data akan muncul seperti Gambar 14.7. Lakuan input data di
setiap sel dan mengisi data aktivitas dan waktu yang sesuai.
5. Lakukan input data pada Gambar 14.7. Kolom pertama adalah input
data aktivitas, kolom kedua untuk input data waktu dari aktivitas, dan
untuk kolom Prec 1 sd Prec 5 merupakan tempat untuk input data
aktvitas yang mendahului.
345
Gambar 14.6. Kotak Dialog PERT/CPM
Entri data dapat dilakukan secara langsung di setiap sel, lakukan

penyesuaian label dan data sesuai dengan Tabel 14.1 sebelumnya.
Gambar 14.7. Tempat Input Data PERT/CPM
6. Ketika data telah dientry dan disesuaikan, maka Gambar 14.7 akan
terlihat seperti Gambar 14.8 berikut:
346
Gambar 14.8. Input Data
7. Klik Solve di Menu Bar, sehingga waktu dan solusi optimal dari kasus
skedul project PERT/CPM akan ditampilkan pada Tabel 14.9.
Gambar 14.9. Solusi project PERT/CPM
Lihat bahwa waktu yang dihasilkan adalah 26 dengan aktivitas kritis di

dalam jalur adalah A‐E‐F‐G‐I (nilai Slack = 0).
347
14.5. Waktu Tidak Pasti Diketahui
Pada kenyataannya tidak selalu waktu penyelesaian dari suatu

aktivitas dapat diperkirakan secara pasti dengan kata lain waktu
penyelesaian aktivitas mengandung unsur ketidakpastian. Ketidakpastian
(uncertainty) waktu dari suatu akvitas diperlakukan sebagai variabel acak
(random variables). Berbicara masalah variabel acak, maka akan selalu
dihubungkan dengan distribusi peluang (probability distribution). Sebagai
hasilnya, bahwa pernyataan peluang akan memberikan kisaran tentang
kemampuan secara spesifik untuk menyelesaikan waktu project secara
keseluruhan.
Untuk memasukkan unsur ketidakpastian waktu aktivitas di dalam
analisis, dibutuhkan 3 (tiga) jenis perkiraan waktu untuk masing-masing
aktivitas, yaitu:
Optimis (o) = waktu aktivitas minimum jika seluruhnya sesuai

dengan kemajuan (optimistic time)
Moderat (m) = kemungkinan besar waktu aktivitas berada pada
kondisi normal (most likely time)
Pesimis (p) = waktu aktivitas maksimum, untuk mengcover
aktivitas jika ditunda (pessimistic time)
Untuk memahami prosedur PERT/CPM terkait dengan ketidakpastian

waktu, kembali kita pertimbangkan contoh kasus pada Tabel 14.1. dengan
memperlakukan waktu sebelumnya adalah waktu optimis, dan menambah
waktu moderat dan pesimis untuk masing-masing aktvitas seperti yang
Sebaga contoh pada Tabel 14.3. dimana Aktivitas A memiliki range
waktu aktivitas adalah dari 5 bulan (optimis, o) sampai dengan 14 bulan
(pesimis, p) dan kemungkinan besar penyelesaian waktu aktivitas A adalah
6 bulan (moderat, m). Hal sama dapat diintepretasikan untuk seluruh
aktivitas, dimana setiap waktu memiliki perkiraan waktu optimis,
moderat dan waktu pesimis.
348
Tabel 14.3. Perkiraan Waktu Optimis, Moderat dan Pesimis dari Aktvitas
untuk Pembangunan Perkantoran
Waktu Activitas yang

Activitas
optimis (o) moderat (m) pesimis (p) Mendahului
A 5 6 13 -
B 6 8 10 -
C 4 5 12 A
D 3 5 7 A
E 1 2 3 A
F 4 5 12 E
G 14 15 16 D,F
H 12 14 16 B,C
I 2 3 4 G,H
Dengan demikian kita dapat memperkirakan waktu rata-rata untuk

setiap aktivitas. Perkiraan waktu rata-rata (expected time) dari suatu
aktivitas ditentukan dengan formula berikut:
o  4m  p
t ...................................................................................... (14.4)
6
Sebagai contoh untuk aktivitas A, perkiraan rata-rata waktu adalah:
6  4(6)  13 42
t  7
6 6
Ketidakpastian waktu aktivitas, kita dapat gunakan konsep varian

