METODE KUANTITATIF

UNTUK MANAJEMEN
( MKM )
Prof. Dr. Ir. Bonar M. Sinaga, MA

PROGRAM MANAJEMEN DAN BISNIS

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR

1
PERTEMUAN PERTAMA
PENDEKATAN KUANTITATIF DALAM PENELITIAN
AGRIBISNIS: KONSEP, MODEL, DAN METODA
Prof. Dr. Ir. Bonar M. Sinaga, MA

3
 GAMBAR 1. PENDEKATAN KUANTITATIF
Fenomena Bisnis
dan Ekonomi

Teori Ekonomi & Teori Kuantitatif

Empiris Fakta (Matematika & Statistika)

Model Ekonomi Data

Model Kuantitatif Metode / Teknik

Data Tersusun
Kuantitatif

Estimasi / Solusi Model Kuantitatif dengan data

tersusun menggunakan Metode / Teknik Kuantitatif

Aplikasi Model (Estimasi-Solusi) Kuantitatif

Analisis Peramalan Evaluasi /Analisis
Struktural Kebijakan
4
 GAMBAR 2. PROSEDUR PENGEMBANGAN &
APLIKASI MODEL KUANTITATIF
START
Fenomena Bisnis dan Ekonomi
Identifikasi Masalah (Nature of the Problems)
1 dan Kebijakan
(Bisnis dan Ekonomi)

Pemilihan Pendekatan Positif Normatif

2 Modeling (Ekonometrika) ` (Riset Operasi)

Pemilihan dan
Teori ekonomi yang terkait dan
3 Spesifikasi Model
pengalaman empiris
(Features of The Model)
Metode: Estimasi (OLS, 2SLS, 3SLS, dll)
Estimasi (Ekonometrika)/ Solusi (Grafik, Simpleks, dll)
4 Solusi (Riset Operasi) Software: Estimasi (SAS/ETS, Eviews dll)
Model Solusi (LINDO, ABQM, dll)

Evaluasi / Validasi Model Kriteria: 1.Ekonomi

5 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

5
STOP
 RISET OPERASI
(OPERATIONS RESEARCH)

6
 PENERAPAN RISET OPERASI DALAM KEGIATAN PEMBANGUNAN,
KHUSUSNYA BIDANG INDUSTRI/ PERUSAHAAN: KEADAAN TAHUN 1969

Teknik Riset Operasi Jumlah Proyek Frekuensi Penggunaan ( % )

Analisis Statistika 63 29
Simulasi 54 25
Program Linear 41 19
Model inventarisasi 13 6
PERT/CPM 13 6
Program dinamika 9 4
Program nonlinear 7 3
Model antrian 2 1
Program huristika 2 1
Lain-lain 13 6
Sumber: E. Tuban, A Sample Survey of Operation Research Activities at the
Corporate Level”, Operations Research, 20:708-721, 1973
dalam Nasendi, B.D. dan A. Anwar, 1985. Program Linear dan Variasinya.
7
Gramedia, Jakarta.
 A TAXONOMY OF MANAGEMENT SCIENCE MODELS
Management Scientists Work with Quantitative Decision Models
MODEL TYPE UNCERTAINTY FREQUENCY OF
CLASSIFICATION CORPORATE USE
Linear Programming D H
Network (Including (Perl/Cpm) D, P H
Inventory, Production And Scheduling D, P H
Econometric, Forecasting and Simulation D, P H
Integer Programming D L
Dynamic Programming D, P L
Stochastic Programming P L
Nonlinear Programming D L
Game Theory P L
Optimal Control D,P L
Queuing P L
Difference Equations D L
Sumber: Gould, F.J., G.D. Eppen and C.P. Schmidt. 1991. “Introduction Management Science”
3Ed. Prentice-Hall International, Inc., New Jersey.
8
 LINEAR PROGRAMMING (LP)

“Suatu model/teknik matematik yang

digunakan untuk mencari cara terbaik dalam
mengalokasikan sumberdaya (resources) yang
terbatas pada kegiatan-kegiatan yang saling
berkompetisi dengan menggunakan model
linear”

9
 ANATOMI MODEL LP
1. Fungsi Tujuan (objective function):
- Tujuan (maksimisasi atau minimisasi)
- Variabel Keputusan  variabel yang ingin
diketahui nilainya:
- simbol
- definisi (termasuk satuan)
- Koefisien Fungsi Tujuan  tergantung tujuan
yang ingin dicapai dan variabel keputusan yang
digunakan

10
 ANATOMI MODEL LP (LANJUTAN)
2. Fungsi Kendala:
- Jumlah sumberdaya yang dapat menjadi kendala
tercapainya tujuan
- Nilai Sebelah Kanan (Right hand side – RHS)  Potensi
jumlah sumberdaya yang tersedia
- Koefisien teknis  kebutuhan sumberdaya per unit variabel
keputusan
- Arah  dapat > = <

11
 MODEL UMUM
Fungsi Tujuan:
Maximize/Minimize Z = C1 X1 + C2 X2 + ....... + Cn Xn

Kendala Fungsional:
a11 X1 + a12 X2 + ........ + a1n Xn <, = atau > b1
a22 X1 + a22 X2 + ........ + a2n Xn <, = atau > b2
. . . . .
. . . . .
. . . . .
am1 X1 + am2 X2 + ........ + amn Xmn <, = atau > bm

Kendala Non-negatif:
X1, X2, ...... , Xj > 0, untuk j = 1, 2, ... , n

12
 ASUMSI-ASUMSI LP
• Proporsionalitas
Kenaikan nilai fungsi tujuan proporsional dengan kenaikan jumlah nilai
variabel keputusan
• Aditivitas
Tidak ada fungsi perkalian antar variabel keputusan pada fungsi tujuan
maupun kendala
• Divisibilitas
Solusi LP tidak harus dalam bentuk bilangan bulat (bisa pecahan)
• Kepastian (certainity)
Nilai parameter (koefisien fungsi tujuan, koefisien teknis, RHS) dalam LP
merupakan konstanta yang telah diketahui secara pasti

13
 SOLUSI MODEL LP
• Teknik Grafik (Permasalahan yang diformulasikan sebagai
model dengan hanya 2 peubah pengambilan keputusan)
• Teknik Aljabar (Teknik Calculus berupa optimisasi dengan
kendala)
• Teknik Umum (Teknik Simplex dapat dipakai untuk hampir
semua model riset operasi)
• Teknik-Teknik Khusus (misalnya Teknik Vogel untuk model
transportasi)

Teknik-teknik untuk mendapatkan solusi optimum model-

model riset operasi telah tersedia dalam bentuk paket
program komputer, antara lain :
Program LINDO dan QM4Window.
14
 MODEL DASAR LINEAR PROGRAMING

atau dalam bentuk kompaknya dibawah ini:

15
Untuk:
Cj = Parameter yang dijadikan kriteria optimisasi, atau koefisien peubah pengambilan
keputusan dalam fungsi tujuan.
Xi = Peubah pengambilan keputusan atau kegiatan (yang ingin dicari; yang tidak diketahui).
aij = Koefisien teknologi peubah pengambilan keputusan (kegiatan yang bersangkutan)
dalam kendala ke –i.
bi = Sumber daya yang terbatas, yang membatasi kegiatan atau usaha yang bersangkutan;
disebut pula pola konstanta atau “nilai sebelah kanan” dari kendala ke –i.
Z = Nilai skalar kriteria pengambilan keputusan; fungsi suatu tujuan.

