i
ANALISIS SENSITIVITAS PADA OPTIMALISASI
ASSIGNMENT
PROBLEM
DENGAN METODE HUNGARIAN
SKRIPSI
NIXON FRITCH M SIBURIAN
050803022
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
ANALISIS SENSITIVITAS PADA OPTIMALISASIASSIGNMENT PROBLEM
DENGAN METODE HUNGARIAN
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains
NIXON FRITCH M SIBURIAN 050803022
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
iii
PERSETUJUAN
Judul : ANALISIS SENSITIVITAS PADA OPTIMALISASI
ASSIGNMENT PROBLEM DENGAN METODE
HUNGARIAN
Kategori : SKRIPSI
Nama : NIXON FRITCH M SIBURIAN
Nomor Induk Mahasiswa : 050803022
Program Studi : SARJANA (S1) MATEMATIKA
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan, April 2010
Komisi Pembimbing :
Pembimbing II Pembimbing I
Dra. Elly Rosmaini, M.Si Drs. Faigiziduhu Bu’ulolo, M.Si NIP. 19600520 198503 2 002 NIP. 19531218 198003 1 003
Diketahui/Disetujui oleh
Departemen Matematika FMIPA USU Ketua,
PERNYATAAN
ANALISIS SENSITIVITAS PADA OPTIMALISASIASSIGNMENT PROBLEM
DENGAN METODE HUNGARIAN
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, April 2010
v
PENGHARGAAN
Segala puji dan syukur penulis panjatkan ke hadirat Tuhan Yang Maha Esa atas kasih
serta segala berkat dan anugrah-Nya yang senantiasa dilimpahkanNya hingga skripsi
ini dapat terselesaikan dengan baik.
Demikian, penulis juga menyadari keterlibatan berbagai pihak yang telah
membantu demi terselesaikannya skripsi ini. Oleh karena itu terima kasih penulis
ucapkan kepada:
1. Ibu Dra. Elly Rosmaini, M.Si, dan Bapak Drs. Faigiziduhu Bu’ulolo, M.Si
selaku dosen pembimbing I dan II yang telah memberikan bimbingan dalam
penulisan skripsi ini.
2. Bapak Prof. Dr. Herman Mawengkang dan Drs. H. Haludin Panjaitan selaku
komisi penguji atas segala masukan yang telah diberikan.
3. Bapak Dr. Saib Suwilo, M.Sc selaku Ketua Departemen Matematika FMIPA
USU
4. Bapak Prof. Dr. Eddy Marlyanto, M.Sc selaku Dekan FMIPA USU
5. Ayahanda, OT. Siburian, dan Ibunda, R. Lumban Gaol, yang saya kasihi atas
doa dan segala dukungan moril dan materiil yang telah diberikan.
6. Saudara-saudara saya, Marina Lucia M. Siburian, Felix Julius F. Siburian,
Richson Christ J. Siburian, K’ Ita, K’ Tina, atas doa dan dukungannya.
7. Trisnawati Sitompul, atas bantuan, semangat, dan doa dalam mengerjakan
skripsi ini.
8. Teman-teman Matematika st’05 yang peduli atas bantuan dan perhatiannya.
9. Teman-teman cyber saya, M. Reza Hermansyah, Yudi AXL Aritonang, Putri
Tika CS, Monang Matondang, M. Reza Fahlevi, dan teman-teman sma yang
lain atas bantuan password jurnalnya.
Penulis juga menyadari masih banyak kekurangan dalam skripsi ini, baik dalam
teori maupun penulisannya, karena itu penulis mengharapkan saran dari pembaca
Akhir kata, kiranya skripsi ini dapat bermanfaat bagi pihak pembaca.
Hormat saya,
vii
ABSTRAK
ABSTRACT
viii
Bab 1 Pendahuluan 1
1.1 Latar Belakang 1
Bab 2 Landasan Teori 7
2.1 Matriks 7
2.1.1 Pengertian Matriks 7
2.1.2 Penjumlahan Matriks 7
2.1.3 Perkalian Matriks 8
2.1.4 Perkalian Matriks dengan Bilangan 8
2.2 Persoalan Optimasi dan Program Linear 9
2.3 Masalah Transportasi 10
2.4 Metode Hungarian 14
2.5 Analisis Sensitivitas 17
2.6 Analisis Sensitivitas pada Metode Hungarian 20 2.6.1 Analisis Sensitivitas pada Variabel Non Basis 22 2.6.2 Analisis Sensitivitas pada Variabel Basis 23 2.7 Perbedaan Analisis Sensitivitas Dengan Metode Simpleks dan Metode Hungarian 24 2.7.1 Perubahan Koefisien Fungsi Tujuan Utuk Variabel Nonbasis 26 2.7.2 Perubahan Koefisien Fungsi Tujuan Utuk Variabel Basis 27
Bab 3 Pembahasan 29
3.1 Assigment Problem 29
3.2 Contoh Kasus dan Penyelesaiannya 29
3.3 Penerapan Analisis Sensitivitas Pada Metode Hungarian 34 3.3.1 Perubahan Koefisien Fungsi Tujuan Variabel Non Basis 35 3.3.2 Perubahan Koefisien Fungsi Tujuan Variabel Basis 36 Bab 4 Kesimpulan dan Saran
4.1 Kesimpulan 37
4.2 Saran 37
LAMPIRAN A RANGE VARIABEL BASIS 39
x
DAFTAR TABEL
Halaman
Tabel 3.2.1 Jarak berbagai tempat produksi ke tempat pemasaran 26
Tabel 3.2.2 Penetapan standar 26
Tabel 3.2.3 Biaya opportunity baris 1 27
Tabel 3.2.4 Biaya opportunity baris 2 28
Tabel 3.2.5 Biaya opportunity baris 3 28
Tabel 3.2.6 Biaya opportunity baris 4 28
Tabel 3.2.7 Biaya opportunity kolom 1 28
Tabel 3.2.8 Biaya opportunity kolom 2 29
Tabel 3.2.9 Biaya opportunity kolom 3 29
Tabel 3.2.10 Biaya opportunity kolom 4 29
Tabel 3.2.11 Penyelesaian optimal 30
Tabel 3.3.1.1 Range variabel koefisien non basis 32
Tabel 3.3.2.1 Range variable koefisien basis 33
ABSTRAK
vii
ABSTRACT
BAB 1
PENDAHULUAN
1.1 Latar belakang
Assignment problem yang biasa dibentuk dengan matriks berbobot merupakan salah satu
masalah dalam dunia teknik informatika, di mana masalah ini merupakan masalah yang
metode penyelesaiannya cukup kompleks. Assignment problem adalah suatu masalah
mengenai pengaturan pada individu (objek) untuk melaksanakan tugas (kegiatan), sehingga
dengan demikian biaya yang dikeluarkan untuk pelaksanaan penugasan tersebut dapat
diminimalkan.
Salah satu dalam menyelesaikan persoalan ini adalah algoritma Brute Force, di mana
dalam algoritma ini seluruh kemungkinan solusi diperhitungkan sebagai kandidat solusi. Dan
algoritma penyelesaiannya menggunakan kompleksitas faktorial. Tentu saja hal ini sangat
menggunakan resource yang besar dan penyelesaian dengan metode ini menjadi tidak efisien.