(variance) untuk menjelaskan nilai penyebaran atau variasi waktu
aktivitas. Varian waktu aktivitas ditentukan dengan formula:
2
 po
 
2
 ........................................................................................ (14.5)
 6 
349
Perbedaan waktu antara pesimis (p) dengan optimis (o) akan

berpengaruh terhadap nilai varian. Besarnya perbedaan nilai pesimis
dengan optimis menggambarkan tingginya derajat ketidakpastian waktu
aktivitas. Menggunakan formula varian, kita akan menghasilkan ukuran
ketidakpastian. Ukuran ketidakpastian waktu aktivitas A, disimboi  A2 ,
yaitu:
2 2 2
 po  15  5   10 
 
2
A        1.778
 6   6  6
Persamaan (14.4) dan persamaan (14.5) didasarkan pada asumsi bahwa

distribusi waktu aktivitas mengikuti beta probability distribution. Pada
Tabel 14.4. ditampilkan perkiraan rata-rata waktu (t) dan varians untuk
masing-masing aktivitas.
Tabel 14.4. Perkiraan Rata-Rata dan Varians Waktu Aktivitas
Activitas Perkiraan waktu (t) Varians Activitas yang Mendahului

A 7 1.778 -
B 8 0.444 -
C 6 1.778 A
D 5 0.444 A
E 2 0.111 A
F 6 1.778 E
G 15 0.111 D,F
H 14 0.444 B,C
I 3 0.111 G,H
Sehingga kita telah memperoleh perkiraan waktu untuk masing-masing

aktivitas. Tahap selanjutnya adalah menghitung waktu penyelesaian
project dan menentukan jalur kritis. Pada prinsipnya perhitungan waktu
dan jalur kritis dilakukan dengan waktu diketahui, dengan langkah awal
membangun diagram seperti Gambar 14.10.
350
E F
2 6
A D G
7 5 15
Start C H I
end
6 14 3
B
8
Gambar 14.10. Skedul Project dengan Perkiraan Waktu (t)
Dengan mengikuti petunjuk seperti contoh sebelumnya, maka kita

melengkapi perhitungan forward pass dan backward pass. Hasil
perhitungan ditampilkan pada Gambar 14.11.
E 7 9 F 9 15
2 7 9 6 9 15
A 0 7 D 7 12 G 15 30
7 0 7 5 10 15 15 15 30
Start C 7 13 H 13 27 I 30 33
end
6 10 16 14 16 30 3 30 33
B 0 8
8 8 16
Gambar 14.11. Perhitungan Forward dan Backward
Pada Tabel 14.11 terlihat bahwa total waktu untuk menyelesaikan

seluruah aktvitas adalah 33 bulan, dimana jalur kritis (lihat cara
menentukan jalur kritis sebelumnya) adalah A-E-F-G-I.
351
14.6. Aplikasi Software: Waktu Tidak Pasti Diketahui

Berikut diaplikasi softwares waktu penyelesaian project pada
kasus dimana waktu tidak diketahui secara pasti, berikut ini adalah
tahapannya:
1. Aktifkan POM-QM for Windows
2. Klik Module + Project Manajement (PERT/CPM)
3. Klik File + New + 2 Triple time estimate, maka kotak Dialog
PERT/CPM akan muncul seperti Gambar 14.12. dan isikan kotak dialog
sebagai berikut:
Number of task = 9
Table Structure = Precedence List
Row Names = pilih A, B, C, D, E, . . .
Gambar 14.12. Kota Dialog PERT/CPM
8. Klik tombol OK untuk menjalankan program, sehingga kotak dialog

