Halaman
ii
Metode Kuantitatif untuk Manajemen
iii
Daftar Isi
iv
Metode Kuantitatif untuk Manajemen
v
Daftar Isi
vi
Metode Kuantitatif untuk Manajemen
vii
Daftar Isi
DAFTAR LAMPIRAN
No Halaman
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
2
Metode Kuantitatif Kuantitatif untuk Manajemen
3
Bab 1. Pendahuluan
4
Metode Kuantitatif Kuantitatif untuk Manajemen
5
Bab 1. Pendahuluan
Model Data
6
Metode Kuantitatif Kuantitatif untuk Manajemen
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.
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
8
Metode Kuantitatif Kuantitatif untuk Manajemen
9
Bab 1. Pendahuluan
10
Metode Kuantitatif Kuantitatif untuk Manajemen
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)
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.
12
Metode Kuantitatif Kuantitatif untuk Manajemen
13
Bab 1. Pendahuluan
dengan syarat/kendala:
n
a
j 1
ij xij atau bi untuk i = 1, 2, 3, …, m
dan
xij 0
14
Metode Kuantitatif Kuantitatif untuk Manajemen
dimana :
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.
18
Metode Kuantitatif untuk Manajemen
19
Bab 2. Data Penelitian
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.
20
Metode Kuantitatif untuk Manajemen
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
Tabel 2.3. Peringkat, Jumlah Hari dan Jumlah Prosedur dalam Membuka
Suatu Usaha Baru di Indonesia
21
Bab 2. Data Penelitian
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.
22
Metode Kuantitatif untuk Manajemen
Nominal
Kualitatif
Ordinal
Skala Jenis
Interval
Kuantitatif
Rasio
Cross-Section
Panel
Internal
External
Sumber
Primer
Sekunder
23
Bab 2. Data Penelitian
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
26
Metode Kuantitatif untuk Manajemen
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%.
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
Bab 3. Statistik Deskriptif
180
160
140
120
100
80
60
40
20
0
Pasca Univ SMA Total
28
Metode Kuantitatif untuk Manajemen
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
Bab 3. Statistik Deskriptif
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.
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.
30
Metode Kuantitatif untuk Manajemen
31
Bab 3. Statistik Deskriptif
32
Metode Kuantitatif untuk Manajemen
33
Bab 3. Statistik Deskriptif
14
12
10
34
Metode Kuantitatif untuk Manajemen
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
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
Bab 3. Statistik Deskriptif
No 1 2 3 4 5 Total
Nilai 82 70 65 26 82 325
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
Metode Kuantitatif untuk Manajemen
No 1 2 3 4 5
Nilai 25 65 70 82 82
37
Bab 3. Statistik Deskriptif
No 1 2 3 4 5 6
Nilai 25 65 70 72 82 82
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
No 1 2 3 4 5 6
Nilai 82 70 65 26 82 72
38
Metode Kuantitatif untuk Manajemen
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.
39
Bab 3. Statistik Deskriptif
40
Metode Kuantitatif untuk Manajemen
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
Bab 3. Statistik Deskriptif
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.
42
Metode Kuantitatif untuk Manajemen
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.
43
Bab 3. Statistik Deskriptif
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
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:
nn 1 n
xi x
4
3n 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
Metode Kuantitatif untuk Manajemen
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:
x i x 2 1038.25
s
2
94.3864 dan s 94.3864 1.04847
n 1 12 1
45
Bab 3. Statistik Deskriptif
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)
nn 1 n
xi x
4
3n 1
2
Kurt
1 2 3
2 3
=
n n n i 1 s n n
Kurtosis
1213 3112 1.04847
* 32.2499 0.157 * 32.2499 4.033
11 10 9 10 9
46
Metode Kuantitatif untuk Manajemen
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. 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
Bab 3. Statistik Deskriptif
48
Metode Kuantitatif untuk Manajemen
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:
49
Bab 3. Statistik Deskriptif
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
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
Metode Kuantitatif untuk Manajemen
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.