Alternatif lain dalam menyelesaikan masalah assignment ini adalah dengan
menggunakan algoritma Hungarian. Algoritma Hungarian adalah salah satu algoritma yang
digunakan untuk menyelesaikan persoalan masalahassignment. Versi awalnya, yang dikenal
dengan metode Hungarian, ditemukan dan dipublikasikan oleh Harold Kuhn pada tahun
1955. Algoritma ini kemudian diperbaiki oleh James Munkres pada tahun 1957. Oleh karena
itu, algoritma ini kemudian dikenal juga dengan nama algoritma Kuhn-Munkres. Algoritma
yang dikembangkan oleh Kuhn ini didasarkan pada hasil kerja dua orang matematikawan asal
Hungaria lainnya, yaitu Denes Konig dan Jeno Egervary. Keberhasilan Kuhn
menggabungkan dua buah penemuan matematis dari Jeno Egervary menjadi satu bagian
merupakan hal utama yang menginspirasikan lahirnya Algoritma Hungarian. Dengan
menggunakan algoritma ini, solusi optimum sudah pasti akan ditemukan. Namun untuk hal
ini, kasusnya dibatasi, yaitu bila ingin menemukan solusi terbaik dengan nilai minimum
(least cost search). Keuntungan terbesar penggunaan algoritma Hungarian adalah
kompleksitas algoritmanya yang polinomial. Metode yang digunakan dalam algoritma
xii
Analisis sensitivitas merupakan analisis yang dilakukan pada solusi optimal suatu
persoalan program linear karena adanya perubahan diskrit parameter untuk melihat berapa
besar perubahan dapat ditolerir sebelum solusi optimal mulai kehilangan optimalitasnya.
Program linear merupakan suatu metode penyelesaian untuk memperoleh solusi optimal
(maksimum/minimum) dari suatu persoalan.
Analisisis sensitivitas dapat dipakai untuk memprediksi keadaan apabila terjadi
perubahan yang cukup besar, misalnya terjadi perubahan pembagian atau alokasi tugas
karena adanya perubahan nilai optimal yang sudah dicapai. Berubahnya alokasi tugas ini
menyebabkan berubahnya urutan prioritas yang baru dan tindakan apa yang perlu dilakukan.
1.2 Perumusan Masalah
Yang menjadi permasalahan dalam penelitian ini adalah menganalisis perubahan nilai
optimal yang telah didapat dan pengaruhnya terhadap pembagian atau alokasi tugas
(penugasan) yang optimal.
1.3. Tinjauan Pustaka
(Paul R Thie, 1983). Andaikan sebuah penempatan manager mempunyai 8 pekerjaan
yang berbeda yang dilaksanakan bulan depan dan 8 buah mesin yang berbeda untuk
mengerjakan pekerjaan ini. Andaikan bahwa untuk setiap mesin dan pekerjaan yang berbeda,
ada nilai yang dikeluarkan jika mesin yang diberikan ditempatkan untuk mengerjakan sebuah
pekerjaan. Faktor nilai ini mencakup biaya manajemen waktu, biaya produksi, dan lain-lain.
Disini jelas bahwa manager mencari penugasan dari mesin ke pekerjaan yang akan
meminimumkan total biaya setiap bulannya. Salah satu cara untuk menyelesaikan
permasalahan ini secara sederhana untuk membuat penugasan yang mungkin, menghitung
nilai keseluruhan, dan memilih penugasan yang menghasilkan biaya minimum. Tetapi untuk
setiap masalah sederhana seperti pendekatan tidak semuanya efisien, karena ada 8! = 40.320
masalah transportasi sehingga algoritma yang akan diperkenalkan dapat digunakan sebagai
alat yang efektif untuk meminimalkan nilai penugasan.
Untuk masalah penugasan secara umum, andaikan ada m individu atau mesin I1, I2,
I3,…,Im yang akan ditugaskan untuk n pekerjaan J1, J2, J3,…,Jn, dan untuk setiap Ii dan Jj, ada
nilai keseluruhan Cij yang dikeluarkan jika Ii ditugaskan kepada Jj. Dapat diasumsikan m = n ;
jika kasusnya tidak seperti ini, dapat memasukkan variabel tambahan untuk individu atau
mesin kepermasalahan sehingga angkanya menjadi sama, seluruh nilai variabel tambahan
adalah 0.
Solusi optimal untuk masalah yang dimodifikasi ini akan diubah langsung kepada
solusi awal. Dengan asumsi ini, permasalahan adalah menghitung penugasan untuk semua m
individual ke n pekerjaan sedemikian sehingga keseluruhan total biaya adalah minimum.
Masalah ini dapat dengan mudah diformulasikan sebagai permasalahan program integer.
Anggaplah :
0 , jika pekerjaan tidak ditugaskan ke mesin
1, jika pekerjaan ditugaskan ke mesin
ij
Kemudian masalah penugasan dapat dibuat menjadi :
xiv
(Hamdy A Taha. 1996). Pemecahan optimal dan penugasan tetap sama jika sebuah
konstanta ditambahkan ke atau dikurangkan dari setiap baris atau kolom di matrik biaya ini.
Struktur khusus dari model penugasan ini memungkinkan pengembangan sebuah teknik
pemecahan yang efisien yang disebut metode Hungarian.
(S.S Rao, 1987). Dalam banyak permasalahan yang praktis, pengambil keputusan
sangat tertarik bukan hanya untuk mendapatkan solusi optimal dalam masalah linear
programming, tetapi juga ingin mengetahui bagaimana solusi optimum diganti dengan
berbagai parameter dalam masalah transportasi, yang mana digunakan post-optimality
analysis untuk mengetahui perubahannya.
(Zulkifli Alamsyah, 2008). Analisis sensitivitas adalah suatu analisis yang
mempelajari dampak perubahan – perubahan yang terjadi baik pada parameter (koefisien
fungsi tujuan) maupun pada ketersediaan sumber daya (nilai sebelah kanan), terhadap solusi
dan nilai harga bayangan dari sumber daya. Kegunaannya adalah agar pengambil keputusan
dapat memberikan respon lebih cepat terhadap perubahan – perubahan yang terjadi.
Analisis sensitivitas didasarkan atas informasi pada solusi optimal yang memberikan
kisaran nilai – nilai parameter dan nilai sebelah kanan. Perubahan atau variasi dalam suatu
persoalan program linear yang biasanya dipelajari melalui post optimality analysis dapat
dipisahkan ke dalam tiga kelompok umum yaitu :
1. Analisis yang berkaitan dengan perubahan diskrit parameter untuk melihat berapa
besar perubahan dapat ditolerir sebelum solusi optimal mulai kehilangan
optimalitasnya. Jika suatu perubahan kecil dalam parameter menyebabkan perubahan
drastis dalam solusi, dikatakan bahwa solusi adalah sangat sensitive terhadap nilai
parameter itu. Sebaliknya, jika perubahan parameter tidak mempunyai pengaruh besar
terhadap solusi dikatakan solusi relative insensitive terhadap nilai parameter tersebut.
2. Analisa yang berkaitan dengan perubahan structural. Masalah ini muncul bila
persoalan program linear dirumuskan kembali dengan menambahkan atau
menghilangkan kendala dan atau variabel untuk menunjukkan operasi model
3. Analisa yang berkaitan dengan perubahan kontinu parameter untuk menentukan
urutan solusi dasar yang menjadi optimal jika perubahan ditambah lebih jauh, ini
dinamakan Parametric – Programming
1.4 Tujuan Penelitian
Secara umum tujuan dari penelitian ini untuk menyelesaikan promblema analisis sensitivitas
terhadap perubahan pembagian atau alokasi tugas serta pengaruhnya pada pembagian atau
alokasi tugas (penugasan) yang optimal.
1.5 Kontribusi Penelitian
Dengan mengadakan penulisan ini, penulis berharap dapat menambah referensi, menambah
pengetahuan dan pemahaman bagi penulis, pembaca dan pengambil keputusan baik
pemerintah maupun perusahaan swasta atau instansi yang lain yang menggunakan metode
Hungarian dalam memecahkan masalah pembagian atau alokasi tugas untuk para pekerjanya.
1.6 Metode Penelitian
Secara umum, penelitian dilakukan dengan beberapa langkah sebagai berikut :
1. Menguraikan masalah metode hungarian dan tahapan – tahapan dalam pengambilan
keputusan.
2. Menjelaskan analisis sensitivitas pada metode hungarian dan pengaruhnya terhadap alokasi
tugas.