input data akan muncul seperti Gambar 14.13. Lakukan input data di
setiap sel dan mengisi data dan waktu yang sesuai Tabel 14.3.
352
Gambar 14.13. Input Data
9. Klik Solve di Menu Bar, sehingga waktu dan solusi optimal dari kasus
skedul project PERT/CPM akan ditampilkan pada Gambar 14.14.
berikut ini
Gambar 14.14. Solusi project PERT/CPM
Pada prinsipnya hasil yang ditunjukkan Gambar 14.14 ini sama seperti
yang dihasilkan pada Gambar 14.11. terlihat bahwa total waktu untuk
menyelesaikan seluruh aktvitas adalah 33 bulan dan jalur kritis adalah
A-E-F-G-I (jalur kritis dimana nilai Slack = 0).
Kita juga dapat menampilkan varians dan aktivitas perkiraan
waktu seperti yang ditampilkan pada Tabel 14.4. dengan cara
melakukan Klik pada menu:
Windows + 2 Task Time computation
353
Hasilnya akan terlihat seperti pada Gambar berikut ini:
Gambar 14.15. Perhitungan Waktu dan Varian

Pembaca dapat membandingkan aktivitas waktu pada Tabel 14.4.
dengan Gambar 14.15.
14.7. Latihan 14
Dalam rangka untuk mempersiapkan anggaran tahun berikutnya, sebuah
perusahaan harus mengumpulkan informasi dari berbagai penjualan,
produksi, akuntansi dan keuangan. Tabel berikut ini menunjukkan
kegiatan dan waktu kegiatan
Activitas yang
Activitas Deskripsi Activitas Waktu (hari)
mendahului
A Prediksi Volume Penjualan - 8
B Mempelajari pasar - 7
C Desain product dan fasilitasnya A 5
D Menyusun jadwal produksi A 3
E Perkiraan biaya produksi D 2
F Menetapkan harga penjualan B, E 1
G Menyusun anggaran E, F 12
Tentukanlah waktu yang dibutuhkan untuk menyelesaikan kegiatan

tersebut dan juga titik kritisnya (critical path).
354
DAFTAR PUSTAKA
Anderson, David R., Dennis, J. Sweeney and Thomas A. Williams. 1997. An

Introduction to Management Science: Quantitative Approaches to
Decision Making. Eighth Edition. West Publishing Company,
Minnepolist/St. Paul.
Deaton, M. and J. Muellbauer, 1980. An Almost Ideal Demand System.

American Economics Review, 70(3): 312-325.
Enders, W. 1995. Applied Econometric Time Series. Wiley Series in

Probability and Mathematical Statistics. John Wiley & Sons. Inc,
New York.
Eppen, G.D., F.J. Gould and C.P. Schmidt. 1991. Introductory Management
Science. Third Edition. Prentice-Hall Inc., New Jersey.
Gujarati, D. 1988. Basic Econometrics. Second Edition. Mc. Graw-Hill Book

Company. New York.
Hanke, J. E., A. G. Reitsch, and D. W. Wichern. 2001. Business Forecasting.

Seventh Edition. Prentice-Hall, Inc. Upper Saddle River, New
Jersey.
Intriligator, M. D, 1978. Econometric Models, Techniques, and

Applications. Prenctice-Hall. Inc. Englewood Cliffs, New Jersey.
Intrilligator, M. D., R. G. Bodkin, and C. Hsiao, 1996. Econometric Models,

Techniques, and Applications. Second Edition. Prentice-Hall, Inc.
Upper Saddle River, New Jersey.
Koutsoyiannis, A. 1977. Theory of Econometrics: An Introductory

Exposition of Econometric Methods. Second Edition.The Macmillan
Press Ltd. London.
Daftar Pustaka
Levin, Richard I., D.S. Rubin, J.P. Stinson and E.S. Gardner. 1998.
Quantitative Approaches to Management. Seventh Edition.
Prentice Hall, Inc. A Simon & Schuster Company. New Jersey.
Lind, A. Douglas., William G. Marhal, and Robert D. Mason. 2001. Statistical

Techniques in Business & Economics. Eleventh Edition. McGraw-
Hill, Irwin, Inc. New York.
Maddala, G. S. 1992. Introduction to Econometrics. Second Edition.

