1. JANUARI 2016 Input:
MIN DA1 + DA2 + DB3 + DB4 SUBJECT TO
X1 + 0.05X1 + DB3 – DA3 = 339803 9680X1 + DB4 - DA4 = 3289293040 4X1 + DB1 - DA1 = 2401200 2X1 + DB2 - DA2 = 900000 END
Output:
LP OPTIMUM FOUND AT STEP 1 OBJECTIVE FUNCTION VALUE
1) 0.0000000E+00
VARIABLE VALUE REDUCED COST DA1 0.000000 1.000000 DA2 0.000000 1.000000 DB3 0.000000 1.000000 DB4 0.000000 1.000000 X1 339803.000000 0.000000 DA3 16990.152344 0.000000 DA4 0.000000 0.000000 DB1 1041988.000000 0.000000 DB2 220394.000000 0.000000 ROW SLACK OR SURPLUS DUAL PRICES 2) 0.000000 0.000000 3) 0.000000 0.000000 4) 0.000000 0.000000 5) 0.000000 0.000000 NO. ITERATIONS= 1
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE DA1 1.000000 INFINITY 1.000000 DA2 1.000000 INFINITY 1.000000 DB3 1.000000 INFINITY 1.000000 DB4 1.000000 INFINITY 1.000000 X1 0.000000 9680.000000 0.000000 DA3 0.000000 9219.047852 0.000000 DA4 0.000000 INFINITY 0.000000 DB1 0.000000 0.000000 1.000000 DB2 0.000000 0.000000 1.000000 RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE 2 339803.000000 16990.152344 INFINITY 3**************** **************** 156633024.000000 4 2401200.000000 INFINITY 1041988.000000
2. FEBRUARI 2016 Input:
MIN DA1 + DA2 + DB3 + DB4 SUBJECT TO
X1 + 0.05X1 + DB3 – DA3 = 372795 9680X1 + DB4 - DA4 = 3608655600 4X1 + DB1 - DA1 = 2235600 2X1 + DB2 - DA2 = 900000 END
Output:
LP OPTIMUM FOUND AT STEP 0 OBJECTIVE FUNCTION VALUE 1) 0.0000000E+00
VARIABLE VALUE REDUCED COST DA1 0.000000 1.000000 DA2 0.000000 1.000000 DB3 0.000000 1.000000 DB4 0.000000 1.000000 X1 372795.000000 0.000000 DA3 18639.751953 0.000000 DA4 0.000000 0.000000 DB1 744420.000000 0.000000 DB2 154410.000000 0.000000 ROW SLACK OR SURPLUS DUAL PRICES 2) 0.000000 0.000000 3) 0.000000 0.000000 4) 0.000000 0.000000 5) 0.000000 0.000000 NO. ITERATIONS= 0
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE DA1 1.000000 INFINITY 1.000000 DA2 1.000000 INFINITY 1.000000 DB3 1.000000 INFINITY 1.000000 DB4 1.000000 INFINITY 1.000000 X1 0.000000 9680.000000 0.000000 DA3 0.000000 9219.047852 0.000000 DA4 0.000000 INFINITY 0.000000 DB1 0.000000 0.000000 1.000000 DB2 0.000000 0.000000 1.000000 RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE 2 372795.000000 18639.751953 INFINITY 3**************** 747344384.000000 171840768.000000 4 2235600.000000 INFINITY 744420.000000
3. MARET 2016 Input:
MIN DA1 + DA2 + DB3 + DB4 SUBJECT TO
X1 + 0.05X1 + DB3 – DA3 = 413946 9680X1 + DB4 - DA4 = 4006997280 4X1 + DB1 - DA1 = 2484000 2X1 + DB2 - DA2 = 900000 END
Output:
LP OPTIMUM FOUND AT STEP 0 OBJECTIVE FUNCTION VALUE 1) 0.0000000E+00
VARIABLE VALUE REDUCED COST DA1 0.000000 1.000000 DA2 0.000000 1.000000 DB3 0.000000 1.000000 DB4 0.000000 1.000000 X1 413946.000000 0.000000 DA3 20697.296875 0.000000 DA4 0.000000 0.000000 DB1 828216.000000 0.000000 DB2 72108.007812 0.000000 ROW SLACK OR SURPLUS DUAL PRICES 2) 0.000000 0.000000 3) 0.000000 0.000000 4) 0.000000 0.000000 5) 0.000000 0.000000 NO. ITERATIONS= 0
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE DA1 1.000000 INFINITY 1.000000 DA2 1.000000 INFINITY 1.000000 DB3 1.000000 INFINITY 1.000000 DB4 1.000000 INFINITY 1.000000 X1 0.000000 9680.000000 0.000000 DA3 0.000000 9219.047852 0.000000 DA4 0.000000 INFINITY 0.000000 DB1 0.000000 0.000000 1.000000 DB2 0.000000 0.000000 1.000000 RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE 2 413946.000000 20697.296875 INFINITY 3**************** 349002752.000000 190809360.000000 4 2484000.000000 INFINITY 828216.000000
4. APRIL 2016 Input:
MIN DA1 + DA2 + DB3 + DB4 SUBJECT TO
X1 + 0.05X1 + DB3 – DA3 = 380955 9680X1 + DB4 - DA4 = 3687644400 4X1 + DB1 - DA1 = 2401200 2X1 + DB2 - DA2 = 900000 END
Output:
LP OPTIMUM FOUND AT STEP 0 OBJECTIVE FUNCTION VALUE 1) 0.0000000E+00
VARIABLE VALUE REDUCED COST DA1 0.000000 1.000000 DA2 0.000000 1.000000 DB3 0.000000 1.000000 DB4 0.000000 1.000000 X1 380955.000000 0.000000 DA3 19047.751953 0.000000 DA4 0.000000 0.000000 DB1 877380.000000 0.000000 DB2 138090.000000 0.000000 ROW SLACK OR SURPLUS DUAL PRICES 2) 0.000000 0.000000 3) 0.000000 0.000000 4) 0.000000 0.000000 5) 0.000000 0.000000 NO. ITERATIONS= 0
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE DA1 1.000000 INFINITY 1.000000 DA2 1.000000 INFINITY 1.000000 DB3 1.000000 INFINITY 1.000000 DB4 1.000000 INFINITY 1.000000 X1 0.000000 9680.000000 0.000000 DA3 0.000000 9219.047852 0.000000 DA4 0.000000 INFINITY 0.000000 DB1 0.000000 0.000000 1.000000 DB2 0.000000 0.000000 1.000000 RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE 2 380955.000000 19047.751953 INFINITY 3**************** 668355584.000000 175602128.000000 4 2401200.000000 INFINITY 877380.000000
5. MEI 2016 Input:
MIN DA1 + DA2 + DB3 + DB4 SUBJECT TO
X1 + 0.05X1 + DB3 – DA3 = 339803 9680X1 + DB4 - DA4 = 3289293040 4X1 + DB1 - DA1 = 2318400 2X1 + DB2 - DA2 = 900000 END
Output:
LP OPTIMUM FOUND AT STEP 0 OBJECTIVE FUNCTION VALUE 1) 0.0000000E+00
VARIABLE VALUE REDUCED COST DA1 0.000000 1.000000 DA2 0.000000 1.000000 DB3 0.000000 1.000000 DB4 0.000000 1.000000 X1 339803.000000 0.000000 DA3 16990.152344 0.000000 DA4 0.000000 0.000000 DB1 959188.000000 0.000000 DB2 220394.000000 0.000000 ROW SLACK OR SURPLUS DUAL PRICES 2) 0.000000 0.000000 3) 0.000000 0.000000 4) 0.000000 0.000000 5) 0.000000 0.000000 NO. ITERATIONS= 0
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE DA1 1.000000 INFINITY 1.000000 DA2 1.000000 INFINITY 1.000000 DB3 1.000000 INFINITY 1.000000 DB4 1.000000 INFINITY 1.000000 X1 0.000000 9680.000000 0.000000 DA3 0.000000 9219.047852 0.000000 DA4 0.000000 INFINITY 0.000000 DB1 0.000000 0.000000 1.000000 DB2 0.000000 0.000000 1.000000 RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE 2 339803.000000 16990.152344 INFINITY 3**************** **************** 156633024.000000 4 2318400.000000 INFINITY 959188.000000
6. Juni 2016 Input:
MIN DA1 + DA2 + DB3 + DB4 SUBJECT TO
X1 + 0.05X1 + DB3 – DA3 = 372795 9680X1 + DB4 - DA4 = 3608655600 4X1 + DB1 - DA1 = 2401200 2X1 + DB2 - DA2 = 900000 END
Output:
LP OPTIMUM FOUND AT STEP 0 OBJECTIVE FUNCTION VALUE 1) 0.0000000E+00
VARIABLE VALUE REDUCED COST DA1 0.000000 1.000000 DA2 0.000000 1.000000 DB3 0.000000 1.000000 DB4 0.000000 1.000000 X1 372795.000000 0.000000 DA3 18639.751953 0.000000 DA4 0.000000 0.000000 DB1 910020.000000 0.000000 DB2 154410.000000 0.000000 ROW SLACK OR SURPLUS DUAL PRICES 2) 0.000000 0.000000 3) 0.000000 0.000000 4) 0.000000 0.000000 5) 0.000000 0.000000 NO. ITERATIONS= 0
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE DA1 1.000000 INFINITY 1.000000 DA2 1.000000 INFINITY 1.000000 DB3 1.000000 INFINITY 1.000000 DB4 1.000000 INFINITY 1.000000 X1 0.000000 9680.000000 0.000000 DA3 0.000000 9219.047852 0.000000 DA4 0.000000 INFINITY 0.000000 DB1 0.000000 0.000000 1.000000 DB2 0.000000 0.000000 1.000000 RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 372795.000000 18639.751953 INFINITY 3**************** 747344384.000000 171840768.000000 4 2401200.000000 INFINITY 910020.000000
7. JULI 2016 Input:
MIN DA1 + DA2 + DB3 + DB4 SUBJECT TO