3. Menyelesaikan contoh permasalahan metode hungarian dan melakukan analisis sensitivitas
pada nilai optimal.
xvi
BAB II
LANDASAN TEORI
2.1 Matriks
2.1.1 Pengertian Matriks
Matriks adalah susunan elemen-elemen yang berbentuk persegi panjang yang terdiri dari
baris dan kolom dan dibatasi dengan tanda [ ] atau ( ). Bilangan-bilangan dalam susunan
tersebut dinamakan entri dalam matriks. Jika adalah sebuah matriks, maka akan
menggunakan untuk menyatakan entri yang terdapat di dalam baris dan kolom dari
matriks . Secara umum matriks dituliskan sebagai berikut:
=
Matriks di atas disebut matriks berukuran kali (ditulis × ) karena memiliki baris
dan kolom.
2.1.2 Penjumlahan Matriks
Jika dan adalah sebarang dua matriks yang ukurannya sama, maka jumlah + adalah
matriks yang diperoleh dengan menambahkan bersama-sama entri yang bersesuaian dalam
kedua matriks tersebut. Matriks-matriks yang ukurannya berbeda tidak dapat dijumlahkan
2.1.3 Perkalian Matriks
Jika adalah matriks × dan adalah matriks × , maka hasil kali adalah matriks
× yang entri-entrinya ditentukan sebagai berikut. Untuk mencari entri dalam baris- dan
kolom- dari , pilihlah baris- dari matriks dan kolom- dari matriks . Kalikanlah
entri-entri yang bersesuaian dari baris dan kolom tersebut bersama-sama dan kemudian
tambahkanlah hasil kali yang dihasilkan (Anton, 1988 :25).
Contoh :
Tinjaulah perkalian matriks dan . Karena adalah matriks berukuran2 × 3 dan adalah
matriks berukuran 3 × 2 maka hasil kali adalah matriks 2 × 2. Perhitungan-perhitungan
untuk hasil kali adalah:
2.1.4 Perkalian Matriks Dengan Bilangan
Jika adalah suatu matriks dan adalah suatu bilangan, maka hasil kali (product) adalah
matriks yang diperoleh dengan mengalikan masing-masing entri dari oleh . Dalam hal ini
ditulis = ( ). Khususnya dengan yang disebut negatif dari , diartikan matriks
yang diperoleh dari dengan cara mengalikan setiap elemennya dengan 1 atau cukup
dengan mengubah tanda semua elemennya.
xviii
Richard Bronson (1996 : 1) menyatakan bahwa masalah optimasi merupakan masalah
memaksimumkan atau meminimumkan sebuah besaran tertentu yang disebut tujuan objektif
(objective) yang bergantung pada sejumlah berhingga variabel masukan (input variabels).
Variabel-variabel ini dapat tidak saling bergantung, atau saling bergantung melalui satu atau
lebih kendala (constrains). Persoalan optimasi merupakan persoalan mencari nilai numerik
terbesar (maksimasi) atau nilai numerik terkecil (minimasi) yang mungkin dari sebuah fungsi
pada sejumlah variabel tertentu.
Dalam sebuah persoalan optimasi, dicari nilai untuk variabel- variabel yang tidak
melanggar (bertentangan) dengan kendala-kendala yang menyangkut variabel-variabel
tersebut dan yang memberikan nilai optimum (maksimum atau minimum) pada fungsi yang
hendak dioptimumkan. Dalam tulisan ini akan diperhatikan cara optimasi yang telah
dipergunakan dalam memodel persoalan fisik, ekonomi, tehnik, dan segala macam persoalan
bisnis yang sesuai. Cara ini disebut Program Linear.
Program linear yang diterjemahkan dari Linear Programming (LP) adalah suatu cara
untuk menyelesaikan persoalan pengalokasian sumber-sumber yang terbatas di antara
beberapa aktivitas yang bersaing, dengan cara yang terbaik yang mungkin dilakukan.
Persoalan pengalokasian ini akan muncul manakala seseorang harus memilih tingkat
aktivitas-aktivitas tertentu yang bersaing dalam hal penggunaan sumber daya langka yang
dibutuhkan untuk melaksanakan aktivitas-aktivitas tersebut. Beberapa contoh situasi dari
uraian di atas antara lain adalah pengalokasian fasilitas produksi, persoalan pengalokasian
sumber daya nasional untuk kebutuhan domestic, penjadwalan produksi, solusi permainan
(game), dan pemilihan pola pengiriman (shipping). Program Linear (PL) atau Linear
Programming adalah suatu model dari penelitian operasional untuk memecahkan masalah
optimasi. Program linier merupakan salah satu metode Penelitian Operasional yang banyak
digunakan di bidang industri, transportasi, perdagangan, perkebunan, perikanan, tehnik, dan
lain sebagainya.
Program linear merupakan matematika terapan dari aljabar linear dimana dalam
memecahkan persoalan dunia nyata melalui tahap-tahap sebagai berikut:
1. Memahami masalah di bidang yang bersangkutan
2. Menyusun model matematika
4. Menafsirkan jawaban model menjadi jawaban atas masalah yang nyata.
Masalah optimasi tidak semuanya dapat diselesaikan dengan metode Program Linear.
Prinsip-prinsip utama yang mendasari penggunaan metode Program Linear adalah:
1. Adanya sasaran. Sasaran dalam model matematika masalah program linear berupa
fungsi tujuan (fungsi objektif) yang akan dicari nilai optimalnya (maksimum /
minimum).
2. Ada tindakan alternatif, artinya nilai fungsi tujuan dapat diperoleh dengan berbagai
cara dan diantaranya alternatif itu memberikan nilai.
3. Adanya keterbatasan sumber daya. Sumber daya atau input dapat berupa waktu,
tenaga, biaya, bahan, dan sebagainya. Pembatasan sumberdaya disebut kendala
(constrains ) pembatas.
4. Masalah harus dapat dituangkan dalam bahasa matematika yang disebut model
matematika. Model matematika dalam program linear memuat fungsi tujuan dan
kendala. Fungsi tujuan harus berupa fungsi linear dan kendala berupa pertidaksamaan
atau persamaan linear.
5. Antar variabel yang membentuk fungsi tujuan dan kendala ada keterikatan, artinya
perubahan pada satu peubah akan mempengaruhi nilai peubah yang lain.
2.3 Masalah Transportasi
Model transportasi merupakan kasus khusus dari persoalan program linear dengan tujuan
untuk “mengangkut” barang tunggal dari berbagai asal ke berbagai tujuan dengan biaya
angkut serendah mungkin.
Adanya informasi tentang besar kapasitas tiap-tiap asal, permintaan total
masing-masing tempat tujuan, dan biaya pengiriman per-unit barang untuk lintasan yang
dimungkinkan, maka model transportasi digunakan untuk menentukan program pengiriman
optimal yang melibatkan biaya pengiriman total yang minimum. Model transportasi adalah
suatu kasus khusus dari persoalan program linear, berarti model transportasi memiliki ciri
khas yang dimiliki pula oleh masalah program linear, yaitu :
xx
2. Kuantitas komoditas atau barang dan yang didistribusikan dari setiap sumber dan yang
diminta oleh setiap tujuan, besarnya tertentu.
3. Komoditas yang dikirim atau diangkut dari suatu sumber ke suatu tujuan, besarnya sesuai
dengan permintaan dan atau kapasitas sumber.
4. Ongkos pengangkutan komoditas dari suatu sumber ke suatu tujuan, besarnya tertentu.
5. Jumlah variabel dasar m + n - 1, dimana m adalah jumlah baris dan n adalah jumlah kolom.
Apabila jumlah variabel dasar kurang dari m + n – 1 yang disebut dengan degenerasi,
maka harus ditambahkan variabel dasar dengan nilai nol.
Dalam menggambarkan masalah transportasi, perlu digunakan istilah istilah yang
tidak khusus karena masalah transportasi adalah masalah yang umum, yaitu pendistribusian
berbagai komoditi dari berbagai kelompok pusat penerima yang disebut tujuan, sedemikian
rupa sehingga meminimalisasi biaya distribusi total. Secara umum, sumberi (i = 1, 2, ..., m)
mempunyai supply si unit yang akan didistribusikan ke tujuan-tujuan dan tujuan (j = 1, 2,
...,n) mempunyai permintaan di unit yang dikirim dari sumber-sumber.