16
 GAMBAR 3. TAHAP-TAHAP APLIKASI MODEL RISET OPERASI

TAHAP/PROSES INPUT (I)/ OUTPUT (O)

START
Fenomena Manajemen Bisnis Keterangan
I Z = Fungsi Tujuan
IDENTIFIKASI MASALAH O Cj = Koefisien Fungsi
Komponen Model Z, Cj, Xj, Bi, aij Tujuan
I Xj = Variabel Pengambilan
SPESIFIKASI MODEL O Keputusan
aij = Koefisien Teknologi:
I Model Operasional
Input (i) dan Output (j)
SOLUSI MODEL bi = Kendala:
O Sumberdaya,
I Solusi Optimal Peraturan dan
lainnya
EVALUASI MODEL O
Valid Model
I
APLIKASI MODEL O 1. Analisis Struktural/ Perilaku
2. Peramalan
3. Kebijakan/ Perencanaan Bisnis
STOP
17
 GAMBAR 4. METODE SOLUSI DAN OUTPUT

METODE SOLUSI OUTPUT/SOLUSI OPTIMAL

1. Z* = Objective Function
(Fungsi Tujuan)
GRAFIK
2. X j* = Decision Variables
(Variabel Pengambil
Keputusan) +
3. Disposal Variable (Slack, Surplus)
4. Shadow Price (Dual Price)
SIMPLEX
5. Opportunity Cost
6. Reduced Cost
+
SOFTWARE 7. Sensitivity Range
COMPUTER 8. Post Optimal

18
 1. ANALISIS GRAFIS
Contoh Industri XYZ:

1
Lama operasi adalah dalam jam/hari/mesin
2
Total waktu operasi adalah sama dengan jumlah mesin X lama operasi
(dalam jam/hari/tipe mesin)

Rumuskan Model PL: Syarat-ikatan (kendala)

2X1 + X2 ≤ 30
Maksimumkan Z = 3X1 + 3X2
2X2 + 3X2 ≤ 60
( x Rp. 1000) (Fungsi Tujuan) 4X1 + 3X2 ≤ 72
dan
X1 ≥ 0; X2 ≥ 0
(syarat non negatif)

19
Gambar 5. Wilayah Kelayakan dari Personal PL Industri XYZ

20
 RINGKASAN ANALISIS GRAFIS PADA PERSOALAN PL INDUSTRI XYZ

Kombinasi Output Iso-Revenue Maksimum Nilai

Alternatif Titik Pendapatan Bersih
Produk Produk X1 X2 (X Rp. 1000)
X1 X2 (Z = 3X1 + 3X2)

1 A 0 20 Z/3=20 Z/3=20 Z=3(0) + 3(20)=60

2 B 6 16 22 22 66

3 C 9 12 21 21 63

4 D 15 0 15 15 45

5 E 0 0 0 0 0

21
Gambar 6. Titik Sudut Optimal dan Garis Iso-Revenue dari
Persoalan PL Industri XYZ

22
PERTEMUAN KEDUA

23
 2.ANALISIS SIMPLEX

MULAI

LANGKAH Konversikan semua ketidaksamaan menjadi kesamaan Bentuk

0 Baku): 0
Gunakan peubah disposal (slack dan surplus atau artifisial)
LANGKAH Tentukan penyelesaian pendahuluan yang layak (initial basic feasible solution):
1 Gunakan peubah artifisial/ peubah disposal 1

LANGKAH
Lakukan penyempurnaan penyelesaian kelayakan 2
2

YA Penyelesaian kelayakan TIDAK

Carilah yang dicari perlu Apakah penyelesaian
LANGKAH 3
3
penyelesaian diteruskan…? kelayakan yang kini
kelayakan yang 5 4 sudah layak (feasible)
lebih baik LANGKAH 4 dan optimal…?
YA
TIDAK
Penyelesaian kelayakan 6 Tidak ada penyelesaian (Tidak
sudah optimal 7 layak/ tidak optimal)

SELESAI

Gambar 7. Langkah-langkah dalam Analisis PL dengan Metode Simplex 24

STRUKTUR TABLO SIMPLEX

25
 Langkah 0. Konversi dalam Bentuk Baku

Maksimumkan Z = 3X1 + 3X2 + 0X3 + 0X4 + 0X5

Syarat-ikatan:
2X1 + 1X2 + 1X3 + 0X4 + 0X5 = 30
2X1 + 3X2 + 0X3 + 1X4 + 0X5 = 60
4X1 + 3X2 + 0X3 + 0X4 + 1X5 = 72

Keterangan:
X1 (P1), X2 (P2) = Kegiatan Riil
X3 (P3), X4 (P4), X5 (P5) = Kegiatan Disposal (slack variable)

26
 Analisis Simplex untuk Persoalan PL Industri XYZ
(Mencari Titik Sudut Optimal menurut arah jarum jam)

27
 Analisis Simplex untuk Persoalan PL Industri XYZ
(Mencari Titik Sudut Optimal melawan arah jarum jam)

28
 Interprestasi Ekonomi dari Tablo Simplex

• Interprestasi ekonomi Tablo Simplex dalam Tabel 2.5 dan 2.6 adalah sebagai berikut:

1. Angka-angka dalam kwadran matriks teknologi (input-output) atau diberi simbol

aij adalah menunjukan tentang laju subsitusi teknologi marjinal (marginal rate of
technical substitution); juga disebut koefisien teknologi, atau koefisien input-
output antara kegiatan pada kolom dengan sumber daya yang tersedia pada baris

2. Zj dibawah kolom kegiatan riil adalah biaya terluang (kotor) dari kegiatan lain bila
kegiatan Xj ditingkatkan satu unit; sedangkan Zj dibawah kolom kegiatan disposal
adalah nilai produk marginal (marginal value product) atau harga bayangan
(shadow price) dari sumberdaya yang digunakan (dalam hal ini Z j) sama saja
dengan Zj-Cj karena Cj untuk kegiatan disposal adalah sama dengan nol).

3. Zj – Cj dibawah kolom kegiatan riil adalah nilai produk marginal, atau dikenal pula
dengan nama reduced cost, yaitu pertambahan nilai pendapatan yang diperoleh
bila kegiatan Xj ditingkatkan sebesar satu unit

29
 3. PENGOLAHAN DENGAN SOFTWARE KOMPUTER
Penyelesaian persoalan PL Industri XYZ dengan komputer Mini APPLE II

30
 Analisis Sensitivitas
Salah satu asumsi LP adalah kepastian (certainity)
parameter yang digunakan. Dalam kenyataan sulit
memastikan parameter yang akan terjadi adalah
seperti yang kita gunakan dalam model karena
banyak ditentukan oleh faktor eksternal.
Pertanyaannya apa yang terjadi terhadap solusi jika
salah satu parameter berubah dari yang digunakan
pada model awal?