Macmillan Publishing Company, New York.
Millier, P.S. and G.J. Liberman. 1980. Introduction to Operatios Research.

Third Edition. Holden-Day Inc., San Fransisco.
Neuman, W. Lawrence, 2003. Social Research Methods. Qualitative and

Quantitative Approaches. Fifth Edition. United States of America.
Pindyck, R. S., and D. L. Rubinfeld. 1991. Econometric Models and

Economic Forecasts. Third Edition. McGraw-Hill, Inc. Singapore.
Ravindran, A, D.T. Phillips and J.J. Solberg. 1987. Operations Research :

Principles and Practice. Second Edition. John Wiley and Sons, New
York.
SAS/STAT User’s Guide, Version 9.2. 2008. SAS Institute Inc. Cary, North
Carolina. USA.
Sinaga, M. Bonar dan Rasidin K. Sitepu. 2005. Technical Assistant:

Metodologi Penelitian. Program Hibah Kompetisi A-2. Jurusan
Sosial Ekonomi Pertanian. Fakultas Pertanian Universitas
Lampung. Bandar Lampung.
Sitepu, R. K. dan Bonar, M. Sinaga, 2006. Aplikasi Model Ekonometrika.

Estimasi, Simulasi dan Peramalan Menggunakan Program SAS.
Program Studi Ilmu Ekonomi Pertanian, Sekolah Pascasarjana. IPB.
Bogor.
Sudjana. 2005. Metoda Statistika Edisi ke-5. Penerbit Tarsito Bandung.

Bandung.
356
Ekonometrika Terapan Dengan SAS/ETS
Taha, Hamdy, A. 1997. Operation Research. An Introduction. International

Edition. Sixth Edition. Prentice-Hall, Inc. Upper Saddle River, New
Jersey.
Taylor III, B.W. 1993. Introduction to Management Science. Fourth

Edition. Allyn and Bacon, Boston.
Thomas, R. L. 1997. Modern Econometrics. An Introduction. Department

of Economics, Manchester Metropolitan University. Addision-
Wesley. Harlow, England.
Verbeek, M. 2000. A Guide to Modern Econometrics. John Wiley & Son, Ltd.
England.
Walpole, E. Ronald, 1995. Pengantar Statistika, Edisi Ke-3. Gramedia

Pustaka Utama. Jakarta.
Weiss, N., and M. Hassett, 1982. Introductory Statistics. Addison-Wesley

Publishing Company, Inc. Philippines.
357
Daftar Pustaka
Lampiran 1: Distribusi Tabel t
Prob 0.100 0.050 0.025 0.010 0.005

