BAB II MAKALAH - repository.uksw.edurepository.uksw.edu/bitstream/123456789/8440/2/T1_662009005_BAB...
Transcript of BAB II MAKALAH - repository.uksw.edurepository.uksw.edu/bitstream/123456789/8440/2/T1_662009005_BAB...
3
BAB II
MAKALAH
Makalah I.
Judul : Linear Goal Programming untuk Optimasi Perencanaan
Produksi
Dipresentasikan : Seminar Nasional Sains dan Pendidikan Sains VIII UKSW
2013 yang diselenggarakan oleh Fakultas Sains dan
Matematika UKSW tanggal 15 Juni 2013
Publikasi : Prosiding Seminar Nasional Matematika VIII UKSW 15 Juni
2013”. ISSN 2087-0922 Vol.4 No.1, 15 Juni 2013.
Makalah II.
Judul : Linear Goal Programming untuk Perencanaan Produksi
dengan Kendala Permintaan yang Diramalkan Menggunakan
Metode Regresi Linear Berganda.
Dipresentasikan : Ujian Skripsi yang diselenggarakan oleh Fakultas Sains dan
Matematika UKSW tanggal 9 September 2013
4
MAKALAH I
PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS VIII UKSW
398
LINEAR GOAL PROGRAMMING UNTUK OPTIMASI
PERENCANAAN PRODUKSI
Natalia Esther Dwi Astuti1)
, Lilik Linawati2)
, Tundjung Mahatma2)
1) Mahasiswa Program Studi Matematika FSM UKSW 2)
Dosen Program Studi Matematika FSM UKSW
Fakultas Sains dan Matematika UKSW
Jl. Diponegoro 52-60 Salatiga 50711
1)
ABSTRAK
Optimasi produksi adalah suatu cara untuk merencanakan atau mengatur penggunaan sumberdaya yang
dimiliki perusahaan seperti bahan baku, tenaga kerja, modal kerja, dan fasilitas produksi supaya dapat
memenuhi permintaan konsumen, mengoptimalkan bahan baku yang ada dan agar proses produksi dapat berjalan dengan efektif dan efisien. Untuk mencapai hal ini, maka perlu dibuat suatu perencanaan
produksi yang mengacu pada metode matematis. Metode Liniear Goal Programming dapat digunakan
untuk memodelkan permasalahan optimasi produksi yang mempunyai tujuan lebih dari satu, misalkan
terpenuhinya tingkat permintaan konsumen, memaksimalkan penggunaan bahan baku yang ada dan
meminimumkan saldo produk di gudang pada setiap akhir bulan. Dalam makalah ini akan dibahas
bagaimana menerapkan dan merumuskan model Linear Goal Programming untuk optimasi produksi
pada perusahaan minuman dalam kemasan botol. Model Linear Goal Programming yang diperoleh
diselesaikan menggunakan alat bantu Solver. Berdasarkan data untuk perencanaan produksi minuman
dalam kemasan botol selama tiga bulan diperoleh solusi optimal sehingga dapat disimpulkan bahwa
semua sasaran yang ingin dicapai terpenuhi.
Kata kunci : Optimasi Produksi, Perencanaan Produksi, Linear Goal Programming (LGP)
PENDAHULUAN
Optimasi produksi merupakan suatu cara untuk merencanakan atau mengatur
penggunaan sumberdaya yang dimiliki
perusahaan seperti bahan baku, tenaga kerja, modal kerja, fasilitas produksi supaya
dapat memenuhi permintaan konsumen,
mengoptimalkan bahan baku yang ada dan agar proses produksi dapat dapat berjalan
dengan efektif dan efisien [1] . Cara
mengoptimalkan produksi bisa dengan
meningkatkan kualitas produksi, manfaat produksi, bentuk fisik produksi dan
mengatur jumlah produksi [5].
Salah satu perusahaan yang bergerak di bidang produksi minuman dalam kemasan
botol berbahan dasar teh memproduksi
lima jenis produk yaitu produk 1, produk 2,
produk 3, produk 4 dan produk 5. Mengingat bahwa hasil produksi sangat
penting bagi perusahaan maka optimasi
produksi sangat dibutuhkan dalam proses produksi untuk memenuhi permintaan
konsumen. Namun, pada kenyataannya
suatu industri tidak mengorientasikan
tujuan hanya untuk memenuhi permintaan konsumen. Di lain sisi ada beberapa tujuan
yang harus dicapai. Misalnya,
memaksimumkan pemanfaatan mesin produksi , meminimumkan biaya produksi
dan lainnya.
Agar terjadi optimasi produksi, maka
perlu dibuat suatu perencanaan produksi yang mengacu pada metode matematis.
Metode Linear Goal Programming
dikembangkan oleh A. Charnes dan W.M. Cooper yang diperkenalkan pada tahun
1955, merupakan perluasan dari
pemrograman linear, sehingga seluruh
asumsi, notasi, formulasi model matematis, prosedur perumusan model dan
penyelesaiannya tidak berbeda.
Perbedaannya terletak pada kehadiran sepasang variabel deviasi di fungsi kendala
sasaran [4]. Dalam penelitian ini, akan
dibahas bagaimana menerapkan dan merumuskan model Linear Goal
Programming untuk optimasi produksi
pada perusahaan minuman dalam kemasan
PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS VIII UKSW
399
botol untuk memenuhi tingkat permintaan konsumen, memaksimumkan penggunaan
bahan baku yang ada dan meminimumkan
saldo produk di gudang. Penelitian menggunakan model Linear
Goal Programming sudah pernah dilakukan
oleh Purwanto (2011) yaitu untuk menentukan perencanaan produksi pakaian
jadi menggunakan konsep penundaan
dengan mempertimbangkan tiga kegiatan
dalam proses produksi (produksi langsung, poduksi master, dan perakitan) untuk
meminimalkan biaya operasional, biaya
persediaan, dan biaya tenaga kerja [6].
Linear Goal Programming
Linear goal programming (LGP) biasanya diterapkan pada masalah-masalah
linear dengan memasukkan berbagai tujuan
dalam formulasi modelnya. Dalam
formulasi (LGP), sasaran dalam numerik untuk setiap tujuan harus ditetapkan lebih
dahulu. Kemudian, tujuan yang ingin dicari
adalah meminimumkan besarnya simpangan capaian pada kendala terhadap
sasarannya. Untuk menyatakan simpangan
(deviasi) dalam formulasi modelnya
diperlukan suatu variabel yang disebut variabel deviasi. Ada dua variabel deviasi
dalam formulasi modelnya yaitu variabel
deviasi positif dan variabel deviasi negatif. Variabel deviasi positif berfungsi untuk
menampung kelebihan capaian pada nilai
ruas kiri terhadap sasaran yang ditentukan (RHS), sementara variabel deviasi negatif
berfungsi untuk menampung kekurangan
capaian pada nilai ruas kiri terhadap sasaran
yang ditentukan (RHS) [3][4].
Bentuk Umum Linear Goal
Programming
Berikut bentuk umum dari metode
Linear Goal Programming [2] :
Mencari nilai 𝒙 = (𝒙𝟏,𝒙𝟐,… ,𝒙𝒏)
Min 𝒂 = 𝑎1 𝜂,𝜌 ,… ,𝑎𝑙(𝜂,𝜌) dengan kendala 𝑓𝑖 𝑥 + 𝜼𝒊 − 𝝆𝒊 = 𝒃𝒊 untuk i=1,2,....,m
𝑥, 𝜂,𝜌 ≥ 0
dengan 𝑓𝑖 𝑥 = 𝑐𝑖 ,𝑗𝑥𝑗𝑛𝑗=1
𝜂𝑖 = deviasi negatif pada kendala ke-i,
𝜌𝑖 = deviasi positif pada kendala ke-i,
𝑐𝑖 ,𝑗 = konstanta dari kendala ke-i,
variabel keputusan ke-j,
𝑥𝑗 = variabel keputusan ke-j,
m = banyak kendala,
n = banyak variabel keputusan,
bi = nilai sasaran kendala ke-i,
𝒂 = fungsi pencapaian tujuan, l = banyaknya fungsi tujuan/fungsi
kendala.
Menurut Ignizio langkah-langkah dalam
proses merumuskan model Linear Goal
Programming sebagai berikut [2] :
Mengembangkan baseline model (yang
dimaksud dengan baseline model yaitu
model matematika dari sebuah
permasalahan)
Menentukan nilai sasaran untuk setiap
kendala
Menambahkan variabel deviasi negatif
dan positif untuk setiap kendala
Menentukan fungsi tujuan untuk setiap
kendala
Tabel 1. Perumusan Fungsi Tujuan
Jenis
Tujuan
Bentuk LGP
Variabel
deviasi yg
di min
𝒇𝒊 𝒙 ≤ 𝒃𝒊
𝒇𝒊 𝒙 ≥ 𝒃𝒊
𝒇𝒊 𝒙 = 𝒃𝒊
𝒇𝒊 𝒙 + 𝜼𝒊 −𝝆𝒊 = 𝒃𝒊
𝒇𝒊 𝒙 + 𝜼𝒊 −𝝆𝒊 = 𝒃𝒊
𝒇𝒊 𝒙 + 𝜼𝒊 −𝝆𝒊 = 𝒃𝒊
𝝆𝒊
𝜼𝒊
𝜼𝒊 + 𝝆𝒊
Tabel 1 digunakan untuk merumuskan
fungsi tujuan yang berhubungan dengan variabel deviasi yang akan diminimumkan,
dimana : 𝒇𝒊 𝒙 menyatakan fungsi
tujuan/kendala, dengan nilai sasaran
kendala ke-i (𝒃𝒊) , deviasi negatif pada
kendala ke-i (𝜼𝒊) dan deviasi positif pada
kendala ke-i (𝝆𝒊).