31
 Kemungkinan Perubahan dalam Model LP

• Koefisien Fungsi Tujuan

• Nilai Sebelah Kanan (RHS)
• Koefisien Teknis (koefisien fungsi kendala)
• Jumlah variabel keputusan
• Jumlah kendala

Informasi tentang apa yang terjadi terhadap solusi optimal jika

dua perubahan pertama terjadi telah disediakan oleh
komputer, karena kedua perubahan inilah yang paling mungkin
terjadi. Untuk melihat dampak perubahan yang lain terhadap
solusi optimal harus dilakukan simulasi terhadap model awal
yang telah dirumuskan
32
 GAMBAR 8. ANALISIS PERUBAHAN (POST OPTIMAL)

PERTANYAAN (QUESTION) JAWABAN (ANSWER)

Lihat:
Apa yang dirubah?
Harga Bayangan (Shadow Price)
(What)
Yang Terbesar

Berapa Besar Perubahan? Lihat:

(How Much) Range Sensitivitas (Sensitivity Range)

Lakukan:
Pasca Optimal (Post Optimal)
Dampak Perubahan?
Bandingkan:
(Impact)
Solusi Optimal Sebelum (Before) dan
Sesudah (After) Perubahan

MODEL UMUM RISET OPERASI (OPERATIONS RESEARCH): Perubahan dalam Komponen Model:
Fungsi Tujuan :Max/Min Z = ∑ Cj Xj 1. Cj = Koefisien Fungsi Tujuan
∑ aij Xji ≤ = ≥ bi 2. Xj = Variabel Pengambilan Keputusan
Xj ≥ 0, j = 1, 2, ………. n, i = 1, 2, ……….. m 3. aij = Koefisien Teknologi: Input (i) dan Output
(j)
4. bi = Kendala: Sumberdaya, Peraturan dan
lainnya
5. Kombinasi 1,2,3 dan 4
33
Printout Komputer: Analisis postoptimal/parametrisasi
(jika berubah koefisien kendala aij dan NKS bi , yaitu
pada kendala MACH1)

34
Printout Komputer untuk persoalan PL dari Industri XYZ: Analisis
postoptimal/parametrisasi (jika koefisien fungsi tujuan C ij dan
koefisien kendala aij dan nilai sebelah kanan bi berubah)

35
 COMPUTER ANALISIS

Max 5000E + 4000F

s.t. E + F ≥ 5 (total unit requirement) (1)
E – 3F ≤ 0 (market balance) (2)
10E + 15F ≤ 150 (departement A) (3)
20E + 10F ≤ 160 (departement B) (4)
30E + 10F ≥ 135 (contractual labor) (5)
E, F, ≥ 0 (non-negative)

36
Computer Output for PROTRAC, Inc

37
Computer Output for b = 233.33

38
Computer Output for b = 250

39
PERTEMUAN KETIGA

40
 PROGRAM TUJUAN GANDA
• Dalam dunia nyata, masalah yang dihadapi dan harus
diselesaikan oleh manajer (Decision Maker) dapat
terdiri dari beberapa tujuan (multiple objectives)
sebagai target yang telah ditetapkan. Tujuan ganda
ini dapat memiliki tingkat kepentingan (prioritas)
yang sama atau berbeda dan sering sulit untuk
diperbandingkan. Beberapa tujuan dapat saling
bertentangan (multiple conflic goals), sehingga
terjadi trade-off untuk memenuhi target setiap
tujuan. Untuk menyelesaikan masalah yang demikian
dipergunakan metoda programming tujuan ganda
(Multiple Objective Programming).

41
• Goal Programming (GP) adalah salah satu metode
programming tujuan ganda yang digunakan untuk masalah-
masalah yang dapat diformulasikan dalam bentuk model
linear. Goal Programming (Program Tujuan Ganda) adalah
pengembangan Program Linear (Program Tujuan Tunggal),
sehingga asumsi dan prosedur formulasi dan solusi
modelnya tidak berbeda. Bedanya, Goal Programming
memiliki peubah deviasi (deviational variable) yang
merupakan selisih perbedaan antara besarnya tujuan yang
dicapai dan target yang telah ditetapkan. Peubah deviasi ini
digunakan dalam formulasi model Goal Programing,
sehingga dapat dimasukkan beberapa tujuan yang hendak
dicapai ke dalam formulasi model Program Linear.

42
• Formulasi model Goal Programming memungkinkan
manajer untuk memenuhi (satisfying) sedekat mungkin
beberapa tujuan (goals) dan kendala (constraints) dengan
mengintegrasikan sistem skala prioritas (Pi) dan pembobot
(Wi) dari para pengambil keputusan, walaupun tidak ada
jaminan tercapai solusi (Pareto) optimal. Algoritma Goal
Proramming memungkinkan adanya interaksi/komunikasi
antara perencana (analyst) dan pengambilan keputusan
(manager) untuk mencapai suatu solusi yang memuaskan
(Satisficing Solution) antara berbagai tujuan (bukan Optimal
Solution). Analisis Goal Programming bertujuan untuk
meminimumkan jarak (deviasi) antara target yang telah
ditetapkan dan tujuan yang dicapai.

43
MODEL DAN PERUMUSANNYA

44
 CIRI-CIRI STRUKTUR DASAR
MODEL RISET OPERASI

1.LINEAR VS NON LINEAR

2.DETERMINISTIC VS PROBABILISTIC
3.STATIC VS DYNAMIC
4.NON INTEGER VS INTEGER
5.SINGLE OBJECTIVE VS MULTI-OBJECTIVES

45
 MODEL LINEAR PROGRAMMING (LP)

1.LINEAR
2.DETERMINISTIC
3.STATIC
4.NON INTEGER
5.SINGLE OBJECTIVE

46
MODEL MULTI OBJECTIVES PROGRAMMING
(MOP)
Untuk Model Goal Programming (GP)

1.LINEAR
2.DETERMINISTIC
3.STATIC
4.NON INTEGER
5.MULTI OBJECTIVES

47
 MODEL UMUM
1. Model dengan Tanpa Pembobot dan Tanpa Prioritas
m
Minimumkan Z   (d i  d i )
i 1
m
  d i  d1
Syarat-ikatan: i 1
n

 ij j i i  bi
a
i 1
X  d 
 d 
Untuk i = 1, 2, …, m
tujuan
n

 g kj X j  atau  Ck
j 1
Untuk k = 1, 2, …, p
Kendala fungsional;
j = 1, 2, …, n

dan X j , d i , d i  0
d i , d i  0 48
Dimana:
d i dan d i = jumlah unit deviasi yang berkurang ( - ) atau kelebihan ( +
)
W1 Wi 
dan = timbangan atau penalti (ordinal atau kardinal) yang
diberikan terhadap suatu unit deviasi yang
kekurangan ( - ) atau kelebihan ( + )
aij = koefisien teknologi fungsi kendala tujuan, yaitu
yang berhubungan dengan tujuan
peubah pengambilan
keputusan ( Xi )
Xi = peubah pengambilan keputusan atau kegiatan yang kini
dinamakan sebagai sub tujuan
bi = tujuan atau target yang ingin dicapai
gkj = koefisien teknologi fungsi kendala biasa
Ck = jumlah sumber daya k yang tersedia

49
d 
li – Zi, jika li > Zi

i
0, jika li ≤ Zi
dan

d 

0, jika li ≥ Zi
i
Zi – li, jika li < Zi

Dimana :
li = target
Zi = tujuan
50
2. Model dengan Pembobot
m
dan Tanpa Prioritas
Minimumkan Z   Wi (d i  d i )
i 1
m
  Wi  d i  Wi  d1
Syarat-ikatan: i 1
n

 ij j i i  bi
a X
i 1
 d 
 d 
Untuk i = 1, 2, …, m
tujuan
n

 g kj X j  atau  Ck
j 1
Untuk k = 1, 2, …, p
Kendala fungsional;
j = 1, 2, …, n

dan X j , d i , d i  0
d i , d i  0 51
Dimana:
d i dan d i= jumlah unit deviasi yang berkurang ( - ) atau kelebihan ( + )
dan W = timbangan atau penalti (ordinal atau kardinal) yang
W1diberikan i terhadap suatu unit deviasi yang kekurangan ( - ) atau kelebihan
(+)
aij = koefisien teknologi fungsi kendala tujuan, yaitu yang berhubungan
dengan tujuan peubah pengambilan
keputusan ( Xi )
Xi = peubah pengambilan keputusan atau kegiatan yang kini
dinamakan sebagai sub tujuan
bi = tujuan atau target yang ingin dicapai
gkj = koefisien teknologi fungsi kendala biasa
Ck = jumlah sumber daya k yang tersedia