X1 + 0.05X1 + DB3 – DA3 = 413946 9680X1 + DB4 - DA4 = 4006997280 4X1 + DB1 - DA1 = 2235600 2X1 + DB2 - DA2 = 900000 END
Output:
LP OPTIMUM FOUND AT STEP 0 OBJECTIVE FUNCTION VALUE 1) 0.0000000E+00
VARIABLE VALUE REDUCED COST DA1 0.000000 1.000000 DA2 0.000000 1.000000 DB3 0.000000 1.000000 DB4 0.000000 1.000000 X1 413946.000000 0.000000 DA3 20697.296875 0.000000 DA4 0.000000 0.000000 DB1 579816.000000 0.000000 DB2 72108.007812 0.000000 ROW SLACK OR SURPLUS DUAL PRICES 2) 0.000000 0.000000 3) 0.000000 0.000000 4) 0.000000 0.000000 5) 0.000000 0.000000 NO. ITERATIONS= 0
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE DA1 1.000000 INFINITY 1.000000 DA2 1.000000 INFINITY 1.000000 DB3 1.000000 INFINITY 1.000000 DB4 1.000000 INFINITY 1.000000 X1 0.000000 9680.000000 0.000000 DA3 0.000000 9219.047852 0.000000 DA4 0.000000 INFINITY 0.000000 DB1 0.000000 0.000000 1.000000 DB2 0.000000 0.000000 1.000000 RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE 2 413946.000000 20697.296875 INFINITY 3**************** 349002752.000000 190809360.000000 4 2235600.000000 INFINITY 579816.000000
8. AGUSTUS 2016 Input:
MIN DA1 + DA2 + DB3 + DB4 SUBJECT TO
X1 + 0.05X1 + DB3 – DA3 = 380955 9680X1 + DB4 - DA4 = 3687644400 4X1 + DB1 - DA1 = 2484000 2X1 + DB2 - DA2 = 900000 END
Output:
LP OPTIMUM FOUND AT STEP 0 OBJECTIVE FUNCTION VALUE 1) 0.0000000E+00
VARIABLE VALUE REDUCED COST DA1 0.000000 1.000000 DA2 0.000000 1.000000 DB3 0.000000 1.000000 DB4 0.000000 1.000000 X1 380955.000000 0.000000 DA3 19047.751953 0.000000 DA4 0.000000 0.000000 DB1 960180.000000 0.000000 DB2 138090.000000 0.000000 ROW SLACK OR SURPLUS DUAL PRICES 2) 0.000000 0.000000 3) 0.000000 0.000000 4) 0.000000 0.000000 5) 0.000000 0.000000 NO. ITERATIONS= 0
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE DA1 1.000000 INFINITY 1.000000 DA2 1.000000 INFINITY 1.000000 DB3 1.000000 INFINITY 1.000000 DB4 1.000000 INFINITY 1.000000 X1 0.000000 9680.000000 0.000000 DA3 0.000000 9219.047852 0.000000 DA4 0.000000 INFINITY 0.000000 DB1 0.000000 0.000000 1.000000 DB2 0.000000 0.000000 1.000000 RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE 2 380955.000000 19047.751953 INFINITY 3**************** 668355584.000000 175602128.000000 4 2484000.000000 INFINITY 960180.000000
9. SEPTEMBER 2016 Input:
MIN DA1 + DA2 + DB3 + DB4 SUBJECT TO
X1 + 0.05X1 + DB3 – DA3 = 339803 9680X1 + DB4 - DA4 = 3289293040 4X1 + DB1 - DA1 = 2401200 2X1 + DB2 - DA2 = 900000 END
Output:
LP OPTIMUM FOUND AT STEP 0 OBJECTIVE FUNCTION VALUE 1) 0.0000000E+00
VARIABLE VALUE REDUCED COST DA1 0.000000 1.000000 DA2 0.000000 1.000000 DB3 0.000000 1.000000 DB4 0.000000 1.000000 X1 339803.000000 0.000000 DA3 16990.152344 0.000000 DA4 0.000000 0.000000 DB1 1041988.000000 0.000000 DB2 220394.000000 0.000000 ROW SLACK OR SURPLUS DUAL PRICES 2) 0.000000 0.000000 3) 0.000000 0.000000 4) 0.000000 0.000000 5) 0.000000 0.000000 NO. ITERATIONS= 0
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE DA1 1.000000 INFINITY 1.000000 DA2 1.000000 INFINITY 1.000000 DB3 1.000000 INFINITY 1.000000 DB4 1.000000 INFINITY 1.000000 X1 0.000000 9680.000000 0.000000 DA3 0.000000 9219.047852 0.000000 DA4 0.000000 INFINITY 0.000000 DB1 0.000000 0.000000 1.000000 DB2 0.000000 0.000000 1.000000 RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE 2 339803.000000 16990.152344 INFINITY 3**************** **************** 156633024.000000 4 2401200.000000 INFINITY 1041988.000000
10. OKTOBER 2016 Input:
MIN DA1 + DA2 + DB3 + DB4 SUBJECT TO
X1 + 0.05X1 + DB3 – DA3 = 372795 9680X1 + DB4 - DA4 = 3608655600 4X1 + DB1 - DA1 = 2484000 2X1 + DB2 - DA2 = 900000 END
Output:
LP OPTIMUM FOUND AT STEP 0 OBJECTIVE FUNCTION VALUE 1) 0.0000000E+00
VARIABLE VALUE REDUCED COST DA1 0.000000 1.000000 DA2 0.000000 1.000000 DB3 0.000000 1.000000 DB4 0.000000 1.000000 X1 372795.000000 0.000000 DA3 18639.751953 0.000000 DA4 0.000000 0.000000 DB1 992820.000000 0.000000 DB2 154410.000000 0.000000 ROW SLACK OR SURPLUS DUAL PRICES 2) 0.000000 0.000000 3) 0.000000 0.000000 4) 0.000000 0.000000 5) 0.000000 0.000000 NO. ITERATIONS= 0
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE DA1 1.000000 INFINITY 1.000000 DA2 1.000000 INFINITY 1.000000 DB3 1.000000 INFINITY 1.000000 DB4 1.000000 INFINITY 1.000000 X1 0.000000 9680.000000 0.000000 DA3 0.000000 9219.047852 0.000000 DA4 0.000000 INFINITY 0.000000 DB1 0.000000 0.000000 1.000000 DB2 0.000000 0.000000 1.000000 RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE 2 372795.000000 18639.751953 INFINITY 3**************** 747344384.000000 171840768.000000 4 2484000.000000 INFINITY 992820.000000
11. NOVEMBER 2016 Input:
MIN DA1 + DA2 + DB3 + DB4 SUBJECT TO
X1 + 0.05X1 + DB3 – DA3 = 413946 9680X1 + DB4 - DA4 = 4006997280 4X1 + DB1 - DA1 = 2484000 2X1 + DB2 - DA2 = 900000 END
Output:
LP OPTIMUM FOUND AT STEP 0 OBJECTIVE FUNCTION VALUE 1) 0.0000000E+00
VARIABLE VALUE REDUCED COST DA1 0.000000 1.000000 DA2 0.000000 1.000000 DB3 0.000000 1.000000 DB4 0.000000 1.000000 X1 413946.000000 0.000000 DA3 20697.296875 0.000000 DA4 0.000000 0.000000 DB1 828216.000000 0.000000 DB2 72108.007812 0.000000 ROW SLACK OR SURPLUS DUAL PRICES 2) 0.000000 0.000000 3) 0.000000 0.000000 4) 0.000000 0.000000 5) 0.000000 0.000000 NO. ITERATIONS= 0
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE DA1 1.000000 INFINITY 1.000000 DA2 1.000000 INFINITY 1.000000 DB3 1.000000 INFINITY 1.000000 DB4 1.000000 INFINITY 1.000000 X1 0.000000 9680.000000 0.000000 DA3 0.000000 9219.047852 0.000000 DA4 0.000000 INFINITY 0.000000 DB1 0.000000 0.000000 1.000000 DB2 0.000000 0.000000 1.000000 RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE 2 413946.000000 20697.296875 INFINITY 3**************** 349002752.000000 190809360.000000 4 2484000.000000 INFINITY 828216.000000
12. DESEMBER 2016 Input:
MIN DA1 + DA2 + DB3 + DB4 SUBJECT TO
X1 + 0.05X1 + DB3 – DA3 = 380955 9680X1 + DB4 - DA4 = 3687644400 4X1 + DB1 - DA1 = 2235600 2X1 + DB2 - DA2 = 900000 END
Output:
LP OPTIMUM FOUND AT STEP 0 OBJECTIVE FUNCTION VALUE 1) 0.0000000E+00
VARIABLE VALUE REDUCED COST DA1 0.000000 1.000000 DA2 0.000000 1.000000 DB3 0.000000 1.000000 DB4 0.000000 1.000000 X1 380955.000000 0.000000 DA3 19047.751953 0.000000 DA4 0.000000 0.000000 DB1 711780.000000 0.000000 DB2 138090.000000 0.000000 ROW SLACK OR SURPLUS DUAL PRICES 2) 0.000000 0.000000 3) 0.000000 0.000000 4) 0.000000 0.000000 5) 0.000000 0.000000 NO. ITERATIONS= 0
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE DA1 1.000000 INFINITY 1.000000 DA2 1.000000 INFINITY 1.000000 DB3 1.000000 INFINITY 1.000000 DB4 1.000000 INFINITY 1.000000 X1 0.000000 9680.000000 0.000000 DA3 0.000000 9219.047852 0.000000 DA4 0.000000 INFINITY 0.000000 DB1 0.000000 0.000000 1.000000 DB2 0.000000 0.000000 1.000000 RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE 2 380955.000000 19047.751953 INFINITY 3**************** 668355584.000000 175602128.000000 4 2235600.000000 INFINITY 711780.000000
DAFTAR PUSTAKA
Anggraeni, Wiwik, dkk. 2015. Production Planning Optimization Using Goal Programming Methodin Habibah Busana. Journal of Management Science Vol. 3, No. 4, December.
