OPERATIONAL RESEARCH 1
(
IE G2M3)
Biodata Dosen
Nama
: Amelia Kurniawati
Kode Dosen : ALK
: amelia.kurniawati@gmail.com
Phone
: 085793077555
Name
: RIO AURACHMAN, ST ., MT
Lecturer Code
: RMN
PROFILE MATA KULIAH
Mata kuliah penelitian operasional I mempelajari cara
memformulasikan masalah-masalah
yang bersifat
deterministik
ke dalam formulasi model
programa linier
dan
turunannya
seperti model transportasi, penugasan,
dan lain-lain, menyelesaikan persoalan programa linier
yang diformulasikan dengan metode simpleks dan
pengembangannya, menganalisis hasil-hasil
pemecahan formulasi pemrograman linier dengan
teori
dualitas dan analisis sensitivitas
dan menyelesaikan
KONTRAK PERKULIAHAN
UTS
: 15 %
Pra UTS
: 15 %
UAS
: 15 %
Pra UAS
: 15 %
Quiz
: 10 %
PENILAIAN
A : nilai ≥ 85
AB : 85 > nilai ≥ 80
B : 80 > nilai ≥ 75
BC : 75 > nilai ≥ 70
C : 70 > nilai ≥ 65
D : 65 > nilai ≥ 55
E : 55 > nilai
PENILAIAN
A : nilai ≥ 85
AB : 85 > nilai ≥ 80
B : 80 > nilai ≥ 75
BC : 75 > nilai ≥ 70
C : 70 > nilai ≥ 65
D : 65 > nilai ≥ 55
TUGAS
•
Tugas kebanyakan dilakukan secara paperless
•
Kita menggunakan system Loker Online
•
Buat folder masing-masing di google drive: tinyurl.com/opre1telu
•
Kerjakan tugas taruh di folder masing-masing
TUGAS BESAR
•
Tugas besar dilakukan dua kali. Sebelum dan sesudah UTS
•
Poin penilaian tugas besar (Dalam konfirmasi)
•
Pemilihan objek
•
Kedalaman analisis
•
Pemilihan tools
•
Perumusan masalah
•
Penulisan
PERFORMA HARIAN
•
Setiap hari ada ujian lisan yang diberikan secara
random kepada mahasiswa
•
Dosen akan berusaha menghafa setiap nama dan
wajah
KEHADIRAN DAN
KETERLAMBATAN
•
Keterlambatan setiap menit nya akan dihitung dan
mempengaruhi nilai
•
Hadir sebelum dosen akan mendapatkan nilai tambahan
•
Kehadiran minimal 75% kali 21 pertemuan
masing-masing 2 jam menjadi 15,75
•
Ketidakhadiran dapat diganti dengan kompensasi
beruapa menghadiri forum ilmiah lain seperti seminar
training dll,, (2 forum ilmiah menggantikan satu
kehadiran)
KETIDAKHADIRAN YANG
DIANGGAP HADIR
•
Mengikuti lomba
•
Demonstrasi membela rakyat kecil
OUTSTANDING
•
Nilai maksimum adalah AB meskipun nilai akhir 100
•
Untuk mengubah nilai di atas 80 yang awalnya AB
menjadi A adalah dengan aspek outstanding
•
Yaitu mahasiswa membuat atau berperan dalam suatu
karya yang mengagumkan dan fenomenal
•
Misalkan
•
Menang lomba
Akademik
video pembelajaran
Berprestasi pada kompetisi
Animasi
software
pengabdian masyarakat
Pengabdian Masyarakat
-Penerapan OR dalam
problem real masyarakat
Penelitian
-buat paper penelitian
-review paper
Penujang
-Menjadi Ketua Kelas
-Menteri Nilai Kuliah
-Menteri Kehadiran
-Menteri Tepat waktu
TUGAS 1.a:
KETUA KELAS
harap memimpin diskusi dengan rekan mahasiswa siswa
TUGAS 1.A PEMBAGIAN OUTSTANDING
Kerjakan lalu tuliskan pada link Google spread sheet:
Deadline 24 Januari 2015
pukul 22:45:16
KOMUNIKASI
•
Blog : or1telu.blogspot.com
•
Awasi dan waspadai terus blog
•
Ask.fm
•
Via ketua kelas
•
Bila harus sms dosen, pastikan untuk hal yang penting
saja
•
Tidak menerima telpon dari mahasiswa (sebelum
telpon SMS dulu)
SATUAN ACARA PERKULIAHAN
PERTEMUAN KE- KEMAMPUAN/ KOMPETENSI AKHIR
YANG DIHARAPKAN
BAHAN KAJIAN (MATERI AJAR)
BENTUK PEMBELAJARAN
KRITERIA (INDIKATOR)
PENILAIAN
BOBOT NILAI
1 2 3 4 5 6
1 1. Menjelaskan definisi dan ruang lingkup
operational research
2. Menjelaskan contoh kasus operational research
1. Definisi dan ruang lingkup
operational research
2. Contoh kasus
operational research
1. Kuliah tatap muka
2. Penayangan video contoh kasus
