MODUL PRAKTIKUM OPTIMISASI SEMESTER GENAP / 1 SKS / TI2311P Oleh : Tim Penyusun Modul Praktikum PROGRAM STUDI TEKNIK INDUSTRI DEPARTEMEN TEKNIK INDUSTRI INSTITUT TEKNOLOGI DIRGANTARA ADISUTJIPTO YOGYAKARTA 2021 KATA PENGANTAR Selamat datang para praktikan di Praktikum Optimisasi. Mata kuliah Praktikum Optimisasi merupakan jenis Mata kuliah Keahlian Berkarya (MKB) di program Studi Teknik Industri Institut Teknologi Dirgantara Adisutjipto Yogyakarta (ITDA). Para praktikan akan melaksanakan praktikum ini selama 10 pertemuan (termasuk responsi). Tujuan utama praktikum ini adalah untuk memberikan penerapan teori kedalam bentuk praktek dalam menyelesaikan kasus-kasus optimisasi industri yang mendekati kenyataan. Harapannya semoga modul praktikum ini dapat menambah bahan belajar bagi mahasiswa teknik industri. Terima kasih kepada seluruh pihak/civitas akademika Program Studi Teknik Industri ITDA yang telah membantu penyusunan modul praktikum ini, dan kami mengharapkan kepada semua pihak untuk dapat memberikan masukan dan saran demi penyempurnaan modul praktikum ini. Tim Penyusun Modul Praktikum Optimisasi Selamat Melaksanakan Praktikum Optimisasi ii DAFTAR ISI KATA PENGANTAR ..................................................................................................... ii DAFTAR ISI ................................................................................................................... iii DAFTAR GAMBAR .................................................................................................... viii DAFTAR TABEL ........................................................................................................... xi CAPAIAN PEMBELAJARAN LULUSAN ................................................................ xii MODUL 1 LINEAR DAN INTEGER LINEAR PROGRAMMING ............................. 13 1. Deskripsi................................................................................................................. 13 2. Tujuan..................................................................................................................... 13 3. Alat dan Bahan ....................................................................................................... 13 4. Prosedur Pelaksanaan Praktikum ........................................................................... 13 5. Output ..................................................................................................................... 21 6. Landasan Teori ....................................................................................................... 21 6.1. Linear Programming ...................................................................................... 21 6.2 Beberapa Metode Penyelesaian Linear Programming................................... 26 6.3. Integer Linear Programming ......................................................................... 27 7. Referensi................................................................................................................. 31 8. Tugas ...................................................................................................................... 31 MODUL 2 LINEAR GOAL PROGRAMMING ............................................................ 33 1. Deskripsi................................................................................................................. 33 2. Tujuan..................................................................................................................... 33 3. Alat dan Bahan ....................................................................................................... 33 4. Prosedur Pelaksanaan Praktikum ........................................................................... 33 5. Output ..................................................................................................................... 40 6. Landasan Teori ....................................................................................................... 40 iii 6.1 LGP: Konsep-Konsep Dasar Dan Unsurnya ................................................... 40 6.2 Unsur-Unsur LGP ........................................................................................... 41 6.3 Fungsi Tujuan .................................................................................................. 41 6.4 Kendala Tujuan ............................................................................................... 42 6.5 Perumusan Masalah LGP ................................................................................ 44 7. Referensi................................................................................................................. 45 8. Tugas ...................................................................................................................... 45 MODUL 3 TRANSPORTASI ....................................................................................... 47 1. Deskripsi................................................................................................................. 47 2. Tujuan..................................................................................................................... 47 3. Alat dan Bahan ....................................................................................................... 48 4. Prosedur Pelaksanaan Praktikum ........................................................................... 48 5. Output ..................................................................................................................... 51 6. Landasan Teori ....................................................................................................... 52 6.1. Supply Chain Management ............................................................................ 52 6.2. Transportasi Jaringan Distribusi Produk ........................................................ 53 7. Referensi................................................................................................................. 55 8. Tugas ...................................................................................................................... 56 MODUL 4 PENUGASAN ............................................................................................. 57 1. Deskripsi................................................................................................................. 57 2. Tujuan..................................................................................................................... 57 3. Alat dan Bahan ....................................................................................................... 57 4. Prosedur Pelaksanaan Praktikum ........................................................................... 57 5. Output ..................................................................................................................... 62 6. Landasan Teori ....................................................................................................... 62 7. Referensi................................................................................................................. 65 8. Tugas ...................................................................................................................... 65 iv MODUL 5 PATH PROBLEM ...................................................................................... 67 1. Deskripsi................................................................................................................. 67 2. Tujuan..................................................................................................................... 67 3. Alat dan Bahan ....................................................................................................... 67 4. Prosedur Pelaksanaan Praktikum ........................................................................... 67 5. Output ..................................................................................................................... 71 6. Landasan Teori ....................................................................................................... 71 6.1 Konsep Dasar Graph ....................................................................................... 71 6.2 Path Minimum ................................................................................................. 72 6.3 Shortest Path .................................................................................................... 73 7. Referensi................................................................................................................. 73 8. Tugas ...................................................................................................................... 74 MODUL 6 MAXIMAL FLOW PROBLEM ............................................................... 75 1. Deskripsi................................................................................................................. 75 2. Tujuan..................................................................................................................... 75 3. Alat dan Bahan ....................................................................................................... 75 4. Prosedur Pelaksanaan Praktikum ........................................................................... 75 5. Output ..................................................................................................................... 78 6. Landasan Teori ....................................................................................................... 79 6.1 Terminologi dalam Graf .................................................................................. 79 6.2 Terminologi Masalah Aliran Maksimum ........................................................ 79 7. Referensi................................................................................................................. 79 8. Tugas ...................................................................................................................... 80 MODUL 7 PROGRAM DINAMIS .............................................................................. 81 1. Deskripsi................................................................................................................. 81 2. Tujuan..................................................................................................................... 81 3. Alat dan Bahan ....................................................................................................... 81 v 4. Prosedur Pelaksanaan Praktikum ........................................................................... 81 4.1 Metode Stagecoach ......................................................................................... 81 4.2 ..........................................................................................................Metode Knapsack 5. Output ..................................................................................................................... 89 6. Landasan Teori ....................................................................................................... 89 6.1 Karakteristik Program Dinamis ....................................................................... 89 6.2 Deskripsi Matematik Program Dinamis .......................................................... 90 6.3 Program Dinamis Deterministik...................................................................... 91 6.4 Program Dinamis Probabilistik ....................................................................... 91 7. Referensi................................................................................................................. 92 8. Tugas ...................................................................................................................... 93 8.1 Metode Stagecoach ......................................................................................... 93 8.2 Metode Knapsack ............................................................................................ 93 MODUL 8 RANTAI MARKOV................................................................................... 95 1. Deskripsi................................................................................................................. 95 2. Tujuan..................................................................................................................... 95 3. Alat dan Bahan ....................................................................................................... 95 4. Prosedur Pelaksanaan Praktikum ........................................................................... 95 5. Output ................................................................................................................... 100 6. Landasan Teori ..................................................................................................... 100 6.1 Pengenalan Markov Chain ............................................................................ 100 6.2 Konsep Dasar Markov Chain ........................................................................ 101 6.3 Teorema-Teorema ......................................................................................... 103 7. Referensi............................................................................................................... 104 8. Tugas .................................................................................................................... 105 MODUL 9 ANTRIAN ................................................................................................. 106 1. Deskripsi............................................................................................................... 106 vi 86 2. Tujuan................................................................................................................... 106 3. Alat dan Bahan ..................................................................................................... 106 4. Prosedur Pelaksanaan Praktikum ......................................................................... 106 5. Output ................................................................................................................... 112 6. Landasan Teori ..................................................................................................... 112 6.1 Pengenalan teori antrian ............................................................................... 112 6.2 Struktur Dasar Model Antrian ....................................................................... 112 6.3 Klasifikasi Struktur Model Antrian ............................................................... 113 6.4 Sistem Antrian Dasar Pendatang Tetap dan Waktu Pelayanan ..................... 114 7. Referensi............................................................................................................... 114 8. Tugas .................................................................................................................... 115 vii DAFTAR GAMBAR Gambar 1. Tampilan awal modul LP/ILP ......................................................................... 14 Gambar 2. Pengisiaan informasi dan aturan untuk LP/ILP............................................... 14 Gambar 3. Tampilan untuk menginput tujuan dan data batasan ....................................... 15 Gambar 4. Tampilan untuk mengubah nama variabel dan nama batasan ......................... 15 Gambar 5. Tampilan untuk menginput tujuan dan data batasan ....................................... 16 Gambar 6. Tampilan pesan dari WinQSB ........................................................................ 16 Gambar 7. Tampilan solusi dari WinQSB ........................................................................ 17 Gambar 8. Tampilan untuk menentukan variabel ............................................................. 17 Gambar 9. Tampilan Grafik .............................................................................................. 18 Gambar 10. Tampilan untuk mengubah ukuran dan warna grafik.................................... 18 Gambar 11. Tampilan Grafik setelah perubahan .............................................................. 19 Gambar 12. Tampilan untuk menginput tujuan dan data batasan ..................................... 19 Gambar 13. Tampilan untuk menginput tujuan dan data batasan pada ILP ..................... 20 Gambar 14. Tampilan solusi dengan ILP.......................................................................... 20 Gambar 15. Tampilan Grafik ............................................................................................ 21 Gambar 16. Data untuk model Linear Programing ........................................................... 23 Gambar 17 Tampilan awal Linear and Integer Programing.............................................. 34 Gambar 18. Tampilan pengisiaan informasi dan peraturan GP/IGP ................................. 34 Gambar 19. Pengisiaan informasi dan peraturan GP/IGP ................................................. 35 Gambar 20. Tampilan pengisiaan data untuk masalah GP/IGP ........................................ 35 Gambar 21. Pengisiaan data untuk masalah GP/IGP telah selesai.................................... 36 Gambar 22. Tampilan setelah ditemukan solusi ............................................................... 37 Gambar 23. Tampilan gabungan setelah ditemukan solusi ............................................... 37 Gambar 24. Hasil olahan model Linear Goal Programing ................................................ 38 Gambar 25. Ringkasan batasan model Linear Goal Programing ...................................... 38 Gambar 26. Menentukan variabel untuk grafik ................................................................ 39 Gambar 27. Tampilan solusi akhir dalam bentuk grafik ................................................... 39 Gambar 28. Mengubah warna tampilan grafik ................................................................. 40 Gambar 29. Tampilan solusi grafik setelah perubahan ..................................................... 40 Gambar 30. Tampilan awal modul Networking................................................................ 48 Gambar 31. Tampilan mengatur konfigurasi model network modeling ........................... 