52
d 
li – Zi, jika li > Zi

i
0, jika li ≤ Zi
dan

d 

0, jika li ≥ Zi
i
Zi – li, jika li < Zi

Dimana :
li = target
Zi = tujuan
53
 Model dengan Tujuan Ganda yang
Saling Bertentangan
• Katakanlah kini pimpinan atau pengambil keputusan
menghadapi suatu persoalan dengan tujuan ganda,
tapi satu tujuan dengan tujuan lainnya adalah saling
bertentangan (multiple and conflicting goals). Dalam
rangka memecahkan persoalan tersebut maka
pengambilan keputusan tersebut harus menentukan
mana dari antara berbagai tujuan tersebut yang
diutamakan atau diprioritaskan
• Dengan demikian, maka model umum suatu persoalan
program tujuan ganda yang memiliki struktur
timbangan pengutamaan (preemtive weights) dengan
urutan ordinal (ordinal ranking) dapat dirumuskan
sebagai berikut:
54
3. Model dengan Pembobot dan Prioritas
m
Minimumkan Z   ( PyWi ,y d i  PsWi ,s d i )
i 1
Syarat-ikatan:
n Untuk k = 1, 2, …, p
a
i 1
ij i

X j  d  d  bi i

Kendala fungsional;
dan j = 1, 2, …, n,

Dimana :
d i , d i = deviasi plus dan minus dari tujuan atau target ke-i
Py , PS = faktor-faktor prioritas 
dan Wi ,y = timbangan relatif dari d i dalam urutan (ranking) ke-y
  Wi ,s
X j ,d ,d  0

= timbangan relatif dari
d i dalam urutan ke-s,
i i

d i  d i  0 dan terdapat m buah tujuan, p kendala fungsional, dan n peubah

pengambilan keputusan
55
 MODEL MULTI OBJECTIVES PROGRAMMING (MOP)
Contoh: Untuk Kasus
Jumlah Aktivitas : j = 1, 2, 3
Tujuan : i = 1, 2, 3
Kendala Fungsional : p =1, 2, 3

(1) Fungsi Tujuan:

1. Z1 = a11X1 + a12X2 + a13X3
2. Z2 = a21X1 + a22X2 + a23X3
3. Z3 = a31X1 + a23X2 + a33X3

(2) Kendala Fungsional :

1. g11X1 + g12X2 + g13X3 ≤ atau ≥ C1
2. g21X1 + g22X2 + g23X3 ≤ atau ≥ C2
3. g31X1 + g32X2 + g33X3 ≤ atau ≥ C3
56
(3) Kendala Non Negatif: X , X , X ≥ 0
 MODEL GOAL PROGRAMMING (GP)
(1)Kendala Tujuan :
a1.11 x1  a12 x2  a13 x3  d1  d1  b1
a2.21 x1  a22 x2  a23 x3  d 2  d 2  b2
a3.31 x1  a32 x2  a33 x3  d 3  d 3  b3

(2) Kendala Fungsional :

1. g11X1 + g12X2 + g13X3 ≤ atau ≥ C1
2. g21X1 + g22X2 + g23X3 ≤ atau ≥ C2
3. g31X1 + g32X2 + g33X3 ≤ atau ≥ C3

(3) Fungsi Tujuan

Z  P1 :W1 (d1  d 2 )  P2  W2 (d 2  d 2 )  P3  W3 (d 3  d 3 )
Minimum
X 1 , X 2 , X 3  0; d1 , d1 , d 2 , d 2 , d 3 , d 3 , d 4  0
(4) Kendala Non Negatif : 57
CONTOH 1:
PERENCANAAN PRODUKSI PERUSAHAAN AGROINDUSTRI

PT. AGRIFOOD adalah suatu perusahaan yang memproduksi 3 jenis buah

kaleng (produk A (X1), B (X2) dan C(X3)). Untuk menghasilkan produk A, B dan
C per unit memerlukan masing-masing 0.3 , 0.4 dan 0.5 kg buah segar; 0.2 ,
0.3 dan 0.4 jam kerja; dan senilai 200, 300 dan 400 Rp bahan baku. Dalam
periode waktu (satu bulan) produksi, buah segar yang dapat disediakan
sejumlah 4000 kg, tenaga kerja yang tersedia sejumlah 3000 jam kerja, dana
untuk pembelian bahan baku sejumlah Rp. 3 juta. Keuntungan produk A, B
dan C masing-masing adalah Rp. 100, Rp. 150 dan Rp. 200 per unit.

A. Formulasikanlah model linear programming dari persoalan diatas.

58
B. Kalau dalam menentukan kombinasi produk A, B dan C yang dihasilkan,
perusahaan ingin mencapai beberapa tujuan berikut (urutan
menunjukkan prioritas):
1. Memenuhi permintaan produk A, B dan C sejumlah 15.000 unit dengan
claim sebesar Rp. 5 per unit dan biaya penyimpanan Rp. 10 per unit.
2. Target keuntungan sebesar Rp. 5 Juta dan AGRIBANK telah menyetujui
pemberian kredit untuk pembelian bahan baku sejumlah Rp. 6 Juta.
3. Jumlah jam kerja ditetapkan 2000 jam kerja, dengan biaya lembur
Rp. 7500 per jam kerja dan kerugian sebesar Rp. 5000 per jam kerja untuk
waktu menganggur.

Formulasikanlah model goal programming dengan menggunakan faktor

prioritas dan pembobot yang diperlukan.
 

59
A. Formulasi Model Linear Programming (Tujuan Tunggal)
1. Komponen Model
Sumberdaya Produk (Buah Kaleng) Kendala
X1 X2 X3
Buah Segar (kg) 0.3 0.4 0.5 ≤ 4.000
Jam Kerja (jam) 0.2 0.3 0.4 ≤ 3.000
Bahan Baku (Rp) 200 300 400 ≤ 3.000.000
Keuntungannya (Rp) 100 150 200 Z Maksimumkan

2. Model Linear Programming

Maksimumkan Z = 100X1 + 150X2 + 200X3
Kendala Sumberdaya
a) Buah Segar : 0.3X1 + 0.4X2 + 0.5X3 ≤ 4.000
b) Jam Kerja : 0.2X1 + 0.3X2 + 0.4X3 ≤ 3.000
c) Bahan Baku : 200X1 + 300X2 + 400X3 ≤ 3.000.000

Kendala Non Negatif :

X1, X2, X3 ≥ 0 60
B. Formulasi Model Goal Programming (Tujuan Ganda)

(1) Penetapan: Tujuan, Target, Prioritas dan Pembobot

 Prioritas 1 (P1) = Tujuan 1 : Memenuhi jumlah permintaan produk
A, B dan Cdengan target 15.000 unit. Pembobot
claim (W1 ) dan pembobot biaya simpan
Rp. 5/unit
(W 1 )
Rp. 10/unit
 Prioritas 2 (P2) = Tujuan 2 : Maksimumkan keuntungan dengan target
Rp. 5.000.000
Tujuan 3 : Tidak menggunakan kredit
melebihi target
Rp. 6.000.000,-
 Prioritas 3 (P3) = Tujuan 4 : Menggunakan
 tenaga kerja yang tersedia
(W4 )
dengan target
(W4 ) 2000 jam kerja. Pembobot biaya
lembur Rp. 7500/jam dan pembobot waktu
menganggur Rp. 5000/jam

