TUGAS AKHIR – KS141501
OPTIMASI DISTRIBUSI PUPUK MENGGUNAKAN METODE GOAL PROGRAMMING (STUDI KASUS : PT PETROKIMIA GRESIK (PERSERO)) v
OPTIMIZATION OF DISTRIBUTION FERTILIZER USING GOAL PROGRAMMING METHOD (CASE STUDY: PT PETROKIMIA GRESIK (PERSERO)) ELISA DIAN RISTIANASARI NRP 5213 100 048 Dosen Pembimbing Wiwik Anggraeni, S.Si., M.Kom JURUSAN SISTEM INFORMASI Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 2017
TUGAS AKHIR – KS141501
OPTIMASI DISTRIBUSI PUPUK MENGGUNAKAN METODE GOAL PROGRAMMING (STUDI KASUS : PT PETROKIMIA GRESIK (PERSERO))
ELISA DIAN RISTIANASARI NRP 5213 100 048 Dosen Pembimbing Wiwik Anggraeni, S.Si, M.Kom
JURUSAN SISTEM INFORMASI Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 2017
FINAL PROJECT – KS 141501
OPTIMIZATION OF DISTRIBUTION FERTILIZER USING GOAL PROGRAMMING METHOD (CASE STUDY :PT PETROKIMIA GRESIK (PERSERO))
ELISA DIAN RISTIANASARI NRP 5213 100 048 Supervisors Wiwik Anggraeni, S.Si, M.Kom
INFORMATION SYSTEMS DEPARTMENT Information Technology Faculty Sepuluh Nopember Institut of Technology Surabaya 2017
iii
iv
OPTIMASI DISTRIBUSI PUPUK MENGGUNAKAN METODE GOAL PROGRAMMING (STUDI KASUS: PT PETROKIMIA GRESIK (PERSERO)) Nama Mahasiswa : ELISA DIAN RISTIANASARI NRP : 5213100048 Jurusan :SISTEM INFORMASI FTIF-ITS Dosen Pembimbing : Wiwik Anggraeni, S.Si, M.Kom
ABSTRAK PT Petrokimia Gresik merupakanperusahaan milik pemerintah yang bergerak pada sektor pertanian sekaligus sebagai produsen pupuk terbesar dan terlengkap di Indonesia. Permasalahan yang sering terjadi pada proses distribusi pupuk PT Petrokimia adalah kekurangan pasokan pupuk dan keterlambatan
pupuk
yang
diterima
distributor.Untuk
mengatasi permasalahan tersebut,solusi yang diambil oleh PT Petrokimia adalah melakukan perencanaan jalannya distribusi pupuk agar dapat memenuhi permintaan konsumen Untuk itu,dalam tugas akhir ini dilakukan perencanaan optimasi distribusi pupuk untuk merencanakan jumlah pupuk yang
harus
permintaan
didistribusikan konsumen.
sehingga dapat
Dalam
melakukan
memenuhi
perencanaan
distribusi pupuk ini perlu memperhatikan beberapa faktor yang mempengaruhi jalannya proses distribusi, yaitu batasan persediaan pupuk, permintaan,alokasi dan waktu distribusi. v
Data yang digunakan adalah data distribusi pupuk phonska mulai dari bulan Januari hingga bulan Desember 2015 untuk Provinsi Jawa Timur. Metode yang digunakan dalam tugas akhir ini adalah metode Goal Programming. Metode Goal Programming merupakan metode yang mampumenyelesaikan permasalahan lebih dari satu sasaran yang hendak dicapai (multiobjective).Hal ini sesuai dengan kondisi permasalahan pada proses distribusi pupuk PT Petrokimia Gresik yaitu permasalahan kekurangan pasokan dan keterlambatan pupuk yang diterima oleh distributor. Luaran dari tugas akhir ini adalah jumlah pupuk yang harus didistribusikan oleh PT Petrokimia dari Gudang Gresik ke Gudang
Penyangga.
Perencanaan
optimasi
distribusi
mempertimbangkan waktu distribusi pupuk dan selisih jumlah permintaan agar dapat meminimalkan waktu distribusi dan meminimalkan selisih antara jumlah permintaan dan jumlah alokasi. Hasil perencanaan optimasi distribusi tersebut diharapkan dapat membantu proses pengambilan keputusan perusahaan yang lebih efektif dan efisien untuk menetapkan jumlah pupuk yang harus didistribusikan dari Gudang Gresik ke Gudang Penyangga agar dapat memenuhi permintaan konsumen. Dari hasil optimasi diperoleh jumlah alokasi pupuk yang optimal dari Gudang Gresik ke Gudang Penyanggauntuk setiap bulan. Dengan percepatan waktu yang ditempuh sebesar 2%. vi
Kata kunci: Optimasi, Distribusi pupuk, Petrokimia, Multiobjective, Goal Programming
vii
“Halaman sengaja dikosongkan”
viii
OPTIMIZATION OF DISTRIBUTION FERTILIZER USING GOAL PROGRAMMING METHOD (CASE STUDY : PT PETROKIMIA GRESIK (PERSERO)) Nama Mahasiswa : ELISA DIAN RISTIANASARI NRP : 5213 100048 Jurusan : SISTEM INFORMASI FTIF-ITS Dosen Pembimbing : Wiwik Anggraeni, S.Si, M.Kom
ABSTRACT PT Petrokimia Gresik is a government-owned company engaged in the agricultural sector as well as the largest and most comprehensive fertilizer producers in Indonesia. Problems often occur in the process of distribution of fertilizers PT Petrokimia is a shortage of supply of fertilizer and manure delay received distributor.Untuk address the problem, the solution is taken by PT Petrokimia is planning the course of the fertilizer distribution in order to meet consumer demand Therefore, in this final project planning optimization of fertilizer distribution to plan the amount of fertilizer to be distributed so as to meet consumer demand. In doing this fertilizer distribution planning needs to consider several factors that influence the course of the distribution process, which limits the fertilizer supply, demand, allocation and distribution time. The data used is data Phonska fertilizer distribution from January to December 2015 to the East Java province. The ix
method used in this thesis is the method of Goal Programming. Goal Programming method is a method capable of solving the problems of more than one target to be achieved (multiobjective) .This accordance with the conditions of the problems in the distribution of fertilizers PT Petrokima Gresikthe problems of shortage of supply and the delay of fertilizer received by the distributor. Outcomes of this thesis is the amount of fertilizer to be distributed by PT Petrokimia Gresik to Warehouse Warehouse Buffer. Planning optimization of the distribution of fertilizer distribution and consider the time difference in the number of requests in order to minimize the time distribution and minimize the difference between the number of requests and the number of allocations. The results of the optimization plan is expected to help the distribution of corporate decision-making process more effective and efficient to determine the amount of fertilizer to be distributed from the Warehouse Gresik to warehouse Penyangga in order to meet consumer demand. Optimization of the results obtained by the amount of fertilizer optimal allocation of Warehouse Gresik to Warehouse Penyangga on every month. In the process of allocation of fertilizer distribution acceleration travel time by 2%.
Keywords: Optimization, Distribution of fertilizers, Petrokimia, Multiobjective, Goal Programming x
KATA PENGANTAR Alhamdulillah atas karunia, rahmat, barakah, dan jalan yang telah diberikan Allah SWT selama ini sehingga penulis mendapatkan kelancaran dalam menyelesaikan tugas akhir dengan judul: OPTIMASI DISTRIBUSI PUPUK MENGGUNAKAN METODE GOAL PROGRAMMING (STUDI KASUS : PT PETROKIMIA GRESIK (PERSERO)) Terima kasih atas pihak-pihak yang telah mendukung, memberikan saran, motivasi, semangat, dan bantuan baik materi maupun spiritual demi tercapainya tujuan pembuatan tugas akhir ini. Secara khusus penulis akan menyampaikan ucapan terima kasih yang sedalam-dalamnya kepada: 1. Allah SWT yang telah memberi segala rahmat dan hidayah-Nya untuk dapat menyelesaikan tugas belajar selama di Sistem Informasi ITS dan telah memberikan kemudahan serta kesehatan selama pengerjaan Tugas Akhir ini. 2. Kedua orang tua serta saudara penulis yang selalu memberikan doa, dukungan, dan kekuatan dalam penyusunan tugas akhir ini. 3. IbuWiwik Anggraeni, S.Si, M.Kom selaku dosen pembimbing yang meluangkan waktu, memberikan ilmu, petunjuk, dan motivasi untuk kelancaran Tugas Akhir ini. 4. Bapak Edwin Riksakomara, S.Kom., MT dan Bapak Faisal Mahananto, S.Kom, M.Engselaku dosen penguji yang telah memberikan masukan untuk perbaikan tugas akhir ini. 5. Ibu Nur Aini Rakhmawati, S.Kom, M.Sc selaku dosen wali penulis selama menempuh pendidikan di Jurusan Sistem Informasi ITS. 6. Teman-teman terbaik penulis, Mia Eka, Rifatun, Fajar Ratna, Nur Sofia, Siti Alfianita dan Novian yang selalu menemani dalam suka dan duka serta selalu memberikan dukungan pada penulis selama masa kuliah xi
7.
Mbak Aswita dan Junda yang telah membantu serta menyumbangkan pikiran dan sarannya dalam penyusunan tugas akhir ini 8. Teman-teman RDIB khususnya Provani, Anindita, Kamal, Maul, Ninis dan Slamet yang menjadi rekan seperjuangan 115 penulis dalam Tugas Akhir dan membantu penulis selama kuliah di Sistem Informasi. 9. Teman-teman angkatan 2013 Beltranis yang telah berjuang bersama dalam menjalani perkuliahan di Jurusan Sistem Informasi ITS. 10. Seluruh rekan-rekan dari BEM FTIf, khususnya RTD yang telah membimbing dan memberi pengalaman berharga kepada penulis. 11. Seluruh dosen pengajar, staff, dan karyawan di Jurusan Sistem Informasi FTIF ITS Surabaya yang telah memberikan ilmu dan bantuan kepada penulis selama ini. 12. Serta semua pihak yang telah membantu dalam pengerjaan Tugas Akhir ini yang belum mampu penulis sebutkan diatas. Penyusunan laporan ini masih terdapat ketidak sempurnaan dalam pengerjaan tugas akhir ini, sehingga kritik dan saran membangun akan bermanfaat bagi penulis.Semoga buku tugas akhir ini dapat memberikan manfaat bagi pembaca.
xii
DAFTAR ISI LEMBAR PENGESAHAN.... Error! Bookmark not defined. LEMBAR PERSETUJUAN.................................................... iii ABSTRAK ............................................................................... v ABSTRACT ............................................................................ ix KATA PENGANTAR ............................................................ xi DAFTAR ISI ......................................................................... xiii DAFTAR GAMBAR ........................................................... xvii DAFTAR SEGMEN KODE PROGRAM ............................ xvii DAFTAR TABEL ................................................................. xix BAB I PENDAHULUAN ....................................................... 1 1.1. Latar Belakang .......................................................... 1 1.2. Perumusan Masalah .................................................. 3 1.3. Batasan Pengerjaan Tugas Akhir .............................. 3 1.4. Tujuan Tugas Akhir .................................................. 4 1.5. Manfaat Tugas Akhir ................................................ 4 1.6. Relevansi................................................................... 4 BAB II TINJAUAN PUSTAKA .............................................. 5 2.1. Penelitian Sebelumnya .............................................. 5 2.2. Dasar Teori ............................................................... 8 2.2.1. PT Petrokimia Gresik ........................................ 8 2.2.2. Proses Distribusi ............................................. 10 2.2.3. Optimasi .......................................................... 10 2.2.4. Goal Programming .......................................... 11 2.2.4.1 Fungsi Tujuan ................................................. 13 2.2.4.2 Batasan ............................................................ 13 2.2.5. Lingo ............................................................... 15 BAB III METODOLOGI PENELITIAN ............................... 17 3.1. Tahapan Pelaksanaan Tugas Akhir ......................... 17 3.1.1. Identifikasi Masalah ........................................ 18 3.1.2. Studi Literatur ................................................. 18 3.1.3. Pengumpulan Data dan Informasi ................... 18 3.1.4. Pembuatan Model dan Solusi .......................... 19 3.1.5. Verifikasi dan Validasi Model Optimasi......... 20 3.1.6. Uji Coba Skenario Alternatif .......................... 20 3.1.7. Analisa Hasil dan Penarikan Kesimpulan ....... 20 xiii
3.1.8. Pembuatan Laporan Tugas Akhir .................... 21 BAB IV PERANCANGAN ................................................... 23 4.1. Deskripsi Permasalahan .......................................... 23 4.2. Pengumpulan Informasi dan Data ........................... 23 4.2.1. Pengumpulan Informasi .................................. 23 4.2.2. Pengumpulan Data .......................................... 23 4.3. Pemodelan Linier Programming ............................. 24 4.3.1. Variabel Keputusan ......................................... 24 4.3.2. Fungsi Tujuan .................................................. 26 4.3.3. Perumusan Batasan.......................................... 29 4.4. Pembentukan Model Goal Programming ................ 33 4.4.1. Formulasi Goal Programming ......................... 33 4.4.2. Perumusan Batasan Goal Programming .......... 38 4.5. Perancangan Skenario ............................................. 41 BAB V IMPLEMENTASI ..................................................... 43 5.1. Pelaksanaan Implementasi Menggunakan Lingo .... 43 5.2. Implementasi Model Goal Programming Tanpa Prioritas Sasaran ...................................................... 44 5.2.1. Memasukkan data ke Lingo ............................ 44 5.2.2. Mengexport data ke Excel ............................... 45 5.2.3. Pengimplementasian Model Goal Programming ................................................... 46 5.3. Implementasi Model Goal Programming dengan Prioritas Sasaran ...................................................... 48 5.3.1. Implementasi Skenario 1 ................................. 48 5.3.2. Implementasi Skenario 2 ................................. 49 BAB VI HASIL DAN PEMBAHASAN ................................ 51 6.1. Lingkungan Uji Coba .............................................. 51 6.2. Verifikasi Model ..................................................... 52 6.3. Validasi Model ........................................................ 53 6.3.1. Resume Validasi Model .................................. 55 6.4. Hasil Optimasi Goal Programming ......................... 55 6.5. Uji Coba Model Optimasi ....................................... 58 6.6. Analisa Hasil ........................................................... 58 6.6.1. Analisa Hasil Lingo ......................................... 58 6.6.2. Analisa hasil uji coba ...................................... 61 6.6.3. Analisa Hasil Uji Coba Prioritas ..................... 62 xiv
BAB VII KESIMPULAN DAN SARAN ............................. 65 7.1. Kesimpulan ............................................................. 65 7.2. Saran ....................................................................... 66 DAFTAR PUSTAKA ............................................................ 67 BIODATA PENULIS ............................................................ 71 LAMPIRAN A ......................................................................... 1 LAMPIRAN B ......................................................................... 1 LAMPIRAN C ......................................................................... 1
xv
“Halaman sengaja dikosongkan”
xvi
DAFTAR GAMBAR Gambar 2.1 Sistem Distribusi Pupuk tanpa melalui Gudang Penyangga ................................................................................ 9 Gambar 2.2 Sistem Distribusi Pupuk melalui Gudang Penyangga ................................................................................ 9 Gambar 3.1 Metode Pengerjaan Penelitian ............................ 17 Gambar 6.1 Hasil verifikasi Model Base pada Lingo ............ 52 Gambar 6.2 Hasil Output Model pada Lingo ......................... 53 Gambar C.1 Script Model Base pada Lingo............................. 1 Gambar C.2 Generated Model Report Base ............................. 3 Gambar C.3 Output Model Base pada Lingo ......................... 10 Gambar C.4 Script Skenario 1 pada Lingo............................. 40 Gambar C.5 Script Skenario 2 pada Lingo............................. 42
DAFTAR SEGMEN KODE PROGRAM Segmen Kode Program 5.1 Penginputan Data ke Lingo ........ 45 Segmen Kode Program 5.2 Mengexport Data ke Excel ......... 46 Segmen Kode Program 5.3 Memasukkan Fungsi Tujuan ...... 46 Segmen Kode Program 5.4 Memasukkan Batasan Permintaan & Alokasi ............................................................................... 47 Segmen Kode Program 5.5 Memasukkan Batasan Waktu ..... 47 Segmen Kode Program 5.6 Memasukkan Fungsi Tujuan Skenario 1............................................................................. 467 Segmen Kode Program 5.7 Memasukkan Fungsi Tujuan Skenario 2............................................................................. 467
xvii
“Halaman sengaja dikosongkan”
xviii
DAFTAR TABEL Tabel 2.1 Penelitian Sebelumnya ............................................. 5 Tabel 4.1 Persentase Jumlah Persediaan Masing-Masing Jenis Pupuk pada Gudang ............................................................... 24 Tabel 6.1 Lingkungan Uji Coba Perangkat Keras .................. 51 Tabel 6. 2 Lingkungan Uji Coba Perangkat Lunak ................ 51 Tabel 6.3 Hasil Pemodelan pada Program Lingo ................... 54 Tabel 6.4 Hasil Perbandingan Optimasi ................................. 55 Tabel 6.5 Hasil Optimasi Goal 1 pada Lingo ......................... 58 Tabel 6.6 Hasil Optimasi Goal 2 pada Lingo ......................... 60 Tabel 6.7 Hasil Uji Coba untuk Skenario 1 .......................... 61 Tabel 6.8 Hasil Uji Coba untuk Sknario 2 ............................. 62 Tabel 6.9 Analisa Hasil Uji Coba Prioritas ............................ 63 Tabel A.1 Data Permintaan Tahun 2016 (ton) ......................... 1 Tabel A.2 Data Alokasi Tahun 2016 (ton) .............................. 3 Tabel A.3 Data waktu Distribusi .............................................. 5 Tabel B.1 Optimasi Jumlah Alokasi Pupuk dari Gudang Gresik ke Masing-Masing Gudang Penyangga (ton) ............... 1 Tabel B.2 Penyimpangan antara Jumlah Permintaan dan Jumlah Alokasi (ton) ................................................................ 3 Tabel B.3 Analisis Optimasi Waktu Distribusi ........................ 5 Tabel B.4 Hasil Optimasi Bulan Januari .................................. 6 Tabel B.5 Hasil Optimasi Bulan Februari ................................ 7 Tabel B.6 Hasil Optimasi Bulan Maret .................................... 8 Tabel B.7 Hasil Optimasi Bulan April ..................................... 9 Tabel B.8 Hasil Optimasi Bulan Mei ..................................... 10 Tabel B.9 Hasil Optimasi Bulan Juni ..................................... 11 Tabel B.10 Hasil Optimasi Bulan Juli .................................... 12 Tabel B.11 Hasil Optimasi Bulan Agustus ............................ 13 Tabel B.12 Hasil Optimasi Bulan September ........................ 14 Tabel B.13 Hasil Optimasi Bulan Oktober ............................ 15 Tabel B.14 Hasil Optimasi Bulan November ......................... 16 Tabel B.15 Hasil Optimasi Bulan Desember ......................... 17
xix
“Halaman sengaja dikosongkan”
xx