49 Gambar 32. Tampilan untuk meng-input model network ................................................. 49 Gambar 33. Nama lokasi sebelum diubah (kiri) dan sesudah diubah (kanan) .................. 50 Gambar 34. Data masalah transportasi setelah di-input .................................................... 50 Gambar 35. Tampilan solusi ............................................................................................. 51 Gambar 36. Solusi transportasi dalam bentuk grafik ........................................................ 51 Gambar 37. Supply chain yang sederhana ........................................................................ 52 Gambar 38. Supply chain yang Komplek (Jaringan logistik) ........................................... 53 MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page viii Gambar 39. Bentuk persoalan transportasi ....................................................................... 54 Gambar 40. Tampilan awal model Networking ................................................................ 58 Gambar 41. Tampilan untuk mengatur masalah penugasan ............................................. 58 Gambar 42. Tampilan untuk meng-input masalah penugasan .......................................... 59 Gambar 43. Tampilan untuk mengubah nama variabel .................................................... 59 Gambar 44. Tampilan untuk mengubah nama variabel .................................................... 60 Gambar 45. Tampilan masalah penugasan ....................................................................... 60 Gambar 46. Menu Results modul penugasan.................................................................... 61 Gambar 47. Tampilan solusi akhir masalah penugasan dalam bentuk grafik ................... 61 Gambar 48. Tampilan awal modul Networking................................................................ 67 Gambar 49. Tampilan pemilihan problem networking ..................................................... 68 Gambar 50. Tampilan modul Networking Jalur Terpendek ............................................. 68 Gambar 51. Tampilan modul Jalur Terpendek setelah nama lokasi diubah ..................... 69 Gambar 52. Data yang sudah di-input pada jalur terpendek ............................................. 69 Gambar 53. Mencari solusi jalur terpendek ...................................................................... 70 Gambar 54. Tampilan solusi jalur tependek ..................................................................... 70 Gambar 55. Tampilan solusi jalur terpendek dalam bentuk grafik ................................... 71 Gambar 56. Graph 5 Verteks dan 6 Edge ......................................................................... 72 Gambar 57. Digraph G...................................................................................................... 72 Gambar 58. Shortest path (garis tebal).............................................................................. 73 Gambar 59. Tampilan solusi akhir masalah penugasan dalam bentuk grafik ................... 74 Gambar 60. Tampilan awal modul Networking................................................................ 75 Gambar 61. Menentukan model arus terbanyak ............................................................... 76 Gambar 62. Tampilan untuk input model arus terbanyak ................................................. 76 Gambar 63. Data model arus terbanyak yang sudah selesai di-input................................ 77 Gambar 64. Pemilihan lokasi asal dan lokasi tujuan masalah arus terbanyak .................. 77 Gambar 65. Hasil akhir masalah arus terbanyak............................................................... 78 Gambar 66. Hasil akhir masalah arus terbanyak dalam bentuk grafik.............................. 78 Gambar 67. Grafik arus kendaraan dari dan ke suatu lokasi............................................. 80 Gambar 68. Tampilan awal modul Dynamic Programming (DP) .................................... 82 Gambar 69. Tampilan pengaturan konfigurasi model DP ................................................ 82 Gambar 70. Tampilan input data jarak pada stagecoach................................................... 83 Gambar 71. Tampilan untuk mengubah nama lokasi........................................................ 83 Gambar 72. Tampilan setelah data jarak di-input ............................................................. 84 Gambar 73. Tampilan memilih lokasi awal dan tujuan .................................................... 85 Gambar 74. Hasil analisis metode stagecoach.................................................................. 85 Gambar 75. Hasil rincian analisis metode stagecoach ...................................................... 86 Gambar 76.Tampilan awal modul Dynamic Programming .............................................. 86 Gambar 77. Pendefinisian masalah knapsack ................................................................... 87 Gambar 78. Tampilan untuk meng-input masalah knapsack ............................................ 87 Gambar 79. Tampilan setelah input masalah knapsack .................................................... 88 MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page ix Gambar 80. Tampilan solusi masalah knapsack ............................................................... 88 Gambar 81. Fungsi transformasi program dinamis ........................................................... 90 Gambar 82. Program dinamis sebagai persoalan deterministik ........................................ 91 Gambar 83. Program dinamis probabilistik ...................................................................... 92 Gambar 84. Diagram jalur pendek .................................................................................... 93 Gambar 85. Tampilan awal modul Markov Process ......................................................... 95 Gambar 86. Tampilan untuk menentukan Markov Process .............................................. 96 Gambar 87. Input data untuk process Markov .................................................................. 96 Gambar 88. Mengubah nama state.................................................................................... 97 Gambar 89. Hasil analisis Process Markov ...................................................................... 97 Gambar 90. Rincian analisis Proses Markov terhap tiap-tiap merek ................................ 98 Gambar 91. Persiapan menampilkan analisis time parametric ......................................... 99 Gambar 92. Hasil analisis time parametric ....................................................................... 99 Gambar 93. Grafik hasil analisis time parametric .......................................................... 100 Gambar 94. Klasifikasi Proses Stokastik ........................................................................ 101 Gambar 95. Tampilan awal model antrian WinQSB ...................................................... 106 Gambar 96. Isian untuk membuat model antrian ............................................................ 107 Gambar 97. Input Data pada modul antrian .................................................................... 107 Gambar 98. Hasil analisis masalah antrian 1 .................................................................. 108 Gambar 99. Hasil analisis antrian 2 ................................................................................ 110 Gambar 100. Hasil analisis antrian 3 .............................................................................. 111 Gambar 101. Analisis sensitivitas model antrian dalam bentuk tabel............................. 111 Gambar 102. Analisis sensitivitas model antrian dalam bentuk grafik ........................... 112 Gambar 103. Struktur dasar antrian ................................................................................ 113 MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page x DAFTAR TABEL Tabel 1. Ringkasan masalah yang akan dipecahkan ......................................................... 32 Tabel 2. Linear Programming ........................................................................................... 32 Tabel 3. Beberapa variabel dan batasan yang perlu diganti .............................................. 36 Tabel 4. Jenis-jenis Kendala Tujuan ................................................................................. 43 Tabel 5. Persoalan Metode Linear Goal Programing....................................................... 46 Tabel 6. Contoh masalah transportasi ............................................................................... 56 Tabel 7. Opportunity cost ................................................................................................. 63 Tabel 8. Penentuan Penugasan Optimal ............................................................................ 63 Tabel 9. Perbaikan Total Biaya ......................................................................................... 64 Tabel 10. Matrik Keuntungan ........................................................................................... 64 Tabel 11. Matrik Opportunity Loss................................................................................... 65 Tabel 12. Ringkasan masalah penugasan.......................................................................... 65 Tabel 13. Jarak antarlokasi ............................................................................................... 74 Tabel 14. Data barang yang tersedia untuk dikirim .......................................................... 93 Tabel 15. Studi Kasus Rantai Markov ............................................................................ 105 MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page xi CAPAIAN PEMBELAJARAN LULUSAN 1. Mampu mengidentifikasi, memformulasikan dan menganalisis masalah rekayasa kompleks pada sistem terintegrasi berdasarkan pendekatan analitik, komputasional atau eksperimental pada masalah sistem manufaktur dan industri jasa penerbangan. (CPL 3). 2. Mampu meneliti dan menyelidiki masalah rekayasa Kompleks pada sistem terintegrasi dalam industri dan kedirgantaraan menggunakan dasar Prinsip-prinsip rekayasa dengan melaksanakan riset, analisis, interpretasi data dan sintesa informasi untuk memberikan solusi. (CPL 7). 3. Mampu melakukan kerjasama dalam sebuah kelompok kerja. (CPL 14). MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page xii MODUL 1 LINEAR DAN INTEGER LINEAR PROGRAMMING 1. Deskripsi Linear Programming merupakan teknik matematik untuk mendapatkan alternatif penggunaan terbaik atas sumber-sumber organisasi. Kata sifat linear digunakan untuk menggambarkan hubungan antara dua atau lebih variabel, hubungan yang langsung dan proses proporsional. Dalam metode LP tidak boleh ditemukan hasil akhir dalam bentuk pecahan, karenanya diperlukan model Integer Linear Programming. 2. Tujuan a. Praktikan dapat memahami dan mengerti cara-cara pengumpulan data dan mengetahui data-data yang diperlukan model linear dan integer programming yang berasal dari kehidupan nyata serta memformulasikan data yang diperoleh tersebut. b. Mengetahui dan memahami solusi yang dihasilkan dari model linear dan integer programming mengenai masalah pengalokasian sumber-sumber yang terbatas untuk mencapai tujuan optimal. 3. Alat dan Bahan PC dan Software pengolah data (Win QSB) 4. Prosedur Pelaksanaan Praktikum Untuk penyelesaian masalah LP ke dalam program WinQSB, langkahlangkahnya adalah sebagai berikut : 1. Jalankan modul linear and integer programing dengan mengeklik Start, Program, WinQSB, lalu pilih pilih Linear and Integer Programing. Dilayar akan ditampilkan seperti Gambar 1. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 13 Gambar 1. Tampilan awal modul LP/ILP 2. Buatlah definisi masalah baru, dengan memilih menu File, New Problem, sehingga dilayar akan ditampilkan seperti Gambar 2. Dan isikan berbagai aturan yang diperlukan sesuai spesifikasi data yang diambil, mulai dari judul masalah dan aturan-aturanya seperti berikut ini. Gambar 2. Pengisiaan informasi dan aturan untuk LP/ILP 3. Klik Ok, sehingga layar akan muncul tampilan seperti pada Gambar 3. Perhatikan pada sel yang sudah terisi data, misalnya tanda <=, angka 0, dan ada huruf M (klik ganda pada sel untuk mengubah). Untuk saat ini biarkan seperti itu. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 14 Gambar 3. Tampilan untuk menginput tujuan dan data batasan 4. Ubahlah nama variabel X1 dan X2 masing-masing menjadi kursi dan meja, dengan menu Edit, variable Names. Dilayar dilayar akan ditampilkan seperti Gambar 4., lalu kliklah Ok. Ubahlah nama batasan C1 dan C2 masing-masing menjadi kayu dan jam kerja-orang, dengan menu Edit, Constraint Names. Dilayar dilayar akan ditampilkan seperti Gambar 4, lalu klik Ok. Gambar 4. Tampilan untuk mengubah nama variabel dan nama batasan 5. Isikan data sesuai studi kasus, sehingga dilayar akan ditampilkan seperti Gambar 5. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 15 Gambar 5. Tampilan untuk menginput tujuan dan data batasan 6. Simpanlah model yang sudah anda input dengan nama (misal LP-01.LPP). 7. Untuk selnjutnya pemecahan masalah dengan mengeklik menu Solve and Analyze lalu pilih Solve The Problem. Dalam sesaat WinQSB akan memberitahu bahawa solusi sudah ditemukan dengan pesan berikut ini. Gambar 6. Tampilan pesan dari WinQSB 8. Kliklah Ok dan winQSB akan menampilkan solusi masalah anda seperti tampak pada Gambar 7. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 16 Gambar 7. Tampilan solusi dari WinQSB 9. Jika ingin menampilkan solusi dalam bentuk grafik, kliklah menu Solve and Anlyze lalu pilih Graphic Method. Dilayar akan ditampilkan seperti Gambar 8., untuk menentukan variabel yang akan digambarkan dalam garis horizontal (X) dan vertikal (Y). Klik Ok maka dilayar akan ditampilkan seperti Gambar 9. Gambar 8. Tampilan untuk menentukan variabel MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 17 Gambar 9. Tampilan Grafik Anda dapat mengubah warna garfik, dengan mengeklik menu Options, Change XY Ranges and Colors sehingga tampak seperti Gambar 10. Gambar 10. Tampilan untuk mengubah ukuran dan warna grafik Bila sudah selesai melakukan perubahan maka kliklah Ok dan hasil warna yang baru akan tampak seperti Gambar 11. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 18 Gambar 11. Tampilan Grafik setelah perubahan Pada pembahasan sebelumnya, sudah dicontohkan pemecahan masalah dengan Linear Programing (LP). Namun metode LP dalam contoh ini tidak tepat karena dalam membuat kursi dan meja tidak boleh ditemukan hasil akhir dalam pecahan. Inilah sebabnya diperlukan model Integer Linear Programming. Cara penyelesaian model ini mirip dengan cara menjalankan model LP, namun dengan sedikit penyesuaiaan. 1. Muatlah masalah (bila dilayar belum tampak model anda), dengan menu file, load problem (misal nama filenya LP-01.LPP). Gambar 12. Tampilan untuk menginput tujuan dan data batasan MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 19 2. Kliklah 2 kali jenis variabel Continuos menjadi integer. Hasilnya akan tampak seperti Gambar 13. Gambar 13. Tampilan untuk menginput tujuan dan data batasan pada ILP 3. Jalankan menu Solve and Analyze, Solve The Problem, klik Ok, dan dilayar akan ditampilkan seperti Gambar 14. Gambar 14. Tampilan solusi dengan ILP 4. Apabila anda ingin menampilkan solusi dalam bentuk grafik, ikutilah langkah seperti pembahasan sebelumnya maka hasilnya akan tampak seperti Gambar 15. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 20 Gambar 15. Tampilan Grafik 5. Output Solusi masalah dengan Linear Programing (LP) dan Integer Linear Programming. 6. Landasan Teori 6.1. Linear Programming Semua organisasi harus membuat keputusan bagaimana mengalokasikan sumber-sumbernya, dan tidak ada organisasi yang beroperasi secara permanen dengan sumber yang tidak terbatas, akibatnya manajemen harus secara terus menerus mengalokasikan sumber yang langka untuk mencapai tujuan organisasi, bagaimanapun caranya. Tiap organisasi mencoba untuk mencapai tujuan tertentu (tabungan, anggaran, advertensi, nasabah, tersedianya bahan-bahan). Linear Programming merupakan teknik matematik untuk mendapatkan alternatif penggunaan terbaik atas sumber-sumber organisasi. Kata sifat linear digunakan untuk menggambarkan hubungan antara dua atau lebih variabel, hubungan yang langsung dan proses proporsional. Misalnya dalam hubungan linear antara jam kerja dengan output : perubahan jumlah jam produksi sebesar 10% dalam beberapa operasi akan mengakibatkan 10% perubahan output. Sedangkan kata program merupakan penggunaan teknik matematika tertentu untuk mendapatkan kemungkinan pemecahan terbaik atas persoalan yang melibatkan sumber yang serba terbatas. Ada beberapa syarat-syarat utama pada persoalan Linear Programming dalam suatu industri, yaitu : MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 21 a. Mempunyai tujuan untuk dicapai Tujuan utama suatu industri misal kita asumsikan memaksimumkan keuntungan, sedangkan kita tahu keuntungan tidak berhubungan secara linear dengan volume penjualan, tetapi dari konsep akutansi yang disebut total kontribusi didapat: Total Kontribusi = (Harga Jual /unit - Biaya Variabel /unit) x (Volume Penjualan) Bila anda menemui istilah “laba” dalam linear programming maka yang sebenarnya dimaksud adalah “kontribusi” ini. b. Harus ada alternatif tindakan yang salah satu darinya akan mencapai tujuan. Sebagai contoh industri mebel mengalokasikan kapasitas industrinya untuk meja dan kursi dalam perbandingan 50 : 50 / 70 : 30 / 25 : 75 / atau dalam angka perbandingan lain. c. Sumber harus merupakan persediaan terbatas. Industri mebel diatas memiliki jumlah jam mesin yang terbatas, akibatnya semakin banyak waktu digunakan untuk membuat meja, akan semakin sedikit kursi yang dapat dibuat. Dalam pembahasan model Linear pragramming digunakan simbol-simbol sebagai berikut : m n i j = macam batasan - batasan sumber atau fasilitas yang tersedia. = macam kegiatan yang menggunakan sumber atau fasilitas tersebut. = nomor setiap macam sumber atau fasilitas yang tersedia [i = 1,2,3, ... ,m] = nomor setiap macam kegiatan yang menggunakan sumber atau fasilitas yang tersedia [j= 1,2, ... , n ] Xj = tingkat kegiatan ke j [j = 1,2, ... , n] aij = banyak sumber i yang diperlukan untuk menghasilkan setiap unit keluaran atau output kegiatan [i = 1,2, ... , m dan j = 1,2, ... , n] bi = banyak sumber i yang tersedia untuk dialokasikan ke setiap unit kegiatan [i=1,2,... ,m ] Z = nilai yang dioptimalkan [maksimum atau minimum] Cj = kenaikan nilai Z apabila ada pertambahan tingkat kegiatan [ Xj ] dengan satu satuan [unit] atau merupakan sumbangan setiap satuan keluaran kegiatan terhadap nilai Z. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 22 Keseluruhan simbol - simbol diatas selanjutnya disusun kedalam bentuk tabel standart LP seperti contoh pada dibawah ini : Gambar 16. Data untuk model Linear Programing Atas dasar tabel tersebut, dapat disusun model matematis yang digunakan untuk mengemukakan suatu permasalahan LP sebagai berikut : Fungsi Tujuan : Maksimum (Minimum) Z = C1X1 + C2X2 + C3X3 + ........ + CnXn Batasan - batasan : 1). a11X1 + a12X2 + a13X3 + ....... + a1nXn ( £ = ³ ) b1 2). a21X1 + a22X2 + a23X3 + ....... + a2nXn ( £ = ³ ) b2 . . m). a m1X1 +am2X3 +am3X3 + ........ + amnXn ( £ = ³ ) bm dan X1 ³ X2 ³ .............. Xn ³ 0 Terminologi model LP dapat dinyatakan sebagai berikut : 1. Fungsi yang akan dimaksimumkan : C1X1 + C2X2 + C3X3 + .............. + CnXn disebut fungsi tujuan [ objective function ] MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 23 2. Fungsi - fungsi batasan dapat dikelompokkan menjadi dua macam, yaitu: a. Fungsi batasan fungsional, yaitu fungsi - fungsi batasan sebanyak m yaitu : a11X1 + a12X2 + a13X3 + ............. + amXn b. Fungsi batasan non negatif disebut sebagai non negatif constrains yaitu fungsi fungsi batasan yang dinyatakan dengan Xj ³ 0. 3. Variabel - variabel Xj disebut sebagai decision variables. 4. aij, bi dan Cj, yaitu masukan - masukan konstan disebut sebagai parameter model. Masalah - masalah LP yang dapat mengikuti model diatas antara lain : 1. Masalah minimasi yaitu fungsi tujuan yang menggambarkan upaya untuk mendapatkan biaya seminimal mungkin. Dalam hal ini, fungsi tujuan dinyatakan sebagai berikut : Minimumkan Z = C1X1 + C2X2 + C3X3 + ......... + CnXn 2. Masalah dengan fungsi batasan fungsional yang memiliki tanda matematis ³ , sehingga apabila dirumuskan terlihat sebagai berikut : ai1X1 + ai2X2 + ai3X3 + ........... +ainXn ³ bi 3. Masalah dengan fungsi batasan fungsional yang memiliki tanda matematis = , sehingga bila dirumuskan sebagai berikut : ai1X1 + ai2X2 +ai3X3 + ........... + ainXn = bi 4. Masalah tertentu, dimana fungsi batasan non negatif tidak diperllukan atau Xi tidak terbatas. Asumsi-asumsi Linear Programming : 1. Proportionality. Asumsi ini berarti bahwa naik turunya nilai Z dan penggunaan sumber atau fasilitas yang tersedia akan berubah secara sebanding (proporsional) dengan perubahan tingkat kegiatan. 2. Additivity. Asumsi ini berarti bahwa nilai tujuan tiap kegiatan tidak saling mempengaruhi atau dalam LP dianggap bahwa kenaikan dari nilai tujuan (Z) yang MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 24 diakibatkan oleh kenaikan suatu kegiatan dapat ditambah tanpa mempengaruhi bagian nilai Z yang diperoleh dari kegiatan lain. 3. Disibility. Asumsi ini menyatakan bahwa keluaran (output) yang dihasilkan oleh setiap kegiatan dapat berupa bilangan pecahan. 4. Deterministic ( certainty ). Asumsi ini menyatakan bahwa semua parameter yang terdapat dalam model LP (a, bj, cj) dapat diperkirakan dengan pasti, meskipun jarang dengan tepat. Beberapa pengertian dalam Linear Programming 1. Solution Solution adalah jawaban akhir suatu masalah. 2. Feasible Solution Feasible Solution adalah penyelesaian yang tidak melanggar batasanbatasan yang ada. 3. No Feasible Solution No Feasible Solution berarti tidak ada daerah yang layak. Artinya apabila sifat atau letak batasan – batasan sedemikian rupa sehingga tidak memungkinkan terdapatnya daerah atau alternatif - alternatif yang layak. 4. Optimal Solution Optimal Solution adalah penyelesaian layak yang mempunyai nilai tujuan (nilai Z dalam fungsi tujuan ) yang optimal atau terbaik (maksimum atau minimum ). 5. Multiple Optimal Solution Multiple Optimal Solution berarti terdapatnya beberapa alternatif optimal dalam suatu masalah. 6. Boundary Equation Boundary Equation terjadi apabila suatu batasan dengan tanda “=“. 7. Corner Point Feasible Solution Corner Point Feasible Solution adalah penyelesaian layak yang terletak pada sudut ( perpotongan) antara dua garis. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 25 8. Corner Point Infeasible Solution Corner Point Infeasible Solution adalah titik yang terletak pada perpotongan dua garis tetapi diluar daerah yang layak. 9. No Optimal Solution Penyelesaian tidak optimal terjadi apabila suatu masalah tidak mempunyai jawaban atau penyelesaian optimal. Hal ini di sebabkan oleh faktor - faktor sebagai berikut : a. Tidak ada penyelesaian layak. b. Ada batasan yang tidak membatasi besar nilai Z. Ketentuan - ketentuan atau sifat Linear Programming Ketentuan 1: a. Kalau hanya ada satu penyelesaian optimal, berupa Corner Point Feasible Solution. b. Kalau Multiple Solution maka terdapat lebih dari dua titik optimal yang terletak pada garis yang menghubungkan dua Corner Solution. Ketentuan 2: Corner Point Feasible Solution jumlahnya terbatas. Ketentuan 3: Kalau Corner Point Feasible Solution lebih baik dari dua Corner Point Feasible Solution yang terdekat, maka titik itu merupakan titik optimal atau terbaik diantara semua Corner Point Feasible Solution. 6.2 Beberapa Metode Penyelesaian Linear Programming 1. Metode Grafis Metode ini digunakan apabila variable model LP yang ada tidak melebihi dua variable atau yang berdimensi 2 x n atau m x 2 2. Metode Simpleks Apabila suatu masalah LP melibatkan lebih dari dua kegiatan maka metode grafik tidak dapat digunakan dalam menentukan kombinasi optimal, untuk itu digunakan metode simplek. Analisis Sensitivitas Analisis Sensitivitas bertujuan untuk menghindari perhitungan - perhitungan ulang, bila terjadi perubahan satu atau beberapa koefisien model LP pada saat penyelesaian optimal telah tercapai. Pada dasarnya perubahan - perubahan yang mungkin terjadi setelah tercapainya penyelesaian optimal terdiri dari beberapa macam, yakni : MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 26 1. Keterbatasan kapasitas sumber (nilai kanan fungsi-fungsi batasan). 2. Koefisien-koefisien fungsi tujuan. 3. Koefisien-koefisien teknis fungsi-fungsi batasan tertentu koefisien koefisien menunjukkan beberapa bagian kapasitas sumber yang dikonsumsi oleh satu satuan kegiatan. 4. Penambahan variable - variable baru. 5. Penambahan batasan baru. Secara umum, perubahan - perubahan tersebut diatas akan mengakibatkan salah satu diantara : 1. Penyelesaian optimal tidak berubah, artinya baik variable - variable dasar maupun nilai - nilainya tidak mengalami perubahan. 2. Variabel - variabel dasar mengalami perubahan, tetapi nilai - nilainya tidak berubah. 3. Penyelesaian optimal sama sekali tidak berubah. 4. Tujuan dan segenap keterbatasannya harus dapat dinyatakan sebagai persamaan atau ketidaksamaan matematika dan harus ada kesamaan atau ketidaksamaan linear. Pada dasarnya, metode-metode yang dikembangkan untuk memecahkan masalah linear programming ditunjukkan untuk mencari solusi dari beberapa alternatif solusi yang dibentuk oleh persamaan-persamaan pembatas sehingga diperoleh nilai fungsi tujuan yang optimum. Ada dua cara yang bisa digunakan untuk menyelesaikan persoalan-persoalan linear programming dengan cara grafis dan metode simpleks. Cara grafis dapat digunakan bila ada persoalan linear programming yang akan diselesaikan memiliki dua buah variabel. Walaupun demikian, cara ini telah memberikan satu petunjuk penting bahwa untuk memecahkan persoalan-persoalan linear programming, kita hanya perlu memperhatikan titik ekstrim (titik terjauh) pada ruang solusi atau daerah fisibel. Petunjuk ini telah menjadi kunci dalam mengembangkan metode simpleks. Metode simpleks merupakan teknik yang paling berhasil dikembangkan untuk menghasilkan/memecahkan persoalan linear programming yang mempunyai jumlah variabel keputusan dan pembatas yang besar. Algoritma simpleks ini diterangkan dengan menggunakan logika secara aljabar matriks, sedemikian rupa sehingga operasi perhitungan dapat dibuat lebih efisien. 6.3. Integer Linear Programming Integer Linear Programming (ILP) atau programa bilangan bulat adalah bentuk lain dari Linear Programming dimana fungsi divisibilitasnya lemah atau MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 27 hilang sama sekali. Bentuk ini muncul karena dalam kenyataannya tidak semua variabel keputusan dapat berupa bilangan pecahan. Misalnya, variabel-variabel yang nilainya harus positif seperti produksi mobil, produksi kapal terbang / laut, jumlah jembatan, jumlah gedung, kebutuhan tenaga kerja, jumlah penganggur, jumlah ternak, dll. Solusi optimalnya tidak masuk akal bila menghasilkan bilangan-bilangan pecahan. Asumsi divisibilitas melemah, artinya sebagian dari nilai variabel keputusan harus berupa bilangan bulat ( integer ) dan sebagian lainnya boleh berupa pecahan, persoalan ini disebut ILP campuran ( mixed integer linear programming ). Apabila seluruh variabel keputusan dari suatu persoalan Linear Programming harus berharga integer, maka persoalan tersebut disebut sebagai persoalan Integer Linear Programming murni ( all integer linear programming ). Selain bentuk diatas ada pula persoalan ILP yang seluruh variabelnya harus berharga 0 dan 1. Persoalan semacam ini disebut sebagai persoalan ILP nol-satu ( 0-1 ILP ). Kondisi ini akan dijumpai dalam kasus dimana persoalan yang dihadapi merupakan persoalan keputusan “ya” atau “tidak”. 1. Model Integer Linear Programming Model umum dari ILP adalah sebagai berikut : Optimumkan ( Maksimum atau Minimum ) Z = f ( X1 , X2 , … , Xn ) Dengan batasan : (X1 , X2 , … , Xn ) £ atau ³ bi dan Xj ³ 0 Xj integer i = 1, 2, 3, …, m j = 1, 2, 3, …, n Untuk model dasar total integer linear programming : MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 28 Optimumkan ( Maksimum atau Minimum ) Dengan batasan : dan Xj ³ 0 Xj integer i = 1, 2, 3,…, m j = 1, 2, 3, …, n Sedangkan model dasar untuk mixed integer linear programming : Optimumkan ( maksimum atau minimum ) Dengan batasan : dan Xj ³ 0 dan integer Yk ³ 0 i = 1, 2, 3, …, m j = 1, 2, 3, …, n k = 1, 2, 3, …, k 2. Metode Pemecahan Integer Linear Programming Dalam Linear Programming, metode simpleks didasari oleh pengenalan bahwa pemecahan optimum terjadi di titik ekstrim dari ruang pemecahan. Hasil yang penting ini pada intinya mengurangi usaha pencarian pemecahan yang tidak terbatas menjadi sejumlah yang terbatas. Sebaliknya, ILP memulai dengan sejumlah titik pemecahan yang terbatas (dengan asumsi ILP murni yang dibatasi). Tetapi sifat variabel yang berbentuk bilangan bulat mempersullit perancangan sebuah algoritma yang efektif untuk mencari secara langsung diantara titik integer yang layak dari ruang pemecahan. Mengingat kesulitan ini, para peneliti telah mengambangkan sebuah prosedur pemecahan yang didasari oleh pemanfaatan keberhasilan besar dalam memecahkan masalah-masalah Linear Programming.. Strategi untuk prosedur ini dapat diringkaskan dalam tiga langkah : MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 29 1. Longgarkan ruang pemecahan dari masalah integer yang bersangkutan dengan mengabaikan batasan integer sama sekali. Langkah ini mengkonversikan ILP menjadi LP biasa. 2. Pecahkan model LP “yang longgar” yang dihasilkan dan diidentifikasi titik optimum ( kontinyu ) dari LP itu. 3. Dengan dimulai dari titik optimum kontinyu, tambahkan batasan khusus yang akan secara berulang-ulang memaksa titik ekstrim optimum dari model LP yang dihasilkan untuk bergerak ke arah batasan integer yang diinginkan. Alasan dimulai pencarian pemecahan optimum ILP dipemecahan optimum Linear Programming adalah bahwa terdapat kemungkinan yang lebih besar bahwa kedua pemecahan itu akan terletak berdekatan satu sama lain, sehingga meningkatkan kemungkinan untuk menemukan pemecahan integer tersebut secara cepat. Inti prosedur yang diajukan ini adalah pendekatan memecahkan masalahmasalah Linear Programming yang berturut-turut, yang lebih dapat dikelola dari segi perhitungan dibandingkan memecahkan masalah-masalah ILP secara langsung. Terdapat dua metode untuk menghasilkan batasan-batasan khusus yang akan memaksa pemecahan dari masalah Linear Programming yang dilonggarkan untuk bergerak kearah pemecahan integer yang diinginkan : 1. Branch and Bound 2. Bidang pemotong Dalam kedua metode ini, batasan yang ditambahkan secara efektif menyingkirkan beberapa bagian dari ruang pemecahan yang dilonggarkan, tetapi tidak pernah menyingkirkan satupun titik integer yang layak. Metode Branch and Bound jauh lebih berhasil dari segi perhitungan daripada metode bidang pemotong. Karena alasan ini, sebagian besar program komputer komersial didasari oleh prosedur Branch and Bound. 3. Metode Branch and Bound Langkah-langkah metode Branch and Bound dalam menentukan solusi integer optimal untuk model maksimasi adalah sebagai berikut : 1. Dapatkan solusi simplex optimal dari model program linear dengan batasan integer yang dilepaskan. 2. Tentukan solusi simplex relaxed sebagai batas atas sedangkan solusi hasil pembulatan kebawah sebagai batas bawah pada node 1. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 30 3. Pilih variabel dengan bagian pecahan yang terbesar untuk pencabangan. Ciptakan dua batasan baru untuk variabel ini yang mencerminkan pembagian nilai integer. Hasilnya adalah sebuah batasan £ dan sebuah batasan. 4. Ciptakan dua node baru, satu dengan batasan £ dan satu dengan batasan. 5. Selesaikan model program linear relaxed dengan batasan baru yang ditambahkan pada tiap node. 6. Solusi simplex relaxed adalah merupakan batas atas pada tiap node dan solusi integer maksimum yang ada (pada node mana saja) adalah merupakan batas bawah. 7. Jika proses ini menghasilkan solusi integer fisibel dengan nilai batas atas terbesar pada akhir node yang mana saja, maka solusi integer optimal telah tercapai. Jika tidak muncul suatu solusi integer fisibel, lakukan pencabangan dari node dengan batas atas terbesar. 8. Ulangi langkah 3. 9. Untuk model minimasi, solusi relaxed merupakan solusi yang dibulatkan keatas, sedangkan batas atas serta batas bawahnya merupakan kebalikan dari model maksimasi. 7. Referensi a. Modul praktikum optimisasi, 2017, Prodi Teknik Industri STTA, Yogyakarta. b. Modul praktikum optimisasi, 2019, Prodi Teknik Industri STTA, Yogyakarta. c. P. Siagian, 1987, Penelitian Operasional, Penerbit Universitas Indonesia,. d. Tjutju Tarliah Dimyati, Ahmad Dimyati, 1994, Operations Research, Sinar Baru Algensindo. e. Winston, Wayne L., 2004, Operations Research Applications and Algorithm, 4th ed, Thomson Brooks Cole, USA. 8. Tugas Perusahaan mebel NUSANTARA memproduksi meja dan kursi. Setiap minggu, perusahaan mendapatkan pasokan 100 lembar kayu mahoni. Untuk membuat sebuah kursi diperlukan 4 lembar kayu mahoni, dan untuk membuat meja diperlukan 6 lembar. Perusahaan memiliki 90 jam kerja orang tiap minggunya (terdiri atas 3 orang karyawan yang bekerja 8 jam kerja perhari dan bekerja 5 hari seminggu). Sebuah kursi memerlukan waktu pengerjaan 4,5 jam kerja-orang dan sebuah meja memerlukan 5 jam-orang. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 31 Perusahaan memproleh laba sebesar Rp 30.000 untuk setiap penjualan kursi dan Rp 35.000 untuk setiap penjualan meja. Perusaha dapat menjual semua meja dan kursi yang dibuatnya. Manajer perusahaan ingin memutuskan beberapa banyak meja dan kursi yang harus dibuat agar diperoleh laba maksimum. Apabila diringkas, informasi masalah akan terlihat pada Tabel 1. Tabel 1. Ringkasan masalah yang akan dipecahkan Produk Kayu diperlukan Kebutuhan jam Laba perunit kerja-orang Kursi 4 4,5 Rp 30.000 Meja 6 5,0 Rp 35.000 Kayu tersedia 100 90 Apabila akan dipecahkan dengan metode linear programing, masalah tersebut harus diubah kedalam format seperti pada tabel 2. Fungsi tujuan Batasan Keterangan Tabel 2. Linear Programming Maksimum laba: Rp 30.000 K + Rp 35.000 M 4 K + 6 M <= 100 Batasan jumlah kayu yang tersedia 4,5 K + 5 M <= 90 Batasan jam-orang tersedia K,M >= 0 Batasan non negatif K= kursi, M=meja MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 32 MODUL 2 LINEAR GOAL PROGRAMMING 1. Deskripsi LGP merupakan pengembangan Linear Programming (LP). LGP diperkenalkan oleh Charnes dan Cooper pada awal tahun enampuluhan. Teknik ini disempurnakan dan diperluas oleh Ijiri pada pertengahan tahun enampuluhan, dan penjelasan yang lengkap dengan beberapa aplikasi dikembangkan oleh Ignizio dan Lee pada tahun tujuhpuluhan. Perbedaan utama antara LGP dan LP terletak pada struktur dan penggunaan fungsi tujuan. Dalam LP fungsi tujuannya hanya mengandung satu tujuan, sementara dalam LGP semua tujuan apakah satu atau beberapa digabungkan dalam sebuah fungsi tujuan. Ini dapat dilakukan dengan mengekspresikan tujuan itu dalam bentuk sebuah kendala (goal constraint), memasukkan suatu variabel simpangan (deviational variable) dalam kendala itu untuk mencerminkan seberapa jauh tujuan itu dicapai, dan menggabungkan variabel simpangan dalam fungsi tujuan. Dalam LP tujuannya bisa maksimasi atau minimasi, sementara dalam LGP tujuannya adalah meminimumkan penyimpangan-penyimpangan dari tujuan-tujuan tertentu. Ini berarti semua masalah LGP adalah masalah minimasi. 2. Tujuan 1. Praktikan dapat memahami data-data yang diperlukan pada kasus Linear Goal Programming yang berasal dari kehidupan nyata dan memformulasikan data tersebut ke dalam model matematis. 2. Praktikan dapat mengetahui dan memahami pemecahan masalah pengalokasian sumber-sumber yang terbatas secara optimal. 3. Alat dan Bahan PC dan Software pengolah data (Win QSB) 4. Prosedur Pelaksanaan Praktikum Untuk menyelesaikan masalah LGP ke dalam program WinQSB, langkahlangkahnya adalah sebagai berikut : MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 33 1. Jalankan modul Linear and Integer Programing dengan mengeklik Start, Program, WinQSB, lalu pilih pilih Linear and Integer Goal Programing. Dilayar akan ditampilkan seperti Gambar 17. Gambar 17 Tampilan awal Linear and Integer Programing 2. Buatlah definisi masalah baru, dengan memilih menu File, New Problem, sehingga dilayar akan ditampilkan seperti Gambar 18. Gambar 18. Tampilan pengisiaan informasi dan peraturan GP/IGP 3. Dan isikan berbagai aturan yang diperlukan sesuai spesifikasi data yang diambil, mulai dari judul masalah dan aturan-aturanya. Misal sesuai studi kasus seperti berikut ini. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 34 Gambar 19. Pengisiaan informasi dan peraturan GP/IGP 4. Kliklah Ok, sehingga dilayar akan tampak tampilan berikut ini. Gambar 20. Tampilan pengisiaan data untuk masalah GP/IGP 5. Ubahlah nama varibel (dengan menu Edit, Variable Names) dan nama batasan (dengan menu Edit, contraint names) dengan pedoman sesuai studi kasus, misal seperti berikut: MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 35 Tabel 3. Beberapa variabel dan batasan yang perlu diganti Gantilah variabel semula menjadi X1 Kursi X2 Meja X3 U1 X4 E1 X5 U2 X6 E2 X7 U3 X8 E3 Gantilah batasan semula menjadi C1 Kayu C2 Jam kerja C3 Tujuan 1 C4 Tujuan 2 C5 Tujuan 2 Ganti jenis variable variable menjadi kursi integer meja integer Selain itu gantilah tanda persamaan di kolom direction (dengan klik dua kali dimasing-masing sel) sehingga menjadi <=, <=, =, =, dan =. Dilayar akan tampak seperti gambar berikut: Gambar 21. Pengisiaan data untuk masalah GP/IGP telah selesai 6. Simpanlah file (dengan file, save problem). 7. Untuk mencari solusi Perintahkan WinQSB untuk segera memecahkan masalah dengan mengeklik menu Solve and analyze lalu pilih Solve The Problem. Dalam sesaat WinQSB akan memberitahu bahwa solusi sudah ditemukan dengan pesan berikut ini. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 36 Gambar 22. Tampilan setelah ditemukan solusi 8. Kliklah Ok, WinQSB segera menampilkan solusi masalah anda seperti pada tampilan berikut ini. Gambar 23. Tampilan gabungan setelah ditemukan solusi Namun tampilan tersebut memuat terlalu banyak (sementara ini) karena gabungan dari berbagai informasi. Untuk meringkasnya jalankan printah berikut. 9. Tampilan Output ringkasan dengan menjalankan menu Results, Solution Summary. Hasilnya akan tampak seperti Gambar 24. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 37 Gambar 24. Hasil olahan model Linear Goal Programing 10. Menampilkan ringkasan batasan, dengan memilih menu Results, Contraints Summary. Hasilnya akan tampak seperti Gambar 25. Gambar 25. Ringkasan batasan model Linear Goal Programing 11. Jika ingin menampilkan solusi dalam bentuk grafik, kliklah menu Solve and Anlyze lalu pilih Graphic Method. Dilayar akan ditampilkan Gambar 26, untuk menentukan variabel yang akan digambarkan dalam garis horizontal (X) dan vertikal (Y). Klik Ok maka dilayar akan ditampilkan Gambar 27. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 38 Gambar 26. Menentukan variabel untuk grafik Gambar 27. Tampilan solusi akhir dalam bentuk grafik Anda dapat mengubah warna garfik, dengan mengeklik menu Options, Change XY Ranges and Colors sehingga tampak seperti Gambar 28. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 39 Gambar 28. Mengubah warna tampilan grafik Bila sudah selesai mngubak kliklah Ok dan hasil warna yang baru akan tampak. Gambar 29. Tampilan solusi grafik setelah perubahan 5. Output Solusi masalah dengan Linear Goal Programing (LGP) 6. Landasan Teori 6.1 LGP: Konsep-Konsep Dasar Dan Unsurnya LGP merupakan pengembangan Linear Programming (LP). LGP diperkenalkan oleh Charnes dan Cooper pada awal tahun enampuluhan. Teknik ini MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 40 disempurnakan dan diperluas oleh Ijiri pada pertengahan tahun enampuluhan, dan penjelasan yang lengkap dengan beberapa aplikasi dikembangkan oleh Ignizio dan Lee pada tahun tujuhpuluhan. Perbedaan utama antara LGP dan LP terletak pada struktur dan penggunaan fungsi tujuan. Dalam LP fungsi tujuannya hanya mengandung satu tujuan , sementara dalam LGP semua tujuan apakah satu atau beberapa digabungkan dalam sebuah fungsi tujuan. Ini dapat dilakukan dengan mengekspresikan tujuan itu dalam bentuk sebuah kendala (goal constraint), memasukkan suatu variabel simpangan (deviational variable) dalam kendala itu untuk mencerminkan seberapa jauh tujuan itu dicapai, dan menggabungkan variabel simpangan dalam fungsi tujuan. Dalam LP tujuannya bisa maksimasi atau minimasi, sementara dalam LGP tujuannya adalah meminimumkan penyimpangan-penyimpangan dari tujuan-tujuan tertentu. Ini berarti semua masalah LGP adalah masalah minimasi. Karena penyimpangan-penyimpangan dari tujuan-tujuan itu diminimumkan, sebuah model LGP dapat menangani aneka ragam tujuan dengan dimensi atau satuan ukuran yang berbeda. Tujuan-tujuan yang saling bentrok juga dapat diselesaikan. Jika terdapat banyak tujuan, prioritas atau urutan ordinalnya dapat ditentukan, proses penyelesaian LGP itu akan berjalan sedemikian rupa sehingga tujuan dengan prioritas tertinggi dipenuhi sedekat mungkin sebelum memikirkan tujuan-tujuan dengan prioritas lebih rendah. Jika LP berusaha mengidentifikasikan solusi optimum dari suatu himpunan solusi layak, LGP mencari titik yang paling memuaskan dari sebuah persoalan dengan beberapa tujuan. Sekali lagi LGP ingin meminimumkan penyimpangan - penyimpangan dari tujuan - tujuan dengan mempertimbangkan hirarki prioritas. 6.2 Unsur-Unsur LGP Setiap model LGP paling sedikit terdiri dari tiga komponen, yaitu sebuah fungsi tujuan, kendala-kendala tujuan, dan kendala non negatif. 6.3 Fungsi Tujuan Ada tiga jenis fungsi tujuan dalam LGP, yaitu : Minimumkan Minimumkan MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 41 untuk k = 1,2,…, K Minimumkan untuk k = 1,2,…, K Fungsi tujuan yang pertama digunakan jika variabel simpangan dalam suatu masalah tidak dibedakan menurut prioritas atau bobot. Fungsi tujuan kedua digunakan dalam suatu masalah dimana urutan tujuan diperlukan, tetapai variabel simpangan di dalam setiap tingkat prioritas memiliki kepentingan yang sama. Dalam fungsi tujuan ketiga, tujuan-tujuan diurutkan dan variabel simpangan pada setiap tingkat prioritas dibedakan dengan menggunakan bobot yang berlainan Wki . Jadi fungsi tujuan yang akan digunakan tergantung pada situasi masalahnya. 6.4 Kendala Tujuan Ada enam jenis kendala tujuan yang berlainan. Maksud setiap jenis kendala itu ditentukan oleh hubungannya dengan fungsi tujuan. Pada tabel 4 disajikan keenam jenis kendala itu. Terlihat bahwa setiap jenis kendala tujuan harus punya satu atau dua variabel simpangan yang ditempatkan pada fungsi tujuan. Dimungkinkan adanya kendala-kendala yang tidak dimiliki variabel simpangan. Kendala-kendala ini sama seperti kendala-kendala persamaan linier. Persamaaan pertama pada tabel 4 maknanya serupa dengan kendala pertidaksamaan £ dalam masalah program linear maksimasi. Persamaan kedua maknanya serupa dengan kendala pertidaksamaan ³ pada masalah program linear minimasi. Persamaan ketiga, keempat, dan kelima semuanya memperbolehkan penyimpangan dua arah, tetapi persamaan kelima mencari penggunaan sumber daya yang diinginkan sama dengan bI . Ini serupa dengan kendala persamaan dalam LP, tetapi tidak melekat pada solusi karena dimungkinkan adanya penyimpangan negatif dan positif. Jika kendala persamaan dianggap perumusan model LGP, ia dapat dimasukkan dengan menempatkan sebuah artificial variable dI+ , seperti pada persamaan keenam. Persamaan ketiga dan keempat memperbolehkan adanya penyimpangan positif dan negatif dari nilai RHSnya. Dalam kendala LP tidak ada pembanding untuk persamaan ketiga dan keempat. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 42 Tabel 4. Jenis-jenis Kendala Tujuan Kendala Non Negatif Seperti dalam LP, variabel-variabel model LGP biasanya bernilai lebih besar atau sama dengan nol. Semua model LGP terdiri dari variabel simpangan dan variabel keputusan, sehingga pernyataan non negatif dilambangkan sebagai xj , dI- , dI+ ³ 0. Kendala Struktural Disamping ketiga komponen yang telah disebutkan itu, dalam model LGP kadang-kadang terdapat komponen yang lain, yaitu : kendala struktural yang artinya kendala-kendala lingkungan yang tidak berhubungan langsung dengan tujuan-tujuan masalah yang dipelajari. Variabel simpangan tidak dimasukkan dalam kendala ini, karena itu kendala ini tidak diikutsertakan dalam fungsi tujuan. 1. Asumsi Model LGP Sebelum merumuskan model, perlu diketahui bahwa model LGP memerlukan sejumlah asumsi. Jika dalam membuat model dari suatu masalah tertentu asumsi-asumsi itu tidak dapat dipenuhi, maka LGP bukan merupakan model yang cocok untuk masalah yang sedang dipelajari. Jadi asumsi model membatasi penerapan LGP. Asumsi-asumsi berikut harus diingat agar penerapan model LGP bermanfaat. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 43 1. Additivitas dan linieritas. Diasumsikan bahwa proporsi penggunaan bI yang ditentukan oleh aij harus tetap benar tanpa memperhatikan nilai solusi xj yang dihasilkan. Artinya, LHS dari kendala tujuan harus sama dengan nilai RHS. 2. Divisibilitas. Diasumsikan bahwa nilai-nilai xj , dI- , dI+ yang dihasilkan dapat dipecah. Artinya, kita dapat menyelesaikan jumlah pecahan nilai xj dan menggunakan jumlah pecah sumber daya dalam solusi itu. Asumsi ini tidak membatasi penggunaan model LGP, karena prosedur solusi Goal Programming yang lain, yaituInteger Goal Programming, dapat mencari solusi integer. 3. Terbatas. Diasumsikan bahwa nilai xj , dI- , dI+ yang dihasilkan harus terbatas. Artinya, kita tidak dapat memiliki nilai variabel keputusan , sumber daya, atau penyimpangan tujuan yang tidak terbatas. Segalanya dalam dunia ini terbatas. 4. Kepastian dan periode waktu statis. Diasumsikan bahwa parameter model LGP seperti aij , bI , Pk , wkidiketahui dengan pasti dan mereka akan tetap statis selama periode perencanaan dimana hasil model digunakan. 6.5 Perumusan Masalah LGP Perumusan suatu masalah LGP sangat mirip dengan perumusan sebuah masalah LP. Penjelasan variabel keputusan xj , koefisien teknologi aij , dan nilai sisi kanan bI , diperlukan baik dalam LP maupun LGP. Langkah-langkah perumusan LGP meliputi beberapa tahap, yaitu: 1. Tentukan variabel keputusan. 2. Nyatakan sistem kendala. Kuncinya pertama adalah menentukan nilainilai sisi kanan dan kemudian menentukan koefisien teknologi yang cocok dan variabel keputusan yang diikutsertakan dalam kendala. Perhatikan Jenis penyimpangan yang diperbolehkan dari nilai RHS. Jika penyimpangan diperbolehkan dalam dua arah, tempatkan kedua variabel simpangan pada kendala itu. Jika penyimpangan hanya diperbolehka pada satu arah, tempatkan hanya satu variabel simpangan yang tepat pada kendala yang bersangkutan. 3. Tentukan prioritas utama. Kuncinya disini adalah membuat urutan tujuan-tujuan. Biasanya urutan tujuanmerupakan pernyataan preferensi Individu. Jika persoalannya tidak memiliki urutan tujuan, lewati langkah ini dan kemudian ke langkah berikutnya. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 44 4. Menentukan bobot. Disini kuncinya adalah membuat urutan di dalam suatu tujuan tertentu. Jika tidak diperlukan lewati langkah ini. 5. Nyatakan fungsi tujuan. Disini kuncinya adalah memilih variabel simpangan yang benar untuk dimasukkan dalam fungsi tujuan. Gunakan Tabel 4 untuk meyakinkan penggunaan nilai RHS yang diinginkan adalah konsisten dengan keperluan persoalan. Kedua, tambahkan prioritas dan bobot yang tepat jika diperlukan. 6. Nyatakan keperluan non negatif. Langkah ini merupakan bagian resmi dari perumusan masalah LGP. Prosedur formulasi ini merupakan salah satu pendekatan yang mungkin bermanfaat dalam perumusan model LGP. Pembaca dapat memperbaiki atau mengubah prosedur itu sesuai dengan kebutuhan masing - masing. 7. Referensi a. Modul praktikum optimisasi, 2017, Prodi Teknik Industri STTA, Yogyakarta. b. Modul praktikum optimisasi, 2019, Prodi Teknik Industri STTA, Yogyakarta. c. P. Siagian, 1987, Penelitian Operasional, Penerbit Universitas Indonesia,. d. Tjutju Tarliah Dimyati, Ahmad Dimyati, 1994, Operations Research, Sinar Baru Algensindo. e. Winston, Wayne L., 2004, Operations Research Applications and Algorithm, 4th ed, Thomson Brooks Cole, USA. 8. Tugas Untuk menggunakan modul GP/IGP akan digunakan contoh yang sama dengan bab sebelumnya, yaitu Perusahaan mebel NUSANTARA memproduksi meja dan kursi. Setiap minggu, perusahaan mendapatkan pasokan 100 lembar kayu mahoni. Untuk membuat sebuah kursi diperlukan 4 lembar kayu mahoni, dan untuk membuat meja diperlukan 6 lembar. Perusahaan memiliki 120 jam kerja orang tiap minggunya (terdiri atas 3 orang karyawan yang bekerja 8 jam kerja perhari dan bekerja 5 hari seminggu). Sebuah kursi memerlukan waktu pengerjaan 4,5 jam kerja-orang dan sebuah meja memerlukan 5 jam-orang. Perusahaan memproleh laba sebesar Rp 30.000 untuk setiap penjualan kursi dan Rp 35.000 untuk setiap penjualan meja. Perusaha dapat menjual semua meja MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 45 dan kursi yang dibuatnya. Manajer perusahaan ingin memutuskan beberapa banyak meja dan kursi yang harus dibuat agar diperoleh laba maksimum . Sebagai informasi tambahan, manajer perusahaan juga ingin mencapai beberapa tujuan berikut: a. Laba yang diperoleh setidak-setidaknya Rp 700.000 b. Meja diproduksi paling efektif sedikit 10 buah c. Sebisa mungkin menggunakan jam kerja tidak lebih dari 100 jam kerja Apabila akan dipecahkan dengan metode Linear Goal Programing, masalah tersebut harus di ubah kedalam format berikut. Tabel 5. Persoalan Metode Linear Goal Programing Fungsi tujuan Maksimum laba: Rp 30.000 K + Rp 35.000 M Batasan 4 K + 6 M <= 100 Batasan jumlah kayu yang tersedia 4,5 K + 5 M <= 120 Batasan jam-orang tersedia K,M >= 0 Batasan non negatif Tujuan yang 1. Rp 30.000 K + Rp 35.000 M + U1 – E1 (tujuan laba) harus dicapai 2. Meja + U2 – E2 (tujuan produksi kursi) 3. 4,5 kursi + 5 meja + U3 – E3 (tujuan jam kerja) Prioritas untuk Prioritas 1: U1 (pencapaian dibawah Rp 700.000) pencapaian tujuan Prioritas 2: U2 (tujuan produksi kursi) Prioritas 3: E3 (menghabiskan tenaga kerja lebih dari 100 jam) Tujuan prioritas Prioritas 1: Minimasi U1 Prioritas 2: Minimasi U3 Prioritas 3: Minimasi E3 U1 = jumlah kekurangan/sisa sisi kiri terhadap sisi kanan U2= jumlah kelebihan sisi kiri terhadap sisi kanan Variabel (ada 8) K= kursi, M=meja, U1, U2, U3, E1, E2, E3 Batasan (ada 5) (1) kayu yang tersedia; (2) jam kerja-orang tersedia; (3) tujuan laba; (4) tujuan produksi kursi (5) pemakaian jam kerja MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 46 MODUL 3 TRANSPORTASI 1. Deskripsi Supply chain Management (SCM) adalah modifikasi praktek tradisional dari manajemen logistik. Dimana SCM adalah adalah Sebuah pendekatan untuk integrasi yang effisien antara pemasok (Supplier), pabrik (manufactur), pusat distribusi, wholesaler, pengecer (retailer) dan konsumen akhir,dimana produk diproduksi dan didistribusikan dalam jumlah yang benar/tepat, lokasi yang tepat dan waktu yang tepat dalam rangka meminimalkan sistem biaya dan meningkatkan tingkat kepuasan pelayanan. Sedangkan Manajemen Logisitik adalah Sebuah proses perencananan, implementasi dan pengontrolan secara efisien terhadap biaya persediaan dan penyimpanan bahan baku, persediaan dalam proses dan produk jadi. Dari pengertian-pengertian tadi terlihat bahwa SCM mengandung makna yang lebih luas dibandingkan dengan manajemen logistik. Tujuan dari SCM adalah untuk efisien dan efektifitas biaya keseluruhan sistem (systemwide costs) mulai dari transportastion, distribusi, persediaan (inventory) bahan baku, WIP (Work in Process), dan barang jadi, kesemuanya diharapkan untuk diminimalkan. Namun demikian, penekanan SCM bukan hanya memperkecil biaya transportasi atau mengurangi inventori, tetapi lebih dari itu, yaitu pada pendekatan sistem ke SCM. Persoalan transportasi terpusat pada pemiihan rute dalam jaringan distribusi produk antara pusat industri dan distribusi gudang atau antara distribusi gudang regional dan distribusi pengeluaran lokal. Selain masalah-masalah pendistribusian, model transportasi dapat juga digunakan untuk masalah-masalah penjadwalan dan masalah penentuan lokasi yang layak dari beberapa alternatif lokasi yang ada. Dalam menggunakan metode transportasi pihak manajemen mencari rute distribusi yang akan mengoptimumkan tujuan tertentu. Misalnya tujuan meminimumkan total biaya transportasi, memaksimumkan laba atau meminimumkan waktu yang digunakan. 2. Tujuan 1. Memperkenalkan Konsep Supply Chain Management (SCM) atau yang disebut Manajemen Rantai Pemasok. 2. Praktikan dapat memahami dan mengerti data-data yang diperlukan pada kasus jaringan distribusi produk (Transportasi) yang berasal dari kehidupan nyata dan memformulasikan data tersebut ke dalam model matematis. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 47 3. Mengetahui dan memahami solusi yang dihasilkan mengenai masalah pengalokasian sumber-sumber yang terbatas untuk mencapai tujuan optimal. 3. Alat dan Bahan PC dan Software pengolah data (Win QSB) 4. Prosedur Pelaksanaan Praktikum Setelah Anda merumuskan dan memiliki model networking, langkah berikutnya adalah penyelesaian model ke dalam program WinQSB. 1. Jalankan program WinQSB, lalu pilihlah Network Modeling. Di layar akan tampak tampilan berikut ini : Gambar 30. Tampilan awal modul Networking 2. Buatlah definisi masalah baru, dengan memilih menu File, New Problem, lalu isikan berbagai keterangan dan pilihan, sehingga di layar tampak seperti tampilan pada Gambar 31 berikut ini. Beberapa isian telah diubah sebagai berikut : • Problem type dipilh Transportation Problem • Problem title diisi dengan Masalah Network Modeling • Number of Sources diisi dengan 2 • Number of Destination diisi dengan 3 MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 48 Gambar 31. Tampilan mengatur konfigurasi model network modeling 3. Kliklah Ok sehingga muncul tampilan untuk meng-input data masalah network berikut ini : Gambar 32. Tampilan untuk meng-input model network 4. Ubahlah lokasi asal dan lokasi tujuan sesuai dengan Tabel 6 (sub bab tugas), dengan menu Edit, Node Names, lalu gantilah berbagai nama lokasi. Sebelum dan sesudah diubah, akan tampak seperti pada Gambar berikut. Kalau sudah selesai meng-input, kliklah Ok. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 49 Gambar 33. Nama lokasi sebelum diubah (kiri) dan sesudah diubah (kanan) 5. Input-kan data yang ada pada Tabel 6 (sub bab tugas) ke dalam layar tersebut, sehingga tampak seperti berikut ini: Gambar 34. Data masalah transportasi setelah di-input 6. Simpanlah (dengan File, Save Problem) dengan nama NET-01.NET 7. Setelah model di-input dan disimpan, kini saatnya untuk menemukan solusi dan menampilkannya. Muatlah masalah (bila di layar belum tampak model Anda) dengan menu File, Load Problem (dalam contoh di atas, nama file Anda NET-01.NET). 