51
Bab 3. Statistik Deskriptif
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
54
Metode Kuantitatif untuk Manajemen
55
Bab 4. Peluang dan Distribusi Peluang
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
𝑃 𝐵|𝑀 = sedangkan
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:
56
Metode Kuantitatif untuk Manajemen
57
Bab 4. Peluang dan Distribusi Peluang
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
Metode Kuantitatif untuk Manajemen
𝑓 𝑥 𝑑𝑥 1
59
Bab 4. Peluang dan Distribusi Peluang
1 /
𝑃 𝑎 𝑥 𝑏 𝑒 𝑑𝑥
𝜎√2𝜋
1
𝑛 𝑥; 𝜇, 𝜎 𝑒
𝜕√2𝜋
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
60
Metode Kuantitatif untuk Manajemen
61
Bab 4. Peluang dan Distribusi Peluang
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
Dari hasil diatas dapat ditarik disimpulkan bahwa peluang berat badan
antara 45 dan 62 adalah sebesar 57.64%.
62
Metode Kuantitatif untuk Manajemen
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
63
Bab 4. Peluang dan Distribusi Peluang
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:
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
66
Metode Kuantitatif untuk Manajemen
67
Bab 5. Pengujian Hipotesis
Wilayah H1 Wilayah H1
Wilayah H0
2 2
‐d 0 d
Gambar 4.1. Pengujian Hipotesis Dua Arah (two tail)
68
Metode Kuantitatif untuk Manajemen
Wilayah H 0
d
Gambar 3.2. Pengujian Hipotesis Satu Arah Kanan
Wilayah H1
Wilayah H 0
-d
Gambar 3.3. Pengujian Hipotesis Satu Arah Kiri
69
Bab 5. Pengujian Hipotesis
H0: = 10
H1 : 10 atau
H1: > 10 atau
H1: < 10 ;
H0: = 10
H1: < 10
70
Metode Kuantitatif untuk Manajemen
H0 : = 0
H0 : ≠ 0
71
Bab 5. Pengujian Hipotesis
x 0
z
/ n
Dari informasi diatas diketahui bahwa n = 64, s = 1.15 gr x 9.75 gr
Wilayah H1 Wilayah H0
- 1.739 - 1.645
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
Metode Kuantitatif untuk Manajemen
d d
2 t > t/2
sd
i
n 1
73
Bab 5. Pengujian Hipotesis
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
Metode Kuantitatif untuk Manajemen
0 4.303 6.9
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
Bab 5. Pengujian Hipotesis
H0 : 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
Metode Kuantitatif untuk Manajemen
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
77
Bab 5. Pengujian Hipotesis
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
78
Metode Kuantitatif untuk Manajemen
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
p1 p 2
z
pq 1 n1 1 n2
79
Bab 5. Pengujian Hipotesis
x1 x 2
p dan q = 1 - p
n1 n 2
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
Metode Kuantitatif untuk Manajemen
81
Bab 5. Pengujian Hipotesis
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
Metode Kuantitatif untuk Manajemen
Setelah mengisi semua pilihan yang sesuai, maka Klik tombol OK,
hasilnya akan terlihat seperti berikut ini:
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
Bab 5. Pengujian Hipotesis
84
Metode Kuantitatif untuk Manajemen
5.7. Latihan 5
85
Bab 5. Pengujian Hipotesis
Perusahaan A 300 360 400 260 280 240 320 340 200
Perusahaan B 200 140 100 150 250 300 360 280 240
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.
88
Metode Kuantitatif untuk Manajemen
rxy
xi y i ........................................................... (6.1)
xi2 yi2
dimana:
xi X i X
y i Yi Y
n XY X Y
rxy ......................... (6.2)
n X 2 X n Y 2 Y
2 2
89
Bab 6. Korelasi dan Regresi
tentukan nilai koefisien korelasi antara jumlah yang ditawarkan (Y) dengan
harga (X). Contoh data ini dikutip dari Koutsoyiannis, 1977 Hal: 39.
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
90
Metode Kuantitatif untuk Manajemen
6 D 2
r 1 ...................................................................... (6.3)
n n2 1
dimana:
91
Bab 6. Korelasi dan Regresi
92
Metode Kuantitatif untuk Manajemen
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
93
Bab 6. Korelasi dan Regresi
Y = 0 + 1 X .................................................................................. (6.4)
94
Metode Kuantitatif untuk Manajemen
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)
Y = 0 + 1 X + ......................................................................... (6.5)
Y Yˆ ........................................................................... (6.6)
Y = Yˆ + ( Y - Yˆ ) ........................................................ (6.7)
dimana:
Y = titik-titik data hasil pengamatan
Yˆ = titik-titik data hasil estimasi
95
Bab 6. Korelasi dan Regresi
SSE Y Yˆ Y
2
0 1 X
2
……………..……… (6.8)
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
Metode Kuantitatif untuk Manajemen
Yt = 0 + 1 Xt + ............................................................. (6.11)
97
Bab 6. Korelasi dan Regresi
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
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
Metode Kuantitatif untuk Manajemen
Yˆ 32.135 14.538 X
99
Bab 6. Korelasi dan Regresi
Y Yˆ
2
Se ........................................................................... (6.12)
n2
atau
Se
Y 2
0 Y 1 XY
.............................................. (6.13)
n2
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)
n2 n2
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%.
