Proyek Bisnis Nasional dan International

(Estimating Project Time and Costs

BEP dan Probabilitas

UNIVERSITAS PAMULANG (UNPAM)

Jl. Surya Kencana No. 1 Pamulang Barat
Tangerang Selatan - Banten  +62217412566
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
 Proyek Bisnis Nasional dan
International
(Estimating Project Time and Costs

Dr. H. Sugiyanto,SE,MM, CMA, CT, CHt

UNIVERSITAS PAMULANG (UNPAM)

Jl. Surya Kencana No. 1 Pamulang Barat
Tangerang Selatan - Banten  +62217412566
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
 DEFINISI RISET OPERASSI
PROJECT
(Operations Research project)
Riset (atau Penelitian) Operasil project(RSO)
merupakan tek-nik pemecahan permasalahan yang
dapat dipandang sebagai sebagai suatu ilmu dan seni.
(Ir. Tjutju Tarliah Dimyati, Cs. 1987)
Operations Research seeks the determination of the
best (optimum) course of action of a decision
problem under the restriction of limited resources.
The term Operations Research quite often is
associated almost exclusively with the use of
mathematical techniques to Model project project and
analyze decision problems. (Hamdy A. Taha. 1987)
 ASPEK ILMU & SENI
dalam RISET OPERASI

Aspek ILMU terletak pada penggunaan teknik dan algorit-

ma matematik dalam memecahkan permasalahan.
Algoritma adalah prosedur sistematis untuk memecah-
kan permasalahan secara matematik dalam keterbatasan
langkah dan sumberdaya.
Aspek SENI terletak pada kreativitas dan kemampuan se-
orang analisator pembuat keputusan dalam pembangun-
an Model project project sehingga solusi berhasil dicapai
dengan Model project project matematik.
 MATERI AJAR
1. PENDAHULUAN
2. PROGRAM LINEAR, GRAFIS & SIMPLEX
3. Model project project TRANSPORTASI &
PENUGASAN
4. ANALISIS JARINGAN
5. Model project project PROBABILITAS
6. PROGRAM DINAMIK
7. ANALISIS RANTAI MARKOV
8. Model project project PENGENDALIAN
INVENTORI
9. TEORI ANTRIAN
10. TEORI PERMAINAN
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
 OUTLINE MATERI AJAR
PROYEK BISNIS NASIONAL DAN INTERNATIONAL
MANAGING PROJECT TEAMS
RSO-1: RSO-2:
Model project project Model project project
DETERMINISTIK PROBABILISTIK

• Teori Pengambilan • Teori Probabilitas/

Keputusan Stokastik
• Linear Programming • Program Dinamis
- Grafik; - Sensitivitas; • Analisis Rantai Markov
- Simplex; - Transportasi; • Model project project
- Dualitas: - Penugasan; Persediaan
- Program Integer. • Teori Antrian
• Model project project • Teori Permainan
Jaringan
 KOMPONEN UTAMA (1)
PERMASALAHAN KEPUTUSAN

FUNGSI OBJEKTIV (sasaran/tujuan)

Adalah hasil akhir yang ingin diperoleh dengan me-
milih suatu langkah kegiatan khusus atas suatu sis-
tem yang distudi.
Objektiv untuk memperoleh uang adalah memaksi-
mumkan keuntungan atau meminimumkan biaya.
Objektiv pada organisasi nirlaba antara lain mening-
katkan kualitas pelayanan bagi para pelanggan.
 KOMPONEN UTAMA (2)
PERMASALAHAN KEPUTUSAN

VARIABEL KEPUTUSAN
Adalah variabel yang diidentifikasi termasuk ke da-
lam sistem dan dalam kendali pembuat keputusan.
Kesulitan bisa terjadi antara lain pada kemungkinan
terjadinya bias karena tim pemecahan permasalahan
yang interdisiplin, sehingga ada variabel yang
”uncontrollable” untuk diidentifikasi.

By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019

ART OF Model project projectING
The Model project project is defined as an objective
function and restrictions expressed in term of decision
variables (alternatives) of the problem.
Model project project construction and development
represent the crucial step in the implementation of OR,
and, indeed any systematic decision-making procedure.
A solution to a Model project project, albeit accurate and
exact, will not be useful unless the Model project project
itself provides an ade-quate representation of the true
decision situation.
(Hamdy A. Taha. 1987)
 Model project
projectING
Sistem Dunia Nyata

Asumsi (ideal)
Model
Sistem Dunia Nyata
project
project

By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019

 CONTOH (1)
Seorang Direktur Produksi suatu pabrik harus memu-tuskan
apakah membeli mesin otomatis (AU), ataukah, membeli
mesin semi-otomatis (SA).
Identifikasi variable atas struktur biaya Operasil
projectkedua mesin tersebut ditunjukkan pada tabel berikut
ini.

Struktur Biaya ($) AU(1) SA(2)

Set up (fixed) cost, Cf 500 200
Unit variabel cost, V 4 6
y = C, production cost

yi = 1100 Ct1 Ct1

Ct2 Pi : indifferent
500
Ct2 point

200
x : production quantity
x < 150 xi = 150 x > 150
BREAK-EVEN CHART
 CONTOH (2)
Sebuah pabrik cat milik PTRM mempunyai satu pabrik kecil yang memproduksi cat
rumah interior (i) dan exterior (e) untuk perdagangan borongan, dengan ba-han baku
utama a dan b.
Hasil survey pasar, permintaan cat interior tidak lebih besar 1 ton di atas per-mintaan
cat exterior; permintaan maksimum cat interior = 2 ton.
Laba kotor per ton grosiran cat exterior, Pe = $3000 dan cat interior, Pi = $2000.
Persediaan maksimum bahan baku per hari, a = 6 ton dan b = 8 ton. Tiap ton produk
cat membutuhkan bahan baku seperti ditunjukkan pada tabel di bawah.
Bagaimana manajemen PTRM mengatur produksi harian cat exterior dan cat interior
untuk dapat memperoleh keuntungan kotor maximum?.