BAB I PENDAHULUAN Pada bab ini menjelaskan tentang pendahuluan pengerjaan tugas akhir ini, yang meliputi latar belakang, rumusan permasalahan, batasan masalah, tujuan penelitian hingga manfaat yang diambil dari hasil tugas akhir serta relevansi hasil tugas akhir terhadap bidang keilmuan jurusan dan laboratorium. 1.1. Latar Belakang PT Petrokimia Gresik (Persero) merupakan perusahaan milik pemerintah yang bergerak pada sektor pertanian sekaligus memiliki peran sebagai produsen pupuk terlengkap dan terbesar di Indonesia yang memproduksi berbagai macam pupuk[1]. Dalam proses distribusi permasalahan yang sering terjadi pada PT Petrokimia Gresik (Persero) adalah keterlambatan pupuk yang diterima oleh para distributor[2]. Keterlambatan ini disebabkan karena jumlah persediaan pupuk di Gudang Gresik yang tidak seimbang dengan jumlah permintaan pupuk[3] .Masalah ini yang menyebabkan kekurangan pupuk, dampak masalah ini bukan hanya pada distributor namun petani juga ikut merasakan dampak tersebut.Oleh karena itu, PT Petrokimia harus mampu mengatasi permasalahan tersebut.Solusi yang dapat diambil oleh PT Petrokimia adalah melakukan perencanaan jalannya distribusi pupuk agar dapat memenuhi permintaan konsumen.Perencanaan distribusi atau biasa disebut Distribution Planning Decision (DPD) merupakan perencanaan optimasi distribusi barang dari suatu sumber ke tujuan untuk menentukan berapa jumlah pupuk yang harus didistribusikan.Perencanaan dilakukan oleh bagian perencanaan untuk menentukan jumlah pupuk yang harus didistribusikan dari Gudang Gresik ke Gudang Penyangga.Perencanaan ini juga mempertimbangkan waktu distribusi dan selisih jumlah permintaan agar dapat meminimalkan waktu distribusi dan meminimalkan selisih antara jumlah permintaan dan jumlah alokasi. Untuk mencapai tujuan tersebut,dibutuhkan sebuah optimasi dari beberapa 1
faktor yang mempengaruhi proses distribusi.Faktor yang digunakan dalam optimasi perencanaan distribusi ini adalah data persediaan,data permintaan, data alokasi dan data waktu distribusi. Beberapa pendekatan telah dikembangkan untuk menyelesaikan masalah perencanaan distribusi. Penelitian oleh Bhargava, Singh2 & Diyva [4]menggunakan metode Goal Programming untuk menyelesaikan multi-objective perencanaan distribusi produk makanan. Tujuan dari penelitian tersebut untuk dapat membantu menentukan jumlah produk yang harus didistribusikan sehingga dapat memenuhi pencapaian total distribusi produk dan menghasilkan keuntungan maksimal serta dapat meminimalkan total biaya manufaktur.Dari hasil penelitian tersebut, penulis mengatakan bahwa model Goal Programming dapat juga digunakan untuk pengambilan keputusan. Penelitian lain dilakukan oleh Nasruddin, Khairil & Siti [5]yang menerapkan metode Goal Programming untuk menyelesaikan permasalahan multi-objective perencanaan produksi . Tujuan dari penelitian tersebut adalah meminimalkan biaya produksi dan memaksimalkan keuntungan dengan mengoptimalkan senyawa produk agar menghasilkan kualitas produk yang baik. Dari hasil penelitian tersebut penulis mengatakan bahwa metode Goal Programming dapat digunakan untuk perencanaan pertanian dalam mengurangi biaya produksi sehingga dapat meningkatkan keuntungan. Dalam penelitian tersebut juga dijelaskan bahwa Goal Programming merupakan salah satu model yang dikembangkan untuk menangani beberapa tujuan (multi objective) dalam pengambilan keputusan. Menurut Siswanto (1993) dalam buku Operation Research menyatakan bahwa “Metode Goal programming merupakan metode yang mampumenyelesaikan kasus-kasus yang memilikilebih dari satu sasaran yang hendak dicapai”[6]. Berdasarkan beberapa penelitian di atas,dapat diketahui bahwa metode Goal Programming cocok untuk menyelesaikan permasalahan multi-objective atau lebih dari satu fungsi tujuan. Hal ini sesuai dengan kondisi permasalahan pada PT Petrokimia 2
Gresik. Untuk itu dalam tugas akhir ini akandilakukan optimasi distribusi pupuk dengan menggunakan metode Goal Programming. Dengan dilakukan optimasi perencanaan distribusi ini, diharapkan dapat memberikan informasi jumlah pupuk yang harus didistribusikan dari Gudang Gresik ke Gudang Penyangga.Tujuan perencanaan distribusi ini untuk meminimalkanwaktu distribusi dan meminimalkan selisih antara jumlah permintaan dan jumlah alokasi dengan mempertimbangkan batasan yang mempengaruhi jalannya proses distribusi, yaitu batasan persediaan pupuk, permintaan, dan alokasi distribusi. 1.2. Perumusan Masalah Perumusan masalah dalam penelitian tugas akhir ini adalah sebagai berikut: 1. Bagaimana model yang sesuai dengan proses distribusi PT Petrokimia Gresik (Persero)? 2. Bagaimanahasil optimasi jumlah pupuk yang harus didistribusikan dari Gudang Gresik ke Gudang Penyangga agar dapat meminimalkan waktu distribusi dan meminimalkan selisih antara jumlah permintaan dan jumlah alokasi? 1.3. Batasan Pengerjaan Tugas Akhir Untuk menghasilkan pembahasan yang terfokus dalam pengerjaan tugas akhir ini,maka ada beberapa batasan masalah yang harus diperhatikan, yaitu sebagai berikut : 1. Optimasi yang dilakukan berfokus pada jenis pupuk phonska milik PT Petrokimia Gresik (Persero). 2. Data yang digunakan adalah data persediaan, data permintaan ,data alokasi dan waktu distribusi dari bulan Januari hingga bulan Desember 2015. 3. Area distribusi yang dibahas dalam tugas akhir ini berfokus pada Provinsi Jawa Timur. 4. Optimasi dilakukan dengan menggunakan tools Lingo 5. Asumsi waktu distribusi pada kondisi normal 3
1.4. Tujuan Tugas Akhir Tujuan dari tugas akhir ini adalah 1. Memperoleh model yang sesuai dengan proses distribusi PT Petrokimia Gresik (Persero). 2. Memperoleh hasil optimasi jumlah pupuk yang harus didistribusikan dari Gudang Gresik ke gudang penyangga sehingga dapat meminimalkanwaktu distribusi dan meminimalkan selisih antara jumlah permintaan dan jumlah alokasi. 1.5. Manfaat Tugas Akhir Manfaat yang diharapkan dapat diperoleh dari tugas akhir ini adalah : 1. Bagi Perusahaan,yaitu memberikan informasi jumlah pupuk sehingga dapat membantu dalam melakukan perencanaan distribusi pupuk dari Gudang Gresik ke Gudang Penyangga sehingga dapat meminimalkan waktu distribusi dan meminimalkan selisih antara jumlah permintaan dan jumlah alokasi. 2. Bagi peneliti, dapat dijadikan sebagai pengetahuan dalam bidang optimasi distribusi khususnya implementasi metode Goal Programming dan dapat digunakan untuk bahan penelitian selanjutnya. 1.6. Relevansi Penerapan Goal Programming pada optimasi distribusi pupuk dapat membantu dalam menentukan jumlah pupuk yang harus didistribusikan sehingga dapat memenuhi kebutuhan konsumen.Hasil penelitian ini dapat dijadikan sebagai dasar dalam pengambilan keputusan oleh perusahaan dalam penentuan jumlah pupuk yang didistribusikan.Pengembangan lebih lanjut dari penelitian ini dapat membantu perusahaan dalam proses distribusi pupuk sehingga dapat memenuhi kebutuhan konsumen.
4
BAB II TINJAUAN PUSTAKA Pada bab ini akan menjelaskan mengenai penelitian sebelumnya dan dasar teori yang dijadikan acuan atau landasan dalam pengerjaan tugas akhir ini. Landasan teori akan memberikan gambaran secara umum dari landasan penjabaran tugas akhir ini. 2.1. Penelitian Sebelumnya Beberapa penelitian sebelumnya yang dijadikan acuan dalam pengerjaan tugas akhir disajikan dalam tabel berikut.Tabel 2.1 adalah penjelasan mengenai penelitian sebelumnya. Tabel 2.1 Penelitian Sebelumnya
No 1
Penelitian Sebelumnya Judul Paper A Fuzzy Goal Programming Approch for Food Product Distribution of Small and Medium Enterprise Penulis ; A.K. Bhargava1, S.R. Singh2 and Divya Tahun Bansal ; 2015 Deskripsi Penelitian ini menitikberatkan bahwa Umum satu aspek penting dalam distribusi Penelitian produk, dimana jumlah permintaan produk tinggi namun keterbatasan jumlah persediaan tidak dapat memenuhi permintaan Penelitian ini menggunakan pendekatan Goal Programming untuk menyelesaikan masalah distribusi.Hasil dari penerapan Goal Programming ini dapat membantu menentukan jumlah produk yang harus di distribusikan sehingga dapat memenuhi pencapaian total distribusi produk dan menghasilkan keuntungan maksimal serta dapat meminimalkan total biaya manufaktur. 5
No Keterkaitan Penelitian
2
Judul Paper
Penulis Tahun
;
Deskripsi Umum Penelitian
Keterkaitan Penelitian
3
Judul Paper
Penelitian Sebelumnya Pada literatur ini dapat digunakan sebagai acuan dalam melakukan pengerjaan tugas akhir ini dimana konsep metode Goal Programming dapat menyelesaikan masalah multi-objective Optimizing Fertilizer Compounds and Minimizing the Cost of cucumber Production using the Goal Programming Approach Nasruddin Hassan, Khairil Bariyyah Hassan, Siti Salmiah Yatim and Siti Aminah Yusof ; 2013 Penelitian ini dilakukan untuk memaksimalkan produksi mentimun dan meminimalkan total biaya pupuk yang digunakan.Pada penelitian ini menggunakan pendekatan Goal Programming untuk mengoptimalkan senyawa pupuk agar menghasilkan kualitas produk yang baik.Dalam hal ini pendekatan Goal Programming berguna untuk perencanaan pertanian dengan mengurangi biaya produksi sehingga dapat meningkatkan keuntungan. Pada literatur ini dapat digunakan sebagai acuan dalam melakukan pengerjaan tugas akhir ini dimana konsep metode Goal Programming dapat menyelesaikan masalah multiobjective.Sehingga dapat membantu pengambilan keputusan dalam menentukan solusi terbaik berdasarkan fungsi tujuan yang lebih dari satu Analisis Optimasi Rantai Pasok Beras dan Penggunaan Gudang di Perum Bulog Divre Dki Jakarta 6
No
Penelitian Sebelumnya Penulis ; Cory Trisilawaty, Marimin, Noer Azam Tahun Achsani ;2011 Deskripsi Penelitian ini menitikberatkan pada Umum manajemen rantai pasok. Analisis Penelitian optimasi pada penelitian ini bertujuan untuk merumuskan struktur rantai pasok beras dan penggunaan gudang yang optimal di Perum BULOG Divre DKI Jakarta dengan (i) menganalisis optimasi struktur rantai pasok beras dan penggunaan gudang yang optimal menggunakan model goal programming dan (ii) menganalisis biaya transportasi distribusi beras Raskin dengan membandingkan biaya yang menggunakan tarif transportasi tetap dengan tarif transportasi yang berbeda untuk setiap wilayah titik distribusi. Keterkaitan Pada literatur ini dapat digunakan Penelitian sebagai acuan dalam melakukan pengerjaan tugas akhir ini dimana melakukan analisis hasil optimasi menggunakan pendekatan Goal Programming
7
2.2. Dasar Teori Konsep-konsep atau teori yang memiliki keterkaitan dengan tugas akhir meliputi proses distribusi, optimasi, metode algoritma genetika dan teknik peramalan. 2.2.1.
PT Petrokimia Gresik
PT Petrokimia Gresik adalah perusahaan milik pemerintah yang bergerak pada sektor pertanian sekaligus memiliki peran sebagai produsen pupuk terlengkap dan terbesar di Indonesia yang memproduksi berbagai macam pupuk, seperti: Urea, ZA, SP-36, ZK, NPK Phonska, NPK Kebomas, dan pupuk organik Petroganik. PT Petrokimia Gresik juga memproduksi produk non pupuk, antara lain Asam Sulfat, Asam Fosfat, Amoniak, Dry Ice, Aluminum Fluoride, Cement Retarder, dll. Keberadaan PT Petrokimia Gresik adalah untuk mendukung program Pemerintah dalam rangka meningkatkan produksi pertanian dan ketahanan pangan Nasional. PT Petrokimia ini melakukan pendistribusian pupuk ke distributor yang tersebar di seluruh Indonesia. Untuk memperlancar distribusi pupuk ke petani PT Petrokimia Gresik telah membangun jaringan pemasaran yang kuat, di dukung oleh ratusan distributor, ribuan kios resmi dan sales supervisor yang tersebar diseluruh Indonesia.Selain itu juga didukung oleh armada darat dan laut, gudang gudang penyangga,serta distribution centre di beberapa lokasi strategis di Indonesia[1]. Sistem Distribusi Pupuk PT Petrokimia Gresik Terdapat dua macam sistem distribusi pada PT Petrokimia Gresik yaitu sebagai berikut: 1. Untuk sistem distribusi pupuk tanpa melalui Gudang Penyangga Pada sistem distribusi pupuk untuktanpa melalui Gudang Penyangga, hasil produksi akan di simpan di Gudang Gresik pupuk dibawah holding PT. Petrokimia Gresik sebelum ditebus oleh distributor.Setelah Distributor mengajukan permintaan penebusan disertai bukti transfer pembayaran dari dari Bank ke PT Petrokimia 8
Gresik,pupuk dibawa ke gudang distributor.Setelah itu pupuk akan didistribusikan ke kios- kios resmi untuk selanjutnya dikirim ke konsumen/ petani.Gambar 2.1 adalah sistem distribusi pupuk tanpa melalui Gudang Penyangga
Gambar 2.1Sistem Distribusi Pupuk tanpa melalui Gudang Penyangga Sumber: http://www.petrokimiagresik.com/PrintPage/Sistem.Distribusi
2. Untuk sistem distribusi pupuk melalui Gudang Penyangga Pada sistem distribusi pupuk melalui Gudang Penyangga, hasil produksi akan dikirim ke gudang penyangga dan konsumen industri,dimana lokasi gudang tersebut sesuai dengan daftar distributor.Setelah dibawa ke gudang distributor,pupuk akan didistribusikan ke kios-kios resmi untuk selanjutnya dikirim ke konsumen/petani.Gambar 2.2 adalah sistem distribusi pupuk melalui Gudang Penyangga
Gambar 2.2Sistem Distribusi Pupuk melalui Gudang Penyangga Sumber: http://www.petrokimiagresik.com/PrintPage/Sistem.Distribusi
9
2.2.2.
Proses Distribusi
Distribusi merupakan proses memindahkan dan menyimpan barang dari sumber (source) untuk sampai ke tujuan (destination) dengan tujuan meminimalkan transportasi dan biaya pengiriman [7] .Menurut Kotler (2005) mendefinisikan bahwa distribusi mencakup perencanaan, pelaksanaan dan pengawasan arus bahan dengan memperoleh produk akhir dari tempat produksi dengan memperoleh keuntungan. Sebagian besar perusahaan menyatakan bahwa tujuan distribusi adalah membawa barang dalam jumlah tepat, pada waktu yang tepat, dan dengan biaya serendah mungkin[8]. 2.2.3. Optimasi Optimasi adalah tindakan untuk mendapatkan hasil yang terbaik. Tujuan optimasi ini dilakukan untuk meminimalkan upaya yang dibutuhkan atau untuk memaksimalkan hasil yang diinginkan. Dalam melakukan optimasi perlu menyatakan fungsi dari variabel keputusan,untuk dapat mendefinisikan proses tersebut mendapatkan nilai maksimum atau minimum dari suatu fungsi[9]. Berikut ini akan dijelaskan langkah – langkah yang harus dilakukan untuk menyelesaikan suatu persoalan optimasi dengan pendekatan penyelidikan operasi[10]. 1. Langkah pertama, memahami persoalaan nyata yang akan dioptimasikan, dalam hal ini disebut permasalahan optimasi. 2. Langkah kedua, membuat model matematika yang merepresentasikan karakteristik dinamik permasalahan optimasi tersebut. Dalam membuat model matematika, langkah – langkah yang harus dilakukan adalah sebagai berikut: 1) Mendefinisikan variabel – variabel dalam permasalahan. Variabel merupakan besaran yang nilainya dapat berubah – ubah. 2) Mendefinisikan parameter – parameter dalam permasalahan. Parameter merupakan besaran yang 10
nilainya tertentu dan tidak berubah – ubah pada kondisi yang standar. 3) Mendefinisikan tujuan yang akan dicapai dalam permasalahan optimasi tersebut. Tujuan yang ingin dicapai dinyatakan dalam fungsi tujuan. 4) Mendefinisikan kendala – kendala yang harus dipenuhi dalam mencapai tujuan. Kendala juga dinyatakan dalam fungsi kendala.Model matematika suatu permasalahan optimasi meliputi fungsi tujuan dan fungsi – fungsi kendala. . 3. Langkah ketiga, menyelesuaikan model matematika dengan menggunakan metode tertentu, yaitu menentukan nilai variabel – variabel dalam permasalahan optimasi yang mengoptimumkan fungsi tujuan. 4. Langkah keempat, melakukan interpretasi penyelesaian berdasarkan hasil penyelesaian model. 5. Langkah kelima, melakukan analisa sensitivias, yaitu mempertimbangkan parameter – parameter apa saja yang berpengaruh terhadap hasil penyelesaian model. Analisa sensitivitas digunakan saat terjadi perubahan parameter, dimana perhitungan optimasinya tidak perlu mulai dari awal proses tetapi cukup menggunakan penyelesaian terakhir untuk memperoleh penyelesaian yang baru. 2.2.4.
Goal Programming
Goal programming merupakan perluasan dari program linear (linear programming). Goal programming adalah salah satu metode matematis yang dipakai sebagai dasar mengambil keputusan untuk menganalisa dan mencari solusi optimal yang melibatkan banyak tujuan (multi objektif) sehingga diperoleh solusi yang optimal. Pendekatan dasar dari goal programming adalah untuk menetapkan suatu tujuan yang dinyatakan dengan angka tertentu untuk setiap tujuan, merumuskan suatu fungsi tujuan, dan kemudian mencari penyelesaian dengan meminimumkan jumlah (tertimbang) penyimpanganpenyimpangan dari fungsi tujuan[11].Untuk melakukan metode Goal Programming terlebih dahulu menentukan variabel 11
keputusan,fungsi tujuan dan batasan dari permasalahan yang diangkat[12]. Konsep Dasar Goal Programming: Berikut adalah istilah-istilah yang sering digunakan dalam Goal Programming[13]. 1. Variabel keputusan (Desicion variables) yaitu seperangkat variabel yang tidak diketahui yang akan dicari nilainya. 2. Nilai sisi kanan (Right Hand Side Values atau RHS) yaitu nilai-nilai yang biasanya menunjukkan ketersediaan sumber daya yang akan ditentukan kekurangan atau kelebihan penggunaannya. 3. Tujuan (Goal) yaitu keinginan untuk meminimumkan angka penyimpangan dari suatu nilai RHS pada suatu goal constraint tertentu. 4. Kendala tujuan (Goal Constraint) merupakan sinonim dari istilah goal equation, yaitu suatu tujuan yang diekspresikan dalam persamaan matematika yang memasukkan variabel simpangan. 5. Preemptive priority factor yaitu suatu sistem urutan yang menunjukkan banyaknya tujuan dalam model yang memungkinkan tujuan-tujuan disusun secara ordinal dalam model Linear Goal Programming. 6. Variabel simpangan (Deviational variables) yaitu variabel-variabel yang menunjukkan kemungkinan penyimpangan negatif atau positif dari suatu nilai RHS kendala tujuan. Variabel-variabel ini serupa dengan slack variabel dalam Linear Programming. 7. Bobot (Differential Weight) yaitu bobot yang diekspresikan dengan angka kardinal dan digunakan untuk membedakan variabel simpangan didalam suatu tingkat prioritas. Untukmenentukan perumusan metode Goal Programming,menentukan formula yang digunakan terdiri dari fungsi tujuan, variable keputusan dan batasan permasalahan. 12
2.2.4.1 Fungsi Tujuan Fungsi tujuan merupakan perumusan tujuan secara matematis untuk mendapatkan hasil yang maksimal atau minimal sesuai dengan tujuan yang telah ditentukan sebelumnya.Dalam penulisan fungsi tujuan dapat dituliskan dengan formula sebagai berikut: Maximize = nX1 + nX2 + … + nXn
(1)
Minimize = nX1 + nX2 + … + nXn
(2)
Perumusan maximize digunakan untuk tujuan yang fungsinya adalah meningkatkan tujuan, sedangkan perumusan minimize untuk tujuan yang fungsinya adalah meminimalkan tujuan. Dimana: n
= nilai positif dari variabel
X1, X2, … , Xn=variabel keputusan yang digunakan untuk mencapaifungsi tujuan 2.2.4.2 Batasan Batasan merupakan variable yang menjadi pembatas dalam mencapai fungsi tujuan. Dalam penulisan batasan perlu memperhatikan mengenai variabel yang menjadi batasan dalam mencapai fungsi tujuan. Penulisan batasan dapat ditulis secara matematis dengan formula seperti berikut : Batasan 1 = nX1 + nX2 + … + nXn ≥p
(3)
Batasan 2 = nX1 + nX2 + … + nXn ≤q
(4)
13
Dimana: Batasan 1&2
= variabel-variabel yang menjadi batasan dalam mencapai fungsi tujuan
n
= nilai positif dari variabel
X1, X2,… ,Xn =variabel keputusan yang digunakan untuk mencapaifungsi tujuan p&q
= nilai kostanta yang menjadi pembatas padamasing-masing batasan
Fungsi tujuan dan batasan pada penjelasan diatas merupakan formula dalam bentuk metode Linear Programming. Langkah selanjutnya adalah mengubah formula tersebut kedalam bentuk Goal Programming. Dalam pengubahan formula, terdapat penambahan variabel yang dinamakan variabel deviasi. Dengan adanya variabel deviasi digunakan untuk membuat fungsi tujuan baru dengan meminimalkan variabel deviasi yang sudah ditentukan[14]. Penulisan rumus fungsi tujuan dengan meminimalkan variabel deviasi adalah sebagai berikut: 𝑚 Minimize Z= ∑𝑖=0 𝑤𝑖 𝑃𝑖 (𝑑𝑖+ + 𝑑𝑖− ) (5) Dimana : Pi = level prioritas dari setiap tujuan wi = konstanta dari non-negative untuk pembobotan Dengan Batasan: 𝑛
+ ∑ 𝑎𝑖𝑗 𝑥𝑖𝑗 + 𝑑− 𝑖 − 𝑑𝑖 = 𝑏𝑖 (𝑖 = 1,2, … , 𝑚) (6) 𝑗=𝑖
+ 𝑥𝑖𝑗 , 𝑑− 𝑖 , 𝑑𝑖 ≥ 0
(7) 14
𝑖 = 1, 2, … , 𝑚 ; 𝑗 = 1, 2, … , 𝑛
(8)
𝑃1 > 𝑃2 > ⋯ > 𝑃𝑛
(9)
Dimana: + 𝑑− 𝑖 𝑑𝑎𝑛 𝑑𝑖 = variabel deviasi untuk setiap j, pada tujuan bi
xij
= variabel keputusan
aij
= variabel keputusan yang koefisien
2.2.5.