8. Klik menu Solve and Analyze, lalu pilih Solve the Problem. Dalam sesaat, WinQSB menampilkan hasilnya seperti berikut ini : MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 50 Gambar 35. Tampilan solusi Dari tampilan tersebut diketahui bahwa solusi optimal adalah mengirim produk dari Jakarta ke Depansar sebanyak 300 unit (per unit Rp8 sehingga total adalah Rp2.400) dan dari Yogyakarta ke Palembang 150 unit, ke Makasar 300 unit, dan ke Denpasar 50 unit. Biaya total dari Yogyakarta ke Palembang, Makasar, dan Denpasar adalah Rp1.050, Rp3.000, dan Rp700. Biaya kirim keseluruhan adalah Rp7.150. 9. Untuk menampilkan solusi dalam bentuk grafik, kliklah menu Results, Graphic Solution. Hasilnya tampak pada Gambar 36 sebagai berikut : Gambar 36. Solusi transportasi dalam bentuk grafik 5. Output MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 51 Solusi masalah transportasi dalam rantai pasok. 6. Landasan Teori 6.1. Supply Chain Management Supply chain Management (SCM) adalah modifikasi praktek tradisional dari manajemen logistik. Dimana SCM adalah adalah Sebuah pendekatan untuk integrasi yang effisien antara pemasok (Supplier), pabrik (manufactur), pusat distribusi, wholesaler, pengecer (retailer) dan konsumen akhir,dimana produk diproduksi dan didistribusikan dalam jumlah yang benar/tepat, lokasi yang tepat dan waktu yang tepat dalam rangka meminimalkan sistem biaya dan meningkatkan tingkat kepuasan pelayanan. Sedangkan Manajemen Logisitik adalah Sebuah proses perencananan, implementasi dan pengontrolan secara efisien terhadap biaya persediaan dan penyimpanan bahan baku, persediaan dalam proses dan produk jadi. Dari pengertian-pengertian tadi terlihat bahwa SCM mengandung makna yang lebih luas dibandingkan dengan manajemen logistik. Manajemen rantai pemasok atau yang lebih populer dengan sebutan Supply chain Management (SCM) adalah memiliki pengertian sebagai berikut: “Supply chain Management adalah Sebuah pendekatan untuk integrasi yang effisien antara pemasok (Supplier), pabrik (manufaktur), pusat distribusi, wholesaler, pengecer (retailer) dan konsumen akhir,dimana produk diproduksi dan didistribusikan dalam jumlah yang benar/tepat, lokasi yang tepat dan waktu yang tepat dalam rangka meminimalkan sistem biaya dan meningkatkan tingkat kepuasan pelayanan” Gambar 37. Supply chain yang sederhana Gambar 37. memberikan sebuah gambaran tentang supply chain (SC) yang sederhana. Sebuah SC akan memiliki komponen-komponen yang biasanya disebut channel. Contoh: Supplier, manufaktur, distribution center, wholesaler, dan retailer. Semua channel tersebut bekerja untuk memenuhi kebutuhan konsemen akhir. Kenyataannya sebuah SC akan jauh lebih komplek dari gambar 37. Dimana sebuah pemasok mungkin sebagai pabrik (industri manufaktur) yang memiliki MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 52 pemasok-pemasok. Dengan kata lain SC bisa melibatkan sejumlah pabrik manufaktur dan pabrik manufaktur bisa memiliki banyak pemasok. Gambar 38. Supply chain yang Komplek (Jaringan logistik) SCM mempertimbangkan dengan seksama tiap-tiap fasilitas yang mempunyai dampak dan peran dalam membuat produk sesuai dengan kebutuhan pelanggan mulai dari pemasok, pabrik, gudang, pusat distribusi sampai ke pengecer dan toko. SCM tidak hanya mengatur aliran material/produk tetapi juga aliran informasi. Tujuan dari SCM adalah untuk efisien dan efektifitas biaya keseluruhan sistem (systemwide costs) mulai dari transportastion, distribusi, persediaan (inventory) bahan baku, WIP (Work in Process), dan barang jadi, kesemuanya diharapkan untuk diminimalkan. Namun demikian, penekanan SCM bukan hanya memperkecil biaya transportasi atau mengurangi inventori, tetapi lebih dari itu, yaitu pada pendekatan sistem ke SCM. 6.2. Transportasi Jaringan Distribusi Produk Persoalan transportasi terpusat pada pemiihan rute dalam jaringan distribusi produk antara pusat industri dan distribusi gudang atau antara distribusi gudang regional dan distribusi pengeluaran lokal. Selain masalah-masalah pendistribusian, model transportasi dapat juga digunakan untuk masalah-masalah penjadwalan dan masalah penentuan lokasi yang layak dari beberapa alternatif lokasi yang ada. Dalam menggunakan metode transportasi pihak manajemen mencari rute distribusi yang akan mengoptimumkan tujuan tertentu. Misalnya tujuan meminimumkan total biaya transportasi, memaksimumkan laba atau meminimumkan waktu yang digunakan. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 53 Formulasi program linier adalah sebagai berikut : Maksimum (Minimum) : Berdasarkan pembatas : , I = 1,2,…,m , j = 1,2,…,n Xij ³ 0 untuk seluruh I dan j Pada persoalan transportasi i digunakan tabel seperti di atas, tetapi diganti dengan tabel berikut : Gambar 39. Bentuk persoalan transportasi Meskipun persoalan transportasi ini dapat diselesaikan dengan metode simpleks, tetapi karena sifat-sifatnya yang khusus itu, maka dapat disusun suatu prosedur yang jauh lebih sederhana yang hanya secara sepintas lalu seakan-akan tidak ada hubungannya dengan metode simpleks. Sesuai dengan namanya, metode transportasi pertama kali diformulasikan sebagai suatu prosedur khusus untuk mendapatkan program biaya minimum dalam mendistribusikan unit yang homogen dari suatu produk atas sejumlah titik MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 54 penawaran (sumber-sumber)kr sejumlah titik permintaan (tujuan). Pada saat tertentu, tiap sumber mempunyai kapasitas tertentu dari tiap-tiap sumber ke tiaptiap tujuan sudah diketahui. Tujuannya adalah merencanakan pengiriman dari sumber-sumber ke tujuan sedemilian rupa untuk meminimumkan total biaya transportasi. 1. Persoalan transportasi mempunyai ciri-ciri khusus sebagai berikut: 2. Terdapat sejumlah sumber dan tujuan tertentu. 3. Kuantitas komoditas atau barang yang didistribusikan dari setiap sumber dan yang diminta oleh setiap tujuan, besarnya tertentu. 4. Komoditas yang dikirim atau diangkut dari suatu sumber ke suatu tujuan,besarnya sesuai dengan permintaan dan atau kapasitas sumber. 5. Ongkos pengangkutan komoditas dari suatu sumber ke suatu tujuan, besarnya tertentu. Suatu model transportasi dikatakan seimbang apabila total supply (sumber) sama dengan total demand (tujuan). Dalam persoalan sebenarnya, batasan ini tidak selalu terpenuhi, atau dengan kata lain, jumlah supply yang tersedia mungkin lebih besar atau lebih kecil daripada jumlah yang diminta. Jika hal ini terjadi, maka model persoalannya disebut sebagai model yang tidak seimbang (unbalanced). Batasan di atas dikemukakan hanya karena ia menjadi dasar dalam pengembangan teknik transportasi. Namun setiap persoalan transportasi dapat dibuat seimbang dengan cara memasukkan variabel semu. Jika jumlah demand melebihi jumlah supply akan dibuat suatu sumber dummy yang akan mensupply kekurangan tersebut, demikian juga sebaliknya. 7. Referensi a. Modul praktikum optimisasi, 2017, Prodi Teknik Industri STTA, Yogyakarta. b. Modul praktikum optimisasi, 2019, Prodi Teknik Industri STTA, Yogyakarta. c. P. Siagian, 1987, Penelitian Operasional, Penerbit Universitas Indonesia,. d. Tjutju Tarliah Dimyati, Ahmad Dimyati, 1994, Operations Research, Sinar Baru Algensindo. e. Winston, Wayne L., 2004, Operations Research Applications and Algorithm, 4th ed, Thomson Brooks Cole, USA. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 55 8. Tugas PT Nusantara yang memproduksi mebel, memiliki fasilitas produksi di Jakarta dan Yogyakarta. Untuk memasarkan produknya ke seluruh Indonesia, PT Nusantara memiliki cabang di Palembang, Makasar, dan Denpasar. Kapasitas produksi di Jakarta adalah 300 unit dan kapasitas di Yogyakarta adalah 500 unit. Permintaan untuk Palembang, Makasar, dan Denpasar, masing-masing adalah 150, 300, dan 350 unit. Biaya kirim per unit dari Jakarta ke Palembang, Makasar, dan Denpasar masing-masing adalah Rp.10, Rp.12, dan Rp.9. Biaya kirim per unit dari Yogyakarta ke Palembang, Makasar, dan Denpasar, masing-masing adalah Rp.7, Rp.10, dan Rp.14. PT Nusantara ingin mengetahui berapa banyak produk yang harus dikirim dari Jakarta dan Yogyakarta ke Palembang, Makasar, dan Denpasar, agar diperoleh biaya kirim paling minimum. Bila dinyatakan dalam bentuk tabel, akan tampak seperti pada Tabel 6 sebagai berikut : Tabel 6. Contoh masalah transportasi Dari/Ke Palembang Makasar Denpasar Pasokan Jakarta 10 12 8 300 Yogyakarta 7 10 14 500 Permintaan 150 300 350 MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 56 MODUL 4 PENUGASAN 1. Deskripsi Penugasan merupakan suatu kasus khusus dalam masalah linear programming pada umumnya. Persoalan penugasan merupakan kasus khusus dari persoalan transportasi. Dengan kata lain kita dapat memecahkan suatu persoalan penugasan dengan menggunakan metode transportasi. Masalah penugasan dapat dijelaskan dengan mudah oleh suatu matrik segiempat, dimana baris-barisnya menunjukkan sumber-sumber dan kolomnya menunjukkan tugas-tugas. 2. Tujuan a. Praktikan dapat memahami data-data yang dibutuhkan dalam kasus penugasan yang berasal dari kehidupan nyata dan memformulasikan data tersebut dalam model matematik. b. Praktikan dapat memahami manfaat metode penugasan dalam rangka mengambil keputusan optimal dari bermacam-macam sumber daya produktif yang mempunyai tingkat efisiensi yang berbeda-beda. 3. Alat dan Bahan PC dan Software pengolah data (Win QSB) 4. Prosedur Pelaksanaan Praktikum Untuk menyelesaikan masalah penugasan ke dalam modul Network yang ada di program WinQSB, langkah-langkahnya adalah sebagai berikut: 1. Jalankan program WinQSB, lalu pilih Network Modelling. Di layar akan tampak seperti pada Gambar berikut ini : MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 57 Gambar 40. Tampilan awal model Networking 2. Buatlah definisi masalah baru, dengan memilih menu File, New Problem, lalu isikan berbagai keterangan dan pilihan, sehingga di layar tampak seperti tampilan seperti Gambar 41 berikut ini. Beberapa isian telah diubah sebagai berikut : • Problem type dipilih Assigment Problem • Problem title diisi dengan Masalah Penugasan • Number of Objects diisi dengan 3 • Number of Assigments diisi dengan 3 Gambar 41. Tampilan untuk mengatur masalah penugasan MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 58 3. Kliklah Ok sehingga muncul tampilan untuk meng-input data masalah network seperti tampak pada Gambar 42. Gambar 42. Tampilan untuk meng-input masalah penugasan 4. Ubahlah tulisan Assignee 1, Assignee 2, dan Assignee 3 dengan nama karyawan (masing-masing Bima, Kusno, dan Timbul). Ubahlah tulisan Assigment 1, Assigmnet 2, dan Assigmen t3 di kolom paling kiri dengan nama produk (masing-masing adalah Kursi, Meja, dan Produk Baru). Untuk itu gunakan menu Edit, Node Names, lalu gantilah berbagai nama lokasi. Sebelum dan sesudah diubah, akan tampak seperti pada gambar berikut. Kalau sudah selesai meng-input, kliklah Ok. Gambar 43. Tampilan untuk mengubah nama variabel MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 59 5. Input-kan data yang ada sub bab tugas (Tabel 12) ke dalam layar tersebut, sehingga tampak seperti berikut ini : Gambar 44. Tampilan untuk mengubah nama variabel 6. Simpanlah (dengan File, Save Problem) dengan nama ASS-01.NET 7. Setelah masalah penugasan di-input (dan disimpan), selanjutnya harus ditemukan solusinya. Muatlah masalah (bila di layar belum tampak model Anda) dengan menu File, Load Problem (nama file pada contoh ini adalah ASS-01.NET). 8. Kliklah menu Solve and Analyze, lalu pilih Solve the Problem, sehingga di layar muncul tampilan seperti tampak pada Gambar 45. Gambar 45. Tampilan masalah penugasan Dari hasil tersebut terlihat bahwa pembuatan kursi ditugaskan kepada Timbul, meja kepada Bima, dan Produk baru kepada Kusno. Masing-masing akan mengakibatkan perusahaan mengeluarkn biaya sebesar Rp2 per unit MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 60 untuk membuat kursi, Rp4 untuk membuat meja, dan Rp6 untuk membuat produk baru. 9. Untuk menampilkan solusi dalam bentuk grafik, kliklah menu Results, Graphic Solution, maka WinQSB akan menampilkan hasil berupa diagram seperti tampak pada Gambar 46. Gambar 46. Menu Results modul penugasan Anda masih dapat melakukan analisis yang lain, dengan menggunakan menu Results. Gambar 47. Tampilan solusi akhir masalah penugasan dalam bentuk grafik MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 61 5. Output Solusi akhir masalah penugasan dalam bentuk diagram dan grafis. 6. Landasan Teori Penugasan merupakan suatu kasus khusus dalam masalah linear programming pada umumnya. Persoalan penugasan merupakan kasus khusus dari persoalan transportasi. Dengan kata lain kita dapat memecahkan suatu persoalan penugasan dengan menggunakan metode transportasi. Masalah penugasan dapat dijelaskan dengan mudah oleh suatu matrik segiempat, dimana baris-barisnya menunjukkan sumber-sumber dan kolomnya menunjukkan tugas-tugas. Tujuan / Tugas-tugas 1 2 3 ........................... n Sebelum model dapat dipecahkan dengan teknik penugasan terlebih dahulu diseimbangkan dengan menambah pekerjaan-pekerjaan atau obyek semu (dummy) bergantung pada apakah n atau m tersebut. Dengan demikian diasubsikan bahwa m = n. Secara matematis, model penugasan ini dapat dinyatakan sebagai berikut : Minimumkan ( maksimumkan ) : Dengan batasan : Metode penugasan, juga dikenal sebagai fload teknik atau metode penugasan Hungarian yang didasari 3 langkah sebagai berikut : 1. Menentukan tabel biaya kesempatan ( opportunity cost ) Biaya setiap macam tindakan atau keputusan meliputi kesempatan yang dikorbankan dalam tindakan tersebut. Sebagai contoh, kalau kita membeli rumah MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 62 baru, kita terpaksa melupakan mobil baru. Ini adalah contoh analisis biaya kesempatan, bila kita melakukan sesuatu, kita tidak dapat mengerjakan yang lain. Contoh : Tabel 7. Opportunity cost Pekerjaan\mesin X Y Z A $25 $31 $35 B $15 $20 $24 C $22 $19 $17 Dari tabel diatas apabila kita secara sembarang menugaskan pekerjaan A ke mesin X maka kita akan mengorbankan kesempatan untuk menghemat $10 ($25 - $15) pengorbanan inilah yang disebut biaya kesempatan. 2. Menentukan bisa tidaknya penugasan optimal dibuat. Tujuan langkah 2 adalah untuk merumuskan penugasan pekerjaan untuk mesin agar meminimumkan total biaya . Melalui tabel total biaya kesempatan, tujuan ini dapat dicapai dengan menugaskan pekerjaan untuk mesin sedemikian rupa hingga didapat total biaya kesempatan nol, Jadi kemungkinan penugasan pekerjaan pada mesin yang paling baik akan mengandung biaya kesempatan nol . Ada metode yang cocok untuk menentukan apakah suatu penugasan optimal dapat dibuat atau tidak. Metode ini meliputi penarikan garis lurus (vertikal atau horizontal). Pada tabel biaya kesempatan sedemikian rupa sehingga meminimumkan jumlah garis yang diperlukan untuk menutupi semua segi empat nol. Bila jumlah garis sama dengan jumlah baris dalam tabel maka penugasan dapat dibuat dan persoalan dapat dipecahkan. Dilain pihak, suatu penugasan optimal tidak dapat dibuat bila jumlah garis lebih kecil dari jumlah baris. Tabel 8. Penentuan Penugasan Optimal Pekerjaan\mesin X Y Z A 0 2 6 B 0 1 5 C 7 0 0 Pengujian atas penugasan optimal yang diterapkan pada tabel diatas hanya membutuhkan dua garis (garis C dan kolom X ) untuk menutupi bidang segi empat nol. Karena masih ada baris maka suatu penugasan optimal tidak mungkin dilakukan. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 63 3. Memperbaiki total biaya kesempatan. Bila suatu penugasan optimal tidak bisa dilakukan, kita harus mengubah tabel total biaya kesempatan dengan memasukan beberapa penugasan yang tidak berada dalam baris atau kolom yang dilalui garis. Prosedur pelaksanaannya adalah sebagai berikut : a. Pilih jumlah terkecil dalam tabel yang tidak dilalui oleh garis dan kekurangan jumlah ini dari semua nilai yang tidak dilalui oleh garis lurus. b. Tambahkan angka terkecil yang sama keangka yang terletak pada perpotongan antara dua garis lurus. Dari tabel 8 yang diperbaiki didapat tabel berikut : Pekerjaan\mesin Tabel 9. Perbaikan Total Biaya X Y Z A 0 2 7 B 0 0 6 C 7 0 0 Dari tabel 9 diatas dapat dilihat jumlah minimum dari garis yang diperlukan menutupi semua nol adal tiga, dan jumlah ini sama dengan jumlah baris, maka penugasan optimal dapat dibuat. Masalah-masalah pada kasus penugasan meliputi masalah biaya dan masalah keuntungan. Untuk masalah biaya berarti kita mempunyai masalah minimasi yang langsung dapat kita pecahkan dengan langkah-langkah diatas. Sedangkan untuk masalah maksimasi langkah pertama yang harus dilakukan adalah merubah matrik keuntungan menjadi suatu matrik opportunity cost yang dijelaskan pada tabel berikut: Pekerjaan\mesin Tabel 10. Matrik Keuntungan X Y Z A 13 14 13 B 16 9 10 C 12 13 8 Untuk mendapatkan matrik opportunity loss seluruh elemen dalam setiap baris dikurangi dengan nilai maksimum dalam baris yang sama. Prosedur ini menghasilkan matrik opportunity loss yang ditunjukkan pada tabel 11 berikut dimana nilai sebenarnya adalah negatif. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 64 Pekerjaan\mesin Tabel 11. Matrik Opportunity Loss X Y Z A 1 0 1 B 0 7 6 C 1 0 5 Dari matrik opportunity loss ini selanjutnya dapat diselesaikan dengan langkahlangkah yang sama pada kasus minimasi. 7. Referensi a. Modul praktikum optimisasi, 2017, Prodi Teknik Industri STTA, Yogyakarta. b. Modul praktikum optimisasi, 2019, Prodi Teknik Industri STTA, Yogyakarta. c. P. Siagian, 1987, Penelitian Operasional, Penerbit Universitas Indonesia,. d. Tjutju Tarliah Dimyati, Ahmad Dimyati, 1994, Operations Research, Sinar Baru Algensindo. e. Winston, Wayne L., 2004, Operations Research Applications and Algorithm, 4th ed, Thomson Brooks Cole, USA. 8. Tugas PT. Nusantara memiliki tiga orang karyawan yang ditugasi untuk merancang kursi, meja, dan produk lainnya. Ketiga karyawan tersebut adalah Bima, Kusno, dan Timbul. Bima memerlukan waktu 4 hari untuk merancang sebuah kursi, 4 hari untuk merancang meja, dan 3 hari untuk merancang produk baru. Kusno memerlukan 8 hari, 7 hari, dan 6 hari untuk merancang kursi, meja, dan produk baru. Sedangkan Timbul memerlukan waktu 2 hari, 3 hari, dan 1 hari untuk merancang kursi, meja, dan produk baru. Tabel 12. Ringkasan masalah penugasan Produk/Orang Bima Kusno Timbul Kursi 4 8 2 Meja 4 7 3 Produk baru 3 6 1 MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 65 Manajemen PT. Nusantara ingin mencari waktu tersingkat dalam merancang produk-produknya. Untuk itu, siapa saja yang perlu ditugasi untuk membuat masing-masing produk; kursi, meja, dan produk baru. Masalah ini dapat dipecahkan dengan modul Assigment. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 66 MODUL 5 PATH PROBLEM 1. Deskripsi Setiap path dalam digraph mempuanyai nilai yang dihubungkan dengan nilai path tersebut, yang nilainya adalah jumlah dari nilai edge path tersebut.dari ukuran dasar ini dapat dirumuskan masalah seperti mencari lintasan terpendek antara dua verteks dan meminimumkan biaya. Banyak bidang penerapan mensyaratkan untuk menentukan lintasan terpendek berarah dari asal ke tujuan di dalam suatu distribusi aliran berarah. Algoritma yang diberikan dapat dimodifikasi dengan mudah untuk mrnghadapi lintasan berarah pada setiap iterasinya. 2. Tujuan Praktikan dapat menyelesaikan kasus path problem dengan menggunakan software dan melakukan analisis. 3. Alat dan Bahan PC dan Software pengolah data (Win QSB) 4. Prosedur Pelaksanaan Praktikum Untuk penyelesaian masalah jalur terpendek dengan program WinQSB, ikuti langkah-langkahnya sebagai berikut. 1. Jalankan program WinQSB, lalu pilihlah Network Modeling. Di layar akan tampak seperti pada gambar berikut. Gambar 48. Tampilan awal modul Networking MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 67 2. Buatlah definisi masalah baru, dengan memilih menu File, New Problem, lalu isikan berbagai keterangan dan pilihan, sehingga di layar tampak seperti gambar berikut ini: Gambar 49. Tampilan pemilihan problem networking Anda klik shortest path problem, isikan judul dengan ,masalah jalur terpendek, dan jumlah lingkaran (nodes) sebanyak 6. 3. Kliklah Ok sehingga muncul tampilan untuk meng-input data masalah jalur terpendek seperti tampak berikut ini : Gambar 50. Tampilan modul Networking Jalur Terpendek 4. Ubahlah nama masing-masing lokasi (node) dengan menu Edit, Nodes Name, lalu klik Ok, sehingga tampilannya seperti berikut ini. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 68 Gambar 51. Tampilan modul Jalur Terpendek setelah nama lokasi diubah 5. Inputkan data yang ada pada sub bab TUGAS (tabel 13) ke dalam model sehingga tampak seperti berikut: Gambar 52. Data yang sudah di-input pada jalur terpendek 6. Simpanlah masalah Anda dengan File, Save Problem dengan nama file (PATH-01.NET). 7. Setelah masalah jalur terpendek di-input (dan disimpan), selanjutnya akan ditemukan solusinya. Muatlah masalah (bila di layar belum tampak model Anda) dengan menu File, Load Problem (nama file pada contoh ini adalah PATH-01.NET). MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 69 Gambar 53. Mencari solusi jalur terpendek 8. Kliklah menu Solve and Analyze sehingga di layar muncul tampilan seperti tapak pada gambar 53. sebagai contoh, Anda akan menemukan jalur tependek dari Cirebon ke Denpasar, maka kliklah lokasi tujuan di sisi kiri dan loasi tujuan di sisi kanan, lalu klik Solve, sehingga di layar akan ditampilkan hasil seperti pada gambar 54. Gambar 54. Tampilan solusi jalur tependek Dari tampilan tersebut terlihat bahwa dari Cirebon menuju Denpasar akan melewati lokasi lain, yaitu Yogyakarta. Jarak dari Cirebon ke Yogyakarta adalah 200 dan dari Yogyakarta ke Denpasar 800, sehingga jarak seluruhnya adalah 1.020. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 70 9. Untuk menampilkan solusi dalam grafik, kliklah menu Result, Graphic Solution. Hasilnya tampak seperti pada gambar 55. Tampilan dan solusinya memang terlihat sederhana, karena memang contoh yang digunakan hanya terdiri dari enam kota. Dalam masalah pengiriman yang sesungguhnya, bisa saja jumlah kotanya ada puluhan, atau bahkan ratusan, yang tentu akan sangat memerlukan waktu lama bila harus dilakukan analisis secara manual. . Gambar 55. Tampilan solusi jalur terpendek dalam bentuk grafik 5. Output Solusi permasalahan jalur terpendek dalam bentuk grafis dan non grafis. 6. Landasan Teori 6.1 Konsep Dasar Graph Sebelum sampai pada pendefinisian masalah lintasan terpendek, terlebih dahulu pada bagian ini akan diuraikan mengenai konsep-konsep dasar dari model graph dan representasinya dalam memodelkan masalah lintasan terpendek. Sebuah graph G terdiri dari himpunan V= V(G) yang memiliki elemen-elemen yang disebut verteks, dan kumpulan E= E(G) yang merupakan pasangan tak berurut dari verteks yang berbeda yang disebut edge. Secara umum graph dapat digambarkan dengan suatu diagram dimana verteks ditunjukkan sebagai titik yang dinotasikan dengan vi, i = 1, 2, …, P dan edge digambarkan dengan sebuah garis lurus atau garis lengkung yang menghubungkan dua verteks (vi, vj) dan MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 71 dinotasikan dengan ek. sebagai ilustrasi dapat dilihat gambar 56. yaitu suatu graph yang mempunyai lima verteks dan enam edge. Gambar 56. Graph 5 Verteks dan 6 Edge Suatu digraph G terdiri dari himpunan verteks-verteks V(G): {v1, v2,…}, himpinan edge-edge E(G): {e1, e2, …}, dan suatu fungsi yang mengawankan setiap edge dalam E(G) ke suatu pasangan berurutan verteks (vi, vj). Jika ek = (vi , vj) adalah suatu edge dalam G, maka vi disebut verteks awal ek dan vj disebut verteks akhir ek. Arah edge adalah dari vi ke vj. Perhatikan digraph G pada gambar 57 dibawah ini. Jika G adalah graph (berarah atau tidak) dengan verteks V dan edge E, maka dapat ditulis G = (V,E). Gambar 57. Digraph G 6.2 Path Minimum Salah satu aplikasi graph berarah berlabel yang sering dipakai adalah mencari path terpendek diantara 2 verteks. Apabila masalahnya adalah mencari jalur terpendek tetap dapat digunakan dengan cara mengganti nilai edge. Definisi : misalkan G adalah suatu graph, dimana v dan w adalah verteks dalam G. suatu Walk dari v ke w adalah barisan verteks – verteks berhubungan dan edge secara berselang-seling, diawali dari verteks v dan diakhiri pada verteks w. walk dengan panjang n MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 72 dari v ke w ditulis : v0 e1 v1 e2 v2 … vn-2 en vn dengn v0 = v: vn = w; vi-1 dan vi adalah verteks-verteks ujung edge ei. Path dengan panjang n dari v ke w adalah walk dari v ke w yang semua edgenya berbeda. Path dari v ke w dituliskan sebagai v = v0 e1 v1 e2 v2 … vn-1 en vn = w dengan ei # ej untuk i # j. 6.3 Shortest Path Setiap path dalam digraph mempuanyai nilai yang dihubungkan dengan nilai path tersebut, yang nilainya adalah jumlah dari nilai edge path tersebut.dari ukuran dasar ini dapat dirumuskan masalah seperti “mencari lintasan terpendek antara dua verteks dan meminimumkan biaya. Banyak bidang penerapan mensyaratkan untuk menentukan lintasan terpendek berarah dari asal ke tujuan di dalam suatu distribusi aliran berarah. Algoritma yang diberikan dapat dimodifikasi dengan mudah untuk mrnghadapi lintasan berarah pada setiap iterasinya. Suatu versi yang lebih umum dari masalah lintasan terpendek adalah menentukan lintasan terpendek dari sembarang verteks menuju ke setiap verteks lainnya. Pilihan lainnya adalah membuang kendala tak negatif bagi “jarak”. Suatu kendala lain dapat juga diberlakukan dalam suatu masalah lintasan terpendek. Definisi : lintasan terpendek antara dua verteks dari s ke t dalam jaringan adalah lintasan graph berarah sederhana dari s ke t dengan sifat dimana tidak ada lintasan lain yang memiliki nilai terendah. Gambar 58. Shortest path (garis tebal) Pada gambar tersebut dapat dilihat bahwa setiap edge terletak pada path-path dari titik 1 ke titik 5. Edge merepresentasikan saluran dengan kapasitas tertentu (contohnya, air) dapat dialirkan melalui saluran. Sedangkan verteks merepresentasikan persimpangan saluran. Air mengalir melalui verteks pada verteks yang dillalui Lintasan terpendek dari verteks pada graph diatas adalah P = {1 – 4, 4 – 5} dengan kapasitas 4. 7. Referensi a. b. c. d. Modul praktikum optimisasi, 2017, Prodi Teknik Industri STTA, Yogyakarta. Modul praktikum optimisasi, 2019, Prodi Teknik Industri STTA, Yogyakarta. P. Siagian, 1987, Penelitian Operasional, Penerbit Universitas Indonesia,. Tjutju Tarliah Dimyati, Ahmad Dimyati, 1994, Operations Research, Sinar Baru Algensindo. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 73 e. Winston, Wayne L., 2004, Operations Research Applications and Algorithm, 4th ed, Thomson Brooks Cole, USA. 8. Tugas PT. Nusantara memiliki armada kendaraan yang berpusat di Cirebon, yang setiap saat diperlukan bisa menjangkau kota-kota produksi (Jakarta dan Yogyakarta) dan cabang-cabang perusahaan (yaitu Palembang, Makasar dan Denpasar). Rute yang dapat ditempuh terlihat pada gambar 59. Dari gambar tersebut terlihat bahwa dari Cirebon tidak dapat langsung menuju Denpasar, karena harus melewati Yogyakarta terlebih dahulu. Demikian juga untuk menuju Palembang, harus melalui Jakarta dulu. Namun untuk ke Makasar bisa langsung. Gambar 59. Tampilan solusi akhir masalah penugasan dalam bentuk grafik Dari/Ke Cirebon Cirebon Jakarta Tabel 13. Jarak antarlokasi Jakarta Palembang 30 30 Palembang Yogyakarta Makasar 220 900 1100 1100 1300 Denpasar 1300 Yogyakarta 1000 Makasar Denpasar 900 MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta 1000 800 800 1200 1200 Page 74 MODUL 6 MAXIMAL FLOW PROBLEM 1. Deskripsi Masalah aliran maksimum dalam suatu jaringan transportasi merupakan suatu jaringan yang menghubungkan tempat asal ke tempat tujuan melalui rute-rute tertentu, dimana setiap rute-rute perjalanan tersebut diberikan bobot atau nilai arus yang mengalir pada lintasan tersebut. 2. Tujuan Praktikan dapat menyelesaikan kasus maximal flow problem dengan menggunakan software dan melakukan analisis. 3. Alat dan Bahan PC dan Software pengolah data (Win QSB). 4. Prosedur Pelaksanaan Praktikum Untuk penyelesaian masalah arus terbanyak dengan program WinQSB, ikuti langkahlangkahnya sebagai berikut. 1. Jalankan program WinQSB, lalu pilihlah Network Modeling. Di layar akan tampak seperti gambar 60 berikut ini: Gambar 60. Tampilan awal modul Networking 2. Buatlah definisi masalah baru, dengan memilih menu File, New Problem, lalu isikan berbagai keterangan dan pilihan, sehingga di layar tampak seperti gambar 61 berikut ini. Beberpa hal yang perlu Anda lakukan adalah : - Problem type dipilih Maximal Flow Problem - Problem title diisi dengan Masalah arus terbanyak - Number of nodes diisi dengan 6 MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 75 Gambar 61. Menentukan model arus terbanyak 3. Kliklah Ok sehingga muncul tampilan untuk meng-input data masalah Network seperti tampak pada gambar 62 berikut ini. Gambar 62. Tampilan untuk input model arus terbanyak 4. Inputkan data yang ada di sub bab tugas (gambar 67) ke dalam model sehingga tampak seperti pada gambar 63 berikut ini. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 76 Gambar 63. Data model arus terbanyak yang sudah selesai di-input 5. Simpanlah masalah anda dengan File, Save Problem dengan nama file ARUS-01.NET. 6. Setelah masalah arus terbanyak di-input (dan disimpan), selanjutnya akan disampaikan solusinya. Muatlah masalah (bila di layar belum tampak model anda) dengan menu File, Load Problem (nama file pada contoh ini adalah ARUS-01.NET). 7. Kliklah menu Solve and Analyze, sehingga di layar muncul tampilan seperti tampak pada gambar 64. anda diminta menentukan lokasi awal dan lokasi akhir pemindahan barang/orang. Sebagai contoh, anda ingin menghitung arus terbanyak dari lokasi 1 (Node 1) ke lokasi 6 (Node 6), maka kliklah lokasi tujuan di sisi kiri dan lokasi tujuan di sisi kanan, lalu kliklah Solve, sehingga di layar akan ditampilkan hasil seperti pada gambar 64. Gambar 64. Pemilihan lokasi asal dan lokasi tujuan masalah arus terbanyak MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 77 8. Kliklah tombol Solve dan WinQSB akan segera menampilkan hasil yang menunjukkan arus maksimum dari kedua titik yang telah anda tentukan. Lihat gambar 65 untuk mengetahui hasilnya. Gambar 65. Hasil akhir masalah arus terbanyak 9. Untuk menampilkan masalah dalam grafik, kliklah menu Result, Graphic Solution. Hasilnya tampak seperti pada gambar 66 berikut ini. Gambar 66. Hasil akhir masalah arus terbanyak dalam bentuk grafik 5. Output Solusi masalah maximal flow dalam bentuk grafis dan non grafis. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 78 6. Landasan Teori 6.1 Terminologi dalam Graf Graf G didefinisikan sebagai pasangan himpunan (V, E) yang dalam hal ini V adalah himpunan tak kosong dari simpul-simpul dan E adalah himpunan sisi yang menghubungkan sepasang simpul. Atau dapat ditulis dengan notasi G = (V, E). Graf ganda adalah graf yang mengandung sisi ganda, yaitu sisi yang menghubungkan sepasang simpul lebih dari satu buah. Graf semu adalah graf yang mengandung gelang (Loop) yaitu sisi yang simpul ujungnya sama. Berdasarkan ada tidaknya sisi ganda atau gelang pada suatu graf, maka secara umum graf dapat dibagi menjadi 2 jenis: a. Graf sederhana (simple graph) : Graf yang tidak mengandung sisi ganda maupun gelang. b. Graf tidak sederhana (unsimple graph) : Graf yang memuat sisi ganda atau gelang. Berdasarkan orientasi arah pada sisi, maka secara umum graf dapat dibedakan menjadi 2 jenis : 1. Graf tak-berarah (undirected), yaitu graf yang setiap sisinya tidak mempunyai orientasi arah. 2. Graf Berarah (directed graph), yaitu graf yang setiap sisinya mempunyai orientasi arah. Sisi pada graf berarah dinamakan busur (arc). 6.2 Terminologi Masalah Aliran Maksimum Flow (aliran) didefinisikan sebagai suatu cara untuk mengirim benda - benda dari satu tempat ke tempat lain. Sedangkan maximum flow problem ( Masalah Aliran Maksimum) didefinisikan sebagai masalah pencarian untuk mencari arus maksimum yang dapat mengalir pada sebuah network. Maximum flow problem akan diberikan sebuah network-graph berbobot dan berarah. Yang mana disetiap sisinya terdapat suatu kapasitas, simpul awal, dan simpul akhir. 7. Referensi a. b. c. d. Modul praktikum optimisasi, 2017, Prodi Teknik Industri STTA, Yogyakarta. Modul praktikum optimisasi, 2019, Prodi Teknik Industri STTA, Yogyakarta. P. Siagian, 1987, Penelitian Operasional, Penerbit Universitas Indonesia,. Tjutju Tarliah Dimyati, Ahmad Dimyati, 1994, Operations Research, Sinar Baru Algensindo. e. Winston, Wayne L., 2004, Operations Research Applications and Algorithm, 4th ed, Thomson Brooks Cole, USA. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 79 8. Tugas Pemerintah Nusantara sedang merancang suatu arus lalu lintas. Pemerintah ingin membuat arus kendaraan sebanyak-banyaknya di masing-masing jalan yang menghubungkan dua lingkaran, sehingga arus kendaraan dari lokasi 1 sampai ke lokasi 6 menjadi lancar. Banyaknya kendaraan dinyatakan dengan ratusan mobil per menit (angka 5 berarti 500 per menit). Gambar 67. Grafik arus kendaraan dari dan ke suatu lokasi Angka yang ada di dekat suatu lingkaran menunjukkan banyaknya kendaraan yang dapat keluar dari titik tersebut per menit. Dari lokasi 1 ke lokasi 2 tertulis 5 (berarti ada 500 kendaraan yang menuju ke lokasi 2 per menit), 7 (berarti ada 700 kendaraan yang menuju ke lokasi 4 per menit), dan 3 (berarti ada 300 kendaraan yang menuju ke lokasi 3 per menit). Contoh lain perhatikan lokasi 6, disana ada angka 0 (berarti tidak ada kendaraan yang bisa menuju ke lokasi 3, karena jalan searah) dan angka 3 (berarti ada 300 kendaraan per menit menuju lokasi 5). MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 80 MODUL 7 PROGRAM DINAMIS 1. Deskripsi Program dinamis adalah merupakan teknik matematis yang sering digunakan untuk membuat serangkaian keputusan yang saling berkaitan dengan suatu prosedur yang sistematis untuk menetukan kombinasi keputusan yang mengoptimasi efektivitas keseluruhan keputusan. 2. Tujuan a. Praktikan dapat memahami dan mengerti cara-cara pengumpulan data dan mengetahui data-data yang dibutuhkan model program dinamis yang berasal dari kehidupan nyata dan memformulasikan data yang diperoleh tersebut. b. Praktikan dapat mengetahui dan memahami solusi yang dihasilkan dari model program dinamis dalam rangka pengambilan keputusan yang optimal. 3. Alat dan Bahan PC dan Software pengolah data (Win QSB) 4. Prosedur Pelaksanaan Praktikum 4.1 Metode Stagecoach Beberapa metode yang digunakan dalam program dinamis untuk memecahkan masalah yaitu: metode stagecoach, knapsack, dan penjadwalan persediaan produksi. Masalah yang dapat dipecahkan dengan metode ini diantaranya adalah pemilihan rute terpendek, pemuatan produk untuk dikirim melalui kendaraan, dan penentuan jumlah produksi untuk dijadikan persediaan. Langkah-langkah penyelesaian masalah dengan stagecoach: 1. Jalankan program WinQSB, lalu pilihlah Dynamic Programing, di layar akan tampak tampilan seperti berikut ini. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 81 Gambar 68. Tampilan awal modul Dynamic Programming (DP) 2. Buatlah definisi masalah baru, dengan memilih menu File, New Problem, lalu isikan berbagai keterangandan pilihan sehingga di layar tampak tampilan seperti Gambar 69 berikut. Gambar 69. Tampilan pengaturan konfigurasi model DP Kliklah Ok dari tampilan di atas sehingga akan muncul seperti Gambar 70 pada judul masalah, isikan jalur terpendek dengan stagecoach, sedang jumlah nodes isikan 6 MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 82 Gambar 70. Tampilan input data jarak pada stagecoach 3. Ubahlah masing-masing nama nodes dengan nama kota yang sesuai. Perintahnya dengan Menu Edit, Nodes Name. Bila sudah kliklah Ok. Gambar 71. Tampilan untuk mengubah nama lokasi 4. Inputlah data jarak yang ada pada sub bab tugas (Gambar 84) ke dalam model. Tampilannya seperti pada gambar berikut ini. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 83 Gambar 72. Tampilan setelah data jarak di-input 5. Simpanlah (dengan file, save problem) dengan nama SC-01.DPP. 6. Mencari solusi metode stagecoach, Muatlah masalah (bila di layar belum tampak model anda) dengan menu File, Load Problem (dalam contoh di atas, nam file anda SC-01.DPP) 7. Klik menu Solve and Analyze, lalu pilih Solve the Problem. WinQSB akan menawari anda untuk memilih lokasi asal dengan lokasi tujuan yang akan dihitung jaraknya. Seperti pada contoh pilihlah jakarta sebagai lokasi asal dan denpasar sebagai lokasi tujuan, lalu kliklah solve dan hasilnya akan tampak seperti pada gambar 74. Dari hasil tersebut diketahui bahwa jarak terpendek dari jakarta ke denpasar adalah 1050 (anggap saja dengan kilometer). Rutenya adalah jakarta-cirebon-yogyakartadenpasar. Sebenarnya ada rute lain yang bisa ditempuh, yaitu jakarta-palembang-denpasar atau jakarta-palembang-yogyakarta-denpasar, tetapi jaraknya lebih jauh dari jarak yang telah ditemukan. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 84 Gambar 73. Tampilan memilih lokasi awal dan tujuan Gambar 74. Hasil analisis metode stagecoach 8. Apabila anda ingin melihat hitungan rincinya, gunakan menu result, show solution detail, sehingga di layar akan ditampilkan hasil seperti tampak pada gambar 75 berikut ini. Perhatikan baris dengan status optimal. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 85 Gambar 75. Hasil rincian analisis metode stagecoach 4.2 Metode Knapsack Langkah-langkah penyelesaian masalah dengan knapsack: 1. Jalankan program WinQSB, lalu pilihlah Dynamic Programing, di layar akan tampak tampilan seperti berikut ini. Gambar 76.Tampilan awal modul Dynamic Programming 2. Buatlah definisi masalah baru, dengan memilih menu File, new problem, lalu isikan berbagai keterangan dan pilihan, sehingga di layar tampak tampilan seperti gambar 77. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 86 Gambar 77. Pendefinisian masalah knapsack Perhatikan bahwa anda harus memilih pilihan knapsack problem, mengisikan judul masalah dengan masalah knapsack, dan jumlah item sebanyak 8. 3. Kliklah Ok, sehingga di layar muncul tampilan berikut. Gambar 78. Tampilan untuk meng-input masalah knapsack 4. Inputkan data pada sub bab tugas (tabel 14) ke dalam software. Nama-nama barang dapat langsung anda timpa dengan nama kursi1, kursi2, dan seterusnya. Demikian juga dengan unit yang tersedia dan kapasitas unit yang diperlukan (unit capacity required). Fungsi MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 87 laba juga harus anda tulis seperti pada tabel 14. bila sudah selesai, di layar akan tampak seperti pada gambar 79. 5. Simpanlah masalah knapsack ini dengan nama 07KS-01.DPP. 6. Setelah model diiput dan disimpan, kini saatnya menemukan solusi dan menampilkannya. Muatlah masalah (bila di layar belum tampak model anda) dengan menu File, Load Problem (dalam contoh di atas, nam file anda 07KS -01.DPP) 7. Jalankan menu Solve and Analyze, lalu pilih Solve the Problem, di layar akan ditampilkan hasil seperti tampak pada gambar 80. Gambar 79. Tampilan setelah input masalah knapsack Gambar 80. Tampilan solusi masalah knapsack MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 88 Dari hasil di atas terlihat banyaknya masing-masing barang yang harus dimuat ke dalam truk di kolom decision quantity (x). Kursi1 sebanyak 7 unit, kursi2 sebanyak 4 unit,dan seterusnya. Kursi1 akan mendatangkan keuntungan Rp70 (berasal dari 7 unit yang dikirim dan masing-masing memberi laba Rp10 seperti pada fungsi 10 kursi1). Jumlah laba seluruh barang yang dimuat ke dalam trukadalah Rp 468. Kolom terakhir menunjukkan kapasitas yang tersedia setelah item baris tersebut dimuat ke dalam truk. Ingat bahwa kapasitas truk adalah 35 m3. Misalnya pada baris pertama, setelah dimuat 7 unit kursi, maka kapasitas yang tersisa tinggal 35-7 = 28 unit. Demikian seterusnya hingga setelah baris terakhir dimuat menjadi tidak ada sisa lagi. 5. Output Solusi masalah program dinamis dalam bentuk grafis dan non grafis. 6. Landasan Teori Pada umumnya model-model penyelidikan operasional bertujuan mencari solusi pemecahan masalah yang optimal dari nilai-nilai variabel keputusan. Variabel keputusan adalah variabel yang dapat diubah dan dikendalikan oleh pengambil keputusan. Dalam dunia nyata kita mungkin menghadapi berbagai jenis masalah yang dapat diformulasikan kedalam berbagai jenis model. Salah satu model dari masalah yang dapat dipecahkan secara bertahap dengan membagi masalah menjadi bagian-bagian yang lebih kecil (dekomposisi) dan pada solusi dapat terjawab pada tahap akhir dengan menyatukan keputusan-keputusan pada tahaptahap yang ada (komposisi). Pendekatan ini disebut “ multi stage problem solving ”. Program dinamis adalah teknik pemecahan yang sistematis untuk memperoleh jawaban dari masalah multi stage problem solving ini. Program dinamis adalah merupakan teknik matematis yang sering digunakan untuk membuat serangkaian keputusan yang saling berkaitan dengan suatu prosedur yang sistematis untuk menetukan kombinasi keputusan yang mengoptimasi efektivitas keseluruhan keputusan. Dibanding dengan teknik pemecahan masalah dalam penyelidikan operasional yang lain, program dinamis hanya memiliki satu bentuk umum pemecahan masalah bertahap. Suatu masalah yang akan diformulasikan secara program dinamis memerlukan suatu modifikasi bentuk umum program dinamis sehingga sesuai dengan masalah yang dihadapi. Disini terlihat bahwa program dinamis tidak memiliki sifat unik dalam formulasi matematis. 6.1 Karakteristik Program Dinamis Suatu masalah dapat diformulasikan kedalam model program dinamis akan memiliki karakteristik sebagai berikut : 1. Permasalahan dapat dibagi menjadi tahap-tahap (stage) dengan sebuah keputusan pada setiap tahap. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 89 2. Setiap tahap memiliki sejumlah status (state) yang berhubungan dengan tahap tersebut. Secara umum, status merupakan berbagai kemungkinan masukan yang ada pada sistem tertentu. Jumlah status bisa terbatas (finite) atau tidak terbatas (infinite). 3. Pilihan keputusan setiap tahap adalah keputusan yang dapat dipilih untuk tahap tertentu. 4. Solusi optimal dari masalah program dinamis adalah sama dengan keputusan pemilihan status dari tahap 5. yang terakhir. 6. Hubungan rekrusif yang mengidentifikasi pilihan optimal untuk setiap status pada tahap n, memberikan pilihan optimal untuk setiap status pada tahap n+1. 6.2 Deskripsi Matematik Program Dinamis Permasalahan program dinamis dapat dibagi menjadi beberapa bagian yang masingmasing bagian terdiri dari beberapa pilihan yang harus dipilih sebagai keputusan. Bagian tertentu dimana pengambilan keputusan dilakukan disebut sebagai tahap (stage) dari permasalahan yang memiliki parameter-parameter masukan yang disebut sebagai status (state). Keputusan yang diambil pada setiap tahap memperhatikan parameter masukan (status) yang dikendalikan dengan suatu fungsi transformasi. Pada setiap tahap harus dibuat satu keputusan pilihan status. Keputusan pemilihan status menghasilkan nilai yang besarnya ditentukan oleh suatu fungsi transformasi, nilai ini biasa disebut sebagai fungsi perolehan (return function). Fungsi perolehan ini akan bergantung pada varibel status dan keputusan yang diambil pada tahap n tertentu. Jadi suatu keputusan yang diambil pada tahap n tertentu akan memberikan fungsi perolehan yang nilainya optimal untuk tahap yang ke-n tersebut artinya bila fungsi tujuan maksimasi dan demikian sebaliknya bila tujuan minimasi. Gambar 81. Fungsi transformasi program dinamis Dimana : Sn = Status masukan Sn = Status keluaran n = Nomor tahap Xn = Keputusan Rn = Fungsi persoalan = fn (Sn, Xn) MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 90 Pada persoalan program dinamis tahap majemuk, masing-masing ada keputusan optimalnya maka hubungan fungsi peralihan Sn (variabel keluaran sistem tahap n) dengan Sn (variabel masukan sistem tahap n) dan Xn (keputusan pada tahap n). Secara umum pada program dinamis dapat dicarikan beberapa definisi sebagai berikut : a. Tahap adalah bagian dari program dinamis yang menggambarkan sistem secara keseluruhan dimana keputusan harus dibuat. b. Status adalah bagian yang menggambarkan variabel masukan yang ada pada tahaptahap tertentu. Status merupakan penghubung antara dua tahap karena masukan bagi tahap tertentu merupakan keluaran tahap sebelumnya. c. Alternatif adalah variabel keputusan pada setiap tahap yang berhubungan dengan fungsi perolehan. Variabel keputusan ini bersifat mutually exlusive. 6.3 Program Dinamis Deterministik Pendekatan program dinamis sebagai persoalan deterministik, dimana state pada stage berikutnya sepenuhnya ditentukan oleh state dan keputusan pada stage saat ini. Dapat diterangkan dengan diagram berikut: Gambar 82. Program dinamis sebagai persoalan deterministik 6.4 Program Dinamis Probabilistik Pada program dinamis probabilistik, tahap (stage) berikutnya tidak dapat seluruhnya ditentukan oleh state dan keputusan pada stage saat ini, tetapi ada suatu distribusi kemungkinan mengenai apa yang akan terjadi. Namun, distribusi kemungkinan ini masih seluruhnya ditentukan oleh state dan keputusan pada stage saat ini. Struktur dasar program dinamis probabilistik ini dapat digambarkan sbb: MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 91 Gambar 83. Program dinamis probabilistik Dimana: N adalah banyaknya state yang mungkin pada stage (n+1) (p1,p2,…, pn) adalah distribusi kemungkinan dari terjadinya suatu state berdasarkan state Sn dan keputusan Xn pada stage n ci adalah kontribusi dari stage n terhadap fungsi tujuan, jika state berubah menjadi state i. 7. Referensi a. Modul praktikum optimisasi, 2017, Prodi Teknik Industri STTA, Yogyakarta. b. Modul praktikum optimisasi, 2019, Prodi Teknik Industri STTA, Yogyakarta. c. P. Siagian, 1987, Penelitian Operasional, Penerbit Universitas Indonesia,. d. Tjutju Tarliah Dimyati, Ahmad Dimyati, 1994, Operations Research, Sinar Baru Algensindo. e. Winston, Wayne L., 2004, Operations Research Applications and Algorithm, 4th ed, Thomson Brooks Cole, USA. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 92 8. Tugas 8.1 Metode Stagecoach Untuk memecahkan masalah dengan metode stagecoach, akan menggunakan contoh masalah jalur terpendek (shortest path) diagramnya sebagai berikut Gambar 84. Diagram jalur pendek Manajemen perusahaan nusantara ingin mengetahui jarak terpendek dari jakarta ke denpasar. Untuk menjawab pertanyaan tersebut dapat menggunakan program dinamis dengan metde stagecoach. 8.2 Metode Knapsack Masalah knapsack berkaitan dengan penentuan jumlah barang yang akan diangkut dalam suatu kendaraan (bisa juga kapal atau pesawat udara). Barang yang dikirim memiliki bentuk dan ukuran yang berbeda, demikian juga dengan biaya kirim dan keuntungan dengan harga jualnya. Perusahaan ingin agar dalam suatu pengiriman, didapat laba paling banyak. Tabel 14. Data barang yang tersedia untuk dikirim No Barang Banyak (unit) Kapasitas 1 2 Kursi1 Kursi2 10 4 1 1 MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Fungsi laba per unit 10 Kursi1 12 Kursi2 Page 93 3 4 5 6 7 8 Meja1 Meja2 Meja3 Lemari1 Lemari2 Lemari3 Kapasitas truk 4 2 8 2 2 4 35 m3 2 1 0,5 2 1 1 30 Meja1 10 Meja2 5 Meja3 30 Lemari1 25 Lemari2 15 Lemari3 Sebagai contoh PT. Nusantara memiliki produk yang harus diirim ke berbagai agennya di beberapa kota. Produk-produk tersebut diberi kode kursi1, kursi2, meja1,meja2, meja3, lemari1, lemari2, lemari3. Perusahaan ingin mengirim produknya dengan jumlah (cacah) seperti yang tercantum pada tabel 14. Pada tabel tersebut juga terlihat volume masing-masing barang dan laba per unit (perhatikan cara menulis fungsi laba yang tidak biasa). Namun tidak semua barang bisa diangkut, karena kapasitas truk yang terbatas (hanya 35 m3). Perusahaan harus memilih barang apa saja yang harus dikirim, agar diperoleh laba maksimum. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 94 MODUL 8 RANTAI MARKOV 1. Deskripsi Markov Chain adalah sebuah Proses Markov dengan populasi yang diskrit ( dapat dihitung) yang berada pada suatu discrete state (position) dan diizinkan utk berubah state pada time discrete. 2. Tujuan a. Praktikan dapat memahami data-data yang dibutuhkan dalam model rantai markov yang berasal dari kehidupan nyata serta memformulasikan data yang diperoleh tersebut b. Praktikan dapat memahami dan mengetahui solusi yang dihasilkan oleh rantai markov mengenai permasalahan yang berhubungan dengan variable pada masa sekarang yang didasarkan pada sifat-sifatnya di masa lalu dalam usaha untuk menafsirkan sifat-sifat variable yang sama di masa mendatang. 3. Alat dan Bahan PC dan Software pengolah data (Win QSB) 4. Prosedur Pelaksanaan Praktikum Untuk penyelesaian masalah markov dengan program WinQSB, ikuti langkah-langkahnya sebagai berikut: 1. Jalankan program WinQSB, lalu pilihlah markov proses, di layar akan tampak tampilan seperti pada gambar berikut ini. Gambar 85. Tampilan awal modul Markov Process 2. Buatlah definisi masalah baru, dengan memilih menu File, New Problem, sehingga muncul tampilan seperti berikut. Pada problem title, isikan judul misalnya masalah proses markov. Pada number of states isikan banyaknya merek yang dianalisis, dalam contoh ini adalah 3, lalu kliklah Ok. Di layar akan muncul tampilan seperti tampak pada gambar 87. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 95 Gambar 86. Tampilan untuk menentukan Markov Process 3. Isikan data di tabel 8.1 ke daam layar seperti pada gambar berikut ini Gambar 87. Input data untuk process Markov 4. Gantilah nama state1, state2, state3 masing-masing dengan merah, hijau, kuning. Menu yang digunakan adalah Edit, State Name. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 96 Gambar 88. Mengubah nama state 5. Simpanlah masalah anda dengan nama 14MP-01.MPP. 6. Setelah model di-input dan disimpan, kini saatnya untuk menemukan solusi dan menampilkannya. Muatlah masalah (bila d layar belum tampak model anda) dengan menu File, Loaad Problem (dalam contoh di atas, nama file anda 14MP01.MPP). 7. Jalankan menu Solve and Analyze, lalu pilih Solve Steady State. Hasilnya akan tampak seperti pada gambar 89. Gambar 89. Hasil analisis Process Markov MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 97 Dari hasil di atas terlihat bahwa pelanggan akan tetap bertahan dengan merek merah sebesar 54,35% dengan merek hijau sebesar 28,26%, dan dengan merek kuning 17,39% 8. Bila anda ingin terlihat rincian masing-masing merek kliklah Result, Show First Passage Time. Hasilnya tampak pada gambar 90. 9. Anda dapat melakukan analisis time parametric. Caranya adalah dengan menutup jendela hasil yang sekarang muncul (seperti di gambar 88). Bisa dengan cara mengklik tanda X atau juga dengan memutar lagi problem proses markov ini, sehingga di layar tampak tampilan seperti gambar 87. Pilihlah pilihan kedua (probability of state merah) seperti tampak pada gambar 91. biarkan saja isian yang lain. Lalu kliklah ok. WinQSB akan segera menampilkan hasilnya seperti tampak pada Gambar 92. Gambar 90. Rincian analisis Proses Markov terhap tiap-tiap merek MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 98 Gambar 91. Persiapan menampilkan analisis time parametric Gambar 92. Hasil analisis time parametric 10. Anda dapat menampilkan grafik hasil analisisdi atas dengan menu result, shot time parametic analysis – graph, hasilnya seperti tampak pada gambar berikut. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 99 Gambar 93. Grafik hasil analisis time parametric 5. Output Solusi masalah antrian dalam bentuk grafis dan non grafis. 6. Landasan Teori 6.1 Pengenalan Markov Chain Markov Chain baru diperkenalkan sekitar tahun 1907, oleh seorang Matematisi Rusia Andrei A. Markov (1856-1922). Andrey Markov menghasilkan hasil pertama (1906) untuk proses ini, murni secara teoritis. Sebuah generalisasi ke bentuk tak terbatas dalam ruang diskrit diberikan oleh Kolmogorov (1936). Rantai Markov terkait dengan gerakan Brown dan ergodic hipotesis, dua topik dalam fisika yang penting dalam tahun-tahun awal abad ke-20, tetapi tampaknya Markov lebih fokus pada perluasan hukum bilangan besar dalam percobaaan-percobaaan. Model ini berhubungan dengan suatu rangkaian proses dimana kejadian akibat suatu suatu eksperimen hanya tergantung pada kejadian yang langsung mendahuluinya dan tidak tergantung pada rangkaian kejadian sebelum-sebelumnya yang lain. Pada 1913, ia menerapkan temuannya untuk pertama kalinya untuk 20.000 pertama Pushkin huruf "Eugene Onegin". Pengelompokkan tipe populasi dari proses acak bisa digambarkan sebagai jika X adalah proses acak, maka populasi dari proses acak adalah semua nilai yang mungkin yang bisa dimasukkan dalam suatu proses contohnya Jika X adalah proses acak yang menggambarkan suatu persamaan, maka populasi dari X dapat digambarkan sebagai suatu nilai yang memenuhi persamaan tersebut. Jika populasi dari S dari suatu proses acak X dapat dihiting (contoh S={1,2,3,...}), dalam hal ini X disebut Discrete Time Random Process perubahan state terjadi pada titik-titik integer. Jika MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 100 populasi dari S dari suatu proses acak X tidak dapat dihitung (contoh S = ∞) maka X disebut Continuous Time Random Process perubahan state (discrete state) terjadi pada sembarang waktu. Markov Chain merupakan proses acak di mana semua informasi tentang masa depan terkandung di dalam keadaan sekarang (yaitu orang tidak perlu memeriksa masa lalu untuk menentukan masa depan). Untuk lebih tepatnya, proses memiliki properti Markov, yang berarti bahwa bentuk ke depan hanya tergantung pada keadaan sekarang, dan tidak bergantung pada bentuk sebelumnya. Dengan kata lain, gambaran tentang keadaan sepenuhnya menangkap semua informasi yang dapat mempengaruhi masa depan dari proses evolusi. Suatu Markov Chain merupakan proses stokastik berarti bahwa semua transisi adalah probabilitas (ditentukan oleh kebetulan acak dan dengan demikian tidak dapat diprediksi secara detail, meskipun mungkin diprediksi dalam sifat statistik), (www.wikipedia.org). 6.2 Konsep Dasar Markov Chain Apabila suatu kejadian tertentu dari suatu rangkaian eksperimen tergantung dari beberapa kemungkinan kejadian , maka rangkaian eksperimen tersebut disebut Proses Stokastik. Gambar 94. Klasifikasi Proses Stokastik Sebuah rantai Markov adalah suatu urutan dari variabel-variabel acak X 1, X 2, X 3,...... dengan sifat Markov yaitu, mengingat keadaan masa depan dan masa lalu keadaan yang independen, dengan kata lain: Nilai yang mungkin untuk membentuk Xi S disebut ruang keadaan rantai. Markov Chain adalah sebuah Proses Markov dengan populasi yang diskrit (dapat dihitung) yang berada pada suatu discrete state (position) dan diizinkan utk berubah state MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 101 pada time discrete. Ada beberapa macam variasi dari bentuk rantai markov. Continuous Markov memiliki indeks kontinu. Sisa rantai Markov homogen (rantai Markov stasioner) adalah proses di mana untuk semua n. Probabilitas transisi tidak tergantung dari n. Sebuah rantai Markov orde m di mana m adalah terbatas, Dengan kata lain, keadaan selanjutnya tergantung pada memiliki 'klasik' Markov keadaan m selanjutnya. Sebuah rantai (Y n) dari (X n) yang properti sebagai berikut: Biarkan Yn = (X n, X n -1, ..., X n - m 1 ), yang memerintahkan mtupel dari nilai-nilai X. Maka Y n adalah sebuah rantai Markov dengan ruang keadaan S m dan memiliki klasik properti Markov. Sebuah aditif rantai Markov order m di mana m adalah terbatas adalah untuk semua n> m. Status-statusnya adalah: 1. Reachable State Status j reachable dari status i apabila dalam rantai dpat terjadi transisi dari status i ke status j melalui sejumlah transisi berhingga; Terdapat n, 0 ≤ n ≤ ∞, sehingga Pnij > 0. 