Blackstone, John H. 1989. Capacity Management.Ohio : South-Western Publishing CO
Buffa, Elwood Spencer. 1983. Modern Production/Operation Management. Canada: John Wiley and Sons.
Ginting, Rosnani. 2007. Sistem Produksi. Yogyakarta : Graha Ilmu.
Lieberman, dkk. 2004. Pengantar Riset Operasi. Jakarta: Penerbit Erlangga
Makridakis, Spyros, dkk. 2006. Metode dan Aplikasi Peramalan. Jakarta: Binarupa Aksara.
Pinney, William E. 1987. Management Science: An Introduction to Quantitive Analysis for Management. New York: Harper & Row Publisher.
Rao, Singiresu S. 2009. Engineering Optimization : Theory and Practice. 3rd Edition. New Jersey : John Wiley and Sons.
Sinulingga, Sukaria. 2014. Metode Penelitian. Yogyakarta: Graha Ilmu. Siswanto. 2006. Operations Researh. Jilid I. Jakarta,: Erlangga.
BAB III
LANDASAN TEORI
3.1. Optimasi Produksi2
Ada satu metode yang tersedia untuk memecahkan semua masalah optimasi efisien.Maka sejumlah metode optimasi telah dikembangkan untuk memecahkan berbagai jenis masalah optimasi.Mencari metode yang optimum juga dikenal sebagai matematika teknik pemrograman dan umumnya dipelajari sebagai bagian dari riset operasi.Riset operasi adalah cabang dari matematika dengan penerapan metode ilmiah dan teknik pengambilan keputusan terhadap masalah dan membangun solusi terbaik atau optimal.Permulaan dari subjek riset operasi dapat ditelusuri pada periode awal Perang Dunia II.Selama perang, militer Inggris menghadapi masalah mengalokasikan sumber data yang sangat langka dan terbatas (seperti pesawat tempur, radar, dan kapal selam) untuk beberapa kegiatan Optimasi adalah tindakan untuk memperoleh hasil yang terbaik dengan keadaan yang diberikan.Dalam desain, konstruksi, dan pemeliharaan dari sistem teknik, insinyur harus mengambil beberapa teknologi dan keputusan manajerial dalam beberapa tahap.Tujuan akhir dari semua keputusan seperti itu adalah meminimalkan upaya yang diperlukan atau untuk memaksimalkan manfaat yang diinginkan. Usaha yang diperlukan atau manfaat yang diinginkan dalam prakteknya dapat dinyatakan sebagai proses untuk mendapatkan keadaan yang memberikan nilai maksimum atau minimum dari suatu fungsi.
2Singiresu S Rao, Engineering Optimization : Theory and Practice, 3rd Edition,( New Jersey : John
(penyebrangan ke berbagai sasaran dan tujuan). Karena ada tidak ada metode sistematis yang tersedia untuk emmecahkan masalah alokasi sumber daya, militer dipanggil tim matematika untuk mengembangkan metode untuk memecahkan masalah secara ilmiah. Metode-metode yang dikembangkan ileh tim yang berperan dalam memenangkan pertempuran udara oleh Britain. Metode ini, seperti pemrograman linier, yang dikembangkan sebagai hasil dari riset operasi (militer), kemudian dikenal sebagai metode operasi peneletian.
Optimasi produksi adalah penggunaan faktor-faktor produksi yang terbatas seefisien mungkin. Faktor-faktor produksi tersebut adalah modal, mesin, peralatan, bahan baku, bahan pembantu, tenaga kerja, dan lain sebagainya. Optimasi produksi diperlukan perusahaan dalam rangka mengoptimalkan sumber daya yang digunakan agar suatu produksi dapat menghasilkan produk.Optimasi merupakan pendekatan normative dengan mengidentifikasi penyelesaian terbaik dari suatu permasalahan yang diarahkan pada titik maksimum atau minimum suatu fungsi tujuan dalam kuantitas dan kualitas yang diharapkan, sehingga perusahaan dapat mencapai tujuannya.
3.2. Kapasitas (capacity)3
Keputusan kritis dalam operasi bisnis adalah pengembangan dari master plan, rencana dasar dari barang dan jasa apa yang dihasilkan dari periode perencanaan. Untuk perusahaan manufaktur periode perencanaan biasanya berlangsung selama 6 sampai 18 bulan.Selama periode ini, gedung dan peralatan
3John H. Blackstone, Capacity Management, (Ohio : South-Western Publishing CO:, 1989) h. 16
besar dianggap tetap, tetapi tingkat ketenagakerjaan termasuk variabel.Dalam mengembangkan master plan, sangat penting untuk memastikan bahwa kapasitas cukup ada di beberapa area kerja yang kritis untuk memenuhi permintaan yang diproyeksikan. Jika ada kapasitas tidak mencukupi, pertumbuhan lead time, due datesterlewatkan, persediaan menumpuk, dan margin keuntungan memburuk. Proses verifikasi yang ada kapasitas yang cukup untuk memenuhi master schedule dikenal sebagai perencanaan kapasitas rough-cut.
3.3. Perencanaan Kapasitas4
Strategi operasi jangka panjang suatu organisasi sampai tingkat tertentu dinyatakan dalam rencana kapasitas.Dalam hubungannya dengan rencana kapasitaslah hal-hal berikut ini harus dipertimbangkan.Bagaimana kecenderungan pasarnya, baik dalam ukuran, lokasi pasar maupun inovasi teknologi.Sejauh mana faktor ini dapat diperkirakan. Apakah terlihat adanya inovasi dalam proses di masa depan yang akan memberikan dampak pada rancangan produk dan jasa. Bagaimana pengaruh produk baru pada kebutuhan kapasitas. Apakah terlihat adanya inovasi dalam proses dimasa depan yang akan mempengaruhi metode produksi. Apakah sistem produksi yang kontinyu cocok di masa depan. Bagaimana kebutuhan kapasitas dipengaruhi oleh inovasi dalam proses produksi. Apakah akan menguntungkan untuk melakukan integrasi secara vertikal selama jangka waktu perencanaan. Dalam merencanakan kapasitas baru, apakah kita mengembangkan fasilitas yang sudah ada atau akan membangun pabrik baru.
