/ZA
1
Model dalam OR
© Zulkifli Alamsyah
Analogue Model.
Lebih abstrak dari model iconic, karena tdk kelihatan sama
antara model dengan sistem nyata.
Lebih mudah untuk memanipulasi dan dapat menunjukkan
situasi dinamis.
Umumnya lebih berguna dari pada model iconic karena
kapasitasnya yang besar untuk menunjukkan ciri-ciri sistem
/ZA
nyata yang dipelajari. 3
Mathematical (Simbolic) Model.
© Zulkifli Alamsyah
Model probabilistik :
Dalam kondisi ketidak-pastian (uncertainty).
Lebih sulit di analisis, meskipun representasi ketidak-
pastian dalam model dapat menghasilkan suatu
penyajian sistem nyata yang lebih realistis. /ZA
4
© Zulkifli Alamsyah
Penyederhanaan model:
1. Melinierkan hubungan yang tidak linier.
2. Mengurangi banyaknya variabel atau kendala.
3. Merubah sifat variabel, misalnya dari diskrit menjadi
kontinyu.
4. Mengganti tujuan ganda menjadi tujuan tunggal.
5. Mengeluarkan unsur dinamik (membuat model menjadi
statik).
6. Mengasumsikan variabel random menjadi suatu nilai
tunggal (deterministik).
1. Merumuskan masalah.
Merumuskan definisi persoalan secara tepat
Dalam perumusan masalah ada tiga hal yang penting
diperhatikan:
Variabel keputusan; yaitu unsur-unsur dalam
persoalan yang dapat dikendalikan oleh pengambil
keputusan, sering disebut sebagai instrumen.
Tujuan (objective). Penetapan tujuan membantu
pengambil keputusan memusatkan perhatian pada
persoalan dan pengaruhnya terhadap organisasi.
Tujuan ini diekspresikan dalam variabel keputusan.
Kendala (constraint) adalah pembatas-pembatas
terhadap alternatif tindakan yang tersedia.
/ZA
6
© Zulkifli Alamsyah
2. Pembentukan Model.
/ZA
7
© Zulkifli Alamsyah
4. Validasi Model.
Model harus diperiksa apakah dpt merepresentasikan
berjalannya sistem yang diwakili.
Validitas model dilakukan dgn cara membandingkan
performance solusi dengan data aktual.
Model dikatakan valid jika dengan kondisi input yang
serupa, dapat menghasilkan kembali performance seperti
kondisi aktual.
/ZA
8
© Zulkifli Alamsyah
/ZA
9
© Zulkifli Alamsyah
Prinsip:
Setiap Organisasi berusaha mencapai
tujuan yang telah ditetapkan sesuai
dengan keterbatasan sumberdaya.
Linear Programming:
Teknik pengambilan keputusan dlm permasalahan
yang berhubungan dgn pengalokasian sumberdaya
secara optimal
/ZA
10
© Zulkifli Alamsyah
/ZA
11
© Zulkifli Alamsyah
Grafis (2 variabel)
Matematis (Simplex method)
Perakitan 4 2 60
Pemolesan 2 4 48
Laba/unit 80.000 60.000
K
Laba = 8M + 6K
34
Pada A: M = 0, K = 12
32 Laba = 6 (12) = 72
28 4M + 2K 60 Pada B: M = 12, K = 6
M=0 K=30 Laba = 8(12) + 6(6) = 132
24
K=0 M=15
20 Pada A: M = 15, K = 0
Laba = 8 (15) = 120
16 Feasible
A(0,12) Region
12 Keputusan:
8 M=0 K=12 M = 12 dan K = 6
B(12,6) K=0 M=24 Laba yg diperoleh = 132.000
4 2M + 4K 48
C(15,0) M /ZA
O 4 8 12 16 20 24 28 32 34 18
Contoh Persoalan: 2 (Reddy Mikks Co.)
© Zulkifli Alamsyah
Bahan A 1 2 6
Bahan B 2 1 8
Permintaan harian cat interior lebih tinggi dari permintaan
cat eksterior, tetapi tdk lebih dari 1 ton per hr. Sedangkan
permintaan cat interior maksimum 2 ton per hari. Harga
cat interior dan eksterior masing2 3000 dan 2000.
