Lokasi Optimal Intermediate Treatment Facilities Dan Implementasinya Di Dki Jakarta

(1)

LOKASI OPTIMAL

INTERMEDIATE TREATMENT FACILITIES

DAN IMPLEMENTASINYA DI DKI JAKARTA

ZAKIYATUN NUFUS

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(2)

(3)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Lokasi Optimal

Intermediate Treatment Facilities

dan Implementasinya di DKI Jakarta adalah

benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan

dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang

berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari

penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di

bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.

Bogor, Juni 2015

Zakiyatun Nufus

(4)

ABSTRAK

ZAKIYATUN NUFUS. Lokasi Optimal

Intermediate Treatment Facilities

dan

Implementasinya di DKI Jakarta. Dibimbing oleh AMRIL AMAN dan PRAPTO

TRI SUPRIYO.

Pengelolaan sampah di Indonesia diatur dalam Peraturan Pemerintah No. 81

tahun 2012. Peraturan tersebut menetapkan pengelolaan sampah di Indonesia

mencakup dua hal yaitu pengurangan dan penanganan sampah. Penanganan

sampah saat ini hanya menggunakan sistem kumpul-angkut-buang. Sampah yang

sudah terkumpul di Tempat Penampungan Sampah Sementara (TPS) diangkut

langsung menuju Tempat Pembuangan Akhir (TPA) tanpa diolah terlebih dahulu.

Mekanisme penanganan sampah dengan sistem kumpul-angkut-buang ini masih

belum optimal, disamping itu, sistem ini juga menimbulkan masalah lain yaitu

masalah lingkungan. Salah satu usaha untuk memperbaiki sistem penanganan

sampah adalah dengan membangun fasilitas pengolahan sampah yang disebut

(ITF). ITF mengolah sampah dengan

menggunakan mesin insinerator sehingga sampah yang dibuang ke TPA hanya

berupa abu sisa hasil pembakaran. Dalam merancang sistem ini dibutuhkan

keputusan terkait dengan penentuan lokasi optimal tempat dibangunnya ITF.

Permasalahan penentuan lokasi ini dimodelkan dengan menggunakan

integer

linear programming

. Penentuan lokasi optimal ITF ini diimplementasikan pada

suatu kasus di DKI Jakarta.

Kata kunci:

integer linear programming,

ITF, penentuan lokasi, sampah

ABSTRACT

ZAKIYATUN NUFUS. Optimal Locations for Intermediate Treatment Facilities

and Its Implementation at DKI Jakarta. Supervised by AMRIL AMAN and

PRAPTO TRI SUPRIYO.

Waste management in Indonesia is regulated by Peraturan Pemerintah (PP)

No. 81 in 2012. The regulation requires that waste management consists of two

stages those are waste reduction and waste handling. Currently, waste handling is

done simply by using the mechanism of collection

–

hauling

–

dumping; waste is

collected from households and then brought to Waste Temporary Shelter (TPS),

and from this location waste is then hauled and dumped at landfill (TPA). This

mechanism is considered not optimal besides it also creates some environmental

problems. One of the efforts that would improve waste management is by

developing waste processing facilities in the form of Intermediate Treatment

Facilities (ITF). ITF processes waste using incinerator machine that would

greatly reduce the waste volume transported to landfill. One of the problem in

designing the system is to determine optimal location of ITF. This problem is

modeled using Integer Linear Programming. This model is implemented for a

case at DKI Jakarta.

(5)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Sains

pada

Departemen Matematika

LOKASI OPTIMAL

INTERMEDIATE TREATMENT FACILITIES

DAN IMPLEMENTASINYA DI DKI JAKARTA

ZAKIYATUN NUFUS

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(6)

(7)

Judul Skripsi : Lokasi

Optimal

Intermediate

Treatment

Facilities

dan

Implementasinya di DKI Jakarta

Nama

: Zakiyatun Nufus

NIM

: G54100063

Disetujui oleh

Dr Ir Amril Aman, MSc

Pembimbing I

Drs Prapto Tri Supriyo, MKom

Pembimbing II

Diketahui oleh

Dr Toni Bakhtiar, MSc

Ketua Departemen

(8)

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah SWT atas segala rahmat,

berkat, dan karunia-Nya. Shalawat serta salam juga penulis ucapkan kepada Nabi

Muhammad SAW sebagai suri tauladan yang baik, sehingga penulisan karya

ilmiah yang berjudul Lokasi Optimal

dan

Implementasinya di DKI Jakarta dapat diselesaikan.

Penulisan skripsi ini tidak lepas dari bantuan berbagai pihak. Oleh karena

itu, penulis mengucapkan terima kasih kepada:

1

Bapak dan mamah serta adik-adik: Syifa, Awab, Ula, yang senantiasa

memberikan kasih sayang, doa, dan dukungan,

2

Bapak Dr Ir Amril Aman, MSc sebagai dosen pembimbing I dan Bapak Drs

Prapto Tri Supriyo, MKom sebagai dosen pembimbing II yang telah

memberikan ilmu, saran, dan motivasi serta bantuannya dalam membimbing

penulis selama masa penulisan karya ilmiah ini,

3

Bapak Dr Toni Bakhtiar, MSc sebagai dosen penguji yang telah memberikan

ilmu dan sarannya,

4

Ibu Dr Ir Saptastri Ediningtyas Kusumadewi, MM sebagai Kepala Dinas

Kebersihan Provinsi DKI Jakarta, Bapak Fahmi, Kak Ichwan, dan staf lain

di Dinas Kebersihan Provinsi DKI Jakarta atas bantuan dan informasi yang

telah diberikan,

5

seluruh dosen di Departemen Matematika IPB yang telah memberikan ilmu

yang bermanfaat selama ini,

6

staf Departemen Matematika IPB: Ibu Susi, Pak Yono, Ibu Ade, dan staf

lain yang selalu memberikan bantuan dan saran,

7

teman seperjuangan bimbingan: Alin, Erik, Irfan, Kak Maya, Kak Elisa, Kak

Susi, Ari, Dedy, Fahri,

8

Marin, Uci, Bilyan, Sri, Vivi, Kiki O, Putu, Bella, Adi, Rendi, Ando, serta

teman-teman seperjuangan matematika lainnya,

9

Eka, Poet, Indry, Kak Ade, Beti, Ria, Mbak Dian, Wulan, Fina, Wulmet,

Mpok Jes, Tutu, Anggun, Tia, Nita, Ade, Neneng, dan Uli dari keluarga

kecil Sundakarya Jambi,

10

seluruh pihak yang telah membantu penulis dan tidak dapat dituliskan satu

per satu.

Penulis menyadari bahwa karya ilmiah ini masih jauh dari sempurna. Oleh

karena itu, penulis menghargai saran dan kritik yang membangun dari pembaca.

Semoga karya ilmiah ini bermanfaat.

Bogor, Juni 2015

(9)

DAFTAR ISI

DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

Latar Belakang

1

Tujuan

1

TINJAUAN PUSTAKA

2

Linear Programming

2

Integer Programming

2

Fixed Charge Problem

2

DESKRIPSI DAN FORMULASI MASALAH

3

Deskripsi Masalah Penentuan Lokasi ITF

3

Formulasi Masalah

4

PENGUJIAN MODEL

6

Skenario 1

7

Skenario 2

8

Skenario 3

10

Skenario 4

12

IMPLEMENTASI MASALAH

14

Deskripsi dan Formulasi Masalah

14

Hasil dan Pembahasan

17

SIMPULAN DAN SARAN

19

Simpulan

19

Saran

19

DAFTAR PUSTAKA

20

LAMPIRAN

21

(10)

DAFTAR TABEL

1

Data volume sampah TPS

6

2

Data jarak antarlokasi skenario 1

7

3

Data kapasitas ITF dan TPA serta

fixed cost

ITF skenario 1

7

4

Hasil komputasi skenario 1

8

5

Rincian volume sampah skenario 1

8

6

9

7

Data kapasitas ITF dan TPA serta

fixed cost

ITF skenario 2

9

8

10

9

10

Data jarak antarlokasi skenario 3

11

fixed cost

ITF skenario 3

11

12

13

12

14

13

15

fixed cost

ITF skenario 4

13

16

Hasil komputasi skenario 4

14

17

14

18

Lokasi, kapasitas, dan

fixed cost

ITF

16

19

Rincian volume sampah

18

DAFTAR GAMBAR

1

Sistem kumpul-angkut-buang sampah

3

2

Pola penanganan sampah di Jakarta

15

3

Peta 40 TPS di Jakarta dengan

Google Maps

16

4

Peta Lokasi Pelayanan TPS oleh ITF dan TPA

19

DAFTAR LAMPIRAN

1

Keterangan pada Gambar 3 Peta Lokasi TPS

21

2

Data Kelengkapan TPS

22

3

Data Kelengkapan TPS

23

4

Klasifikasi TPS dan ITF yang terkait

24

5

Sintaks program LINGO 11.0 untuk menyelesaikan model dengan data

(11)

PENDAHULUAN

Latar Belakang

Indonesia merupakan negara dengan penduduk terbesar keempat di dunia.

Saat ini, penduduk Indonesia mencapai 237.641.326 jiwa (BPS 2010).

Meningkatnya jumlah penduduk akan menyebabkan sampah yang dihasilkan juga

meningkat. Diperkirakan pada tahun 2025, produksi sampah di Indonesia

mencapai 130.000 ton/hari (Kemen LH 2014). Untuk itu diperlukan pengelolaan

sampah yang serius agar timbulan sampah yang dihasilkan dapat dikurangi.