Menetapkan fungsi pencapaian
tujuan
METODE PENELITIAN
Penelitian ini diselesaikan melalui
langkah-langkah penelitian yang dijabarkan
sebagai berikut :
PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS VIII UKSW
400
Pengumpulan data
Data yang dianalisis adalah data
sekunder pada proses produksi
minuman teh siap minum dalam
kemasan botol antara lain persediaan bahan baku dan jumlah permintaan,
jumlah kemasan/botol di gudang
selamakurun waktu 3 bulan (Oktober-Desember 2012)
Menyusun model LGP
Menyelesaikan model dengan Solver
Menginterpretasikan
Menarik kesimpulan
Formulasi LGP untuk Optimasi
Produksi
Untuk merumuskan model LGP terlebih
dahulu memformulasikan model dasar
linear programming (LP) seperti berikut :
Kendala tingkat permintaan konsumen
𝑋𝑖 ,𝑡 + 𝐼𝑖 ,(𝑡−1) − 𝐼𝑖 ,𝑡 = 𝑇𝑃𝑖,𝑡 (1)
Kendala saldo persediaan di gudang
𝐼𝑖 ,𝑡3𝑡=1 ≥ 𝑆𝑖 ,𝑡 (2)
Kendala penggunaan bahan baku
𝑐𝑖 .𝑋𝑖,𝑡 ≤3𝑡=1 𝐵𝐵𝑖,𝑡 (3)
Kendala persediaan kemasan/botol
𝑋𝑖 ,𝑡3𝑡=1 ≤ 𝑃𝐵𝑖,𝑡 (4)
Kendala ketersedian waktu proses
𝑑𝑖3𝑡=1 .𝑋𝑖 ,𝑡 ≤ 𝑊𝑃𝑖,𝑡 (5)
Setelah memformulasikan model dasar LP , selanjutnya memformulasikan model
LGP dengan dimisalkan variabel keputusan
𝑋𝑖,𝑡 adalah banyaknya produk i yang harus
diproduksi pada periode t (pallet) dengan
𝑖 = 1,2,… ,𝑛, dan 𝑡 = 1,2,3. Model disusun
untuk setiap produk i dan t ditentukan untuk 3 bulan.
Kendala Sasaran :
F1 : Memenuhi tingkat permintaan
konsumen
Dari persamaan (1) untuk kendala ini maka dapat diformulasikan model LGP
seperti berikut :
𝑋𝑖,𝑡 + 𝐼𝑖 ,(𝑡−1) − 𝐼𝑖 ,𝑡 + 𝜂𝑘 − 𝜌𝑘 = 𝑇𝑃𝑖 ,𝑡 (6)
𝑘 = 1,2, … , 𝑙,
𝑀𝑖𝑛 𝑎1 = (𝜂𝑘 + 𝜌𝑘)
3
𝑡=1
dengan :
𝐼𝑖 ,𝑡 = Jumlah saldo akhir produk i pada
akhir periode t (pallet)
𝐼𝑖 ,(𝑡−1) = Jumlah saldo awal produk i pada
akhir periode t (pallet)
𝑇𝑃𝑖,𝑡 = Jumlah permintaan produk i pada
periode t (pallet)
F2 : Meminimumkan saldo persediaan di
gudang
Selanjutnya untuk kendala saldo
persediaan produk di gudang berdasarkan
persamaan (2) dan diformulasikan ke model LGP dengan meminimumkan deviasi
positif 𝜌𝑘 dengan 𝑘 = 𝑙 + 1, … ,2𝑙, 𝑙 adalah banyaknya kendala seperti pada rumus (7) yaitu :
𝐼𝑖 ,𝑡 + 𝜂𝑘 − 𝜌𝑘3𝑡=1 = 𝑆𝑖 ,𝑡 (7)
𝑀𝑖𝑛 𝑎2 = 𝜌𝑘
3
𝑡=1
dengan 𝑆𝑖 ,𝑡 adalah rata-rata saldo produk i
per bulan (pallet)
F3 : Memaksimumkan penggunaan bahan
baku
Sementara itu kendala lainnya adalah
kendala penggunaan bahan baku sesuai
model dasar pada rumus (3) dapat diformulasikan ke model LGP seperti
berikut :
𝑐𝑖 .𝑋𝑖,𝑡 + 𝜂𝑘 − 𝜌𝑘3𝑡=1 = 𝐵𝐵𝑖 ,𝑡 (8)
𝑘 = 2𝑙 + 1,… , 5𝑙,
𝑀𝑖𝑛 𝑎3 = 𝜌𝑘
3
𝑡=1
PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS VIII UKSW
401
dengan :
𝑐𝑖 = kebutuhan bahan baku untuk satu pallet produk i
𝐵𝐵𝑖 ,𝑡 = jumlah persediaan bahan baku i
pada periode t
F4 : Memaksimumkan persediaan kemasan/botol
Untuk kendala ini sesuai model dasar pada rumus (4) dapat diformulasikan ke
model LGP seperti berikut (9) :
𝑋𝑖 ,𝑡 + 𝜂𝑘 − 𝜌𝑘3𝑡=1 = 𝑃𝐵𝑖 ,𝑡 (9)
𝑘 = 5𝑙 + 1,… , 6𝑙 ,
𝑀𝑖𝑛 𝑎4 = 𝜌𝑘
3
𝑡=1
dengan 𝑃𝐵𝑖,𝑡 adalah jumlah persediaan
botol kosong i pada periode t (pallet)
F5 : Memaksimumkan penggunaan waktu
proses
Sesuai dengan model dasar (5) maka
kendala ini dapat diformulasikan ke model LGP seperti rumus (10) yaitu :
𝑑𝑖 .𝑋𝑖,𝑡 + 𝜂𝑘 − 𝜌𝑘3𝑡=1 = 𝑊𝑃𝑖,𝑡 (10)
𝑘 = 6𝑙 + 1,… ,7𝑙
𝑀𝑖𝑛 𝑎5 = 𝜌𝑘
3
𝑡=1
dengan :
𝑑𝑖 = kebutuhan waktu proses produk
i pada periode t
𝑊𝑃𝑖,𝑡= rata-rata waktu yang dibutuhkan
produk i per bulan
Formulasi pencapaian tujuan dari model LGP di atas adalah :
𝑀𝑖𝑛 𝒂 = (𝑎1,𝑎2,𝑎3,𝑎4,𝑎5 )
Penerapan Model Linear Goal
Programming
Data yang dianalisis adalah data sekunder pada proses produksi minuman
teh siap minum dalam kemasan botol antara
lain persediaan bahan baku, jumlah permintaan, dan jumlah kemasan/botol di
gudang selama kurun waktu 3 bulan
(Oktober-Desember 2012) seperti yang
tersaji pada Tabel 2 dan Tabel 3 serta kebutuhan bahan baku untuk setiap produk
pada Tabel 4, dimana banyak produk yang
diamati adalah 5 jenis produk dengan total jam kerja yang tersedia dalam satu bulan
adalah 448 jam yang terlampir pada hal.8.
Berdasarkan model LGP di atas disusun model untuk setiap produk dengan
memasukan parameter-parameter yang
sesuai dengan data yang dimiliki . Dengan
menggunakan fungsi kendala pada rumus (6) sampai rumus (10) maka akan dicari
solusi optimum untuk setiap produk dalam
kurun waktu 3 bulan . Berikut disajikan model LGP untuk produk 1 dan
penyelesaian optimumnya.
𝑋1,1 + 𝐼1,0 − 𝐼1,1 + 𝜂1 − 𝜌1 = 5999,3 𝑋1,2 + 𝐼1,1 − 𝐼1,2 + 𝜂2 − 𝜌2 = 7078,32 𝑋1,3 + 𝐼1,2 − 𝐼1,3 + 𝜂3 − 𝜌3 = 5266,73
𝐼1,1 + 𝜂4 − 𝜌4 = 120,09 𝐼1,2 + 𝜂5 − 𝜌5 = 120,09 𝐼1,3 + 𝜂6 − 𝜌6 = 120,09
1,887𝑋1,1 + 𝜂7 − 𝜌7 = 13228,03 155,172𝑋1,1 + 𝜂8 − 𝜌8 = 47870,67
332,051𝑋1,1 + 𝜂9 − 𝜌9 = 330000 1,887𝑋1,2 + 𝜂10 − 𝜌10 = 16663,15 155,172𝑋1,2 + 𝜂11 − 𝜌11 = 56054,73
332,051𝑋1,2 + 𝜂12 − 𝜌12 = 330000 1,887𝑋1,3 + 𝜂13 − 𝜌13 = 12235,35
155,172𝑋1,3 + 𝜂14 − 𝜌14 = 40803,29 332,051𝑋1,3 + 𝜂15 − 𝜌15 = 330000
𝑋1,1 + 𝜂16 − 𝜌16 = 6778
𝑋1,2 + 𝜂17 − 𝜌17 = 7960 𝑋1,3 + 𝜂18 − 𝜌18 = 5941
0,076𝑋1,1 + 𝜂19 − 𝜌19 = 90
0,076𝑋1,2 + 𝜂20 − 𝜌20 = 90 0,076𝑋1,3 + 𝜂21 − 𝜌21 = 90
PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS VIII UKSW
402
untuk meminimumkan 𝒂 = (𝑎1 𝜂1 + 𝜌1 +𝜂2+𝜌2+𝜂3+𝜌3,𝑎2𝜌4+𝜌5+𝜌6,𝑎3𝜌7+𝜌8+..+𝜌15,𝑎4𝜌16+𝜌17+𝜌18,𝑎5(𝜌19+𝜌20+𝜌21))
𝑋1,𝑡 , 𝐼1,(𝑡−1), 𝐼1,𝑡 , 𝐼1,𝑡 ,𝜂1,𝑡 ,𝜌1,𝑡 ≥ 0
(𝑡 = 1,2,3)
Untuk keempat produk lain (i = 2,3,4,5) disusun model LGP dan diselesaikan
menggunakan cara yang sama seperti pada
produk 1. Model di atas diselesaikan
menggunakan alat bantu Solver pada MS. Excel 2007 dan diperoleh solusi optimum
seperti Tabel 5 berikut :
Tabel 5. Solusi Optimum LGP untuk
kelima produk.