df 0.200 0.100 0.050 0.020 0.010
1 3.078 6.314 12.706 31.821 63.657

2 1.886 2.920 4.303 6.965 9.925
3 1.638 2.353 3.182 4.541 5.841
4 1.533 2.132 2.776 3.747 4.604
5 1.476 2.015 2.571 3.365 4.032
6 1.440 1.943 2.447 3.143 3.707
7 1.415 1.895 2.365 2.998 3.499
8 1.397 1.860 2.306 2.896 3.355
9 1.383 1.833 2.262 2.821 3.250
10 1.372 1.812 2.228 2.764 3.169
11 1.363 1.796 2.201 2.718 3.106
12 1.356 1.782 2.179 2.681 3.055
13 1.350 1.771 2.160 2.650 3.012
14 1.345 1.761 2.145 2.624 2.977
15 1.341 1.753 2.131 2.602 2.947
16 1.337 1.746 2.120 2.583 2.921
17 1.333 1.740 2.110 2.567 2.898
18 1.330 1.734 2.101 2.552 2.878
19 1.328 1.729 2.093 2.539 2.861
20 1.325 1.725 2.086 2.528 2.845
21 1.323 1.721 2.080 2.518 2.831
22 1.321 1.717 2.074 2.508 2.819
23 1.319 1.714 2.069 2.500 2.807
24 1.318 1.711 2.064 2.492 2.797
25 1.316 1.708 2.060 2.485 2.787
26 1.315 1.706 2.056 2.479 2.779
27 1.314 1.703 2.052 2.473 2.771
28 1.313 1.701 2.048 2.467 2.763
29 1.311 1.699 2.045 2.462 2.756
30 1.310 1.697 2.042 2.457 2.750
40 1.303 1.684 2.021 2.423 2.704
60 1.296 1.671 2.000 2.390 2.660
120 1.289 1.658 1.980 2.358 2.617
1000 1.282 1.646 1.962 2.330 2.581
2000 1.282 1.646 1.961 2.328 2.578
 1.282 1.645 1.960 2.260 2.576
358
Ekonometrika Terapan Dengan SAS/ETS
Lampiran 2: Tabel z di Berbagai Tingkat Signifikansi
Z 0.010 0.015 0.025 0.035 0.045 0.055 0.060 0.065 0.070 0.075
0.0 0.5040 0.5060 0.5100 0.5140 0.5179 0.5219 0.5239 0.5259 0.5279 0.5299
0.1 0.5438 0.5458 0.5497 0.5537 0.5576 0.5616 0.5636 0.5655 0.5675 0.5695
0.2 0.5832 0.5851 0.5890 0.5929 0.5968 0.6006 0.6026 0.6045 0.6064 0.6083
0.3 0.6217 0.6236 0.6274 0.6312 0.6350 0.6387 0.6406 0.6424 0.6443 0.6462
0.4 0.6591 0.6609 0.6646 0.6682 0.6718 0.6754 0.6772 0.6790 0.6808 0.6826
0.5 0.6950 0.6967 0.7002 0.7037 0.7071 0.7106 0.7123 0.7140 0.7157 0.7174
0.6 0.7291 0.7307 0.7340 0.7373 0.7405 0.7438 0.7454 0.7470 0.7486 0.7502
0.7 0.7611 0.7627 0.7658 0.7688 0.7719 0.7749 0.7764 0.7779 0.7794 0.7808
0.8 0.7910 0.7925 0.7953 0.7981 0.8009 0.8037 0.8051 0.8065 0.8078 0.8092
0.9 0.8186 0.8199 0.8225 0.8251 0.8277 0.8302 0.8315 0.8327 0.8340 0.8352
1.0 0.8438 0.8449 0.8473 0.8497 0.8520 0.8543 0.8554 0.8566 0.8577 0.8588
1.1 0.8665 0.8676 0.8697 0.8718 0.8739 0.8760 0.8770 0.8780 0.8790 0.8800
1.2 0.8869 0.8878 0.8897 0.8916 0.8934 0.8953 0.8962 0.8971 0.8980 0.8988
1.3 0.9049 0.9057 0.9074 0.9091 0.9107 0.9123 0.9131 0.9139 0.9147 0.9154
1.4 0.9207 0.9215 0.9229 0.9244 0.9258 0.9272 0.9279 0.9285 0.9292 0.9299
1.5 0.9345 0.9351 0.9364 0.9376 0.9388 0.9400 0.9406 0.9412 0.9418 0.9424
1.6 0.9463 0.9468 0.9479 0.9490 0.9500 0.9510 0.9515 0.9520 0.9525 0.9530
1.7 0.9564 0.9568 0.9577 0.9586 0.9595 0.9604 0.9608 0.9612 0.9616 0.9621
1.8 0.9649 0.9652 0.9660 0.9667 0.9675 0.9682 0.9686 0.9689 0.9693 0.9696
1.9 0.9719 0.9723 0.9729 0.9735 0.9741 0.9747 0.9750 0.9753 0.9756 0.9759
2.0 0.9778 0.9780 0.9786 0.9791 0.9796 0.9801 0.9803 0.9805 0.9808 0.9810
2.1 0.9826 0.9828 0.9832 0.9836 0.9840 0.9844 0.9846 0.9848 0.9850 0.9852
2.2 0.9864 0.9866 0.9870 0.9873 0.9876 0.9879 0.9881 0.9882 0.9884 0.9885
2.3 0.9896 0.9897 0.9900 0.9902 0.9905 0.9907 0.9909 0.9910 0.9911 0.9912
2.4 0.9920 0.9921 0.9923 0.9926 0.9928 0.9930 0.9931 0.9931 0.9932 0.9933
2.5 0.9940 0.9940 0.9942 0.9944 0.9945 0.9947 0.9948 0.9948 0.9949 0.9950
2.6 0.9955 0.9955 0.9957 0.9958 0.9959 0.9960 0.9961 0.9962 0.9962 0.9963
2.7 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9971 0.9972 0.9972 0.9972
2.8 0.9975 0.9976 0.9976 0.9977 0.9978 0.9978 0.9979 0.9979 0.9979 0.9980
2.9 0.9982 0.9982 0.9983 0.9983 0.9984 0.9984 0.9985 0.9985 0.9985 0.9985
3.0 0.9987 0.9987 0.9988 0.9988 0.9988 0.9989 0.9989 0.9989 0.9989 0.9989
359
Daftar Pustaka
Lampiran 3: Distribusi Tabel 2
Prob 0.5 0.25 0.100 0.050 0.025 0.010 0.005