Lingo
Lingo adalah perangkat lunak yang digunakan untuk menyelesaikan masalah-masalah pemrograman linier, non linier dan integer.Lingo sudah banyak digunakan oleh perusahan-perusahaan untuk membantu membuat perencanaan distribusi yang bertujuan untuk mendapatkan keuntungan yang optimum dan waktu yang minimum. Selain itu, Lingo juga digunakan dalam pengambilan keputusan dalam perencanaan produksi, transportasi, keuangan, alokasi saham, penjadwalan, inventarisasi, pengaturan model, alokasi daya dan lain-lain. Sistem Lingo telah menjadi pilihan utama dalam penyelesaian yang cepat dan mudah, terutama dalam masalah optimasi persamaan matematika.[15] Untuk menggunakan sofware Lingo ada beberapa tahapan yang perlu dilakukan, yaitu : 1. Merumuskan masalah dalam kerangka program linier. 2. Menuliskan dalam persamaan matematika. 3. Merumuskan rumusan ke dalam Lingo dan mengeksekusinya. 4. Interpretasi keluaran Lingo.
15
“Halaman sengaja dikosongkan”
16
BAB III METODOLOGI PENELITIAN Pada bab ini akan dijelaskan mengenai tahapan-tahapan dalam penyelesaian permasalahan tugas akhir ini. Metodologi digunakan sebagai panduan pengerjaan tugas akhir agar lebih sistematis, teratur dan terarah. 3.1. Tahapan Pelaksanaan Tugas Akhir Tahapan Pelaksanaan Tugas Akhir meliputi input proses dan output. Gambar 3.1 adalah metodologi pengerjaan penelitian.
Gambar 3.1Metode Pengerjaan Penelitian
17
3.1.1. Identifikasi Masalah Pada tahap ini dilakukan identifikasi terhadap masalah yang akan diangkat dalam tugas akhir. Selain itu identifikasi masalah dengan melakukan pemahaman proses bisnis PT Petrokimia.Adapun permasalahan yang terdapat pada studi kasus PT Petrokimia Gresik adalah masalah proses distribusi pupuk. 3.1.2. Studi Literatur Tahap ini merupakan tahapan mengumpulkan dan mengkaji pustaka tentang konsep serta metode yang digunakan untuk menyelesaikan permasalahan yang diangkat pada tugas akhir ini. Studi literatur ini dilakukan dengan mencari jurnal, paper, laporan penelitian atau tugas akhir terkait mengenai optimasi distribusi. Dari proses ini, didapatkan pemahaman konsep dari penelitian-penelitian sebelumnya.Pada tahap ini akan dilakukan kajian terhadap metode yang sesuai untuk menyelesaikan permasalahan yang diangkat dalam tugas akhir.Adapun pendekatan yang digunakan untuk menyelesaikan permasalahan proses distribusi adalah metode Goal Programming. 3.1.3. Pengumpulan Data dan Informasi Pada tahap ini dilakukan pengumpulan data dan informasi yang dibutuhkan dalam pengerjaan tugas akhir yang berkenan dengan proses distribusi pada perusahaan. Berikut adalah data yang dibutuhkan dalam pengerjaan tugas akhir ini. 1. Data persediaan pupuk phonska milik PT Petrokimia Gresik (Persero). 2. Data permintaan pupuk phonska pada bulan Januari sampai Desember 2015 untuk Provinsi Jawa Timur. 3. Data alokasi pupuk phonska pada bulan Januari sampai Desember 2015 untuk Provinsi Jawa Timur. 4. Data waktu distribusi pupuk phonska dari gudang Gresik ke Gudang Penyangga. 18
3.1.4. Pembuatan Model dan Solusi Pada tahap ini akan dilakukan formulasi semua batasan dan parameter yang dibutuhkan dalam proses analisis masalah yang ada menjadi model matematis. Tujuan dari permodelan data ini adalah untuk menentukan variabel keputusan, fungsi tujuan dan batasan dari permasalahan yang didapatkan. Model yang akan digunakan terlebih dahulu adalah model Linear Programming yang diubah menjadi model Goal Programming. 3.1.4.1. Variabel Keputusan Variabel keputusan merupakan variabel yang belum diketahui nilainya,dalam permasalahan tugas akhir ini variabel keputusan yang akan dicari nilainya. Variabel keputusan dalam tugas akhir ini adalah jumlah pupuk yang harus didistribusikan dari Gudang Gresik ke Gudang Penyangga.Dimana Gudang Penyangga yang ada di Provinsi Jawa Timur berjumlah 25 gudang. 3.1.4.2. Fungsi Tujuan Fungsi Tujuan merupakan tujuan yang akan dicapai dari tugas akhir ini. Fungsi tujuan dari tugas akhir ini adalah meminimalkan waktu distribusi dan meminimalkan selisih antara jumlah permintaan dan jumlah alokasi. 3.1.4.3. Batasan Batasan merupakan variabel yang menjadi pembatas dalam mencapai fungsi tujuan. Batasan dalam tugas akhir ini adalah persediaan pupuk, permintaan pupuk, alokasi distribusi dan waktu distribusi yang mempengaruhi proses distribusi pupuk. Langkah selanjutnya adalah mengubah model tersebut kedalam bentuk Goal Programming. Dalam pengubahan formula, terdapat penambahan variabel yang dinamakan variabel deviasi. Setelah itu membuat fungsi tujuan baru. 3.1.4.4. Menentukan variabel deviasi Variabel deviasi adalah simpangan terhadap sasaran-sasaran yang dikehendaki, dimana digunakan untuk menentukan 19
sasaran yang berlawanan dari fungsi tujuan.Dibedakan menjadi dua yaitu: deviasi atas (positif) untuk menampung deviasi diatas pencapaian sasaran dan deviasi bawah (negatif) untuk menampung deviasi dibawah pencapaian sasaran. Batasan yang berhubungan dengan fungsi tujuan harus ditambahkan dengan variabel deviasi. 3.1.4.5. Fungsi Tujuan Baru Setelahpenambahan variabel deviasi,selanjutnya membuat fungsi tujuan baru. Perubahan ini dilakukan untuk meminimalkan variabel deviasi. 3.1.5. Verifikasi dan Validasi Model Optimasi Verifikasi dilakukan untuk memastikan apakah program yang telah dibuat sudah bebas dari error melalui uji coba. Hal ini dilakukan dengan melihat pada program yang telah dibuat, apakah ada kesalahan yang ditandai dengan adanya tandaerror. 3.1.6. Uji Coba Skenario Alternatif Pada tahap ini akan dilakukan uji coba terhadap model dengan menggunakan beberapa skenario alternatif. Uji coba ini dilakukan dengan menggambarkan beberapa skenario untuk menentukan alternatif dari solusi lain terhadap hasil optimasi yang diharapkan dapat diaplikasikan terhadap perusahaan. 3.1.7. Analisa Hasil dan Penarikan Kesimpulan Tahapan ini merupakan dilakukan setelah hasil pemodelan dinyatakan valid. Proses yang dilakukan adalah menganalisa hasil keluaran yang didapatkan dan dibandingkan dengan hasil validasi. Hal ini dilakukan untuk mendapatkan kekurangan maupun kelebihan dari Tugas Akhir sehingga didapatkan kesimpulan yang tepat. Dari proses tersebut diharapkan dapat dihasilkan saran terhadap Tugas Akhir atau penelitian selanjutnya agar memberikan luaran yang jauh lebih baik.
20
3.1.8. Pembuatan Laporan Tugas Akhir Tahap terakhir adalah penyusunan tugas akhir untuk melakukan dokumentasi terhadap proses pengerjaan tugas akhir. Seluruh pelaksanaan atau pengerjaan tugas akhir di dokumentasikan dalam sebuah buku Tugas Akhir (TA) dengan mengikuti format yang telah ditetapkan oleh laboratorium Rekayasa Data dan Intelegensia Bisnis (RDIB) serta yang berlaku di Jurusan Sistem Informasi ITS. Di dalam laporan Tugas Akhir tersebut mencakup: a. Bab I Pendahuluan Dalam bab ini dijelaskan mengenai latar belakang, rumusan dan batasan masalah, tujuan dan manfaat pengerjaan tugas akhir. b. Bab II Tinjauan Pustaka Dijelaskan mengenai penelitian-penelitian serupa yang telah dilakukan serta teori – teori yang menunjang permasalahan yang dibahas pada tugas akhir ini. c. Bab III Metodologi Dalam bab ini dijelaskan mengenai tahapan – tahapan apa saja yang harus dilakukan dalam pengerjaan tugas akhir. d. Bab IV Perancangan Bab ini berisi tentang rancangan penelitian yang dilakukan, perancangan pemodelan yang digunakan dalam pengerjaan tugas akhir. e. Bab V Implementasi Bab yang berisi tentang setiap langkah yang dilakukan dalam implementasi metodologi yang digunakan dalam tugas akhir. f. Bab VIHasil dan Pembahasan Bab yang berisi tentang hasil analisis dan pembahasan dalam penyelesaian permasalahan yang dibahas pada pengerjaan tugas akhir. g. Bab VII Kesimpulan dan Saran Bab yang berisi kesimpulan dan saran yang ditujukan untuk kelengkapan penyempurnaan tugas akhir ini 21
“Halaman sengaja dikosongkan”
22
BAB IV PERANCANGAN Pada bab ini, akan dijelaskan mengenai rancangan bagaimana penelitian akan dilakukan. Terdiri dari penjelasan mengenai subjek dan objek penelitian, perumusan model, dan diagram alur untuk masing-masing proses. . 4.1. Deskripsi Permasalahan Subjek pada penelitian ini adalah permasalahan perencanaan optimasi distribusi pupuk pada PT Petrokimia Gresik (Persero). Penelitian ini menggunakan metode Goal Programming dengan tujuan lebih dari satu fungsi tujuan yaitu untuk meminimalkan selisih antara jumlah permintaan dan alokasi dan juga meminimalkan waktu distribusi.Optimasi ini dilakukan untuk satu jenis pupuk, yaitu pupuk phonska dalam periode 12 bulan. Distribusi pupuk dilakukan dari sumber gudang Gresik ke 25 gudang penyangga yang ada di Provinsi Jawa Timur 4.2. Pengumpulan Informasi dan Data Hasil yang diperoleh dari pengumpulan informasi dan data akan dijelaskan pada bagian ini. 4.2.1.
Pengumpulan Informasi
Kegiatan pengumpulan informasi ini dilakukan untuk mengumpulkan informasi pengenai proses distribusi pupuk pada PT Petrokimia. Pada proses distribusi pupuk Provinsi Jawa Timur PT Petrokimia Gresik (Persero) dilakukan dari 1 sumber yaitu gudang PT Petrokimia Gresik. Dari gudang Gresik akan didistribusikan ke 25 tujuan, yaitu ke gudang penyangga yang ada di masing masing Provinsi Jawa Timur. 4.2.2.
Pengumpulan Data
Kegiatan pengumpulan data dilakukan untuk mengumpulkan data yang digunakan dalam tugas akhir ini: 23
Data yang dibutuhkan meliputi: data persediaan,data permintaan pupuk, data alokasi pupuk dan data waktu distribusi Berdasarkan pengumpulan data,diketahui bahwa jumlah persediaan untuk seluruh jenis pupuk pada gudang Gresik adalah sebesar 1.750.000 ton. Tabel 4.1 adalah persentase jumlah persediaan pada gudang untuk masing-masing jenis pupuk Tabel 4.1Persentase Jumlah Persediaan Masing-Masing Jenis Pupuk pada Gudang
Jenis Pupuk Urea ZA SP-36 Phonska Petroganik
Persentase Jumlah Persediaan 8% 23% 14% 39% 16%
Dari tabel diatas, maka jumlah persediaan pupuk phonska adalah 39% dari total kapasitas persediaan yaitu sebesar 682500 ton. 4.3. Pemodelan Linier Programming Pembuatan model ini dilakukan dengan membuat model Linier Programming, Langkah–langkah yang dilakukan dalam pemodelan Linier Programming adalah menentukan variabel okeputusan, batasan dan fungsi tujuandari permasalahan yang didapatkan. 4.3.1.
Variabel Keputusan
Variabel keputusan dalam tugas akhir ini adalah jumlah pupuk yang akan didistribusikan dari Gudang Gresik ke Gudang Penyangga.
24
Variabel keputusan sebagai berikut : X1 = Jumlah alokasi pupuk (ton) dari gudang penyangga Pacitan. X2 = Jumlah alokasi pupuk (ton) dari gudang penyangga Ponorogo. X3 = Jumlah alokasi pupuk (ton) dari gudang penyangga Trenggalek. X4 = Jumlah alokasi pupuk (ton) dari gudang penyangga Tulungagung. X5 = Jumlah alokasi pupuk (ton) dari gudang penyangga Blitar. X6 = Jumlah alokasi pupuk (ton) dari gudang penyangga Kediri. X7 = Jumlah alokasi pupuk (ton) dari gudang penyangga Malang. X8 = Jumlah alokasi pupuk (ton) dari gudang penyangga Lumajang. X9 = Jumlah alokasi pupuk (ton) dari gudang penyangga Jember. X10 = Jumlah alokasi pupuk (ton) dari gudang Banyuwangi. X11 = Jumlah alokasi pupuk (ton) dari gudang penyangga Bondowoso. X12 = Jumlah alokasi pupuk (ton) dari gudang penyangga Situbondo. X13 = Jumlah alokasi pupuk (ton) dari gudang penyangga Probolinggo. X14 = Jumlah alokasi pupuk (ton) dari gudang penyangga Pasuruan. X15 = Jumlah alokasi pupuk (ton) dari gudang penyangga Sidoarjo. 25
gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke
X16 = Jumlah alokasi pupuk (ton) dari gudang penyangga Mojokerto. X17 = Jumlah alokasi pupuk (ton) dari gudang penyangga Jombang. X18 = Jumlah alokasi pupuk (ton) dari gudang penyangga Nganjuk. X19 = Jumlah alokasi pupuk (ton) dari gudang penyangga Madiun. X20 = Jumlah alokasi pupuk (ton) dari gudang penyangga Magetan. X21 = Jumlah alokasi pupuk (ton) dari gudang penyangga Ngawi. X22 = Jumlah alokasi pupuk (ton) dari gudang penyangga Bojonegoro. X23 = Jumlah alokasi pupuk (ton) dari gudang penyangga Tuban. X24 = Jumlah alokasi pupuk (ton) dari gudang penyangga Lamongan. X25 = Jumlah alokasi pupuk (ton) dari gudang penyangga Gresik.
gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke gudang Gresik ke
4.3.2. Fungsi Tujuan Penulisan model matematis menggunakan bentuk model linear programming terlebih dahulu dan setelah itu bentuk linier programming diubah kedalam bentuk model goal programming. Dalam Tugas Akhir ini goal yang akan dicapai ada dua, yakni: Goal 1: Meminimalkan selisih antara jumlah permintaan dan jumlah alokasi. 𝑀𝑖𝑛 𝑧1 = ∑25 [Dj − Aj ] (4.1) j=1 Dimana, 𝐷𝑗 =Jumlah permintaan pupuk masing masing Gudang Penyangga (ton) 26
𝐴𝑗 = Jumlahalokasi pupuk masing masing Gudang Penyangga (ton) Sehingga fungsi tujuannya adalah sebagai berikut: 𝑀𝑖𝑛 𝑧1 = [𝐷1 + 𝐷2 + 𝐷3 + 𝐷4 + 𝐷5 + 𝐷6 + 𝐷7 + 𝐷8 + 𝐷9 + 𝐷10 +𝐷11 +𝐷12 +𝐷13 +𝐷14 +𝐷15 +𝐷16 + 𝐷17 +𝐷18 +𝐷19 +𝐷21 +𝐷22 +𝐷23 +𝐷24 + 𝐷25 ] − [ 𝐴1 + 𝐴2 + 𝐴3 + 𝐴4 + 𝐴5 + 𝐴6 + 𝐴7 + 𝐴8 + 𝐴9 + 𝐴10 + 𝐴11 + 𝐴12 + 𝐴13 +𝐴14 +𝐴15 +𝐴16 +𝐴17 +𝐴18 +𝐴19 + 𝐴20 +𝐴21 +𝐴22 +𝐴23 +𝐴24 +𝐴25 ] Goal 2: Meminimalkan waktu distribusi. 𝑀𝑖𝑛 𝑧2 = ∑
25
j=1
Tj
(4.2)
Dimana, Tj = Waktu distribusi dari Gudang Gresik ke Gudang Penyangga (ton) Sehingga fungsi tujuannya adalah sebagai berikut: 𝑀𝑖𝑛 𝑧2 = 𝑇1 + 𝑇2 + 𝑇3 + 𝑇4 + 𝑇5 + 𝑇6 + 𝑇7 + 𝑇8 + 𝑇9 + 𝑇10 + 𝑇11 + 𝑇12 + 𝑇13 + 𝑇14 + 𝑇15 + 𝑇16 + 𝑇17 + 𝑇18 + 𝑇19 + 𝑇20 + 𝑇21 + 𝑇22 + 𝑇23 + 𝑇24 + 𝑇25 Dimana, T1 T2 T3 T4 T5
= Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Pacitan. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Ponorogo. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Trenggalek. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Tulungagung. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Blitar. 27
T6 T7 T8 T9 T10 T11 T12 T13 T14 T15 T16 T17 T18 T19 T20 T21 T22
= Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Kediri. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Malang. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Lumajang. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Jember. = Waktu distribusi (jam) dari gudang Gresik ke gudang Banyuwangi. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Bondowoso. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Situbondo. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Probolinggo. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Pasuruan. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Sidoarjo. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Mojokerto. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Jombang. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Nganjuk. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Madiun. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Magetan. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Ngawi. = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Bojonegoro. 28
T23
= Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Tuban. T24 = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Lamongan. T25 = Waktu distribusi (jam) dari gudang Gresik ke gudang penyangga Gresik. Fungsi Tujuan ini berfungsi untuk memberikan info perkiraan waktu distribusi pupuk pada kondisi normal 4.3.3. Perumusan Batasan Batasan yang ada dalam model antara lain sebagai berikut. Batasan 1 : Jumlah alokasi pupuk harus kurang dari atau sama dengan jumlah persediaan 25
∑ 𝑋𝑗 ≤ 𝑆 j=1
Dimana, 𝑋𝑗 = Jumlah alokasi pupuk dari Gudang Gresik ke Gudang Penyangga (ton) S = Total persediaan pupuk di Gudang Gresik (ton) Batasan 2 : Jumlah alokasi pupuk harus kurang dari atau sama dengan jumlah permintaan yang sudah diajukan oleh masingmasing Gudang Penyangga X j ≤ Dj Dimana, 𝑋𝑗 = Jumlah alokasi pupuk dari Gudang Gresik ke Gudang Penyangga (ton) 𝐷𝑗 = Jumlah permintaan pupuk masing masing Gudang Penyangga (ton) Batasan 3 : Jumlah alokasi pupuk harus kurang dari atau sama dengan batas alokasi masing-masing Gudang Penyangga X j ≤ Aj 29
Dimana, 𝑋𝑗 = Jumlah alokasi pupuk dari Gudang Gresik ke Gudang Penyangga (ton) 𝐴𝑗 = Batas alokasi pupukuntuk Gudang Penyangga j (ton) Batasan 4 : Waktu distribusi harus kurang dari atau sama dengan waktu tempuh distribusi rata-rata Tj ≤ TSj Dimana, Tj = Waktu distribusi real dari Gudang Gresik ke Gudang Penyangga (jam) TSj = Waktu tempuh distribusi rata-rata yang ada pada tahun sebelumnya (jam) Batasan 5 : Waktu distribusi harus kurang dari atau sama dengan waktu tempuh distribusi perkiraan Tj ≤ TTj Dimana, Tj = Waktu distribusi real dari Gudang Gresik ke Gudang Penyangga (jam) TTj = Waktu tempuh distribusi perkiraan pada tahun sebelumnya (jam) Bila diimplementasikan ke dalam studi kasus distribusi pupuk,maka batasannya adalah seperti berikut:
Batasan persediaan Batasan ini digunakan untuk memberikan batasan distribusi pupuk sesuai dengan persediaan pada gudang Gresik. X1 + X2+ X3+ X4+ X5+ X6+ X7 + X8+ X9+ X10 + X11 + X12+ X13 + X14 + X15 + X16 + X17 + X18 + X19 + X20 + X21 + X22 +X23 + X24 + X25≤ 682500 ton
30
Batasan permintaan Batasan ini digunakan untuk memberikan batasan distribusi pupuk sesuai dengan permintaan pada masingmasing Gudang Penyangga Batasan untuk permintaan pupuk sebagai berikut, Bulan Februari X1 ≤ 700 X14≤ 640 X2≤ 1735
X15≤ 374
X3≤ 1202
X16≤ 1994
X4≤ 2896
X17≤ 1100
X5≤ 2559
X18≤ 1600
X6≤ 3248
X19≤ 1357
X7≤ 3610
X20≤ 2033
X8≤1004
X21≤ 3126
X9≤ 2395
X22≤ 4423
X10≤ 1400
X23≤ 3030
X11≤ 330
X24≤ 3628
X12≤ 300
X25≤ 1000
X13≤ 725
Batasan alokasi Batasan ini digunakan untuk memberikan batasan distribusi pupuk sesuai dengan batsa alokasi yang diberikan untuk masing-masing Gudang Penyangga Batasan untuk alokasi distribusi sebagai berikut Bulan Februari X1 ≤ 525 X14 ≤ 1745 X2≤ 1805
X15 ≤ 340 31
X3≤ 1005
X16 ≤ 1720
X4≤ 2005
X17 ≤ 1375
X5 ≤ 2865
X18 ≤ 1045
X6 ≤ 2334
X19 ≤ 448
X7 ≤ 2596
X20 ≤ 1305
X8 ≤ 1713
X21 ≤ 2905
X9 ≤ 2165
X22 ≤ 2191
X10 ≤ 3400
X23 ≤ 2075
X11 ≤ 825
X24 ≤ 1825
X12≤ 780
X25 ≤ 570
X13≤ 1120
Batasan waktu distribusi rata-rata Batasan untuk waktu distribusi rata-rata sebagai berikut, T1 ≤ 7,15 T14 ≤ 3,37 T2≤ 6,16
T15 ≤ 2,15
T3≤ 6,58
T16 ≤ 3,35
T4≤ 5,23
T17 ≤ 3,19
T5 ≤ 4,35
T18 ≤ 4,56
T6 ≤ 3,13
T19 ≤ 5,53
T7 ≤ 3,33
T20 ≤ 5,4
T8 ≤ 6,1
T21 ≤ 4,54
T9 ≤ 5,27
T22 ≤ 3,25
T10 ≤ 5,52
T23 ≤ 2,19
T11 ≤ 5,41
T24 ≤ 1,13
T12≤ 6,14
T25 ≤ 0,1 32
T13≤ 4,17
Batasan waktu distribusi perkiraan Batasan untuk waktu distribusi perkiraan sebelumnya sebagai berikut, T1 ≤ 7,59 T14 ≤ 3,24 T2≤ 6,56
T15 ≤ 2,46
T3≤ 6,52
T16 ≤ 3,53
T4≤ 5,11
T17 ≤ 3,28
T5 ≤ 4,1
T18 ≤ 4,56
T6 ≤ 3,39
T19 ≤ 5,53
T7 ≤ 3,27
T20 ≤ 5,51
T8 ≤ 6,12
T21 ≤ 4,53
T9 ≤ 5,2
T22 ≤ 3,17
T10 ≤ 6,13
T23 ≤ 2,43
T11 ≤ 5,6
T24 ≤ 1,28
T12≤ 6,14
T25 ≤ 0,1
tahun
T13≤ 4,12 4.4. Pembentukan Model Goal Programming Setelah melakukan pemodelan umum dalam linier programming, selanjutnya melakukan pembentukan pemodelan goal programming dengan cara mengubah fungsi tujuan menjadi batasan sehingga didapatkan fungsi tujuan yang baru. 4.4.1.
Formulasi Goal Programming
Kemudian dari model Linear Programming diatas, langkah selanjutnya adalah mengubah ke model Goal Programming. Fungsi tujuan pada model Linear Programming berubah menjadi batasan dengan adanya target. Untuk goal 1, ditambahkan target meminimalkan selisih antara jumlah 33
permintaan dan jumlah alokasi harus terpenuhi. Target tersebut merupakan batas meminimakan selisih antara jumlah permintaa dan jumlah alokasi.Berikut adalah tambahan batasan meminimalkan selisih antara jumlah permintaan dan jumlah alokasi. Target meminimalkan selisih antara jumlah permintaan dan jumlah alokasi [𝐷1 + 𝐷2 + 𝐷3 + 𝐷4 + 𝐷5 + 𝐷6 + 𝐷7 + 𝐷8 + 𝐷9 + 𝐷10 +𝐷11 +𝐷12 +𝐷13 +𝐷14 +𝐷15 +𝐷16 + 𝐷17 +𝐷18 +𝐷19 +𝐷21 +𝐷22 +𝐷23 +𝐷24 + 𝐷25 ] − [ 𝐴1 + 𝐴2 + 𝐴3 + 𝐴4 + 𝐴5 + 𝐴6 + 𝐴7 + 𝐴8 + 𝐴9 + 𝐴10 + 𝐴11 + 𝐴12 + 𝐴13 +𝐴14 +𝐴15 +𝐴16 +𝐴17 +𝐴18 +𝐴19 + 𝐴20 +𝐴21 +𝐴22 +𝐴23 +𝐴24 +𝐴25 ] Untuk goal 2, ditambahkan target meminimalkan waktu distribusi. Target tersebut merupakan batas maksimal waktu penyelesaian distribusi.Berikut adalah tambahan batasan penyelesaian waktu distribusi yang harus dipenuhi.
Target meminimalkan waktu distribusi 𝑇1 + 𝑇2 + 𝑇3 + 𝑇4 + 𝑇5 + 𝑇6 + 𝑇7 + 𝑇8 + 𝑇9 + 𝑇10 + 𝑇11 + 𝑇12 + 𝑇13 + 𝑇14 + 𝑇15 + 𝑇16 + 𝑇17 + 𝑇18 + 𝑇19 + 𝑇20 + 𝑇21 + 𝑇22 + 𝑇23 + 𝑇24 + 𝑇25
Kemudian terdapat ketentuan dalam melakukan metode optimasi menggunakan goal programming yaitu dengan menambahkan nilai-nilai berikut ini: 𝑑𝑗− 𝑑𝑗+
= nilai penyimpangan di bawah = nilai penyimpangan di atas
Dengan penambahan variabel deviasi maka tambahan batasan yang berasal dari fungsi tujuan Linear Programming berubah menjadi seperti berikut. 34
Target permintaan −
+
X14 + d14 − d14 = 640
−
+
X15 + d15 − d15 = 374
−
+
X16 + d16 − d16 = 1994
−
+
X17 + d17 − d17 = 1100
−
+
X18 + d18 − d18 = 1600
−
+
X19 + d19 − d19 = 1357
−
+
X 20 + d20 − d20 = 2033
−
+
X 21 + d21 − d21 = 3126
−
+
X 22 + d22 − d22 = 4423
X1 + d1 − d1 = 700 X 2 + d2 − d2 = 1735 X 3 + d3 − d3 = 1202 X 4 + d4 − d4 = 2896 X 5 + d5 − d5 = 2559 X 6 + d6 − d6 = 3248 X 7 + d7 − d7 = 3610 X 8 + d8 − d8 = 1004 X 9 + d9 − d9 = 2395
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
X 23 + d23 − d23 = 3030
−
+
X 24 + d24 − d24 = 3628
−
+
X 25 + d25 − d25 = 1000
−
+
X10 + d10 − d10 = 1400 X11 + d11 − d11 = 330 X12 + d12 − d12 = 300 X13 + d13 − d13 = 725
Target alokasi −
+
X14 + d14 − d14 = 1745
−
+
X15 + d15 − d15 = 340
−
+
X16 + d16 − d16 = 1720
−
+
X17 + d17 − d17 = 1375
−
+
X18 + d18 − d18 = 1045
−
+
X19 + d19 − d19 = 448
X1 + d1 − d1 = 525 X 2 + d2 − d2 = 1805 X 3 + d3 − d3 = 1005 X 4 + d4 − d4 = 2005 X 5 + d5 − d5 = 2865 X 6 + d6 − d6 = 2334 35
−
+
X 20 + d20 − d20 = 1305
−
+
X 21 + d21 − d21 = 2905
−
+
X 22 + d22 − d22 = 2191
X 7 + d7 − d7 = 2596 X 8 + d8 − d8 = 1713 X 9 + d9 − d9 = 2165
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
X 23 + d23 − d23 = 2075
−
+
X 24 + d24 − d24 = 1825
−
+
X 25 + d25 − d25 = 570
−
+
X10 + d10 − d10 = 3400 X11 + d11 − d11 = 825 X12 + d12 − d12 = 780 X13 + d13 − d13 = 1120
Target waktu distribusi rata-rata −
+
T14 + d14 − d14 = 3,37
−
+
T15 + d15 − d15 = 2,15
−
+
T16 + d16 − d16 = 3,35
−
+
T17 + d17 − d17 = 3,19
−
+
T18 + d18 − d18 = 4,56
−
+
T19 + d19 − d19 = 5,53
−
+
𝑇20 + d20 − d20 = 5,4
−
+
T21 + d21 − d21 = 4,54
−
+
T22 + d22 − d22 = 3,25
T1 + d1 − d1 = 7,15 T2 + d2 − d2 = 6,16 T3 + d3 − d3 = 6,58 T4 + d4 − d4 = 5,23 T5 + d5 − d5 = 4,35 T6 + d6 − d6 = 3,13 T7 + d7 − d7 = 3,33 T8 + d8 − d8 = 6,1 T9 + d9 − d9 = 5,27 −
+
T23 + d23 − d23 = 2,19
−
+
T24 + d24 − d24 = 1,13
−
+
T25 + d25 − d25 = 0,1
−
+
T10 + d10 − d10 =5,52 T11 + d11 − d11 = 5,41 T12 + d12 − d12 = 6,14 T13 + d13 − d13 = 4,17 36
Target waktu distribusi perkiraan −
+
T14 + d14 − d14 = 3,24
−
+
T15 + d15 − d15 = 2,46
−
+
T16 + d16 − d16 = 3,53
−
+
T17 + d17 − d17 = 3,28
−
+
T18 + d18 − d18 = 4,56
−
+
T19 + d19 − d19 = 5,53
−
+
𝑇20 + d20 − d20 = 5,51
−
+
T21 + d21 − d21 = 4,53
−
+
T22 + d22 − d22 = 3,17
T1 + d1 − d1 = 7,59 T2 + d2 − d2 = 6,56 T3 + d3 − d3 = 6,52 T4 + d4 − d4 = 5,11 T5 + d5 − d5 = 4,1 T6 + d6 − d6 = 3,39 T7 + d7 − d7 = 3,27 T8 + d8 − d8 = 6,12 T9 + d9 − d9 = 5,2
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
−
+
T23 + d23 − d23 = 2,43
−
+
T24 + d24 − d24 = 1,28
−
+
T25 + d25 − d25 = 0,1
−
+
T10 + d10 − d10 =6,13 T11 + d11 − d11 = 5,6 T12 + d12 − d12 = 6,14 T13 + d13 − d13 = 4,12
Fungsi tujuan yang baru terdiri dari variabel deviasi. Ada beberapa ketentuan dalam Goal Programming untuk menentukan fungsi tujuan yang baru, yaitu : 1. Jika formula awal yang ditambahkan variabel deviasi adalah yi≥ 0, maka fungsi tujuan yang baru adalah meminimalkan 𝑑𝑗− . 2. Begitu pula sebaliknya, jika formula awal yang ditambahkan variabel deviasi adalah yi≤ 0, maka fungsi tujuan yang baru adalah meminimalkan 𝑑𝑗+ . 37
3. Jika formula awal yang ditambahkan variabel deviasi adalah yi= 0, maka fungsi tujuan yang baru adalah meminimalkan 𝑑𝑗− dan 𝑑𝑗+ . Berdasarkan ketentuan diatas,maka fungsi tujuan Goal Programming yang baru sebagai berikut, 1. Tujuan 1 = Meminimalkan selisih antara jumlah permintaan dan jumlah alokasi − Min Z = ∑ d1 (4.11) 2. Tujuan 2= Meminimalkan waktu distribusi − Min Z = ∑ d2 (4.12) Sehingga fungsi tujuan Z menjadi : − − Min Z = ∑ d1 + d2
(4.13)
4.4.2. Perumusan Batasan Goal Programming Setelah mengelola model dari Linear Programming menjadi Goal Programming maka ada beberapa tambahan batasan yang akan diperhitungkan. Berikut adalah batasan-batasan yang akan menjadi batasan dalam Goal Programming. Batasan 1: Target-target yang disesuaikan dengan formulasi fungsi tujuan diatas.
Batasan permintaan pupuk Batasan untuk permintaan pupuk sebagai berikut, Bulan Februari X1 ≤ 700 X14≤ 640 X2≤ 1735
X15≤ 374
X3≤ 1202
X16≤ 1994
X4≤ 2896
X17≤ 1100
X5≤ 2559
X18≤ 1600
38
X6≤ 3248
X19≤ 1357
X7≤ 3610
X20≤ 2033
X8≤1004
X21≤ 3126
X9≤ 2395
X22≤ 4423
X10≤ 1400
X23≤ 3030
X11≤ 330
X24≤ 3628
X12≤ 300
X25≤ 1000
X13≤ 725
Batasan alokasi distribusi Batasan untuk alokasi distribusi sebagai berikut Bulan Februari X1 ≤ 525 X14 ≤ 1745 X2≤ 1805
X15 ≤ 340
X3≤ 1005
X16 ≤ 1720
X4≤ 2005
X17 ≤ 1375
X5 ≤ 2865
X18 ≤ 1045
X6 ≤ 2334
X19 ≤ 448
X7 ≤ 2596
X20 ≤ 1305
X8 ≤ 1713
X21 ≤ 2905
X9 ≤ 2165
X22 ≤ 2191
X10 ≤ 3400
X23 ≤ 2075
X11 ≤ 825
X24 ≤ 1825
X12≤ 780
X25 ≤ 570
X13≤ 1120 39
Batasan waktu distribusi rata-rata Batasan untuk waktu distribusi rata-rata sebagai berikut, T1 ≤ 7,15 T14 ≤ 3,37 T2≤ 6,16
T15 ≤ 2,15
T3≤ 6,58
T16 ≤ 3,35
T4≤ 5,23
T17 ≤ 3,19
T5 ≤ 4,35
T18 ≤ 4,56
T6 ≤ 3,13
T19 ≤ 5,53
T7 ≤ 3,33
T20 ≤ 5,4
T8 ≤ 6,1
T21 ≤ 4,54
T9 ≤ 5,27
T22 ≤ 3,25
T10 ≤ 5,52
T23 ≤ 2,19
T11 ≤ 5,41
T24 ≤ 1,13
T12≤ 6,14
T25 ≤ 0,1
T13≤ 4,17
Batasan waktu distribusi perkiraan Batasan untuk waktu distribusi perkiraan sebelumnya sebagai berikut, T1 ≤ 7,59 T14 ≤ 3,24 T2≤ 6,56
T15 ≤ 2,46
T3≤ 6,52
T16 ≤ 3,53
T4≤ 5,11
T17 ≤ 3,28
T5 ≤ 4,1
T18 ≤ 4,56
T6 ≤ 3,39
T19 ≤ 5,53
T7 ≤ 3,27
T20 ≤ 5,51
T8 ≤ 6,12
T21 ≤ 4,53 40
tahun
T9 ≤ 5,2
T22 ≤ 3,17
T10 ≤ 6,13
T23 ≤ 2,43
T11 ≤ 5,6
T24 ≤ 1,28
T12≤ 6,14
T25 ≤ 0,1
T13≤ 4,12 4.5. Perancangan Skenario Pada bagian ini,akan dilakukan pembuatan skenario dengan untuk mencari solusi alternatif. Skenario dilakukan dengan menambahkan prioritas sasaran pada fungsi tujuan. Dengan rumus skenario sebagai berikut, −
−
Min Z = ∑ 𝑃1 ∗ d1 + ∑ 𝑃2 ∗ d2
Dimana, P1 : Nilai bobot prioritas 1 (meminimalkan selisih antara jumlah permintaan dan jumlah alokasi) P2 : Nilai bobot prioritas 2 (meminimalkan waktu distribusi) d1 :deviasi negatif meminimalkan selisih antara jumlah permintaan dan jumlah alokasi d2: deviasi negatif meminimalkan waku distribusi Skenario 1 Pada skenario 1 prioritas utama pada meminimalkan selisih antara jumlah permintaan dan jumlah alokasi.Dimana Nilai P1 lebih besar daripada nilai P2. Terdapat tiga uji coba pada skenario ini, yaitu niali P1 dan nilai P2 adalah: 0,80 dan 0,20 , 0,60 dan 0,40 , 0,75 dan 0,25. Skenario 2 Pada skenario 2 prioritas utama pada meminimalkan waktu distribusi. Dimana nilai P2 lebih besar daripada nilai P1. Terdapat tiga uji coba pada skenario ini, yaitu nilai P1 dan nilai P2 adalah: 0,20 dan 0,80 , 0,40 dan 0,60 , 0,25 dan 0,75.
41
“Halaman sengaja dikosongkan”
42
BAB V IMPLEMENTASI Bab ini akan dijelaskan mengenai implementasi dari proses pemodelan Goal Programming yang telah dibahas pada bab sebelumnya 5.1. Pelaksanaan Implementasi Menggunakan Lingo Dalam mengimplementasikan Lingo, untuk pencarian solusi ini juga memanfaatkan spreadsheet Ms. Excel sebagai tools pembantu. Software LINGO 11.0 mengimpor data dari Ms. Excel dan solusi diekspor menuju Ms. Excel lagi dengan menggunakan fungsi @OLE yang terdapat pada LINGO. Proses ini memudahkan untuk menginput data maupun melihat hasil solusi.Gambar 5.1 adalah alur pencarian solusi model[16] Fungsi@OLE
Fungsi@OLE
INPUT
PROSES
- Data permintaan - Data alokasi - Data waktu tempuh - Data waktu yang tersedia
Ms.Excel
OUTPUT - Alokasi produk - Waktu optimal - Penyimpangan
LINGO 11.0
Ms.Excel
Gambar 5.1Alur Pencarian Solusi Model
Bagian awal program menunjukan notasi set, notasi parameter dan notasi variabel keputusan yang digunakan dalam pemodelan. Program diawali dengan command MODEL dan ditutup dengan command END. Penjabaran notasi terletak diantara command SETS dan command ENDSETS. Data-data 43
yang menjadi input diletakan di antara command DATA dan command ENDDATA. Fungsi-fungsi yang digunakan dalam program LINGO 11.0 dalam penelitian ini adalah sebagai berikut: a. MIN:digunakan untuk memperhitungkan nilai minimum dari sebuah pernyataan dari seluruh member set, dalam penelitian ini digunakan dalam fungsi tujuan. b. @SUM: digunakan untuk menyatakan jumlah suatu pernyataan dari seluruh member set, atau dengan kata lain fungsi ini menggantikan notasi pada model matematis. Penggunaannya terletak pada fungsi tujuan dan dalam kendala-kendala. c. @FOR: digunakan untuk menentukan setiap member suatu set dalam suatu kendala. d. @GIN: digunakan untuk mendeskripsikan bahwa variabel tersebut adalah integer e. @OLE: digunakan untuk memindahkan data dan solusi, dari dan menuju Ms. Excel dengan menggunakan transfer berbasis OLE.Dalam transfer data maupun solusi, OLE membaca melalui nama melalui range pada excel. Pergerakan variabel dalam range dimulai dari kiri atas hingga kanan bawah mengikuti pembacaan indeks variabel yang paling terakhir ke paling awal. 5.2. Implementasi Model Goal Programming Tanpa Prioritas Sasaran 5.2.1.