4Elwood Spencer Buffa, Modern Production/Operations Management, 7th Edition,( Canada : John
Berapakah ukuran pabrik yang optimal.Apakah serangkaian unit kecil ditambahkan apabila dibutuhkan, atau unit yang lebih besar ditambahkan secara periodik.Apakah kebijakannya adalah menyediakan kapasitas sedemikian hingga dimungkinkan adanya kehilangan penjualan dalam jumlah tertentu, ataukah seluruh permintaan harus dipenuhi.
Masalah-masalah strategis itu harus dipecahkan sebagai bagian perencanaan kapasitas.Dalam menilai alternatif-alternatif, maka pendapatan, biaya modal, dan biaya operasi dapat diperbandingkan, tetapi manager mungkin harus menimbang akibat yang mungkin dari masalah strategis itu terhadap keuntungan dan kerugian ekonomis.
Perencanaan Kapasitas produksi adalah kemampuan pembatas dari unit produksi untuk dapat berproduksi dalam waktu tertentu, dan biasanya dinyatakan dalam bentuk output per satuan waktu. Yang dimaksud dengan unit produksi adalah tenaga kerja, mesin, unit stasiun kerja, proses produksi, perencanaan dan organisasi produksi. Tujuan perencanaan kapasitas adalah melihat apakah pabrik mampu memenuhi permintaan pasar yang diramalkan atau tidak. Manfaat dari perhitungan kapasitas produksi ini adalah:
1. Dapat meminimalkan keterlambatan pengiriman produk karena kesalahan perhitungan.
2. Menjembatani ketidakharmonisan antara kapasitas yang ada dengan kapasitas yang diperlukan untuk memenuhi kebutuhan pasar.
4. Dapat meminimalkan biaya produksi dan harga pokok penjualan unit produk. Perencanaan kapasitas yang tepat ini penting untuk menghindari kehilangan keuntungan karena kekurangan kapasitas atau utilitas yang rendah karena kelebihan kapasitas. Didalam perencanaan kapasitas terdapat 3 strategi yaitu:
1. Capacity lead strategy yaitu kapasitas berada didepan permintaan. Strategi ini cocok untuk untuk pasar yang ada berkembang saat ini.
2. Capacity lag strategy yaitu kapasitas berada dibawah permintaan. Strategi ini berpeluang untuk mengalami kerugian.
3. Average lead strategy yaitu kapasitas berada sejajar dengan permintaan dimana kapasitas yang ada jumlahnya yang tersedia hanya sebanyak permintaan yang ada.
3.4. Peramalan
3.4.1. Konsep Dasar dan Pengertian Peramalan
Peramalan merupakan suatu tahap awal dari perencanaan produksi. Pada tahap ini ingin diketahui bagaimana keadaan di masa mendatang. Dalam kaitannya dengan perencanaan produksi, maka keadaan di masa mendatang yang dimaksud adalah jumlah permintaan produk yang diminta konsumen.
Melalui peramalan, maka ketidakpastian permintaan di masa mendatang akan dapat dikurangi sehingga diperoleh perkiraan yang mendekati kondisi yang sebenarnya. Peramalan kuantitatif merupakan salah satu metode peramalan yang dapat digunakan, yaitu dengan menggunakan model matematis dalam mengolah data masa lalu.
3.4.2. Faktor-faktor yang Mempengaruhi Pemilihan Teknik Peramalan
Peramalan dimaksudkan untuk memperkecil resiko yang timbul akibat pengambilan keputusan dalam suatu perencanaan produksi.Semakin besar upaya yang dikeluarkan tentu resiko dapat diperkecil.Namun upaya memperkecil resiko tersebut dibatasi biaya yang diperlukan.
Faktor-faktor yang harus dipertimbangkan dalam peramalan:5
a. Cakupan waktu di masa yang akan datang 1. Horizon Peramalan
Ada dua aspek dari horison waktu yang berhubungan dengan masing-masing metode peramalan yaitu:
Perbedaan dari metode peramalan yang digunakan sebaiknya disesuaikan. b. Periode peramalan
Ada teknik dan metode peramalan yang hanya dapat meramal untuk peramalan satu atau dua periode di muka, teknik dan metode lain dapat meramalkan beberapa waktu di depan.
2. Tingkat Ketelitian
Tingkat ketelitian yang dibutuhkan sangat erat hubungannya dengan tingkat kerincian yang dibutuhkan dalam suatu peramalan. Dalam suatu pengambilan keputusan diharapkan variasi atau penyimpangan atas ramalan antara 10% -15% sedangkan pengambilan keputusan yang lain variasi 5% sudah berbahaya.
3. Ketersediaan Data
Metode yang digunakan sangat besar manfaatnya. Apabila dari data yang lalu diketahui adanya pola musiman, maka untuk untuk peramalan satu tahun ke depan sebaiknya digunakan metode variasi musiman. Sedangkan apabila diketahui hubungan antar variabel saling mempengaruhi, maka perlu digunakan metode sebab akibat atau korelasi.
4. Bentuk Pola Data
Dasar utama metode peramalan adalah anggapan bahwa pola data yang diramalkan akan berkelanjutan. Sebagai contoh, beberapa deret yang menunjukan pola musiman, atau trend. Metode peramalan yang lain mungkin lebih sederhana, terdiri atas satu nilai rata-rata, dengan fluktuasi yang acakan atau random yang terkandung. Karena perbedaan kemampuan metode peramalan untuk mengidentifikasi pola-pola data, maka perlu adanya usaha penyesuaian pola data.
5. Biaya
penggunaan teknik peramalan. Adanya perbedaan nyata berpengaruh atas menarik tidaknya penggunaan metode tertentu untuk suatu keadaan yang dihadapi.
6. Jenis dari Model
Sebagai tambahan perlu diperhatikan anggapan beberapa dasar yang penting dalam nyata.Banyak metode peramalan telah menganggap adanya beberapa model dari keadaan yang diramalkan. Model-model ini merupakan suatu derat dimana waktu digambarkan sebagai unsur penting untuk menentukan perubahan-perubahan dalam pola, yang mungkin secara sistematik dapat dijelaskan dengan analisis regresi atau korelasi.
7. Mudah Tidaknya Penggunaan dan Aplikasinya.
Satu prinsip umum dalam penggunaan metode ilmiah dari peramalan untuk manajemen dan analisis adalah metode-metode yang dapat dimengerti dan mudah diaplikasikan yang akan digunakan dalam pengambilan keputusan dan analisa.
3.4.3. Teknik Peramalan
Peramalan sebenarnya upaya untuk memperkecil resiko yang timbul akibat pengambilan keputusan dalam suatu perencanaan produksi. Semakin besar upaya yang dikeluarkan tentu resiko yang dapat dihindari semakin besar pula.
Teknik peramalan dapat dibedakan dalam dua kategori utama6
6Ibid.,h.38-44
a. Peramalan Kualitatif yaitu peramalan yang didasarkan atas kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, judgement atau pendapat, dan pengetahuan serta pengalaman dari penyusunnya. Biasanya peramalan secara kualitatif ini didasarkan atas hasil penyelidikan. Meskipun demikian, peramalan dengan metode kualitatif tidak berarti hanya menggunakan intuisi, tetapi juga bisa mengikutsertakan model-model statistik sebagai bahan masukan dalam melakukan keputusan, dan dapat dilakukan secara perseorangan maupun kelompok. Metode peramalan kualitatif dapat digolongkan menjadi: Metode Delphi, Dugaan Manajemen, Riset Pasar, Analogi Historis.
b. Peramalan Kuantitatif yaitu peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang dipergunakan dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh hasil peramalan yang berbeda, adapun yang perlu diperhatikan dari penggunaan metode tersebut adalah baik tidaknya metode yang dipergunakan, sangat ditentukan oleh perbedaan atau penyimpangan antara hasil ramalan dengan kenyataan yang terjadi. Metode yang baik adalah metode yang memberikan nilai-nilai perbedaan atau penyimpangan sekecil mungkin.