Y = Ŷ + ( Y - Yˆ )
Y
ˆ0 ˆ1 X Y ˆ 0 ˆ1 X ............ (6.15)
100
Metode Kuantitatif untuk Manajemen
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
df (SSR) = 1
df (SSE) = n – 2
df (SST) = n – 1
101
Bab 6. Korelasi dan Regresi
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
n2 n2
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.
102
Metode Kuantitatif untuk Manajemen
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
Y Yˆ
2
SSE
r 2 1 n 2 1 n2 …………………… (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
Bab 6. Korelasi dan Regresi
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
104
Metode Kuantitatif untuk Manajemen
Yˆ 32.135 14.538 X
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
Bab 6. Korelasi dan Regresi
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
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:
106
Metode Kuantitatif untuk Manajemen
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:
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
Bab 6. Korelasi dan Regresi
MSR 174.175
F 23.448
MSE 7.428
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:
108
Metode Kuantitatif untuk Manajemen
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.
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
dY X
p ………………………………………………… (6.29)
dX Y
dimana:
p = elastisitas harga
Y = jumlah yang diminta
X = harga
109
Bab 6. Korelasi dan Regresi
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
X 1.44
p ˆ1 14.53 1.869
Y 11.2
110
Metode Kuantitatif untuk Manajemen
111
Bab 6. Korelasi dan Regresi
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)
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
Metode Kuantitatif untuk Manajemen
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:
Klik Data + Klik Data Analysis, kotak dialog pada Gambar 5.1. mucul
113
Bab 6. Korelasi dan Regresi
114
Metode Kuantitatif untuk Manajemen
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
115
Bab 6. Korelasi dan Regresi
116
Metode Kuantitatif untuk Manajemen
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
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
117
Bab 6. Korelasi dan Regresi
Y Y Yˆ Y Y Yˆ
2 2 2
……………………… (6.37)
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.
118
Metode Kuantitatif untuk Manajemen
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.
119
Bab 6. Korelasi dan Regresi
MSR
F .............................................................................. (6.39)
MSE
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
Metode Kuantitatif untuk Manajemen
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.
121
Bab 6. Korelasi dan Regresi
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)
R2 n k 1
F ……………………………………….. (6.43)
1 R2 k
SSE 15.901
R2 1 1 0.9319
SST 233.60
122
Metode Kuantitatif untuk Manajemen
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
123
Bab 6. Korelasi dan Regresi
X1 = 0.0071 dan
X2 = 0.0032.
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
Metode Kuantitatif untuk Manajemen
125
Bab 6. Korelasi dan Regresi
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.
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.
128
Metode Kuantitatif untuk Manajemen
17 21 19
MA(3) yˆ 31 19 unit
3
12 29 23
MA(3) yˆ 41 21 unit
3
Dan untuk proyeksi data permintaan Susu bulan ke 13 (Y13) adalah
sebagai berikut:
22 15 20
MA(3) yˆ121 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.
129
Bab 7. Peramalan
F2 = Y1 + (1 - ) F1
= Y1 + (1 - ) F1
= Y1
F3 = Y2 + (1 - ) F2
= Y2 + (1 - ) Y1
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
Metode Kuantitatif untuk Manajemen
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:
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
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:
132
Metode Kuantitatif untuk Manajemen
4. Pilih Moving Average + Klik OK, maka kotak dialog berikutnya akan
muncul seperti Gambar 7.2
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
134
Metode Kuantitatif untuk Manajemen
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.
Y = 0 + 1 T + ......................................................................... (7.6)
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
135
Bab 7. Peramalan
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).
ˆ1
n tYt t Yt
t t Y Y 93.00 1.127
t
n t t t t
2 2
2 82.50
136
Metode Kuantitatif untuk Manajemen
Yˆ 5.0 1.127 t
Yˆ 5.0 1.127 t
Yˆ11 5.0 1.127 (11)
17.40
137
Bab 7. Peramalan
138
Metode Kuantitatif untuk Manajemen
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:
dimana:
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).
