Kuliah Minggu 01

TI2001 Penelitian Operasional I

PENDAHULUAN

Suprayogi, Andi Cakravastia, Rully Tri Cahyono,

Veterina Nosadila Riaventin, Saskia Puspa Kenaka
Kelompok Keahlian Sistem Industri dan Tekno-Ekonomi
Fakultas Teknologi Industri
Institut Teknologi Bandung
 LUARAN

Mahasiswa mampu memahami karakteristik-karakteristik masalah

yang dipecahkan dan metode-metode pemecahannya

Mahasiswa mampu menerapkan metode-metode pemecahan untuk

contoh-contoh kasus sederhana

Mahasiswa mampu mendefinisikan masalah nyata yang sederhana

dan mampu memecahkan dan menginterprestasikan hasilnya

2
 SILABUS
Minggu Topik
• Pengantar Penelitian Operasional
1 • Masalah, model dan metode optimisasi
• Metodologi penelitian untuk pemecahan masalah menggunakan model optimisasi
• Model pemrograman linier
2 • Metode grafis untuk pemecahan model pemrograman linier
• Analisis Sensitivitas dengan metode grafis

3 Enumerasi basis dan dasar-dasar metode simpleks untuk pemecahan model pemrograman linier

4 Prosedur metode simpleks dalam bentuk tabel

5 Big M & 2-Phasa

• Prosedur metode simpleks dalam bentuk matriks

6
• Revised Simplex

• Konsep Dualitas & Metode simpleks dual

7
• Analisis Sensitivitas

8 Model pemrograman linier bilangan bulat

3
 SILABUS
Minggu Topik

9 UTS

10 Pemecahan model pemrograman linier bilangan bulat

• Aplikasi piranti lunak

11
• Pemberitahuan Info Tugas Besar

• Masalah Transportasi
12
• Pengumpulan Proposal Tugas Besar

• Masalah Penugasan
13
• Pengumpulan Tahap 1 Tugas Besar

• Model Pemrograman Linier Sasaran

14
• Pengumpulan Tahap 2 Tugas Besar

15 Submisi dan Presentasi Tugas Besar

16 UAS

4
 REFERENSI

• Suprayogi; Cakravastia, A., Gondodiwirjo, L., Penelitian

Operasional I, , ITB, 2013
• Hillier, F.S., & G.J. Lieberman, Introduction to Operations
Research, 9th, McGraw-Hill Publishing Co, 2010
• Taha, H.A, Operations Research: An Introduction (8th
Edition), Prentice Hall International, 2006

5
 TAUTAN MATERI
PENDUKUNG

• https://www.youtube.com/watch?v=ILWbaWrjgU4
• https://www.youtube.com/watch?v=0oMVVx81kCs&t=10
6s
• https://www.youtube.com/watch?v=sFWrmpXPVJw
• https://www.youtube.com/watch?v=zsK0Fl2jm5Y

6
 TABLE OF CONTENTS

01 03
Pengantar Penelitian Metode Optimisasi
Operasional

02 04
Masalah dan Model Metodologi Penelitian untuk
Optimisasi Pemecahan Masalah menggunakan
Model Optimisasi
7
 01
Pengantar
Penelitian
Operasional

8
 PENELITIAN
OPERASIONAL
• Penelitian Operasional (Operations Research atau Operational
Research) merupakan suatu disiplin ilmu yang memanfaatkan
teknik-teknik kuantitatif untuk pemecahan masalah
• Secara umum, studi dalam Penelitian Operasional berkaitan
dengan dua hal, yaitu:
• Perumusan masalah yang dipecahkan ke dalam model
matematik
• Pengembangan metode atau teknik pemecahan masalah atau
model.
• Istilah Penelitian Operasional muncul pada saat Perang Dunia II.

9
 PEMODELAN
SISTEM

• Sistem didefinisikan sebagai kumpulan elemen yang saling

berinteraksi satu sama lain dalam rangka mencapai suatu
tujuan tertentu.
• Bagian di luar sistem yang tidak menjadi perhatian disebut
dengan lingkungan.
• Batas antara sistem dengan lingkungan dikenal dengan istilah
batasan sistem (system boundary).

10
 PEMODELAN
SISTEM
Sistem

Validasi Konseptualisasi

Model
Solusi
Konseptual

Pemecahan Perumusan
Model
Model
Operasional

11
 PENDEKATAN
Studi dalam
Mempelajari
Sistem

Studi dengan
Studi dengan
Sistem
Model
Aktual

Model
Model Fisik
Simbolik

Model Model
Model Verbal
Diagramatik Matematik

12
 MODEL
MATEMATIK

Elemen utama dalam model matematik:

• Besaran
o Variabel: Besaran yang nilainya dapat berubah-ubah
o Parameter: Besaran yang nilainya tetap dan diketahui
• Fungsi: representasi hubungan antar besaran dalam model
matematik

13
 KLASIFIKASI
MODEL MATEMATIK
Model Deskriptif
Tujuan
Model Optimisasi

Model Analitik
Cara Pemecahan
Model Simulasi
Model Matematik
Model Statik
Referensi Waktu
Model Dinamik

Model Deterministik
Unsur Kerandoman
Model Probabilistik

14
 02
Masalah &
Model
Optimisasi

15
 MASALAH
OPTIMISASI
• Masalah optimisasi (optimization problem) merupakan masalah yang
terkait dengan penentuan keputusan-keputusan yang layak yang
memberikan nilai terbaik dari sejumlah ukuran kinerja.
• Struktur masalah optimisasi dicirikan oleh tiga komponen, yaitu
1. Keputusan
Himpunan dari keputusan disebut dengan solusi (solution).
2. Pembatas
Kumpulan dari pembatas-pembatas disebut dengan himpunan
pembatas (constraint set)
3. Ukuran kinerja
Ukuran kinerja merupakan ukuran untuk menentukan solusi terbaik
yang disebut juga dengan tujuan (objective).