Produk
1 Produk
2 Produk
3 Produk
4 Produk
5
Xi,1 304,35 210,63 388,1 339,5 106,72
Xi,2 356,39 246,64 472,29 387,52 140,96
Xi,3 259,42 179,54 308,48 286,92 0
Ii,1 120,09 100,7 87,55 85,33 88,35
Ii,2 120,09 100,7 87,55 85,33 88,35
Ii,3 120,09 100,7 87,55 85,33 88,35
𝜼𝟏 0 0 0 0 0
𝝆𝟏 0 0 0 0 0
𝜼𝟐 0 0 0 0 0
𝝆𝟐 0 0 0 0 0
𝜼𝟑 0 0 0 0 0
𝝆𝟑 0 0 0 0 0
𝜼𝟒 0 0 0 0 0
𝝆𝟒 0 0 0 0 0
𝜼𝟓 0 0 0 0 0
𝝆𝟓 0 0 0 0 0
𝜼𝟔 0 0 0 0 0
𝝆𝟔 0 0 0 0 0
𝜼𝟕 12713,72 12947,65 0 0 0
𝝆𝟕 0 0 0 0 0
𝜼𝟖 15990,65 16264,58 16,35 16,35 16,35
𝝆𝟖 0 0 0 0
𝜼𝟗 11745,84 11945,23 0 0 0
𝝆𝟗 0 0 0 0 0
𝜼𝟏𝟎 0 0 3416,04 3416,04 3416,04
𝝆𝟏𝟎 0 0 0 0 0
𝜼𝟏𝟏 0 0 0 0 0
𝝆𝟏𝟏 0 0 0 0 0
𝜼𝟏𝟐 0 0 22361,6 22361,6 22361,6
𝝆𝟏𝟐 0 0 0 0 0
𝜼𝟏𝟑 24461 24461,3 127801 127801 127801
𝝆𝟏𝟑 0 0 0 0 0
𝜼𝟏𝟒 0 0 0 0 0
𝝆𝟏𝟒 0 0 0 0 0
𝜼𝟏𝟓 0 0 0 0 0
Produk
1 Produk
2 Produk
3 Produk
4 Produk
5
𝝆𝟏𝟓 0 0 0 0 0
𝜼𝟏𝟔 6473,64 111,36 64,67 64,67 64,67
𝝆𝟏𝟔 0 0 0 0 0
𝜼𝟏𝟕 7603,61 101,35 34,23 34,23 34,23
𝝆𝟏𝟕 0 0 0 0 0
𝜼𝟏𝟖 5681,58 64,46 58,59 58,59 58,59
𝜼𝟏𝟗 20,06 21,86 75,56 75,56 75,56
𝝆𝟏𝟗 0 0 0 0 0
𝜼𝟐𝟎 0 0 0 0 0
𝝆𝟐𝟎 0 0 0 0 0
𝜼𝟐𝟏 0 0 0 0 0
𝝆𝟐𝟏 0 0 0 0 0
𝜼𝟐𝟐 - - 9,87 9,95 0
𝝆𝟐𝟐 - - 0 0 0
𝜼𝟐𝟑 - - 0 0 0
𝝆𝟐𝟑 - - 0 0 0
𝜼𝟐𝟒 - - 0 0 0
𝝆𝟐𝟒 - - 0 0 0
𝜼𝟐𝟓 - - 0 0 0
𝝆𝟐𝟓 - - 0 0 0
𝜼𝟐𝟔 - - 5,91 11,4 0
𝝆𝟐𝟔 - - 0 0 0
𝜼𝟐𝟕 - - 0 0 0
𝝆𝟐𝟕 - - 0 0 0
𝜼𝟐𝟖 - - 0 0 0
𝝆𝟐𝟖 - - 0 0 0
𝜼𝟐𝟗 - - 0 0 0
𝝆𝟐𝟗 - - 0 0 0
𝜼𝟑𝟎 - - 8,27 9,07 0
𝝆𝟑𝟎 - - 0 0 0
𝜼𝟑𝟏 - - 25,30 25,30 25,30
𝝆𝟑𝟏 - - 0 0 0
𝜼𝟑𝟐 - - 23,25 23,25 23,25
𝝆𝟑𝟐 - - 0 0 0
𝜼𝟑𝟑 - - 24,53 24,53 24,53
𝝆𝟑𝟑 - - 0 0 0
𝜼𝟑𝟒 - - 3,97 3,97 3,97
𝝆𝟑𝟒 - - 0 0 0
𝜼𝟑𝟓 - - 3,37 3,37 3,37
𝝆𝟑𝟓 - - 0 0 0
𝜼𝟑𝟔 - - 3,52 3,52 3,52
𝝆𝟑𝟔 - - 0 0 0
Solusi optimum tersebut diatas dapat di ulas sebagai berikut :
1. Tabel 5 merupakan hasil penyelesaian
model LGP untuk setiap produk dimana produk 1 pada bulan pertama (Oktober)
memproduksi sebanyak 304,35 pallet
PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS VIII UKSW
403
ditambah saldo awal sebanyak 5815,04 pallet dengan jumlah permintaan 5999,3
pallet sehingga diperoleh saldo akhir
sebanyak 120,09 pallet yang nantinya ditambahkan pada bulan berikutnya
sampai pada bulan ketiga (Desember).
Sehingga pada pemenuhan tingkat permintaan dan saldo produk di gudang
dapat terpenuhi pada setiap bulannya
artinya bahwa tidak ada kelebihan dan
kekurangan produk maupun saldo di gudang karena masing-masing variabel
deviasi ((𝜂𝑘 + 𝜌𝑘 ) dan 𝜌𝑘) yang
diminimumkan bernilai nol.
2. Pemenuhan kendala penggunaan bahan
baku.
Variabel yang diminimumkan pada
kendala ini adalah 𝜌𝑘 (𝑘 = 7,8,9, … ,15)
diperoleh nilai 𝜂𝑘 = 0 dan 𝜌𝑘 = 0 yang berarti bahwa pada kendala ini
terdapat kelebihan bahan baku terutama
pada bahan baku teh kering yaitu
𝜂8 = 15990,65 . Sehingga dapat disimpulkan bahwa pada kendala ini
nilai sasaran sudah tercapai dengan tepat
pada setiap bulannya.
3. Pemenuhan Kendala Persediaan
kemasan/ botol
Variabel yang diminimumkan adalah 𝜌𝑘
(𝑘 = 16,17,18) diperoleh nilai 𝜌𝑘 = 0 yang berarti tidak ada kekurangan
kemasan, dan nilai 𝜂𝑘 > 0 artinya
terdapat kelebihan kemasan/botol. terutama pada periode November
𝜂17 = 7603,61 . Hal ini dapat dikatakan
bahwa pada kendala persediaan
kemasan/botol terpenuhi pada setiap bulannya.
4. Pemenuhan Kendala Penggunaan Waktu
Proses
Variabel yang diminimumkan adalah 𝜌𝑘
(𝑘 = 19,20,21) diperoleh nilai 𝜌𝑘 = 0
ini tidak ada kekurangan waktu proses
produksi melainkan terdapat kelebihan
waktu proses produksi pada periode
Oktober yaitu 𝜂19 = 20,06 jam. Dalam
hal ini dapat dikatakan bahwa kendala
ini dapat terpenuhi pada setiap bulannya.
Untuk keempat produk lain diselesaikan dan diulas seperti pada produk 1 dimana
solusi optimumnya tersaji pada Tabel 5.
Secara ringkas analisis pencapaian tujuan dari setiap tujuan yang ditetapkan dalam
permasalahan LGP ini seperti tersaji pada
Tabel 6.