operational research 3. Discovery
learning
1. Ketepatan penjelasan definisi dan ruang lingkup
operational research
2. Ketepatan penjelasan contoh kasus dari video yang ditayangkan 2 1. Memilah contoh
kasus yang dapat diselesaikan dengan
operational research
2. Membuat contoh kasus yang dapat diselesaikan dengan
operational research
1. Contoh kasus
operational research
1. Kuliah tatap muka
2. Discovery learning
3. Poster session
1. Ketepatan contoh kasus yang dibuat 2. Ketepatan
review terhadap suatu contoh kasus
3 1. Menentukan fungsi tujuan, variabel keputusan, dan pembatas dari suatu contoh kasus
2. Merumuskan model matematik
Fungsi tujuan, variabel
keputusan, dan pembatas
Model matematik
linear
programming
1. Kuliah tatap muka
2. Cooperative learning
Ketepatan dalam menentukan fungsi tujuan, variabel keputusan, dan pembatas
SATUAN ACARA
PERKULIAHAN
4 1. Merepresentasikanmodel matematik linear programming ke dalam bentuk grafis
2. Menentukan solusi optimal masalah linear programming dengan metode grafis
Representasi model matematik linear programming dalam bentuk grafis
Penentuan solusi optimal masalah
linear programming
dengan metode grafis
1. Kuliah tatap muka
2. Cooperative learning
1. Ketepatan dalam merepresentasikan model matematik ke dalam bentuk grafis
2. Ketepatan solusi optimal yang ditentukan
5 1. Membedakan solusi optimal dan solusi khusus
2. Melakukan hasil analisis sensitivitas dengan metode grafis
1. Solusi optimal dan solusi khusus (solusi tak layak, solusi alternatif, dan solusi tak
terbatas) dalam metode grafis 2. Analisis
sensitivitas dengan metode grafis
1. Kuliah tatap muka
2. Cooperative learning
1. Ketepatan pengelompokan solusi ke dalam solusi optimal atau solusi khusus 2. Ketepatan analisis
sensitivitas yang dilakukan
6 1. Merumuskan bentuk standar dari model
linear programming
2. Menjelaskan konsep matriks basis
3. Mengidentifikasi solusi basis layak
1. Bentuk standar model linear programming
2. Konsep matriks basis
3. Konsep solusi basis layak
Kuliah tatap muka
Cooperative learning
1. Ketepatan bentuk standar model
linear
programming yang dirumuskan
2. Ketepatan konsep matriks basis yang dijelaskan
3. Ketepatan
SATUAN ACARA
PERKULIAHAN
7 Menerapkan metode simplex untuk
mendapatkan solusi optimal dari model linear programming
Prinsip dalam metode simplex Langkah umum metode simplex
1. Kuliah tatap muka
2. Cooperativ e learning
Ketepatan solusi optimal yang didapatkan dari penerapan metode simplex
8 Merepresentasikan bentuk standar model linear programming
dalam bentuk tabel simplex Menerapkan
metode simplex untuk
mendapatkan solusi optimal dari model linear programming
kasus maksimasi
1. Representasi bentuk standar model linear programming
dalam bentuk tabel simplex 2. Langkah umum metode
simplex dalam bentuk tabel untuk kasus maksimasi
Kuliah tatap muka
Cooperative learning
1. Ketepatan representasi bentuk standar model linear programming
ke dalam tabel simplex
2. Ketepatan solusi optimal yang didapatkan dari penerapan metode simplex untuk kasus maksimasi
9 1. Menerapkan metode simplex untuk mendapatkan solusi optimal dari model
linear
programming
kasus minimasi 2. Mengidentifika
si solusi khusus dalam tabel simplex
1. Langkah umum metode simplex dalam bentuk tabel untuk kasus minimasi 2. Solusi khusus dalam tabel
simplex
1. Kuliah tatap muka
2. Cooperativ e learning
1. Ketepatan solusi optimal yang didapatkan dari penerapan metode simplex untuk kasus minimasi 2. Ketepatan identifikasi solusi khusus
10
1.