2. Irreduceable Chain Jika dalam suatu rantai Markov setiap status reachable dari setiap status lainnya, rantai tersebut adalah irreduceable. 3. Periodic State Suatu status i disebut periodic dengan peroda d > 1, jika pnii > 0, hanya untuk n = d, 2d, 3d,... ; sebaliknya jika pnii > 0, hanya untuk n = 1, 2, 3,...maka status tersebut disebut aperiodic. 4. Probability of First Return Probabilitas kembali pertama kalinya ke status i terjadi dalam n transisi setelah meninggalkan i. 5. (note: fi(0) didefinisikan = 1 untuk semua i) Probability of Ever Return Probabilitas akan kembalimya ke status i setelah sebelumnya meninggalkan i. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 102 6. 7. 8. Transient State Suatu status disebut transient jika probabilitas fi < 1; yaitu bahwa setelah dari i melalui sejumlah transisi terdapat kemungkinan tidak dapat kembali ke i. Recurrent State Suatu status disebut recurrent jika probabilitas fi = 1; yaitu bahwa setelah dari i melalui sejumlah transisi selalu ada kemungkinan untuk kembali ke i. Mean Recurrent Time of State Untuk suatu status recurrent, jumlah step rata-rata untuk kembali ke status i 9. Null Recurrent State Suatu Recurrent State disebut recurrent null jika mi = ∞ 10. Positive Recurrent State Suatu recurrent state disebut positive recurrent atau recurrent nonnull jika mi < ∞ 11. Communicate State Dua status, i dan j, dikatakamn berkomunikasi jika i reachable dari j dan juga 12. reachable dari i ; ditulis dengan notasi Ergodic Rantai Markov disebut ergodic jika, irreduceable, aperiodic, dan seluruh status positive recurrent 6.3 Teorema-Teorema 1. Teorema mengenai Relasi Ekovalensi a. Relasi i <—> j merupakan relasi ekuivalen 1. untuk setiap status i , berlaku i <—> i 2. jika i <—> j, maka juga j <—> i 3. jika i <—> j dan j <—> k maka i <—> k b. Status-status suatu Rantai Markov dapat dipartisi kedalam kelas-kelas ekivalensi sehingga i <—> j, jika dan hanya jika i dan j berada dalam kelas ekivalensi yang sama. c. Suatu Rantai Markov irreducible jika dan hanya jika didalamnya hanya terdiri atas tepat satu kelas ekivalensi. d. Jika i <—> j, maka i dan j memiliki periode yang sama. e. Untuk i <—> j, jika i recurrent maka juga j recurrent. 2. Teorema mengenai Irreducible jika {Xn}suatu rantai Markov, maka tepat salah satu kondisi berikut ini terjadi: a. Semua status adalah positif recurrent b. Semua status recurrent null c. Semua status trancient MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 103 3. Teorema mengenai Limiting Probability Definisi: πj(n) adalah probabilitas suatu Rantai Markov { Xn}berada dalam status j pada step ke n. Maka πj(n) = P[ Xn = j] Distribusi awal ( initial ) dari masing-masing status 0, 1, 2, …… dinyatakan sebagaiπj(0) = P[ X0 = j], untuk j = 0, 1, 2,... Suatu rantai Markov memiliki distribusi probabilitas stasioner π = (π0, π1, π2, ...., πn ) apabila terpenuhi persamaan π = π P asalkan setiap πi ≥ 0 dan ∑i πi =1. Jika suatu rantai Markov homogen waktu (stasioner dari waktu ke waktu) yang irreducible, aperiodic, maka limit probabiltasnya , untuk j = 0, 1, ...... selalu ada dan independent dari distribusu probabilitas status awal π (0) = (π0(0) , π1(0) , π2(0), …..). Jika seluruh status tidak positif recurrent (jadi seluruhnya recurrent null atau seluruhnya transient), maka πj = 0 untuk semua j dan tidak terdapat distribusi probabilitas stasioner. Syarat - syarat yang harus dipenuhi dalam menerapkan Rantai Markov pada suatu kasus : 1. jumlah probabilitas transisi untuk suatu keadaan awal dari system sama dengan 1 2. Probabilitas - probabilitas tersebut berlaku untuk semua partisan dalam system 3. Probabilitas transisi konstan sepanjang waktu 4. Kondisi merupakan independent. 7. Referensi a. Modul praktikum optimisasi, 2017, Prodi Teknik Industri STTA, Yogyakarta. b. Modul praktikum optimisasi, 2019, Prodi Teknik Industri STTA, Yogyakarta. c. P. Siagian, 1987, Penelitian Operasional, Penerbit Universitas Indonesia,. d. Tjutju Tarliah Dimyati, Ahmad Dimyati, 1994, Operations Research, Sinar Baru Algensindo. e. Winston, Wayne L., 2004, Operations Research Applications and Algorithm, 4th ed, Thomson Brooks Cole, USA. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 104 8. Tugas PT Nusantara meminta lembaga konsultan manajemen untuk melakukan survei mengenai kesetian pelanggannya terhadap tiga merek produk mebel, yaitu merah, kuning, hijau. Matriksnya terlihat pada tabel 15 berikut ini. Merek yang Tabel 15. Studi Kasus Rantai Markov Merek yang Akan Dibeli Berikutnya Sekarang Merah Kuning Hijau Jumlah Merah 0,80 0,15 0,05 1,00 Kuning 0,20 0,65 0,15 1,00 Hijau 0,30 0,10 0,60 1,00 Biaya Rp200 Rp185 Rp160 Dari tabel tersebut terlihat pelanggan yang saat ini memilih produk merah, tetap akan memilih produk merah dengan kemungkinan 80%, kemungkinan memilih produk merek kuning 15% dan memilih hijau dengan kemungkinan 5%. Demikian juga dengan merek yang kuning dan hijau. Manajemen PT Nusantara ingin mengetahui karakteristik konsumennya dengan metode analisis Markov. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 105 MODUL 9 ANTRIAN 1. Deskripsi Teori antrian adalah teori yang menyangkut studi matematis dari antrian-antrian atau baris-baris penungguan. Formasi baris-baris penungguan ini tentu saja merupakan suatu fenomena biasa yang terjadi apabila kebutuhan suatu pelayanan melebihi kapasitas yang tersedia untuk menyelenggarakan pelayanan. Sebuah sistem pelayanan mencakup fasilitas pelayanan yang terdiri dari satu atau lebih pelayan, yang akan memberikan jenis-jenis pelayanan khusus kepada pelanggan yang datang pada fasilitas pelayanan tersebut. 2. Tujuan a. Praktikan dapat memahami data-data yang dibutuhkan dalam kasus antrian yang berasal dari kehidupan nyata dan memformulasikan data tersebut dalam model matematik. b. Praktikan dapat memahami manfaat dari analisa antrian dalam rangka mengambil keputusan yang optimal. 3. Alat dan Bahan PC dan Software pengolah data (Win QSB) 4. Prosedur Pelaksanaan Praktikum Untuk penyelesaian masalah antrian dengan program WinQSB, ikuti langkah-langkahnya sebagai berikut. 1. Jalankan program WinQSB, lalu pilih Queuing Analysis. Di layar akan tampak tampilan seperti pada Gambar 95 berikut ini. Gambar 95. Tampilan awal model antrian WinQSB MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 106 2. Buatlah definisi masalah baru dengan memilih menu file, new problem lalu isikan berbagai keterangan dan pilihan, sehingga di layar tampak tampilan seperti pada gambar 96. Gambar 96. Isian untuk membuat model antrian 3. Kliklah Ok dan isikan informasi yang sudah di sampaikan di ataske dalam layar dan hasilnya tampak seperti pada gambar 97 berikut ini. Gambar 97. Input Data pada modul antrian Penjelasan untuk beberapa isian adalah sebagai berikut : • Item service rate diisi 4, karena menurut informasi di atas, setiap pelanggan butuh waktu 15 detik. Dengan kata lain dalam satu menit, ada 4 pelanggan yang masalahnya dapat diselesaikan. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 107 • Item custumer arrival rate diisi 3, karena ada 3 pelanggan yang menelpon dalam setiap menitnya. • Item busy server cost per menit adalah Rp20, sama dengan gaji seorang operator. Demikian juga idle server cost per menit Rp20 karena meskipun tidak menjawab telpon pelanggan, operator tetap digaji. • Item customer waiting cost per menit adalah Rp50, baik ketika sedang dijawab oleh operator maupun oleh mesin, sehingga pada item customer being served cost per menit juga diisi Rp50 ( tanpa tanda Rp). 4. Simpanlah masalah anda dengan nama file 09Q-01.QQA. 5. Setelah model di-input dan disimpan, kini saatnya untuk menemukan solusi dan menampilkannya. Muatlah masalah (bila di layar belum tampak model anda) dengan menu file, load problem ( dalam contoh di atas nama file anda 09Q-01.QAA) 6. Jalankan menu Solve and Analyze, lalu pilih Solve the Performance. Hasilnya akan tampak seperti berikut ini. Gambar 98. Hasil analisis masalah antrian 1 Dari informasi tersebut diketahui berbagai informasi sebagai berikut a. Biaya total per menit sistem tersebut adalah Rp170 b. Diketahui λ = 3, μ = 4 (4 orang per menit atau satu orang per 15 detik) 𝜆𝜆 c. L ( baris 7, banyaknya pelanggan yang dilayanidalam satu antrian) = 𝜇𝜇−𝜆𝜆 = MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta 3 4−3 =3 Page 108 𝜆𝜆2 32 d. . Lq (baris 8, banyaknya pelanggan dalam antrian) = 𝜇𝜇 (𝜇𝜇−𝜆𝜆) = 4(4−3) = 2,25 e. .W (baris 10, rata-rata pelanggan menghabiskan waktu dalam antrian dan ketika 1 1 dilayani) = 𝜇𝜇−𝜆𝜆 = 4−3 = 1 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 f. .Wq (baris 11, rata-rata pelanggan menunggu dilayani) = 0,75 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 (𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 45 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑) 𝜆𝜆 𝜆𝜆 𝜇𝜇(𝜇𝜇−𝜆𝜆) 3 = 4(4−3) = 3 g. .P0 (baris 13, kemungkinan sistem menggangur) = 1 − 𝜇𝜇 = 1 − 4 = 25% h. .PW (baris 14, kemungkinan pelanggan harus menunggu) atau Pb (kemungkinan 𝜆𝜆 3 sistem sibuk) = 𝜇𝜇 = 4 = 75 % Analisis tambahan layanan Analisis antrian dapat digunakan untuk mengevaluasi apakah titik pemberian layanan perlu ditambah. Dalam contoh yang sudah dijelaskan sebelumnyan hanya terdapat satu operator. Bagaimanakah bila perusahaan ingin menambah satu operator lagi, apakah menguntungkan bagi perusahaan? Langkah-lamgkahnya adalah sebagai berikut : 1. Masih ditampilan seperti pada gambar 98, kliklah Window, lalu angka 1 untuk kembali ke tampilan seperti gambar 97. 2. Ubahlah Number of serve dari 1 menjadi 2. 3. Jalankan menu Solve and Analyze, lalu pilih Solve the Performance. Di layar akan ditampilkan hasil seperti tampak pada gambar 99. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 109 Gambar 99. Hasil analisis antrian 2 Hasil tersebut menunjukkan perbaikan pada rata-rata waktu tunggu oleh pelanggan (menjadi lebih singkat dibanding sebelumnya). Demikian juga dengan biaya total sistem juga turun Rp170 menjadi Rp 83,6364. Namun, apakah bila titik layanan ditambah satu lagi (sehingga total ada 3), kinerja sistem akan semakin baik? Untuk itu perlu dilakukan analisis sensitivitas pada langkah 4 berikut ini. 4. Untuk melakukan analisis sensitivitas, ulangi langkah 1 di atas (untuk kembali ke tampilan seperti pada gambar 97. 5. Kliklah menu Solve and Analyze, Perform Sensitivity Analysis, sehingga di layar tampak seperti gambar 100 berikut: MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 110 Gambar 100. Hasil analisis antrian 3 6. Pada isian start from isikan angka 1, pada isian End at isikan 5, dan pada isian Step isikan 1. Kliklah Ok untuk segera menampilkan hasilnya, seperti tampak pada Gambar 101. Gambar 101. Analisis sensitivitas model antrian dalam bentuk tabel Perhatikan kolom paling kanan, yaitu pada kolom total cost, biaya yang paling sedikit ada di baris ke-2, yaitu Rp83,6364. Dengan demikian, dari berbagai pilihan (dari 1 hingga 5 operator), yang paling hemat dan sekaligus memiliki kinerja yang baik adalah 2 operator. Oleh karena itu, manajemen tidak perlu menambah operator menjadi 3 dan seterusnya. 7. Bila anda ingin menampilkan analisis sensitivitas dalam bentuk grafik, kliklah Results, Sensitivity Analysis-Graph, lalu pilih salah satu item yang ingin anda buatkan grafiknya. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 111 Sebagai contoh, pilihlah total cost (ada di paling bawah) lalu kliklah Ok, sehingga akan tampak hasilnya seperti berikut ini : Gambar 102. Analisis sensitivitas model antrian dalam bentuk grafik Dari tampilan grafik di atas juga terlihat bahwa biaya yang paling rendah terjadi pada saat sistem diisi dengan dua operator. Anda dapat melakukan analisis sensitivitas lainnya, berdasarkan berbagai item yang anda ingin evaluasi. 5. Output Solusi masalah antrian dalam bentuk grafis dan non grafis. 6. Landasan Teori 6.1 Pengenalan teori antrian Teori antrian adalah teori yang menyangkut studi matematis dari antrian-antrian atau baris-baris penungguan. Formasi baris-baris penungguan ini tentu saja merupakan suatu fenomena biasa yang terjadi apabila kebutuhan suatu pelayanan melebihi kapasitas yang tersedia untuk menyelenggarakan pelayanan. Sebuah sistem pelayanan mencakup fasilitas pelayanan yang terdiri dari satu atau lebih pelayan, yang akan memberikan jenis-jenis pelayanan khusus kepada pelanggan yang datang pada fasilitas pelayanan tersebut. Keputusan-keputusan yang berkenaan dengan jumlah kapasitas fasilitas pelayanan harus dapat ditentukan, walaupun sebenarnya tidak mungkin dapat dibuat suatu prediksi yang tepat mengenai kapan unit-unit yang membutuhkan pelayanan itu akan datang dan atau berapa lama waktu yang diperlukan untuk menyelenggarakan pelayanan itu. 6.2 Struktur Dasar Model Antrian Proses yang terjadi pada model antrian dapat digambarkan sebagai berikut : MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 112 Gambar 103. Struktur dasar antrian Unit-unit yang memerlukan pelayanan yang diturunkan dari suatu sumber input memasuki sistem antrian dan ikut dalam antrian. Dalam waktu-waktu tertentu, anggota antrian ini dipilih untuk dilayani. Pemilihan ini didasarkan pada suatu aturan tertentu yang diebut disiplin pelayanan. Pelayanan yang diperlukan dilaksanakan dengan suatu mekanisme pelayanan tertentu. Setelah itu, unit-unit tersebut meninggalkan sistem antrian. Sistem antrian memiliki beberapa komponen sebagai berikut : 1. Populasi Masukan 2. Distribusi Kedatangan 3. Disiplin Pelayanan 4. Fasilitas Pelayanan 5. Distribusi Pelayanan 6. Kapasitas Sistem Pelayanan 7. Keluar 8. Karakteristik Sistem Lainnya 6.3 Klasifikasi Struktur Model Antrian Berdasarkan proses pelayanannya, dapat diklasifikasikan fasilitas-fasilitas pelayanan dalam susunan saluran dan fasa yang akan membentuk suatu struktur antrian yang berbedabeda. Ada empat struktur antrian dasar menurut Buffa dan Sarin yang menggambarkan kondisi umum di sustu fasilitas layanan: 1. Saluran Tunggal Fasa Tunggal (Single Channel Single Phase) Struktur antrian ini merupakan struktur yang paling sederhana dimana hanya memiliki satu jalur (saluran) untuk memasuki sistem pelayanan yang ada dan hanya ada satu stasiun pelayanan, sehingga setelah menerima pelayanan pelanggan (individu-individu) keluar dari sistem. 2. Saluran Berganda Fasa Tunggal (Multiple Channel Phase Single) Struktur antrian ini terjadi jika jumlah stasiun pemrosesan (pelayanan) ditambah atau lebih dari satu tetapi tetap menggunakan satu antrian tunggal. 3. Saluran Tunggal Fasa Berganda (Single Channel Multiple Phase) MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 113 Struktur antrian ini pada dasarnya memiliki sejumlah fasilitas layanan secara serial, menunjukkan dua atau lebih pelayanan yang dilaksanakan secara berurutan. 4. Saluran Berganda Fasa Berganda Struktur antrian ini mempunyai beberapa fasilitas pelayanan pada setiap tahap, sehingga lebih dari satu individu dapat dilayani pada suatu waktu. 6.4 Sistem Antrian Dasar Pendatang Tetap dan Waktu Pelayanan Dalam kasus dimana tingkat kedatangan dan tingkat pelayanan bersifat tetap, maka ada tiga kemungkinan yang terjadi yaitu : 1. Tak ada antrian, waktu menganggur. Kondisi ini terjadi apabila waktu pelayanan lebih kecil daripada waktu antar kedatangan, sehingga sebelum terjadi kedatangan berikutnya fasilitas pelayanan telah selesai melayani unit sebelumnya, karena hal tersebutlah fasilitas pelayanan akan menganggur sampai kedatangan pelanggan berikutnya. 2. Tak ada antrian, Tak ada waktu menganggur. Kondisi ini terjadi apabila waktu pelayanan sama dengan waktu antar kedatangan, sehingga ketika unit (pelanggan) berikutnya datang kepada fasilitas pelayanan pada waktu itu pula fasilitas pelayanan selesai melayani unit sebelumnya, sehingga dapat langsung dilayani. 3. Ada antrian, Tak ada waktu menganggur. Kondisi ini terjadi apabila waktu pelayanan lebih besar daripada waktu antar kedatangan, sehungga ketika unit berikutnya datang fasilitas pelayanan belum selesai melayani unit sebelumnya, hal ini mengakibatkan unit yang datang berikutnya harus menunggu sampai fasilitas pelayanan tersebut selesai melayani unit sebelumnya. Jika suatu sistem antrian telah mulai berjalan, keadaan sistem (jumlah unit dalam sistem) akan sangat dipengaruhi oleh state (keadaan) awal dan waktu yang telah dilalui. Dalam keadaan seperti ini, sistem dikatakan dalam kondisi transien. Tetapi, lama kelamaan keadaan sistem akan independen terhadap terhadap state awal tersebut, dan juga terdapat waktu yang dilaluinya. Keadaan sistem seperti ini dikatakan berada dalam kondisi steady state. Teori antrian cenderung memusatkan pada kondisi steady state, sebab kondisi transien lebih sukar dianalisis. 7. Referensi a. Modul praktikum optimisasi, 2017, Prodi Teknik Industri STTA, Yogyakarta. b. Modul praktikum optimisasi, 2019, Prodi Teknik Industri STTA, Yogyakarta. c. P. Siagian, 1987, Penelitian Operasional, Penerbit Universitas Indonesia,. d. Tjutju Tarliah Dimyati, Ahmad Dimyati, 1994, Operations Research, Sinar Baru Algensindo. e. Winston, Wayne L., 2004, Operations Research Applications and Algorithm, 4th ed, Thomson Brooks Cole, USA. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 114 8. Tugas PT Nusantara memiliki sistem layanan pelanggan melalui telpon dan dilayani oleh seorang petugas. Menurut catatan, rata-rata tiap menit ada tiga telpon dari pelanggan ( bisa dinyatakan dalam λ atau lamda) dan masing-masing memerlukan waktu 15 detik untuk mendapat solusi ( biasa dinyatakan dalam μ atau myu). Jumlah penelpon yang harus menunggu tidak dibatasi, karena untuk sementara dapat dilayani oleh komputer dan mesin penjawab otomatis. Gaji seorang operator adalah Rp20 per menit. Biaya seorang penelpon adalah Rp50 per menit (baik penelpondijawab langsung oleh operator maupun oleh mesin, tarif ini sama besarnya. Perusahaan ingin mengetahui apakah perlu menambah operator atau tidak. Bahkan manajer perusahaan ingin mengetahui, berapakah jumlah operator yang optimal untuk kondisi sekarang ini. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 115 LAMPIRAN FORMAT LAPORAN 1. Tiap kelompok mengumpulkan satu laporan akhir. 2. Laporan akhir dikumpulkan dalam bentuk CD ( Compact Dsc) dan dibuat dalam Format Website (Homepage) dengan file berextention htm atau html 3. Desain Laporan sangat mempengaruhi penilaian Akhir. MODUL PRAKTIKUM OPTIMISASI Program Studi Teknik Industri ITDA Yogyakarta Page 116