Pemakaian (t) bh- exterior interior

baku (per ton) cat
a 1 2
b 2 1
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
PENYELESAIAN CONTOH (2)

 Identifikasi OBJEKTIV & VARIABEL terkait,

 Nyatakan OBJEKTIV sebagai fungsi matematik atas vari-abel-variabel
yang telah diidentifikasi tersebut di atas.
 Nyatakan konstrain/kendala sebagai fungsi matematik atas variabel-
variabel yang telah diidentifikasi tersebut di atas.
 Nyatakan dua kendala pasar dengan variabel-variabel yang telah
diidentifikasi tersebut di atas.
 Implisit matematis, kuantitas produksi tidak boleh bernilai negatif,
sehingga secara matematik dapat ditulis formula:

x = {(xi, xe) : xi ≥ 0, xe ≥ 0}.

 PENENTUAN PRODUKSI CAT
(xe & xi) milik PTRM
xi
5

xi

O(0,0) xe
S R

Q(3⅓,1⅓)
Titik Sudut Q
T adalah solusi
OPTIMUM

O(0,0) P xe
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
 FUNGSI OBJECTIVE:
z = 3xe + 2xi
xi

S  R
2
 
Q
1 T

P 
O(0,0) 1 2 3 4 xe
 CONTOH SOAL-3
(1) Sebuah perusahaan meubel memproduksi setiap lusin meja yang
memerlukan waktu perakitan 2½ jam, pemolesan 3 jam dan penge-pakan 1
jam. Perakitan setiap lusin kursi memerlukan waktu perakitan 1 jam,
pemolesan 3 jam dan pengepakan 2 jam. Waktu peralatan diba-tasi tidak
melebihi: perakitan ≤ 20 jam, pemolesan ≤ 30 jam dan pe-ngepakan ≤ 16
jam. Marjin laba: Rp 3,000,000.- per lusinmeja dan Rp 4,000,000.- per lusin
kursi. Berapa lusin meja dan kursi harus dipro-duksi agar mencapai laba
maksimum?

(2) Dari soal-1 produksi ditambah dengan BANGKU yang setiap lusin-nya
memerlukan waktu perakitan 3 jam, pemolesan 2 jam dan penge-pakan 2
jam, dan menambah margin laba sebesar Rp 3,500,000.- Berapa lusin meja,
bangku dan kursi harus diproduksi agar mencapai laba maksimum?
 TEORI DUALITAS
GAGASAN DASAR:
Setiap permasalahan PL mempunyai satu PL lain yang
saling berkaitan (corresponding), yaitu: “DUAL”, se-
hingga solusi pada permasalahan awal (“PRIMAL”)
juga memberikan solusi pada dualnya.

DASAR PENDEFINISIAN DUAL:

 Fungsi Tujuan;
 Jenis Pembatas;
 Tanda Variabel:
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
KORESPONDENSI PRIMAL-DUAL
 Koefisien fungsi tujuan primal menjadi konstanta ruas kanan
dual; konstanta ruas kanan primal menjadi koefisien fungsi
tujuan dual.
 Setiap pembatas primal ada satu variabel dual; setiap variabel
primal ada satu pembatas dual.
 Tanda ketidaksamaan pembatas bergantung kepada fungsi
tujuan.
 Fungsi tujuan berubah bentuk, maximasiminimasi, dan
sebaliknya.
 Setiap kolom primal corresponding baris pembatas dual.
 Setiap baris pembatas primal corresponding kolom dual.
 DUAL dari DUAL adalah PRIMAL.
 BENTUK DUALITAS
PRIMAL DUAL
Maximumkan: Minimumkan:
z = c1x1 + c2x2 + … + cnxn w = b1y1 + b2y2 + … + bnyn
Dengan Kendala: Dengan Kendala:
a11x1 + a12x2 + … + a1nxn ≤ b1 a11y1 + a21y2 + … + am1ym ≥ c1
a21x1 + a22x2 + … + a2nxn ≤ b2 a12y1 + a22y2 + … + am2ym ≥ c2
………………………………… …………………………………
………………………………… …………………………………
am1x1 + am2x2 + … + amnxn ≤ bm a1ny1 + a2ny2 + … + amnym ≥ cn
x1 , x2 , … , xn ≥ 0 y1 , y 2 , … , ym ≥ 0
 PROSES Model project projectING
SECARA GRAFIS
Gudang Gudang Wi-
Pusat (GP) layah (GW)

GW-1 1,500

1,000 GP-1
GW-2 750

2,000 GP-2

GW-3 750
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
 POHON KEPUTUSAN

DETERMINISTIK STOKASTIK

Tahap Tahap Tahap Tahap

Tunggal Ganda Tunggal Ganda
 Permintaan tinggi
£(A, d1)
p(d1)= 75%
PROJEK A
P(A) I0A = IDR5.-milyar £(A)

Permintaan rendah
£(A, d2)
p(d2)= 25%
SIMPUL KE-
PUTUSAN Permintaan tinggi
£(B, d1)
p(d1)= 75%

P(B) I0A = IDR1.-milyar £(B)