Memasukkan data ke Lingo
Pada tahap penginputan data, dilakukan inisialisasi gudang penyangga di Provinsi Jawa Timur miliki PT Petrokimia Gresik dan bulan pengiriman pupuk beserta penginputan data masukan.Segmen Kode Program 5.1 adalah kode program untuk memasukkan data ke Lingo
44
MODEL: sets: !menunjukan anggota tujuan, yaitu dari Gudang Penyangga 1 hingga 25; Tujuan/1..25/:D1P,D1N,D2P,D2N,WAKTU_TEMPUH,WAK TU_TERSEDIA,Y; !menunjukan rentang bulan, yaitu dari bulan 1 hingga bulan 12; Bulan/1..12/; Matriks(Tujuan,Bulan):Alokasi,Demand,X; endsets data: !Import data dari Microsoft Excel; Alokasi=@ole('D:\Data\Data 5213100048.XLSX','ALOKASI'); demand=@ole('D:\Data\Data 5213100048.XLSX','PERMINTAAN'); WAKTU_TEMPUH=@ole('D:\Data\Data 5213100048.XLSX','WAKTU_TEMPUH'); WAKTU_TERSEDIA=@ole('D:\Data\Data 5213100048.XLSX','WAKTU_TERSEDIA'); Segmen Kode Program 5.1 Penginputan Data ke Lingo
Kode program baris ke 4 berfungsi untuk menginisialisasi anggota tujuan yaitu dari gudang penyangga 1 hingga 25. Kode program baris 6 berfungsi untuk menginisiasi rentang bulan dari bula 1 hingga bulan 12.Sedangkan kode program baris 10 sampai 14 berfungsi untuk mengambil data masukan dari file Microsoft Excel dengan menggunakan fungsi data=@ole. Data masukan yang digunakan dalam tugas akhir ini adalah data alokasi distribusi (Alokasi), demand (Permintaan) ,waktu_tempuh dan waktu_tersedia. 5.2.2.
Mengexport data ke Excel
Pada kode program selanjutnya yaitu kode program 12 sampai dengan 15 berfungsi untuk mengexport data ke excel meliputi produk (X),penyimpangan antara jumlah permintaan dan alokasi , output waktu(Y) dan penyimpangan waktu 45
distribusi.Output data dilakukan untuk setiap bulan.Segmen Kode Program 5.2 adalah kode program untuk menampilkan output data ke excel !Export hasil output data ke Microsoft Excel; @ole('D:\Data\Data 5213100048.XLSX','D1N_2')=D1N; @ole('D:\Data\Data 5213100048.XLSX','D2N')=D2N; @ole('D:\Data\Data 5213100048.XLSX','OUTPUT_X')=X; @ole('D:\Data\Data 5213100048.XLSX','OUTPUT_Y')=Y; ENDDATA Segmen Kode Program 5.2 Mengexport Data ke Excel
5.2.3. Pengimplementasian Model Goal Programming Pada sub bab ini dijelaskan mengenai implementasi fungsi tujuan dan batasan goal programming yang telah dirumuskan pada sub bab 4.4. 5.2.3.1. Pengimplementasian Fungsi Tujuan Fungsi tujuan pada tugas akhir ini adalah meminimalkan selisih antara jumlah permintaan dan jumlah alokasi dan meminimalkan waktu distribusi.Untuk penjelasan pengimplementasian fungsi tujuan sebagai berikut. Untuk fungsi tujuan meminimalkan selisih antara jumlah pengiriman dan jumlah alokasi dilambangkan dengan D1N. Sedangkan fungsi tujuan meminimalkan waktu distribusi yang dilambangkan dengan D2N.Segmen Kode Program 5.3 adalah kode program untuk pengimplementasian fungsi tujuan !Fungsi tujuan; min=@sum(Tujuan(i):D1N(i)+D2N(i)); Segmen Kode Program 5.3Memasukkan Fungsi Tujuan
46
5.2.3.2. Pengimplementasian Batasan Batasan yang digunakan dalam tugas akhir ini adalah batasan permintaan masing-masing , batasan alokasi masing-masing Gudang Penyangga dan batasan waktu distribusi. Penjelasan implementasi masing masing batasan adalah sebagai berikut. 1. Pengimplementasian Batasan Permintaan& Alokasi Batasan permintaan ini digunakan agar jumlah permintaan masing masing Gudang Penyangga dapat terpenuhi.Sedangkan batasan alokasi diperuntukkan agar jumlah produk yang didistribusikan ke gudang penyangga tidak melebihi jumlah alokasi yang telah ditentukan. Segmen Kode Program 5.4 adalah kode program untuk pengimplementasian batasan permintaan !Jumlah pupuk yang di distribusikan ke Gudang Penyangga tidak boleh melebihi jumlah alokasi; @for(Matriks(i,t)|t#eq#2:X(i,t)<=Alokasi(i,t)) ; @for (Matriks(i,t)|t#eq#2:X(i,t)+D1N(i)D1P(i)=demand(i,t)); Segmen Kode Program 5.4Memasukkan Batasan Permintaan & Alokasi
2. Pengimplementasian Batasan Waktu Batasan waktu ini digunakan agar waktu tempuh pada masing masing Gudang Penyanggatidak melebihi waktu yang tersedia. Segmen Kode Program 5.5 adalah kode program untuk pengimplementasian batasan permintaan !Jumlah waktu untuk mendistribusikan pupuk ke Gudang Penyangga tidak boleh melebihi jumlah waktu yang tersedia; @for(Tujuan(i):Y(i)<=WAKTU_TERSEDIA(i)); @for(Tujuan(i):Y(i)+D2N(i)D2P(i)=WAKTU_TEMPUH(i)); Segmen Kode Program 5.5Memasukkan Batasan Waktu
47
5.2.3.3. Menjalankan Fungsi Optimasi Untuk mencari solusi optimal dari model dengan menggunakan perangkat lunak Lingo menggunakan Solver.Sebelum menjalankan fungsi, model yang dibuat dilihat dengan menggunakan : LINGO|Generate|Display setelah itu menjalankan fungsi optimasi dengan tombol Solver. Maka akan muncul status solver fungsi optimasi.Gambar 5.2 adalah status fungsi optimal
Gambar 5.2 Status Fungsi Optimal
5.3. Implementasi Model Goal Programming dengan Prioritas Sasaran Pada bagian ini, akan dilakukan uji coba dengan mencari solusi paling optimal menggunakan beberapa skenario. 5.3.1. Implementasi Skenario 1 Pada skenario 1 dilakukan penetapan prioritas dari masing masing fungsi tujuan dimana meminimalkan selisih antara jumlah permintaan dan jumlah alokasi memiliki prioritas lebih 48
penting dibandingkan dengan meminimalkan waktu distribusi. Sehingga fungsi tujuan berubah seperti persamaan berikut ini, − − Min Z = ∑ 𝑃1 d1 + ∑ 𝑃2 d2 (5.1) Pengimplementasian Fungsi Tujuan Penetapan prioritas pada fungsi tujuan dengan memberikan bobot dimana prioritas 1 lebih besar daripada prioritas 2. Segmen Kode Program 5.6 adalah kode program untuk pengimplementasian fungsi tujuan skenario 1. !Fungsi tujuan; min=@sum(Tujuan(i):P1*D1N(i)+P2*D2N(i)); Segmen Kode Program 5.6 Memasukkan Fungsi Tujuan Skenario 1
5.3.2. Implementasi Skenario 2 Pada skenario 2 dilakukan penetapan prioritas dari masing masing fungsi tujuan dimana meminimalkan waktu distribusi memiliki prioritas lebih penting dibandingkan dengan selisih antara jumlah permintaan dan jumlah alokasi. Sehingga fungsi tujuan berubah seperti persamaan berikut ini, − − Min Z = ∑ 𝑃2 d1 + ∑ 𝑃1 d2 (5.1) Pengimplementasian Fungsi Tujuan Penetapan prioritas pada fungsi tujuan dengan memberikan bobot dimana prioritas 1 lebih besar daripada prioritas 2. Segmen Kode Program 5.7 adalah kode program untuk pengimplementasian fungsi tujuan skenario 1. !Fungsi tujuan; min=@sum(Tujuan(i):P2*D1N(i)+P1*D2N(i)); Segmen Kode Program 5.7 Memasukkan Fungsi Tujuan Skenario 2
49
“Halaman sengaja dikosongkan”
50
BAB VI HASIL DAN PEMBAHASAN Pada bab ini akan dijelaskan verifikasi, validasi, dan analisis terhadap hasil yang diperoleh dari proses implementasi yang telah dibahas pada bab sebelumnya. Pada bagian ini juga terdapat pemilihan solusi alternatif dari seluruh uji coba yang dibuat. 6.1. Lingkungan Uji Coba Lingkungan uji coba merupakan kriteria perangkat pengujian yang digunakan dalam membangun, menguji coba, dan memvalidasi model optimasi yang telah dibuat pada tugas akhir ini. Lingkungan uji coba terdiri dari perangkat keras dan perangkat lunak. Tabel 6.1 adalah perangkat keras yang digunakan dalam uji coba dan pembangunan model Tabel 6.1 Lingkungan Uji Coba Perangkat Keras
Perangkat Keras Jenis Prosesor RAM
Spesifikasi Notebook Core (TM) i3 2 GB
Selain lingkungan uji coba perangkat keras, terdapat juga lingkungan uji coba perangkat lunak yang digunakan dalam membangun model optimasi. Tabel 6.2 merupakan rincian lingkungan uji coba perangkat lunak yang digunakan dalam tugas akhir ini. Tabel 6.2 Lingkungan Uji Coba Perangkat Lunak
Perangkat Keras Windows 7 Lingo Microsoft Excel 2013
Fungsi Sistem Operasi Mengolah model dan validasi model Mengolah data
51
6.2. Verifikasi Model Verifikasi dilakukan untuk memastikan apakah program yang telah dibuat sudah bebas dari error melalui uji coba. Hal ini dilakukan dengan melihat pada program yang telah dibuat, apakah ada kesalahan yang ditandai dengan adanya tandaerror. Apabila program sudah tidak ada tanda error, maka langkah selanjutnya adalah melakukan proses generated modeldan melakukan proses running untuk mengetahui hasil yang dikeluarkan oleh Lingo. Gambar 6.1 adalah hasil verifikasi model pada Lingo
Gambar 6.1Hasil verifikasi Model Base pada Lingo
Dengan adanya hasil ini maka dapat dikatakan bahwa program sudah terbukti bebas dari error. Dari gambar diatas diketahui bahwa model infeasibility sebesar 0. Dengan total variabel 425 dengan contrains sebanyak 101. Gambar 6.2 − adalah hasil output variabel deviasi 𝑑− 1 𝑑𝑎𝑛 𝑑2 52
Gambar 6.2Hasil Output Model pada Lingo
6.3. Validasi Model Validasi merupakanproses untuk memastikan apakah model dan program sudah sesuai dengan tujuan yang diinginkan. Salah satu cara dengan membandingkan antara hasil yang dikeluarkan program yang telah dibuat dengan hasil yang dikeluarkan dengan perangkat lain ataupun membandingkan data nyata dengan hasil simulasi.Apabila hasil yang dikeluarkan sama atau berada ditingkat kesalahan (error) yang diperbolehkan maka dapat dikatakan model dan program sudah valid. Tabel 6.3 adalah hasil dari pemodelan dengan program Lingo 25 Gudang Penyangga dan program Lingo 10 Gudang Penyangga
53
Tabel 6.3 Hasil Pemodelan pada Program Lingo
Fungsi Tujuan
Permi ntaan (ton) 700 1735 1202 2896 2559 3248 3610
Realisasi alokasi (ton) 525 1805 1005 2005 2865 2334 2596
Variabel Deviasi
d1_1 175 d1_2 0 d1_3 197 d1_4 891 d1_5 0 d1_6 914 d1_7 1014 d1_8 1004 1004 0 d1_9 2395 2165 230 d1_10 1400 1400 0 d2_1 7,59 7,15 0,44 d2_2 6,56 6,16 0,4 d2_3 6,52 6,58 0 d2_4 5,11 5,23 0 d2_5 4,1 4,35 0 d2_6 3,39 3,13 0,26 d2_7 3,27 3,33 0 d2_8 6,12 6,1 0,02 5,2 5,27 0 d2_9 6,13 5,52 0,61 d2_10 Keterangan: d1_1 : Deviasi negatif meminimalkan selisih antara jumlah permintaan dan jumlah alokasi pada Gudang Penyangga 1 (Gudang Penyangga Pacitan) d2_1 : Deviasi negartif meminimalkan waktu distribusi pada Gudang Penyangga 1 (Gudang Penyangga Pacitan) Tabel 6.3 berisi tentang hasil optimasi goal programming yang dilakukan dengan menggunakan Lingo, dengan menggunakan model kecil yaitu 10 tujuan . Perhitungan tersebut memenuhi dua goal yaitu goal 1 (meminimalkan selisih) dibawah 17704 ton dan goal 2 (waktu) dibawah 52,26 jam. Kemudian, langkah 54
yang dilakukan selanjutnya adalah membandingkan hasil optimasi antara program komputer menggunakan Lingo 6.3.1. Resume Validasi Model Analisa perbandingan hasil ini dilakukan untuk menghitung tingkat validitas. Model dikatakan valid apabila nilai E2 (Error Variance) ≤ 30%. Berikut adalah rumus menghitung nilai E2 [17] 𝐸2 =
|𝑆𝑡𝑑𝑒𝑣 𝑆𝑖𝑚𝑢𝑙𝑎𝑠𝑖 – 𝑆𝑡𝑑𝑒𝑣 𝐷𝑎𝑡𝑎| 𝑆𝑡𝑑𝑒𝑣 𝐷𝑎𝑡𝑎
( 6.1)
Yang dimaksud data adalah hasil program Lingountuk data 25 Gudang Penyangga dan simulasi adalah hasil Lingo dengan 10 Gudang Penyangga. Dengan bantuan fungsi stdev pada Excel maka memudahkan dalam pencarian nilai standart deviasi. Tabel 6.4 merupakan perbandingan hasil optimasi. Tabel 6.4 Hasil Perbandingan Optimasi
Stdev
Lingo 25 Gudang Lingo 10 Gudang Penyangga Penyangga 795,404 849,312
Hasil yang dihitung standart deviasinya adalah hasil goal (G1 dan G2). Setelah diketahui nilai standart deviasi masingmasing, maka selanjutnya menghitung nilai E2 dengan menggunakan rumus diatas. Maka ditemukan bahwa nilai Error Varianceprogram Lingo untuk data nyata studi kasus dan data simulasi(10 tujuan Gudang Penyangga) sebesar 0,0678 atau 6,78%,artinya model dan program yang dibuat telah valid karena nilai E2 kurang dari 30%. 6.4. Hasil Optimasi Goal Programming Hasil perhitungan optimasi dengan model Goal Programming yang telah dirumuskan pada persamaan 4.11 berupa solusi jumlah alokasi pupuk. Solusi jumlah produk yang harus didistribusikan dari gudang Gresik ke masing-masing gudang penyangga di wilayah Jawa Timur untuk setiap bulan ditunjukkan pada Tabel 6.5 55
Tabel 6.5 Solusi Jumlah Alokasi Pupuk
Gudang Januari Februari Maret Penyangga Pacitan 725 525 600 Ponorogo 2820 1735 2095 Trenggalek 1004 1005 660 Tulungagung 1019 2005 950 Blitar 2020 2559 2026 Kediri 4016 2334 2733 Malang 2075 2596 2565 Lumajang 914 1004 731 Jember 3485 2165 1750 Banyuwangi 2300 1400 2025 Bondowoso 315 330 325 Situbondo 280 300 371 Probolinggo 715 725 460 Pasuruan 590 640 335 Sidoarjo 225 340 110
April
Mei
Juni
Juli
Agustus
Sept
Okt
Nov
Des
636 1821 697 385 1159 3003 1553 708 2240 2125 565 323 575 305 56
350 2444 1404 927 1942 3256 1690 394 1944 1794 394 410 320 149 41
175 1212 540 526 1325 2895 2010 401 2420 2520 516 380 447 132 55
200 1224 255 465 1480 2227 2200 489 2165 2277 425 330 361 184 124
37 697 45 889 874 2041 394 380 2014 2103 315 297 445 99 60
19 436 347 671 976 2620 675 330 2794 2418 231 316 355 86 49
581 2302 852 984 1464 3498 3936 315 3280 2339 577 492 440 59 25
816 2915 1840 1327 2339 3595 3646 443 2307 2466 418 476 510 30 8
991 2383 1546 1330 2769 2957 2598 315 1445 1288 487 517 365 0 0
56
Gudang Penyangga Mojokerto Jombang Nganjuk Madiun Magetan Ngawi Bojonegoro Tuban Lamongan Gresik
Januari Februari Maret 1879 1408 2758 1051 1676 2068 3387 2260 2615 500
1720 1100 1045 448 1305 2905 2191 2075 1825 570
1616 550 1775 2218 2150 1880 3179 1695 3195 1050
April
Mei
Juni
Juli
Agustus
Sept
Okt
Nov
Des
1516 1016 2009 571 1717 2868 2912 1374 1781 312
1564 517 2900 1424 1353 1788 2535 1627 3714 688
1614 1352 2697 414 857 2154 1630 1940 2859 375
1813 750 3010 1623 1727 1673 1728 1378 2504 774
959 1267 2810 657 1344 1934 937 1565 457 370
1785 635 2139 366 1573 3826 1794 1012 943 278
690 744 2888 1301 1713 1122 1686 1148 2654 526
1836 1193 3028 1386 2400 1644 2761 1453 2224 382
1532 625 1968 1278 1711 2881 2775 1865 3216 596
57
6.5. Uji Coba Model Optimasi Uji coba dibawah ini adalah uji coba yang dilakukan pada studi kasus optimasi distribusi.Uji coba juga dilakukan terhadap skenario. Skenario merupakan proses pencarian alternatif solusi terhadap hasil perhitungan. Berikut ini merupakan skenario yang akan dibuat: 1. Skenario 1 Fungsi tujuan meminimalkan selisih antara jumlah permintaan dan jumlah alokasi memiliki prioritas lebih tinggi dibandingkan dengan meminimalkan waktu distribusi. 2. Skenario 2 Fungsi tujuan meminimalkan waktu distribusi memiliki prioritas lebih tinggi dibandingkan dengan selisih antara jumlah permintaan dan jumlah alokasi 6.6. Analisa Hasil Dibawah ini merupakan analisa hasil dari pencarian solusi optimal studi kasus distribusi pupuk menggunakan program Lingo beserta penjelasan hasil skenario 6.6.1. Analisa Hasil Lingo Berdasarkan langkah pembentukan model permasalahan studi kasus ke dalam model Goal Programming pada sub bab sebelumnya. Tabel 6.5 adalah hasil optimasi pada fungsi tujuan meminimalkan selisih antara jumlah permintaan dan jumlah alokasi Tabel 6.5 Hasil Optimasi Goal 1 pada Lingo
Bulan Februari Fungsi Tujuan d1_1 d1_2
Permintaan (ton) 700 1735
Realisasi alokasi (ton) 525 1735 58
Tingkat ketercapaian permintaan (%) 75% 100%
Fungsi Tujuan
Permintaan (ton)
Realisasi alokasi (ton) 1005 2005 2559 2334 2596 1004 2165 1400 330 300 725 640 340 1720 1100 1045 448 1305 2905 2191 2075 1825 570 34847
Tingkat ketercapaian permintaan (%) 84% 69% 100% 72% 72% 100% 90% 100% 100% 100% 100% 100% 91% 86% 100% 65% 33% 64% 93% 50% 68% 50% 57% 81%
1202 d1_3 2896 d1_4 d1_5 2559 d1_6 3248 d1_7 3610 d1_8 1004 d1_9 2395 d1_10 1400 d1_11 330 d1_12 300 d1_13 725 d1_14 640 d1_15 374 d1_16 1994 1100 d1_17 1600 d1_18 1357 d1_19 2033 d1_20 d1_21 3126 d1_22 4423 d1_23 3030 d1_24 3628 d1_25 1000 Total 46409 Keterangan: d1_1 : Deviasi negatif meminimalkan selisih antara jumlah permintaan dan jumlah alokasi pada Gudang Penyangga 1 (Gudang Penyangga Pacitan) Dari tabel diatas dapat diketahui bahwaGoal 1 (meminimalkan selisih antara jumlah permintaan dan alokasi ) sebagian besar memenuhi target yang diinginkan. Keseluruhan 59
ketercapaiansebesar81% dengan jumlah pupuk sebanyak 34847. Setelah dianalisis didapatkan bahwa ketidakcapaian goal 1 pada bulan Februari disebabkan karena jumlah alokasi Gudang Penyangga Madiun sangat kurang dari jumlah permintaan yang harus dipenuhi. Jumlah alokasi 448 ton dengan jumlah permintaan sebesar 1357 ton sehingga selisih jumlah permintaan dan alokasi sebesar 909 ton Tabel 6.6 adalah hasil optimasi pada fungsi tujuan meminimalkan waku distribusi Tabel 6.6 Hasil Optimasi Goal 2 pada Lingo
Fungsi Tujuan d2_1 d2_2 d2_3 d2_4 d2_5 d2_6 d2_7 d2_8 d2_9 d2_10 d2_11 d2_12 d2_13 d2_14 d2_15 d2_16 d2_17 d2_18 d2_19 d2_20 d2_21 d2_22 d2_23
Waktu ditribusi perkiraan (jam) 7,59 6,56 6,52 5,11 4,1 3,39 3,27 6,12 5,2 6,13 5,6 6,14 4,12 3,24 2,46 3,53 3,28 4,56 5,53 5,51 4,53 3,17 2,43 60
Waktu distribusi rata-rata (jam) 7,15 6,16 6,52 5,11 4,1 3,13 3,27 6,1 5,2 5,52 5,41 6,14 4,12 3,24 2,15 3,35 3,19 4,56 5,53 5,4 4,53 3,17 2,19
Fungsi Tujuan
Waktu ditribusi perkiraan (jam) 1,28 0,1
Waktu distribusi rata-rata (jam) 1,13 0,1
d2_24 d2_25 Total Waktu 109,47 jam 106,47 jam Distribusi Keterangan d2_1 : Deviasi negatif meminimalkan waktu distribusi pada Gudang Penyangga 1 (Gudang Penyangga Pacitan) Berdasarkan Tabel 6.6hasil optimasi untuk meminimalkan waktu distribusi menunjukkan bahwa hasil optimasi sebagian besar memenuhi target yang diinginkan dengan total waktu penyelesaian keseluruhan distribusi adalah 106,47 jam. Dengan percepatan waktu yang ditempuh 2% 6.6.2. Analisa hasil uji coba Analisa hasil pada uji coba ini didapatkan dari pencarian solusi optimal pada studi kasus optimasi distribusi pupuk menggunakan program Lingo. Berikut adalah hasil dari skenario studi kasus yang dijelaskan pada sub-bab 6.3 a. Skenario 1 Skenario dilakukan untuk mencari solusi alternatif. Proses pengelolaan dilakukan dengan menambahkan prioritas sasaran pada fungsi tujuan.Pada skenario 1 dimana prioritas utama pada meminimalkan selisih antara jumlah permintaan dan jumlah alokasi.Meminimalkan selisih jumlah permintaan dan jumlah alokasi memiliki nilai prioritas 0,60 dibanding 0,40 meminimalkan waktu distribusi.Tabel 6.7 adalah hasil uji coba untuk skenario 1 Tabel 6.7Hasil Uji Coba untuk Skenario 1
Analisa
Permint aan (ton)
Realisasi alokasi (ton)
Skenario 1
46409
34847 61
Tingkat ketercapaian permintaan (%) 81%
Percepatan waktu yang ditempuh (%) 2%
Berdasarkan Tabel 6.7 diketahui bahwaprioritas meminimalkan selisih antara jumlah permintaan dan jumlah alokasi untuk capaian jumlah alokasi pupuk yaitu sebesar 81% dengan jumlah pupuk 34847 ton. Dan waktu penyelesaian distribusi selama 107,30 jam dengan percepatan waktu yang ditempuh 2% b. Skenario 2 Skenario dilakukan untuk mencari solusi alternatif. Proses pengelolaan dilakukan dengan menambahkan prioritas sasaran pada fungsi tujuan. Pada skenario 2 dimana prioritas utama pada meminimalkan waktu distribusi. Meminimalkan waktu distribusi memiliki nilai prioritas 0,60 dibanding 0,40 meminimalkan selisih jumlah permintaan dan jumlah alokasi.Tabel 6.8 adalah hasil uji coba untuk skenario 2 Tabel 6.8Hasil Uji Coba untuk Sknario 2
Analisa
Permi ntaan (ton)
Realisasi alokasi (ton)
Skenario 1
46409
34847
Tingkat ketercapaian permintaan (%) 81%
Percepatan waktu yang ditempuh (%) 2%
Berdasarkan Tabel 6.8 diketahui bahwa prioritas meminimalkan waktu distribusi untuk capaian jumlah alokasi pupuk yaitu sebesar 81% dengan jumlah pupuk 34847 ton. Dan waktu penyelesaian distribusi selama 107,30 jam dengan percepatan waktu yang ditempuh 2% 6.6.3. Analisa Hasil Uji Coba Prioritas Analisa hasil pada uji coba prioritas ini didapatkan dari pencarian solusi optimal pada studi kasus optimasi distribusi pupuk menggunakan program Lingo.Tabel 6.9 adalah analisa hasil uji coba prioritas.