df
1 0.455 1.323 2.706 3.841 5.024 6.635 7.879
2 1.386 2.773 4.605 5.991 7.378 9.210 10.597
3 2.366 4.108 6.251 7.815 9.348 11.345 12.838
4 3.357 5.385 7.779 9.488 11.143 13.277 14.860
5 4.351 6.626 9.236 11.070 12.833 15.086 16.750
6 5.348 7.841 10.645 12.592 14.449 16.812 18.548
7 6.346 9.037 12.017 14.067 16.013 18.475 20.278
8 7.344 10.219 13.362 15.507 17.535 20.090 21.955
9 8.343 11.389 14.684 16.919 19.023 21.666 23.589
10 9.342 12.549 15.987 18.307 20.483 23.209 25.188
11 10.341 13.701 17.275 19.675 21.920 24.725 26.757
12 11.340 14.845 18.549 21.026 23.337 26.217 28.300
13 12.340 15.984 19.812 22.362 24.736 27.688 29.819
14 13.339 17.117 21.064 23.685 26.119 29.141 31.319
15 14.339 18.245 22.307 24.996 27.488 30.578 32.801
16 15.338 19.369 23.542 26.296 28.845 32.000 34.267
17 16.338 20.489 24.769 27.587 30.191 33.409 35.718
18 17.338 21.605 25.989 28.869 31.526 34.805 37.156
19 18.338 22.718 27.204 30.144 32.852 36.191 38.582
20 19.337 23.828 28.412 31.410 34.170 37.566 39.997
21 20.337 24.935 29.615 32.671 35.479 38.932 41.401
22 21.337 26.039 30.813 33.924 36.781 40.289 42.796
23 22.337 27.141 32.007 35.172 38.076 41.638 44.181
24 23.337 28.241 33.196 36.415 39.364 42.980 45.559
25 24.337 29.339 34.382 37.652 40.646 44.314 46.928
26 25.336 30.435 35.563 38.885 41.923 45.642 48.290
27 26.336 31.528 36.741 40.113 43.195 46.963 49.645
28 27.336 32.620 37.916 41.337 44.461 48.278 50.993
29 28.336 33.711 39.087 42.557 45.722 49.588 52.336
30 29.336 34.800 40.256 43.773 46.979 50.892 53.672
31 30.336 35.887 41.422 44.985 48.232 52.191 55.003
32 31.336 36.973 42.585 46.194 49.480 53.486 56.328
33 32.336 38.058 43.745 47.400 50.725 54.776 57.648
34 33.336 39.141 44.903 48.602 51.966 56.061 58.964
35 34.336 40.223 46.059 49.802 53.203 57.342 60.275
360

Metode Kuantitatif

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Metode Kuantitatif

Diunggah oleh

Hak Cipta:

Format Tersedia

KATA PENGANTAR

Secara umum, kebanyakan mahasiswa menganggap bahwa metode

Bogor, Januari 2019

Rasidin Karo‐Karo Sitepu

BAB I. METODE DAN PENDEKATAN KUANTITATIF …………. 1

BAB II. DATA PENELITIAN ....................................................................... 17

BAB III. STATISTIK DESKRIPTIF ......................................................... 25

3.5.1. Jarak (Range) ......................................................... 41

BAB IV. PELUANG DAN DISTRIBUSI PELUANG .............................. 53

BAB V. PENGUJIAN HIPOTESIS ............................................................. 65

BAB VI. KORELASI DAN REGRESI ....................................................... 87

BAB VII. METODE PERAMALAN ............................................................ 127

7.3. Metode Trend Linier ....................................................... 135

BAB VIII. LINIER PROGRAMMING: METODE GRAFIK …..………… 173

8.5.1. Fungsi Tujuan ……………………………………….. 195

BAB IX. METODE SIMPLEKS ………………………………………………. 211

BAB X. SENSITIVITY DAN DUALITY …………………………………. 235

BAB XI. TRANSPORTASI ……………….…………………..……………… 263

BAB XII. PENUGASAN …………….……………….………….……………… 297

BAB XIII. MODEL JARINGAN ………………..………….…………………… 313

13.5. Maximal Flow ……………………………………………….. 325

BAB XIV. PERT / CPM ………………..………….……………………..……… 335

DAFTAR PUSTAKA …………………………………………………………………. 355

LAMPIRAN ………………………………………………..………………………….. 358

1. Distribusi Tabel t ………………………………………………..………. 358

perencanaan dan pengambilan keputusan. Oleh karena itu, para peneliti

1.2. Model Kuantitatif

1.3. Metode Kuantitatif

metode optimisasi dan non-optimisasi. Metode positif adalah metode

Simulasi adalah suatu pendekatan untuk mengetahui arah (sign)

1.4. Pendekatan Kuantitatif

Nature of the Problems

Teori dan Fakta Teori Kuantitatif

Model Kuantitatif Data Metode/Teknik

Estimasi (ekonometrika)/Solusi (Riset Operasi)

Aplikasi Model (Hasil Estimasi-Solusi)

Analisis Struktural Peramalan Evaluasi Kebijkan

Gambar 1.1. Pendekatan Kuantitatif

Teknik kuantitatif adalah teknik-teknik estimasi/solusi yang

Teknik-teknik estimasi adalah untuk model-model ekonometrika,

1.5. Tahapan Pendekatan Kuantitatif

4 Metode: Estimasi (OLS, 2SLS, 3SLS, dll)

Gambar 1.2. Tahapan Pendekatan Kuantitatif

Tahap berikutnya adalah pendekatan modeling. Dalam pendekatan

model estimasi atau solusi diaplikasikan untuk tujuan analisis struktural,

1.6. Model dan Teknik Estimasi/Solusi

1.6.1. Model dan Teknik Ekonometrika

Sebagai contoh, jika permasalahannya adalah ingin mengetahui

qs   0  1Pt   2 Pp   3 I c   .................................................... (1.1)

Tanda parameter estimasi yang diharapkan (hipotesis) untuk persamaan

Tanda paremeter estimasi yang diharapkan adalah (hipotesis):

a1, a2, a4, a5 > 0 ; a2, a3 < 0.

Persamaan (1.2), (1.3) dan (1.5) disebut sebagai persamaan

tanda persamaan untuk masing-masing persamaan perilaku disebut

1.6.2. Model dan Teknik Riset Operasi

z = nilai skalar kriteria pengambilan keputusan; fungsi tujuan ( berupa

Data adalah suatu nilai dari suatu variabel yang dikumpulkan

Variabel merupakan karakteristik dari atribut yang sedang

Secara keseluruhan data dapat dikelompokkan berdasarkan pada

2.2. Jenis Data

Berdasarkan jenisnya, data dapat dikelompokkan ke dalam dua

2.3. Skala Pengukuran Data

2.4. Waktu dan Sumber Data

Dilihat berdasarkan sumbernya, data dapat dikelompokkan