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.
140
Metode Kuantitatif untuk Manajemen
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:
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.
Yt = 0 + 1 Yt – 1 + 2 Yt – 2 + …... + p Yt – p + t - 1 t ‐ 1
‐ 2 t – 2 ‐ …….. - q t – q ……………….……… (7.14)
141
Bab 7. Peramalan
142
Metode Kuantitatif untuk Manajemen
143
Bab 7. Peramalan
nk
(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:
144
Metode Kuantitatif untuk Manajemen
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
Nilai Standard Error (SE) koefisien autokorelasi parsial untuk time lag
k=1,2,3,... dinyatakan dengan rumus :
1
SE (rkk ) ………………………………………………………..…….. (7.21)
n
145
Bab 7. Peramalan
146
Metode Kuantitatif untuk Manajemen
s
Q T rk2 .............................................................................................. (7.24)
k 1
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:
148
Metode Kuantitatif untuk Manajemen
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.
149
Bab 7. Peramalan
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
150
Metode Kuantitatif untuk Manajemen
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
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
Metode Kuantitatif untuk Manajemen
153
Bab 7. Peramalan
Output 7.2
154
Metode Kuantitatif untuk Manajemen
Output 7.3
Correlations of Parameter
Estimates
Parameter MU AR1,1
MU 1.000 0.001
AR1,1 0.001 1.000
155
Bab 7. Peramalan
Interpretasi
Hasil estimasi ringkasan model ARIMA(1,0,0) atau sama dengan
menulis AR(1), model yang sesuai untuk Output 7.3 adalah:
156
Metode Kuantitatif untuk Manajemen
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:
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
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
Metode Kuantitatif untuk Manajemen
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
160
Metode Kuantitatif untuk Manajemen
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
162
Metode Kuantitatif untuk Manajemen
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.
163
Bab 7. Peramalan
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
Metode Kuantitatif untuk Manajemen
165
Bab 7. Peramalan
Output 7.6
Name of Variable = Indeks
Mean of Working Series 244.1762
Standard Deviation 19.17095
Number of Observations 65
166
Metode Kuantitatif untuk Manajemen
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:
Output 7.7.
168
Metode Kuantitatif untuk Manajemen
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:
Output 7.8
ARMA(p+d,q) Tentative Order Selection Tests
SCAN
p+d q
1 0
0 1
170
Metode Kuantitatif untuk Manajemen
7.8. Latihan 7
171
Bab 7. Peramalan
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
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
Metode Kuantitatif untuk Manajemen
Tabel 8.1.
Data dalam Model Linier Programming
. . . . ……….. . .
. . . . ……….. . .
m am1 am2 am3 ……….. anm bi
z c1 c2 c3 ……….. cn
Variables Kuputusan
x1 x2 x3 ……….. xn
(aktivitas)
175
Bab 8. Linier Programming: Metode Grafik
Syarat:
x1 , x 2 , x3 , x n 0
8.3. Asumsi
176
Metode Kuantitatif untuk Manajemen
177
Bab 8. Linier Programming: Metode Grafik
Tabel 8.2
Kefisien Teknologi (Input-Output) dan Ketersediaan Sumberdaya
178
Metode Kuantitatif untuk Manajemen
179
Bab 8. Linier Programming: Metode Grafik
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
3 x1 1x 2 30
180
Metode Kuantitatif untuk Manajemen
x1 0 dan x2 0
x1 , x 2 0
181
Bab 8. Linier Programming: Metode Grafik
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
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
Metode Kuantitatif untuk Manajemen
x2
30
20
25
10
x1
0
5 10 15 20 25 30
183
Bab 8. Linier Programming: Metode Grafik
3x1 2 x 2 36
30 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 20 36
36
x1 12 titik x1 , x 2 ditulis menjadi 12, 0 ,
3
x2
30
20 (20, 20)
(0,18)
25
10
(12,0)
5 (5,5)
x1
0
5 10 15 20 25 30
184
Metode Kuantitatif untuk Manajemen
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:
185
Bab 8. Linier Programming: Metode Grafik
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
186
Metode Kuantitatif untuk Manajemen
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
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:
187
Bab 8. Linier Programming: Metode Grafik
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
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:
188
Metode Kuantitatif untuk Manajemen
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.