61
(2) Kendala Tujuan
a) Kendala target permintaan:

1X 1  1X 2  1X 3  d1  d1  15.000

b) Kendala target keuntungan:

100 X 1  150 X 2  200 X 3  d 2  d 2  5.000.000

c) Kendala target kredit:

d) 200 X 1  300 X 2  400 X 3  d 3  d 3  6.000.000

Kendala Jam kerja:

0.2 X 1  0.3 X 2  0.4 X 3  d 4  d 4  2.000

62
(3) Kendala Fungsional
e) Ketersediaan Buah Segar
0.3 X 1  0.43 X 2  0.5 X 3  4.000

(4) Fungsi Tujuan

Minimumkan
Z  P1 (W1  d1  W1  d1 )  P2 (d 2  d 3 )  P3 (W4  d 4  W4  d 4 )
atau
Z  P1 (10  d1  5  d1 )  P2 (d 2  d 3 )  P3 (7500  d 4  5000  d 4 )

(5) Kendala Non Negatif

X 1 , X 2 , X 3  0; d1 , d1 , d 2 , d 2 , d 3 , d 3  0

63
CONTOH 2: Sumber B. Nasendi dan A. Anwar
Perencanaan Lokasi Industri dan Pengembangan Wilayah

= Lokasi pabrik yang

direncanakan (diidentifikasi)

= Pusat permintaan

Gambar 1.
Rencana Lokasi Pabrik Pulp dan
Pusat-pusat Permintaannya,
Persoalan PTG PT. INHUTANI VI
dalam Contoh 2

64
 Lokasi pabrik dan biaya tetap tahunannya

Biaya Tetap Per tahun

Lokasi Potensial Terletak di wilayah (Amortisasi) dalam juta
rupiah
Lokasi I A 825
Lokasi II A 750
Lokasi III B 600
Lokasi IV B 600
Lokasi V C 650

65
Proyeksi Permintaan pulp di lima daerah konsumen (dalam
ribuan ton) beserta ongkos angkutnya (dalam ribuan Rp/ton)

Ke Pusat Permintaan
Dari 1 2 3 4
Ongkos Angkutan
Lokasi I 200 110 40 90
Lokasi II 180 90 40 80
Lokasi III 50 200 225 25
Lokasi IV 35 160 250 35
Lokasi V 210 35 125 50
Jumlah Permintaan Pulp 400 300 200 100

Produksi pulp maksimum dari tiap pabrik di tiga wilayah a, b, dan c masing-masing :

Wilayah Jumlah ton (x 1.000)

A 600
B 480
C 800
66
 Pengembangan Model
Berdasarkan Informasi yang ada dan telah diuraikan tersebut, maka berikut ini kita
kembangkan model PTG yang sesuai persoalan tersebut, sebagai berikut ini.
(1) Penetapan tujuan atau target dan prioritasnya
Perusahaan akan berusaha untuk menjaga keseimbangan antara biaya tetap untuk
mendirikan pabrik-pabrik pulp dan biaya angkutan hasil pulpnya ke pusat-pusat
permintaan. Oleh karena itu target dan prioritasnya ditetapkan sebagai berikut:

Prioritas 1 (P1) = Penuhi jumlah permintaan pulp di empat pusat permintaan

Prioritas 2 (P2) = Batasi jumlah biaya langsung (biaya tetap) pada jumlah
Rp. 1,3 milyar pertahun
Prioritas 3 (P3) = Batasi tingkat produksi pada tiap pabrik pulp pada batas polusi
udara yang diperkenankan UU Lingkungan Hidup.
Prioritas 4 (P4) = Usahakan agar pusat permintaan 3 dapat dilayani secara khusus
mengingat kedudukannya yang khusus.
Prioritas 5 (P5) = Minimumkan biaya total industri (terdiri dari biaya tetap
pembangunan pabrik dan biaya angkutan ke pusat permintaan)
Prioritas 6 (P6) = Minimumkan biaya angkutan 67
(2) Peubah dan parameternya
Peubah-peubah dan parameter yang akan dipakai dalam perumusan model PTG untuk
persoalan PT. INHUTANI VI adalah sebagai berikut :

Xij = jumlah pulp yang diangkut dari pabrik i kepusat permintaan j (dalam ribuan
ton/tahun)
Yi = peubah pengambilan keputusan nol-satu , yang menyatakan tentang Yi = 1
jika pabrik i dapat dibangun , tapi Yi = 0 kalau sebaliknya
Cij = ongkos angkutan untuk mengangkut pulp dari pabrik i ke pusat permintaan j

d k (dalam ribuan Rp/ton)

= ketidakcapaian (underachievement) target yang ditetapkan, pada persamaan
ke-k

d k
= pencapaian target yang kelewatan (overachivement) dari target yang
ditetapkan, pada persamaan ke k

68
(2) Fungsi kendala Model
Fungsi-fungsi kendala dari model PTG pada persoalan yang dihadapi oleh PT INHUTANI VI
tersebut dapat dirumuskan sebagai berikut ini.
a.Kendala target permintaan
Dalam rangka memenuhi target permintaan yang ditetapkan, maka deviasi negatif dari
kendala target permintaan harus diminimumkan:
s

 i1 1 1  400
X 
i 1
d 
 d 
(1)
s

 i 2 2 2  300
X
i 1
 d 
 d 
(2)
s

 i 3 3 3  200
X
i 1
 d 
 d 

(3)
s

 i 4 4 4  100
X
i 1
 d 
 d 
(4)

Tujuan : Minimumkan d i , i  1,2,...,4

69
b. Kendala target biaya tetap minimum

(5)
825Y  750Y2  600Y3  600Y4  650Y5  d 5  d 5  1300
Tujuan : Minimumkan
1

d 5

70
c. Kendala tujuan lingkungan hidup
Guna dapat memenuhi standar polusi udara yang telah ditentukan di dalam
undang-undang lingkungan hidup, maka jumlah produksi pulp harus dibatasi
sampai batas tertentu. Batas ini merupakan target yang harus dicapai yaitu
merupakan nilai sebelah kanan dari fungsi-fungsi kendala sebagai berikut:
4

X
i 1
1j  d 6  d 6  600 (6)

 2 j 7 7  600
X
i 1
 d 
 d 
(7)

X
i 1
3j  d 8  d8  480 (8)

 4 j 9 9  480
X
i 1
 d 
 d 
(9)

X
i 1
4j  d10  d10  800 (10)

Tujuan : Minimumkan d 5 , i = 6, 7, …., 10

71
d. Kendala tujuan pelayanan istimewa
Pusat permintaan 3 harus dapat dilayani secara istimewa karena peranannya
yang khusus dalam penyerapan produk pulp kayu di wilayah yang sama dengan
pabrik tersebut.
Rumusan kendalanya adalah :
2

 i3 11 11  50
X
i 1
 d 
 d  (11)

Tujuan : Minimumkan d11

e. Kendala tujuan biaya total minimum yang menginginkan bahwa biaya total yang
terdiri dari biaya tetap dan biaya angkutan haruslah minimum, yaitu:

5 4
825Y1  750Y2  600Y3  600Y4  650Y5    Cij X ij  d12  d12  0
i 1 j 1
(12)

Tujuan : Minimumkan d12

72
 5 4


i 1 i 1
Cij X ij  d13  d13  0

d13

4
g. Kendala sistem nol-satu
kendala sistem nol-satu harus X
i 1
1j  3000Y1  0 (14)
pula dimaksukan dalam rangka 4
(15)
memforsir Yi untuk mendapat
nilai 1 artinya pabrik jadi
X
i 1
2 j  3000Y2  0

dibangun sehingga adanya 4

biaya tetap yang dikenakan X 3j  3000Y3  0 (16)
pada pabrik ke-i, sebagai i 1

berikut: 4

X
i 1
4j  3000Y4  0 (17)

X
i 1
5j  3000Y5  0 (18)
73
Dimana 3000 merupakan koefisien dari
Yi, I = 1, 2, …, 5
yang sengaja dipilih atau ditentukan secara arbitrar
dan merupakan nilai yang cukup besar dan sesuai
untuk selalu dapat memforsir Yi menjadi 1 jika
 X ij untuk
0 pabrik pulp yang bersangkutan.