Metode peramalan kuantitatif dibedakan atas dua bagian, yaitu7
7Spyros, Makridakis, dkk, Metode dan Aplikasi Peramalan. (Jakarta: Bina Rupa Raksa.2006),
h.101-120
1. Metode Time Series, digunakan untuk menganalisa serangkaian data yang merupakan fungsi dari waktu. Metode ini mengasumsikan beberapa pola atau kombinasi pola selalu berulang sepanjang waktu, dan pola dasarnya dapat diidentifikasi semata-mata atas dasar data historis dari serial itu. Ada empat komponen yang mempengaruhi analisis ini, yaitu pola siklis, pola musiman, pola horizontal, dan pola tren. Metode peramalan yang termasuk model time series terbagi dua, yaitu metode penghalusan (smoothing) dan metode
proyeksi kecendrungan dengan regresi. a. Metode Penghalusan (Smoothing)
Metode Smoothing digunakan untuk mengurangi ketidak-teraturan musiman dari data yang lalu, dengan membuat rata-rata tertimbang dari sederetan data masa lalu. Ketetapan peramalan dengan metode ini akan terdapat pada peramalan jangka pendek, sedangkan untuk peramalan jangka panjang kurang akurat.
b. Metode Proyeksi Kecendrungan dengan Regresi
Salah satu metode peramalan kuantitatif yang dapat digunakan adalah Metode Proyeksi Kecenderungan dengan Regresi. Metode ini merupakan dasar garis kecenderungan untuk suatu persamaan.Dengan dasar persamaan tersebut dapat diproyeksikan hal-hal yang akan diteliti pada masa mendatang. Bentuk-bentuk fungsi dari metode ini dapat berupa (Ginting, 2007):
1) Konstan, dengan fungsi peramalan (Yt): Y’ = a
Keterangan: Y’ = Nilai tambah N = Jumlah periode
2) Linier, dengan fungsi peramalan: Y’ = a + bX Dimana:
a= Y −bX n
b = n∑Xy − ∑(X)∑(Y) n∑X2−(∑X)2
3) Kuadratis, dengan fungsi peramalan : Y’ = a + bX + cX2 Dimana :
a = ∑Y − b∑X − c∑X
2
n b = ∂δ − θα
∂β −�2
c = θ − bα ∂
∂= ��X2�
2
−n �X4
δ= �X�Y−n�XY
θ= �X2�Y−n�X2Y
β= �(X)2−n �X2
4) Eksponensial, dengan fungsi peramalan : Y’ = aebX
Dimana :
ln a= ∑ln Y−b∑X n
ln b = n∑X ln Y− ∑X∑ln Y n∑X2−(∑X)2
5) Siklis, dengan fungsi peramalan :
Y�′ = a + b sin2πX
n + c cos 2πX
n Dimana :
�Y = na + b sin2πX
n + c �cos 2πX
n
�Y sin 2πX
n = a sin 2πX
n + b���
22πX
n + c �sin 2πX
n cos 2πX
n
�Y cos 2πX
n = a � ��� 2πX
n + c���
22πX
n + b �sin 2πX
n cos 2πX
n c. Metode Dekomposisi
siklus menggambarkan baik turunnya ekonomi atau industri tertentu dan sering terdapat pada deret data seperti Produk Bruto Nasional (GNP), indeks produksi industri, permintaan untuk perumahan, penjualan barang industri seperti mobil, harga saham, tingkat obligasi, penawaran uang dan tingkat bunga. Faktor musiman berkaitan dengan fluktuasi periodik dengan panjang konstan yang disebabkan oleh hal-hal seperti temperatur, curah hujan, bulan pada suatu tahun, saat liburan dan kebijaksanaan perusahaan. Perbedaan antara musiman dan siklus adalah bahwa musiman itu berulang dengan sendirinya pada interval yang tetap seperti tahun, bulan atau minggu, sedangkan faktor siklus mempunyai jangka waktu yang satu ke siklus yang lain.
Dekomposisi mempunyai asumsi bahwa data itu tersusun sebagai berikut: Data = pola + kesalahan
= f(trend, siklus, musiman) + kesalahan
Bentuk fungsional yang pasti dari persamaan dekomposisi bergantung pada metode dekomposisi yang digunakan. Untuk semua metode tersebut proses dekompisisinya adalah serupa dan terdiri atas langkah-langkah sebagai berikut:
menghilangkan unsur musiman dengan membuat rata-rata dari periode yang musimnya tinggi dan periode yang musimnya rendah. Karena kesalahan random tidak mempunyai pola yang sistematis maka pemerata-rataan ini juga mengurangi kerandoman.
2. Pisahkan rata-rata bergerak N periode (langkah 1 di atas) dari deret data semula untuk memperoleh unsur trend dan siklus
3. Pisahkan faktor musiman dengan menghitung rata-rata untuk tiap periode yang menyusun panjang musiman secara lengkap.
4. Identifikasi bentuk trend yang tepat (linier, eksponensial, dan lain-lain) dan hitung nilainya untuk setiap periode (Tt)
5. Pisahkan musiman, trend dan siklus dari data asli untuk mendapatkan unsur random yang ada Et.
3.4.4. Kriteria Performance Peramalan
Tabel 3.1. Pengukuran Kesalahan (Error) Peramalan
No. Pengukur Rumus
1. Meanabsolute deviation (MAD)
MAD = ∑ �Yi –Y�i�
n i = 1
n 2. Mean squared error (MSE)
MSE = ∑ �Yi –Y�i�
2 n
i = 1
n 3. Standard deviation of regression (Sr)
Sr = ∑ �Yi –Y�i�
2 n
i = 1
n – 2 4. Mean absolute percent error (MAPE)
MAPE = 100 ∑ �Yi –Y�i�/Yi
n i = 1
n 5. Mean error (ME)
ME = � ∑ �Yi –Y�i�
n i = 1
n 6. Mean percent error (MPE)
MPE = 100 ∑ �Yi –Y�i�/Yi
n i = 1
n 7. Tracking signal (TS)
TS = ∑ �Yi –Y�i�
n i = 1
MAD 8. Standard error of estimate (SEE)
SEE2 = ∑ �Yi –Y�i�
2 n
i = 1
n – f
Keterangan:
Yi = Permintaan aktual pada periode i
Y�i = Hasil peramalan permintaan pada periode i n = Banyaknya pengamatan atau periode waktu f = Derajat kebebasan
3.4.5. Proses Verifikasi Peramalan
Proses verifikasi peramalan dilakukan dengan menggunakan Moving Range Chart (MRC)untuk melihat apakah metode peramalan yang diperoleh
digunakan tidak sesuai dan perlu dilakukan revisi. Moving Range Chart dapat dilihat pada Gambar 3.1.
Gambar 3.1. Moving Range Chart
Empat aturan titik yang dapat digunakan untuk memeriksa kondisi out of controladalah sebagai berikut:
1. Aturan Satu Titik
Bila titik sebaran berada di luar UCL dan LCL. Walaupun semua titik sebaran berada di dalam batas kontrol, fungsi/metode peramalan belum tentu representatif. Oleh karena itu,analisis perlu dilanjutkan dengan membagi MRC dalam tiga daerah, yaitu A, B dan C.
2. Aturan Tiga Titik
Bila tiga buah titik secara berurutan berada pada salah satu sisi, dimana dua diantaranya jatuh pada daerah A.
3. Aturan Lima Titik
4. Aturan Delapan Titik
Bila delapan buah titik secara berurutan berada pada salah satu sisi, yaitu pada daerah C
3.5. Goal Programming8
No.
3.5.1. Pengertian dan Konsep Dasar Goal Programming
[image:40.595.117.494.472.647.2]Meskipun pemrograman linear merupakan alat pemecahan masalah yang sangat berguna dan sering diterapkan, ada banyak jenis masalah yang tidak memberi diri untuk mengarahkan solusi melalui penggunaannya.Banyak dari ini dapat diselesaikan dengan penerapan salah satu tujuan khusus algoritma yang telah dikembangkan kebanyakan jenis struktur masalah tertentu.Berikut adalah daftar dari beberapa model khusus dan jenis penyelesaian masalahnya.
Tabel 3.2. Contoh Tipe Masalah dan Model Solusinya
Tipe Masalah Model Solusi
1 Fungsi tujuan order kedua Quadratic programming 2 Istilah persamaan adalah produk (dari pada
summations) Geometric programming
3 Semua variabel harus bilangan bulat Integer programming 4 Beberapa variabel bilangan bulat dan
beberapanya campuran bilangan bulat Mixed-integer programming 5 Variabel yang baik diserakan (nilai 1) atau
tidak (nilai 0) 0-1 programming
6 Masalah tidak ada solusi yang layak Goal programming 7 Masalah linear tetapi memiliki lebih dari
satu tujuan untuk mengoptimalkan pada waktu yang sama
Goal programming
Model Goal Programming merupakan perluasan dari model pemrogaman linier, sehingga seluruh asumsi, notasi formulasi model matematis, prosedur
8
William E. Pinney, Management Science : An Introduction to Quantitive Analysis for
perumusan model dan penyelesaiannya tidak berbeda9
Beberapa asumsi dasar yang diperhatikan dalam goal programming adalah:
. Perbedaannya hanya terletak pada kehadiran sepasang variabel deviasioanal yang akan muncul difungsi tujuan dan fungsi-fungsi kendala. Goal Programming adalah salah satu model matematis (empiris) yang dipakai sebagai dasar dalam pengambilan keputusan dan karenanya pendekatan Goal Programming ini disebut dengan pendekatan kuantitatif. Goal Programming dipakai untuk menjawab berbagai masalah yang pemecahannya lebih sesuai menggunakan Goal Programming daripada menggunakan teknik lainnya.Hal ini memerlukan tiga langkah:
1. Menambah tujuan (kendala) dengan slack yang tepat (S) dan kendala variabel (V)
2. Menambah fungsi tujuan dengan penambahan signyang tepat dan slack berbobot dan pelanggaran dari variabel
3. Menyelasaikan masalah ini diperluas pada setiap paket pemrograman standar linier.
10
a. Proportionality, di dalam membuat suatu model progam linier perlu diketahui bahwa suatu sistem Linier Programming diketahui yaitu input, output dan aktivitas. Sebelum aktivitas dimulai, diperlukan beberapa input. Input yang digunakan bertambah secara proporsionil (sebanding) dengan pertambahan aktivitas.