Pengelolaan sampah di Indonesia diatur dalam Peraturan Pemerintah No.81

tahun 2012. Dalam peraturan tersebut, pengelolaan sampah di Indonesia meliputi

kegiatan pengurangan dan penanganan sampah. Kegiatan penanganan sampah

terdiri dari kegiatan pemilahan, pengumpulan, pengangkutan, pengolahan, dan

pemrosesan akhir sampah. Kegiatan pengangkutan sampah dilakukan oleh

pemerintah kabupaten/kota yakni sampah yang sudah dikumpulkan di tempat

penampungan sampah sementara (TPS) akan diangkut menuju tempat pemrosesan

akhir (TPA) atau tempat pengolahan sampah terpadu (TPST). Pemerintah

kabupaten/kota juga dapat menyediakan stasiun peralihan antara (SPA) untuk

pengangkutan sampah lintas kabupaten/kota dan pengolahan sampah bersama.

Penanganan sampah di Indonesia masih belum berjalan maksimal karena

sampah hanya ditangani dengan sistem kumpul-angkut-buang. Seringkali sampah

yang sudah dikumpulkan di TPS diangkut langsung menuju TPA setempat tanpa

diolah terlebih dahulu. Hal ini menyebabkan sampah menumpuk di TPA dan

menimbulkan masalah lain seperti masalah lingkungan. Sampah yang menumpuk

di TPA juga menyebabkan masa pakai TPA tersebut rendah karena sampah yang

dibuang sudah melebihi kapasitas TPA.

Saat ini, Dinas Kebersihan DKI Jakarta sebagai badan yang berperan dalam

mengelola sampah Jakarta mencanangkan program

Zero Waste

yakni program

untuk mengolah sampah sehingga sampah yang dibuang ke TPA Bantar Gebang

hanya berupa residu saja. Untuk menjalankan program tersebut, Dinas Kebersihan

DKI Jakarta berencana untuk membangun fasilitas pengolahan sampah yang

disebut

(ITF). ITF ini direncanakan akan

mempunyai fasilitas pengolahan sampah dengan menggunakan mesin insinerator

sehingga sampah yang dibuang ke TPA Bantar Gebang hanya berupa abu sisa

hasil pembakaran. Sehubungan dengan hal tersebut, penentuan lokasi

dibangunnya ITF yang optimal diperlukan untuk meminimumkan biaya

operasional yang dikeluarkan.

Tujuan

Karya ilmiah ini bertujuan untuk:

(12)

2

2.

Mengimplementasikan permasalahan dalam sebuah studi kasus penentuan

lokasi ITF di Jakarta dan menyelesaikannya dengan bantuan

software

LINGO 11.0.

TINJAUAN PUSTAKA

Dalam membuat model optimasi penentuan lokasi optimal ITF diperlukan

pemahaman istilah

linear programming, integer programming

dan

fixed charge

problem.

Linear Programming

(LP) merupakan suatu alat untuk menyelesaikan

masalah optimisasi. Suatu masalah LP adalah masalah optimisasi yang memenuhi

syarat sebagai berikut:

1.

Masalah LP bertujuan untuk memaksimalkan atau meminimalkan suatu

fungsi linear dari variabel keputusan. Fungsi yang harus dimaksimalkan

atau diminimalkan disebut fungsi objektif.

2.

Nilai dari variabel keputusan harus memenuhi kendala-kendala. Setiap

kendala merupakan persamaan linear atau pertidaksamaan linear.

3.

Sebuah batasan tanda dihubungkan dengan setiap variabel. Untuk suatu

variabel

, batasan tanda tertentu menyatakan bahwa

harus salah satu

dari taknegatif

atau tidak dibatasi oleh tanda (Winston 2004).

Integer Programming

Menurut Winston (2004),

Integer Programming

(IP)

Problem

merupakan

suatu masalah

linear programming

dengan sebagian atau seluruh variabel yang

dibutuhkan berupa bilangan bulat bukan negatif. Masalah IP terdiri dari beberapa

jenis, yaitu

pure integer programming problem, mixed integer programming

problem,

dan 0-1

integer programming problem

.

Menurut Winston (2004),

merupakan masalah IP di

mana ada biaya yang berhubungan dengan pelaksanaan aktivitas di tingkat bukan

nol yang tidak bergantung pada tingkatan aktivitas tersebut sehingga biaya yang

dikeluarkan sama tidak peduli berapa banyak penggunaan aktivitas tersebut.

Andaikan aktivitas

mendatangkan biaya tetap jika dijalankan pada

sembarang tingkat positif yang dapat digambarkan dalam formulasi sebagai

berikut

(13)

3

{

Sebuah kendala

harus ditambahkan ke dalam formulasi masalah.

Dalam formulasi tersebut,

harus cukup besar untuk memastikan bahwa

akan

kurang atau sama dengan

.

DESKRIPSI DAN FORMULASI MASALAH

Deskripsi Masalah Penentuan Lokasi ITF

Pengelolaan sampah di Indonesia yang diatur dalam PP No. 81 tahun 2012

masih belum berjalan maksimal. Sampah yang dikumpulkan di TPS hanya

dikelola dengan sistem kumpul-angkut-buang. Sistem kumpul-angkut-buang

tersebut dapat dilihat pada Gambar 1 berikut.

Penanganan sampah yang menggunakan sistem kumpul-angkut-buang

menimbulkan masalah lain, seperti masalah lingkungan karena sampah tidak

diolah terlebih dahulu. Proses penanganan sampah salah satunya adalah

pengolahan sampah meliputi kegiatan pemadatan, pengomposan, daur ulang

materi, dan daur ulang energi (Kemensetneg 2012). Pemrosesan akhir sampah

dilakukan di TPA dengan menggunakan metode lahan urug terkendali maupun

saniter dan teknologi ramah lingkungan (Kemensetneg 2012).

Metode lahan urug sampah terkendali adalah dengan cara sampah

dipadatkan dan ditutup dengan tanah penutup sekurang-kurangnya setiap tujuh

hari sedangkan metode lahan urug saniter adalah metode pengurugan secara

sistematis dengan penyebaran dan pemadatan sampah pada area pengurugan serta

penutupan sampah setiap hari (Kemensetneg 2012). Metode lahan urug sampah

yang diatur belum berjalan dengan maksimal karena sampah langsung dibuang ke

lahan terbuka sehingga air lindi dari sampah dapat mencemari lingkungan sekitar,

menimbulkan bau menyengat, dan membuat masa pakai TPA menjadi rendah.

Metode lahan urug sampah ini juga memerlukan lahan yang besar untuk

menampung sampah.

Salah satu solusi penanganan sampah yakni dengan membangun fasilitas

pengolahan sampah seperti ITF. ITF bertujuan untuk mereduksi volume sampah

sebelum dibuang ke TPA/TPST dengan mengubah komposisi dan karakteristik

sampah sehingga yang dibuang ke TPA/TPST hanya berupa residu dari ITF

(Dinsih 2011). ITF akan mengolah sampah dengan menggunakan teknologi ramah

lingkungan yang akan mengubah sampah sebagai sumber daya untuk pemanfaatan

Gambar 1 Sistem kumpul-angkut-buang sampah

SUMBER

SAMPAH

TPS

(14)

4

seperti kompos dan energi. Pengolahan sampah dalam program

Zero Waste

yang

direncanakan akan menggunakan teknologi insinerasi untuk mengolah sampah

anorganik dan pengomposan untuk sampah organik (Dinsih 2014). Teknologi

insinerasi dilakukan dengan tungku pembakaran sampah yang kemudian akan

dihasilkan listrik dan panas (Rahmaputro 2012). Residu sisa hasil pembakaran

sampah yang berupa abu akan dibuang ke TPA setempat.

Penentuan lokasi dibangunnya ITF yang optimal merupakan bagian dari

proses penanganan sampah oleh pemerintah kabupaten/kota. Penentuan lokasi

yang optimum dapat ditinjau dari jarak minimum yang ditempuh oleh truk

pengangkut sampah dari TPS-ITF-TPA dan TPS-TPA, biaya operasional

penanganan sampah minimum, atau pengurangan volume sampah maksimum.

Pada karya ilmiah ini akan dibahas masalah penentuan lokasi dibangunnya ITF

dengan biaya operasional minimum. Biaya operasional yang dimaksud adalah

biaya angkut sampah perton km dari TPS-ITF-TPA dan TPS-TPA serta biaya

tetap pengolahan sampah di ITF yang dibangun.

Formulasi Masalah

Untuk membatasi permasalahan penentuan lokasi optimal ITF dalam karya

ilmiah ini diperlukan beberapa asumsi. Asumsi-asumsi yang diperlukan antara

lain sebagai berikut:

1.

Lokasi potensial ITF yang akan dibangun sudah ditentukan sehingga

diasumsikan lahan tersedia.

2.

Residu sampah yang dihasilkan dari ITF sebesar

dari volume sampah

semula. Saat ini teknologi insinerasi mampu mengurangi sampah hingga

90% dari sampah semula (NEA 2013).

3.

Biaya angkut sampah perton km diasumsikan sama untuk mengangkut

sampah dari TPS-ITF, ITF-TPA, dan TPS-TPA.

Model matematis dari permasalahan tersebut dikembangkan dari jurnal

ilmiah karya

Eiselt (2006) yang berjudul “

Locating Landfills and Transfer

Stations in Alberta

”.