16
 KLASIFIKASI
MASALAH
OPTIMISASI Numerik
Sifat dari Solusi
Tak Numerik

Berpembatas
Eksistensi Himpunan Pembatas
Tak Berpembatas

Tunggal
Masalah Optimisasi Jumlah Ukuran Kinerja
Majemuk

Statik
Unsur Waktu
Dinamik

Deterministik
Sifat Kepastian
Probabilistik

17
 MODEL
OPTIMISASI

• Model matematik yang merepresentasikan masalah

optimisasi disebut dengan model optimisasi (optimization
model) atau secara lengkap disebut dengan model
optimisasi matematik (mathematical optimization model).
• Dalam banyak literatur Penelitian Operasional, model
optimisasi disebut juga dengan model pemrograman
matematik (mathematical programming model).

18
 STRUKTUR
MODEL OPTIMISASI

● Tiap keputusan dalam solusi dari masalah optimisasi

direpresentasikan dalam suatu variabel yang bernilai numerik yang
disebut dengan variabel keputusan (decision variable)
● Tiap pembatas dinyatakan sebagai persamaan atau pertidaksamaan
dari variabel-variabel keputusan
● Tiap ukuran kinerja atau tujuan yang dioptimisasi direpresentasikan
sebagai persamaan yang merupakan fungsi dari variabel-variabel
keputusan yang disebut dengan fungsi tujuan (objective function)

19
 KLASIFIKASI
MODEL OPTIMISASI

Model
Optimisasi

Jumlah Sifat Eksistensi Sifat Jumlah Sifat

Variabel Variabel Pembatas Fungsi Tujuan Parameter

Tak
Tunggal Majemuk Kontinu Diskrit Berpembatas
Berpembatas Linier Tak Linier Tunggal Majemuk Deterministik Probabilistik

20
 PERUMUSAN
MODEL OPTIMISASI

Definisikan Variabel – Variabel

Keputusan

Rumuskan Fungsi Tujuan

Rumuskan Tiap Pembatas

21
 PENDEFINISIAN
VARIABEL - VARIABEL
KEPUTUSAN

● Tiap keputusan dalam masalah optimisasi direpresentasikan sebagai

suatu variabel keputusan yang bernilai numerik.
● Misal masalah optimisasi memiliki 𝑛 keputusan.
● Tiap keputusan 𝑗 dapat dinyatakan dengan variabel keputusan 𝑥𝑗
dengan 𝑗 = 1, 2, ⋯ , 𝑛.

22
 PERUMUSAN
FUNGSI TUJUAN

● Fungsi tujuan adalah ukuran kinerja yang merupakan fungsi dari

variabel-variabel keputusan yang dioptimisasi (dimaksimumkan atau
diminimumkan).
● Misal masalah optimisasi memiliki 𝑝 tujuan.
● Tiap fungsi tujuan 𝑘 yang dioptimisasi (dimaksimumkan atau
diminimumkan) dinyatakan:

𝑍𝑘 = 𝑓𝑘 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ; 𝑘 = 1, 2, ⋯ , 𝑝

23
 PERUMUSAN
PEMBATAS

● Tiap pembatas dinyatakan dalam bentuk persamaan atau

pertidaksamaan dari variabel-variabel keputusan.
● Himpunan persamaan atau pertidaksamaan pembatas menentukan
kelayakan dari suatu solusi.
● Secara umum, pembatas dalam model optimisasi linier dapat
dibedakan atas:
● Pembatas fungsional (functional constraint) → pembatas yang
terkait dengan pembatas sistem
● Pembatas nilai variabel keputusan (decision variable value
constraint) → pembatas alami nilai dari variabel-variabel keputusan
yang mungkin

24
 CONTOH Definisi Masalah
MASALAH OPTIMISASI
Suatu perusahaan merencanakan untuk memproduksi dua jenis produk, yaitu produk
A dan B. Kedua produk menggunakan suatu jenis bahan. Kebutuhan bahan per
satuan produk A dan B masing-masing adalah 5 dan 3. Ketersediaan bahan per
minggu adalah 15. Kuantitas bahan yang digunakan untuk memproduksi kedua
produk tidak boleh melebihi ketersediaan yang ada.
Pihak manajemen menetapkan batasan bahwa perbedaan antara kuantitas produk B
dengan produk A yang diproduksi per minggu tidak boleh lebih dari 1 satuan.
Selanjutnya, terdapat pembatas bahwa kuantitas penjualan produk B per minggu
tidak lebih dari 3 satuan. Keuntungan per satuan untuk produk A dan B masing-
masing adalah 3 dan 2. Manajemen perusahaan ingin menentukan kuantitas produk
A dan B yang harus diproduksi per minggu agar diperoleh total keuntungan per
minggu yang maksimum. Terdapat asumsi bahwa kuantitas produk yang dijual sama
dengan kuantitas produk yang diproduksi.

25
 CONTOH Pendefinisian Variabel Keputusan
MASALAH OPTIMISASI

Variabel – variabel keputusan dalam masalah produk campuran

ini adalah
• Kuantitas produk A yang diproduksi per minggu = 𝑥1
• Kuantitas produk B yang diproduksi per minggu = 𝑥2

26
 CONTOH Perumusan Fungsi Tujuan
MASALAH OPTIMISASI

• Fungsi tujuan dalam masalah produk campuran ini adalah

Total Profit
𝑍 = 3𝑥1 + 2𝑥1

27
 CONTOH Perumusan Pembatas
MASALAH OPTIMISASI

• Pembatas-pembatas fungsional
o Kuantitas bahan yang digunakan untuk memproduksi Produk-
Produk A dan B tidak melebihi kuantitas bahan yang tersedia
o Selisih antara kuantitas Produk B yang diproduksi dengan
kuantitas Produk A yang diproduksi tidak melebihi batas selisih
produksi
o Kuantitas Produk B yang diproduksi tidak melebihi batas kuantitas
Produk B yang diproduksi
• Pembatas-pembatas nilai variabel keputusan
o Kuantitas Produk A yang diproduksi bernilai tak negatif
o Kuantitas Produk B yang diproduksi bernilai tak negatif