PROJEK B
Permintaan rendah
£(B, d2)
p(d2)= 25%

POHON KEPUTUSAN STOKASTIK TAHAP TUNGGAL

 Tahun-2,
950JT
OPSI-1 Tahun-1,
Ganti Mesin 550JT

SIMPUL KE- OPSI-2 Tahun-2,

PUTUSAN Ganti Mesin 550JT

Tahun-1,
Tidak Ganti Mesin 750JT
OPSI-3 Tahun-2,
Tidak Ganti Mesin 350JT

TAHUN PERTAMA TAHUN KEDUA

POHON KEPUTUSAN DETERMINISTIK TAHAP GANDA

 PROBABILITAS (PELUANG)

• Tugas statistika baru dianggap selesai apabila telah mencapai

hasil berupa kesimpulan yang dapat dipertanggung jawabkan
tentang sifat dan karakteristik populasi.
• Hasil tersebut (Statistik) pada umumnya diperoleh dengan me-
lakukan penelitian secara sampling.
• Hasil Sampling mengandung ketidak-pastian, sehingga perlu di-
pertimbangkan mengenai keyakinan untuk mempercayai kebe-
naran tersebut.
• “Teori Probabilitas (Peluang)” merupakan metode pemecahan
permasalahan yang berhubungan dengan ketidak-pastian infor-
masi dan menghasilkan solusi yang tidak pasti pula, membahas
derajat keyakinan atas ketidak-pastian suatu peristiwa.

By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019

 DEFINISI PROBABILITAS

• Probabilitas Subjektif berhubungan dengan kepercayaan, peng-

alaman dan pengetahuan pribadi atas situasi yang menghasilkan
estimasi probabilitas dan tidak dilandasi bukti masa lalu.

• Probabilitas Objektif Klasik (atau apriori) berhubungan dengan

probabilitas sebelum kejadian, seperti melempar koin atau per-
tandingan untung-untungan (belum ada observasi sebelumnya).

• Probabilitas Objektif Empirik menunjukkan frekuensi relatif atas

hasil observasi tertentu yang akan terjadi di masa depan (sudah
ada observasi sebelumnya) yang akurasinya akan meningkat de-
ngan peningkatan jumlah aktivitas observasi.
 PROBABILITAS (7)
Contoh data nilai 5000 mahasiswa selama lima tahun
terakhir untuk mata kuliah ”Riset Operasi” (RSO).
KETERANGAN:
Distribusi frekuensi adalah infor-
masi yang diatur sesuai dengan
kejadian-kejadian dalam experimen
(kolom # 02);
Distribusi probabilitas adalah daf-
tar probabilitas yang berhubungan
dengan setiap kejadian (kol.# 04).

Kumpulan kejadian yang me-

Semua kejadian pada tabel ter-
liputi semua kejadian yang
sebut di atas bersifat
mungkin terjadi disebut
mutually exclusive → Sifi = 1. collectively exhaustive.
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
 VARIABEL ACAK DISKRIT

DEFINISI
Variabel Acak adalah suatu fungsi yang nilainya berupa bilangan
nyata yang ditentukan oleh setiap unsur xi dalam ruang contoh S.
Variabel Acak Diskrit adalah variabel dengan banyaknya nilai yang
mungkin terhingga atau tak-terhingga, tetapi masih dapat dihitung.

S
X X(s)

Contoh variabel acak diskrit adalah pengundian sekaligus 2 mata uang

logam yang seimbang dengan sisi angka (A) dan gambar (G) mengha-
silkan ruang sampel: S = {AA, AG, GA, GG}.
Bila X adalah banyaknya G yang terjadi,
→ maka nilai X yang mungkin: Rx = {0, 1, 2}.
 VARIABEL ACAK KONTINU

DEFINISI
Variabel Acak Kontinu adalah variabel dengan banyaknya nilai
yang mungkin merupakan sebuah interval pada garis bilangan real.
Contoh pengukuran berat 28000 mahasiswa suatu universitas dengan
NIM dari 00001 sampai dengan 28000. Seorang mahasiswa dipilih se-
cara acak dan diukur berat badannya, maka diperoleh ruang sampel:
S = {s:s = 00001, 00002, 00003,….., 28000}.
X, berat badan mahasiswa yang terpilih, ditulis sebagai:
X(s), dengan sS.
Bila tidak ada berat badan mahasiswa kurang daripada 40 kg atau lebih
daripada 95 kg,maka ruang hasil X, atau nilai X yang mungkin:
→ Rx = {x: 40 ≤ x ≤ 95}.
Rx merupakan sebuah interval → X adalah variabel kontinu.
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
 DISTRIBUSI PROBABILITAS
VARIABEL DISKRIT & KONTINU
• Variabel acak yang tidak diskrit disebut VARIABEL
ACAK KONTINU, yang berlaku untuk setiap nilai x
dalam batas: a1 < X < a2 atau -∞ < X < ∞.

