LOKASI OPTIMAL
INTERMEDIATE TREATMENT FACILITIES
DAN IMPLEMENTASINYA DI DKI JAKARTA
ZAKIYATUN NUFUS
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
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
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
Intermediate Treatment Facilities
(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.
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
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
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
Intermediate Treatment Facilities
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
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
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
Data jarak antarlokasi skenario 2
9
7
Data kapasitas ITF dan TPA serta
fixed cost
ITF skenario 2
9
8
Hasil komputasi skenario 2
10
9
Rincian volume sampah skenario 2
10
10
Data jarak antarlokasi skenario 3
11
11
Data kapasitas ITF dan TPA serta
fixed cost
ITF skenario 3
11
12
Hasil komputasi skenario 3
12
13
Rincian volume sampah skenario 3
12
14
Data jarak antarlokasi skenario 4
13
15
Data kapasitas ITF dan TPA serta
fixed cost
ITF skenario 4
13
16
Hasil komputasi skenario 4
14
17
Rincian volume sampah skenario 4
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
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
Intermediate Treatment Facilities
(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:
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
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
.
Fixed Charge Problem
Menurut Winston (2004),
Fixed Charge Problem
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
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
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),
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,
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
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
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
9
Tabel 6 Data jarak antarlokasi skenario 2
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 7
sebagai berikut.
Tabel 7 Data kapasitas ITF dan TPA serta
fixed cost
ITF skenario 2
Lokasi
Kapasitas (ton/hari)
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
10
Tabel 8 Hasil komputasi skenario 2
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
-
-
Sampah residu setiap ITF
ITF1: 1,874
ITF2: -
ITF3: -
ITF1: -
ITF2: 1,489
ITF3: 8,207
Total sampah masuk TPA
1,874
9,696
Skenario 3
11
Tabel 10 Data jarak antarlokasi skenario 3
Lokasi
Jarak antarlokasi (km)
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
ITF diberikan pada Tabel 11
sebagai berikut.
Tabel 11 Data kapasitas ITF dan TPA serta
fixed cost
ITF skenario 3
Lokasi
Kapasitas (ton/hari)
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
12
Tabel 12 Hasil komputasi skenario 3
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
Hasil komputasi menunjukkan bahwa sebagian sampah dari TPS menuju
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.
Tabel 13 Rincian volume sampah skenario 3
Rincian
TPA 1 (ton/hari)
TPA 2 (ton/hari)
Sampah langsung dari TPS
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: -
Total sampah masuk TPA
36,195
55,124
Skenario 4
13
Tabel 14 Data jarak antarlokasi skenario 4
Lokasi
Jarak antarlokasi (km)
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
ITF diberikan pada Tabel 15
sebagai berikut.
Tabel 15 Data kapasitas ITF dan TPA serta
fixed cost
ITF skenario 4
Lokasi
Kapasitas (ton/hari)
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
14
Tabel 16 Hasil komputasi skenario 4
Lokasi
TPS yang dilayani
ITF1
TPS2
TPS4
ITF2
TPS9
TPS10
ITF3
-
TPA1
TPS1
TPS6
TPS7
TPA2
TPS3
TPS5
TPS8
Hasil komputasi menunjukkan bahwa sebagian sampah dari TPS menuju
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.
Tabel 17 Rincian volume sampah skenario 4
Rincian
TPA 1 (ton/hari)
TPA 2 (ton/hari)
Sampah langsung dari TPS
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: -
Total sampah masuk TPA
36,195
41,723
IMPLEMENTASI MASALAH
Deskripsi dan Formulasi Masalah
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
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
Kapasitas (ton/hari)
Fixed Cost
perhari (Rp)
Sunter
1.500
2 000 000
Marunda
2.500
3 000 000
Duri Kosambi
1.000
1 500 000
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
dalam satuan km (lampiran 3),
= jarak ITF
dengan TPA
dalam satuan km (lampiran 3),
= 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.
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
Sampah residu setiap ITF
ITF 1: 45,223
ITF 2: -
ITF 3: 27,575
ITF 4: 7,35
Total sampah masuk TPA
291,458
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
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/
21
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
23
Lampiran 3 Data Kelengkapan TPS
Lokasi TPS
Jarak antarlokasi (km)
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
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
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));
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.
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
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.
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
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
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
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
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