28
 CONTOH Perumusan Pembatas : Kuantitas Bahan Tersedia
MASALAH OPTIMISASI

• Kuantitas bahan yang digunakan tidak melebihi kuantitas

bahan yang tersedia

5𝑥1 + 3𝑥2 ≤ 15

29
 CONTOH Perumusan Pembatas : Batas Selisih Kuantitas Produk
MASALAH OPTIMISASI

Selisih kuantitas produk B dan A yang diproduksi tidak lebih dari

batas maksimum selisih kuantitas dari produk B dan A yang
diproduksi

𝑥2 − 𝑥1 ≤ 1

30
 CONTOH Perumusan Pembatas : Batas Kuantitas Produk B
MASALAH OPTIMISASI

• Kuantitas produk B yang diproduksi tidak melebihi batas

kuantitas produk B yang diproduksi

𝑥2 ≤ 3

31
 CONTOH Perumusan Pembatas : Batas Nilai Variabel Keputusan
MASALAH OPTIMISASI

Kuantitas produk A yang diproduksi bernilai tak negatif

𝑥1 ≥ 0

Kuantitas produk B yang diproduksi bernilai tak negatif

𝑥2 ≥ 0

32
 CONTOH Model Optimisasi: Masalah Penentuan Kuantitas Produksi
MASALAH OPTIMISASI
Memaksimumkan
𝑍 = 3𝑥1 + 2𝑥1
dengan pembatas-pembatas:
5𝑥1 + 3𝑥2 ≤ 15
𝑥2 − 𝑥1 ≤ 1
𝑥2 ≤ 3
𝑥1 ≥ 0
𝑥2 ≥ 0

33
 SOLUSI LAYAK
● Suatu solusi yang memenuhi himpunan pembatas disebut dengan solusi
layak (feasible solution).
● Solusi layak secara matematik dinyatakan berikut ini.
● Misal 𝑆 merupakan himpunan pembatas dan 𝐱 adalah vektor variabel
keputusan.
● Jika 𝐱 ∈ 𝑆, maka 𝐱 dikatakan solusi layak.
● Solusi yang tidak memenuhi himpunan pembatas disebut dengan solusi
tak layak (infeasible solution).
● Himpunan dari solusi layak disebut dengan himpunan solusi (solution
set).

34
 SOLUSI
OPTIMAL
● Suatu solusi layak yang memberikan nilai fungsi tujuan maksimum
(kasus maksimisasi) atau minimum (kasus minimisasi) dari semua
solusi layak yang lain, maka solusi layak tersebut disebut dengan solusi
optimal (optimal solution) atau tepatnya disebut solusi optimal global
(global optimal solution).
● Misal 𝑓 𝐱 adalah fungsi tujuan dan 𝑆 merupakan himpunan pembatas.
● Jika 𝑓 𝐱 ∗ ≥ 𝑓 𝐱 (kasus maksimisasi) atau 𝑓 𝐱 ∗ ≤ 𝑓 𝐱 (kasus
minimisasi) untuk semua 𝐱, 𝐱 ∗ ∈ 𝑆, maka 𝐱 ∗ adalah solusi optimal.

35
 SOLUSI
OPTIMAL
● Suatu solusi optimal dikatakan sebagai solusi optimal unik (unique
optimal solution) jika solusi tersebut merupakan satu-satunya solusi
yang memiliki nilai fungsi tujuan maksimum (kasus maksimisasi)
atau minimum (kasus minimisasi).
● Misal 𝑓 𝐱 adalah fungsi tujuan dan 𝑆 merupakan himpunan
pembatas.
● Jika 𝑓 𝐱 ∗ > 𝑓 𝐱 (kasus maksimisasi) atau 𝑓 𝐱 ∗ < 𝑓 𝐱 (kasus
minimisasi) untuk semua 𝐱, 𝐱 ∗ ∈ 𝑆, maka 𝐱 ∗ adalah solusi optimal
unik.

36
 SOLUSI
OPTIMAL LOKAL
● Suatu solusi layak yang memberikan nilai fungsi tujuan maksimum
(kasus maksimisasi) atau minimum (kasus minimisasi) dari semua
solusi layak tetangganya (yaitu, yang berada di sekitar solusi tersebut),
maka solusi layak tersebut disebut dengan solusi optimal lokal (local
optimal solution).
● Misal 𝑓 𝐱 adalah fungsi tujuan dan 𝑆 merupakan himpunan pembatas.
● Jika 𝑓 𝐱 ∗ ≥ 𝑓 𝐱 (kasus maksimisasi) atau 𝑓 𝐱 ∗ ≤ 𝑓 𝐱 (kasus
minimisasi) untuk 𝐱 ∈ 𝑁 𝐱 ∗ , dengan 𝑁 𝐱 ∗ adalah himpunan
ketetanggaan dari 𝐱 ∗ , maka 𝐱 ∗ disebut solusi optimal lokal (local optimal
solution).

37
 03 Metode
Optimisasi

38
 METODE
OPTIMISASI

● Pemecahan masalah atau model optimisasi berkaitan dengan

penentuan solusi yang layak yang memberikan nilai yang
optimum dari setiap ukuran kinerja atau fungsi tujuan.
● Pemecahan masalah atau model optimisasi terkait dengan
penentuan solusi optimal.
● Penentuan atau pencarian solusi optimal menggunakan suatu
metode atau teknik pemecahan.
● Metode atau teknik untuk pemecahan masalah dan model
optimisasi disebut dengan metode optimisasi (optimization
method).