Menerapkan konsep
variabel semu dalam
model
linear
programming
2.
Menerapkan metode
simplex big M untuk
mendapatkan solusi
optimal dari model
linear programming
Konsep variabel
semu
Metode simplex
dengan
pendekatan big
M
1.
Kuliah tatap
muka
2.
Cooperative
learning
1.
Ketepatan
penerapan
konsep variabel
semu dalam
model
linear
programming
2.
Ketepatan solusi
optimal yang
didapatkan dari
penerapan
metode simplex
big M
11
1.
Menerapkan metode
simplex dua fasa
untuk mendapatkan
solusi optimal dari
model
linear
programming
1.
Metode
simplex
dengan
pendekatan
dua fasa
1.
Kuliah tatap
muka
2.
Cooperative
learning
1.
Ketepatan solusi
optimal yang
didapatkan dari
penerapan
metode simplex
dua fasa
12
1.
Melakukan hasil
analisis sensitivitas
dengan metode
simplex
1.
Analisis
sensitivitas
dengan
metode
simplex
Kuliah tatap muka
Cooperative
learning
1.
Ketepatan
analisis
sensitivitas yang
dilakukan
13 Menerapkan teori dualitas 1. Teori dualitas Kuliah tatap muka
Cooperative learning
1. Ketepatan solusi optimal yang didapatkan dari penerapan teori dualitas
14 1. Menerapkan
hubungan primal-dual untuk menentukan solusi optimal dari model linear programming
1. Hubungan primal-dual
Kuliah tatap muka
Cooperative learning
1. Ketepatan solusi optimal yang ditentukan menggunakan hubungan primal-dual
15 Menerapkan metode simplex dual untuk menentukan solusi
optimal dari model linear programming
Metode simplex dual Kuliah tatap muka
Cooperative learning
Ketepatan solusi optimal yang ditentukan menggunakan metode simplex dual 16 Menjelaskan konsep
integer programming
Memilah contoh kasus yang termasuk integer programming
1. Konsep integer programming
2. Contoh model
integer programming
1. Kuliah tatap muka
2. Discovery learning
3. Poster session
1. Ketepatan konsep
integer programming
yang dijelaskan 2. Ketepatan contoh
kasus yang diberikan
17 1. Menerapkan metode
branch and bound
untuk menentukan solusi optimal dari model integer programming
Metode branch and bound
Kuliah tatap muka
Cooperative learning
1. Ketepatan solusi optimal yang ditentukan menggunakan metode branch and bound
18 1. Menerapkan metode
branch and bound
untuk menentukan solusi optimal dari model integer programming
Metode brach and bound
1. Kuliah tatap muka
2. Cooperative learning
Ketepatan solusi optimal yang ditentukan
menggunakan metode
branch and bound
19 1. Menentukan fungsi tujuan, variabel keputusan, dan pembatas dari suatu contoh kasus nyata 2. Merumuskan model
matematik untuk suatu contoh kasus nyata 3. Menentukan solusi optimal untuk suatu contoh kasus nyata dengan menggunakan
software
1. Contoh kasus nyata linear programming
1. Kuliah tatap muka
2. Contextual Instruction 3. Cooperative
learning
1. Ketepatan dalam menentukan fungsi tujuan, variabel keputusan, dan pembatas
2. Ketepatan model matematik yang dibuat
3. Ketepatan solusi optimal yang dihasilkan dengan menggunakan
software
20 1. Menentukan fungsi tujuan, variabel keputusan, dan pembatas dari suatu contoh kasus nyata 2. Merumuskan model
matematik untuk suatu contoh kasus nyata 3. Menentukan solusi optimal untuk suatu contoh kasus nyata dengan menggunakan