Berapa masing2 cat hrs diproduksi oleh perusahaan utk/ZA
memaksimumkan pendapatan kotor? 19
© Zulkifli Alamsyah
Perumusan persoalan kedalam model LP
Definisi variabel keputusan:
CE = jmlh cat eksterior yg diproduksi (ton/hari)
CI = jmlh cat interior yg diproduksi (ton/hari)
Perumusan fungsi tujuan:
Maks.: Pdpt kotor, Z = 3 CE + 2 CI (dlm ribuan)
Perumusan Fungsi Kendala:
Kendala ketersediaan bahan baku A:
CE + 2 CI 6
Kendala ketersediaan bahan baku B:
2 CE + CI 8
Kendala Permintaan :
CI - CE 1 : jml maks Kelebihan CI dibading CE
CI 2 : permintaan maks CI
Kendala non-negatif: /ZA
CI 0; CE 0. 20
Penyelesaian secara grafik: Pendapatan kotor:
© Zulkifli Alamsyah
Z = 3 CE + 2 CI
A (0,1) D (31/3, 11/3) Pada A:
Z = 3(0) + 2(1) = 2
B (1,3) E (4,0)
C (2,2) Pada B:
CI Z = 3(1) + 2(3) = 9
8 Pada C:
Z = 3(2) + 2(2) = 10
7 2CE + CI 8
Pada D:
6 CI - CE 1
Z = 3(31/3) + 2(11/3) = 122/3
5 Pada E:
Z = 3(4) + 2(0) = 12
4
Feasible
3 Region Keputusan:
2 CI 2 CE = 31/3 dan CI = 11/3
B C
Pendapatan kotor:
1 A D CE + 2CI 6 Z = 122/3 ribu.
E /ZA
CE
O 1 2 3 4 5 7 8 21
Beberapa konsep penting dalam
© Zulkifli Alamsyah
penyelesaian persoalan LP
Extreem points:
Titik-titik sudut daerah kelayakan (feasbile region)
Infeasible Solution:
Tidak ada solusi karena tdk semua kendala terpenuhi.
Unbounded Solution:
Solusi yang disbebabkan karena fungsi tujuan dibuat tanpa
batas dan tdk melanggar funggsi kendala.
Redundancy:
Redundancy terjadi karena adanya kendala yg tdk
mempengaruhi daerah kelayakan.
Alternative optima:
Solusi yang tdk memberikan nilai yang unik, terjadi bila garis
fungsi tujuan berimpit dgn garis salah satu kendala. /ZA
22
© Zulkifli Alamsyah
4M + 2K + S1 = 60 atau S1 = 60 – 4M – 2K
2M + 4K + S2 = 48 atau S2 = 48 – 2M – 4K
S1 adalah variabel slack (waktu tak terpakai) dalam perakitan
S2 adalah variabel slack (waktu tak terpakai) dalam pemolesan
Semua variabel yang tdk mempengaruhi kesamaan ditulis dg
koefisien nol.
Elemen pivot
BV CV M K S1 S2 Rasio
S1 60 4 2 1 0 60/4 Persamaan
pivot
S2 48 2 4 0 1 48/2
Zj 0 -8 -6 0 0
Langkah 4: Iterasi
Variabel yang masuk sbg basic variable (BV) adlh M dan /ZA
variabel yang keluar dari BV adalah S1. 25
© Zulkifli Alamsyah
Persamaan Pivot:
Persamaan pivot baru = Persamaan pivot lama : elemen pivot
Persamaan lainnya, termasuk Z:
Persamaan baru = (Persamaan lama) – (Koef kolom masuk) x
(persamaan pivot baru)
Hasil iterasi 1:
BV CV M K S1 S2 Rasio
M 15 1 1/2 1/4 0 30
S2 18 0 3 -1/2 1 6
120 0 -2 2 0
/ZA
26
© Zulkifli Alamsyah
Hasil iterasi 2:
BV CV M K S1 S2 Rasio
M 12 1 0 1/3 -1/6
K 6 0 1 -1/6 1/3
Persoalan Minimisasi:
Contoh 1:
Bila pada contoh sebelumnya, biaya produksi setiap unit meja dan
kursi masing-masing Rp.200.000 dan Rp. 80.000, dan perusahaan
bertujuan utk meminimumkan biaya produksi, maka persoalan yang
dihadapi adalah persoalan MINIMISASI.
Albacore 20 0 0 6 5 0.15
Bonito 12 0 0 5 3 0.10
Suplemen C 0 42 18 22 7 0.20
Suplemen D 0 36 40 8 9 0.12
Filler 0 0 0 0 0 0.02
Menurut peraturan pemerintah, kandungan albacore atau bonito atau
campuran keduanya paling kurang 40%. Bagaimana perusahaan /ZA
menentukan ransum secara optimal agar diperoleh biaya minimum? 30
Decision Variables:
© Zulkifli Alamsyah
Ukuran kotak
Proses Produksi
Besar Raksasa Jumbo
Waktu penggilingan (jam) 0.009 0.011 0.012
Waktu pengepakan (jam) 0.013 0.017 0.015
Fungsi Tujuan:
Maksimum Laba = 20(L2 + L3) + 24(G1+ G2 + G3) + 30(J1 + J2)
Fungsi Kendala:
L2 + L3 2.200 : jumlah maksimum kotak besar
G1 + G2 + G3 16.940 : jumlah maksimum kotak raksasa
J1 + J2 12.650 : jumlah maksimum kotak jumbo
L2 + L3 1800 : jumlah minimum kotak besar.