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
Bab 8. Linier Programming: Metode Grafik
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
Number of Constraint =3
Number of Varibles =2
Objective = Maximize
190
Metode Kuantitatif untuk Manajemen
191
Bab 8. Linier Programming: Metode Grafik
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:
192
Metode Kuantitatif untuk Manajemen
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
193
Bab 8. Linier Programming: Metode Grafik
Contoh Kasus:
194
Metode Kuantitatif untuk Manajemen
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:
195
Bab 8. Linier Programming: Metode Grafik
Minimumkan z $ 1x1 $ 2 x 2
196
Metode Kuantitatif untuk Manajemen
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
1x1 6 x 2 15
x1 0 dan x2 0
197
Bab 8. Linier Programming: Metode Grafik
z $ 1x1 $ 2 x 2
Kendala:
Kalsium 1x1 1x 2 10
Protein 3 x1 1x 2 15
Kalori 1x1 6 x 2 15
198
Metode Kuantitatif untuk Manajemen
x2
20
15
x1
0
5 10 15 20
1x1 1x 2 10
10 1x 2 10
10
x2 110 titik x1 , x 2 ditulis menjadi 0, 10 ,
1
Kemudian ditetapkan x 2 0 , maka
1x1 10 10
10
x1 10 titik x1 , x 2 ditulis menjadi 10, 0 ,
1
199
Bab 8. Linier Programming: Metode Grafik
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
200
Metode Kuantitatif untuk Manajemen
x2
20
Feasible Area
201
Bab 8. Linier Programming: Metode Grafik
z 1 x1 2 x 2
1(0) 2(15)
30
1x1 1x 2 10
3 x1 1x 2 15
2 x1 5
x1 2.5
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
Metode Kuantitatif untuk Manajemen
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
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
Bab 8. Linier Programming: Metode Grafik
C (1, 9) z 1 x1 2 x 2
z 1 (9) 2 (1)
z 11
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:
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
204
Metode Kuantitatif untuk Manajemen
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
205
Bab 8. Linier Programming: Metode Grafik
Number of Constraint =3
Number of Varibles =2
Objective = Minimize
206
Metode Kuantitatif untuk Manajemen
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:
207
Bab 8. Linier Programming: Metode Grafik
Klik Menu Window + Klik 6 Graph, sehingga hasilnya Grafik akan tampil
seperti pada Gambar 8.17 berikut:
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
Metode Kuantitatif untuk Manajemen
209
Bab 8. Linier Programming: Metode Grafik
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
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.
212
Metode Kuantitatif untuk Manajemen
213
Bab 9. Metode Simpleks
Max z 25 x1 30 x 2 35 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
Metode Kuantitatif untuk Manajemen
3 x1 2 x 2 1x3 30
x3 50
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
215
Bab 9. Metode Simpleks
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
216
Metode Kuantitatif untuk Manajemen
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
217
Bab 9. Metode Simpleks
218
Metode Kuantitatif untuk Manajemen
Cj
25 30 35 0 0 0 0 Harga
X1 X2 X3 S1 S2 S3 S4 Label Variabel Keputusan
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
219
Bab 9. Metode Simpleks
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
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
220
Metode Kuantitatif untuk Manajemen
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
221
Bab 9. Metode Simpleks
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:
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)
222
Metode Kuantitatif untuk Manajemen
Menggunakan formula di atas dan dengan data Tabel 9.4 kita akan
memperoleh hasil sebagai berikut:
223
Bab 9. Metode Simpleks
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.
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 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
Metode Kuantitatif untuk Manajemen
Cj
25 30 35 0 0 0 0 Rasio
Cb Basis Jumlah X1 X2 X3 S1 S2 S3 S4
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
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
225
Bab 9. Metode Simpleks
226
Metode Kuantitatif untuk Manajemen
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
Bab 9. Metode Simpleks
X1 = 6. 4
X2 =0
X3 = 10.8
z 25 x1 30 x 2 35 x3
25(6.4) 30(0) 35(10.8)
z 538
X1 =0
X2 = -8
X3 = 0.