Kemudian syarat non-negativitas terhadap peubah Xij

(Xij ≥ 0) dan syarat nilai integer bagi peubah Yi
(Yi integer). Ternyata persoalan yang dihadapi oleh
PT. INHUTANI VI ini tidak lain daripada program
tujuan ganda integer (integer goal programming)
74
(4) Fungsi tujuan Model
Berdasarkan kendala-kendala tujuan yang
diuraikan tersebut di atas dan sesuai dengan
prioritas yang telah ditetapkan oleh
PT INHUTANI VI, maka fungsi tujuan model
PTG ini dapat dirumuskan sebagai berikut :

75
Minimumkan

(19)

Penyelesaian Optimal

Penyelesaian Optimal persoalan PT INHUTANI VI

tersebut adalah sebagaimana disajikan dalam
Gambar 2 dan seperti berikut ini

76
X41 = 400.000 ton pulp di angkut dari lokasi
pabrik IV (wilayah B) ke pusat permintaan
1 (Wilayah B)
X52 = 300.000 ton pulp di angkut dari lokasi V
(wilayah C) ke pusat permintaan 2
(Wilayah D)
X53 = 200.000 ton pulp di angkut dari lokasi V
(wilayah C) ke pusat permintaan 3
(Wilayah A)
X54 = 100.000 ton pulp di angkut dari lokasi V
(wilayah C) ke pusat permintaan 4
(Wilayah C) 77
Peubah nol-satu
Y4 = 1, yaitu pabrik Pulp bisa dan boleh
dibangun di lokasi IV, wilayah B.
Y5 = 1, yaitu pabrik Pulp bisa dan boleh
dibangun di lokasi V, wilayah C.

78
Peubah Devisional :

79
Gambar 2.
Penyelesaian Optimal
PT.INHUTANI VI Contoh 2

80
PERTEMUAN KEEMPAT

81
 MODEL APLIKASI KHUSUS
1. MODEL TRANSPORTASI (TRANSPORTATION)
• Lebih khusus dari Model Linear Programming
• SatuaArah
ij  1; (koefisien Input Output)
2. MODEL PENUGASAN (ASSIGNMENT)
• Lebih Khusus dari Model Transportasi
• Satu aArah
ij  ;1 (koefisien Input Output)
• ai  1 bj  1
(Kendala Penawaran) (Kendala Permintaan)
3. MODEL TRANSIPMEN (TRANSSHIPMENT)
• Lebih Umum dari Model Transportasi
• aij ; 1
Multi Arah (koefisien Input Output)

Notasi: i = 1,2, …,n (Titik Penawaran/ Pengadaan/ Sumber)

j = 1,2, …,m (Titik Permintaan/Kebutuhan/Tujuan)

82
 1. MODEL TRANSPORTASI
• Model transportasi merupakan salah satu bentuk khusus atau
variasi dari program linear yang dikembangkan khusus untuk
memecahkan masalah-masalah yang berhubungan dengan
transportasi (pengangkutan) dan distribusi produk atau
sumber daya dari berbagai sumber (titik penawaran, atau
pusat pengadaan) ke berbagai tujuan (titik permintaan atau
pusat pemakaian). Dalam bahasa Inggris dikenal dengan
nama Transportation Programming atau Transportation
Model.

83
 Model Umum
ASUMSI DASAR
Model umum suatu persoalan transportasi klasik dilandasi pada
asumsi-asumsi berikut:
1. Bahwa suatu produk yang ingin diangkat tersedia dalam
jumlah yang tetap dan diketahui.
2. Bahwa produk tersebut akan dikirim melalui jaringan
transportasi yang ada dengan memakai cara pengangkutan
tertentu dari pusat pengadaan ke pusat-pusat permintaan.
3. Bahwa jumlah permintaan di pusat permintaan pun diketahui
dalam jumlah tertentu dan tetap.
4. Bahwa ongkos angkutan per unit produk yang diangkut pun
diketahui, sehingga tujuan kita untuk meminimumkan biaya
total angkutan dapat tercapai.
84
 Model Matematika
Andaikan ada m pusat pengadaan dan n pusat pemakaian. Kita
ingin mengangkut produk X dari pusat i ke ke pusat j (untuk i =
1,2, …,m dan j = 1,2, …,n), dengan ongkos angkutan per unit
sebesar C, maka jumlah produk sebesar a di pusat penawaran
dapat diangkut ke pusat permintaan sebanyak b unit, sehingga
model matematika MT-klasik adalah sebagai berikut:

85
Fungsi Tujuan m n
Minimumkan Z   Cij X ij
i 1 i 1
n

Syarat-ikatan: 
j 1
X ij  ai ; i = 1, 2, …, m
m
; j = 1, 2, …, n

i 1
X ij  b j
m n


i 1
ai   bij
i 1
(Model Seimbang)

dan Xij ≥ 0
Dimana:
Xij = peubah pengambilan keputusan, dalam hal ini jumlah produk yang diangkut
dari titik asal i ke titik tujuan j.
ai = jumlah yang disediakan untuk diangkut (jumlah suplai) dititik asal i.
bj = jumlah yang diminta untuk didatangkan (jumlah permintaan) dititik tujuan j.
Cij = ongkos pengangkutan per unit produk Xij yang bersangkutan (pada rute
angkutan tertentu dengan memakai cara angkutan tertentu pula).
m = jumlah pusat (titik) pengadaan.
n = jumlah pusat (titik) permintaan.
86
Dalam keadaan dimana jumlah penawaran tidak sama dengan jumlah permintaan, maka kita
dapatkan model khusus dari program transportasi, sebagai berikut :
m n
Minimumkan
Z   Cij X ij
i 1 i 1

Syarat-ikatan: n

j 1
X ij  ai

i 1
X ij  b j

dan Xij ≥ 0 ;
Untuk i = 1, 2, 3, …., m
j = 1, 2, 3, …., n

87
Tablo Model Transportasi

88
Contoh 1.
Andaikan kita akan mengangkut suatu komoditi, dari tiga lokasi
asal ke empat lokasi tujuan, maka ongkos angkutan per unit
komoditi adalah sebagaimana terlihat dalam matriks ongkos
angkutan (Cij) sebagai berikut :

Tujuan

1 2 3 4
1 1 2 3 4
Asal 2 4 3 2 0 = ( Cij )

3 0 2 2 1

89
TABLO MT untuk Persoalan Angkutan dalam Contoh 1

Penawaran
(ai)