Asumsi dasar metode transportasi ini adalah biaya mendistribusikan unit-unit dari sumber i
ke tujuan j berbanding langsung dengan jumlah yang akan didistribusikan, dimana cij
menyatakan biaya per unit yang didistribusikan.
Apabila Z merupakan biaya distribusi total dan xij (i =1, 2, ..., m ; j = 1, 2, ..., n) adalah jumlah unit yang harus didistribusikan dari sumber i ke tujuan j, maka formulasi
pemrograman linier masalah transportasi. Dari penjelasan di atas, maka rumus metode
transportasi dapat diformulasikan sebagai berikut :
Meminimumkan :
Dalam arti sederhana, model transportasi berusaha menentukan rencana transportasi
sebuah barang dari sejumlah sumber ke sejumlah tujuan. Data dalam model ini mencakup:
a) Tingkat penawaran di setiap sumber dan jumlah permintaan di setiap tujuan.
b) Biaya transportasi per unit barang dari setiap sumber ke setiap tujuan.
Karena hanya terdapat suatu barang, sebuah tujuan dapat menerima permintaannya
dari suatu sumber atau lebih. Tujuan dari model ini adalah menentukan jumlah yang harus
dikirim dari setia sumber ke setiap tujuan sedemikian rupa sehingga biaya transportasi total
diminimumkan. Asumsi dasar dari model ini adalah bahwa biaya transportasi di sebuah rute
tertentu adalah proporsional secara langsung dengan jumlah unit yang dikirimkan. Defenisi
“unit transportasi” akan bervariasi bergantung pada jenis “barang” yang dikirimkan.
Gambar dibawah ini memperlihatkan sebuah model transportasi dari sebuah jaringan
dengan sumber dan tujuan. Sebuah sumber dan tujuan diwakili dengan sebuah node.
Busur yang menghubungkan sebuah sumber dan sebuah tujuan mewakili rute pengiriman
barang tersebut. Jumlah penawaran di sumber adalah dan permintaan di tujuan
adalah . Biaya unit transportasi antara sumber dan adalah .
Anggap mewakili jumlah barang yang dikirimkan dari sumber ke tujuan , maka model
LP yang mewakili masalah transportasi ini diketahui secara umum sebagai berikut:
xxii
Kelompok batasan pertama menetapkan bahwa jumlah pengiriman dari sebuah
sumber tidak dapat melebihi penawarannya. Demikian pula kelompok batasan kedua
mengharuskan bahwa jumlah pengiriman ke sebuah tujuan harus memenuhi permintaannya.
Model yang baru digambarkan diatas menyiratkan bahwa jumlah penawaran harus
setidaknya sama dengan jumlah permintaan . Apabila jumlah penawaran sama dengan
jumlah permintaan ( = ), formulasi yang dihasilkan disebut Model Transportasi
Berimbang (balanced transportation model). Model ini berbeda dengan model di atas hanya
dalam fakta bahwa semua batasan adalah persamaan yaitu:
Masalah penetapan (assignment problem) adalah suatu masalah mengenai pengaturan pada
individu (objek) untuk melaksanakan tugas (kegiatan), sehingga dengan demikian biaya yang
dikeluarkan untuk pelaksanaan tugas tersebut dapat diminimalkan (N. Soemartojo, 1994 :
Masalah ini merupakan salah satu kasus khusus dari masalah transportasi yang
penyelesaiannya menggunakan metode Hungarian. Metode Hungarian dikembangkan atas
dasar pendekatan VAM ( Vogel’s Approximation Method), yaitu dengan cara meminimalkan
biaya penalti( opportunity cost ) yang tidak memanfaatkan biaya sel termurah. Pendekatan
VAM merupakan suatu metode yang menggunakan pendekatan dengan cara meminimalkan
biaya penalti akibat gagal memilih pengisian sel yang memiliki alternatif terbaik.
Howard Anton (1988 : 59) menyatakan bahwa masalah penetapan tugas mensyaratkan
bahwa fasilitas sama banyaknya dengan tugas, katakanlah sama dengan n. Dalam hal ini
maka ada n! cara yang berlainan untuk menetapkan tugas kepada fasilitas berdasarkan
penetapan satu-satu (one-to-one basic). Banyaknya penetapan ini adalah n! karena terdapat n
cara untuk menetapkan tugas pertama, n-1 cara untuk menetapkan tugas kedua, n-2 cara
untuk menetapkan tugas ketiga, dan seterusnya yang jumlah seluruhnya adalah:
n.(n-1).(n-2)…3.2.1 = n! penetapan yang mungkin.Diantara ke n! penetapan-penetapan yang mungkin
ini kita harus mencari satu penetapan yang optimal.
Untuk mendefinisikan penetapan yang optimal secara tepat, maka kita akan
memperkenalkan kuantitas – kuantitas berikut ini misalkan :
cij = biaya untuk menetapkan tugas ke – j kepada fasilitas ke – i, untuk i, j = 1, 2,…, n.
Satuan dari cij dapat berbentuk rupiah, dollar, mil, jam, dan lain-lain, satuan apapun yang
sesuai dengan masalahnya.Kita mendefiinisikan matriks biaya (cost matrix) sebagai matriks n
x n :
C =
Pernyataan bahwa sebuah tugas yang unik harus ditetapkan kepada setiap fasilitas
berdasarkan satu – satu adalah ekuivalen dengan syarat bahwa tidak ada dua cij yang
bersangkutan berasal dari baris yang sama atau kolom yang sama.
Definisi 1
Jika diketahui sebuah matriks biaya C yang berdimensi n x n maka penetapan
xxiv
entrinya yang berasal dari baris yang sama atau kolom yang sama (Howard Anton,
1988 : 60)
Maka sebuah penetapan optimal akan didefenisikan sebagai berikut:
Definisi 2
n entri dari sebuah penetapan dinamakan biaya (cost) penetapan tersebut. Penetapan
biaya yang paling kecil dinamakan penetapan optimal (optimal assignment) (Howard
Anton, 1988 : 60).
Masalah penetapan adalah untuk mencari penetapan optimal dalam sebuah matriks
biaya. Misalnya dalam menetapkan n peralatan kepada n tempat konstruksi, maka cij dapat
merupakan jarak diantara peralatan ke-i dan tempat konstruksi ke-j. Sebuah penetapan
optimal adalah penetapan untuk mana jarak seluruhnya yang ditempuh untuk memindahkan n
peralatan tersebut adalah minimum (Howard Anton, 1988 : 60).
Secara mendetail model untuk masalah penetapan dapat ditulis dalam suatu bentuk
program linear sebagai berikut:
m = jumlah objek (individu atau sumber daya)
n = jumlah tugas yang akan diselesaikan
xij = 1, apabila objek i ditugaskan untuk tugas j
xij = 0, apabila objek i tidak ditugaskan untuk tugas j
Andi Trio Sungkowo (2004: 31) mengatakan langkah – langkah dalam menjalankan metode
Hungariannn adalah sebagai berikut:
1. Menyusun matriks biaya.
2. Mengurangkan elemen-elemen pada setiap baris dengan elemen terkecil pada baris
yang sama.
3. Mengurangkan elemen-elemen pada setiap kolom dengan elemen terkecil pada kolom
yang sama. Langkah ini akan menghasilkan Total Opportunity Cost (TOC).
4. Tutup elemen-elemen bernilai nol pada TOC dengan garis-garis mendatar atau tegak.
Misalkan n adalah banyaknya baris atau kolom dan banyaknya garis penutup elemen
nol sekurang-kurangnya k, maka:
Jika k = n, berarti sudah diperoleh program optimal. Proses dihentikan dan susun
penugasan
Jika k< n, maka proses dilanjutkan dengan mengikuti langkah 5.