228
Metode Kuantitatif untuk Manajemen
z 25 x1 30 x 2 35 x3
25(6.4) 30(8) 35(10.8)
z 298
Perubahan z = 538 – 298
= 240
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
Bab 9. Metode Simpleks
230
Metode Kuantitatif untuk Manajemen
231
Bab 9. Metode Simpleks
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
Metode Kuantitatif untuk Manajemen
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
Bab 9. Metode Simpleks
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
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
Syarat Non-negative: variabel keputusan (Decision variables)
x1 , x 2 , x3 0
236
Metode Kuantitatif untuk Manajemen
237
Bab 10. Sensitivity dan Duality
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:
35 0.8
0 1.4
x 30 0
25 0.4
0 0.8
238
Metode Kuantitatif untuk Manajemen
35 0.2
0 0.4
x 0 0
25 0.4
0 0.2
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
Bab 10. Sensitivity dan Duality
- 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:
Dalam kasus kita koefisien (harga) dari produk Eskrim adalah 25,
sehingga range optimal untuk:
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
Metode Kuantitatif untuk Manajemen
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:
241
Bab 10. Sensitivity dan Duality
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
242
Metode Kuantitatif untuk Manajemen
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:
Dalam kasus kita koefisien (harga) untuk produk Puding adalah 35,
sehingga range batas bawah dan batas atas adalah:
243
Bab 10. Sensitivity dan Duality
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:
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
244
Metode Kuantitatif untuk Manajemen
245
Bab 10. Sensitivity dan Duality
246
Metode Kuantitatif untuk Manajemen
z 100 x1 30 x 2 35 x3
100(6.4) 30(0) 35(10.8)
640 0 278
z 1018
247
Bab 10. Sensitivity dan Duality
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:
248
Metode Kuantitatif untuk Manajemen
border border
-18.00
7.00 = 65.33
32.00 = 32.00
65.33 = 7.00
- 18 0 7 32 65.33
- 18 7,
Karena nilai awal kendala sumberdaya Gula Pasir adalah 28, maka batas
bawah dan batas atas perubahan adalah:
249
Bab 10. Sensitivity dan Duality
- 5.6 Infinity
Karena nilai awal kendala sumberdaya Susu Segar adalah 40, maka batas
bawah dan batas atas perubahan adalah:
250
Metode Kuantitatif untuk Manajemen
border border
infinity
- 5.6
infinity
infinity
- 5.6 0 Infinity
251
Bab 10. Sensitivity dan Duality
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
Batas bawah = 30 – 16 = 14
Batas atas = 30 + 14 = 44
252
Metode Kuantitatif untuk Manajemen
border border
infinity
infinity
infinity
-39.2
- 39.2 0 Infinity
253
Bab 10. Sensitivity dan Duality
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
10.3. Duality
254
Metode Kuantitatif untuk Manajemen
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
Syarat Non-negative: variabel keputusan (Decision variables)
x1 , x 2 , x3 0
255
Bab 10. Sensitivity dan Duality
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
256
Metode Kuantitatif untuk Manajemen
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
257
Bab 10. Sensitivity dan Duality
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:
258
Metode Kuantitatif untuk Manajemen
Number of Constraint =3
Number of Variables =4
Objective = Manimize
5. Kemudian, Klik tombol OK, maka kotak dialog 10.7. akan muncul.
259
Bab 10. Sensitivity dan Duality
6. Lakukan perubahan dan entri data yang sesuai dengan kolom dan
baris.
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
Metode Kuantitatif untuk Manajemen
261
Bab 10. Sensitivity dan Duality
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
264
Kapita Selekta Metode Kuantitatif
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
265
Bab 11. T r a n s p o r t a s i
266
Kapita Selekta Metode Kuantitatif
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:
267
Bab 11. T r a n s p o r t a s i
Permintaan
Sumber Penawaran
Jaktim Jaksel Jakbar Jakut
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
Tabel 11.6. Aliran dan Biaya Pengiriman dengan Metode Minimum Cost
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
Kapita Selekta Metode Kuantitatif
Tabel 11.7. Selisih dari Dua Nilai Terkecil di Sepanjang Baris dan Kolom
Permintaan
Sumber Selisih
Jaktim Jaksel Jakbar Jakut
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
Bab 11. T r a n s p o r t a s i
Permintaan
Sumber Selisih
Jaktim Jaksel Jakbar Jakut
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
Permintaan
Sumber Selisih
Jaktim Jaksel Jakbar Jakut
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
270
Kapita Selekta Metode Kuantitatif
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.
Permintaan
Sumber Selisih
Jaktim Jaksel Jakbar Jakut
Bogor 3 2
0
1000 4000
Bekasi 7 2 3
0
2500 2000 1500
Bandung 2
0
2500
Demand 0 0 0 0
271
Bab 11. T r a n s p o r t a s i
Dari Tabel 11.11. tersebut, dapat diketahui bahwa aliran barang harga dan
biaya dirangkum pada Tabel 11.12 berikut.