Tabel 6. Hasil Pencapaian Setiap Tujuan
Berdasarkan Model LGP Tujuan Pencapaian Keterangan
F1 : Memenuhi
tingkat
permintaan
konsumen
Terpenuhi
(𝜂𝑘 = 0 , 𝜌𝑘 = 0)
Jumlah
permintaan tiap bulan selama 3
bulan (Oktober-
Desember) adalah
5999,3 , 7078,32 ,
dan 5266,73 pallet
F2 :
Meminimum
kan saldo
persediaan
di gudang
Terpenuhi
(𝜂𝑘 = 0 , 𝜌𝑘 = 0)
Saldo minimum di
gudang adalah
120,09 untuk
produk 1 , 100,7
untuk produk 2 ,
87,55 untuk
produk 3, 85,33
produk 4 dan 88,35 produk 5
F3 :
Memaksimu
mkan
penggunaan
bahan baku
Terpenuhi
(𝜂𝑘 ≥ 0 , 𝜌𝑘 = 0)
Kekurangan
penggunaan bahan
baku seminimum
mungkin
F4 :
Memaksimu
mkan
persediaan
kemasan/bot
ol
Terpenuhi
(𝜂𝑘 ≥ 0 , 𝜌𝑘 = 0)
Kekurangan
penggunaan
kemasan/botol tiap
bulannya
seminimum
mungkin
F5 :
Memaksimu
mkan
penggunaan
waktu proses
Terpenuhi
(𝜂𝑘 ≥ 0 , 𝜌𝑘 = 0)
Waktu proses
minimum tiap bulan adalah 90
jam untuk produk
1 dan 2,sementara
270 jam untuk
produk 3, produk
4 dan produk 5
Hasil analisis pencapaian tujuan
menggunakan model LGP untuk produk 1 tersaji pada tabel 6. Pada tujuan memenuhi
tingkat permintaan konsumen dan
meminimumkan saldo produk di gudang dapat terpenuhi, artinya bahwa tidak ada
kekurangan maupun kelebihan produk yang
diproduksi pada setiap bulannya. Sementara
itu pada tujuan memaksimumkan penggunaan bahan baku, memaksimumkan
persediaan kemasan/botol, dan
PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS VIII UKSW
404
memaksimumkan penggunaan waktu proses terpenuhi dengan masing-masing kendala
memiliki sisa atau kelebihan bahan baku,
kemasan/botol dan waktu proses pada setiap bulannya, disini berarti bahwa setiap
kali proses produksi tidak pernah
kekurangan bahan baku, kemasan/botol dan juga waktu proses produksi.
Berdasarkan analisis dan pembahasan
yang diperoleh solusi optimal pada
produksi minuman dalam kemasan botol yang diselesaikan dengan memodelkan ke
dalam bentuk Linear Goal Programming
maka dapat disimpulkan bahwa semua tujuan pada setiap produk dapat terpenuhi
yang diantaranya memenuhi jumlah
permintaan konsumen, meminimumkan saldo produk di gudang, memaksimumkan
penggunaan bahan baku dan kemasan serta
memaksimumkan waktu proses produksi.
KESIMPULAN
Berdasarkan kajian di atas maka dapat disimpulkan bahwa Metode Linear Goal
Programming (LGP) dapat digunakan
sebagai alat bantu untuk membuat
perencanaan untuk menentukan jumlah produksi dari produk-produk yang
dihasilkan dalam kurun waktu tiga bulan
atau dapat dikembangkan untuk kurun waktu lebih panjang misalnya satu tahun.
DAFTAR PUSTAKA
[1] Gitosudarmo, Indriyo. 1982. Sistem
Perencanaan dan Pengendaian
produksi. Yogyakarta : BPFE-Yogyakarta.
[2] Ignizio, D. P. 1982. Operations
Research in Decision Making, Lexington book, D.C. Heath and
Company, Lexington, Massachussetts.
[3] Linawati, Lilik 2012. Penentuan Alokasi Beban Kerja Dosen
Menggunakan Pemodelan
Lexicographic Linear Goal
Programming. Seminar Nasional Sains dan Pendidikan Sains VII UKSW, 21
September 2012
[4] Siswanto. 2007. Operation Research Jilid 1. Jakarta : Erlangga.
[5] Subagyo, Pangestu . Asri, Marwan dan
Handoko, T. Hanni. 1984. Dasar-
dasar Operations Research Edisi 1. Yogyakarta : BPFE-Yogyakarta.
[6] Web 2 :
http://digilib.its.ac.id/public/ITS-Undergraduate-16339-1206100704-
Paper.pdf. Purwanto, Y. Sulistyo.
Dan Wahyuningsih. N. Model Goal Programming untuk Perencanaan
Produksi Produk Musiman (diunduh
pada tanggal 17 Februari 2013)
PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS VIII UKSW
405
LAMPIRAN
Tabel 2. Persediaan Bahan Baku selama 3 bulan
Persediaan Bahan Baku (pallet)
No. Bahan Baku Bulan 1 Bulan 2 Bulan 3
1 Teh A (kg) 13228,03 16663,15 12235,35
2 Teh B (kg) 532,07 568,48 401,28
3 Teh C (kg) 1008,7 1226,28 719,84
4 Gula Pasir (kg) 239353,33 280273,68 204016,428
5 Air (liter) 1650000 1650000 1650000
6 Flavour C1 81,67 92,56 65,34
7 Flavour C2 55,44 63,36 47,52
8 Flavour C3 32,23 42,57 0
9 Asam sitrat (kg) 462 541,75 351,45
10 Sodium Sitrat (kg) 193,82 224,4 144,21
11 Asam Ascorbic (kg) 32,34 37,4 23,76
Tabel 3. Jumlah Permintaan Produk ,Kemasan/botol dan Jumlah produksi minimum selama 3 bulan
Produk Jumlah Permintaan (pallet) Jumlah kemasan/botol (pallet)
Jumlah
produksi
minimum (pallet) Bulan 1 Bulan 2 Bulan 3 Bulan 1 Bulan 2 Bulan 3
1 5999,3 7078,32 5266,73 6778 7960 5941 120,09
2 285,45 307,13 216,52 322 348 244 100,7
3 366,82 411,5 290,4
899 1035 654
87,55
4 339,5 387,52 286,92 85,33
5 87,92 115,05 0 88,35
Tabel 4. Kebutuhan Bahan Baku tiap Produk selama 3 bulan
Kebutuhan Bahan baku tiap produk
Bahan baku yang dibutuhkan Produk 1 Produk2 Produk 3 Produk 4 Produk 5
Teh Kering (kg) 54 32 32,4 32,4 32,4
Gula Pasir (kg) 4500 4500 4500 4500 4500
Air (liter) 9500 9500 9500 9500 9500
Flavour (kg) - - 4,85 3,6 8,1
Citric Acid (kg) - - 14 14 14
Sodium Sitrat (kg) - - 5,4 5,4 5,4
Ascorbic Acid (kg) - - 0,9 0,9 0,9
MAKALAH II
1
LINEAR GOAL PROGRAMMING UNTUK PERENCANAAN PRODUKSI
DENGAN KENDALA PERMINTAAN YANG DIRAMALKAN
MENGGUNAKAN REGRESI LINEAR BERGANDA
Natalia Esther Dwi Astuti
1), Lilik Linawati
2), Tundjung Mahatma
2)
1) Mahasiswa Program Studi Matematika FSM UKSW 2) Dosen Program Studi Matematika FSM UKSW
Fakultas Sains dan Matematika UKSW
Jl. Diponegoro 52-60 Salatiga 50711
1)[email protected], 2) [email protected],2) [email protected]
ABSTRAK
Model Linear Goal Programming untuk perencanaan produksi yang salah satu kendalanya adalah
permintaan pelanggan , dalam hal ini didasarkan pada data yang ditetapkan oleh perusahaan.
Sasaran kendala permintaan pada setiap bulannya tidak tetap atau berfluktuasi. Oleh karena itu,
untuk menentukan permintaan yang berfluktuasi ini digunakan metode peramalan berdasarkan
data atau periode sebelumnya. Hasil peramalan permintaan akan digunakan dalam model LGP
untuk perencanaan produksi selama tiga bulan ke depan. Untuk mendapatkan hasil peramalan yang
baik dipilih metode peramalan dengan nilai kesalahan (error) terkecil, dalam hal ini metode regresi berganda memiliki error terkecil dibandingkan dengan metode lainnya. Berdasarkan hasil
peramalan permintaan yang diperoleh menggunakan metode regresi berganda ini selanjutnya
digunakan untuk perencanaan produksi yang didasarkan pada model LGP untuk periode Januari-
Maret 2013. Banyaknya produk yang diproduksi hasil model LGP dibandingkan dengan data riil
yang menunjukkan bahwa nilai error pada dua produk dari lima produk yang diamati, ternyata
berbeda cukup signifikan. Hal ini dikarenakan kedua produk tersebut tidak diproduksi oleh
perusahaan yang disebabkan adanya satu bahan baku yang tidak tersedia.
Kata kunci : Optimasi Produksi, Peramalan, Linear Goal Programming (LGP)
PENDAHULUAN
Linear Goal Programming (LGP) pada
permasalahan optimasi produksi minuman
dalam kemasan botol, dipresentasikan dengan model yang bertujuan memenuhi
tingkat permintaan konsumen,
memaksimumkan penggunaan bahan baku yang ada dan meminimumkan saldo
produk di gudang. Model LGP ini disusun
untuk perencanaan produksi bulanan
dalam kurun waktu tiga bulan [1]. Kendala permintaan dalam model
didasarkan pada data yang ditentukan oleh
perusahan. Sasaran kendala permintaan setiap bulannya dalam jumlah tertentu
namun tidak tetap/berfluktuasi. Untuk
menentukan permintaan yang berfluktuasi ini dapat digunakan metode peramalan
berdasarkan data sebelumnya.
Kajian dalam makalah ini merupakan
penelitian lanjutan dari penerapan LGP untuk perencanaan produksi [1], dimana
sasaran kendala permintaan
didasarkan pada hasil peramalan. Oleh
karena itu, akan didapatkan terlebih
dahulu model peramalan yang sesuai dengan data yang dimiliki. Selanjutnya
disusun model LGP untuk perencanaan
produksi minuman dalam kemasan botol dan dilakukan modifikasi seperlunya.