90
 Formulasi Model Transportasi (Contoh 1)
Fungsi Tujuan :
Minimumkan Z = 1X11 + 2X12 + 3X13 + 4X14
4X21 + 3X22 + 2X23 + 0X24
0X31+ 2X32 + 2X33 + 1X34

Kendala :
Penawaran (Asal) :
(1) X11 + X12 + X13 + X14 = 6
(2) X21 + X22 + X23 + X24 = 8
(3) X31 + X32 + X33 + X34 = 10

Permintaan (Tujuan):
(1) X11 + X21 + X31 = 4
(2) X12 + X22 + X32 = 6
(3) X13 + X23 + X33 = 8
(4) X14 + X24 + X34 = 6

Non Negatif : X11, X12, … , X32 ≥ 0 91

 Model Transportasi (Contoh 1 Lanjutan)

1. Jika ada penambahan penawaran (produksi) di lokasi asal 1

sejumlah 4 unit, maka formulasikanlah model
transportasinya (ekses penawaran  dummy permintaan)
2. Jika ada penambahan permintaan (kebutuhan) dilokasi
tujuan 2 sejumlah 6 unit, maka formulasikanlah model
transportasinya (ekses permintaan  dummy penawaran)

Catatan: (1) Biaya penyimpanan jika ada kelebihan

produksi dilokasi asal, sebesar Rp. 2 per unit
(2) Biaya klaim (denda) jika ada permintaan yang tidak
dipenuhi, sebesar Rp. 3 per unit

92
Formulasi Model Transportasi
(Contoh 1 Lanjutan)
1. Jika ada penambahan penawaran (produksi)
Fungsi Tujuan :
Minimumkan Z = 1X11 + 2X12 + 3X13 + 4X14
4X21 + 3X22 + 2X23 + 0X24
0X31+ 2X32 + 2X33 + 1X34
2X15 + 2 X25 + 2X35
Kendala :
Penawaran (Asal) :
(1) X11 + X12 + X13 + X14 + X15 = 10
(2) X21 + X22 + X23 + X24 + X25 = 8
(3) X31 + X32 + X33 + X34 + X35 = 10

Permintaan (Tujuan):
(1) X11 + X21 + X31 = 4
(2) X12 + X22 + X32 = 6
(3) X13 + X23 + X33 = 8
(4) X14 + X24 + X34 = 6
(5) X15 + X25 + X25 = 4 (dummy permintaan)

Non Negatif : X11, X12, … , X32 ≥ 0 ; X15, X25, X35 ≥ 0 93

2. Jika ada penambahan permintaan (kebutuhan)
Fungsi Tujuan :
Minimumkan Z = 1X11 + 2X12 + 3X13 + 4X14
4X21 + 3X22 + 2X23 + 0X24
0X31+ 2X32 + 2X33 + 1X34
3X41 + 3X42 + 3X43 + 3X44
Kendala :
Penawaran (Asal) :
(1) X11 + X12 + X13 + X14 = 6
(2) X21 + X22 + X23 + X24 = 8
(3) X31 + X32 + X33 + X34 = 10
(4) X41 + X42 + X43 + X44 = 6 (dummy penawaran)

Permintaan (Tujuan):
(1) X11 + X21 + X31 + X41 = 4
(2) X12 + X22 + X32 + X42 = 12
(3) X13 + X23 + X33 + X43 = 8
(4) X14 + X24 + X34 + X44 = 6

Non Negatif : X11, X12, … , X32 ≥ 0 ; X41, X42, X43, X44 ≥ 0 94

 THE TRANSPORTATION PROBLEM
PROTAC’s Distribution problem: Sending Diesels from Harbors to Plant

PLANT NUMBER OF HARBOR NUMBER OF

ENGINES ENGINES
(1) Leipzig 400 (A) Amsterdam 500
(2) Nancy 900 (B) Antwerp 700
(3) Liege 200 (C) LeHavre 800
(4) Tilburg 500 2.000
2.000

Cost to Transport an Engine from an Origin to a Destination

FROM TO DESTINATION
ORIGIN
1 2 3 4

A 12 13 4 6
B 6 4 10 11
C 10 9 12 4

95
PROTAC’s Tranportation Problem

96
 2. MODEL PENUGASAN
• Pada dasarnya masalah penugasan sama dengan
masalah transportasi kecuali daerah asal diartikan
sebagai pegawai atau orang yang akan ditugaskan
dan daerah tujuan diartikan sebagai pekerjaan yang
harus dikerjakan.
• Yang ingin diketahui adalah siapa harus mengerjakan
pekerjaan mana agar biaya seminimal mungkin
 Model Umum Penugasan

Sama persis dengan masalah transportasi

Dengan modifikasi pengertian:

Z = Total biaya pengerjaan tugas

cij = Biaya pengerjaan tugas j oleh pegawai i
Xij = Pekerjaan j dikerjakan oleh pekerja i
Si = Jumlah pekerjaan yang dapat dikerjakan oleh
pegawai i
Dj = Jumlah pegawai yang dapat mengerjakan
pekerjaan j

Dengan demikian jika diasumsikan bahwa satu pegawai hanya

dapat mengerjakan satu pekerjaan dan satu pekerjaan hanya
dapat dikerjakan oleh seorang pegawai, maka seluruh RHS akan
bernilai 1
 Model Umum Penugasan
Fungsi Tujuan
m n
Minimumkan Z   Cij X ij
i 1 i 1
n

Kendala Penawaran :  j 1
X ij  1  Si ; i = 1, 2, …, m
m

Kendala Permintaan :  i 1
X ij  1  D j
; j = 1, 2, …, n

Kendala Non-Negatif: Xij ≥ 0

99
 THE ASSIGNMENT PROBLEM
PROTAC Europe’s Auditing Problem
PLANT
LEIPZIG NANCY LIEGE TILBURG SUPPLY
VP
(i)
(1) (2) (3) (4)

Finance (F) 24 10 21 11 1
Marketing (M) 14 22 10 15 1
Operations (O) 15 17 20 19 1
Personnel (P) 11 19 14 13 1
DEMAND (j) 1 1 1 1 4
In the optimal solution
ASSIGMENT ASSIGMENT
COST COST
VP PLANT VP PLANT
F 1 24 F 2 10
M 2 22 M 3 10
O 3 20 O 1 15
P 4 13 P 4 13
TOTAL COST 79 TOTAL COST 48

100
LP Formulation and Solution of PROTAC’s Assignment Problem

101
 Maximization Assigment Problem

TERRITORY
NUMBER OF
SALESPERSO
SALES PEOPLE
N
1 2 3 AVAILABLE

A 40 30 20 1
B 18 28 22 1
C 12 16 20 1
D 25 24 27 1
NUMBER OF 4
SALESPEOPLE 1 1 1
REQUIRED 3

102
The LP Formulation of a Max Assignment Problem

103
 MODEL TRANSIPMEN
Model Umum
Masalah transipmen merupakan suatu bentuk umum dari model transportasi
sedangkan model transportasi adalah bentuk khususnya dimana terdapat
pusat-pusat asal atau sumber-sumber asli, pusat-pusat tujuan yang asli
dan titik-titik transhipmennya. Titik-titik transipmen tersebut bisa
terdapat pada pusat asal maupun pusat tujuan. Dalam model ini setiap
pusat dapat mengirim dan menerima arus barang angkutan. Hal ini
berarti terdapat keleluasaan dalam penetapan rute arus barang dari titik i
ke titik j, selain rutenya yang langsung.
Ada beberapa cara untuk merumuskan masalah transhipmen secara
matematis. Pendekatan yang disajikan ini termasuk relatif lebih singkat
dan tegas. Andaikan,
Xij = jumlah yang diangkut dari titik i ke titik j; i ≠ j ; i, j = 1, 2, …, n.
Cij = biaya angkutan dari titik i ke titik j; Cij ≥ 0.
ri = kebutuhan bersih (sisa) di titik i