272
Kapita Selekta Metode Kuantitatif
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 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.
Permintaan
Sumber Penawaran
Jaktim Jaksel Jakbar Jakut
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
Bab 11. T r a n s p o r t a s i
274
Kapita Selekta Metode Kuantitatif
Permintaan
Sumber Penawaran
Jaktim Jaksel Jakbar Jakut
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
Jaktim Jaksel Jakbar Jakut
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
Bab 11. T r a n s p o r t a s i
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.
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
Kapita Selekta Metode Kuantitatif
u1 = 0
277
Bab 11. T r a n s p o r t a s i
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
Kapita Selekta Metode Kuantitatif
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:
279
Bab 11. T r a n s p o r t a s i
280
Kapita Selekta Metode Kuantitatif
7 5 2 3
- +
u2 = 4 2500 2000 1500
2 5 4 5
u3 = ‐1 2500
281
Bab 11. T r a n s p o r t a s i
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
282
Kapita Selekta Metode Kuantitatif
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:
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
Bab 11. T r a n s p o r t a s i
Number of Source =3
Number of Destination = 4
Objective = Minimize
284
Kapita Selekta Metode Kuantitatif
5. Setalah data diinput di setiap baris dan kolom dengan nilai-nilai data
PT. RINAWA, maka akan terlihat seperti Gambar 11.4 berikut:
285
Bab 11. T r a n s p o r t a s i
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.
286
Kapita Selekta Metode Kuantitatif
287
Bab 11. T r a n s p o r t a s i
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
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
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
Kapita Selekta Metode Kuantitatif
Kendala demand:
X11 + X21 + X31 = 6000
X12 + X22 + X32 = 4000
X13 + X23 + X33 = 2000
X14 + X24 + X34 = 1500
Syarat non-negatif
Xij 0
Number of Constraint =7
Number of Varibel =12
Objective = Minimize
289
Bab 11. T r a n s p o r t a s i
3. Klik OK, kotak dialog untuk entry data akan muncul (Gambar 11.10)
4. Lakukan perubahan pada setiap sel dengan data entry data yang
sesuai, sehingga akan tampil seperti pada Gambar 11.11
290
Kapita Selekta Metode Kuantitatif
291
Bab 11. T r a n s p o r t a s i
292
Kapita Selekta Metode Kuantitatif
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 1500
X31 X32 X33 X34
6000 4000 2000 1500
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 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
Bab 11. T r a n s p o r t a s i
Kendala demand:
X11 + X21 + X31 + X41 = 6000
X12 + X22 + X32 + X42 = 4000
X13 + X23 + X33 + X43 = 2000
X14 + X24 + X34 + X44 = 1500
294
Kapita Selekta Metode Kuantitatif
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
295
Bab 11. T r a n s p o r t a s i
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.
298
Metode Kuantitatif untuk Manajemen
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.
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.
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
300
Metode Kuantitatif untuk Manajemen
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
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.
302
Metode Kuantitatif untuk Manajemen
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
Number of Constraint =6
Number of Variables =9
Objective = Minimize
303
Bab 12. Penugasan
3. Klik OK, kotak dialog untuk entry data akan muncul (Gambar 12.2)
4. Lakukan perubahan pada setiap sel dengan data mengentri data yang
sesuai, sehingga akan tampil seperti pada Gambar 12.3.
304
Metode Kuantitatif untuk Manajemen
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.
305
Bab 12. Penugasan
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
Metode Kuantitatif untuk Manajemen
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)
307
Bab 12. Penugasan
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.
308
Metode Kuantitatif untuk Manajemen
Number of Jobs =3
Number of Machines =3
Objective = Minimize
3. Klik Tombol OK, kotak dialog input data akan muncul (Gambar 12.6)
309
Bab 12. Penugasan
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.
4. Klik Sove, maka hasilnya akan terlihat seperti Gambar 12.8 berikut
310
Metode Kuantitatif untuk Manajemen
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.