Model LGP ini bertujuan memenuhi
permintaan konsumen yang dalam hal ini adaah hasil peramalan, yaitu
memaksimalkan penggunaan bahan baku
yang ada, meminimumkan saldo produk
di gudang, memaksimumkan penggunaan persediaan kemasan/ botol dan
memaksimumkan penggunaan waktu
proses produksi.
KAJIAN TEORI
A. Peramalan Metode peramalan dapat dibedakan
berdasarkan pada kategori datanya, yaitu
data kuantitatif atau data kualitatif. Berdasarkan data kuantitatif terdapat
2
metode peramalan deret berkala (time
series) seperti moving average, metode
regresi sementara yang berdasarkan data
kualitatif terdapat metode eksploratoris dan normatif [5]. Pada penelitian ini akan
digunakan metode peramalan dengan data
kuantitatif : metode rata-rata dan metode regresi.
1. Metode rata-rata (Average) Metode rata-rata adalah suatu metode
penilaian yang di dasari atas nilai rata-rata
dalam periode yang bersangkutan.
1.1. Rata-rata sederhana
Metode rata-rata sederhana
merupakan metode yang tepat untuk deret berkala yang memiliki pola
stasioner dan tidak menunjukkan
adanya trend maupun unsur musiman [5]. Peramalan untuk periode ke (T+
1) dirumuskan sebagai berikut :
𝐹𝑇+1 = 1
𝑇 𝑋𝑖
𝑇
𝑖=1
……………………… (1)
Persamaan (1) menunjukkan bahwa
metode rata-rata sederhana menggunakan nilai rata-rata masa
lalu untuk meramalkan periode
mendatang
1.2. Rata-rata bergerak tunggal
(Single Moving Average)
Salah satu cara untuk mengubah pengaruh data masa lalu terhadap
nilai tengah sebagai ramalan adalah
terlebih dahulu memasukkan nilai
observasi masa lalu untuk menghitung nilai rata-rata. Pada rata-
rata bergerak ini dinyatakan bahwa,
apabila muncul nilai observasi baru, nilai rata-rata baru dapat dihitung
dengan membuang nilai observasi
yang lama dan memasukan nilai observasi yang baru. Rumus untuk
menghitung ramalan rata-rata
bergerak pada periode T+1 yaitu :
𝐹𝑇+1 =𝑋1 + 𝑋2 + 𝑋3 + ⋯+ 𝑋𝑇
𝑇… . . (2)
Metode ini kurang baik untuk
deret berkala dengan pola trend atau
musiman, walaupun metode ini lebih
baik dibanding rata-rata sederhana [5].
1.3 Rata-rata bergerak ganda Dari dua metode sebelumnya
telah dinyatakan bahwa apabila
digunakan sebagai ramalan untuk periode mendatang, tidak dapat
mengatasi trend yang ada. Untuk itu
dikembangkan metode rata-rata
bergerak ganda yaitu rata-rata bergerak dari rata-rata bergerak dan
disimbolkan sebagai MA(M × N)
artinya MA M-periode dari MA N-periode[2][5]. Metode rata-rata
bergerak ganda ini kemudian
dikembangkan menjadi metode rata-
rata bergerak linear yang secara umum diterangkan melalui
persamaan berikut :
𝑆𝑡′ =
𝑋𝑡 + 𝑋𝑡−1 + 𝑋𝑡−2 + ⋯+ 𝑋𝑡−𝑁+1
𝑁… . . (3)
𝑆𝑡′′ =
𝑆′𝑡 + 𝑆′𝑡−1 + 𝑆′𝑡−2 + ⋯+ 𝑆′𝑡−𝑁+1
𝑁. . (4)
𝑎𝑡 = 𝑆′𝑡 + 𝑆′𝑡 − 𝑆′′
𝑡 = 2𝑆′𝑡 − 𝑆′′𝑡 …… (5)
𝑏𝑡 =2
𝑁 − 1 𝑆′
𝑡 − 𝑆′′𝑡 ………… . . .……… 6
𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡𝑚…………… . .………… . (7)
dengan :
𝑆′𝑡 = rata-rata bergerak tunggal pada periode ke- t,
𝑆′′𝑡 = rata-rata bergerak ganda pada periode ke- t,
𝑎𝑡 = penyesuaian trend pada periode ke-t,
𝐹𝑡+𝑚 = peramalan untuk periode t + m.
2. Metode Regresi Pada metode regresi terdapat suatu
variabel dependen yakni variabel yang
akan diramalkan, dan satu atau lebih variabel independen yang mempengaruhi
variabel dependen. Jadi metode regresi
merupakan metode yang digunakan untuk mencari bentuk atau pola hubungan antara
variabel dependen dengan satu atau lebih
variabel independen.
3
2.1. Regresi Sederhana
Dalam analisis regresi linier
sederhana ini akan ditentukan
persamaan yang menghubungkan dua variabel yang dapat dinyatakan
sebagai bentuk model linier. Bentuk
umum regresi linier sederhana :
𝑌 = 𝑎 + 𝑏𝑋 + 𝑒............................(8)
𝑌 : vektor peubah tak bebas
𝑋 : vektor peubah bebas
𝑎 : intersep atau konstanta
𝑏 : koefisien regresi yang
menunjukan tingkat perubahan 𝑌
apabila 𝑋 mengambil nilai tertentu.
𝑒: variabel kesalahan (error)
Penentuan koefisien
kemiringan (slope) b untuk regresi
linear sederhana pada persamaan (8) adalah sebagai berikut :
𝑏 =𝑛 𝑥𝑖𝑦𝑖
𝑛𝑖=1 − ( 𝑥𝑖)(𝑛
𝑖=1 𝑦𝑖𝑛𝑖=1 )
𝑛 𝑥𝑖2 −𝑛
𝑖=1 ( 𝑥𝑖𝑛𝑖=1 )2
… (9)
Sedangkan rumus untuk mendapatkan koefisien intersep a ,
adalah sebagai berikut :
𝑎 = 𝑦𝑖
𝑛𝑖=1
𝑛− 𝑏
𝑥𝑖𝑛𝑖=1
𝑛……………… . (10)
2.2. Regresi Berganda Pada regresi berganda terdapat satu
variabel tidak bebas (misalnya permintaan) yang akan diramalkan, tetapi
terdapat dua atau lebih variabel bebas [5].
Bentuk umum dari regresi berganda
adalah :
𝑌 = 𝑏0 + 𝑏1𝑋1 + 𝑏2𝑋2 + ⋯+ 𝑏𝑘𝑋𝑘 + 𝑒. . (11)
Untuk menentukan koefisien regresi berganda (untuk dua variabel bebas
misalnya penjualan dan persediaan saldo
di gudang) seperti pada persamaan (12) -(14) sebagai berikut :
𝑏0𝑛 + 𝑏1 𝑋1 +𝑏2 𝑋2 = 𝑌 ……… . . . . (12)
𝑏0 𝑋1 + 𝑏1 𝑋12 +𝑏2 = 𝑋1𝑌… . . . (13)
𝑏0 𝑋2 + 𝑏1 𝑋1𝑋2 + 𝑏2 𝑋22 = 𝑋12 …… . . (14)
Berikut adalah langkah-langkah yang perlu ditempuh untuk melakukan
peramalan menggunakan metode regresi,
yaitu : 1. Menentukan variabel dependen dan
variabel independen.
2. Melakukan penaksiran terhadap
koefisien regresi . 3. Menghitung koefisien korelasi antara
kedua variabel untuk mengetahui
tingkat keeratan hubungan kedua variabel dan koefisien determinasi
untuk mengetahui berapa persen
ukuran variasi total pada peubah tak bebas yang dapat dijelaskan
hubungannya oleh peubuah bebas.
Koefisien korelasi untuk regresi
sederhana disimbolkan dengan r dan R untuk regresi berganda, sementara
koefisien determinasi untuk regresi
sederhana disimbolkan dengan d dan D untuk regresi berganda.
Berikut adalah rumus untuk menghitung koefisien korelasi regresi
sederhana:
𝑟 =𝑛 𝑥𝑖𝑦𝑖 − 𝑥𝑖 𝑦𝑖
𝑛 𝑥𝑖2 − ( 𝑥𝑖)
2 𝑛 𝑦𝑖2 − ( 𝑦𝑖)
2
. . (15)
dan koefisien determinasi (d)
diperoleh dengan 𝑑 = 𝑟2 dan untuk
regresi berganda yaitu :
𝐷 = (𝑌𝑖 − 𝑌 )2
(𝑌𝑖 − 𝑌 )2…………………… .… (16)
dan koefisien korelasi (R) diperoleh
dengan :
𝑅 = 𝐷………… . .……………… . (17)
4. Melakukan peramalan terhadap
variabel 𝑌 dengan mengambil nilai
tertentu pada variabel 𝑋
3. Ketepatan Metode Peramalan Dalam banyak situasi peramalan,
ketepatan dipandang sebagai kriteria
penolakan untuk memilih suatu metode peramalan. Dalam pemodelan deret
4
berkala, sebagian data yang diketahui
dapat digunakan untuk meramalkan sisa
data berikutnya sehingga memungkinkan
orang untuk mempelajari ramalan secara lebih langsung [5].