104
Setiap titik atau lokasi yang ada harus dapat memenuhi suatu rumusan
keseimbangan yaitu antara arus barang yang keluar (diangkut) dikurangi arus
barang yang masuk (diterima) harus sama dengan kebutuhan bersih. Secara
simbolik, rumusan model umum transipmen adalah sebagai berikut:
n n
Minimumkan Z   Cij X ij
i 1 j 1
dimana i ≠ j

Syarat-ikatan: n n

X
i 1
ij   X ji  r1
j 1
j 1 i 1

Untuk i = 1, 2, …, n
dan Xij ≥ 0; i, j = 1,2,…,n;
i≠j
105
Apabila kita inginkan agar jumlah permintaan sama dengan jumlah suplai (artinya
∑iri = 0) maka model transipmennya menjadi:
n n
Minimumkan Z   Cij X ij
i 1 j 1
untuk i ≠ j
Syarat-ikatan:
n n

X
i 1
ij   X ji  0
j 1
j 1 i 1

dan Xij ≥ 0 ; i, j = 1, 2, …, n;
i≠j

106
Contoh 2.
Suatu perusahaan Logistik beras memiliki tujuh gudang besar di
seluruh Indonesia. Perusahaan ini sedang merencanakan untuk
menjual beras tersebut. Penjualan beras tersebut harus pula
diperhatikan segi redistribusi dari persediaannya (inventory).
Gudang (store) 1 dan 4 memiliki kelebihan dalam persediaan (stock)
beras masing-masing sebanyak 20.000 ton dan 10.000 ton.
Sedangkan gudang 2, 3, dan 7 kekurangan 15.000, 8.000, dan 7.000
ton beras. Persediaan beras pada gudang 5 dan 6 tidak mengalami
perubahan. Diagram dari persoalan ini yang lengkap dengan biaya
angkutannya pada tiap rute angkutan adalah seperti terlihat pada
Gambar 3.

107
Gambar 1. Rute dan biaya angkutan beras
(Persoalan dalam Contoh 2)

108
Spesifikasi Model
Kembali kepada Contoh 2 tersebut, maka model matematikanya
adalah sebagaimana dirumuskan berikut ini:
Minimumkan Z  9.000 X 12  9.000 X 13  8.000 X 24  6.000 X 42  10.000 X 43
 6.000 X 45  7.000 X 46  3.000 X 53  3.000 X 57  8.000 X 67
Syarat-ikatan:
X12 + X13 = 20.000 (Gudang 1)
X24 – X12 – X42 = -15.000 (Gudang 2)
- X13 – X43 – X53 = - 8.000 (Gudang 3)
X42 + X43 + X45 + X46 – X24 = 10.000 (Gudang 4)
X53 + X57 – X45 = 0 (Gudang 5)
X67 – X46 = 0 (Gudang 6)
- X57 – X67 = - 7.000 (Gudang 7)
dan Xij 109 ≥ 0
109
Gambar 2. Hasil Printout Komputer Mini APPLE II (Matriks input-
output) dari persoalan transipmen dalam Contoh 2

110
Gambar 3. Hasil Printout Komputer Mini APPLE II (Penyelesaian
optimal) tentang transipmen dalam Contoh 2

111
 MODEL TRANSPORTASI
• Merupakan model jaringan yang dapat dipecahkan
dengan LP
• Pada model ini pada dasarnya kita ingin mengetahui
bagaimana mentransportasikan produk dari satu daerah
ke daerah lainnya agar diperoleh biaya atau waktu
seminimal mungkin.
• Sebenarnya model transportasi ini dapat dipecahkan
dengan algoritma khusus tetapi kita langsung
menggunakan komputer untuk memecahkan model ini.
• Yang termasuk keluarga model transportasi adalah:
masalah transportasi, masalah penugasan (assignment),
dan masalah transshipment
 MODEL TRANSPORTASI
Data yang harus dimiliki:

Kasus Jumlah Supply (Qs) = Jumlah Demand (Qd)

Daerah asal (origins) dan kapasitas produksi/supply
masing-masing daerah
• Daerah tujuan (destinations) dan kapasitas daya
serap/demand pada masing-masing daerah
• Biaya transportasi per unit untuk masing-masing rute
yang relevan
 Kasus Jumlah Supply > Jumlah Demand

• Ciptakan variabel dummy (boneka) daerah

tujuan atau daerah tujuan fiktif. Variabel ini
diinterpretasikan sebagai jumlah supply yang
tidak ditransportasikan (disimpan) pada
masing-masing daerah asal.
• Diperlukan data biaya penyimpanan pada
masing-masing daerah asal (> 0)
 Kasus Jumlah Supply < Jumlah Demand

• Ciptakan variabel dummy (boneka) daerah

asal atau daerah asal fiktif. Variabel ini
diinterpretasikan sebagai jumlah demand
pada masing-masing daerah tujuan yang tidak
dapat dipenuhi.
• Diperlukan data biaya penalti akibat tidak
dipenuhinya demand pada masing-masing
daerah tujuan (> 0)
 Model Umum
Fungsi Tujuan:
Minimumkan biaya transportasi total
Min Z = Σ Σ cij Xij
st: Σ Xij = Si (Supply i=1,2,..,m)
Σ Xij = Dj (Demand j=1,2,..,n)
Dimana:
Z = Total biaya transportasi
cij = Biaya transportasi dari daerah asal i ke daerah
tujuan j
Xij = Jumlah barang yang ditransportasikan dari daerah
asal i ke daerah tujuan j
Si = Jumlah supply pada daerah asal i
Di = Jumlah demand pada daerah tujuan j
 Tabel Tansportasi sebagai alat bantu

Ke
1 2 3 Suplai
Dari
c11 c12 c13
1 X11 X12 X13 S1

2 X21 c21
X22 c22
X23 c23
S2
c31
3 X31 X32 c32 X33 c33 S3

Demand D1 D2 D3 Qd=Qs
 Rute Terlarang (Prohibited Route)
• Dalam hal ada satu atau lebih rute yang karena satu dan lain
hal tidak dapat digunakan (misalnya jembatan putus atau
bandara untuk sementara tidak dapat digunakan), maka
dapat digunakan metode Prohibited Route untuk
memecahkan masalah transportasi tanpa merubah banyak
model awal.

• Caranya adalah dengan menggelembungkan biaya

transportasi pada rute yang terlarang tersebut. Dengan
besarnya biaya pada rute tersebut, maka model akan
otomatis akan menghindari rute tersebut atau dengan kata
lain memastikan X untuk rute tersebut bernilai 0. Jika
keadaan sudah normal kembali, biaya transportasi dapat
dinormalkan kembali.
 MODEL TRANSSHIPMENT
• Pada model transportasi dan penugasan diasumsikan
bahwa daerah asal tidak boleh berfungsi sebagai
daerah tujuan dan sebaliknya. Pada kenyataannya,
seringkali terjadi suatu daerah dapat berfungsi
ganda, yaitu daerah asal sekaligus menjadi daerah
tujuan (daerah tersebut mengirim barang tetapi juga
menerima barang dari daerah lain)
• Jika ada satu atau lebih daerah yang berfungsi ganda
seperti ini, maka harus digunakan model
transshipment