Formulasi Masalah

Indeks:

indeks untuk menyatakan lokasi TPS

indeks untuk menyatakan lokasi TPA

indeks untuk menyatakan lokasi potensial ITF

Parameter:

= banyaknya volume sampah yang ditampung di TPS

(ton/hari),

= jarak TPS

dengan TPA

(km),

= jarak TPS

dengan ITF

(km),

= jarak ITF

dengan TPA

(km),

= batasan maksimum ITF yang dibangun,

= residu sampah yang dihasilkan ITF menuju TPA,

= kapasitas ITF

(ton/hari),

(15)

5

= biaya tetap pengolahan perhari ITF

apabila ITF dibangun,

= biaya angkut sampah perton km.

Variabel Keputusan:

{

Fungsi Objektif:

meminimumkan biaya yakni biaya angkut sampah perton km dan biaya tetap

(

fixed cost

).

∑ ∑

∑ ∑ ∑

∑

Kendala:

1.

Batasan ITF yang dibangun,

∑

2.

Sampah yang berasal dari tiap TPS dibuang langsung ke TPA atau melalui

ITF terlebih dahulu,

∑ (

∑

)

3.

Sampah dari tiap TPS dapat dibuang ke ITF jika ITF yang terkait dibangun

∑

dengan

bilangan positif relatif besar,

4.

Batasan volume sampah yang masuk ke ITF

,

∑ ∑

5.

Batasan volume sampah yang masuk ke TPA

,

∑

∑ ∑

6.

Kendala biner,

{ }

.

Penentuan volume sampah total yang akan masuk ke TPA membutuhkan

data volume sampah yang langsung ke TPA dan residu sampah dari setiap ITF

yang dibangun. Oleh karena itu dibutuhkan variabel penjelas sebagai berikut:

jika sampah dari TPS

langsung dibawa menuju TPA

selainnya,

jika sampah dari TPS

menuju ke ITF

sebelum ke TPA

selainnya,

(16)

6

Variabel penjelas:

= volume sampah yang dibuang langsung dari TPS

ke TPA

dengan

= residu sampah dari TPS

yang melalui ITF

sebelum dibuang ke TPA

dengan

,

= total residu sampah dari ITF

yang dibuang ke TPA

dengan

∑

,

= total volume sampah yang dibuang di TPA

dengan

∑

Kendala:

Kendala ketaknegatifan

PENGUJIAN MODEL

Model penentuan lokasi ITF yang dibangun ini akan diuji dengan

menggunakan empat skenario. Skenario yang akan diuji menggunakan data jarak,

kapasitas ITF, kapasitas TPA, dan

fixed cost

ITF yang berbeda-beda untuk setiap

skenario uji dan diselesaikan dengan bantuan

software

LINGO 11.0.

Misalkan diberikan data lokasi TPS sebanyak sepuluh TPS, lokasi potensial

dibangunnya ITF sebanyak tiga lokasi, dan TPA sebanyak dua lokasi. Diberikan

data biaya angkut sampah per ton km sebesar Rp15 000 dan residu sampah yang

dihasilkan ITF sebesar 10% dari volume sampah semula. Data volume sampah di

TPS diberikan pada Tabel 1.

Tabel 1 Data volume sampah TPS

Lokasi

Volume Sampah (ton/hari)

TPS 1

9.26

TPS 2

5.73

TPS 3

6.89

TPS 4

6.12

TPS 5

17.12

TPS 6

16.47

TPS 7

9.28

TPS 8

14.70

TPS 9

14.89

TPS 10

15.24

(17)

7

Skenario 1

Diberikan data jarak TPS-ITF, ITF-TPA, dan TPS-TPA pada Tabel 2, di

mana ada ITF dengan jarak yang relatif dekat dengan beberapa TPS dibandingkan

dengan jarak TPS-TPA.

Tabel 2 Data jarak antarlokasi skenario 1

Lokasi

Jarak antarlokasi (km)

ITF 1

ITF 2

ITF 3

TPA 1

TPA 2

TPS 1

5.60

15.78

26.07

42.27

43.87

TPS 2

1.81

18.77

30.73

45.11

41.04

TPS 3

3.21

20.57

29.17

41.90

41.60

TPS 4

2.15

19.08

29.92

41.98

41.16

TPS 5

2.82

18.08

29.37

44.44

43.74

TPS 6

16.34

5.81

29.48

41.96

43.26

TPS 7

11.14

4.38

28.08

45.33

42.18

TPS 8

19.77

3.89

29.90

42.05

44.52

TPS 9

17.72

3.02

30.85

41.56

43.07

TPS 10

18.78

1.67

25.79

43.66

45.62

ITF 1

0

20.36

30.25

ITF 2

0

30.04

22.09

ITF 3

0

31.19

30.32

TPA 1

20.36

30.04

31.19

0

TPA 2

30.25

22.09

30.32

0

Data kapasitas ITF dan TPA serta

fixed cost

ITF diberikan pada Tabel 3

sebagai berikut.

Tabel 3 Data kapasitas ITF dan TPA serta

fixed cost

ITF skenario 1

Lokasi

Kapasitas (ton/hari)

Fixed Cost

(Rp)

ITF 1

100

100 000

ITF 2

100

120 000

ITF 3

100

80 000

TPA1

1.000

TPA2

1.000

(18)

8

Tabel 4 Hasil komputasi skenario 1

Lokasi

TPS yang dilayani

ITF 1

TPS 1

TPS 2

TPS 3

TPS 4

TPS 5

ITF 2

TPS 6

TPS 7

TPS 8

TPS 9

TPS 10

ITF 3

-

TPA 1

-

TPA 2

-

Hasil komputasi menunjukkan bahwa sampah dari TPS menuju ITF dengan

jarak yang relatif dekat dengan TPS tersebut. Tidak ada sampah dari TPS yang

langsung menuju TPA 1 atau TPA 2. Sampah dari TPS yang dibawa ke ITF akan

diolah terlebih dahulu dan menghasilkan residu ITF yang kemudian akan dibuang

ke TPA. Rincian volume sampah untuk uji model skenario 1 dapat dilihat pada

Tabel 5.

Tabel 5 Rincian volume sampah skenario 1

Rincian

TPA 1 (ton/hari)

TPA 2 (ton/hari)

Sampah langsung dari TPS

-

Sampah residu setiap ITF

ITF1: 4,512

ITF2: -

ITF3: -

ITF1: -

ITF2: 7,058

ITF3: -

Total sampah masuk TPA

4,512

7,058

Skenario 2

(19)

9

Lokasi

ITF 1

ITF 2

ITF 3

TPA 1

TPA 2

TPS 1

5.60

15.78

26.07

42.27

43.87

TPS 2

1.81

18.77

30.73

45.11

41.04

TPS 3

3.21

20.57

29.17

41.90

41.60

TPS 4

2.15

19.08

29.92

41.98

41.16

TPS 5

2.82

18.08

29.37

44.44

43.74

TPS 6

16.34

5.81

29.48

41.96

43.26

TPS 7

11.14

4.38

28.08

45.33

42.18

TPS 8

19.77

3.89

29.90

42.05

44.52

TPS 9

17.72

3.02

30.85

41.56

43.07

TPS 10

18.78

1.67

25.79

43.66

45.62

ITF 1

0

20.36

30.25

ITF 2

0

30.04

22.09

ITF 3

0

31.19

30.32

TPA 1

20.36

30.04

31.19

0

TPA 2

30.25

22.09

30.32

0

Data kapasitas ITF dan TPA serta

fixed cost

sebagai berikut.

fixed cost

ITF skenario 2

Lokasi

Fixed Cost

(Rp)

ITF 1

20

20 000

ITF 2

20

25 000

ITF 3

100

80 000

TPA 1

1.000

TPA 2

1.000

(20)

10

Lokasi

TPS yang dilayani

ITF 1

TPS 2

TPS 3

TPS 4

ITF 2

TPS 9

ITF 3

TPS 1

TPS 5

TPS 6

TPS 7

TPS 8

TPS 10

TPA 1

-

TPA 2

-

Hasil komputasi menunjukkan bahwa sebagian sampah dari TPS menuju

ITF dengan jarak yang relatif dekat dengan TPS tersebut hingga kapasitas ITF

terpenuhi. Sampah dari TPS lainnya menuju ke ITF lain yang kapasitasnya masih

mencukupi. Tidak ada sampah dari TPS yang langsung menuju ke TPA 1 atau

TPA 2. Rincian volume sampah untuk uji model skenario 2 dapat dilihat pada

Tabel 9. Tabel 9 memperlihatkan bahwa seluruh sampah yang masuk ke TPA

berasal dari residu pengolahan sampah di ITF.