5. Cari bilangan terkecil dari bilangan-bilangan yang tak tertutup garis, misalkan e.
Selanjutnya:
a. Semua elemen yang tak tertutup garis dikurangi e.
b. Semua elemen yang yang tertutup oleh satu garis tidak diubah.
c. Semua elemen yang tertutup oleh dua garis ditambah dengan e.
Setelah diperoleh tabel baru kembali ke langkah – 4.
2.5 Analisis Sensitivitas
Para analis jarang dapat menentukan parameter model Program Linier seperti (m, n, Cj, aij, bi)
dengan pasti karena nilai parameter ini adalah fungsi dari beberapa uncontrolable variabel.
Sementara itu solusi optimal model Program Linier didasarkan pada
xxvi
tersebut terhadap solusi optimal. Analisa perubahan parameter dan pengaruhnya terhadap
solusi Program Linier disebut Post Optimality Analisis.
Istilah post optimality menunjukkan bahwa analisa ini terjadi setelah diperoleh solusi
optimal, dengan mengasumsikan seperangkat nilai parameter yang digunakan dalam model.
Atau Analisis Postoptimal (disebut juga analisis pasca optimal atau analisis setelah
optimal, atau analisis kepekaan dalam suasana ketidaktahuan) merupakan suatu
usaha untuk mempelajari nilai-nilai dari peubah-peubah pengambilan keputusan
dalam suatu model matematika jika satu atau beberapa atau semua parameter model
tersebut berubah atau menjelaskan pengaruh perubahan data terhadap penyelesaian optimal
yang sudah ada.
Dapat diketahui bahwa dunia nyata yang diabstraksikan dan disimplifikasikan ke
dalam model PL, tidak sederhana seperti rumusan Program Linier. Oleh karena itu
dalam dan kehidupan dunia nyata, selalu dihadapkan pada pertanyaan- pertanyaan
keragu-raguaan seperti “apa yang akan terjadi, jika” ini dan itu berubah?
Persoalan peluang dan ketidakpastiaan pertanyaan-pertanyaan tersebut harus dapat dijawab
dalam rangka meyakinkan pendirian terhadap sesuatu yang akan diputuskan kelak. Dengan
demikian hasil yang diharapkan tersebut adalah hasil yang memang ”paling mungkin“
dan ”paling mendekati”, atau “perkiraan yang paling tepat”. Uji kepekaan hasil dan pasca
optimal (sebut saja selanjutnya analisis postoptimal) yang dapat memberikan jawaban
terhadap persoalan-persoalan tersebut diatas. Analisis postoptimal sangat berhubungan
erat dengan atau mendekati apa yang disebut Program Parametrikal atau Analisis
Parametrisasi.
Perubahan atau variasi dalam suatu persoalan Program Linier yang bisaanya dipelajari
melalui Post Optimality analysis dapat dipisahkan ke dalam tiga kelompok umum, yaitu :
1. Analisa yang berkaitan dengan perubahan diskrit parameter untuk melihat berapa
besar perubahan dapat ditolerir sebelum solusi optimal mulai kehilangan
optimalitasnya, ini dinamakanAnalisa Sensitivitas. Jika suatu perubahan kecil dalam
parameter menyebabkan perubahan drastis dalam solusi, dikatakan bahwa solusi
adalah sangat sensitif terhadap nilai parameter itu. Sebaliknya, jika perubahan
parameter tidak mempunyai pengaruh besar terhadap solusi dikatakan solusi relatif
2. Analisa yang berkaitan dengan perubahan struktural. Masalah ini muncul bila
persoalan Program Linier dirumuskan kembali dengan menambahkan atau
menghilangkan kendala dan atau variabel untuk menunjukkan operasi model
alternatif. Perubahan struktural ini dapat dimasukkan dalam analisa sensitivitas.
3. Analisa yang berkaitan dengan perubahan kontinu parameter untuk menentukan
urutan solusi dasar yang menjadi optimal jika perubahan ditambah lebih jauh, ini
dinamakanParametric-Programming.
Diketahui Model Matematika Persoalan Program Linear adalah sebagai berikut:
Menentukan nilai dari X1, X2, X3, …, Xn sedemikian rupa sehingga:
Z = C1X1+C2X2+…+CjXj+…+CnXn = ( Optimal [maksimum/minimum] )
Yang kemudian disebut sebagai Fungsi Tujuan ( Objektive Function ) dengan pembatasan (
fungsi kendala/syarat ikatan):
Berdasarkan Model Matematika Persoalan Program Linier di atas analisis sensitivitas
dapat dikelompokkan berdasarkan perubahan-perubahan parameter:
1) Perubahan koefisien fungsi tujuan untuk variabel non basis.
2) Perubahan koefisien fungsi tujuan untuk variabel basis.
3) Perubahan Koefisien teknologi (koefisien input-output).
4) Perubahan Nilai-Sebelah-Kanan (NSK) fungsi kendala.
xxviii
6) Adanya tambahan perubahan (variabel) pengambilan keputusan (Xj) (perubahan
nilai n).
2.6 Analisis Sensitivitas pada Metode Hungarian
Dalam persoalan assignment problem tidak semua parameter-parameter di atas dapat
diterapkan. Seperti yang diketahui bahwaassignment problem memiliki ciri khusus yaitu:
1. Semua fungsi kendala bertanda ‘=’
2. Semua nilai aij bernilai 1 atau 0
3. Semua nilai sebelah kanan (NSK) fungsi kendala adalah 1.
Telah dijelaskan sebelumnya bahwa ada 6 jenis analisis sensitivitas pada masalah
program linier. Setiap permasalahan yang dapat dibentuk dalam program linier memiliki
masalah analisis yang berbeda. Untuk itu, harus diteliti terlebih dahulu jenis analisis
sensitivitas yang sesuai denganAssignment problem.
Untuk mengetahui bagian mana pada Assignment problem yang harus dianalisis,
harus diteliti dari bentuk umum Assignment problem itu sendiri. Dari bentuk umum
Assignment problem dapat dilihat bahwa fungsi kendala diformulasikan dalam bentuk sebagai
berikut:
Ini berarti nilai sebelah kanan untuk persamaan kendala telah ditetapkan adalah 1. Ciri ini lah
yang membedakan antara masalah transportasi dengan assignment problem. Kalau pada
masalah transportasi dikenal adanya permintaan dan persediaan dengan nilai yang berbeda,
Jadi, sangat tidak mungkin kalau dianalisis nilai sebelah kanan, yang biasa dianalisis pada
masalah transportasi.
Pada bagian fungsi objektif, bentuk umumnya adalah:
=
(2.7) Sebagai contoh 35X11 artinya untuk pekerja pertama mengerjakan job pertama dengan biaya
35. Dalam dunia nyata biaya pengerjaan suatu job bisa berubah, baik naik ataupun turun.
Selain finansial, biaya dalam hal ini bisa berarti lama waktu pengerjaan dan resiko dalam
pengerjaan.
Misalnya suatu perusahan dengan 4 jenis job telah memiliki formula tertentu dalam
memilih 4 pekerjanya sehingga semua pekerja dapat bekerja dengan optimal dan tentu saja
dengan biaya minimal. Namun seiring berjalan nya waktu dan semakin ahlinya suatu pekerja
dalam mengerjakan pekerjaannya, bisa saja pekerja meminta kenaikan upah nya. Akibatnya
ada kenaikan biaya disini. Tidak efisien apabila harus merubah formula optimal sebelumnya.
Tentu saja perusahaan harus menganalisis hal ini, sampai seberapa jauh perusahaan bisa
menaikkan upah pekerja agar hasil tetap optimal dan tidak mengubah formula optimal
sebelumnya. Jadi yang memungkinkan untuk melakukan analisis sensitivitas adalah pada
parameter perubahan koefisien fungsi tujuan.