3.1. Ukuran Statistik Standar
Jika 𝑋𝑖 merupakan data aktual
untuk periode i dan 𝐹𝑖 merupakan data
hasil ramalan (atau nilai kecocokan) untuk periode yang sama, maka
kesalahan data ke i di definisikan
sebagai berikut :
𝑒𝑖 = 𝑋𝑖 − 𝐹𝑖 ...............................(18)
Jika terdapat nilai pengamatan dan
ramalan untuk n periode, maka akan
terdapat n buah kesalahan dan ukuran
statistik standar disajikan pada Tabel 1.
Tabel 1. Ukuran Statistik Standar
No Ukuran Statistik
Standar
Formulasi
1 Mean Error 𝑀𝐸 = 𝑒𝑖/𝑛
𝑛
𝑖=1
2 Mean Absolute
Error 𝑀𝐴𝐸 = |𝑒𝑖 |/𝑛
𝑛
𝑖=1
3 Sum of
Squared Error 𝑆𝑆𝐸 = 𝑒𝑖
𝑛
𝑖=1
2
4 Mean Squared
Error 𝑀𝑆𝐸 = 𝑒𝑖
𝑛
𝑖=1
2
/𝑛
1.1. Ukuran-ukuran Relatif
Hubungan dengan keterbatasan MSE sebagai suatu ukuran ketepatan
peramalan maka diusulkan ukuran-
ukuran alternatif, yang diantaranya
menyangkut kesalahan presentase. Tiga ukuran yang sering digunakan
disajikan pada Tabel 2.
Tabel 2. Ukuran-ukuran relatif
No Ukuran-ukuran
Relatif Formulasi
1 Precentage
Error 𝑃𝐸𝑖 =
𝑋𝑖−𝐹𝑖
𝑋𝑖 𝑥100
2 Mean
Precentage
Error
𝑀𝑃𝐸 = 𝑃𝐸𝑖/𝑛
𝑛
𝑖=1
3 Mean Absolute
Precentage
Error
𝑀𝐴𝑃𝐸 = |𝑃𝐸𝑖|/𝑛
𝑛
𝑖=1
Penelitian ini menggunakan Mean Absolute Precentage Error (MAPE)
karena sebagai presentase, ukuran ini
bersifat relatif, sehingga ukuran ini lebih disukai daripada kesalahan rata-rata
sebagai ukuran kesalahan [2][6].
B. Linear Goal Programming
Linear goal programming (LGP)
biasanya diterapkan pada masalah-
masalah dengan tujuan ganda dalam formulasi modelnya. Dalam formulasi
(LGP), terdapat dua variabel deviasi yaitu
variabel deviasi positif dan variabel deviasi negatif. Variabel deviasi positif
berfungsi untuk menampung kelebihan
capaian pada nilai ruas kiri terhadap
sasaran yang ditentukan (RHS), sementara variabel deviasi negatif berfungsi untuk
menampung kekurangan capaian pada
nilai ruas kiri terhadap sasaran yang ditentukan (RHS) [1][4][7].
Berikut bentuk umum dari model Linear Goal Programming [3] :
Mencari nilai 𝒙 = (𝒙𝟏,𝒙𝟐,… ,𝒙𝒏)
Min 𝒂 = 𝑎1 𝜂,𝜌 ,… ,𝑎𝑙(𝜂,𝜌) dengan kendala 𝑓𝑖 𝑥 + 𝜼𝒊 − 𝝆𝒊 = 𝒃𝒊
untuk i=1,2,....,m 𝑥, 𝜂,𝜌 ≥ 0
dengan 𝑓𝑖 𝑥 = 𝑐𝑖 ,𝑗𝑥𝑗𝑛𝑗=1
𝜂𝑖 = deviasi negatif pada kendala ke-i,
𝜌𝑖 = deviasi positif pada kendala ke-i,
𝑐𝑖 ,𝑗= konstanta dari kendala ke-i, variabel
keputusan ke-j,
𝑥𝑗 = variabel keputusan ke-j,
m = banyak kendala, n = banyak variabel keputusan,
bi = nilai sasaran kendala ke-i,
5
𝒂 = fungsi pencapaian tujuan,
l = banyaknya fungsi tujuan/fungsi
kendala.
LGP untuk Optimasi Perencanaan
Produksi
Untuk merumuskan model LGP
terlebih dahulu memformulasikan model
dasar linear programming (LP) seperti pada penelitian sebelumnya [1] dan
selanjutnya memformulasikan model LGP
dengan dimisalkan variabel keputusan
𝑋𝑖,𝑡 adalah banyaknya produk i yang harus
diproduksi pada periode t (pallet) dengan
𝑖 = 1,2,… ,𝑛, dan 𝑡 = 1,2,3. Model disusun untuk setiap produk i dan t
ditentukan untuk 3 bulan.
Kendala Sasaran :
F1 : Memaksimumkan permintaan
konsumen berdasarkan hasil peramalan. Untuk kendala tingkat permintaan
dapat diformulasikan model LGP seperti
berikut :
𝑋𝑖 ,𝑡 + 𝐼𝑖 ,(𝑡−1) − 𝐼𝑖 ,𝑡 + 𝜂𝑘 − 𝜌𝑘 = 𝑇𝑃𝑖 ,𝑡 (19)
𝑘 = 1,2,… , 𝑙,
𝑀𝑖𝑛 𝑎1 = (𝜌𝑘)
3
𝑡=1
dengan :
𝐼𝑖 ,𝑡 = Jumlah saldo akhir produk i pada
akhir periode t (pallet),
𝐼𝑖 ,(𝑡−1) = Jumlah saldo awal produk i pada
akhir periode t (pallet),
𝑇𝑃𝑖,𝑡 = Jumlah permintaan produk i pada
periode t (pallet).
F2 : Meminimumkan saldo persediaan di
gudang.
Selanjutnya untuk kendala saldo persediaan produk di gudang dapat
diformulasikan ke model LGP dengan
meminimumkan deviasi positif 𝜌𝑘
dengan 𝑘 = 𝑙 + 1,… ,2𝑙, 𝑙 adalah
banyaknya kendala yaitu : 𝐼𝑖 ,𝑡 + 𝜂𝑘 − 𝜌𝑘
3𝑡=1 = 𝑆𝑖 ,𝑡 (20)
𝑀𝑖𝑛 𝑎2 = 𝜌𝑘
3
𝑡=1
dengan 𝑆𝑖 ,𝑡 adalah rata-rata saldo produk i
per bulan (pallet),
F3 : Memaksimumkan penggunaan bahan
baku.
Sementara itu kendala lainnya adalah
kendala penggunaan bahan baku akan
diformulasikan ke model LGP seperti
berikut : 𝑐𝑖 . 𝑋𝑖 ,𝑡 + 𝜂𝑘 − 𝜌𝑘
3𝑡=1 = 𝐵𝐵𝑖 ,𝑡 (21)
𝑘 = 2𝑙 + 1,… , 5𝑙,
𝑀𝑖𝑛 𝑎3 = 𝜌𝑘
3
𝑡=1
dengan :
𝑐𝑖 = kebutuhan bahan baku untuk satu
pallet produk i,
𝐵𝐵𝑖 ,𝑡 = jumlah persediaan bahan baku i
pada periode t,
F4 : Memaksimumkan persediaan
kemasan/botol.
Untuk kendala ini dapat diformulasikan ke model LGP seperti
berikut: 𝑋𝑖 ,𝑡 + 𝜂𝑘 − 𝜌𝑘
3𝑡=1 = 𝑃𝐵𝑖 ,𝑡 (22)
𝑘 = 5𝑙 + 1,… , 6𝑙 ,
𝑀𝑖𝑛 𝑎4 = 𝜌𝑘
3
𝑡=1
dengan 𝑃𝐵𝑖,𝑡 adalah jumlah persediaan
botol kosong i pada periode t (pallet),
F5 : Memaksimumkan penggunaan waktu
proses.
Dan kendala penggunaan wktu proses
dapat diformulasikan ke model LGP yaitu
:
𝑑𝑖 .𝑋𝑖 ,𝑡 + 𝜂𝑘 − 𝜌𝑘
3𝑡=1 = 𝑊𝑃𝑖 ,𝑡 (23)
𝑘 = 6𝑙 + 1,… ,7𝑙 ,
𝑀𝑖𝑛 𝑎5 = 𝜌𝑘
3
𝑡=1
6
dengan :
𝑑𝑖 = kebutuhan waktu proses
produk i pada periode t,
𝑊𝑃𝑖,𝑡= rata-rata waktu yang
dibutuhkan produk i per
bulan.
Formulasi fungsi pencapaian tujuan
dari model LGP di atas adalah :
𝑀𝑖𝑛 𝒂 = (𝑎1 , 𝑎2 ,𝑎3 ,𝑎4 , 𝑎5 )
METODE PENELITIAN
Penelitian ini bertujuan menerapkan LGP untuk perencanaan produksi
minuman dalam kemasan botol dengan
tujuan memaksimumkan permintaan yang didasarkan hasil peramalan,
meminimumkan saldo persediaan produk
di gudang, memaksimumkan penggunaan bahan baku, memaksimumkan
penggunaan persediaan kemasan/botol
dan memaksimumkan penggunaan waktu
proses yang didasarkan data hasil peramalan yaitu jumlah permintaan, dan
data sekunder dari perusahaan yaitu
persediaan bahan baku dan jumlah kemasan/botol di gudang untuk produk-1,
produk-2, produk-3, produk-4 dan
produk-5 pada bulan Januari-Maret 2013.
Penelitian ini diselesaikan melalui langkah-langkah yang dijabarkan sebagai
berikut :
1. Membuat peramalan permintaan
produk bulan Januari-Maret 2013
didasarkan data Januari-Desember
2012.