62
Tabel 6.9 Analisa Hasil Uji Coba Prioritas
Bulan
d1 0,80 d2 0,20
Skenario 1 d1 0,60 d1 0,75 d2 0,40 d2 0,25
d1 0,20 d2 0,80
Skenario 2 d1 0,40 d1 0,25 d2 0,60 d2 0,75
1
0
1,2
0,75
2,4
1,8
2,25
2
9250,2
6938,4
8672,25
2314,8
4626,6
2892,75
3
20406,2
15305,4
19131
5103,8
10204,6
6379
4
7947,8
5961,6
7451,25
1989,2
3975,4
2485,75
5
8102,2
6077,4
7596
2027,8
4052,6
2534
6
18353,4
13765,8
17206,5
4590,6
9178,2
5737,5
7
13379,8
10035,6
12543,7
3347,2
6691,4
4183,25
8
12779,8
9585,6
11981,2
3197,2
6391,4
3995,75
9
7368,6
5527,2
6908,25
1844,4
3685,8
2304,75
10
6551
4914
6141,75
1640
3277
2049,25
11
4646,2
3485,4
4356
1163,8
2324,6
1454
12
7687,8
5766,6
7207,5
1924,2
3845,4
2404,5
Berdasarkan Tabel 6.9 analisa hasil uji coba prioritas didapatkan hasil yaitu pada skenario 1 objective value yang memiliki nilai paling kecil terjadi pada bulan Januari yaitu sebesar 0, dimana meminimalkan selisih antara jumlah permintaan dan jumlah alokasi dijadikan prioritas pertama dengan perbandingan prioritas 0,80 dibanding 0,20. Sedangkan objective value paling besar pada bulan Maret sebesar 20406,2 dengan perbandingan prioritas 0,80 dibanding 0,20. Pada skenario 2 objective value yang memiliki nilai paling kecil terjadi pada bulan Januari yaitu sebesar 1,8 dimana meminimalkan waktu distribusi dijadikan prioritas pertama 63
dengan perbandingan 0,40 dibanding 0,60.Sedangkan objective value paling besar pada bulan Maret sebesar10204,6 dengan perbandingan 0,40 dibanding 0,60. Sehingga dapat disimpulkan bahwa nilai objective value pada bulan Januari rata-rata relative kecil dibanding bulan lain dan pada bulan Maret nilai objective value rata-rata relative besar dibanding bulan lain.
64
BAB VII KESIMPULAN DAN SARAN Pada bab ni, dijelaskan mengenai kesimpulan dari semua proses yang telah dilakukan dan saran perbaikan yang dapat diberikan untuk penelitian selanjutnya. 7.1. Kesimpulan Berdasarkan hasil penelitian pada tugas akhir ini, maka didapatkan kesimpulan sebagai berikut: 1. Ketercapaian dari beberapa fungsi tujuan dalam perencanaan distribusi pupuk PT Petrokimia Gresik (Persero)) pada tugas akhir ini menunjukkan bahwa pemodelan menggunakan Goal Programmng cocok dan sesuai dalam permasalahan multitujuan 2. Hasil implementasi model pada Lingo,dapat memenuhi beberapa maupun keseluruhan tujuan 3. Hasil optimasi menggunakan model Goal Programming berupa jumlah alokasi pupuk yang harus didistribusikan setiap bulannya dari Gudang Gresik ke masing-masing Gudang Penyangga di Provinsi Jawa Timur 4. Dengan adanya hasil optimasi, PT. Petrokimia Gresik dapat mengetahui jumlah produk yang harus didistribusikan agar dapat memenuhi permintaan distributor namun tidak melebihi alokasi yang telah ditetapkan 5. Proses validasi model dilakukan dengan mencoba penelitian menggunakan datastudi kasus dengan data simulasi pada program Lingo. Setelah hasilnya dibandingkan,nilai Error Varianceprogram Lingo untuk 25 Gudang Penyangga dan 10 Gudang Penyangga sebesar 0,0678atau 6,78%,artinya model dan program yang dibuat telah valid karena nilai E2 kurang dari 30% 6. Terdapat solusi terbaik yang dapat diterapkan pada studi kasus.Solusi yang diperoleh dari program Lingo tingkat 65
ketercapaian permintaan sebesar 81% dari 100% yang diharapkan. Dengan percepatan waktu yang ditempuh 2% 7. Hasilanalisis skenario menunjukkan bahwawaktu distribusi tidak mempengaruhi jumlah alokasi pupuk yang harus didistribusikan. 7.2. Saran Dari pengerjaan tugas akhir ini, terdapat hal-hal yang dapat diperbaiki lagi. Untuk pengembangan yang lebih baik pada penelitian optimasi perencanaan distribusi produk maka ada beberapa saran yang diberikan untuk penelitian selanjutnya,diantaranya adalah : 1. Menambahkan batasan lain,misalnya batasan kapasitas produksi 2. Menambahkanfungsi tujuan yang bertentangan misalnya memaksimalkan kapasitas gudang penyangga.
66
DAFTAR PUSTAKA [1] PT Petrokimia Persero, "Profil Perusahaan PT Petrokimia Gresik," 2016. [Online]. Available: http://www.petrokimia-gresik.com/. [Accessed 28 September 2016]. [2] Aswita, "Optimasi Perencanaan Distrbusi Produk Menggunakan Metode Fuzzy Multiobjective Linear Programming (FMOLP)," Tugas Akhir Sistem Informasi ITS, 2013. [3] A. M. Ibrahim, "Petrokimia :456 kabupaten Belum Keluarkan Aturan Penyaluran Pupuk," 31 Januari 2015. [Online]. Available: http://www.antarajatim.com/berita/150724/petrokimia-456-kabupaten-belum-keluarkan-aturan-penyaluranpupuk. [Accessed 2 Oktober 2016]. [4] A. Bhargava, S. Singh and D. Bansal, "A Fuzzy Goal Programming Approach for Food Product Distribution of Small and Medium Enterprises," Annals of Pure and Applied Mathematics, vol. 9, pp. 157-166, 2015. [5] N. Hassan, K. B. Hassan, S. S. Yatim and S. A. Yusof, "Optimizing Fertilizer Compounds and Minimizing he Cost of Cucumber Production using the Goal Programming Approach," American-Eurasian Journal of Sustainable Agriculture, pp. 45-49, 2013. [6] Siswanto, Goal Programming dengan menggunakan Lindo, Jakarta: Elex Media Komputindo (Kelompok Gramedia), 1993. [7] I. Pujawan and E. Mahendrawati, "Suppy Chain Management," Surabaya, Guna Widya, 2010, p. Edisi Kedua. [8] P. Kotler, "Manajemen Pemasaran," in Jilid 1 dan 2, Jakarta, PT Indeks Gramedia, 2005. [9] Jabidi, "Optimasi Distribusi LPG di Jakarta," Tesis Fakultas Teknik Universitas Indonesia, 2012. 67
[10] "Pengantar Konsep Optimasi," Share ITS, [Online]. Available: share.its.ac.id/mod/resource/view.php?id=1907. [Accessed 5 Oktober 2016]. [11] F. Hilier and G. Lieberman, "Introduction to stochastic models in operations research," McGraw-Hill Companies, 1990. [12] A. Rio, "Penentuan Kapasitas Optimal Produksi CPO (Crude Palm Oil) Dipabrik Kelapa Sawit PT. Andira Argo Dengan Menggunakan Goal Programming," 2006. [13] Siregar, Chairun Nissa;, "Pendekatan Fuzzy Goal Programming Untuk Optimasi Pola Distribusi," 2012. [14] Siswanto, Operations Research, Bogor: Erlangga, 2007. [15] T. Harjiyanto, "Aplikasi Model Goal Programming Untuk Optimasi Produksi Aksesoris (Studi Kasus : PT. Kosama Jaya Bangun Tapan Bantul)," 2014. [Online]. Available: eprints.uny.ac.id/12570/1/SKRIPSI.pdf. [Accessed 27 12 2016]. [16] "Jurnal e-journal," 3 12 2014. [Online]. Available: http://ejournal.uajy.ac.id/6291/6/TI506319.pdf. [Accessed 3 01 2017]. [17] M. Octovianti, W. Anggraeni and A. P. Subriadi, "Digilib ITS," 2014. [Online]. Available: digilib.its.ac.id/public/ITS-paper-38292-5210100053Paper.pdf. [Accessed 10 01 2017]. [18] I. Purna, Hamidi and Prima, "Permasalahan Pupuk dan Langkah-langkah Penangannya," Kementerian Sekretariat Negara Republik Indonesia, 23 Februari 2009. [Online]. Available:
. [Accessed 4 Oktober 2016]. [19] B. Rachman, "Pemerintah melakukan pengawasan dalam penyaluran distribusi pupuk bersubsidi.," Analisis Kebijakan Pertanian, vol. 7 No 2, pp. 131-146, 2009. 68
[20] N. D. Waskito, "Kondisi dan Permasalahan Pupuk Nasional di Indonesia," Agroteknologi Fakultas Pertanian UNS, Surakarta, 2013.