9
Siswanto, Operations Research, Jilid I, (Jakarta: Erlangga, 2006), h. 341-344.
10Hillier, F. dan Lieberman, G. Pengantar Riset Opersi. 2004. Penerbit Erlangga. Jakarta. Jilid 1
b. Accountability For Resources, hal ini berkaitan dengan sumber-sumber yang tersedia harus dihitung sehingga dapat dipastikan berapa bagian yang terpakai dan berapa bagian yang tdak terpakai.
c. Linearity of objectives, dimana fungsi tujuan dan faktor-faktor pembatasnya
harus dapat dinyatakan sebagai fungsi linier programming.
d. Deterministik, pada asumsi ini menghendaki agar semua parameter tetap dan diketahui atau ditentukan secara pasti.
Ada beberapa istilah yang digunakan dalam Goal Programming, yaitu :
a. Variabel keputusan
Variabel keputusan (decision variable) adalah seperangkat variabel yang tidak
diketahui yang berada di bawah kontrol pengambilan keputusan, yang
berpengaruh terhadap solusi permasalahan dan keputusan yang akan diambil.
Biasanya dilambangkan dengan Xj (j = 1, 2, 3,…, n).
3.5.2. Kendala Sasaran
pemrograman linier, kendala-kendala fungsional menjadi pembatas bagi usaha pemaksimuman atau peminimuman fungsi tujuan, maka pada model Goal Programming kendala-kendala itu merupakan sara untuk mewujudkan sasaran yang hendak dicapai.
3.5.3. Bentuk Umum Model Goal Programming11
di- = Penyimpangan negatif
Misalnya dalam perusahaan terdapat keadaan,
Z = C1X1 + C2X2 + C3X3 + …. + CiXi ST : a1X1 + a2X2 + a3X3 + …. + aiXi ≤Yi
b1X1 + b2X2 + b3X3 + …. + biXi ≤ Di dimana: Z : Fungsi Tujuan
ST : Fungsi Pembatas Xi : Jumlah variabel X Yi : Jumlah variabel Y Di : Jumlah variabel D
Maka, hal ini dapat diselesaikan dengan model Goal Programmingsebagai berikut :
Min Z = P1(d1+ + d1-) + P2 (d2+ + d2-) + …. + Pi (di+ + di-)
ST :
∑��=11a1X1 + di+ + di-≤ Yi ∑��=11a1X1 + di+ + di-≤ Yi
Dimana : Pi = Tujuan-tujuan yang ingin dicapai di+ = Penyimpangan positif
3.5.4. Langkah-Langkah Goal Programming
Langkah yang harus dilakukan dalam pembentukan model Goal Programming antara lain12
1. Penentuan variabel keputusan, yaitu parameter-parameter yang berpengaruh terhadap keputusan
:
2. Formulasi Fungsi Tujuan
3. Menyusun persamaan matematis untuk tujuan yang telah ditetapkan.
Tiap fungsi tujuan harus digambarkan sebagai fungsi variabel keputusan. gi=fi(x), fi(x) = fungsi variabel keputusan pasa tujuan ke i.
setiap fungsi harus memiliki ruas kanan dan ruas kiri. Harga di- menunjukkan besarnya deviasi negatif fi(x) dari bi, sedangkan nilai di+ menunjukkan besarnya nilai deviasi positif.
f
i(x) + di -
- d
i +
= b
i dimana i = 1,2,3,...m
4. Memilih tujuan absolut, yaitu tujuan yang harus dipenuhi dan ditetapkan sebagai prioritas membentuk suatu fungsi pencapaian.
5. Menetapkan tujuan pada tingkat prioritas yang tepat 6. Menyederhanakan model
Langkah ini perlu dilakukan untuk mendapatkan model yang cukup besar sehingga model dapat mewakili semua tujuan.
7. Menyusun fungsi Pencapaian
12
3.5.5. Metode Pemecahan MasalahGoal Programming13
1. Metode Grafis
Ada tiga macam metode yang digunakan untuk menyelesaikan model Goal Programming, yaitu metode grafis dan metode algoritma simpleks.
Metode grafis digunakan untuk menyelesaikan masalah Goal Programmingdengan dua variabel.Langkah-langkah penyelesaian dengan metode grafis adalah:
a. Menggambar fungsi kendala pada bidang kerja sehingga diperoleh daerah yang memenuhi kendala.
b. Meminimumkan variabel deviasional agar sasaran-sasaran yang diinginkan tercapai dengan cara menggeser fungsi atau garis yang dibentuk oleh variabel deviasional terhadap daerah yang memenuhi kendala.
2. Metode algoritma simpleks
Algoritma simpleks digunakan untuk menyelesaikan masalah GoalProgramming dengan menggunakan variabel keputusan lebih dari dua. Langkah-langkah penyelesaian Goal Programming dengan metode algoritma simpleks adalah :
a. Membentuk tabel simpleks awal
b. Pilih kolom kunci dimana Cj-Zj memiliki nilai negatif terbesar. Kolom kunci ini disebut kolom pivot.
c. Pilih baris kunci yang berpedoman pada bi/aij dengan rasio terkecil dimana bi adalah nilai sisi kanan dari setiap persamaan. Baris kunci ini disebut baris pivot.
d. Mencari sistem kanonikal yaitu sistem dimana elemen pivot bernilai 1 dan elemen lain bernilai nol dengan cara mengalikan baris pivot dengan -1 lalu menambahkannya dengan semua elemen dibaris pertama. Dengan demikian, diperoleh tabel simpleks iterasi I.
e. Pemeriksaan optimalitas, yaitu melihat apakah solusi layak atau tidak. Solusi dikatakan layak bila variabel adalah positif atau nol.
3. Penyelesaian model Goal Programming menggunakan software LINDO. LINDO, singkatan dari Linear Interactive Discrete Optimizer, adalah sebuah program yang dirancang untuk menyelesaikan kasus-kasus pemrograman linear. Sebuah kasus harus diubah dahulu ke dalam sebuah model matematis pemrograman linear yang menggunakan format tertentu agar bisa diolah oleh program LINDO.
1. Input LINDO
Program ini menghendaki input sebuah program matematika dengan struktur tertentu. Contoh bentuk input di program LINDO adalah :
MIN DA1 + DB1 + DA2 + DB2 + DB3 + DB4
SUBJECT TO
2) –DA1 + DB1 + 5X1 + 6X2 = 60
3) –DA2 + DB2 + X1 + 2X2 = 16
4) DB3 + X1 = 10
5) DB4 + X2 = 6
2. Output LINDO
Setelah data dimasukkan, segera perintahkan program untuk mengolah data tersebut melalui fasilitas perintah ‘solve’. Sesaat kemudian program menampilkan hasil olahannya. Output atau hasil olahan program LINDO pada dasarnya bisa dipisahkan menjadi dua bagian, yaitu Optimal Solution atau penyelesaian optimal dan Sensitivity Analysis atau analisis sensitivitas
Hasil olahan LINDO memuat lima macam informasi yaitu : 1) Nilai fungsi tujuan di bawah label Objective Function Value.
Informasi ini ditandai dengan notasi ‘I’ untuk menunjukkan bahwa di dalam struktur input LINDO, fungsi tujuan ditempatkan pada baris ke-1 dan fungsi kendala mulai dari urutan baris ke-2.
2) Nilai optimal variabel keputusan di bawah label value.
Variabel keputusan pada output LINDO ditandai dengan label variable. Misalnya variabel keputusan X1 dan X2, maka bilangan di bawah valueI dan berada pada baris dimana X1 berada menunjukkan nilai optimal variabel keputusan.
3) Sensitivitas Cj jika Xj = 0 di bawah kolom reduced cost.
4) Slack Variable atau surplus variable di bawah label slack or surplus
Informasi ini menunjukkan nilai slack dan surplus masing-masing kendala ketika nilai fungsi tujuan mencapai nilai ekstrem.