1.1 Menguji normalitas data yang
akan diramalkan,
1.2 Menggunakan metode peramalan
kuantitatif : metode rata-rata dan
metode regresi,
1.3 Menentukan/memilih hasil
peramalan berdasarkan nilai error
terkecil (paling baik),
2. Menyusun model LGP,
3. Menyelesaikan model dengan Solver,
4. Menginterpretasikan hasil
penyelesaian dan membandingkan
hasil penyelesaian dengan data real,
5. Menarik kesimpulan.
PENERAPAN MODEL LGP PADA
PERENCANAAN PRODUKSI
1. Menentukan permintaan produk
berdasarkan peramalan
Peramalan dilakukan menggunakan
data permintaan tahun sebelumnya (2012) untuk mengetahui perkiraan permintaan
tahun 2013. Sebelum melakukan
peramalan terlebih dahulu dilakukan uji normalitas data yang dalam hal ini adalah
data permintaan menggunakan alat bantu
software SPSS 16.0. Berdasarkan uji
normalitas yang dilakukan diperoleh
bahwa nilai signifikansi 𝑝 ≥ 0,05 yang
berarti data berdistribusi normal.
Selanjutnya data yang akan diramalkan dihitung menggunakan metode rata-rata
bergerak ganda berdasarkan rumus (3) –
(7), metode regresi sederhana menggunakan rumus (8) – (10) dan
regresi berganda menggunakan rumus
(12) – (14). Dari kedua perhitungan ini
dipilih salah satu metode peramalan dengan nilai kesalahan (error) terkecil.
Berdasarkan perhitungan yang telah
dilakukan sehingga diperoleh bahwa pada penelitian ini digunakan metode regresi
berganda dengan menentukan data
permintaan sebagai variabel dependen,
dan data penjualan serta saldo gudang ditentukan sebagai variabel independen
untuk mengetahui perkiraan permintaan
tahun 2013. Berikut disajikan model regresi berganda untuk permintaan
produk-1 yang diperoleh.
Dari perhitungan yang dilakukan
diperoleh 𝑏0 = −157,159 , 𝑏1 = 0,83,
dan 𝑏2 = 5,009 , sehingga persamaan
regresi berganda untuk produk-1 yaitu :
𝑌 = −157,159 + 0,83𝑋1 + 5,009𝑋2.......(24)
Selanjutnya, dengan menggunakan rumus
(16-17) diperoleh hasil 0,857366 untuk
koefisien determinasi dan 0,92594 untuk koefisien korelasinya. Dengan demikian,
dapat dikatakan bahwa hubungan antara
7
variabel dependen (permintaan) dengan
kedua variabel independen (penjualan dan
saldo gudang) sangat kuat. Menggunakan
persamaan (24) selanjutnya didapat peramalan permintaan tahun 2012 dengan
mensubstitusikan data pada variabel
independen yaitu data penjualan dan saldo gudang diperoleh nilai permintaan produk
seperti Tabel 3 :
Tabel 3. Nilai permintaan hasil
peramalan regresi berganda untuk tahun
2012 bagi kelima produk
Bln Produk
1 2 3 4 5
Jan 3966,3 213,5 159,6 216,6 166,1
Feb 4214,4 373,9 244,9 219,9 100,6
Mar 5102,6 190,1 283,8 262,9 107,1
Apr 4951,4 260,7 265,6 260,9 96,3
Mei 6123,9 241,5 339,2 309,1 103,5
Jun 7103,4 181,9 313,5 312,4 77,1
Jul 6632,7 257,2 383,5 337,9 75,8
Agst 5047,2 232,5 250,3 243,8 42,1
Sep 6562,6 182,3 285,2 277,8 60,2
Okt 6335,6 219,1 423,7 334,9 68,6
Nop 6788,5 256,1 362,8 322,7 62,4
Des 5952,1 210,1 362,8 348,4 29,4 Error
(%) 5,33 20,85 17,81 13,58 31,38
Berdasarkan Tabel 3 akan dihitung
nilai kesalahan peramalan untuk setiap produk menggunakan Mean Absolute
Precentage Error (MAPE) dan keempat
produk lainnya (i=2,3,4,5) diselesaikan menggunakan cara yang sama seperti pada
produk-1.
Berdasarkan analisis model regresi berganda diperoleh hasil peramalan
permintaan Januari-Maret 2013 untuk
setiap produk yang tersaji pada Tabel 4:
Tabel 4. Hasil peramalan regresi
berganda Januari-Maret 2013 untuk
kelima produk
Bln Produk
1 2 3 4 5
Jan 3969,2 280,7 177,2 227,5 168,1
Feb 4214,4 384 258,7 221,8 211
Mar 5106,6 195,1 300,9 271,5 133,2
2. Formulasi Model LGP
Berdasarkan data dan permintaan yang
diramalkan disusun model untuk setiap produk dengan menggunakan fungsi
kendala pada rumus (19) sampai rumus
(23) selanjutnya akan dicari solusi optimum untuk setiap produk dalam
kurun waktu 3 bulan .
Berikut disajikan model LGP untuk produk-1 dan penyelesaian optimumnya.
𝑋1,1 + 𝐼1,0 − 𝐼1,1 + 𝜂1 − 𝜌1 = 3969,27 𝑋1,2 + 𝐼1,1 − 𝐼1,2 + 𝜂2 − 𝜌2 = 4214,43
𝑋1,3 + 𝐼1,2 − 𝐼1,3 + 𝜂3 − 𝜌3 = 5106,63
𝐼1,1 + 𝜂4 − 𝜌4 = 120,09 𝐼1,2 + 𝜂5 − 𝜌5 = 120,09
𝐼1,3 + 𝜂6 − 𝜌6 = 120,09
1,887𝑋1,1 + 𝜂7 − 𝜌7 = 10952,1
155,172𝑋1,1 + 𝜂8 − 𝜌8 = 39483,1 332,051𝑋1,1 + 𝜂9 − 𝜌9 = 330000 1,887𝑋1,2 + 𝜂10 − 𝜌10 = 11334,83
155,172𝑋1,2 + 𝜂11 − 𝜌11 = 44607,4 332,051𝑋1,2 + 𝜂12 − 𝜌12 = 330000
1,887𝑋1,3 + 𝜂13 − 𝜌13 = 11905,95 155,172𝑋1,3 + 𝜂14 − 𝜌14 = 36505,3 332,051𝑋1,3 + 𝜂15 − 𝜌15 = 330000
𝑋1,1 + 𝜂16 − 𝜌16 = 6412,28 𝑋1,2 + 𝜂17 − 𝜌17 = 6412,28 𝑋1,3 + 𝜂18 − 𝜌18 = 6412,28
0,076𝑋1,1 + 𝜂19 − 𝜌19 = 90 0,076𝑋1,2 + 𝜂20 − 𝜌20 = 90
0,076𝑋1,3 + 𝜂21 − 𝜌21 = 90
untuk meminimumkan 𝒂 = (𝑎1 𝜌1 +𝜌2 + 𝜌3 ,𝑎2 𝜌4 + 𝜌5 + 𝜌6 ,𝑎3 𝜌7 +𝜌8+. . +𝜌15 ,𝑎4 𝜌16 + 𝜌17 +𝜌18 ,𝑎5(𝜌19 + 𝜌20 + 𝜌21))
𝑋1,𝑡 , 𝐼1,(𝑡−1), 𝐼1,𝑡 , 𝐼1,𝑡 ,𝜂1,𝑡 ,𝜌1,𝑡 ≥ 0
(𝑡 = 1,2,3)
Untuk keempat produk lain (i = 2,3,4,5) disusun model LGP dan
diselesaikan menggunakan cara yang
sama seperti pada produk-1. Model di atas
8
diselesaikan menggunakan alat bantu
Solver pada MS. Excel 2007.
3. Pembahasan dan Interpretasi
Dari formulasi model LGP diatas
diperoleh solusi optimum untuk kelima
produk yang yang diselesaikan menggunakan Solver dan tersaji pada
Tabel 5 :
Tabel 5. Solusi Optimum LGP untuk
kelima produk.