FUNGSI PELUANG:
• Variabel Acak Diskrit: p(x) = P(X = x)

p(x) = 1
• Variabel Acak Kontinu: f(x)

=1; P(a < X < b) =

 POHON PROBABILITAS
PROBABILITAS LEMPARAN KOIN
LEMPARAN KE-1 LEMPARAN KE-2 LEMPARAN KE-3
0.5
p(AAA) = 0.125
0.5
p(AA) = 0.25
0.5
p(AAG) = 0.125
0.5
p(A) = 0.5 0.5
p(AGA) = 0.125
0.5
p(AG) = 0.25
0.5
p(AGG) = 0.125
1
0.5
p(GAA) = 0.125
0.5
p(GA) = 0.25
0.5
p(GAG) = 0.125
0.5
p(G) = 0.5 0.5
p(GGA) = 0.125
0.5
p(GG) = 0.25
0.5
p(GGG) = 0.125
 POHON PROBABILITAS
PROBABILITAS LEMPARAN KOIN
LEMPARAN KE-1 LEMPARAN KE-2 LEMPARAN KE-3
0.6
p(SSS) = 0.216
0.6
p(SS) = 0.36
0.4
p(SSG) = 0.144
0.6
p(S) = 0.6 0.6
p(SGS) = 0.144
0.4
p(SG) = 0.24
0.4
p(SGG) = 0.096
1
0.6
p(GSS) = 0.144
0.6
p(GS) = 0.24
0.4
p(GSG) = 0.096
0.4
p(G) = 0.4 0.6
p(GGS) = 0.096
0.4
p(GG) = 0.16
0.4
p(GGG) = 0.054
POHON PROBABILITAS BINOMIAL
Lemp. ke-1 Lemparan ke-2 Lemparan ke-3 Lemparan ke-4
p p
pppp Lemparan ke-5
p ppp q
pppq
pp p
p q ppq q
ppqp
ppqq
p p p p
pqpp pqpqp
q pqp q
pqpq
pq q
p q
pqqp pqpqq
pqq q
1 pqqq
p p
qppp
p qpp q
qppq
qp p
q qpqp
q qpq q
qpqq
q p p
qqpp
q qqp q
qqpq
qq p
q qqqp
qqq q
qqqq
LEMPAR KOIN-1 LEMPAR KOIN-2 LEMPAR KOIN-3
p(A) = 0.5
0.125
p(A) = 0.5
0.25
p(G) = 0.5
0.125
p(A) = 0.5
0.5 p(A) = 0.5
0.125
p(G) = 0.5
0.25
p(G) = 0.5
0.125
1
p(A) = 0.5
0.125
p(A) = 0.5
0.25
p(G) = 0.5
p(G) = 0.5 0.125
0.5 p(A) = 0.5
0.125
p(G) = 0.5
0.25
p(G) = 0.5
0.125

POHON PROBABILITAS LEMPARAN KOIN

 5 7

4 4
7
10
8 2 9
8
6
1 5 3 8 8 10
5 9
5 3
9
6
4 6
5 9

Stage-1 Stage-2 Stage-3 Stage-4

PROGRAM DINAMIS: Diagram Jaring Transportasi

 P=0.216 PPPP
P=0.36 PPP
S=0.144 PPPS
P=0.6
PP
P=0.072 PPSP
P=1 PPS
P S=0.24
S=0.168 PPSS
0
P=0.12
PSP P=0.036 PSPP
PS
S
S=1 S=0.084 PSPS

P=0.084 PSSP
P=0.3

SS PSS
S=0.196 PSSS
SP

ANALISIS RANTAI MARKOV: Perilaku Pelanggan SPBU

 PROYEK BISNIS -2
(Operations Research)
PROJECT-2

Dr. H, Sugiyanto, SE, MM, CMA, CT, CHt

UNIVERSITAS PAMULANG (UNPAM)
Jl. Surya Kencana No. 1 Pamulang Barat
Tangerang Selatan - Banten  +62217412566
 ALUR PEMBAHASAN (tid)
SELESAI

Model project project Analisis Rantai Markov

Pengendalian Persediaan Teori Antrian
Program Dinamis Teori Permainan
REVIEW TEORI PROBABILITAS

LINEAR PROGRAMMING
- Grafik/Simplex;
Model project project
- Dualitas/ Sensitivitas;
- Transportasi/Penugasan;
JARINGAN: PERT &
- Program Integer. CPM.

Model project project Model project project

MATEMATIK OPERASI

Model project project DETERMINISTIK

Resume Teori Pengambilan Keputusan

MULAI
 OUTLINE MATERI AJAR
PENELITIAN OPERASIONAL (RSO)

RSO-1: RSO-2:
Model project project Model project project
DETERMINISTIK PROBABILISTIK
• Teori Pengambilan
Keputusan • Teori Probabilitas/
• Linear Programming Stokastik
- Grafik; • Program Dinamis
- Simplex; - Sensitivitas; • Model project project
- Dualitas: - Transportasi; Persediaan
- Penugasan; • Analisis Rantai Markov
• Model project- project
Program Integer. • Teori Antrian
Jaringan • Teori Permainan

By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019

 PROBABILITAS (1)

• Model project project probabilitas adalah Model project

project pemecahan permasa-lahan yang berhubungan
dengan ketidak-pastian informasi dan solusi:
– Ada lebih daripada satu kemungkinan;
– Terdapat keraguan hasil (mengandung kejadian probabilitas);
– Pemecahan dalam bentuk rata-rata nilai aktual akan berbeda-
beda dari waktu ke waktu.
• Jenis Probabilitas
– subjektif ;
– objektif klasik (atau apriori);
– objektif empirik.
 PROBABILITAS (2)
DEFINISI:
 Probabilitas adalah suatu nilai yang digunakan
untuk mengukur tingkat terjadinya suatu peris-
tiwa acak. (Probability is a measure of a likeli-
hood of the occurance of a random event.
Mendenhall & Reinmuth. 1982);
 Probabilitas (Peluang) adalah suatu ukuran ba-
gi kemustahilan atau kemungkinan timbulnya
suatu peristiwa (kejadian) dengan nilai:
antara 0 dan 1 = 0 ≤ p ≤ 1.

By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019

 PROBABILITAS (3)

DEFINISI
• Probabilitas Subjektif berhubungan dengan kepercayaan, peng-
alaman dan pengetahuan pribadi atas situasi yang menghasilkan
estimasi probabilitas dan tidak dilandasi bukti masa lalu.