software
1. Contoh kasus nyata linear programming
1. Kuliah tatap muka
2. Contextual Instruction 3. Poster session
1. Ketepatan dalam menentukan fungsi tujuan, variabel keputusan, dan pembatas
2. Ketepatan model matematik yang dibuat
3. Ketepatan solusi optimal yang dihasilkan dengan menggunakan
software
SATUAN ACARA
21 1. Menjelaskan definisi dari kasus transportasi 2. Menentukan solusi
layak awal dengan metode north west corner
3. Menentukan solusi layak awal dengan metode least cost
4. Menentukan solusi layak awal dengan VAM (Vogel Approximation Method)
1. Definisi kasus transportasi 2. Pencarian solusi
layak awal dengan metode
north west corner
3. Pencarian solusi layak awal dengan metode
least cost
4. Pencarian solusi layak awal dengan VAM (Vogel
Approximation Method)
1. Kuliah tatap muka
2. Game
3. Cooperative learning
1. Ketepatan
penjelasan definisi dari kasus
transportasi 2. Ketepatan solusi
layak awal yang ditentukan menggunakan metode north west corner
3. Ketepatan solusi layak awal yang ditentukan menggunakan metode least cost
4. Ketepatan solusi layak awal yang ditentukan menggunakan VAM (Vogel Approximation Method)
22 1. Menentukan solusi optimal dengan metode U-V
2. Menentukan solusi optimal dengan metode
stepping stone
1. Pencarian solusi optimal dengan metode U-V 2. Pencarian solusi
optimal dengan metode stepping stone
1. Kuliah tatap muka
2. Cooperative learning 3. Poster session
1. Ketepatan solusi optimal yang ditentukan menggunakan metode U-V 2. Ketepatan solusi
optimal yang ditentukan menggunakan metode stepping stone
23 1. Menjelaskan definisi kasus transshipment
2. Menentukan solusi optimal untuk kasus
transshipment
Definisi kasus
transshipment
Pencarian solusi untuk kasus
transshipment
1. Kuliah tatap muka
2. Cooperative learning
1. Ketepatan definisi kasus
transshipment
yang dijelaskan 2. Ketepatan solusi
optimal untuk kasus
transshipment
24 1. Menjelaskan definisi kasus assignment
2. Menentukan solusi optimal untuk kasus
assignment dengan metode hungarian
1. Definisi kasus
assignment
2. Pencarian solusi optimal dengan metode
hungarian
Kuliah tatap muka
Cooperative learning
1. Ketepatan definisi kasus assignment
yang dijelaskan 2. Ketepatan solusi
optimal untuk kasus assignment
dengan metode
hungarian
25 1. Menjelaskan definisi analisis jaringan 2. Membuat model
analisis jaringan 3. Menjelaskan definisi
kasus spanning tree
4. Menentukan solusi optimal untuk kasus
spanning tree
1. Definisi analisis jaringan
2. Model analisis jaringan
3. Definisi kasus
spanning tree
4. Pencarian solusi optimal untuk kasus
spanning tree
1. Kuliah tatap muka
2. Cooperative learning
1. Ketepatan definisi analisis jaringan yang dijelaskan 2. Ketepatan model
analisis jaringan yang dibuat
3. Ketepatan definisi kasus spanning tree yang dijelaskan
4. Ketepatan solusi optimal untuk kasus spanning tree
26 Menjelaskan definisi kasus
shortest path
Menentukan solusi optimal untuk kasus shortest path
Menjelaskan definisi kasus
maximum flow