5) Dual Price
Informasi ini menunjukkan tentang perubahan yang akan terjadi pada nilai fungsi tujuan bila nilai ruas kanan kendala berubah satu unit.
Hasil olahan LINDO juga memberikan informasi mengenai jumlah iterasi yang diperlukan untuk menemukan penyelesaian optimal. Misalnya, output untuk contoh di atas adalah :
OUTPUT:
LP OPTIMUM FOUND AT STEP 5
OBJECTIVE FUNCTION VALUE 1) 5.000000
VARIABLE VALUE REDUCED COST
DA1 0.000000 0.750000
DB1 0.000000 1.250000
DA2 0.000000 1.250000
DB2 0.000000 0.750000
DB3 4.000000 0.000000
DB4 1.000000 0.000000
X1 6.000000 0.000000
X2 5.000000 0.000000
ROW SLACK OR SURPLUS DUAL PRICES
2) 0.000000 0.250000
3) 0.000000 -0.250000
4) 0.000000 -1.000000
5) 0.000000 -1.000000
BAB IV
METODOLOGI PENELITIAN
4.1 Tempat dan Waktu Penelitian
Penelitian ini dilakukan di PT. Bakrie Sumatera Plantations, Tbk-Bunut Rubber Factory yang beralamat di Jalan Ir. Haji Juanda - Kisaran, Kabupaten Asahan-Sumatera Utara.Penelitian dilakukan mulai dari Desember 2015sampai dengan Juni 2016.
4.2. Jenis Penelitian
Jenis penelitian yang dilakukan adalah penelitian deskriptif yaitu penelitian yang bertujuan untuk mencandra atau mendeskripsikan secara sistematik, faktual dan akurat tentang fakta-fakta dan sifat-sifat suatu objek atau populasi tertentu. (Sukaria Sinulingga, 2013).
4.3. Objek Penelitian
4.4. Variabel Penelitian
Variabel adalah sesuatu yang memiliki nilai yang berbeda-beda atau bervariasi.Nilai dari variabel dapat bersifat kuantitatif atau kualitatif.
Variabel dan definisi operasional yang terdapat dalam penelitian ini adalah:
1. Variabel Independen
a. Data permintaan merupakan jumlah produk periode Januari 2015 sampai dengan Desember 2015 Data ini diperoleh dari dokumen perusahaan. b. Data harga pokok produk diperoleh dari dokumen perusahaan.
c. Pemakaian dan ketersediaan bahan baku merupakan total bahan baku yang diperlukan dan yang tersedia dalam proses pembuatan produk diperoleh dari dokumen perusahaan.
d. Data waktu pengerjaan produk dan Jam kerja tersedia, yaitu total lama kerja dari 3shift pada departemen produksi selama satu bulan diperoleh dari dokumen perusahaan.
e. Data kecepatan produksi diperoleh dari hasil wawancara dengan kepala bagian produksi.
2. Variabel dependen
Jumlah produksi yang optimal dengan dengan metode goal programming.
4.5. Kerangka Konseptual Penelitian
logis antara variabel-variabel yang telah diidentifikasi yang penting dan menjadi fondasi dalam melaksanakan penelitian. Rumusan masalah pada penelitian mengenai perencanaan produksi ini yaitu masih sering terjadinya kelebihan volume produksi dan kegagalan dalam memenuhi permintaan yang tidak sesuai dengan waktu penyelesaian yang telah ditentukan.
Kerangka konseptual penelitian ini dapat dilihat pada Gambar 4.1.
Jenis dan Spesifikasi Produk
Jumlah bahan baku tersedia Penjualan Produk
Rencana produksi yang optimal
Waktu Proses Pengerjaan Produk
Shift Kerja
[image:51.595.152.471.291.432.2]Kapasitas Produksi
Gambar 4.1. Kerangka Konseptual Penelitian
4.6. Blok Diagram Prosedur Penelitian
Rumusan Masalah : Adanya fluktuasi permintaan dan hasil
produksi
Studi Pendahuluan : - Melihat Kondisi Nyata Pabrik - Mengamati Proses Produksi
Studi Literatur : - Mencari Metode Pemecahan Masalah - Mencari Teori Pendukung
Pengumpulan Data
Data Primer : - Proses Pengerjaan Produk - Waktu Pengerjaan Produk
Data Sekunder :
- Data Penjualan Januari 2015 Desember 2015
- Harga Pokok dan harga penjualan - Jumlah hari kerja yang tersedia - Pemakaian Bahan Baku - Ketersediaan Bahan Baku
Pengolahan Data
1. Peramalan permintaan
2. Perencanaan produksi dengan Goal Programming:
- Penentuan asumsi dasar
- Formulasi fungsi (menentukan variabel keputusan, fungsi kendala dan tujuan) - Menyusun persamaan matematis
- Penyelesaian fungsi secara optimal dengan pencapaian multitujuan menggunakan
LINDO
Analisis dan Pembahasan
[image:52.595.140.467.100.663.2]Kesimpulan dan Saran Pengumpulan Data
4.7. Pengumpulan Data
4.7.1. Sumber Data
Berdasarkan cara pengumpulannya, data yang digunakan dalam penelitian ini adalah:
1. Data Primer, yaitu data yang diperoleh dari pengamatan yang dilakukan secara
langsung terhadap kondisi nyata di lantai produksi. Data primer ini meliputi proses
pengerjaan dan waktu pengerjaan produk.
2. Data Sekunder, yaitu data yang dikumpulkan dengan cara melakukan wawancara
atau juga melalui catatan-catatan perusahaan.
Data sekunder yang dikumpulkan meliputi:
a. Data Penjualan Januari 2015 sampai dengan Desember 2015. b. Harga pokok dan harga penjualan produk yang diteliti.
c. Jumlah hari kerja untuk mengetahui ketersediaan jam kerja.
d. Pemakaian dan ketersediaan bahan baku untuk mengetahui komposisi
pemakaian bahan baku utama dan pembatas pemakaian bahan baku.
4.7.2. Metode Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah: 1. Melakukan pengamatan langsung di lantai produksi
2. Melakukan wawancara kepada pihak perusahaan yang berkaitan dengan informasi yang dibutuhkan.
4.8. Metode Pengolahan Data
Langkah-langkah dalam proses pengolahan data adalah: 1. Meramalkan Permintaan untuk tiap Produk pada Tahun 2016
Peramalan dilakukan untuk mengetahui perkiraan permintaan untuk tahun 2016, dimana data yang digunakan sebagai dasar dalam melakukan peramalan adalah data permintaan tahun sebelumnya yaitu Januari 2015 sampai dengan Desember 2015.Data-data yang diperoleh dihitung dengan menggunakan metode-metode peramalan time series dan pemilihan peramalan terbaik dilakukan dengan membandingkan kesalahan peramalan.Peramalan terbaik adalah peramalan yang memiliki kesalahan terkecil.
2. Formulasi Fungsi
a. Variabel Keputusan
Variabel Keputusan merupakan output yang akan dioptimalkan sehingga memenuhi kriteria sasaran dan kendala. Variabel keputusan untuk perencanaan produksi di Pabrik Bunut PT. Bakrie Sumatra Plantation, Tbk adalah jumlah masing-masing jenis produk yang akan diproduksi. b. Fungsi kendala
1) Kendala Kinerja Mesin dan Ketersediaan Jam Kerja
Kinerja mesin yang dimaksud adalah pemakaian jam kerja mesin untuk menghasilkan 1 kg cenex, kemudian dihitung waktu kerja yang tersedia dengan cara:
Setelah diperoleh waktu penyelesaian produk dan waktu kerja tersedia, maka akan dibuat formulasi kendala ketersediaan jam kerja.
2) Kendala Pemakaian dan Ketersediaan Bahan Baku
Data pemakaian dan ketersediaan bahan baku untuk membuat tiap produk diperoleh dari data hasil dokumentasi perusahaan.
3) Fungsi Sasaran
Pemilihan sasaran didasarkan pada keterangan manajemen perushaan dan juga berdasarkan kesimpulan yang di ambil dari pengamatan dan pengukuran data. Sasaran yang akan dicapai adalah memaksimalkan volume produksi, memaksimumkan keuntungan, meminimumkan pemakaian jam kerja dan meminimumkan pemakaian bahan baku. Sasaran-sasaran ini disusun berdasarkan prioritas sesuai dengan kepentingan perusahaan.
4) Sasaran memaksimalkan volume produksi 5) Sasaran memaksimalkan keuntungan
3. Memformulasikan fungsi pencapaian yaitu menggabungkan variabel-variabel keputusan dengan fungsi kendala dan sasaran.
4.9. Analisis Pemecahan Masalah
Hasil dari pengolahan data pada peramalan dan penentuan jumlah produk optimal dengan pendekatan Goal Programming selanjutnya dianalisis untuk melihat perbandingan yang diperoleh antara metode Goal Programming dengan perencanaan yang ada di perusahaan.