69
“Halaman sengaja dikosongkan”
70
BIODATA PENULIS Penulis lahir di Ponorogo, 31 Juli 1994, dengan nama lengkap Elisa Dian Ristianasari. Penulis merupakan anak ketiga dari tiga bersaudara. Riwayat pendidikan penulis yaitu TK Aisyah, SD Negeri 2 Kauman Ponorogo, SMP Negeri 1 Ponorogo, SMA Negeri 1 Ponorogo, dan akhirnya menjadi salah satu mahasiswi Sistem Informasi angkatan 2013 melalui jalur SNMPTN Undangan dengan NRP 5213-100-048. Selama kuliah penulis bergabung dalam beberapa organisasi kemahasiswaan, yaitu BEM Fakultas Teknologi Informasi ITS, pada tahun 2014-2015 sebagai staf Research and Technology Development. Ketertarikan penulis dalam bidang Peramalan, Optimasi, dan Business Intelligent menjadikan penulis untuk memilih laboratorium minat bakat Rekayasa Data dan Intelegensi Bisnis (RDIB) dalam mengambil topik dan tempat menyelesaikan Tugas Akhir dengan topik Optimasi. Penulis dapat dihubungi melalui e-mail [email protected]
71
“Halaman sengaja dikosongkan”
2
LAMPIRAN A DATA MENTAH Tabel A.1Data Permintaan Tahun 2016 (ton)
Wilayah Januari Februari Maret Pacitan 725 700 907 Ponorogo 2820 1735 4287 Trenggalek 1004 1202 4086 Tulungagung 1019 2896 1898 Blitar 2020 2559 3298 Kediri 4016 3248 5661 Malang 2075 3610 4312 Lumajang 914 1004 731 Jember 3485 2395 4987 Banyuwangi 2300 1400 2927 Bondowoso 315 330 581 Situbondo 280 300 697
April 636 1821 2036 1987 2868 3535 3535 708 3192 3232 626 625
Mei 766 2444 1404 927 1942 3256 2696 394 1944 1794 394 410 A-1
Juni 1073 3212 2250 526 1325 3826 2010 401 3059 2520 516 380
Juli 529 3435 3546 1623 1964 4744 2265 489 3907 2277 661 448
Agustus 344 1255 2206 1710 2005 3379 2163 380 3666 2588 458 475
Sept 288 1093 472 671 1622 2620 2406 330 2794 2726 390 316
Okt 608 2302 1343 984 1464 3931 3969 315 3280 2339 577 657
Nov 939 3214 2279 1327 2339 4647 3646 443 4301 2466 418 476
Des 991 2383 3337 2485 2769 4029 4338 315 2437 1288 487 517
A-2
Wilayah Probolinggo Pasuruan Sidoarjo Mojokerto Jombang Nganjuk Madiun Magetan Ngawi Bojonegoro Tuban Lamongan Gresik
Januari Februari Maret 715 725 683 590 640 335 225 374 110 1879 1994 2336 1408 1100 1919 2758 1600 4117 1051 1357 2413 1676 2033 2202 2068 3126 1880 3387 4423 4245 2260 3030 2683 2615 3628 4141 500 1000 1115
April 777 305 56 1662 1016 2009 571 1717 2868 2912 1374 1781 312
Mei 320 149 41 1564 517 2900 2664 4037 5313 3784 1627 3721 688
Juni 447 132 55 1614 1352 5235 4242 2762 3493 5642 1972 5049 1294
Juli 650 184 124 1880 1997 3910 1623 1965 1673 2483 1378 3581 774
Agustus 445 99 60 1760 1267 4045 657 1515 1934 1608 1565 2973 407
Sept 355 86 49 1797 635 3370 1991 2337 3826 1794 1012 2362 542
Okt 440 59 25 1854 744 4002 2671 3120 3106 1686 1148 2654 526
Nov 510 30 8 2432 1193 4332 1386 2400 1644 2761 1453 2224 382
Des 365 0 0 1532 802 1968 1278 2695 3228 4126 1865 3216 596
A-3 Tabel A.2Data Alokasi Tahun 2016 (ton)
Wilayah Januari Februari Maret Pacitan 1000 525 600 Ponorogo 4530 1805 2095 Trenggalek 1865 1005 660 Tulungagung 2180 2005 950 Blitar 3676 2865 2026 Kediri 5582 2334 2733 Malang 4819 2596 2565 Lumajang 1900 1713 945 Jember 4460 2165 1750 Banyuwangi 3200 3400 2025 Bondowoso 780 825 325 Situbondo 725 780 371 Probolinggo 1316 1120 460 Pasuruan 1935 1745 750
April 746 2106 697 385 1159 3003 1553 875 2240 2125 565 323 575 585
Mei 350 2983 1405 1982 1997 3924 1690 1271 3190 1852 735 421 890 903
Juni 175 1212 540 1700 1749 2895 2665 1060 2420 2600 662 585 716 1104
Juli Agustus 200 37 1224 697 255 45 465 889 1480 874 2227 2041 2200 394 1145 724 2165 2014 3025 2103 425 315 330 297 361 538 906 909
Sept 19 436 347 1818 976 2759 675 907 3664 2418 231 516 578 1196
Okt 581 2370 852 1734 2541 3498 3936 1108 3820 2826 1156 492 1256 1106
Nov 816 2915 1840 1689 2971 3595 6613 1549 2307 2813 756 680 986 1386
Des 1137 3294 1546 1330 3408 2957 2598 1132 1445 2970 652 565 562 613
A-4 Wilayah Sidoarjo Mojokerto Jombang Nganjuk Madiun Magetan Ngawi Bojonegoro Tuban Lamongan Gresik
Januari Februari Maret 1058 340 150 2370 1720 1616 3175 1375 550 3609 1045 1775 3103 448 2218 2060 1305 2150 2955 2905 6060 4808 2191 3179 5355 2075 1695 5425 1825 3195 1939 570 1050
April 225 1516 1850 3644 3685 1722 3098 5703 2920 4460 1875
Mei 655 2065 2810 3031 1424 1353 1788 2535 1800 3714 1309
Juni 352 1745 1600 2697 414 857 2154 1630 1940 2859 375
Juli Agustus 600 825 1813 959 750 1450 3010 2810 1939 1253 1727 1344 4813 4454 1728 937 1410 1727 2504 457 852 370
Sept 1207 1785 1349 2139 366 1573 5473 1990 1494 943 278
Okt 1560 690 1799 2888 1301 1713 1122 4153 3153 3658 1262
Nov 2760 1836 3497 3028 3788 2487 2190 4834 3791 5946 1985
Des 1135 3480 625 2685 2822 1711 2881 2775 2215 4266 1845
Tabel A.3Data waktu Distribusi
Wilayah Pacitan Ponorogo Trenggalek Tulungagung Blitar Kediri Malang Lumajang Jember Banyuwangi Bondowoso Situbondo Probolinggo Pasuruan Sidoarjo Mojokerto Jombang Nganjuk Madiun Magetan Ngawi Bojonegoro Tuban Lamongan Gresik
Waktu perkiraan(jam) 7,59 6,56 6,52 5,11 4,1 3,39 3,27 6,12 5,2 6,13 5,6 6,14 4,12 3,24 2,46 3,53 3,28 4,56 5,53 5,51 4,53 3,17 2,43 1,28 0,1 A-5
Waktu rata-rata distribusi (jam) 7,15 6,16 6,58 5,23 4,35 3,13 3,33 6,1 5,27 5,52 5,41 6,14 4,17 3,37 2,15 3,35 3,19 4,56 5,53 5,4 4,54 3,25 2,19 1,13 0,1
A-2 “Halaman sengaja dikosongkan”
LAMPIRAN B DATA OLAHAN Tabel B.1Optimasi Jumlah Alokasi Pupuk dari Gudang Gresik ke Masing-Masing Gudang Penyangga (ton)
Gudang Januari Februari Maret Penyangga Pacitan 725 525 600 Ponorogo 2820 1735 2095 Trenggalek 1004 1005 660 Tulungagung 1019 2005 950 Blitar 2020 2559 2026 Kediri 4016 2334 2733 Malang 2075 2596 2565 Lumajang 914 1004 731 Jember 3485 2165 1750 Banyuwangi 2300 1400 2025 Bondowoso 315 330 325
April
Mei
Juni
Juli
Agustus
Sept
Okt
Nov
Des
636 1821 697 385 1159 3003 1553 708 2240 2125 565
350 2444 1404 927 1942 3256 1690 394 1944 1794 394
175 1212 540 526 1325 2895 2010 401 2420 2520 516
200 1224 255 465 1480 2227 2200 489 2165 2277 425
37 697 45 889 874 2041 394 380 2014 2103 315
19 436 347 671 976 2620 675 330 2794 2418 231
581 2302 852 984 1464 3498 3936 315 3280 2339 577
816 2915 1840 1327 2339 3595 3646 443 2307 2466 418
991 2383 1546 1330 2769 2957 2598 315 1445 1288 487
B-1
B-2 Gudang Penyangga Situbondo Probolinggo Pasuruan Sidoarjo Mojokerto Jombang Nganjuk Madiun Magetan Ngawi Bojonegoro Tuban Lamongan Gresik
Januari Februari 280 300 715 725 590 225 1879 1408 2758 1051 1676 2068 3387 2260 2615 500
640 340 1720 1100 1045 448 1305 2905 2191 2075 1825 570
Maret
April
Mei
Juni
Juli
Agustus
Sept
Okt
Nov
Des
371 460
323 575
410 320
380 447
330 361
297 445
316 355
492 440
476 510
517 365
335 110 1616 550 1775 2218 2150 1880 3179 1695 3195 1050
305 56 1516 1016 2009 571 1717 2868 2912 1374 1781 312
149 41 1564 517 2900 1424 1353 1788 2535 1627 3714 688
132 55 1614 1352 2697 414 857 2154 1630 1940 2859 375
184 124 1813 750 3010 1623 1727 1673 1728 1378 2504 774
99 60 959 1267 2810 657 1344 1934 937 1565 457 370
86 49 1785 635 2139 366 1573 3826 1794 1012 943 278
59 25 690 744 2888 1301 1713 1122 1686 1148 2654 526
30 8 1836 1193 3028 1386 2400 1644 2761 1453 2224 382
0 0 1532 625 1968 1278 1711 2881 2775 1865 3216 596
B-3 Tabel B.2Penyimpangan antara Jumlah Permintaan dan Jumlah Alokasi (ton)
Gudang Januari Februari Maret Penyangga Pacitan 0 175 307 Ponorogo 0 0 2192 Trenggalek 0 197 3426 Tulungagung 0 891 948 Blitar 0 0 1272 Kediri 0 914 2928 Malang 0 1014 1747 Lumajang 0 0 0 Jember 0 230 3237 Banyuwangi 0 0 902 Bondowoso 0 0 256 Situbondo 0 0 326 Probolinggo 0 0 223 Pasuruan 0 0 0
April
Mei
Juni
Juli
Agustus
Sept
Okt
Nov
Des
0 0 1339 1602 1709 532 1982 0 952 1107 61 302 202 0
416 0 0 0 0 0 1006 0 0 0 0 0 0 0
898 2000 1710 0 0 931 0 0 639 0 0 0 0 0
329 2211 3291 1158 484 2517 65 0 1742 0 236 118 289 0
307 558 2161 821 1131 1338 1769 0 1652 485 143 178 0 0
269 657 125 0 646 0 1731 0 0 308 159 0 0 0
27 0 491 0 0 433 33 0 0 0 0 165 0 0
123 299 439 0 0 1052 0 0 1994 0 0 0 0 0
0 0 1791 1155 0 1072 1740 0 992 0 0 0 0 0
B-4
Gudang Penyangga Sidoarjo Mojokerto Jombang Nganjuk Madiun Magetan Ngawi Bojonegoro Tuban Lamongan Gresik
Januari Februari 0 34 0 274 0 0 0 555 0 909 0 728 0 221 0 2232 0 955 0 1803 0 430
Maret
April
Mei
Juni
Juli
Agustus
Sept
Okt
Nov
Des
0 720 1369 2342 195 52 0 1066 988 946 65
0 146 0 0 0 0 0 0 0 0 0
0 0 0 0 1240 2684 3525 1249 0 7 0
0 0 0 2538 3828 1905 1339 4012 32 2190 919
0 67 1247 900 0 238 0 755 0 1077 0
0 801 0 1235 0 171 0 671 0 2516 37
0 12 0 1231 1625 764 0 0 0 1419 264
0 1164 0 1114 1370 1407 1984 0 0 0 0
0 596 0 1304 0 0 0 0 0 0 0
0 0 177 0 0 984 347 1351 0 0 0
Tabel B.3Analisis Optimasi Waktu Distribusi
Gudang Penyangga Pacitan Ponorogo Trenggalek Tulungagung Blitar Kediri Malang Lumajang Jember Banyuwangi Bondowoso Situbondo Probolinggo Pasuruan Sidoarjo Mojokerto Jombang Nganjuk Madiun Magetan Ngawi Bojonegoro Tuban Lamongan Gresik
Alokasi waktu (jam) 7,59 6,56 6,52 5,11 4,1 3,39 3,27 6,12 5,2 6,13 5,6 6,14 4,12 3,24 2,46 3,53 3,28 4,56 5,53 5,51 4,53 3,17 2,43 1,28 0,1
B-5
Waktu distribusi(jam) 7,15 6,16 6,52 5,11 4,1 3,13 3,27 6,1 5,2 5,52 5,41 6,14 4,12 3,24 2,15 3,35 3,19 4,56 5,53 5,4 4,53 3,17 2,19 1,13 0,1
Variabel Deviasi 0,44 0,4 0 0 0 0,26 0 0,02 0 0,61 0,19 0 0 0 0,31 0,18 0,09 0 0 0,11 0 0 0,24 0,15 0
B-6 Tabel B.4Hasil Optimasi Bulan Januari
Fungsi Tujuan
Permintaan (ton)
Realisasi alokasi (ton)
Variabel Deviasi
Tingkat ketercapaian permintaan (%)
d1_1
725
725
0
100%
d1_2
2820
2820
0
100%
d1_3
1004
1004
0
100%
d1_4
1019
1019
0
100%
d1_5
2020
2020
0
100%
d1_6
4016
4016
0
100%
d1_7
2075
2075
0
100%
d1_8
914
914
0
100%
d1_9
3485
3485
0
100%
d1_10
2300
2300
0
100%
d1_11
315
315
0
100%
d1_12
280
280
0
100%
d1_13
715
715
0
100%
d1_14
590
590
0
100%
d1_15
225
225
0
100%
d1_16
1879
1879
0
100%
d1_17
1408
1408
0
100%
d1_18
2758
2758
0
100%
d1_19
1051
1051
0
100%
d1_20
1676
1676
0
100%
d1_21
2068
2068
0
100%
d1_22
3387
3387
0
100%
d1_23
2260
2260
0
100%
d1_24
2615
2615
0
100%
d1_25
500
500
0
100%
B-7 Tabel B.5Hasil Optimasi Bulan Februari
Realisasi alokasi (ton)
Tingkat ketercapaian permintaan (%)
Fungsi Tujuan
Permintaan (ton)
d1_1
700
525
175
75%
d1_2
1735
1735
0
100%
d1_3
1202
1005
197
84%
d1_4
2896
2005
891
69%
d1_5
2559
2559
0
100%
d1_6
3248
2334
914
72%
d1_7
3610
2596
1014
72%
d1_8
1004
1004
0
100%
d1_9
2395
2165
230
90%
d1_10
1400
1400
0
100%
d1_11
330
330
0
100%
d1_12
300
300
0
100%
d1_13
725
725
0
100%
d1_14
640
640
0
100%
d1_15
374
340
34
91%
d1_16
1994
1720
274
86%
d1_17
1100
1100
0
100%
d1_18
1600
1045
555
65%
d1_19
1357
448
909
33%
d1_20
2033
1305
728
64%
d1_21
3126
2905
221
93%
d1_22
4423
2191
2232
50%
d1_23
3030
2075
955
68%
d1_24
3628
1825
1803
50%
d1_25
1000
570
430
57%
Variabel Deviasi
B-8 Tabel B.6Hasil Optimasi Bulan Maret
Realisasi alokasi (ton)
Tingkat ketercapaian permintaan (%)
Fungsi Tujuan
Permintaan (ton)
d1_1
907
600
307
66%
d1_2
4287
2095
2192
49%
d1_3
4086
660
3426
16%
d1_4
1898
950
948
50%
d1_5
3298
2026
1272
61%
d1_6
5661
2733
2928
48%
d1_7
4312
2565
1747
59%
d1_8
731
731
0
100%
d1_9
4987
1750
3237
35%
d1_10
2927
2025
902
69%
d1_11
581
325
256
56%
d1_12
697
371
326
53%
d1_13
683
460
223
67%
d1_14
335
335
0
100%
d1_15
110
110
0
100%
d1_16
2336
1616
720
69%
d1_17
1919
550
1369
29%
d1_18
4117
1775
2342
43%
d1_19
2413
2218
195
92%
d1_20
2202
2150
52
98%
d1_21
1880
1880
0
100%
d1_22
4245
3179
1066
75%
d1_23
2683
1695
988
63%
d1_24
4141
3195
946
77%
d1_25
1115
1050
65
94%
Variabel Deviasi
B-9 Tabel B.7Hasil Optimasi Bulan April
Realisasi alokasi (ton)
Tingkat ketercapaian permintaan (%)
Fungsi Tujuan
Permintaan (ton)
d1_1
636
636
0
100%
d1_2
1821
1821
0
100%
d1_3
2036
697
1339
34%
d1_4
1987
385
1602
19%
d1_5
2868
1159
1709
40%
d1_6
3535
3003
532
85%
d1_7
3535
1553
1982
44%
d1_8
708
708
0
100%
d1_9
3192
2240
952
70%
d1_10
3232
2125
1107
66%
d1_11
626
565
61
90%
d1_12
625
323
302
52%
d1_13
777
575
202
74%
d1_14
305
305
0
100%
d1_15
56
56
0
100%
d1_16
1662
1516
146
91%
d1_17
1016
1016
0
100%
d1_18
2009
2009
0
100%
d1_19
571
571
0
100%
d1_20
1717
1717
0
100%
d1_21
2868
2868
0
100%
d1_22
2912
2912
0
100%
d1_23
1374
1374
0
100%
d1_24
1781
1781
0
100%
d1_25
312
312
0
100%
Variabel Deviasi
B-10 Tabel B.8Hasil Optimasi Bulan Mei
Realisasi alokasi (ton)
Tingkat ketercapaian permintaan (%)
Fungsi Tujuan
Permintaan (ton)
d1_1
766
350
416
46%
d1_2
2444
2444
0
100%
d1_3
1404
1404
0
100%
d1_4
927
927
0
100%
d1_5
1942
1942
0
100%
d1_6
3256
3256
0
100%
d1_7
2696
1690
1006
63%
d1_8
394
394
0
100%
d1_9
1944
1944
0
100%
d1_10
1794
1794
0
100%
d1_11
394
394
0
100%
d1_12
410
410
0
100%
d1_13
320
320
0
100%
d1_14
149
149
0
100%
d1_15
41
41
0
100%
d1_16
1564
1564
0
100%
d1_17
517
517
0
100%
d1_18
2900
2900
0
100%
d1_19
2664
1424
1240
53%
d1_20
4037
1353
2684
34%
d1_21
5313
1788
3525
34%
d1_22
3784
2535
1249
67%
d1_23
1627
1627
0
100%
d1_24
3721
3714
7
100%
d1_25
688
688
0
100%
Variabel Deviasi
B-11 Tabel B.9Hasil Optimasi Bulan Juni
Realisasi alokasi (ton)
Tingkat ketercapaian permintaan (%)
Fungsi Tujuan
Permintaan (ton)
d1_1
1073
175
898
16%
d1_2
3212
1212
2000
38%
d1_3
2250
540
1710
24%
d1_4
526
526
0
100%
d1_5
1325
1325
0
100%
d1_6
3826
2895
931
76%
d1_7
2010
2010
0
100%
d1_8
401
401
0
100%
d1_9
3059
2420
639
79%
d1_10
2520
2520
0
100%
d1_11
516
516
0
100%
d1_12
380
380
0
100%
d1_13
447
447
0
100%
d1_14
132
132
0
100%
d1_15
55
55
0
100%
d1_16
1614
1614
0
100%
d1_17
1352
1352
0
100%
d1_18
5235
2697
2538
52%
d1_19
4242
414
3828
10%
d1_20
2762
857
1905
31%
d1_21
3493
2154
1339
62%
d1_22
5642
1630
4012
29%
d1_23
1972
1940
32
98%
d1_24
5049
2859
2190
57%
d1_25
1294
375
919
29%
Variabel Deviasi
B-12 Tabel B.10Hasil Optimasi Bulan Juli
Realisasi alokasi (ton)
Tingkat ketercapaian permintaan (%)
Fungsi Tujuan
Permintaan (ton)
d1_1
529
200
329
38%
d1_2
3435
1224
2211
36%
d1_3
3546
255
3291
7%
d1_4
1623
465
1158
29%
d1_5
1964
1480
484
75%
d1_6
4744
2227
2517
47%
d1_7
2265
2200
65
97%
d1_8
489
489
0
100%
d1_9
3907
2165
1742
55%
d1_10
2277
2277
0
100%
d1_11
661
425
236
64%
d1_12
448
330
118
74%
d1_13
650
361
289
56%
d1_14
184
184
0
100%
d1_15
124
124
0
100%
d1_16
1880
1813
67
96%
d1_17
1997
750
1247
38%
d1_18
3910
3010
900
77%
d1_19
1623
1623
0
100%
d1_20
1965
1727
238
88%
d1_21
1673
1673
0
100%
d1_22
2483
1728
755
70%
d1_23
1378
1378
0
100%
d1_24
3581
2504
1077
70%
d1_25
774
774
0
100%
Variabel Deviasi
B-13 Tabel B.11Hasil Optimasi Bulan Agustus
Realisasi alokasi (ton)
Tingkat ketercapaian permintaan (%)