39
 METODE
OPTIMISASI

● Kinerja dari metode optimisasi umumnya diukur dari dua hal,

yaitu
1. Efektivitas
Kemampuan untuk menghasilkan solusi optimal global
2. Efisiensi
Kemampuan untuk menghasilkan solusi dalam waktu yang
cepat

40
 KLASIFIKASI
METODE OPTIMISASI
Metode
Optimisasi

Proses
Sifat dari Kelas
Pemecahan
Solusi Penerapan
Masalah

Analitik Algoritmik Optimal Heuristik Umum Khusus

41
 METODE
ANALITIK

● Metode analitik merupakan metode optimisasi yang

menggunakan pendekatan manipulasi matematik secara
langsung.
● Metode analitik sering juga disebut dengan metode langsung
(direct method).
● Contoh metode analitik:
○ Metode optimisasi berbasis kalkulus
○ Metode grafis

42
 METODE
ALGORITMIK
● Metode algoritmik merupakan metode yang bersifat tidak langsung
dan bersifat iteratif.
● Metode ini dicirikan oleh adanya tiga mekanisme dasar, yaitu
1. Pembentukan solusi awal
2. Pembentukan solusi baru
3. Aturan penghentian.
● Contoh metode algoritmik:
○ Metode simpleks untuk memecahkan model optimisasi linier
(model pemrograman linier)

43
 METODE
OPTIMAL
● Metode optimal merupakan metode yang menjamin diperoleh
solusi yang bersifat optimal global.
● Metode enumerasi lengkap (exhaustive enumeration) merupakan
salah contoh metode solusi optimal global.
o Metode ini mengenumerasi semua solusi layak dan menentukan
solusi layak yang memberikan nilai fungsi tujuan terbaik
sebagai solusi optimal.
o Metode ini digunakan untuk memecahkan masalah atau model
optimisasi dengan keputusan diskret.

44
 METODE
HEURISTIK
● Metode heuristik merupakan metode yang menghasilkan solusi
yang tidak menjamin sebagai solusi optimal global, tetapi optimal
lokal (local optimal) atau suboptimal (suboptimal).
● Metode heuristik dapat dibedakan atas
o Metode Konstruksi (construction method)
Metode ini berusaha membentuk solusi secara langkah demi
langkah, yaitu membentuk solusi parsial hingga diperoleh solusi
yang lengkap. Contoh: Metode nearest neighbor
o Metode Perbaikan (improvement method)
Metode ini berangkat dari solusi awal dan selanjutnya metode ini
akan mencari solusi yang lebih baik berdasarkan solusi awal.
Contoh: Metode metaheuristik (metaheuristic method)
45
 METODE UMUM
● Metode optimisasi umum merupakan metode optimisasi yang
dapat digunakan untuk memecahkan suatu kelas masalah atau
model optimisasi.
● Contoh:
o Metode simpleks: metode yang digunakan untuk memecahkan
masalah optimisasi yang dirumuskan dalam model optimisasi
linier.
o Metode-metode heuristik seperti genetic algorithm, simulated
annealing dan tabu search juga dapat diklasifikaskan sebagai
metode optimisasi yang umum.

46
 METODE
KHUSUS
● Metode optimisasi khusus merupakan metode optimisasi yang
hanya digunakan untuk memecahkan suatu masalah atau model
optimisasi tertentu.
● Contoh:
o Metode Hungarian yang digunakan untuk memecahkan masalah
penugasan.
o Metode Dijsktra yang digunakan untuk memecahkan masalah
lintasan terpendek.

47
 METODE
OPTIMISASI
DASAR
Metode Optimisasi Berbasis Kalkulus

Metode Grafis

Metode Enumerasi Lengkap

48
 METODE OPTIMISASI
BERBASIS KALKULUS

● Metode optimisasi ini termasuk metode optimisasi analitik.

● Metode optimisasi ini digunakan untuk memecahkan masalah
optimisasi dengan fungsi tujuan tak linier dengan variabel kontinyu.
● Metode optimisasi berbasis kalkulus disebut juga dengan metode
optimisasi klasik (classical optimization method).

49
 METODE
GRAFIS
● Metode grafis merupakan salah satu metode yang paling
sederhana.
● Namun, metode ini mempunyai kelemahan karena hanya dapat
diterapkan untuk model optimisasi dengan jumlah variabel satu
atau dua.

50
 METODE ENUMERASI
LENGKAP

● Metode enumerasi lengkap (exhaustive enumeration) merupakan salah

satu metode optimisasi yang umumnya diterapkan untuk memecahkan
masalah atau model optimisasi dengan keputusan diskret.
● Prinsip dari metode ini adalah mengenumerasi semua solusi layak yang
mungkin dan menentukan solusi layak yang memberikan nilai fungsi
tujuan terbaik sebagai solusi optimal.
● Pemecahan dengan metode enumerasi lengkap dapat menjamin
diperolehnya solusi optimal global.
● Kelemahan metode ini terletak pada keterbatasannya untuk
memecahkan masalah atau model optimisasi dengan ukuran masalah
yang kecil.