Tabel 9 Rincian volume sampah skenario 2

Rincian

TPA 1 (ton/hari)

TPA 2 (ton/hari)

Sampah langsung dari TPS

-

ITF1: 1,874

ITF2: -

ITF3: -

ITF1: -

ITF2: 1,489

ITF3: 8,207

1,874

9,696

Skenario 3

(21)

11

Lokasi

ITF 1

ITF 2

ITF 3

TPA 1

TPA 2

TPS 1

5.60

15.78

26.07

3.26

3.93

TPS 2

1.81

18.77

30.73

5.28

4.77

TPS 3

3.21

20.57

29.17

5.48

1.66

TPS 4

2.15

19.08

29.92

5.47

8.54

TPS 5

2.82

18.08

29.37

8.52

3.95

TPS 6

16.34

5.81

29.48

2.08

9.62

TPS 7

11.14

4.38

28.08

3.00

10.50

TPS 8

19.77

3.89

29.90

7.07

4.48

TPS 9

17.72

3.02

30.85

7.84

7.38

TPS 10

18.78

1.67

25.79

8.39

6.02

ITF 1

0

20.36

30.25

ITF 2

0

30.04

22.09

ITF 3

0

31.19

30.32

TPA 1

20.36

30.04

31.19

0

TPA 2

30.25

22.09

30.32

0

Data kapasitas ITF dan TPA serta

fixed cost

sebagai berikut.

fixed cost

ITF skenario 3

Lokasi

Fixed Cost

(Rp)

ITF 1

20

20 000

ITF 2

20

25 000

ITF 3

100

80 000

TPA 1

1.000

TPA 2

1.000

(22)

12

Lokasi

TPS yang dilayani

ITF 1

TPS 2

TPS 4

ITF 2

TPS 10

ITF 3

-

TPA 1

TPS 1

TPS 6

TPS 7

TPA 2

TPS 3

TPS 5

TPS 8

TPS 9

ITF dengan jarak yang relatif dekat dengan TPS tersebut. Sampah dari TPS

lainnya langsung menuju ke TPA 1 atau TPA 2. Rincian volume sampah pada uji

model skenario 3 dapat dilihat pada Tabel 13. Tabel 13 memperlihatkan bahwa

sampah yang masuk ke TPA berasal dari sampah langsung di TPS dan residu

pengolahan sampah di ITF.

Rincian

TPA 1 (ton/hari)

TPA 2 (ton/hari)

TPS 1: 9,26

TPS 6: 16,47

TPS 7: 9,28

TPS 3: 6,89

TPS 5: 17,12

TPS 8: 14,7

TPS 9: 14,89

Sampah residu setiap ITF

ITF 1: 1,185

ITF 2: -

ITF 3: -

ITF 1: -

ITF 2: 1,524

ITF 3: -

36,195

55,124

Skenario 4

(23)

13

Lokasi

ITF 1

ITF 2

ITF 3

TPA1

TPA 2

TPS 1

5.60

15.78

26.07

3.26

3.93

TPS 2

1.81

18.77

30.73

5.28

4.77

TPS 3

3.21

20.57

29.17

5.48

1.66

TPS 4

2.15

19.08

29.92

5.47

8.54

TPS5

2.82

18.08

29.37

8.52

3.95

TPS 6

16.34

5.81

29.48

2.08

9.62

TPS 7

11.14

4.38

28.08

3.00

10.50

TPS 8

19.77

3.89

29.90

7.07

4.48

TPS 9

17.72

3.02

30.85

7.84

7.38

TPS 10

18.78

1.67

25.79

8.39

6.02

ITF 1

0

20.36

30.25

ITF 2

0

30.04

22.09

ITF 3

0

31.19

30.32

TPA 1

20.36

30.04

31.19

0

TPA 2

30.25

22.09

30.32

0

Data kapasitas ITF dan TPA serta

fixed cost

sebagai berikut.

fixed cost

ITF skenario 4

Lokasi

Fixed Cost

(Rp)

ITF 1

100

100 000

ITF 2

100

120 000

ITF 3

100

80 000

TPA 1

1.000

TPA 2

1.000

(24)

14

Lokasi

TPS yang dilayani

ITF1

TPS2

TPS4

ITF2

TPS9

TPS10

ITF3

-

TPA1

TPS1

TPS6

TPS7

TPA2

TPS3

TPS5

TPS8

ITF dengan jarak yang relatif dekat dengan TPS tersebut. Sampah dari TPS

lainnya menuju ke TPA 1 atau TPA 2. Rincian volume sampah pada uji model

skenario 4 dapat dilihat pada Tabel 17. Tabel 17 memperlihatkan bahwa sampah

yang masuk ke TPA berasal dari sampah langsung di TPS dan residu pengolahan

sampah di ITF.

Rincian

TPA 1 (ton/hari)

TPA 2 (ton/hari)

TPS 1: 9,26

TPS 6: 16,47

TPS 7: 9,28

TPS 3: 6,89

TPS 5: 17,12

TPS 8: 14,7

Sampah residu setiap ITF

ITF 1: 1,185

ITF 2: -

ITF 3: -

ITF 1: -

ITF 2: 3,013

ITF 3: -

36,195

41,723

IMPLEMENTASI MASALAH

Deskripsi dan Formulasi Masalah

(25)

15

Program

Zero Waste

, salah satunya merencanakan dibangunnya ITF sebagai

tempat pengolahan sampah Jakarta. Pengolahan sampah dalam program

Zero

Waste

menggunakan teknologi insinerasi untuk mengolah sampah anorganik dan

pengomposan untuk sampah organik (Dinsih 2014). Residu sampah yang berupa

abu ini kemudian akan dibawa ke TPA Bantar Gebang. Lokasi ITF yang

direncanakan akan berada di dalam kota sehingga dapat meminimumkan biaya

operasional.

Penerapan model penentuan lokasi ITF dilakukan di sebagian TPS di

Jakarta. Berdasarkan data BTPK (2013), lokasi TPS yang tersebar di DKI Jakarta

mencapai 2.513 lokasi. Lokasi ini termasuk TPS dari jenis

pool container

,

pool

gerobak, transito, dipo,

door to door

, LPS, dan hasil penyapuan. Lokasi TPS yang

diambil hanya sebanyak 40 TPS yakni 8 TPS dari wilayah Jakarta Barat, 8 TPS

dari wilayah Jakarta Pusat, 9 TPS dari wilayah Jakarta Selatan, 9 TPS dari

wilayah Jakarta Timur, dan 6 TPS dari wilayah Jakarta Utara. Lokasi TPA yang

digunakan pada model hanya satu lokasi yaitu TPA Bantar Gebang, Bekasi. Ada

empat tempat lokasi potensial dibangunnya ITF yaitu di wilayah Sunter dan

Marunda (Jakarta Utara), Duri Kosambi (Jakarta Barat), dan Cakung Cilincing

(Jakarta Timur) (Dinsih 2011). ITF yang dibangun diharapkan dapat mengurangi

volume sampah Jakarta dengan biaya operasional yang minimum.

Model penentuan lokasi ITF ini menggunakan data hipotetik, data

aproksimasi, dan data yang berasal dari Dinas Kebersihan DKI Jakarta. Data

hipotetik digunakan untuk data biaya tetap

(fixed cost)

perhari dari tiap ITF dan

data biaya angkut sampah yakni Rp15 000 per ton km. Data aproksimasi

dihasilkan dari fitur pembuatan peta di aplikasi

Google Maps

yang digunakan

untuk menentukan jarak antara TPS-TPA, TPS-ITF, dan ITF-TPA. Data lokasi

dan volume sampah tiap TPS serta kapasitas maksimum TPA Bantar Gebang

berasal dari data BTPK (Bidang Teknik Pengelolaan Kebersihan) Dinas

Kebersihan DKI Jakarta tahun 2013. Data kapasitas maksimum pengolahan

Gambar 2 Pola penanganan sampah di Jakarta

SUMBER

TPS

TPA BANTAR

GEBANG

SPA SUNTER

dikumpulkan

diangkut dengan Truk Sampah

oleh T

dilakukan proses pemadatan

(26)

16

sampah perhari di ITF berdasarkan rencana pada Paparan Pola Penanganan

Sampah Dinas Kebersihan DKI Jakarta 2014. Gambar 3 memperlihatkan peta

lokasi 40 TPS di Jakarta dengan menggunakan fitur pembuatan peta di aplikasi

Google Maps

. Keterangan Gambar 3 dapat dilihat pada Lampiran 1.

Gambar 3 Peta 40 TPS di Jakarta dengan

Google Maps

Total volume sampah dari 40 TPS sebanyak 1.012,79 ton/hari. Sampah dari

tiap TPS akan dikirim sebagian langsung menuju TPA Bantar Gebang dan

sebagian lainnya melalui ITF tertentu sebelum dikirim menuju TPA Bantar

Gebang. Rincian data kelengkapan 40 TPS yakni data lokasi, jenis TPS, volume

sampah, kecamatan, dan wilayahnya dapat dilihat pada Lampiran 2.

Lokasi ITF yang potensial dipilih berdasarkan Masterplan dan Kajian

Akademis Persampahan tahun 2012-2032. Rincian mengenai ITF dapat dilihat

pada Tabel 18. Data jarak antara TPS-TPA, TPS-ITF, dan ITF-TPA dapat dilihat

pada Lampiran 3.

Tabel 18 Lokasi, kapasitas, dan

fixed cost

ITF

Lokasi Potensial ITF

Fixed Cost

perhari (Rp)

Sunter

1.500

2 000 000

Marunda

2.500

3 000 000

Duri Kosambi

1.000

1 500 000

(27)

17

Berdasarkan penjelasan sebelumnya, masalah penentuan lokasi optimal ITF

di Jakarta dapat dijabarkan dalam formulasi masalah seperti yang telah diuraikan

di depan dengan indeks dan nilai parameter sebagai berikut:

Indeks:

indeks untuk menyatakan lokasi TPS dengan

,

indeks untuk menyatakan lokasi TPA Bantar Gebang dengan

,

indeks untuk menyatakan lokasi potensial ITF dengan

.

Parameter:

= banyaknya volume sampah yang ditampung di TPS

dalam satuan

ton/hari (lampiran 2),

= jarak TPS

dengan TPA

dalam satuan km (lampiran 3),

= jarak TPS

dengan ITF

= jarak ITF

dengan TPA

= batasan maksimum ITF yang dibangun yaitu sebanyak empat ITF,

= residu sampah yang dihasilkan ITF menuju TPA yaitu sebesar 10%,

= kapasitas ITF dalam satuan ton/hari (Tabel 18),

= kapasitas TPA Bantar Gebang (ton/hari) yaitu sebesar 2.000 ton/hari,

= biaya tetap pengolahan perhari ITF

apabila ITF dibangun (Tabel 18),

= biaya angkut sampah perton km diasumsikan Rp15 000,

= bilangan positif yang relatif besar. Nilai

karena sudah memenuhi

kendala 3.