• Probabilitas Objektif Klasik (atau apriori) berhubungan dengan

probabilitas sebelum kejadian, seperti melempar koin atau per-
tandingan untung-untungan (belum ada observasi sebelumnya).

• Probabilitas Objektif Empirik menunjukkan frekuensi relatif atas

hasil observasi tertentu yang akan terjadi di masa depan (sudah
ada observasi sebelumnya) yang akurasinya akan meningkat de-
ngan peningkatan jumlah aktivitas observasi.
 PROBABILITAS (7)
Contoh data nilai 5000 mahasiswa selama lima tahun
terakhir untuk mata kuliah ”Riset Operasi” (RSO).
KETERANGAN:
Distribusi frekuensi adalah infor-
masi yang diatur sesuai dengan
kejadian-kejadian dalam experimen
(kolom # 03);
Distribusi probabilitas adalah daf-
tar probabilitas yang berhubungan
dengan setiap kejadian (kol.# 04).

Kumpulan kejadian yang me-

Semua kejadian pada tabel ter-
sebut di atas bersifat
mutually exclusive → Sifi = 1.
liputi semua kejadian yang
mungkin terjadi disebut
collectively exhaustive.
 PROBABILITAS (4)
KONSEP PROBABILITAS (PELUANG)
• p(.) = probabilitas (nilai
peluang); p(.) = probabilitas =
ukuran untuk me-
• Terjadinya sebuah peristi-
ngetahui terjadi atau
wa ditentukan oleh p(.) ;
tidak terjadi-nya
• p(.) dihitung berdasarkan suatu peristiwa.
perumusan umum;

JARANG DITEMUKAN ADA PERISTIWA:

pasti terjadi → p(.) = 1 ;
pasti tidak terjadi→ p(.) = 0.
→ 0 ≤ p(.) ≤ 1
 PROBABILITAS (5)

AXIOMA PROBABILITAS

BILA: MAKA:
• S = ruang sampel experimen;
• p(A) ≥ 0 untuk AA,
• A = kumpulan semua peristi- (dibaca peluang
wa yang dibentuk dari S; peristiwa A, atau pelu-
• p(.) = fungsi peluang dengan ang terjadinya peris-
domain A dan dengan tiwa A);
range [0, 1]. • P(S) = 1.

By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019

 PROBABILITAS (6)

KARAKTERISTIK DASAR
PROBABILITAS
• K = peristiwa/kejadian → 0 ≤ K ≤ 1;
• p = probabilitas → Sipi = 1;
• Bila hubungan (antar/dalam) kumpulan
kejadian bersifat mutually exclusive, maka
jumlah probabilitas kejadian :
Sifi = 1.
 PROBABILITAS (7)
KEJADIAN ”TIDAK MUTUALLY EXCLUSIVE” .

Contoh: Pilihan konsentrasi mahasiswa Prodi Manajemen, ditulis:

► 40% marketing; p(M) = 40%;

► 30% SDM (HR); p(H) = 30%;
► 10% pilih keduanya. p(MH) = 10%.

Probabilitas mahasiswa memilih satu, atau yang lainnya, atau

keduanya ditentukan dengan:
p(M atau H) = p(M) + p(H) – p(MH)
p(M atau H) = 40% + 30% – 10% = 60%.
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
 PROBABILITAS (8)
INDEPENDENSI dan DEPENDENSI Statistik
Kejadian independen adalah kejadian-kejadian yang tidak saling
mempengaruhi probabilitas kejadian lainnya.
Sebaliknya ialah kejadian dependen.
Kejadian independen memungkinkan untuk menentukan kedua
kejadian yang berlangsung secara berurutan dengan mengalikan
probabilitas setiap kejadian.
Probabilitas munculnya angka, p(A) pada lemparan pertama koin
dan munculnya gambar, p(G) pada lemparan kedua dapat diten-
tukan dengan formula berkut ini.
p(AG) = p(A) p(G) = (0.5) (0.5) = 0.25
 PROBABILITAS OBJEKTIV EMPIRIK
CONTOH data nilai 5000 mahasiswa selama lima
tahun terakhir untuk mata kuliah ”Riset Operasi” (RSO).
KETERANGAN:
Distribusi frekuensi adalah infor-
masi yang diatur sesuai dengan
kejadian-kejadian dalam experimen
(kolom # 02 & 03);
Distribusi probabilitas adalah daf-
tar probabilitas yang berhubungan
dengan setiap kejadian (kol.# 04).