51
 04
Metodologi
Pemecahan
Masalah

52
 PENDEKATAN SISTEM
DALAM PEMECAHAN
MASALAH

● Tujuan dari pengembangan model optimisasi pada dasarnya adalah

untuk pemecahan masalah.
● Penelitian yang menggunakan model optimisasi sebagai alat
analisis bertujuan untuk mencari solusi yang lebih baik dari kondisi
aktual.
● Secara umum, langkah-langkah pemecahan masalah dengan model
optimisasi mengikuti proses pemecahan masalah dengan
pendekatan sistem (system approach)

53
 SIKLUS PEMECAHAN
MASALAH

Identifikasi
Masalah

Implementasi Pembangkitan
Solusi Terbaik Alternatif Solusi

Evaluasi
Alternatif Solusi

54
 SIKLUS PEMECAHAN
MASALAH DENGAN
MODEL OPTIMISASI

Identifikasi
Masalah

Implementasi
Pemodelan
Solusi Terbaik

55
 LANGKAH
PENGEMBANGAN
MODEL OPTIMISASI
Pendefinisian Penetapan Asumsi
Perumusan Model Verifikasi Model
Masalah Model

Penentuan
dan/atau
Penentuan Nilai
Pemecahan Model Pengembangan Analisis Model
Parameter Model
Metode
Pemecahan

Analisis
Analisis
Validasi Model Interpretasi Solusi Perbandingan
Sensitivitas
Solusi

56
 PENDEFINISIAN
MASALAH OPTIMISASI
● Pendefinisian masalah optimisasi merupakan konseptualisasi dari
masalah yang dipecahkan.
● Pendefinisian masalah optimisasi dapat dinyatakan dengan
o Model Verbal
Pendefinisian masalah mencakup pendefinisian tentang
keputusan-keputusan, ukuran-ukuran kinerja yang dioptimisasi
dan himpunan pembatas yang ada yang dilengkapi dengan
besaran.
o Model Diagramatik
Salah satu model ini adalah diagram pengaruh (influence
diagram).

57
 PENDEFINISIAN
MASALAH OPTIMISASI
● Simbol dari diagram pengaruh (influence diagram):

58
 PENETAPAN
ASUMSI-ASUMSI
● Asumsi merupakan suatu pernyataan yang menunjukkan karakteristik
dari model.
● Asumsi harus memenuhi beberapa asas, yaitu
o Konsistensi
Suatu asumsi dikatakan konsisten jika tidak ada pernyataan asumsi
yang bertentangan dengan pernyataan asumsi yang lain.
o Independensi
Suatu asumsi dikatakan saling independen jika tidak ada pernyataan
yang merupakan bagian dari penyataan asumsi yang lain.
o Relevansi
Suatu asumsi dikatakan memenuhi asas relevansi jika semua
asumsi terkait dengan sistem (masalah) yang dimodelkan.
59
 PERUMUSAN
MODEL
● Langkah perumusan model pada dasarnya merupakan langkah
pembentukan model operasional.
● Perumusan model optimisasi mencakup:
o Pendefinisian variabel-variabel keputusan
o Perumusan fungsi-fungsi tujuan yang dioptimisasi
(dimaksimumkan atau diminimumkan)
o Perumusan himpunan pembatas yang berisi satu atau lebih
persamaan atau pertidaksamaan pembatas.

60
 VERIFIKASI
MODEL
● Verifikasi model merupakan proses untuk menentukan apakah model
(dalam hal ini setiap fungsi) sudah dirumuskan dengan benar.
● Pemeriksaan konsistensi dimensi atau satuan dari persamaan atau
pertidaksamaan merupakan salah satu cara melakukan verifikasi
model sebelum pemecahan model.
● Kesalahan-kesalahan yang ada ketika model dipecahkan menggunakan
piranti lunak dapat mencakup:
o Kesalahan tulisan (syntax error),
o Kesalahan run-time (run-time error)
o Kesalahan logika (logic error).

61
 ANALISIS MODEL
● Analisis model (model analysis) atau disebut juga analisis matematik
(mathematical analysis) merupakan proses untuk menentukan sifat
dari model keseluruhan.
● Sifat-sifat dari model biasanya dinyatakan dalam suatu teorema
(theorem) atau proposisi (proposition).
● Teorema atau proposisi merupakan pernyataan matematik yang
memerlukan pembuktian kebenarannya.
● Dalam analisis model terdapat juga lema (lemma) dan akibat
(corrolary).
● Lema merupakan pernyataan matematik yang digunakan sebagai batu
loncatan untuk pembuktian suatu teorema atau proposisi.
● Akibat merupakan pernyataan matematik yang merupakan
konsekuensi atas adanya teorema atau proposisi.
62
 PENENTUAN DAN/ATAU
PENGEMBANGAN
METODE PEMECAHAN
● Penentuan dan pengembangan metode optimisasi pada umumnya
tergantung dari sifat dari model yang diperoleh dari hasil analisis.
● Sebagai contoh, jika model optimisasi merupakan model linier, maka
metode simpleks dapat dipilih sebagai metode pemecahan
● Jika masalah atau model optimisasi merupakan masalah optimisasi
kombinatorial yang sulit (hard combinatorial optimization problem), maka
metode heuristik dapat dipertimbangkan sebagai metode pemecahan,
khususnya jika ukuran masalah sangat besar.
● Penggunaan metode optimal untuk pemecahan masalah optimisasi
kombinatorial yang sulit memerlukan waktu komputasi yang sangat lama
karena waktu komputasinya meningkat secara eksponensial terhadap
ukuran masalah.

63
 PENENTUAN NILAI
PARAMETER MODEL
● Proses penentuan nilai dari parameter disebut dengan parameterisasi
model (model parameterization).
● Penentuan nilai dari tiap parameter memerlukan proses pengumpulan
dan analisis data.
● Teknik-teknik statistik dapat digunakan untuk menentukan nilai dari
parameter.
● Untuk model-model optimisasi yang probabilistik, teknik-teknik statistik
berperan dalam menaksir dan melakukan pengujian hipotesis terhadap
parameter dan bentuk dari distribusi probabilitas yang digunakan.

64
 PEMECAHAN
MODEL
● Pemecahan model merupakan langkah untuk menentukan solusi model
berdasarkan metode pemecahan (metode optimisasi) yang telah
ditentukan atau dikembangkan.
● Pemecahan model dengan menggunakan suatu metode optimisasi
adakalanya memerlukan penetapan beberapa parameter metode yang
digunakan.
● Hal ini terutama untuk metode-metode optimisasi yang bersifat algoritmik.
● Sebagai contoh, jika metode optimisasi yang digunakan metode genetic
algorithm, parameter-parameter metode mencakup antara lain: jumlah
generasi maksimum, ukuran populasi, tingkat crossover, tingkat mutasi,
dan lain-lain.