Hasil dan Pembahasan

Model matematis yang diterapkan pada 40 TPS di Jakarta dengan empat

lokasi potensial ITF dan satu lokasi TPA yakni TPA Bantar Gebang di atas

diselesaikan dengan bantuan

software

LINGO 11.0. Solusi yang diperoleh

merupakan solusi optimal dengan nilai fungsi objektif sebesar Rp261 678 000.

Nilai fungsi objektif yang diperoleh merupakan biaya minimum yang diperlukan

apabila ITF dibangun di lokasi tertentu termasuk biaya angkut dan biaya tetap

pengolahan sampah di ITF tersebut. Waktu yang dibutuhkan untuk mendapatkan

solusi tersebut sekitar tiga detik. ITF dibangun di tiga lokasi yakni ITF Sunter,

ITF Duri Kosambi, dan ITF Cakung Cilincing.

Berdasarkan hasil keluaran LINGO 11.0, setiap TPS membawa seluruh

sampah melalui ITF terlebih dahulu atau langsung menuju TPA Bantar Gebang.

TPS yang melalui ITF Sunter sebanyak 19 TPS, TPS yang melalui ITF Duri

Kosambi sebanyak 11 TPS, TPS yang melalui ITF Cakung Cilincing sebanyak 4

TPS, dan TPS yang langsung membawa sampahnya ke TPA Bantar Gebang

sebanyak 6 TPS. Seluruh sampah dari setiap ITF akan dibawa kembali menuju

TPA Bantar Gebang. Klasifikasi TPS dan ITF yang terkait disajikan dalam bentuk

tabel yang dapat dilihat pada Lampiran 4. Sintaks program LINGO 11.0 untuk

menyelesaikan masalah penentuan lokasi optimal ITF dapat dilihat pada Lampiran

5.

(28)

18

juga diakibatkan oleh tingginya biaya tetap

(fixed cost)

yang akan ditanggung

apabila sampah diolah di ITF terlebih dahulu dibandingkan dengan mengangkut

sampah langsung ke TPA.

Seluruh sampah dari TPS yang langsung maupun yang terlebih dahulu

diolah di ITF tertentu akan berakhir di TPA Bantar Gebang. Sampah yang berasal

dari ITF berupa residu pengolahan sampah dari TPS. Volume sampah total yang

masuk ke TPA Bantar Gebang untuk 40 TPS di Jakarta sebanyak 291,458 ton/hari.

Volume sampah total ini didapat dari hasil penjumlahan antara sampah dari TPS

yang langsung menuju ke TPA dan residu sampah yang terlebih dahulu diolah di

ITF tertentu.

Total volume sampah yang masuk ke TPA Bantar Gebang masih memenuhi

kapasitas TPA yaitu sebesar 2.000 ton/hari sehingga sampah TPS-TPA dengan

sampah TPS-ITF-TPA masih dapat ditampung. Rincian volume sampah tersebut

disajikan dalam Tabel 19 berikut.

Tabel 19 Rincian volume sampah

Rincian

Volume Sampah (ton/hari)

Sampah langsung dari TPS

TPS 17: 12,81

TPS 27: 17,67

TPS 28: 43,58

TPS 30: 12,22

TPS 31: 112

TPS 34: 13,03

ITF 1: 45,223

ITF 2: -

ITF 3: 27,575

ITF 4: 7,35

291,458

(29)

19

Gambar 4 Peta Lokasi Pelayanan TPS oleh ITF dan TPA

SIMPULAN DAN SARAN

Simpulan

Permasalahan penentuan lokasi optimal untuk pembangunan ITF di Jakarta

dapat dimodelkan menggunakan

integer linear programming

untuk menentukan

lokasi pembangunan ITF dengan biaya operasional minimum. Biaya operasional

minimum yang dimaksud adalah biaya angkut sampah perton km dan biaya tetap

(fixed cost)

pada masing-masing ITF yang ditanggung apabila ITF tersebut

dibangun.

Berdasarkan hasil implementasi masalah pada 40 lokasi TPS yang tersebar

di Jakarta, biaya operasional akan mencapai minimum jika ITF yang dibangun

adalah ITF Sunter, ITF Duri Kosambi, dan ITF Cakung Cilincing.

Saran

(30)

20

DAFTAR PUSTAKA

[BPS] Badan Pusat Statistik. 2010. Sensus penduduk Indonesia 2010. Jakarta

(ID): BPS.

[BTPK] Bidang Teknik Pengelolaan Kebersihan. 2013.

Data TPS dan Truk

.

Jakarta (ID): Dinas Kebersihan DKI Jakarta.

[Dinsih] Dinas Kebersihan DKI Jakarta. 2011. Masterplan dan Kajian Akademis

Persampahan Provinsi DKI Jakarta tahun 2012-2032. Jakarta (ID): Dinas

Kebersihan DKI Jakarta.

[Dinsih] Dinas Kebersihan DKI Jakarta. 2014.

Paparan Pola Penanganan

Sampah

. Jakarta (ID): Dinas Kebersihan DKI Jakarta.

Eiselt HA. 2006. Locating landfills and transfer station in Alberta.

INFOR.

44(4):

285-298.

[Kemen LH] Kementerian Lingkungan Hidup. 2014.

Hari peduli sampah 2014

Indonesia bersih 2020

[internet]. [diunduh 2015 Maret 2]. Tersedia pada:

http://www.menlh.go.id/hari-peduli-sampah-2014-indonesia-bersih-2020/

[Kemensetneg] Kementerian Sekretariat Negara. 2012. Peraturan Pemerintah

Nomor 81 Tahun 2012 tentang Pengelolaan Sampah Rumah Tangga dan

Sampah Sejenis Sampah Rumah Tangga. Jakarta (ID): Kemensetneg.

[NEA] National Environment Agency Singapore. 2013.

Waste management

[internet].

[diunduh

2015

Februari

24].

Tersedia

pada:

http://www.nea.gov.sg/energy-waste/waste-management/

Rahmaputro S. 2012.

Mengolah sampah menjadi energi

[internet]. [diunduh 2015

Maret 3]. Tersedia pada:

http://www.hijauku.com/2012/09/12/mengolah-sampah-menjadi-energi/

(31)

21

(32)

22

Lampiran 2 Data Kelengkapan TPS

Lokasi TPS Jenis TPS Volume

(ton/hari) Kecamatan Wilayah

Jalan RSUD Cengkareng RW 14 dipo 19.33 Cengkareng Jakarta Barat

Jalan Jembatan III RW 5,7,10 pool kontainer 17.03 Grogol Petamburan

Pasar Hipli Semanan RW 7 bak beton 14.20 Kalideres

Jalan Kali Seketaris pool gerobak 22.25 Kebon Jeruk

Dipo Buntu RW 7 dipo 25.40 Kembangan

Jati Pulo dipo 26.55 Palmerah

Jalan Mangga Besar I transito 17.03 Taman Sari

Jalan Kali Anyar RW 9 dipo 22.70 Tambora

Jalan Cempaka Putih Raya (4,7,9) transito 18.86 Cempaka Putih Jakarta Pusat

Jalan Tanjung Selor RW 6 dipo 13.59 Gambir

Jalan Percetakan Negara II dipo 21.02 Johar Baru

Jalan Kran Raya RW 2 dipo 20.47 Kemayoran

Jalan Srikaya pool gerobak 22.84 Menteng

Jalan Pintu Air II dipo 27.68 Sawah Besar

Jalan Pam Baru Raya RW 4 TPS 22.50 Tanah Abang

Pasar Gaplok bak beton 11.52 Senen

Jalan Cilandak Raya pool gerobak 12.81 Cilandak Jakarta Selatan

Jalan Baru RW 8 pool gerobak 23.50 Jagakarsa

Jalan Pela Raya dipo 25.72 Kebayoran Baru

Pondok Pinang dipo 35.12 Kebayoran Lama

Jalan Bangka X dipo 22.93 Mampang Prapatan

Jalan Rawajati Barat dipo 25.59 Pancoran

Jalan Raya Pasar Minggu (inspeksi) dipo 46.00 Pasar Minggu

Jalan Menteng Pulo pool gerobak 25.00 Setiabudi

Jalan Tebet Barat Raya dipo 23.97 Tebet

Penggilingan (pusat industri kecil) dipo 28.00 Cakung Jakarta Timur

Jalan Santo Markus door to door 17.67 Cipayung

Kelapa Dua Wetan dipo 43.58 Ciracas

Jalan I Gusti Ngurah Rai pool container 18.00 Duren Sawit

Jalan Barkah bak beton 12.22 Jatinegara

Pasar Induk Kramat Jati pool container 112.00 Kramat Jati

Makasar RW 2 dipo 8.30 Makasar

Jalan Galur Sari Raya dipo 17.78 Matraman

Jalan Pendidikan dipo (tps

mobile)

13.03 Pasar Rebo

Jalan Tipar Cakung RW 2 transito 9.50 Cilincing Jakarta Utara

Kompi Udin LPS 18.00 Kelapa Gading

North Tugu (DIPO UKA) dipo 24.00 Koja

Jalan Budi Mulia RT 15/11 dipo 55.23 Pademangan

Jalan Moa RW 12 dipo 48.00 Penjaringan

Jalan Bugis pool gerobak 23.87 Tanjung Priok

Total volume sampah 1012.79

a

(33)