Kumpulan kejadian yang me-

Semua kejadian pada tabel ter-
liputi semua kejadian yang
sebut di atas bersifat
mungkin terjadi disebut
mutually exclusive → Sifi = 1. collectively exhaustive.
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
 POHON PROBABILITAS
PROBABILITAS LEMPARAN KOIN
LEMPARAN KE-1 LEMPARAN KE-2 LEMPARAN KE-3
0.5
p(AAA) = 0.125
0.5
p(AA) = 0.25
0.5
p(AAG) = 0.125
0.5
p(A) = 0.5 0.5
p(AGA) = 0.125
0.5
p(AG) = 0.25
0.5
p(AGG) = 0.125
1
0.5
p(GAA) = 0.125
0.5
p(GA) = 0.25
0.5
p(GAG) = 0.125
0.5
p(G) = 0.5 0.5
p(GGA) = 0.125
0.5
p(GG) = 0.25
0.5
p(GGG) = 0.125
 POHON PROBABILITAS
PROBABILITAS LEMPARAN KOIN
LEMPARAN KE-1 LEMPARAN KE-2 LEMPARAN KE-3
0.6
p(SSS) = 0.216
0.6
p(SS) = 0.36
0.4
p(SSG) = 0.144
0.6
p(S) = 0.6 0.6
p(SGS) = 0.144
0.4
p(SG) = 0.24
0.4
p(SGG) = 0.096
1
0.6
p(GSS) = 0.144
0.6
p(GS) = 0.24
0.4
p(GSG) = 0.096
0.4
p(G) = 0.4 0.6
p(GGS) = 0.096
0.4
p(GG) = 0.16
0.4
p(GGG) = 0.064
POHON PROBABILITAS BINOMIAL
Lemp. ke-1 Lemparan ke-2 Lemparan ke-3 Lemparan ke-4
p p
pppp Lemparan ke-5
p ppp q
pppq
pp p
p q ppq q
ppqp
ppqq
p p p p
pqpp pqpqp
q pqp q
pqpq
pq q
p q
pqqp pqpqq
pqq q
1 pqqq
p p
qppp
p qpp q
qppq
qp p
q qpqp
q qpq q
qpqq
q p p
qqpp
q qqp q
qqpq
qq p
q qqqp
qqq q
qqqq
 VARIABEL ACAK DISKRIT

DEFINISI
Variabel Acak adalah suatu fungsi yang nilainya berupa bilangan
nyata yang ditentukan oleh setiap unsur dalam ruang contoh.
Variabel Acak Diskrit adalah variabel dengan banyaknya nilai yang
mungkin terhingga atau tak-terhingga, tetapi masih dapat dihitung.

S
X X(s)

Contoh variabel acak diskrit adalah pengundian sekaligus 2 mata uang

logam yang seimbang dengan sisi angka (A) dan gambar (G) mengha-
silkan ruang sampel: S = {AA, AG, GA, GG}.
Bila X adalah banyaknya G yang terjadi,
→ maka nilai X yang mungkin: Rx = {0, 1, 2}.
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
 VARIABEL ACAK KONTINU

DEFINISI
Variabel Acak Kontinu adalah variabel dengan banyaknya nilai
yang mungkin merupakan sebuah interval pada garis bilangan real.
Contoh pengukuran berat 28000 mahasiswa suatu universitas dengan
NIM dari 00001 sampai dengan 28000. Seorang mahasiswa dipilih se-
cara acak dan diukur berat badannya, maka diperoleh ruang sampel:
S = {s:s = 00001, 00002, 00003,….., 28000}.
X, berat badan mahasiswa yang terpilih, ditulis sebagai:
X(s), dengan sS.
Bila tidak ada berat badan mahasiswa kurang daripada 35 kg atau lebih
daripada 125 kg,maka ruang hasil X, atau nilai X yang mungkin:
→ Rx = {x: 35 ≤ x ≤ 125}.
Rx merupakan sebuah interval → X adalah variabel kontinu.
 DISTRIBUSI PROBABILITAS
VARIABEL DISKRIT & KONTINU
• Variabel acak yang tidak diskrit disebut VARIABEL
ACAK KONTINU, yang berlaku untuk setiap nilai x
dalam batas: a1 < X < a2 atau -∞ < X < ∞.

FUNGSI PELUANG:
• Variabel Acak Diskrit: p(x) = P(X = x)

p(x) = 1
• Variabel Acak Kontinu: f(x)

=1; P(a < X < b) =

By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
 NILAI HARAPAN (EXPEKTASI)

DEFINISI

Nilai expektasi adalah jumlah perkalian antara variabel acak de-

ngan probabilitasnya. Nilai expektasi terkait dengan rata-rata
tertimbang (weighted average, mean) distribusi probabilitas (ke-
cenderungan terpusat distribusi).
FORMULA: E(x) = xip(xi)
Varians, s2 adalah nilai pengukuran untuk mengetahui tersebarnya
nilai-nilai sekitar mean. Deviasi standard (s) merupakan pengukur-
an penyebaran yang sering digunakan.
FORMULA: s2 = xi – E(xi)}2P(xi) → s = = .
 DISTRIBUSI PROBABILITAS
VARIABEL DISKRIT (1)

FUNGSI PELUANG:
• Dalil BINOMIAL: (x + a)n = xn-kak.
• Distribusi BERNOULLI: Bila suatu eksperimen meng-
hasilkan 2 peristiwa, misalnya “sukses” dan “gagal” de-
ngan peluang masing-masing p dan (1 – p), maka kedua
peristiwa yang diamati akan berdistribusi Bernoulli de-
ngan formula:

x 1–x
p(x) = p (1 – p) ; x = 0, 1

By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019

 DISTRIBUSI PROBABILITAS
VARIABEL DISKRIT (2)

• Distribusi BINOMIAL : digunakan untuk percobaan

sejumlah n percobaan dengan ciri-ciri berikut:
 Percobaan dilakukan terdiri atas n ulangan;
 Hasil tiap ulangan terbagi atas “sukses” dan “gagal”;
 Ulangan-ulangan bersifat bebas;
 p, peluang “sukses” selalu sama, tidak berubah.

• Formula BINOMIAL : p(x) = b(x; n, p) = p x qn– x

x = 0, 1, 2, 3, …, n; q = 1 – p  (p + q) = 1
 Sp(x) = nSx=0b(x; n, p) = 1
m = E(X) = np; Nampak, p(x) merupakan suku ke-(n+1)
s2 = npq. dalam expansi binomial (p+q)n.
 DISTRIBUSI PROBABILITAS
VARIABEL DISKRIT (4)

• Distribusi POISSON: p(x,l) =

Distribusi Poisson diturunkan dari distribusi
binomial dengan persyaratan:
 Pengulangan experimen sangat banyak, x → ∞;
 Peluang perstiwa sangat kecil, p → 0;
 Rerata m = l = np, → p = .