Perubahan kofisien fungsi tujuan dapat terjadi karena perubahan keuntungan atau
ongkos suatu kegiatan. Misal, diinginkan untuk menentukan pegaruh perubahan keuntungan
per unit produk 1 (C1). Pada suatu kasus dimana produk 1 menguntungkan untuk diproduksi,
jika C1 turun di bawah nilai tertentu, maka dapat menyebabkan produk 1 yang akan
diproduksi menjadi berkurang atau bahkan tidak menguntungkan untuk diproduksi.
Sebaliknya jika C1 naik di atas nilai tertentu, dapat menyebabkan kenaikan jumlah produk 1
yang akan diproduksi.
Pada kasus lain lain bisa jadi produk 1 tidak menguntungkan untuk diproduksi karena
keuntungan per unit (C1 nya) rendah. Jika C1 turun dapat dipastikan tidak akan berpengaruh
xxx
menjadi menguntungkan untuk diproduksi. Dari uraian di atas, dapat disimpulkan bahwa
terdapat suatu batas atas dan batas bawah (range) perubahan C1 dimana keputusan optimal
tidak berpengaruh.
Tabel optimal yang telah didapat dengan metode Hungariannn menunjukkan
variabel yang menjadi basis dan variabel non basis. Variabel yang koefisien pada tabel
optimal adalah 0 merupakan variabel basis. Sebaliknya variabel yang koefisien pada tabel
optimal bukan 0 merupakan variabel non basis.
2.6.1 Analisis Sensitivitas pada Variabel Non Basis
Cara yang lazim digunakan untuk menganalisis sensitivitas adalah dengan metode simpleks.
Seiring berkembangnya ilmu pengetahuan ada beberapa cara yang dapat digunakan, salah
satunya metode Arsham-Khan. Namun dasarnya masih menggunakan metode simpleks.
Sama halnya dengan metode yang akan digunakan oleh penulis dalam menganalisis
sensitivitas padaassignment problem ini, penulis akan mencoba dengan metode yang sedikit
berbeda dan dengan formulasi yang berbeda pula.
Range koefisien dari variabel non basis adalah seberapa besar nilai koefisien variabel
non basis dapat diturunkan atau pun dinaikkan sehingga hasil optimal sebelumnya tidak
terganggu. Ini berarti ada 2 batasan yang akan dicari yaitu batas bawah dan batas atas range.
Ada beberapa notasi yang akan muncul pada pembahasan berikutnya, antara lain:
ij
C = koefisien/ besar biaya karyawan ke-i untuk job ke-j pada tabel awal,
^
ij
C = koefisien/ besar biaya karyawan ke-i untuk job ke-j pada tabel optimal,
Batas bawah koefisien variabel non basis adalah hasil pengurangan koefisien variabel
non basis pada tabel awal dengan koefisien pada tabel akhir. Artinya setiap koefisien non
basis hanya bisa diturunkan sebesar koefisien pada tabel optimalnya. Hal ini dimaksudkan
agar tabel optimal tidak terganggu. Apabila nilai koefisien diturunkan lebih besar dari
koefisien tabel optimalnya maka kemungkinan variabel basis akan berubah yang berdampak
berubah pula nilai optimalnya. Maka batas bawah range koefisien non basis dapat
Xij = Cij –
^
ij
C
(2.8)
Sedangkan yang menjadi batas atas variabel non basis untuk kasus minimasi adalah
adalah M atau bilangan yang sangat besar atau ∞. Hal ini terjadi karena untuk kasus
meminimasi biaya, variabel yang masuk non basis menunjukkan bahwa koefisiennya terlalu
besar sehingga tidak ekonomis untuk dipakai. Sehingga andaikan koefisien dari variabel non
basis dinaikkan seberapapun, tetap tidak akan mengganggu hasil optimal sebelumnya.
2.6.2 Analisis Sensitivitas pada Variabel Basis
Dalam mencari range untuk variabel basis ada beberapa langkah yang harus diperhatikan:
1. Perhatikan tabel optimal, cari nilai ambang batas yang menyebabkan tabel optimal
tidak terganggu. Nilai ambang batas tersebut adalah nilai koefisien variabel non
basis terkecil. Notasikan nilai ambang batas tersebut dengan .
2. Cari range variabel basis.
Nilai batas bawah range variabel basis adalah:
Xij = CijXij –
(2.9)
Dan nilai batas atas range variabel basis adalah:
Xij = CijXij +
(2.10)
Sehingga didapat range koefisien variabel basis:
(CijXij – ) Cij Xij (CijXij + )
(2.11)
3. Periksa hubungan suatu variabel basis dengan variabel lain yang satu kolom atau satu
baris dengan variabel tersebut. Apakah penambahan pada langkah sebelumnya telah
layak atau apakah mengganggu tabel optimal yang telah didapat. Ganti range apabila
xxxii
2.7 Perbedaan Analisis Sensitivitas dengan Metode Simplex dan Metode Hungarian
Di dalam metode Simplex, analisis sensitivitas selain digunakan dalam
pengecekan/pengujian, analisis ini lebih bermanfaat untuk menghindari pengulangan
perhitungan dari awal, apabila terjadi perubahan-perubahan pada masalah Linear
Programmning Simplex.
Dalam Assignment problem, metode Simplex jarang digunakan dalam mencari nilai
optimalitas, karena Assignment problem memiliki keistimewaan dari persoalan-persoalan
Linear Programming lainnya. Untuk menemukan perbedaan analisis sensitivitas dengan
metode Simplex dan metode Hungarian, akan dibahas sebuah kasus Linear Programming
dengan metode Simplex beserta analisis sensitivitasnya, setelah itu akan dibandingkan
dengan metode Hungarian.
Jadi yang dibahas dalam kasus ini adalah analisis sensitivitas terhadap koefisien
fungsi tujuan meliputi penempatan kisaran pada nilai koefisien secara khusus pada koefisien
variabel kontinu. Selama nilai aktual koefisien fungsi tujuan berada dalam kisaran
optimalitas, solusi dasar layak sekarang akan tetap optimal. Jadi untuk variabel nonbasis,
kisaran optimalitas menyatakan nilai koefisien untuk variabel yang akan tetap menjadi
variabel nonbasis. Sebaliknya, kisaran optimalitas untuk variabel basis menyatakan nilai
koefisen fungsi tujuan untuk variabel yang akan tetap menjadi bagian dari solusi layak dasar
Iterasi 0
Kolom Kunci adalah kolom yang mempunyai nilai pada baris Z yang bernilai negatif
dengan angka terbesar.
2. Memilih baris kunci
Baris Kunci adalah baris yang mempunyai indeks terkecil.
Indeks = Nilai Kanan : Nilai Kolom Kunci.
3. Mengubah nilai-nilai baris kunci
Baris Baru Kunci = Baris Kunci : Angka Kunci.
4. Mengubah nilai-nilai selain baris kunci sehingga nilai-nilai kolom kunci
(selain baris kunci) = 0
Baris baru = baris lama – (koefisien angka kolom kunci x nilai baris
baru kunci)
Iterasi 2 ( Tabel Optimal )
BV C 60 30 20 0 02 03 b
Dari tabel ini dapat didefinisikan beberapa hal sebagai berikut:
xxxiv
=
1 2 8
0 2 4
0,5 1,5
2.7.1 Perubahan Koefisien Fungsi Tujuan Untuk Variabel Nonbasis
Kasus ini terjadi karena adanya perubahan, baik pada kontribusi keuntungan maupun pada
kontribusi ongkos dari kegiatan yang direpresentasikan oleh variabel nonbasis. Pada contoh
kasus di atas, satu-satunya variabel keputusan nonbasis adalah x2.Saat ini koefisien fungsi
tujuan x2 adalah c2 = 30.
Jika c2 berubah dari 30 menjadi ( 30 + ) tidak mengubah harga dan b. Karena itu
ruas kanan untuk variabel basis (VB), yaitu b, tidak akan berubah sehingga variabel basis
tetap fisibel. Karena c2 adalah variabel nonbasis, maka CBV juga tidak akan berubah.
Satu-satunya yang koefisien baris ( zj-cj)nya akan berubah karena perubahan c2 ini adalah x2.