23

Lampiran 3 Data Kelengkapan TPS

Lokasi TPS

Sunter Marunda Duri

Kosambi

Cakung Cilincing

TPA Bantar Gebang

Jalan RSUD Cengkareng RW 14 30.50 35.20 7.20 35.30 52.00

Jalan Jembatan III RW 5,7,10 18.20 23.00 13.10 23.70 45.70

Pasar Hipli Semanan RW 7 31.30 36.80 4.37 37.60 48.80

Jalan Kali Seketaris 26.00 32.50 8.25 36.10 40.00

Dipo Buntu RW 7 39.40 44.40 12.00 40.90 37.20

Jati Pulo 12.50 25.30 18.50 16.80 36.70

Jalan Mangga Besar I 9.96 19.60 14.30 17.80 41.00

Jalan Kali Anyar RW 9 24.50 29.30 11.60 36.20 40.00

Jalan Cempaka Putih Raya (4,7,9)

4.63 16.60 30.20 10.00 31.40

Jalan Tanjung Selor RW 6 12.80 32.10 11.50 35.50 39.20

Jalan Percetakan Negara II 8.49 20.90 26.30 11.80 31.30

Jalan Kran Raya RW 2 8.70 19.10 23.70 14.50 37.60

Jalan Srikaya 8.58 21.00 16.00 14.40 36.70

Jalan Pintu Air II 10.20 20.90 14.30 15.00 37.20

Jalan Pam Baru Raya RW 4 23.80 41.60 17.80 30.80 34.50

Pasar Gaplok 11.30 23.20 29.00 23.00 27.00

Jalan Cilandak Raya 30.30 43.70 26.50 33.30 27.30

Jalan Baru RW 8 24.60 35.80 15.40 31.20 35.80

Jalan Pela Raya 21.80 41.40 16.20 29.00 34.30

Pondok Pinang 31.50 46.80 19.00 35.60 31.00

Jalan Bangka X 19.40 38.10 23.20 26.80 30.00

Jalan Rawajati Barat 16.50 36.40 25.60 24.00 28.40

Jalan Raya Pasar Minggu (inspeksi)

17.80 42.60 24.90 31.70 26.80

Jalan Menteng Pulo 13.50 25.90 23.50 18.00 30.20

Jalan Tebet Barat Raya 15.00 34.40 24.10 22.40 25.80

Penggilingan (pusat industri kecil)

12.30 17.90 37.00 5.06 24.40

Jalan Santo Markus 20.10 29.90 35.30 18.80 15.60

Kelapa Dua Wetan 30.00 36.20 33.00 25.20 19.40

Jalan I Gusti Ngurah Rai 13.70 22.90 34.50 11.00 23.00

Jalan Barkah 32.40 47.40 28.60 36.40 32.10

Pasar Induk Kramat Jati 18.80 36.80 29.70 26.00 21.70

Makasar RW 2 17.50 36.20 32.20 24.40 24.70

Jalan Galur Sari Raya 7.91 20.70 33.70 12.90 28.40

Jalan Pendidikan 26.00 41.60 31.90 29.30 25.00

Jalan Tipar Cakung RW 2 6.19 8.28 29.00 5.82 28.00

Kompi Udin 7.74 17.80 32.20 5.33 25.00

North Tugu (DIPO UKA) 4.16 7.96 26.80 10.40 32.10

Jalan Budi Mulia RT 15/11 14.40 15.90 18.50 19.70 42.40

Jalan Moa RW 12 23.00 26.80 10.00 25.40 43.20

Jalan Bugis 4.17 9.95 25.30 12.00 38.10

TPA Bantar Gebang, Bekasi 34.30 34.40 47.70 23.80 0.00

a

(34)

24

Lampiran 4 Klasifikasi TPS dan ITF yang terkait

Lokasi ITF

TPS

Sunter

6

Jati Pulo

7

Jalan Mangga Besar I

9

Jalan Cempaka Putih Raya (4,7,9)

10

Jalan Tanjung Selor RW 6

11

Jalan Percetakan Negara II

12

Jalan Kran Raya RW 2

13

Jalan Srikaya

14

Jalan Pintu Air II

16

Pasar Gaplok

21

Jalan Bangka X

22

Jalan Rawajati Barat

23

Jalan Raya Pasar Minggu (inspeksi)

24

Jalan Menteng Pulo

25

Jalan Tebet Barat Raya

32

Makasar RW 2

33

Jalan Galur Sari Raya

37

North Tugu (DIPO UKA)

38

Jalan Budi Mulia RT 15/11

40

Jalan Bugis

Marunda

-

Duri Kosambi

1

Jalan RSUD Cengkareng RW 14

2

Jalan Jembatan III RW 5,7,10

3

Pasar Hipli Semanan RW 7

4

Jalan Kali Seketaris

5

Dipo Buntu RW 7

8

Jalan Kali Anyar RW 9

15

Jalan Pam Baru Raya RW 4

18

Jalan Baru RW 8

19

Jalan Pela Raya

20

Pondok Pinang

39

Jalan Moa RW 12

Cakung Cilincing

26

Penggilingan (pusat industri kecil)

29

Jalan I Gusti Ngurah Rai

35

Jalan Tipar Cakung RW 2

36

Kompi Udin

TPA Bantar Gebang

17

Jalan Cilandak Raya

27

Jalan Santo Markus

28

Kelapa Dua Wetan

30

Jalan Barkah

(35)

25

Lampiran 5 Sintaks program LINGO 11.0 untuk menyelesaikan model dengan

data 40 TPS dan data ITF.

!sampel 40 tps dari kecamatan di Jakarta;

sets:

tps/1..40/:w; tpa/1/:V;

itf/1..4/:z,g,P; links1(tps,tpa):d,x,L; links2(tps,itf,tpa):a,R; links3(tps,itf):e; links4(itf,tpa):f,TR;

endsets

data:

!volume sampah tiap tps;

w=@OLE('C:\Users\ASUS\Documents\PUPU\skripsweet\sampel 40 tps.xlsx');

!jarak tps-tpa;

d=@OLE('C:\Users\ASUS\Documents\PUPU\skripsweet\sampel 40 tps.xlsx');

!jarak tps-itf;

e=@OLE('C:\Users\ASUS\Documents\PUPU\skripsweet\sampel 40 tps.xlsx');

!jarak itf-tpa;

f=@OLE('C:\Users\ASUS\Documents\PUPU\skripsweet\sampel 40 tps.xlsx');

!kapasitas itf perhari; g=1500 2500 1000 1500;

!Fixed Cost ITF perhari;

P= 2000000 3000000 1500000 2500000;

enddata

!fungsi objektif meminimumkan biaya angkut sampah perton km dan biaya tetap itf (fixed cost);

min= 15000*(@sum(tps(i):@sum(tpa(j):w(i)*d(i,j)*x(i,j)))+

@sum(tps(i):@sum(itf(k):@sum(tpa(j):w(i)*(e(i,k)+0.1*f(k,j))*a(i,k,j)))))

+ @sum(itf(k):P(k)*z(k););

!kendala;

!kendala banyaknya itf yang dibangun;

@sum(itf(i):z(i))<=4;

!setiap sampah di tps yang dibawa dari lokasi harus dikirim ke tpa secara langsung atau melalui itf dulu;

@for(tps(i):@sum(tpa(j):(x(i,j)+@sum(itf(k):a(i,k,j))))=1);

!alokasi sampah dimungkinkan jika itf dibangun dilokasi tsb;

@for(tps(i):@for(itf(k):@sum(tpa(j):a(i,k,j))<=z(k)));

!kendala volume sampah yang masuk itf terbatas;

@for(itf(k):@sum(tps(i):@sum(tpa(j):w(i)*a(i,k,j)))<=g(k));

!kendala volume sampah yang dikirimkan ke tpa terbatas;

@for(tpa(j):@sum(tps(i):w(i)*x(i,j))+@sum(tps(i):@sum(itf(k):0.1*w(i)*

a(i,k,j)))<=2000);

!kenonnegatifan;

@for(tps(i):@for(tpa(j):d(i,j)>=0));

@for(tps(i):@for(itf(k):e(i,k)>=0));

(36)

26

@for(tps(i):w(i)>=0);

@for(itf(k):g(k)>=0);

@for(tps(i):@for(tpa(j):L(i,j)>=0));

@for(tpa(j):@for(tps(i):@for(itf(k):R(i,k,j)>=0)));

@for(tpa(j):V(j)>=0);

@for(itf(k):P(k)>=0);

@for(itf(k):@for(tpa(j):TR(k,j)>=0));

!kendala biner;

@for(itf(i):@bin(z(i)));

@for(tps(i):@for(tpa(j):@bin(x(i,j))));

@for(tps(i):@for(itf(k):@for(tpa(j):@bin(a(i,k,j)))));

!sampah Langsung TPS-TPA;

@for(tps(i):@for(tpa(j):L(i,j)=w(i)*x(i,j)));

!sampah Residu ITF;

@for(tpa(j):@for(tps(i):@for(itf(k):R(i,k,j)=0.1*w(i)*a(i,k,j))));

!sampah residu setiap ITF;

@for(tpa(j):@for(itf(k):TR(k,j)=@sum(tps(i):R(i,k,j))));

!total sampah masuk TPA;

[image:36.595.43.432.52.803.2]

@for(tpa(j):V(j)=@sum(tps(i):L(i,j))+@sum(itf(k):TR(k,j)));

Gambar Status solusi model

Hasil keluaran Lingo 11.0

Global optimal solution found.