• Parameter
 m = l;
Distribusi
 s = l.
2
POISSON:By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
 DISTRIBUSI PROBABILITAS
VARIABEL DISKRIT (3)

• Distribusi MULTINOMIAL adalah distribusi dari perco-

baan yang menghasilkan beberapa (> 2) kejadian yang
saling menghilangkan (mutually exclusive)

p(x1, x2, .…, xk) = , …,

Untuk nilai-nilai: X1 = 0, 1, 2, 3, ….;

Xi = 0, 1, 2, 3, ….; Xk = 0, 1, 2, 3, ….;

MAKA: kSi=1xi = n.
 DISTRIBUSI PROBABILITAS
VARIABEL DISKRIT (5)

• Distribusi GEOMETRIK: P(X=x) = p(1 – p)x-1

Persyaratan Distribusi GEOMETRIK:

 Experimen terdiri atas “S=sukses” & “G=gagal”;
 Experimen diulang s/d terjadi “S” pertama kali;
 Peluang “S” dan “G” tetap setiap experimen;

 Setiap experimen bersifat BEBAS.

• Parameter  m = ;
Distribusi
s =
2
GEOMETRIK :  .
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
 DISTRIBUSI PROBABILITAS
VARIABEL DISKRIT (6)

• Distribusi HIPERGEOMETRIK: P(X=x) =

KETERANGAN:
 N : ukuran populasi termasuk r & N – r ;
 r : “sukses” → (N – r): “gagal”;
 n : total ukuran sampel (contoh);
 x : ukuran sampel (contoh) yang “gagal”.

• Parameter  m = ;
Distribusi
s =
2
GEOMETRIK :  .
 DISTRIBUSI (KURVA) NORMAL
• Distribusi Normal, (Distribusi Gauss) merupakan distribusi pro-
babilitas variabel acak kontinu (Distribusi Densitas ) yang paling
penting dan paling banyak dipergunakan dalam statistika, atau
gugusan data yang terjadi dalam bidang apa-pun. Grafiknya
disebut kurva normal, berbentuk genta simetris terhadap x = m.
• Persamaan matematik distribusi normal variabel acak X kontinu
bergantung kepada 2 (dua) parameter, yaitu arithmetic mean (m,
nilai tengah) dan standard deviation (s simpangan baku & s2
varians), sehingga fungsi densitas X dapat ditulis n(x; m, s).
• FORMULA K-NORMAL:

n(x; m, s) = ƒ(x) =
p = 3.14159265358979 & e = 2.71828182845905
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
NILAI STATISTIKA 100 MAHASISWA
NILAI STATISTIKA 100 MAHASISWA

DISTRIBUSI FREKUENSI
16%

14%

12%

10%

8%

6%

4%

2%

0%
28 33 38 43 48 53 58 63 68 73 78 83 88 93 98

By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019

 NILAI STATISTIKA 100 MAHASISWA
D-FREKUENSI
16%
14%
12%
10%
ƒ(x) =
8%
6%
D-NORMAL
4% 16%

2% 14%

0% 12%
28 33 38 43 48 53 58 63 68 73 78 83 88 93 9810%

8%

m = 63.10
6%
4%
s= 13.96 2%
0%
28 33 38 43 48 53 58 63 68 73 78 83 88 93 98
 KURVA-KURVA NORMAL:
f(x) = n(x; m, s)
f(x) = n(x; 39, 10) f(x) = n(x; 61, 10)
4.5%

4.0%

3.5%

3.0%
f(x) = n(x; 39, 20) f(x) = n(x; 61, 20)
2.5%

2.0%

1.5%

1.0%

0.5%

0.0%
1 9 17 25 33 41 49 57
By
65 73 81 89 97
Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
KURVA NORMAL BAKU (STANDAR)

• Distribusi Normal Baku adalah distribusi

variabel acak normal dengan nilai tengah
m = 0 dan deviasi standar s = 1, atau
variabel baku dengan z = x.
• FORMULA K-NORMAL BAKU:

z= =x

n(x; 0, 1) = ƒ(x) = ƒ(z) =

By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
 KURVA NORMAL BAKU
m=0
z= s= 1 f(x) = f(z) =
z=x
0.45
0.40
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0.00
-4.0 -3.5 -3.0 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
 KURVA NORMAL BAKU
m=0
z= s= 1 f(x) = f(z) =
z=x
0.45
0.40
0.35
0.30
0.25 z = x = -1.5 z = x = 1.86
0.20
0.15
0.10
0.05
0.00
-4.0 -3.5 -3.0 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
 PELUANG P(x1<X<x2)
NILAI STATISTIKA 100 MAHASISWA
D-NORMAL
16%

14%

12%

10%

8%

6%

4%

2%

0%
28 33 38 43 48 53 58 63 68 73 78 83 88 93 98

x1 = 56 x2 = 80
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
 POHON RANTAI MARKOV
T: 0.6
T: TTTT = 0.216
TTT = 0.36
T: TT 0.6 S: 0.4
TTTS = 0.144 T S
= 0.6 S: 0.7 0.216 0.144
0.6 S: TTS = 0.24 TTSS = 0.168