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
Branch
Node
17
7
2
1
6
4
3 5
314
Metode Kuantitatif untuk Manajemen
315
Bab 13. Model Jaringan
[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]
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
Metode Kuantitatif untuk Manajemen
317
Bab 13. Model Jaringan
Number of Branches = 10
5. Klik OK, maka kotak dialog berikutnya akan muncul seperti pada Tabel
Gambar Gambar 13.4. Berikut:
318
Metode Kuantitatif untuk Manajemen
6. Isikan data pada Gambar 13.4 seperti Tabel 13.1. sehingga terlihat
seperti Gambar 14.5.
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
Bab 13. Model Jaringan
320
Metode Kuantitatif untuk Manajemen
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
Bab 13. Model Jaringan
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
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
Metode Kuantitatif untuk Manajemen
323
Bab 13. Model Jaringan
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.
324
Metode Kuantitatif untuk Manajemen
6 3 4 0
1 2 4
0
5 5 8
0 7 0
0 3 5
6 0
325
Bab 13. Model Jaringan
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
326
Metode Kuantitatif untuk Manajemen
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.
1–2–3–4–5
327
Bab 13. Model Jaringan
Sf: 2 – 3 = 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
328
Metode Kuantitatif untuk Manajemen
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
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
329
Bab 13. Model Jaringan
6 1
1 2 4
5
5
3 5
6
Gambar. 13.17: Kapasitas Maksimum Antara Node di dalam Jalur
330
Metode Kuantitatif untuk Manajemen
331
Bab 13. Model Jaringan
332
Metode Kuantitatif untuk Manajemen
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.
333
Bab 13. Model Jaringan
3. Jalur berikut adalah jalur alternatif dari berbagai arah untuk menuju
titik lokasi 8. Tentukan jalur yang sesuai dengan menggunakan metode
Minimal Spanning Tree.
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.
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
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
Metode Kuantitatif untuk Manajemen
337
Bab 14. P E R T / C P M
E F
1 4
A D G
5 3 14
Start C H I
end
4 12 2
B
6
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.
338
Metode Kuantitatif untuk Manajemen
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
A 0 5
5
339
Bab 14. P E R T / C P M
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.
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
340
Metode Kuantitatif untuk Manajemen
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
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.
341
Bab 14. P E R T / C P M
LS = LF – t ……………………………………………………………….. (14.2)
Dimana:
LS = waktu paling lambat memulai aktivitas
LS = waktu paling lambat menyelesaikan aktivitas
t = waktu aktivitas
LS = LF – t
= 26 – 2
= 24 (lihat ilustri dibawah)
I 24 26
2 24 26
342
Metode Kuantitatif untuk Manajemen
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
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:
343
Bab 14. P E R T / C P M
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
344
Metode Kuantitatif untuk Manajemen
A–E–F–G-I
Number of task = 9
Table Structure = Precedence List
345
Bab 14. P E R T / C P M
6. Ketika data telah dientry dan disesuaikan, maka Gambar 14.7 akan
terlihat seperti Gambar 14.8 berikut:
346
Metode Kuantitatif untuk Manajemen
7. Klik Solve di Menu Bar, sehingga waktu dan solusi optimal dari kasus
skedul project PERT/CPM akan ditampilkan pada Tabel 14.9.
347
Bab 14. P E R T / C P M
348
Metode Kuantitatif untuk Manajemen
Tabel 14.3. Perkiraan Waktu Optimis, Moderat dan Pesimis dari Aktvitas
untuk Pembangunan Perkantoran
o 4m p
t ...................................................................................... (14.4)
6
6 4(6) 13 42
t 7
6 6
349
Bab 14. P E R T / C P M
350
Metode Kuantitatif untuk Manajemen
E F
2 6
A D G
7 5 15
Start C H I
end
6 14 3
B
8
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
351
Bab 14. P E R T / C P M
Number of task = 9
Table Structure = Precedence List
Row Names = pilih A, B, C, D, E, . . .
352
Metode Kuantitatif untuk Manajemen
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
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:
353
Bab 14. P E R T / C P M
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
354
DAFTAR PUSTAKA
Eppen, G.D., F.J. Gould and C.P. Schmidt. 1991. Introductory Management
Science. Third Edition. Prentice-Hall Inc., New Jersey.
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.
SAS/STAT User’s Guide, Version 9.2. 2008. SAS Institute Inc. Cary, North
Carolina. USA.
356
Ekonometrika Terapan Dengan SAS/ETS
Verbeek, M. 2000. A Guide to Modern Econometrics. John Wiley & Son, Ltd.
England.
357
Daftar Pustaka
358
Ekonometrika Terapan Dengan SAS/ETS
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
360