(37)

27

Variable Value Reduced Cost W( 1) 19.33000 0.000000 W( 2) 17.03000 0.000000 W( 3) 14.20000 0.000000 W( 4) 22.25000 0.000000 W( 5) 25.40000 0.000000 W( 6) 26.55000 0.000000 W( 7) 17.03000 0.000000 W( 8) 22.70000 0.000000 W( 9) 18.86000 0.000000 W( 10) 13.59000 0.000000 W( 11) 21.02000 0.000000 W( 12) 20.47000 0.000000 W( 13) 22.84000 0.000000 W( 14) 27.68000 0.000000 W( 15) 22.50000 0.000000 W( 16) 11.52000 0.000000 W( 17) 12.81000 0.000000 W( 18) 23.50000 0.000000 W( 19) 25.72000 0.000000 W( 20) 35.12000 0.000000 W( 21) 22.93000 0.000000 W( 22) 25.59000 0.000000 W( 23) 46.00000 0.000000 W( 24) 25.00000 0.000000 W( 25) 23.97000 0.000000 W( 26) 28.00000 0.000000 W( 27) 17.67000 0.000000 W( 28) 43.58000 0.000000 W( 29) 18.00000 0.000000 W( 30) 12.22000 0.000000 W( 31) 112.0000 0.000000 W( 32) 8.300000 0.000000 W( 33) 17.78000 0.000000 W( 34) 13.03000 0.000000 W( 35) 9.500000 0.000000 W( 36) 18.00000 0.000000 W( 37) 24.00000 0.000000 W( 38) 55.23000 0.000000 W( 39) 48.00000 0.000000 W( 40) 23.87000 0.000000 V( 1) 291.4580 0.000000 Z( 1) 1.000000 2000000. Z( 2) 0.000000 3000000. Z( 3) 1.000000 1500000. Z( 4) 1.000000 2500000. G( 1) 1500.000 0.000000 G( 2) 2500.000 0.000000 G( 3) 1000.000 0.000000 G( 4) 1500.000 0.000000 P( 1) 2000000. 0.000000 P( 2) 3000000. 0.000000 P( 3) 1500000. 0.000000 P( 4) 2500000. 0.000000 D( 1, 1) 52.00000 0.000000 D( 2, 1) 45.70000 0.000000 D( 3, 1) 48.80000 0.000000 D( 4, 1) 40.00000 0.000000 D( 5, 1) 37.20000 0.000000 D( 6, 1) 36.70000 0.000000 D( 7, 1) 41.00000 0.000000 D( 8, 1) 40.00000 0.000000 D( 9, 1) 31.40000 0.000000 D( 10, 1) 39.20000 0.000000 D( 11, 1) 31.30000 0.000000

(38)

28

X( 37, 1) 0.000000 0.1155600E+08 X( 38, 1) 0.000000 0.3512628E+08 X( 39, 1) 0.000000 0.3110400E+08 X( 40, 1) 0.000000 0.1364171E+08 L( 1, 1) 0.000000 0.000000 L( 2, 1) 0.000000 0.000000 L( 3, 1) 0.000000 0.000000 L( 4, 1) 0.000000 0.000000 L( 5, 1) 0.000000 0.000000 L( 6, 1) 0.000000 0.000000 L( 7, 1) 0.000000 0.000000 L( 8, 1) 0.000000 0.000000 L( 9, 1) 0.000000 0.000000 L( 10, 1) 0.000000 0.000000 L( 11, 1) 0.000000 0.000000 L( 12, 1) 0.000000 0.000000 L( 13, 1) 0.000000 0.000000 L( 14, 1) 0.000000 0.000000 L( 15, 1) 0.000000 0.000000 L( 16, 1) 0.000000 0.000000 L( 17, 1) 12.81000 0.000000 L( 18, 1) 0.000000 0.000000 L( 19, 1) 0.000000 0.000000 L( 20, 1) 0.000000 0.000000 L( 21, 1) 0.000000 0.000000 L( 22, 1) 0.000000 0.000000 L( 23, 1) 0.000000 0.000000 L( 24, 1) 0.000000 0.000000 L( 25, 1) 0.000000 0.000000 L( 26, 1) 0.000000 0.000000 L( 27, 1) 17.67000 0.000000 L( 28, 1) 43.58000 0.000000 L( 29, 1) 0.000000 0.000000 L( 30, 1) 12.22000 0.000000 L( 31, 1) 112.0000 0.000000 L( 32, 1) 0.000000 0.000000 L( 33, 1) 0.000000 0.000000 L( 34, 1) 13.03000 0.000000 L( 35, 1) 0.000000 0.000000 L( 36, 1) 0.000000 0.000000 L( 37, 1) 0.000000 0.000000 L( 38, 1) 0.000000 0.000000 L( 39, 1) 0.000000 0.000000 L( 40, 1) 0.000000 0.000000 A( 1, 1, 1) 0.000000 9838004. A( 1, 2, 1) 0.000000 0.1120367E+08 A( 1, 3, 1) 1.000000 3470702. A( 1, 4, 1) 0.000000 0.1092532E+08 A( 2, 1, 1) 0.000000 5525384. A( 2, 2, 1) 0.000000 6754098. A( 2, 3, 1) 1.000000 4564892. A( 2, 4, 1) 0.000000 6662136. A( 3, 1, 1) 0.000000 7397490. A( 3, 2, 1) 0.000000 8571120. A( 3, 3, 1) 1.000000 1946820. A( 3, 4, 1) 0.000000 8515740. A( 4, 1, 1) 0.000000 9822262. A( 4, 2, 1) 0.000000 0.1199498E+08 A( 4, 3, 1) 1.000000 4345425. A( 4, 4, 1) 0.000000 0.1284270E+08 A( 5, 1, 1) 0.000000 0.1631823E+08 A( 5, 2, 1) 0.000000 0.1822704E+08 A( 5, 3, 1) 1.000000 6389370. A( 5, 4, 1) 0.000000 0.1648968E+08 A( 6, 1, 1) 1.000000 6344122.

(39)

29

A( 22, 3, 1) 0.000000 0.1165752E+08 A( 22, 4, 1) 0.000000 0.1012596E+08 A( 23, 1, 1) 1.000000 0.1464870E+08 A( 23, 2, 1) 0.000000 0.3176760E+08 A( 23, 3, 1) 0.000000 0.2047230E+08 A( 23, 4, 1) 0.000000 0.2351520E+08 A( 24, 1, 1) 1.000000 6348750. A( 24, 2, 1) 0.000000 0.1100250E+08 A( 24, 3, 1) 0.000000 0.1060125E+08 A( 24, 4, 1) 0.000000 7642500. A( 25, 1, 1) 1.000000 6626506. A( 25, 2, 1) 0.000000 0.1360537E+08 A( 25, 3, 1) 0.000000 0.1038021E+08 A( 25, 4, 1) 0.000000 8909649. A( 26, 1, 1) 0.000000 6606600. A( 26, 2, 1) 0.000000 8962800. A( 26, 3, 1) 0.000000 0.1754340E+08 A( 26, 4, 1) 1.000000 3124800. A( 27, 1, 1) 0.000000 6236627. A( 27, 2, 1) 0.000000 8836767. A( 27, 3, 1) 0.000000 0.1062055E+08 A( 27, 4, 1) 0.000000 5613759. A( 28, 1, 1) 0.000000 0.2185319E+08 A( 28, 2, 1) 0.000000 0.2591267E+08 A( 28, 3, 1) 0.000000 0.2469025E+08 A( 28, 4, 1) 0.000000 0.1802905E+08 A( 29, 1, 1) 0.000000 4625100. A( 29, 2, 1) 0.000000 7111800. A( 29, 3, 1) 0.000000 0.1060290E+08 A( 29, 4, 1) 1.000000 3612600. A( 30, 1, 1) 0.000000 6567639. A( 30, 2, 1) 0.000000 9318972. A( 30, 3, 1) 0.000000 6116721. A( 30, 4, 1) 0.000000 7108374. A( 31, 1, 1) 0.000000 0.3734640E+08 A( 31, 2, 1) 0.000000 0.6760320E+08 A( 31, 3, 1) 0.000000 0.5790960E+08 A( 31, 4, 1) 0.000000 0.4767840E+08 A( 32, 1, 1) 1.000000 2605785. A( 32, 2, 1) 0.000000 4935180. A( 32, 3, 1) 0.000000 4602765. A( 32, 4, 1) 0.000000 3334110. A( 33, 1, 1) 1.000000 3024378. A( 33, 2, 1) 0.000000 6438138. A( 33, 3, 1) 0.000000 0.1025995E+08 A( 33, 4, 1) 0.000000 4075176. A( 34, 1, 1) 0.000000 5752094. A( 34, 2, 1) 0.000000 8803068. A( 34, 3, 1) 0.000000 7167152. A( 34, 4, 1) 0.000000 6191856. A( 35, 1, 1) 0.000000 1370850. A( 35, 2, 1) 0.000000 1670100. A( 35, 3, 1) 0.000000 4812225. A( 35, 4, 1) 1.000000 1168500. A( 36, 1, 1) 0.000000 3015900. A( 36, 2, 1) 0.000000 5734800. A( 36, 3, 1) 0.000000 9981900. A( 36, 4, 1) 1.000000 2081700. A( 37, 1, 1) 1.000000 2732400. A( 37, 2, 1) 0.000000 4104000. A( 37, 3, 1) 0.000000 0.1136520E+08 A( 37, 4, 1) 0.000000 4600800. A( 38, 1, 1) 1.000000 0.1477126E+08 A( 38, 2, 1) 0.000000 0.1602222E+08 A( 38, 3, 1) 0.000000 0.1927803E+08