Produk
1
Produk
2
Produk
3
Produk
4
Produk
5
Xi,1 251,03 173,73 264,76 315,1 59
Xi,2 283,61 0 323,76 236,4 25,76
Xi,3 232,09 160,62 164,16 206,9 0
Ii,1 120,09 100,7 87,55 87,55 87,55
Ii,2 120,09 100,7 85,33 85,33 85,33
Ii,3 120,09 100,7 88,35 88,35 88,35
𝜼𝟏 0 0 0 0 0
𝝆𝟏 0 0 0 0 0
𝜼𝟐 0 0 0 0 0
𝝆𝟐 0 0 0 0 0
𝜼𝟑 0 0 0 0 0
𝝆𝟑 0 0 0 0 0
𝜼𝟒 0 0 0 0 0
𝝆𝟒 0 0 0 0 0
𝜼𝟓 0 0 0 0 0
𝝆𝟓 0 0 0 0 0
𝜼𝟔 0 0 0 0 0
𝝆𝟔 0 0 0 0 0
𝜼𝟕 10478 388,06 276 276 276
𝝆𝟕 0 0 0 0 0
𝜼𝟖 0 0 11110,8 11110,8 11110,8
𝝆𝟖 0 0 0 0 0
𝜼𝟗 75408 169579 423017 423017 423017
𝝆𝟗 0 0 0 0 0
𝜼𝟏𝟎 10799 0 0 0 0
𝝆𝟏𝟎 0 0 0 0 0
𝜼𝟏𝟏 0 0 35363,8 35363,8 35363,8
𝝆𝟏𝟏 0 0 0 0 0
𝜼𝟏𝟐 0 0 0 0 0
𝝆𝟏𝟐 0 0 0 0 0
𝜼𝟏𝟑 11468 7,95 0 0 0
𝝆𝟏𝟑 0 0 0 0 0
𝜼𝟏𝟒 0 0 47169,5 47169,5 47169,5
𝝆𝟏𝟒 0 0 0 0 0
𝜼𝟏𝟓 0 0 0 0 0
𝝆𝟏𝟓 0 0 0 0 0
𝜼𝟏𝟔 6161,2 92,44 117,96 117,96 117,96
𝝆𝟏𝟔 0 0 0 0 0
𝜼𝟏𝟕 6128,9 266,17 170,81 170,81 170,81
𝝆𝟏𝟕 0 0 0 0 0
𝜼𝟏𝟖 6180,2 105,55 385,71 385,71 385,71
𝝆𝟏𝟖 0 0 0 0 0
𝜼𝟏𝟗 31,73 54,22 142,24 142,24 142,24
𝝆𝟏𝟗 0 0 0 0 0
𝜼𝟐𝟎 0 0 0 0 0
𝝆𝟐𝟎 0 0 0 0 0
𝜼𝟐𝟏 0 0 0 0 0
𝝆𝟐𝟏 0 0 0 0 0
𝜼𝟐𝟐 - - 21,8 19,93 0
𝝆𝟐𝟐 - - 0 0 0
Produk
1
Produk
2
Produk
3
Produk
4
Produk
5
𝜼𝟐𝟑 - - 0 0 27,75
𝝆𝟐𝟑 - - 0 0 0
𝜼𝟐𝟒 - - 7,74 0 0
𝝆𝟐𝟒 - - 0 0 0
𝜼𝟐𝟓 - - 96,1 96,1 96,1
𝝆𝟐𝟓 - - 0 0 0
𝜼𝟐𝟔 - - 5,99 5,99 5,99
𝝆𝟐𝟔 - - 0 0 0
𝜼𝟐𝟕 - - 8,17 8,17 8,17
𝝆𝟐𝟕 - - 0 0 0
𝜼𝟐𝟖 - - 54,42 54,42 54,42
𝝆𝟐𝟖 - - 0 0 0
𝜼𝟐𝟗 - - 18,63 18,63 18,63
𝝆𝟐𝟗 - - 0 0 0
𝜼𝟑𝟎 - - 8,58 8,58 8,58
𝝆𝟑𝟎 - - 0 0 0
𝜼𝟑𝟏 - - 8,75 8,75 8,75
𝝆𝟑𝟏 - - 0 0 0
𝜼𝟑𝟐 - - 2,85 2,85 2,85
𝝆𝟑𝟐 - - 0 0 0
𝜼𝟑𝟑 - - 1,24 1,24 1,24
𝝆𝟑𝟑 - - 0 0 0
Berdasarkan solusi optimal pada Tabel 5
secara ringkas analisis pencapaian tujuan
dari setiap tujuan yang ditetapkan dalam
permasalahan LGP ini seperti tersaji pada Tabel 6.
Tabel 6. Hasil Pencapaian Setiap Tujuan Berdasarkan Model LGP.
Tujuan Pencapaian Keterangan
F1 :
Memaksimum-
kan permintaan
konsumen
berdasarkan hasil peramalan
Terpenuhi
(𝜂𝑘 = 0 , 𝜌𝑘 = 0)
Jumlah
permintaan
tiap bulan
selama 3
bulan (Jan-
Feb 2013)
untuk kelima produk
tersaji pada
Tabel 4.
F2 :
Meminimumkan
saldo persediaan
di gudang
Terpenuhi
(𝜂𝑘 = 0 , 𝜌𝑘 = 0)
Saldo
minimum di
gudang
adalah
120,09 untuk
produk-1 ,
100,7 untuk
produk-2 ,
87,55 untuk
produk-3, 85,33
produk-4 dan
88,35
produk-5
9
F3 :
Memaksimum-
kan penggunaan
bahan baku
Terpenuhi
(𝜂𝑘 ≥ 0 , 𝜌𝑘 = 0)
Kekurangan
penggunaan
bahan baku
seminimum
mungkin
F4 :
Memaksimum-
kan persediaan
kemasan/botol
Terpenuhi
(𝜂𝑘 ≥ 0 , 𝜌𝑘 = 0)
Kekurangan
penggunaan
kemasan/bo-
tol tiap
bulannya
seminimum
mungkin
F5 :
Memaksimum-
kan penggunaan
waktu proses
Terpenuhi
(𝜂𝑘 ≥ 0 , 𝜌𝑘 = 0)
Waktu
proses minimum
tiap bulan
adalah 90
jam untuk
produk-1 dan
2,sementara
270 jam
untuk
produk-3,
produk-4 dan
produk-5
Selanjutnya akan dibandingkan antara
hasil penyelesaian menggunakan model
dengan data riil perusahaan untuk periode
Januari-Maret 2013, yang tersaji pada Tabel 7, yaitu :
Tabel 7. Perbandingan hasil penyelesaian dan data real perusahaan
Produk 1 2 3 4 5
Hasil
Model
Jan 3969,3 280,7 177,2 227,4 168,0
Feb 4214,4 384 258,7 221,8 211
Mar 5106,6 195,1 300,9 271,5 133,2
Data
Riil
Jan 4602,9 363,3 322, 4 395,4 47,55
Feb 4831,6 0 266,4 189,7 92,7
Mar 5079,3 141,7 169,7 167,8 0
Error (%) 10,38 52,25 42,84 42,17 75,92
Tabel 7 menunjukan perbandingan hasil penyelesaian/model dengan data riil
perusahaan dimana hasil model
didasarkan pada permintaan yang
diramalkan menggunakan metode regresi berganda untuk periode Januari-Maret
2013 dan nilai error pada peramalan
menggunakan metode tersebut adalah produk-1 sebesar 5,33% dan produk-3,
produk-4 masing-masing sebesar 17,81%
dan 13,58%. Sementara itu untuk dua produk lainnya yaitu produk-2 sebesar
20,85% dan 31,38% untuk produk-5.
Berdasarkan hasil model dan data riil
perusahaan yang diperoleh sehingga
didapat nilai error keduanya dimana
untuk produk-1,produk-3, dan produk-4
error yang diperoleh lebih kecil dibandingkan dengan produk-2 dan
produk-5 sesuai dengan nilai error
peramalan pada Tabel 3. Untuk produk-2 dan produk-5 terdapat perbedaan yang
signifikan dengan nilai error seperti pada
Tabel 7 yaitu 52,25% dan 75,92% , hal ini dikarenakan pada bulan Februari untuk
produk-2 dan bulan Maret untuk produk-5
terdapat salah satu bahan baku yang tidak
tersedia digudang maka pada bulan tersebut kedua produk tidak produksi
sehingga menjadikan nilai errornya besar.
PENUTUP
1. Kesimpulan Berdasarkan kajian di atas maka dapat
disimpulkan bahwa:
Kendala permintaan ditentukan
menggunakan peramalan metode
regresi berganda dengan error terkecil pada produk-1 yaitu 5,33%.
Nilai permintaan yang merupakan hasil
peramalan digunakan untuk perencanaan produksi bulanan yang
didasarkan pada model LGP untuk
periode Januari-Maret 2013, dimana
diperoleh nilai error yang berbeda signifikan terhadap data riil, yaitu pada
produk-2 dan produk-5. Hal ini
dikarenakan kedua produk tersebut tidak diproduksi yang disebabkan
adanya satu bahan baku yang tidak
tersedia. Penerapan model LGP dengan
permintaan yang diramalkan dapat
digunakan untuk perencanaan produksi
bulanan dalam kurun waktu 3 bulan sekaligus.
Saran
Untuk pengkajian lebih lanjut dapat
digunakan penggunaan metode peramalan yang berbeda untuk setiap produk yang
diteliti, agar diperoleh metode yang paling
tepat untuk setiap produknya.
10
DAFTAR PUSTAKA
[1] Astuti, Natalia. E. D., Linawati, L.,
Mahatma, T. 2013. Linear Goal
Programming untuk Optimasi Perencanaan Produksi. Prosiding
Seminar Nasional Sains dan
Pendidikan Sains VII UKSW tanggal 15 Juni 2013. ISSN: 2087-0922.
[2] Awat, Napa. J. 1990. Metode
Peramalan Kuantitatif. Yogyakarta : Liberty Yogyakarta.
[3] Ignizio, D. P. 1982. Operations
Research in Decision Making,
Lexington book, D.C. Heath and Company, Lexington,
Massachussetts.
[4] Linawati, Lilik 2012. Penentuan Alokasi Beban Kerja Dosen
Menggunakan Pemodelan
Lexicographic Linear Goal Programming. Seminar Nasional
Sains dan Pendidikan Sains VII
UKSW, 21 September 2012
[5] Makridakris, S., Steven, W., Victor, E. M. G. 1995. Metode dan Aplikasi
Peramalan. Edisi 2. Jilid 1. Jakarta :
Erlangga. [6] Makridakris, S., Steven, W. 1994.
Metode-metode Peramalan untuk
Manajemen. Edisi 5. Jakarta :
Binapura Aksara. [7] Siswanto. 2007. Operation Research
Jilid 1. Jakarta : Erlangga.