Menentukan solusi optimal untuk kasus maximum flow
1. Definisi kasus
shortest path
2. Pencarian solusi optimal untuk kasus shortest path
3. Definisi kasus
maximum flow
4. Pencarian solusi optimal untuk kasus maximum flow
1. Kuliah tatap muka
2. Cooperative learning
1. Ketepatan definisi kasus shortest path yang dijelaskan
2. Ketepatan solusi optimal untuk kasus shortest path
3. Ketepatan definisi kasus maximum flow yang
dijelaskan
4. Ketepatan solusi optimal untuk kasus maximum flow
27 1. Menjelaskan definisi
traveling salesman problem
2. Menentukan solusi optimal untuk traveling salesman problem
dengan metode exact
1. Definisi traveling salesman
problem
2. Pencarian solusi optimal untuk kasus traveling salesman
problem dengan metode exact
1. Kuliah tatap muka
2. Cooperative learning 3. Poster session
1. Ketepatan definisi
traveling salesman problem yang dijelaskan
2. Ketepatan solusi optimal untuk
traveling salesman problem dengan metode exact
28 Menentukan solusi optimal untuk traveling salesman problem dengan metode
heuristic
1. Pencarian solusi optimal untuk kasus traveling salesman
problem dengan metode heuristic
1. Kuliah tatap muka
2. Cooperative learning
1. Ketepatan solusi optimal untuk
traveling salesman problem dengan metode heuristic
SATUAN ACARA
REFERENSI
Sebutkan 4 Buku Utama yang digunakan :
•
Hamdy A. Taha, Operations Researchs an Introduction,
8
th
edition, Pearson Prentice Hall, 2007.
•
Frederick S. Hillier & Gerald J. Lieberman, Introduction
to Operations Research, McGraw-Hill College, 2001.
•
H. A. Eiselt & Carl-Louis Sandblom, Operations
Research: A Model-Based Approach, Springer, 2010.
TUJUAN PEMBELAJARAN
•
Setelah mengikuti mata kuliah ini :
1. Mahasiswa mampu mengategorikan variabel keputusan, fungsi tujuan,
dan pembatas dalam masalah-masalah yang bersifat deterministik
sehingga terbentuk formulasi model
linear programming
dan
turunannya seperti model
integer programming
, transportasi,
transshipment
, penugasan, dan analisis jaringan.
2. Mahasiswa mampu menerapkan metode simplex dan
pengembangannya untuk menyelesaikan persoalan
linear
programming
.
3. Mahasiswa mampu menerapkan metode pencarian solusi yang sesuai
untuk menyelesaikan persoalan
integer programming
, transportasi,
transshipment
, penugasan, dan analisis jaringan.
4. Mahasiswa mampu menggunakan
software
untuk menyelesaikan
persoalan
linear programming
,
integer programming
, transportasi,
penugasan, dan analisis jaringan.
5. Mahasiswa mampu menganalisis solusi persoalan
linear programming
Kuliah Prasyarat
Matriks dan Ruang Vektor
Mind Map Operational Research 1
Quantitative Problem
Linear Programming
Integer Programming
Perumusan Model
Solusi
Grafis
Basic Feasible Fungsi
Tujuan
Variabel Keputusan
Pembatas
Solusi Optimal
Solusi Khusus
Vektor
Matriks Basis
Matriks Inverse Tabel
Simplex
Umum Khusus
Big M 2 Fasa Primal - Dual
Dual Simplex
Analisis Sensitivitas Metode Cutting
Plane Metode Transportasi
North West
Corner Vogel Approximation Assignment
Analisis Jaringan Shortest
Route
Spanning
Tree Maximum Flow
TSP
Software
Metode Branch and Bound Least Cost