(40)

30

R( 15, 1, 1) 0.000000 0.000000 R( 15, 2, 1) 0.000000 0.000000 R( 15, 3, 1) 2.250000 0.000000 R( 15, 4, 1) 0.000000 0.000000 R( 16, 1, 1) 1.152000 0.000000 R( 16, 2, 1) 0.000000 0.000000 R( 16, 3, 1) 0.000000 0.000000 R( 16, 4, 1) 0.000000 0.000000 R( 17, 1, 1) 0.000000 0.000000 R( 17, 2, 1) 0.000000 0.000000 R( 17, 3, 1) 0.000000 0.000000 R( 17, 4, 1) 0.000000 0.000000 R( 18, 1, 1) 0.000000 0.000000 R( 18, 2, 1) 0.000000 0.000000 R( 18, 3, 1) 2.350000 0.000000 R( 18, 4, 1) 0.000000 0.000000 R( 19, 1, 1) 0.000000 0.000000 R( 19, 2, 1) 0.000000 0.000000 R( 19, 3, 1) 2.572000 0.000000 R( 19, 4, 1) 0.000000 0.000000 R( 20, 1, 1) 0.000000 0.000000 R( 20, 2, 1) 0.000000 0.000000 R( 20, 3, 1) 3.512000 0.000000 R( 20, 4, 1) 0.000000 0.000000 R( 21, 1, 1) 2.293000 0.000000 R( 21, 2, 1) 0.000000 0.000000 R( 21, 3, 1) 0.000000 0.000000 R( 21, 4, 1) 0.000000 0.000000 R( 22, 1, 1) 2.559000 0.000000 R( 22, 2, 1) 0.000000 0.000000 R( 22, 3, 1) 0.000000 0.000000 R( 22, 4, 1) 0.000000 0.000000 R( 23, 1, 1) 4.600000 0.000000 R( 23, 2, 1) 0.000000 0.000000 R( 23, 3, 1) 0.000000 0.000000 R( 23, 4, 1) 0.000000 0.000000 R( 24, 1, 1) 2.500000 0.000000 R( 24, 2, 1) 0.000000 0.000000 R( 24, 3, 1) 0.000000 0.000000 R( 24, 4, 1) 0.000000 0.000000 R( 25, 1, 1) 2.397000 0.000000 R( 25, 2, 1) 0.000000 0.000000 R( 25, 3, 1) 0.000000 0.000000 R( 25, 4, 1) 0.000000 0.000000 R( 26, 1, 1) 0.000000 0.000000 R( 26, 2, 1) 0.000000 0.000000 R( 26, 3, 1) 0.000000 0.000000 R( 26, 4, 1) 2.800000 0.000000 R( 27, 1, 1) 0.000000 0.000000 R( 27, 2, 1) 0.000000 0.000000 R( 27, 3, 1) 0.000000 0.000000 R( 27, 4, 1) 0.000000 0.000000 R( 28, 1, 1) 0.000000 0.000000 R( 28, 2, 1) 0.000000 0.000000 R( 28, 3, 1) 0.000000 0.000000 R( 28, 4, 1) 0.000000 0.000000 R( 29, 1, 1) 0.000000 0.000000 R( 29, 2, 1) 0.000000 0.000000 R( 29, 3, 1) 0.000000 0.000000 R( 29, 4, 1) 1.800000 0.000000 R( 30, 1, 1) 0.000000 0.000000 R( 30, 2, 1) 0.000000 0.000000 R( 30, 3, 1) 0.000000 0.000000 R( 30, 4, 1) 0.000000 0.000000 R( 31, 1, 1) 0.000000 0.000000

(41)

31

E( 7, 3) 14.30000 0.000000 E( 7, 4) 17.80000 0.000000 E( 8, 1) 24.50000 0.000000 E( 8, 2) 29.30000 0.000000 E( 8, 3) 11.60000 0.000000 E( 8, 4) 36.20000 0.000000 E( 9, 1) 4.630000 0.000000 E( 9, 2) 16.60000 0.000000 E( 9, 3) 30.20000 0.000000 E( 9, 4) 10.00000 0.000000 E( 10, 1) 12.80000 0.000000 E( 10, 2) 32.10000 0.000000 E( 10, 3) 11.50000 0.000000 E( 10, 4) 35.50000 0.000000 E( 11, 1) 8.490000 0.000000 E( 11, 2) 20.90000 0.000000 E( 11, 3) 26.30000 0.000000 E( 11, 4) 11.80000 0.000000 E( 12, 1) 8.700000 0.000000 E( 12, 2) 19.10000 0.000000 E( 12, 3) 23.70000 0.000000 E( 12, 4) 14.50000 0.000000 E( 13, 1) 8.580000 0.000000 E( 13, 2) 21.00000 0.000000 E( 13, 3) 16.00000 0.000000 E( 13, 4) 14.40000 0.000000 E( 14, 1) 10.20000 0.000000 E( 14, 2) 20.90000 0.000000 E( 14, 3) 14.30000 0.000000 E( 14, 4) 15.00000 0.000000 E( 15, 1) 23.80000 0.000000 E( 15, 2) 41.60000 0.000000 E( 15, 3) 17.80000 0.000000 E( 15, 4) 30.80000 0.000000 E( 16, 1) 11.30000 0.000000 E( 16, 2) 23.20000 0.000000 E( 16, 3) 29.00000 0.000000 E( 16, 4) 23.00000 0.000000 E( 17, 1) 30.30000 0.000000 E( 17, 2) 43.70000 0.000000 E( 17, 3) 26.50000 0.000000 E( 17, 4) 33.30000 0.000000 E( 18, 1) 24.60000 0.000000 E( 18, 2) 35.80000 0.000000 E( 18, 3) 15.40000 0.000000 E( 18, 4) 31.20000 0.000000 E( 19, 1) 21.80000 0.000000 E( 19, 2) 41.40000 0.000000 E( 19, 3) 16.20000 0.000000 E( 19, 4) 29.00000 0.000000 E( 20, 1) 31.50000 0.000000 E( 20, 2) 46.80000 0.000000 E( 20, 3) 19.00000 0.000000 E( 20, 4) 35.60000 0.000000 E( 21, 1) 19.40000 0.000000 E( 21, 2) 38.10000 0.000000 E( 21, 3) 23.20000 0.000000 E( 21, 4) 26.80000 0.000000 E( 22, 1) 16.50000 0.000000 E( 22, 2) 36.40000 0.000000 E( 22, 3) 25.60000 0.000000 E( 22, 4) 24.00000 0.000000 E( 23, 1) 17.80000 0.000000 E( 23, 2) 42.60000 0.000000 E( 23, 3) 24.90000 0.000000

(42)

32

E( 40, 1) 4.170000 0.000000 E( 40, 2) 9.950000 0.000000 E( 40, 3) 25.30000 0.000000 E( 40, 4) 12.00000 0.000000 F( 1, 1) 34.30000 0.000000 F( 2, 1) 34.40000 0.000000 F( 3, 1) 47.70000 0.000000 F( 4, 1) 23.80000 0.000000 TR( 1, 1) 45.22300 0.000000 TR( 2, 1) 0.000000 0.000000 TR( 3, 1) 27.57500 0.000000 TR( 4, 1) 7.350000 0.000000

Row Slack or Surplus Dual Price 1 0.2616780E+09 -1.000000 2 1.000000 0.000000 3 0.000000 0.000000 4 0.000000 0.000000 5 0.000000 0.000000 6 0.000000 0.000000 7 0.000000 0.000000 8 0.000000 0.000000 9 0.000000 0.000000 10 0.000000 0.000000 11 0.000000 0.000000 12 0.000000 0.000000 13 0.000000 0.000000 14 0.000000 0.000000 15 0.000000 0.000000 16 0.000000 0.000000 17 0.000000 0.000000 18 0.000000 0.000000 19 0.000000 0.000000 20 0.000000 0.000000 21 0.000000 0.000000 22 0.000000 0.000000 23 0.000000 0.000000 24 0.000000 0.000000 25 0.000000 0.000000 26 0.000000 0.000000 27 0.000000 0.000000 28 0.000000 0.000000 29 0.000000 0.000000 30 0.000000 0.000000 31 0.000000 0.000000 32 0.000000 0.000000 33 0.000000 0.000000 34 0.000000 0.000000 35 0.000000 0.000000 36 0.000000 0.000000 37 0.000000 0.000000 38 0.000000 0.000000 39 0.000000 0.000000 40 0.000000 0.000000 41 0.000000 0.000000 42 0.000000 0.000000 43 1.000000 0.000000 44 0.000000 0.000000 45 0.000000 0.000000 46 1.000000 0.000000 47 1.000000 0.000000 48 0.000000 0.000000 49 0.000000 0.000000 50 1.000000 0.000000 51 1.000000 0.000000

(43)

33

117 0.000000 0.000000 118 1.000000 0.000000 119 1.000000 0.000000 120 0.000000 0.000000 121 0.000000 0.000000 122 1.000000 0.000000 123 0.000000 0.000000 124 0.000000 0.000000 125 1.000000 0.000000 126 1.000000 0.000000 127 0.000000 0.000000 128 0.000000 0.000000 129 1.000000 0.000000 130 1.000000 0.000000 131 0.000000