1T 0.4 T: 0.3 TTST = 0.072 0.072 0.168

S: 0.7 0.084 0.196
S: TSSS = 0.196
TSS = 0.28 T: 0.3 0.072 0.048
S: TS = 0.7 TSST = 0.084
0.4 T: 0.6 0.444 0.556
0.4 T: TST = 0.12
TSTT = 0.072
0.3 S: 0.4
TSTS = 0.048
S: 0.7 SSSS = 0.343
S:
SSS = 0.49 T: 0.3
0.7 SSST = 0.147
S: SS =
T S 0.7 0.7 T: 0.6
T: SSTT = 0.126
0.147 0.343 SST = 0.21
1S 0.3 S: 0.4 SSTS = 0.084
0.126 0.084 S: 0.4
T: STTS = 0.072
0.108 0.072 STT = 0.18
T: 0.6 T: 0.6
0.036 0.084 ST = STTT = 0.108
0.3 T: 0.3
0.417 0.583 0.3 S: STST = 0.036
STS = 0.12 S: 0.7
0.4
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt STSS
2019 = 0.084
 POHON RANTAI MARKOV
P: 0.6
P: 0.6 PPPP = 0.216 PPPPP = 0.1296
P: S: 0.4
PPPPS = 0.0864
0.6 PPP = 0.36 S: 0.7
PPPSS = 0.1008
S: 0.4
PPPS = 0.144 P: 0.3
P: PP = S: 0.7
PPPSP = 0.0432

0.6 0.6 S: 0.7

PPSS = 0.168 P: 0.3
PPSSS = 0.1176

S: PPS = 0.24 PPSSP = 0.0504

P: 0.6
0.4 P: 0.3 PPSPP = 0.0432
PPSP = 0.072 S: 0.4
PPSPS = 0.0288
1P S: 0.7
S: 0.7
PSSS = 0.196 P: 0.3
PSSSS = 0.1372

S: PSSSP = 0.0588
PSS = 0.28 P: 0.6
0.7 P: 0.3 PSSPP = 0.0504
PSSP = 0.084 S: 0.4
PSSPS = 0.0336
S: PS = P: 0.6
PSPPP = 0.0432
0.4 0.4 P: 0.6
PSPP = 0.072 S: 0.4
P: PSP = 0.12 PSPPS = 0.0288
S: 0.7
0.3 S: 0.4 PSPSS = 0.0336
PSPS = 0.048 P: 0.3
PSPSP = 0.0144
 POHON RANTAI MARKOV
S: 0.7
S: 0.7 SSSS = 0.343 SSSSS = 0.2401
P: 0.3
S: SSSSP = 0.1029
SSS = 0.49 P: 0.6
0.7 P: 0.3 SSSPP = 0.0882
SSSP = 0.147 S: 0.4
S: SS = S: 0.4
SSSPS = 0.0588

0.7 0.7 P: 0.6

SSPP = 0.126 P: 0.6
SSPPS = 0.0504

P: SSPPP = 0.0756
SSP = 0.21 P: 0.3
0.3 S: 0.4 SSPS = 0.084 SSPSP = 0.0252
S: 0.7

1S
SSPSS = 0.0588
S: 0.7
S: 0.4 SPPSS = 0.0504
SPPS = 0.072 P: 0.3
P: SPPSP = 0.0216
SPP = 0.18 P: 0.6
0.6 SPPPP = 0.0648
P: 0.6
SPPP = 0.108 S: 0.4
SPPPS = 0.0432
P: SP = S: 0.4
SPSPS = 0.0144
0.3 0.3 P: 0.3
SPSP = 0.036 P: 0.6
SPSPP = 0.0216
S:
SPS = 0.12 P: 0.3
0.4 S: 0.7 SPSSP = 0.0252
SPSS = 0.084 S: 0.7
SPSSS = 0.0588
By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019
SINGLE Q-PHASE, Single & Dual - Channel
Populasi Antrian FCFS Pelayanan
panjang antrian, tak terbatas

sumber, tak tingkat ke- tingkat

datangan pelayanan keluar
terbatas
Poisson exponensial

tingkat
pelayanan
exponensial
sumber, tak tingkat ke-
terbatas datangan keluar
Poisson tingkat
pelayanan
exponensial
 PROGRAM DINAMIS

Dynamic programming is a mathematical

procedure designed primarily to improve
the computational efficiency of select
mathematical programming problems by
decomposing them into smaller, and hence
computatonally sim-pler, subproblems.
(Taha, Hamdy A. 1987)
 5 7

4 4
7
10
8 2 9
8
6
1 5 3 8 8 10
5 9
5 3
9
6
4 6
5 9

Stage-1 Stage-2 Stage-3 Stage-4

PROGRAM DINAMIS: Diagram

By Dr. H. Jaring Transportasi
Sugiyanto,SE,MM, CMA. CT. CHt 2019
 5 7

6 4
7
12
9 2 11
8
8
1 5 3 8 10 10
7 9
7 3
11
6
6 6
5 9

Diagram Jaringan Transportasi (soal UTS RSO-2/1305)

 Daftar Pustaka
• Mulyono, Sri, 2002, Riset Operasi, Jakarta : Lembaga Penerbit
Fakultas UI.

• A Taha, Hamdy, 1996, Riset Operasil projectJilid 1, Jakarta :

Binarupa Aksara.
• Basu Swastha, DH 1933 Pengantar Bisnis Modern , Liberty ,
Yogyakarta.
• Brealy-Myers 1999 Principles of Corporate Financial Mc Graw
Hill Company, New York.
• Griffin Rickky W 2006, Bisnis International 1 (Ed4) Indeks
Jakarta
• Husen Umar 2003 Studi Kelayakan Bisnis Edisi 2 Gramedia
Pustaka, Jakarta

By Dr. H. Sugiyanto,SE,MM, CMA. CT. CHt 2019