/ZA
35
© Zulkifli Alamsyah
Analisis Sensitifitas
Suatu analisis yang mempelajari dampak perubahan-
perubahan yang terjadi baik pada parameter (koefisien
fungsi tujuan) maupun pada ketersediaan sumberdaya
(nilai sebelah kanan), terhadap solusi dan nilai harga
bayangan dari sumberdaya.
Model
Transportasi
/ZA
38
© Zulkifli Alamsyah
Model Transportasi:
Merupakan salah satu bentuk dari model jaringan kerja
(network).
Suatu model yang berhubungan dengan distribusi suatu
barang tertentu dari sejumlah sumber (sources) ke
berbagai tujuan (destinations).
Setiap sumber mempunyai sejumlah barang untuk
ditawarkan (penawaran) dan setiap destinasi mempunyai
permintaan terhadap barang tersebut.
Terdapat biaya transportasi per unit barang dari setiap rute
(dari sumber ke destinasi).
Suatu destinasi dapat memenuhi permintaannya dari satu
atau lebih sumber.
Asumsi dasar:
Biaya transportasi pd suatu rute tertentu proporsional
dengan banyak barang yang dikirim /ZA
39
Contoh persoalan Model Transportasi:
© Zulkifli Alamsyah
G1 G2 G3
P1 5 10 10
P2 15 20 15
P3 5 10 20
Pabrik Gudang
Kapasitas Permintaan
5
60 P1 G1 50
10
10
15
20 G2
80 P2 100
15
5
10
70 P3 G3 60
20
/ZA
41
© Zulkifli Alamsyah
Dimana Xij adalah jumlah kain yang dikirim dari pabrik i ke lokasi
penjualan j /ZA
42
© Zulkifli Alamsyah
G1 G2 G3 Supply
5 10 10
P1 60
15 20 15
P2 80
5 10 20
P3 70
Demand 50 100 60 210
/ZA
43
INITIAL SOLUTION
© Zulkifli Alamsyah
1. Northwest Corner
G1 G2 G3 Supply
5 10 10
P1 50 10 60
15 20 15
P2 80 80
5 10 20
P3 10 60 70
G1 G2 G3 Supply
P1
5 10 10 60
P2 15 20 15 80
P3 5 10 20 70
Demand 50 100 60 210
/ZA
45
© Zulkifli Alamsyah
Minimum matriks
G1 G2 G3 Supply
P1 5 10 10 60
50 10
P2 15 20 15 80
20 60
P3 5 10 20 70
70
Demand 50 100 60 210
Solusi : 50x5 + 10x10 + 20x20 + 70x10 + 60x15 = 2350 /ZA
46
INITIAL SOLUTION
© Zulkifli Alamsyah
Langkah 2:
Demand I dipenuhi sebagian dari C sebanyak 80 unit, kapasitas C
habis, dan baris C dihilangkan. Penalty dihitung kembali
berdasarkan matriks 2 x 3 (AI - AII - AIII - BI - BII - BIII)
I II III Supply
Penalty
A 8 5 6
120 1
B 15 10 12
80 3
C 3 9 10
80 80
Demand 150 70 70 60 280
Penalty 7 5 6 /ZA
48
Vogel Aproximation Method (VAM)
© Zulkifli Alamsyah
Langkah 3:
Demand I dipenuhi lagi dari A sebanyak 70 unit, terpenuhi semua,
dan kolom I dihilangkan. Penalty dihitung kembali dari matriks 2 x 2
(AII - AIII - BII - BIII).
I II III Supply
Penalty
A 8 5 6
70 120 50 1
B 15 10 12
80 2
C 3 9 10
80 80
Demand 150 70 60 280
Penalty 5 6
/ZA
49
Vogel Aproximation Method (VAM)
© Zulkifli Alamsyah
Langkah 4:
Demand III dipenuhi dari sisa A sebanyak 50 unit. Dengan demikian
otomatis kekurangan demand III 10 unit dipenuhi dari B dan
demand II dipenuhi 70 unit dari B. Semua demand terpenuhi
sehingga diperoleh solusi awal.
I II III Supply
Penalty
A 8 5 6
70 50 120 50 1
B 15 10 12
70 10 80 2
C 3 9 10
80 80
Demand 150 70 70 60 280
/ZA
Penalty 5 6 50
© Zulkifli Alamsyah
/ZA
51
IMPROVEMENT SOLUTION
© Zulkifli Alamsyah
1. STEPPING STONE
Prinsip:
Trial and Error: Mencari alternatif terbaik dari rute yang tidak
keluar sebagai solusi
Initial Northwest Corner solution: 3250
G1 G2 G3 Supply
P1
5 10 10 60
50 10
P2 15 20 15 80
-1 80 +1
P3 5 10 20 70
+1 10 -1 60
Demand 50 100 60 210
Penggunaan rute P2-G3: setiap unit barang yang disalurkan
menghemat biaya sebesar 40 – 25 = 15. Oleh karena itu rute ini /ZA
52
dapat dimanfaatkan secara maksimum.
IMPROVEMENT SOLUTION
© Zulkifli Alamsyah
/ZA
53