Dengan demikian, BV akan tetap optimal jika 0, dan BV akan menjadi
suboptimal jika 0. Dalam hal terakhir ini, harga z mungkin dapat diperbaiki dengan
memasukkan x2 ke dalam basis.
Dari contoh kasus diketahui bahwa:
. = [0 20 60]
0 jika > 5 sehingga BV tidak lagi optimal. Artinya, jika harga c2 naik atau turun sebesar 5
atau kurang, maka BV akan tetap optimal, tetapi jika naik atau turunnya lebih besar dari 5,
maka BV tidak lagi optimal.Misalnya jika c2 = 40, solusi basis saat ini akan menjadi
2.7.2 Perubahan Koefisien Fungsi Tujuan Untuk Variabel Basis
Mengubah koefisien fungsi tujuan variabel basis (BV) artinya mengubah cBV sehingga
beberapa koefisien pada baris 0 (baris zj – cj) dari tabel optimal akan berubah. Misalkan c1
xxxvi
= 10 + 0,5
Karena 0, maka 10 + 0,5 0
Dari hasil di atas menunjukkan bahwa penyelesaian basis saat ini akan tetap optimal
sepanjang -4, 20, . Dengan kata lain penyelesaian basis saat ini akan tetap
optimal jika -4 20. Artinya, jika c1 turun sebesar 4 atau kurang, atau c1 naik hingga 20,
maka penyelesaian basis saat ini akan tetap optimal.
Dari contoh kasus diatas dapat kita ambil kesimpulan bahwa:
1. Pengerjaan analisis sensitivitas dengan metode Simplex lebih memakan waktu yang
lama dibandingkan dengan analisis sensitivitas dengan metode Hungarian.
2. Analisis sensitivitas dengan metode Hungarian hanya dapat dipakai untuk
penyelesaian kasus penugasan saja dan hanya terbatas pada analisis koefisien fungsi
tujuan, sedangkan metode simplex dapat digunakan untuk masalah program linier
selain assignment problem dan dapat menganalisis parameter – parameter dalam
BAB III
PEMBAHASAN
3.1 Assigment Problem
Pada umumnya assignment problem memiliki karakreistik atau kriteria bahwa cacah baris
sama dengan cacah kolom pada tabel assignment (m = n),karena assignment problem
mensyaratkan bahwa banyaknya fasilitas sama dengan banyaknya tugas. Penetapan
pekerjaan dilakukan dengan tujuan agar penyelesaian semua pekerjaan minimum atau
maksimumkan profit dari pekerjaan-pekerjaan tersebut.
Telah diketahui bahwa matriks assignment harus berbentuk bujur sangkar yaitu cacah
pekerja sama dengan cacah pekerjaannya. Adapun bentuk menyelesaikan masalah tersebut
adalah dengan menggunakan langkah-langkah atau prosedur metode Hungarian. Untuk
memudahkan pemahaman penyelesaian assignment problem dibawah ini diberikan contoh
kasus padaassignment problem.
3.2 Contoh kasus dan Penyelesaiannya
Sebuah perusahaan ban ‘Blackstone’ mempunyai 4 tempat produksi ban yang berlainan
lokasinya. Perusahaan tersebut harus mengirimkan satu container ban untuk masing-masing
tempat produksi keempat tempat pemasaran yang berlainan sehingga terjadi pemerataan
pemasaran untuk masing-masing tempat produksi. Jarak dalam mil diantara berbagai tempat
produksi dan tempat pemasaran diberikan dalam tabel berikut:
xxxviii
Bagaimanakah seharusnya perusahaan tersebut mengirimkan ban dari keempat tempat
produksi ketempat pemasaran untuk meminimumkan jarak yang ditempuh?
Penyelesaian:
a) Model Matematika Program Linear
Untuk membuat model matematika program linear masalah ini, disusun dahulu tabel
penetapan standar sebagai berikut:
Dengan demikian, model matematika program linear untuk masalah diatas adalah:
X13 + X23 + X33 + X43 = 1
X14 + X24 + X34 + X44 = 1
Xij = 0 atau Xij = 1
b) Penyelesaian Optimal Dengan Metode Hungarian
Matriks biaya untuk masalah di atas adalah:
15 20 18 22
14 16 21 17
25 20 23 20
17 18 18 16
i. Susunan Biaya Opportunity
Dari matriks dapat diidentifikasi nilai sel terkecil masing-masing baris dan
kolom. Biaya Opportunity masing-masing baris dan kolom diperlihatkan pada
tabel 3.2.3 sampai dengan tabel 3.2.10:
Tabel 3.2.3 Biaya Opportunity Baris 1
Sel Nilai Sel - Nilai baris terkecil =
Biaya
Tabel 3.2.4 Biaya Opportunity Baris 2
Sel Nilai Sel - Nilai baris terkecil =
Biaya
Tabel 3.2.5 Biaya Opportunity Baris 3
Sel Nilai Sel - Nilai baris terkecil =
Biaya
xl
Sel Nilai Sel - Nilai baris terkecil =
Biaya
Dengan demikian susunan biaya opportunity barisnya adalah:
0 5 3 7
0 2 7 3
5 0 3 0
1 2 2 0
Tabel 3.2.7 Biaya Opportunity Kolom 1
Sel Nilai Sel - Nilai baris terkecil =
Biaya
Tabel 3.2.8 Biaya Opportunity Kolom 2
Sel Nilai Sel - Nilai baris terkecil =
Biaya
Tabel 3.2.9 Biaya Opportunity Kolom 3
Sel Nilai Sel - Nilai baris terkecil =
Biaya
Sel Nilai Sel - Nilai baris terkecil = Biaya
Dengan demikian susunan biaya opportunity baris dan kolom adalah:
0 5 1 7
0 2 5 3
5 0 1 0
1 2 0 0
ii. Analisis Kelayakan Biaya Opportunity Keseluruhan
Dari matriks dapat ditarik garis horizontal pada baris tiga dan baris empat,
serta garis vertical pada kolom satu (karena memiliki sel dengan biaya
opportunity = 0)
0 5 1 7
0 2 5 3
5 0 1 0
1 2 0 0
Ternyata pada matriks cacah garis yang dapat ditarik minimal ada tiga buah.
Ini berarti penyelesaian optimal belum tercapai. Dengan demikian, proses
selanjutnya adalah mengidentifikasi sel yang terletak pada titik potong kedua
garis dan nilai sel terkecil yang terletak di luar garis tersebut.
iii. Penyusunan Matriks Biaya Opportunity Baru
Berdasarkan matriks diatas tampak bahwa sel (3,1) = 5 dan sel (4,1) = 1
merupakan titik potong kedua garis tersebut dan sel (1,3) = 1 merupakan nilai
sel terkecil yang terletak di luar ketiga garis tersebut. Selanjutnya nilai sel
(1,3) = 1 ditambah kedalam sel (3,1) dan (4,1) serta dikurangkan terhadap
sel-sel lain yang terletak di luar garis-garis tersebut yaitu sel-sel (1,2), sel-sel (1,3), sel-sel
(1,4), sel (2,2), sel (2,3), dan sel (2,4). Ini berarti sel (1,3) menjadi nol. Dengan
demikian susunan biaya opportunnity yang baru adalah:
0 4 0 6
0 1 4 2
6 0 1 0
xlii
iv. Analisis Kelayakan Matriks Biaya Opportunity Keseluruhan
0 4 0 6
0 1 4 2
6 0 1 0
2 2 0 0
Dari matriks tampak bahwa cacah garis yang dapat ditarik ada empat buah.
Dengan demikian penyelesaian optimal telah tercapai dengan susunan
penetapan sebagai berikut:
3.3 Penerapan Analisis Sensitivitas pada Metode Hungarian
Untuk menggambarkan perubahan ini akan dianalisis matriks biaya opportunity
optimal dari contoh kasus di atas:
0 4 0 6
0 1 4 2
6 0 1 0
2 2 0 0
pada matriks biaya opportunity optimal, dapat ditunjukkan bahwa variabel yang
memiliki koefisien 0 merupakan variabel basis. Sedangkan koefisien yang tidak
bernilai 0 merupakan variabel non basis. Berdasarkan matriks opportunity optimal
diketahui bahwa variabel basisnya adalah: X11, X13,X21, X32, X34, X43, X44. Varibel
non basisnya adalah: X12, X14, X22, X23, X24, X31, X33, X41, X42.