65
 VALIDASI
MODEL
● Validasi model merupakan proses untuk menentukan apakah perilaku
dari model sesuai dengan perilaku dari sistem yang sebenarnya.
● Banyak pendekatan yang dapat digunakan dalam validasi model, baik
pendekatan yang bersifat kualitatitif maupun kuantitatif.
● Pendekatan validasi muka (face validation) merupakan salah satu
prosedur validasi kualitatif yang meminta pendapat dari para pakar
atau pihak yang terkait dengan masalah yang dipecahkan untuk menilai
apakah perilaku model sesuai dengan perilaku sistem aktualnya.
● Pendekatan validasi secara kuantitatif dilakukan dengan
membandingkan keluaran dari sistem aktual dengan hasil dari model.

66
 INTERPRETASI
SOLUSI
● Pemecahan model optimisasi menghasilkan solusi yang bernilai
numerik.
● Solusi ini perlu diinterpretasikan untuk merepresentasikan solusi dari
masalah optimisasi yang dipecahkan.
● Hal ini penting terutama untuk solusi bagi masalah-masalah optimisasi
yang keputusannya secara alami tidak bernilai numerik.

67
 ANALISIS
PERBANDINGAN
SOLUSI

● Jika masalah optimisasi telah dipecahkan dengan model atau metode

optimisasi lain yang terdapat dalam penelitian-penelitian sebelumnya,
analisis perbandingan solusi membantu untuk menentukan efektivitas
dari solusi yang dihasilkan dan efisiensi dari metode pemecahan yang
dikembangkan dan digunakan.

68
 ANALISIS
SENSITIVITAS
● Solusi yang dihasilkan dengan memecahkan model optimisasi
didasarkan atas nilai dari tiap parameter yang tetap.
● Adakalanya suatu analisis terhadap perubahan nilai dari beberapa
parameter terhadap solusi optimal perlu dilakukan.
● Analisis terhadap perubahan nilai-nilai dari parameter disebut dengan
analisis sensitivitas (sensitivity analysis).
● Dalam konteks pemodelan optimisasi, analisis sensitivitas terkait
dengan analisis perubahan nilai-nilai dari parameter model terhadap
solusi optimal.

69
 ANALISIS
PERBANDINGAN
SOLUSI

● Jika masalah optimisasi telah dipecahkan dengan model atau metode

optimisasi lain yang terdapat dalam penelitian-penelitian sebelumnya,
analisis perbandingan solusi membantu untuk menentukan efektivitas
dari solusi yang dihasilkan dan efisiensi dari metode pemecahan yang
dikembangkan dan digunakan.

70
 CONTOH Definisi Masalah
PENGEMBANGAN
MODEL OPTIMISASI

Suatu perusahaan ritel melayani permintaan barang dengan laju

permintaan per hari adalah sebesar 𝑑 satuan per hari. Jika persediaan
barang habis, maka perusahaan melakukan pemesanan ke pemasok. Biaya
tiap pemesanan adalah Rp. 𝑠.
Harga beli satuan dari barang adalah Rp. 𝑝. Biaya simpan adalah Rp. ℎ per
satuan per hari. Kapasitas gudang penyimpanan barang adalah 𝐾 satuan.
Manajer ingin menentukan keputusan kuantitas pemesanan ke pemasok 𝑄
yang meminimumkan total biaya per hari dengan memperhatikan
keterbatasan kapasitas gudang.

71
 CONTOH Definisi Masalah
PENGEMBANGAN
MODEL OPTIMISASI

● Keputusan adalah kuantitas pesanan barang.

● Jumlah pesanan yang layak ditentukan oleh kapasitas
gudang.
● Ukuran kinerja yang diminimumkan adalah total biaya per
hari.
● Total biaya per hari ditentukan berdasarkan total biaya per
siklus dan frekuensi pemesanan per hari.
● Frekuensi pemesanan per hari ditentukan oleh laju
permintaan per hari dan jumlah pesanan barang.
● Total biaya per siklus merupakan jumlah dari biaya simpan
per siklus dan biaya pemesanan per siklus.

72
 CONTOH Definisi Masalah
PENGEMBANGAN
MODEL OPTIMISASI

● Biaya simpan per siklus ditentukan oleh biaya simpan

per satuan barang dan jumlah persediaan per siklus.
● Jumlah persediaan per siklus merupakan fungsi dari
kuantitas pesanan barang yang datang.
● Kuantitas pesanan barang yang datang ditentukan oleh
kuantitas pesanan barang dilakukan.
● Biaya pemesanan per siklus merupakan jumlah dari
biaya pemesanan tetap dan biaya pemesanan variabel.
● Biaya pemesanan variabel ditentukan oleh harga beli
per satuan barang dan kuantitas pesanan barang yang
dilakukan.
73
 CONTOH Definisi Masalah
PENGEMBANGAN
MODEL OPTIMISASI Kapasitas gudang

Jumlah
Jumlah pemesanan per siklus
pemesanan per
siklus

Harga beli satuan

Biaya pemesanan tetap

Jumlah
persediaan per Biaya
siklus pemesanan Laju permintaan
variabel per per hari
siklus

Biaya simpan satuan

Biaya
simpan per Biaya frekuensi
siklus pemesanan pemesanan
per siklus per hari

Biaya total
per siklus

Total biaya

74
 CONTOH Penetapan Asumsi Model
PENGEMBANGAN
MODEL OPTIMISASI

● Laju permintaan adalah konstan.

● Biaya pesan, harga beli dan biaya simpan satuan adalah
konstan.
● Waktu ancang-ancang (leadtime), yaitu perbedaan waktu
antara saat pemesanan dilakukan dengan saat pesanan
datang, adalah 0.
● Kuantitas yang dipesan adalah datang sekaligus.