4.10. Kesimpulan dan Saran
BAB V
PENGUMPULAN DAN PENGOLAHAN DATA
5.1. Pengumpulan Data
Data yang dikumpulkan untuk menganalisa permasalahan jumlah produksi di PT. Bakrie Sumatera Plantations (BSP), Tbk- Bunut Rubber Factoryyaitu: 1. Data penjualan mulai dari Januari 2015 sampai dengan Desember 2015 2. Harga pokok dan harga penjualan produk yang akan dianalisa
3. Kapasitas produksi dan hari kerja untuk mengetahui kapasitas terpasang dan ketersediaan jam kerja
4. Pemakaian dan ketersediaan bahan baku utama
5.1.1. Data Penjualan Produk Centifuged Latex (Cenex) Periode Januari
2015 sampai dengan Desember 2015
Tabel 5.1. Data Produksi dan Permintaan Produk Cenex Periode Januari 2015 – Desember 2015
Periode Cenex (Kg)
Produksi Permintaan Selisih
Januari 2015 401.779 431.458 -29.679
Februari 2015 348.632 392.027 -43.395
Maret 2015 214.960 553.491 -338.531
April 2015 242.335 278.962 -36.627
Mei 2015 334.980 256.611 78.369
Juni 2015 403.186 351.414 51.772
Juli 2015 375.098 365.600 9.498
Agustus 2015 386.534 413.361 -26.827
September 2015 322.398 395.686 -73.288
Oktober 2015 307.764 310.593 -2.829
November 2015 400.352 387.095 13.257
Desember 2015 285.771 386.191 -100.420
Sumber: PT. Bakrie Sumatera Plantations, Tbk. – Bunut Rubber Factory
5.1.2. Data Harga Pokok dan Harga Penjualan
Data harga pokok dan harga penjualan produk dapat dilihat pada Tabel 5.2
Tabel 5.2 Data Harga Produksi dan Penjualan ProdukCenex
Produk Unit Harga (Rp)
Pokok Jual Keuntungan Cenex 1 Kg 2.800 12.480 9.680 Sumber: PT. Bakrie Sumatera Plantations, Tbk.–Bunut Rubber Factory
5.1.3. Data Waktu Penyelesaian Produk dan Ketersediaan Jam kerja
Jumlah pekerja pada bagian produksi dibagi atas 3shift, dimana jam kerjanya adalah 8 jam/shift pada hari senin – minggu. Jadwal shift bagian produksi adalah sebagai berikut:
Tabel 5.3. Jam Kerja Bagian Produksi
No. Shift Waktu Kerja Waktu Istirahat
1 I 22.30 – 06.30 WIB
09.30 – 10.30 WIB
2 II 06.30 – 14.00 WIB
3 III 14.00 – 22.30 WIB
Untuk menentukan jam kerja yang tersedia, dapat digunakan rumus:
Waktu kerja yang tersedia = (jumlah shift x waktu kerja/shift x jumlah hari kerja/bulan).
[image:59.595.171.454.258.471.2]Waktu kerja yang tersedia pada Januari 2015 sampai dengan Desember 2015 dapat dilihat pada Tabel 5.4.
Tabel 5.4. Data Jumlah Jam Kerja Bagian Produksi
Periode Hari Jam Menit Detik
1 29 667 40.020 2.401.200
2 27 621 37.260 2.235.600
3 30 690 41.400 2.484.000
4 29 667 40.020 2.401.200
5 28 644 38.640 2.318.400
6 29 667 40.020 2.401.200
7 27 621 37.260 2.235.600
8 30 690 41.400 2.484.000
9 29 667 40.020 2.401.200
10 30 690 41.400 2.484.000
11 30 690 41.400 2.484.000
12 27 621 37.260 2.235.600
Sumber: PT. Bakrie Sumatera Plantations, Tbk.–Bunut Rubber Factory
Tabel 5.5. Data Kecepatan Produksi Produk Waktu yang dibutuhkan
Cenex 4 detik/kg
Sumber: PT. Bakrie Sumatera Plantations, Tbk.–Bunut Rubber Factory
5.1.4. Data Pemakaian dan Ketersediaan Bahan baku
Pemakaian bahan baku untuk menghasilkan 1 kg Cenex dapat dilihat pada Tabel 5.6 dan data ketersediaan bahan baku setiap bulan dapat dilihat pada Tabel 5.7.
Tabel 5.6. Data Pemakaian Bahan Baku
Bahan Jumlah pemakaian
Lateks kebun 2 kg
Tabel 5.7. Data Ketersediaan Bahan Baku
Bahan Ketersediaan/bulan
Lateks kebun 900.000 kg Sumber: PT. Bakrie Sumatera Plantations, Tbk.–Bunut Rubber Factory
5.2. Pengolahan Data
5.2.1. Peramalan Permintaan Produk Periode Januari 2016sampai dengan
Desember2016
Penentuan jumlah permintaan produk untuk Januari 2016 sampai dengan Desember 2016dilakukan melalui peramalan. Peramalan permintaan produk Cenexuntuk periode Januari 2016 sampai dengan Desember 2016dalam periode
bulanandilakukan dengan langkah-langkah sebagai berikut. 1. Menentukan tujuan peramalan
Meramalkan permintaan produk bulan Januari 2016 - Desember 2016. 2. Memilih item yang akan diramalkan
Item yang akan diramalkan yaitu permintaan produk dari Januari 2015 - Desember 2015.
3. Menentukan horizon peramalan
Horizon peramalan yaitu peramalan jangka menengah dengan periode bulanan sebanyak 12 periode.
4. Memilih model peramalan
Gambar 5.1. Diagram Pencar Permintaan Cenex Selama Januari 2015 - Desember 2015
Dilihat dari pola data, data cenderung berfluktuasi dan mengalami pengulangan pola musiman dan cenderung tidak membentuk trend, oleh karena itu maka dipilih metode dekomposisidan metode regresi dengan kecenderungan siklis.
5. Mengumpulkan dan analisis data a. Metode Dekomposisi
Tahap pertama dalam mengolah peramalan dengan metode dekomposisi
adalah membagi pola data menjadi bagian-bagian yang memiliki pola
yang mirip dan berulang pada periode tertentu.Berdasarkan pola data yang
dapat dilihat pada Gambar 5.2, maka data dibagi menjadi 3 pola berulang.
200000 250000 300000 350000 400000 450000 500000 550000 600000
0 1 2 3 4 5 6 7 8 9 10 11 12
Ju
m
la
h
p
e
n
ju
a
la
n
p
ro
d
u
k
BULAN
Jumlah Permintaan Produk Cenex
Gambar 5.2. Pembagian Pola Data Menjadi 3 Bagian
Perhitungan setiap pembagian data dapat dilihat pada Tabel 5.8., 5.9 dan
5.10.
Tabel 5.8. Pembagian Data Berdasarkan Pola 1
t 1 2 3 4
dt 431.458 392.027 553.491 278.962
Tabel 5.9. Pembagian Data Berdasarkan Pola2
t 5 6 7 8
dt 256.611 351.414 365.600 413.361
Tabel 5.10. Pembagian Data Berdasarkan Pola3
t 9 10 11 12
dt 395.686 310.593 387.095 386.191
Selanjutnya dihitung nilai rata-rata dari setiap pembagian data tersebut,
sebagai berikut:
Pola 1 = ( 431.458+392.027+553.491+278.962) / 4= 413.985
Pola 2 = ( 256.611+351.414+365.600+413.361 ) / 4= 346.747
Pola 3 = ( 395.686+310.593+387.095+386.191 ) / 4= 369.891
200000 250000 300000 350000 400000 450000 500000 550000 600000
0 1 2 3 4 5 6 7 8 9 10 11 12
Ju m la h p e n ju a la n p ro d u k Periode
Jumlah Permintaan Produk Cenex
Tahap berikutnya adalah menghitung indeks dari setiap periode dengan
cara membagikan nilai aktual setiap periode dengan nilai rata-rata pada
pembagian periode, perhitungannya sebagai berikut:
Januari2015 =431.458/ 413.985= 1,04
Februari 2015 = 392.027/413.985= 0,95
Demikian seterusnya selama 12 periode peramalan. Hasil perhitungan
indeks setiap periode ditunjukkan pada Tabel 5.11, 5.12 dan 5.13.
Tabel 5.11. Hasil Perhitungan Indeks Setiap Periode
t 1 2 3 4
dt 431.458 392.027 553.491 278.962 Average 413.985
Indeks 1,04 0,95 1,34 0,67
Tabel 5.12. Hasil Perhitungan Indeks Setiap Periode
t 5 6 7 8
dt 256.611 351.414 365.600 413.361 Average 346.747
Indeks 0,74 1,01 1,05 1,19