3.3.1 Perubahan Koefisien Fungsi Tujuan Variabel Non Basis
Variabel non basis dalam pengertian assignment problem adalah semua variabel yang
Misalkan untuk variabel non basis X12 yang memiliki nilai sebesar 20 yakni pekerja 1
mengerjakan pekerjaan 2. Apabila koefisien X12 dinaikkan berapapun, X12 tetap tidak
ekonomis untuk dikerjakan, yang berarti bahwa batas atas dari X12 adalah . Sebaliknya jika
X12 diturunkan sampai jumlah tertentu, ada kemungkinan X12 cukup ekonomis untuk
dikerjakan.
Batas bawah X12 adalah:
X12 = X12(tabel awal) – X12(tabel akhir)
= 20 – 4
= 16
Syarat matriks opportunity optimal tetap optimal jika X12(tabel akhir) 16. Jadi range nilai X12
optimal adalah16 .
Dapat disimpulkan bahwa selama 16 , X12tidak ekonomis untuk diproduksi dan
karenanya tidak akan merubah solusi optimal. Sebaliknya jika X12 diturunkan kurang dari 16,
akan menguntungkan untuk diproduksi, yang berarti solusi tidak optimal lagi.
Hal ini berlaku untuk mencari range koefisien variabel non basis yang lainnya.
Tabel 3.3.1.1 Range Variabel Koefisien Non Basis
Variabel
3.3.2 Perubahan Koefisien Fungsi Tujuan Variabel Basis
Variabel-variabel basis adalah X11, X13,X21, X32, X34, X43, X44 dengan koefisien fungsi tujuan
masing-masing adalah 15, 18, 14, 20, 20, 17, 18, 16.
xliv
0 4 0 6
0 1 4 2
6 0 1 0
2 2 0 0
Nilai terkecil dari koefisien non basis pada matriks optimal adalah 1. Sehingga didapat = 1.
Langkah 2: Menentukan range dari penambahan .
Tabel 3.3.2.1 Range Variabel Koefisien Basis
Variabel
Langkah 3: Periksa kelayakan range basis pada langkah ke 2.
Setiap range yang telah diperoleh pada langkah ke 2 sebenarnya telah memenuhi tabel
optimal sebelumnya. Artinya apabila terjadi perubahan koefisien fungsi tujuan sebesar range
yang telah didapat pada langkah ke 2 hal tersebut tidak mengubah solusi optimal sebelumnya.
Namun ada beberapa perubahan range yang masih tetap layak dan tidak mengubah formula
optimal sebelumnya.
a. Variabel X11
Setelah membandingkan nilai-nilai koefisien fungsi tujuan pada variabel yang sebaris
dan sekolom dengan variabel X11, ternyata batas atas range X11 masih bisa dinaikkan
sampai 17. Hal ini tidak akan mengubah nilai optimal karena koefisien terbesar
X11akan tetap menjadi variabel basis dan tidak mengganggu formula solusi optimal
sebelumnya.
Range X11berubah menjadi 14 X11 17.
b. Variabel X13
Setelah membandingkan nilai-nilai koefisien fungsi tujuan pada variabel yang sebaris
dan sekolom dengan variabel X13, ternyata batas bawah range X13 masih bisa
diturunkan sampai 16. Hal ini tidak akan mengubah nilai optimal karena koefisien
terkecil setelah variabel X13 pada baris pertama adalah 15 dan pada kolom ketiga
adalah 18. Jadi X13akan tetap menjadi variabel basis dan tidak mengganggu formula
solusi optimal sebelumnya.
c. Variabel X21
Setelah membandingkan nilai-nilai koefisien fungsi tujuan pada variabel yang sebaris
dan sekolom dengan variabel X21, ternyata batas bawah range X21 masih bisa
diturunkan sampai . Hal ini tidak akan mengubah nilai optimal karena koefisien
terkecil pada baris kedua dan kolom pertama adalah variabel X21sendiri. Jadi apabila
nilai koefisien X21 diturunkan sampai , X21tetap akan jadi variabel basis bahkan
besar biaya pada solusi optimal bisa ditekan.
d. Variabel X32
Setelah membandingkan variabel X32 dengan variabel yang sebaris dengan nya tidak
ada variabel lain yang nilai koefisien nya lebih kecil dari X32. Dan bila dibandingkan
dengan variabel yang sekolom dengan X32 maka akan didapat variabel X22yang nilai
koefisien nya lebih kecil yaitu sebesar 16. Namun karena variabel X22 tidak
merupakan variabel basis tetap saja X32 yang dipilih. Sehingga apabila nilai koefisien
X32 diturunkan sampai , X32tetap akan jadi variabel basis bahkan besar biaya pada
solusi optimal bisa ditekan.
e. Variabel X44
Setelah membandingkan nilai-nilai koefisien fungsi tujuan pada variabel yang sebaris
dan sekolom dengan variabel X44, ternyata batas bawah range X44 masih bisa
diturunkan sampai . Hal ini tidak akan mengubah nilai optimal karena koefisien
xlvi
apabila niali koefisien X44 diturunkan sampai , X44tetap akan jadi variabel basis
bahkan besar biaya pada solusi optimal bisa ditekan.
Dari langkah 3 didapat range variabel basis yang baru yaitu:
Tabel 3.3.2.2 Range Variabel Koefisien Basis Baru
Range Variabel Basis
(CijXij – ) Cij Xij (Cij
Xij + )
14 X11 17
16 X13 19
X21 15
X32 21
19 X34 21
17 X43 19
BAB IV
KESIMPULAN
4.1 Kesimpulan
Berdasarkan dari hasil pembahasan yang dilakukan maka dapat diambil kesimpulan yaitu:
1. Untuk menyelesaikan assignment problem dengan menggunakan prosedur metode
Hungarian terdiri dari tiga tahap, yaitu penyusunan matriks biaya opportunity, analisis
kelayakanassignment problem,dan penyusunan ulang matriks biaya opportunity.
2. Setelah didapat hasil range sementara perlu dilakukan pengecekan kelayakan pada
variabel basis.
3. Pengerjaan analisis sensitivitas dengan menggunakan metode Hungarian lebih
sederhana dibandingkan dengan metode Simpleks yang memiliki prosedur pengerjaan
dengan tabel yang masih terlalu panjang.
4. Dalam pengerjaan dengan metode Hungarian didapat kelemahan yaitu masih kurang
akuratnya hasil range yang diperoleh sehingga masih dilakukan pengecekan dengan
software QM sedangkan dalam pengerjaan dengan metode Simpleks tidak demikian.
4.2 Saran
1. Untuk memakaisoftware Program Linier seperti QM dan QS sebagai alat bantu dalam
menyelesaikan masalah analisis sensitivitas pada optimalisasi assignment problem
dengan metode Hungarian.
2. Adanya kelemahan analisis sensitivitas pada metode Hungarian yang hanya dapat
menganalisis koefisien fungsi tujuan sehingga penulis berharap agar dikemudian hari
xlviii
DAFTAR PUSTAKA
Alamsyah. Zulkifli. 2008.Pemodelan dalam Riset Operasi. Bandung: Institut Teknologi Bandung.
Anton, Howard. 1987.Aljabar Linier Elementer.Jakarta: Erlangga.
Rao, S.S. 1987.Optimization Theory and Application. San Diego, USA: Dept. of Mechanical Engg.
Taha, Hamdy A. 1996.Operation Research. Fayetteville: University of Arkansas.
Thie, Paul R.1983. An Introduction to Linear Programming and Game Theory. Canada : Department of Mathematics Boston College.
l