75
 CONTOH Penetapan Asumsi Model
PENGEMBANGAN
MODEL OPTIMISASI Kapasitas gudang

Jumlah pemesanan per

siklus
Jumlah
• Model konseptual dalam pemesanan
per siklus

bentuk diagram pengaruh Harga beli satuan

yang disesuaikan dengan

Biaya pemesanan
tetap

asumsi-asumsi model Biaya

pemesanan Laju permintaan
variabel per hari
per siklus

Biaya simpan satuan

Biaya
simpan Biaya frekuensi
per siklus pemesanan pemesanan
per siklus per hari

Total
biaya per
siklus

Total biaya

76
 CONTOH Perumusan Model
PENGEMBANGAN
MODEL OPTIMISASI Kapasitas
Gudang
K

Jumlah

● Berdasarkan
Persediaan
Q

Kuantitas yang dipesan 𝑄

asumsi-asumsi Ukuran
Pemesanan
kurang dari atau sama
dengan kapasitas gudang
model, kuantitas 𝐾

yang dipesan 𝑄 0 Q
d
2Q
d
Waktu

adalah sama Panjang Siklus

Pemesanan

dengan jumlah
persediaan barang.
Jumlah
Persediaan

Kapasitas Gudang K
Q

Ukuran
Pemesanan
Kuantitas yang dipesan 𝑄
lebih besar daripada
0 Q 2Q Waktu
kapasitas gudang 𝐾
d d

Panjang Siklus
Pemesanan

77
 CONTOH Perumusan Model
PENGEMBANGAN
MODEL OPTIMISASI
• Variabel keputusan adalah jumlah yang dipesan yang dinotasikan
dengan 𝑸
• Fungsi tujuan yang diminimumkan adalah total biaya per hari.
o Total biaya per hari merupakan total biaya per siklus dikalikan
dengan frekuensi pemesanan per hari.
o Misal 𝑠 menyatakan biaya pesan dan 𝑝 adalah harga beli per
satuan, biaya pesan per siklus adalah:

𝐵𝑆𝑃 = 𝑠 + 𝑝𝑄

78
 CONTOH Perumusan Model
PENGEMBANGAN
MODEL OPTIMISASI

● Rata-rata jumlah persediaan per siklus adalah 𝑄 + 0 Τ2 = 𝑄Τ2

satuan.
● Misal ℎ adalah biaya persediaan per satuan per waktu, maka
biaya persediaan adalah ℎ 𝑄Τ2 .
● Karena itu, biaya persediaan per siklus adalah:

𝑄Τ2 𝑄2
𝐵𝑆𝑆 = ℎ =ℎ
𝑄Τ𝑑 2𝑑

79
 CONTOH Perumusan Model
PENGEMBANGAN
MODEL OPTIMISASI
● Total biaya per siklus dinyatakan dengan:
𝑄2
𝐵𝑇𝑆 = 𝐵𝑃𝑆 + 𝐵𝑆𝑆 = 𝑠 + 𝑝𝑄 + ℎ
2𝑑

● Total biaya per hari dinyatakan dengan:

𝑄2
𝐵𝑇𝑆 𝑠 + 𝑝𝑄 + ℎ 2𝑑 𝑠 𝑄
𝐵𝑇 = = = + 𝑝𝑑 + ℎ
𝑄Τ𝑑 𝑄 Τ𝑑 𝑄 2

80
 CONTOH Perumusan Model
PENGEMBANGAN
MODEL OPTIMISASI
● Kuantitas yang dipesan tidak boleh melebihi kapasitas gudang.
● Misal 𝐾 adalah kapasitas gudang.
● Pembatas ini dirumuskan dengan:

𝑄≤𝐾

● Kuantitas yang dipesan adalah adalah bernilai positif.

● Pembatas ini dinyatakan dengan:

𝑄>0

81
 CONTOH Perumusan Model
PENGEMBANGAN
MODEL OPTIMISASI
● Rumusan lengkap dari model optimisasi adalah

Meminimumkan
𝑑 𝑄
𝐵𝑇 = 𝑠 + 𝑝𝑑 + ℎ
𝑄 2
dengan pembatas-pembatas:
𝑄≤𝐾
𝑄>0

82
 CONTOH Verifikasi Model
PENGEMBANGAN
MODEL OPTIMISASI
● Verifikasi model di sini dilakukan dengan memeriksa konsistensi
dimensi dari persamaan total biaya.
● Rumusan total biaya adalah:

𝑑 𝑄
𝐵𝑇 = 𝑠 + 𝑝𝑑 + ℎ
𝑄 2

● Pemeriksaan dimensi adalah:

rupiah satuanΤhari
= rupiah + rupiahΤsatuan satuanΤhari + rupiahΤsatuan /hari satuan
hari satuan
rupiah
= rupiah/hari
hari
83
CONTOH PENGEMBANGAN Analisis Model
MODEL OPTIMISASI
● Proposisi 1:
Untuk 𝑄 > 0 dan kontinyu, maka fungsi 𝐵𝑇 terhadap 𝑄 merupakan fungsi konveks.
● Bukti:
Turunan pertama adalah:
𝑑 𝑑 ℎ
𝐵𝑇 = −𝑠 2 +
𝑑𝑄 𝑄 2
Turunan kedua adalah:
𝑑2 2𝑠𝑑
𝐵𝑇 = 3
𝑑𝑄𝑑𝑄 𝑄
Untuk 𝑠 > 0 dan 𝑑 > 0, maka
2𝑠𝑑
>0
𝑄3
untuk tiap 𝑄 > 0.
Oleh karena itu, fungsi total biaya 𝐵𝑇 adalah fungsi konveks (convex function) pada
𝑄 > 0.
84
CONTOH PENGEMBANGAN Analisis Model
MODEL OPTIMISASI

● Proposisi 2:
Himpunan pembatas merupakan himpunan konveks.

● Bukti:
Misal himpunan pembatas dinyatakan dengan 𝑆 = 𝑄: 0 < 𝑄 ≤ 𝐾 .
Karena himpunan 𝑆 merupakan garis kontinyu pada 0 < 𝑄 ≤ 𝐾, maka himpunan 𝑆
merupakan himpunan konveks.

● Akibat:
Karena fungsi 𝐵𝑇 adalah fungsi konveks dan himpunan 𝑆 himpunan konveks, maka
solusi optimal 𝑄 adalah solusi optimal global.

85
CONTOH PENGEMBANGAN Penentuan Metode Pemecahan
MODEL OPTIMISASI

● Prosedur pemecahan dikembangkan berdasarkan hasil analisis model adalah sebagai

berikut:

𝑑 𝑑 ℎ
𝐵𝑇 = −𝑠 2 + = 0
𝑑𝑄 𝑄 2

2𝑑𝑠
𝑄=
ℎ

● Jika 𝑄 ≤ 𝐾, maka 𝑄 ∗ = 𝑄. Sebaliknya, tetapkan 𝑄 ∗ = 𝐾.

86
CONTOH PENGEMBANGAN Penentuan Metode Pemecahan
MODEL OPTIMISASI

• Langkah 1:
Tentukan 𝑄 dengan menggunakan rumusan:

2𝑑𝑠
𝑄=
ℎ

• Langkah 2:
Jika 𝑄 ≤ 𝐾, tetapkan 𝑄 ∗ = 𝑄. Sebaliknya, tetapkan 𝑄 ∗ = 𝐾. Berhenti.

87
CONTOH PENGEMBANGAN Penentuan Nilai Parameter Model
MODEL OPTIMISASI

● Parameter-parameter dari model adalah:

o Laju permintaan per hari 𝑑 ,
o Biaya tiap pemesanan 𝑠
o Harga beli satuan dari barang 𝑝 ,
o Biaya simpan per satuan per hari ℎ
o Kapasitas gudang penyimpanan barang 𝐾 satuan.
● Berdasarkan hasil pengumpulan dan analisis data, nilai dari parameter-parameter
model adalah sebagai berikut:
o Permintaan 𝑑 = 40 satuan/hari
o Biaya pesan 𝑠 = 200.000 rupiah
o Biaya pembelian satuan 𝑝 = 20.000 rupiah/satuan
o Biaya simpan satuan ℎ = 100 rupiah/satuan/hari
o Kapasitas gudang 𝐾 = 200 satuan.

88
CONTOH PENGEMBANGAN Pemecahan Model
MODEL OPTIMISASI

• Langkah 1:
Ukuran pemesanan adalah:

2 200.000 40
𝑄= = 400 satuan
100

• Langkah 2:
Karena 𝑄 ≥ 200, maka 𝑄 = 200 satuan

Total biaya per hari adalah:

𝑑 𝑐
𝐵𝑇 = 𝑠 + 𝑝𝑑 + ℎ
𝑄 2
40 200
= 200.000 + 20.000 40 + 100 = 850.000 rupiah
300 2
89
CONTOH PENGEMBANGAN Validasi Model
MODEL OPTIMISASI

● Validasi model dilakukan dengan memeriksa apakah solusi aktual

memenuhi pembatas saat ini.
● Solusi aktual saat ini adalah 150.
● Terlihat bahwa solusi saat ini memenuhi pembatas 0 < 𝑄 ≤ 𝐾.

90
CONTOH PENGEMBANGAN Interpretasi Model
MODEL OPTIMISASI

● Kuantitas barang yang dipesan dari pemasok untuk tiap sekali pesan adalah
200 satuan dengan total biaya yang timbul adalah Rp. 850.000 per hari.
● Waktu antar pemesanan 𝑄Τ𝑑 = 200/40 = 5 hari.

91
CONTOH PENGEMBANGAN Analisis Perbandingan Solusi
MODEL OPTIMISASI

● Analisis perbandingan solusi dilakukan dengan melakukan perbandingan

total biaya dari solusi yang dihasilkan dari model dan solusi pada kondisi
aktual.
● Solusi model adalah 200 dengan total biaya per hari adalah Rp. 850.000.
● Solusi kondisi aktual adalah 150 dengan total biaya per hari pada kondisi
aktual adalah Rp. 860.833.
● Terlihat bahwa solusi model memberikan total biaya yang lebih rendah
dibandingkan dengan kondisi aktual.

92
CONTOH PENGEMBANGAN Analisis Sensitivitas
MODEL OPTIMISASI

● Parameter-parameter model adalah:

o Laju permintaan per hari 𝑑 ,
o Biaya tiap pemesanan 𝑠
o Harga beli satuan dari barang 𝑝 ,
o Biaya simpan per satuan per hari ℎ
o Kapasitas gudang penyimpanan barang 𝐾 satuan.
● Di sini, analisis sensitivitas dilakukan dengan mengubah-ubah kapasitas gudang
penyimpanan.
● Kapasitas gudang penyimpanan barang saat ini adalah 200 unit.
● Misal kapasitas gudang diubah-ubah menjadi 300, 400, 500 dan 600.

93
CONTOH PENGEMBANGAN Analisis Sensitivitas
MODEL OPTIMISASI
Solusi dan total biaya yang terkait untuk tiap kapasitas gudang:

Kapasitas Kuantitas
Total biaya 𝐵𝑇
gudang 𝐾 pemesanan 𝑄
200 200 850.000
300 300 836.667
400 400 830.000
500 400 830.000
600 400 830.000

Berdasarkan analisis sensitivitas, jika kapasitas gudang 𝐾 ≥ 400,

maka kuantitas pemesanan optimal adalah tetap sebesar 𝑄 = 400
satuan.

94
Selesai