Fungsi Tujuan
Permintaan (ton)
d1_1
344
37
307
11%
d1_2
1255
697
558
56%
d1_3
2206
45
2161
2%
d1_4
1710
889
821
52%
d1_5
2005
874
1131
44%
d1_6
3379
2041
1338
60%
d1_7
2163
394
1769
18%
d1_8
380
380
0
100%
d1_9
3666
2014
1652
55%
d1_10
2588
2103
485
81%
d1_11
458
315
143
69%
d1_12
475
297
178
63%
d1_13
445
445
0
100%
d1_14
99
99
0
100%
d1_15
60
60
0
100%
d1_16
1760
959
801
54%
d1_17
1267
1267
0
100%
d1_18
4045
2810
1235
69%
d1_19
657
657
0
100%
d1_20
1515
1344
171
89%
d1_21
1934
1934
0
100%
d1_22
1608
937
671
58%
d1_23
1565
1565
0
100%
d1_24
2973
457
2516
15%
d1_25
407
370
37
91%
Variabel Deviasi
B-14 Tabel B.12Hasil Optimasi Bulan September
Realisasi alokasi (ton)
Tingkat ketercapaian permintaan (%)
Fungsi Tujuan
Permintaan (ton)
d1_1
288
19
269
7%
d1_2
1093
436
657
40%
d1_3
472
347
125
74%
d1_4
671
671
0
100%
d1_5
1622
976
646
60%
d1_6
2620
2620
0
100%
d1_7
2406
675
1731
28%
d1_8
330
330
0
100%
d1_9
2794
2794
0
100%
d1_10
2726
2418
308
89%
d1_11
390
231
159
59%
d1_12
316
316
0
100%
d1_13
355
355
0
100%
d1_14
86
86
0
100%
d1_15
49
49
0
100%
d1_16
1797
1785
12
99%
d1_17
635
635
0
100%
d1_18
3370
2139
1231
63%
d1_19
1991
366
1625
18%
d1_20
2337
1573
764
67%
d1_21
3826
3826
0
100%
d1_22
1794
1794
0
100%
d1_23
1012
1012
0
100%
d1_24
2362
943
1419
40%
d1_25
542
278
264
51%
Variabel Deviasi
B-15 Tabel B.13Hasil Optimasi Bulan Oktober
Realisasi alokasi (ton)
Tingkat ketercapaian permintaan (%)
Fungsi Tujuan
Permintaan (ton)
d1_1
608
581
27
96%
d1_2
2302
2302
0
100%
d1_3
1343
852
491
63%
d1_4
984
984
0
100%
d1_5
1464
1464
0
100%
d1_6
3931
3498
433
89%
d1_7
3969
3936
33
99%
d1_8
315
315
0
100%
d1_9
3280
3280
0
100%
d1_10
2339
2339
0
100%
d1_11
577
577
0
100%
d1_12
657
492
165
75%
d1_13
440
440
0
100%
d1_14
59
59
0
100%
d1_15
25
25
0
100%
d1_16
1854
690
1164
37%
d1_17
744
744
0
100%
d1_18
4002
2888
1114
72%
d1_19
2671
1301
1370
49%
d1_20
3120
1713
1407
55%
d1_21
3106
1122
1984
36%
d1_22
1686
1686
0
100%
d1_23
1148
1148
0
100%
d1_24
2654
2654
0
100%
d1_25
526
526
0
100%
Variabel Deviasi
B-16 Tabel B.14Hasil Optimasi Bulan November
Realisasi alokasi (ton)
Tingkat ketercapaian permintaan (%)
Fungsi Tujuan
Permintaan (ton)
d1_1
939
816
123
87%
d1_2
3214
2915
299
91%
d1_3
2279
1840
439
81%
d1_4
1327
1327
0
100%
d1_5
2339
2339
0
100%
d1_6
4647
3595
1052
77%
d1_7
3646
3646
0
100%
d1_8
443
443
0
100%
d1_9
4301
2307
1994
54%
d1_10
2466
2466
0
100%
d1_11
418
418
0
100%
d1_12
476
476
0
100%
d1_13
510
510
0
100%
d1_14
30
30
0
100%
d1_15
8
8
0
100%
d1_16
2432
1836
596
75%
d1_17
1193
1193
0
100%
d1_18
4332
3028
1304
70%
d1_19
1386
1386
0
100%
d1_20
2400
2400
0
100%
d1_21
1644
1644
0
100%
d1_22
2761
2761
0
100%
d1_23
1453
1453
0
100%
d1_24
2224
2224
0
100%
d1_25
382
382
0
100%
Variabel Deviasi
B-17 Tabel B.15Hasil Optimasi Bulan Desember
Realisasi alokasi (ton)
Tingkat ketercapaian permintaan (%)
Fungsi Tujuan
Permintaan (ton)
d1_1
991
991
0
100%
d1_2
2383
2383
0
100%
d1_3
3337
1546
1791
46%
d1_4
2485
1330
1155
54%
d1_5
2769
2769
0
100%
d1_6
4029
2957
1072
73%
d1_7
4338
2598
1740
60%
d1_8
315
315
0
100%
d1_9
2437
1445
992
59%
d1_10
1288
1288
0
100%
d1_11
487
487
0
100%
d1_12
517
517
0
100%
d1_13
365
365
0
100%
d1_14
0
0
0
0%
d1_15
0
0
0
0%
d1_16
1532
1532
0
100%
d1_17
802
625
177
78%
d1_18
1968
1968
0
100%
d1_19
1278
1278
0
100%
d1_20
2695
1711
984
63%
d1_21
3228
2881
347
89%
d1_22
4126
2775
1351
67%
d1_23
1865
1865
0
100%
d1_24
3216
3216
0
100%
d1_25
596
596
0
100%
Variabel Deviasi
B-18 “Halaman sengaja dikosongkan”
LAMPIRAN C OPTIMASI DENGAN LINGO Gambar C.1 Script Model Base pada Lingo
MODEL: sets: !menunjukan anggota tujuan, yaitu dari Gudang Penyangga 1 hingga 25; Tujuan/1..25/:D1P,D1N,D2P,D2N,WAKTU_TEMPUH,WAK TU_TERSEDIA,Y; !menunjukan rentang bulan, yaitu dari bulan 1 hingga bulan 12; Bulan/1..12/; Matriks(Tujuan,Bulan):Alokasi,Demand,X; endsets data: !Import data dari Microsoft Excel; Alokasi=@ole('D:\Data\Data 5213100048.XLSX','ALOKASI'); demand=@ole('D:\Data\Data 5213100048.XLSX','PERMINTAAN'); WAKTU_TEMPUH=@ole('D:\Data\Data 5213100048.XLSX','WAKTU_TEMPUH'); WAKTU_TERSEDIA=@ole('D:\Data\Data 5213100048.XLSX','WAKTU_TERSEDIA'); !Export hasil output data ke Microsoft Excel; @ole('D:\Data\Data 5213100048.XLSX','D1N_2')=D1N; @ole('D:\Data\Data 5213100048.XLSX','D2N')=D2N; @ole('D:\Data\Data 5213100048.XLSX','OUTPUT_X')=X; @ole('D:\Data\Data 5213100048.XLSX','OUTPUT_Y')=Y; ENDDATA !Fungsi tujuan; min=@sum(Tujuan(i):D1N(i)+D2N(i));
C-1
C-2 !Jumlah pupuk yang di distribusikan ke Gudang Penyangga tidak boleh melebihi jumlah alokasi; @for(Matriks(i,t)|t#eq#2:X(i,t)<=Alokasi(i,t)) ; @for(Matriks(i,t)|t#eq#2:X(i,t)+D1N(i)D1P(i)=demand(i,t)); !Jumlah waktu untuk mendistribusikan pupuk ke Gudang Penyangga tidak boleh melebihi jumlah waktu yang tersedia; @for(Tujuan(i):Y(i)<=WAKTU_TERSEDIA(i)); @for(Tujuan(i):Y(i)+D2N(i)D2P(i)=WAKTU_TEMPUH(i)); !Variabel (i) Integer; @for(Tujuan(i):@Gin(D1N(i))); @for(Matriks(i,t):@Gin(X(i,t)));
C-3 Gambar C.2Generated Model Report Base
MODEL: [_1] MIN= D1N_1 + D2N_1 + D1N_2 + D2N_2 + D1N_3 + D2N_3 + D1N_4 + D2N_4 + D1N_5 + D2N_5 + D1N_6 + D2N_6 + D1N_7 + D2N_7 + D1N_8 + D2N_8 + D1N_9 + D2N_9 + D1N_10 + D2N_10 + D1N_11 + D2N_11 + D1N_12 + D2N_12 + D1N_13 + D2N_13 + D1N_14 + D2N_14 + D1N_15 + D2N_15 + D1N_16 + D2N_16 + D1N_17 + D2N_17 + D1N_18 + D2N_18 + D1N_19 + D2N_19 + D1N_20 + D2N_20 + D1N_21 + D2N_21 + D1N_22 + D2N_22 + D1N_23 + D2N_23 + D1N_24 + D2N_24 + D1N_25 + D2N_25 ; [_2] X_1_2 <= 525 ; [_3] X_2_2 <= 1805 ; [_4] X_3_2 <= 1005 ; [_5] X_4_2 <= 2005 ; [_6] X_5_2 <= 2865 ; [_7] X_6_2 <= 2334 ; [_8] X_7_2 <= 2596 ; [_9] X_8_2 <= 1713 ; [_10] X_9_2 <= 2165 ; [_11] X_10_2 <= 3400 ; [_12] X_11_2 <= 825 ; [_13] X_12_2 <= 780 ; [_14] X_13_2 <= 1120 ; [_15] X_14_2 <= 1745 ; [_16] X_15_2 <= 340 ; [_17] X_16_2 <= 1720 ; [_18] X_17_2 <= 1375 ; [_19] X_18_2 <= 1045 ; [_20] X_19_2 <= 448 ; [_21] X_20_2 <= 1305 ; [_22] X_21_2 <= 2905 ; [_23] X_22_2 <= 2191 ; [_24] X_23_2 <= 2075 ; [_25] X_24_2 <= 1825 ; [_26] X_25_2 <= 570 ; [_27] X_1_2 - D1P_1 + D1N_1 = 700 ; [_28] X_2_2 - D1P_2 + D1N_2 = 1735 ; [_29] X_3_2 - D1P_3 + D1N_3 = 1202 ; [_30] X_4_2 - D1P_4 + D1N_4 = 2896 ; [_31] X_5_2 - D1P_5 + D1N_5 = 2559 ; [_32] X_6_2 - D1P_6 + D1N_6 = 3248 ;
C-4 [_33] [_34] [_35] [_36] [_37] [_38] [_39] [_40] [_41] [_42] [_43] [_44] [_45] [_46] [_47] [_48] [_49] [_50] [_51] [_52] [_53] [_54] [_55] [_56] [_57] [_58] [_59] [_60] [_61] [_62] [_63] [_64] [_65] [_66] [_67] [_68] [_69] [_70] [_71] [_72] [_73] [_74] [_75] [_76] [_77] [_78]
X_7_2 - D1P_7 + X_8_2 - D1P_8 + X_9_2 - D1P_9 + X_10_2 - D1P_10 X_11_2 - D1P_11 X_12_2 - D1P_12 X_13_2 - D1P_13 X_14_2 - D1P_14 X_15_2 - D1P_15 X_16_2 - D1P_16 X_17_2 - D1P_17 X_18_2 - D1P_18 X_19_2 - D1P_19 X_20_2 - D1P_20 X_21_2 - D1P_21 X_22_2 - D1P_22 X_23_2 - D1P_23 X_24_2 - D1P_24 X_25_2 - D1P_25 Y_1 <= 7.15 ; Y_2 <= 6.16 ; Y_3 <= 6.58 ; Y_4 <= 5.23 ; Y_5 <= 4.35 ; Y_6 <= 3.13 ; Y_7 <= 3.33 ; Y_8 <= 6.1 ; Y_9 <= 5.27 ; Y_10 <= 5.52 ; Y_11 <= 5.41 ; Y_12 <= 6.14 ; Y_13 <= 4.17 ; Y_14 <= 3.37 ; Y_15 <= 2.15 ; Y_16 <= 3.35 ; Y_17 <= 3.19 ; Y_18 <= 4.56 ; Y_19 <= 5.53 ; Y_20 <= 5.4 ; Y_21 <= 4.54 ; Y_22 <= 3.25 ; Y_23 <= 2.19 ; Y_24 <= 1.13 ; Y_25 <= 0.1 ; - D2P_1 + D2N_1 - D2P_2 + D2N_2
D1N_7 = 3610 ; D1N_8 = 1004 ; D1N_9 = 2395 ; + D1N_10 = 1400 ; + D1N_11 = 330 ; + D1N_12 = 300 ; + D1N_13 = 725 ; + D1N_14 = 640 ; + D1N_15 = 374 ; + D1N_16 = 1994 ; + D1N_17 = 1100 ; + D1N_18 = 1600 ; + D1N_19 = 1357 ; + D1N_20 = 2033 ; + D1N_21 = 3126 ; + D1N_22 = 4423 ; + D1N_23 = 3030 ; + D1N_24 = 3628 ; + D1N_25 = 1000 ;
+ Y_1 = 7.59 ; + Y_2 = 6.56 ;
C-5 [_79] - D2P_3 + D2N_3 + Y_3 = 6.52 ; [_80] - D2P_4 + D2N_4 + Y_4 = 5.11 ; [_81] - D2P_5 + D2N_5 + Y_5 = 4.1 ; [_82] - D2P_6 + D2N_6 + Y_6 = 3.39 ; [_83] - D2P_7 + D2N_7 + Y_7 = 3.27 ; [_84] - D2P_8 + D2N_8 + Y_8 = 6.12 ; [_85] - D2P_9 + D2N_9 + Y_9 = 5.2 ; [_86] - D2P_10 + D2N_10 + Y_10 = 6.13 ; [_87] - D2P_11 + D2N_11 + Y_11 = 5.6 ; [_88] - D2P_12 + D2N_12 + Y_12 = 6.14 ; [_89] - D2P_13 + D2N_13 + Y_13 = 4.12 ; [_90] - D2P_14 + D2N_14 + Y_14 = 3.24 ; [_91] - D2P_15 + D2N_15 + Y_15 = 2.46 ; [_92] - D2P_16 + D2N_16 + Y_16 = 3.53 ; [_93] - D2P_17 + D2N_17 + Y_17 = 3.28 ; [_94] - D2P_18 + D2N_18 + Y_18 = 4.56 ; [_95] - D2P_19 + D2N_19 + Y_19 = 5.53 ; [_96] - D2P_20 + D2N_20 + Y_20 = 5.51 ; [_97] - D2P_21 + D2N_21 + Y_21 = 4.53 ; [_98] - D2P_22 + D2N_22 + Y_22 = 3.17 ; [_99] - D2P_23 + D2N_23 + Y_23 = 2.43 ; [_100] - D2P_24 + D2N_24 + Y_24 = 1.28 ; [_101] - D2P_25 + D2N_25 + Y_25 = 0.1 ; @GIN( X_1_1); @GIN( X_1_2); @GIN( X_1_3); @GIN( X_1_4); @GIN( X_1_5); @GIN( X_1_6); @GIN( X_1_7); @GIN( X_1_8); @GIN( X_1_9); @GIN( X_1_10); @GIN( X_1_11); @GIN( X_1_12); @GIN( X_2_1); @GIN( X_2_2); @GIN( X_2_3); @GIN( X_2_4); @GIN( X_2_5); @GIN( X_2_6); @GIN( X_2_7); @GIN( X_2_8); @GIN( X_2_9); @GIN( X_2_10); @GIN( X_2_11); @GIN( X_2_12); @GIN( X_3_1); @GIN( X_3_2); @GIN( X_3_3); @GIN( X_3_4); @GIN( X_3_5); @GIN( X_3_6); @GIN( X_3_7); @GIN( X_3_8); @GIN( X_3_9); @GIN( X_3_10); @GIN( X_3_11); @GIN( X_3_12); @GIN( X_4_1); @GIN( X_4_2); @GIN( X_4_3); @GIN( X_4_4); @GIN( X_4_5); @GIN( X_4_6); @GIN( X_4_7); @GIN(
C-6 X_4_8); @GIN( X_4_9); @GIN( X_4_10); @GIN( X_4_11); @GIN( X_4_12); @GIN( X_5_1); @GIN( X_5_2); @GIN( X_5_3); @GIN( X_5_4); @GIN( X_5_5); @GIN( X_5_6); @GIN( X_5_7); @GIN( X_5_8); @GIN( X_5_9); @GIN( X_5_10); @GIN( X_5_11); @GIN( X_5_12); @GIN( X_6_1); @GIN( X_6_2); @GIN( X_6_3); @GIN( X_6_4); @GIN( X_6_5); @GIN( X_6_6); @GIN( X_6_7); @GIN( X_6_8); @GIN( X_6_9); @GIN( X_6_10); @GIN( X_6_11); @GIN( X_6_12); @GIN( X_7_1); @GIN( X_7_2); @GIN( X_7_3); @GIN( X_7_4); @GIN( X_7_5); @GIN( X_7_6); @GIN( X_7_7); @GIN( X_7_8); @GIN( X_7_9); @GIN( X_7_10); @GIN( X_7_11); @GIN( X_7_12); @GIN( X_8_1); @GIN( X_8_2); @GIN( X_8_3); @GIN( X_8_4); @GIN( X_8_5); @GIN( X_8_6); @GIN( X_8_7); @GIN( X_8_8); @GIN( X_8_9); @GIN( X_8_10); @GIN( X_8_11); @GIN( X_8_12); @GIN( X_9_1); @GIN( X_9_2); @GIN( X_9_3); @GIN( X_9_4); @GIN( X_9_5); @GIN( X_9_6); @GIN( X_9_7); @GIN( X_9_8); @GIN( X_9_9); @GIN( X_9_10); @GIN( X_9_11); @GIN( X_9_12); @GIN( X_10_1); @GIN( X_10_2); @GIN( X_10_3); @GIN( X_10_4); @GIN( X_10_5); @GIN( X_10_6); @GIN( X_10_7); @GIN( X_10_8); @GIN( X_10_9); @GIN( X_10_10); @GIN( X_10_11); @GIN( X_10_12); @GIN( X_11_1); @GIN(
C-7 X_11_2); @GIN( X_11_3); @GIN( X_11_4); @GIN( X_11_5); @GIN( X_11_6); @GIN( X_11_7); @GIN( X_11_8); @GIN( X_11_9); @GIN( X_11_10); @GIN( X_11_11); @GIN( X_11_12);
@GIN( X_12_1); @GIN( X_12_2); @GIN( X_12_3); @GIN( X_12_4); @GIN( X_12_5); @GIN( X_12_6); @GIN( X_12_7); @GIN( X_12_8); @GIN( X_12_9); @GIN( X_12_10); @GIN( X_12_11); @GIN( X_12_12); @GIN( X_13_1); @GIN( X_13_2); @GIN( X_13_3); @GIN( X_13_4); @GIN( X_13_5); @GIN( X_13_6); @GIN( X_13_7); @GIN( X_13_8); @GIN( X_13_9); @GIN( X_13_10); @GIN( X_13_11); @GIN( X_13_12); @GIN( X_14_1); @GIN( X_14_2); @GIN( X_14_3); @GIN( X_14_4); @GIN( X_14_5); @GIN( X_14_6); @GIN( X_14_7); @GIN( X_14_8); @GIN( X_14_9); @GIN( X_14_10); @GIN( X_14_11); @GIN( X_14_12); @GIN( X_15_1); @GIN( X_15_2); @GIN( X_15_3); @GIN( X_15_4); @GIN( X_15_5); @GIN( X_15_6); @GIN( X_15_7); @GIN( X_15_8); @GIN( X_15_9); @GIN( X_15_10); @GIN( X_15_11); @GIN( X_15_12); @GIN( X_16_1); @GIN( X_16_2); @GIN( X_16_3); @GIN( X_16_4); @GIN( X_16_5); @GIN( X_16_6); @GIN( X_16_7); @GIN( X_16_8); @GIN( X_16_9); @GIN( X_16_10); @GIN( X_16_11); @GIN( X_16_12); @GIN( X_17_1); @GIN( X_17_2); @GIN( X_17_3); @GIN( X_17_4); @GIN( X_17_5); @GIN( X_17_6); @GIN( X_17_7); @GIN( X_17_8); @GIN( X_17_9); @GIN( X_17_10); @GIN( X_17_11); @GIN( X_17_12); @GIN( X_18_1); @GIN( X_18_2); @GIN( X_18_3); @GIN( X_18_4); @GIN( X_18_5); @GIN( X_18_6); @GIN( X_18_7); @GIN( X_18_8); @GIN(
C-8 X_18_9); @GIN( X_18_10); @GIN( X_18_11); @GIN( X_18_12); @GIN( X_19_1); @GIN( X_19_2); @GIN( X_19_3); @GIN( X_19_4); @GIN( X_19_5); @GIN( X_19_6); @GIN( X_19_7); @GIN( X_19_8); @GIN( X_19_9); @GIN( X_19_10); @GIN( X_19_11); @GIN( X_19_12); @GIN( X_20_1); @GIN( X_20_2); @GIN( X_20_3); @GIN( X_20_4); @GIN( X_20_5); @GIN( X_20_6); @GIN( X_20_7); @GIN( X_20_8); @GIN( X_20_9); @GIN( X_20_10); @GIN( X_20_11); @GIN( X_20_12); @GIN( X_21_1); @GIN( X_21_2); @GIN( X_21_3); @GIN( X_21_4); @GIN( X_21_5); @GIN( X_21_6); @GIN( X_21_7); @GIN( X_21_8); @GIN( X_21_9); @GIN( X_21_10); @GIN( X_21_11); @GIN( X_21_12); @GIN( X_22_1); @GIN( X_22_2); @GIN( X_22_3); @GIN( X_22_4); @GIN( X_22_5); @GIN( X_22_6); @GIN( X_22_7); @GIN( X_22_8); @GIN( X_22_9); @GIN( X_22_10); @GIN( X_22_11); @GIN( X_22_12); @GIN( X_23_1); @GIN( X_23_2); @GIN( X_23_3); @GIN( X_23_4); @GIN( X_23_5); @GIN( X_23_6); @GIN( X_23_7); @GIN( X_23_8); @GIN( X_23_9); @GIN( X_23_10); @GIN( X_23_11); @GIN( X_23_12); @GIN( X_24_1); @GIN( X_24_2); @GIN( X_24_3); @GIN( X_24_4); @GIN( X_24_5); @GIN( X_24_6); @GIN( X_24_7); @GIN( X_24_8); @GIN( X_24_9); @GIN( X_24_10); @GIN( X_24_11); @GIN( X_24_12); @GIN( X_25_1); @GIN( X_25_2); @GIN( X_25_3); @GIN( X_25_4); @GIN( X_25_5); @GIN( X_25_6); @GIN( X_25_7); @GIN( X_25_8); @GIN( X_25_9); @GIN( X_25_10); @GIN( X_25_11); @GIN( X_25_12); @GIN( D1N_1); @GIN( D1N_2); @GIN( D1N_3); @GIN( D1N_4); @GIN( D1N_5); @GIN( D1N_6); @GIN( D1N_7); @GIN( D1N_8);
C-9 @GIN( D1N_9); @GIN( D1N_10); @GIN( D1N_11); @GIN( D1N_12); @GIN( D1N_13); @GIN( D1N_14); @GIN( D1N_15); @GIN( D1N_16); @GIN( D1N_17); @GIN( D1N_18); @GIN( D1N_19); @GIN( D1N_20); @GIN( D1N_21); @GIN( D1N_22); @GIN( D1N_23); @GIN( D1N_24); @GIN( D1N_25); END
C-10
Gambar C.3Output Model Base pada Lingo
Global optimal solution found. Objective value: Objective bound: Infeasibilities: Extended solver steps: Total solver iterations:
11565.00 11565.00 0.000000 0 0
Export Summary Report --------------------Transfer Method: OLE BASED Workbook: D:\Data\Data 5213100048.XLSX Ranges Specified: 1 D1N_2 Ranges Found: 1 Range Size Mismatches: 0 Values Transferred: 25 Export Summary Report --------------------Transfer Method: OLE BASED Workbook: D:\Data\Data 5213100048.XLSX Ranges Specified: 1 D2N Ranges Found: 1 Range Size Mismatches: 0 Values Transferred: 25 Export Summary Report --------------------Transfer Method: OLE BASED Workbook: D:\Data\Data 5213100048.XLSX Ranges Specified: 1 OUTPUT_X Ranges Found: 1 Range Size Mismatches: 0 Values Transferred: 300 Export Summary Report ---------------------
C-11 Transfer Method: OLE BASED Workbook: D:\Data\Data 5213100048.XLSX Ranges Specified: 1 OUTPUT_Y Ranges Found: 1 Range Size Mismatches: 0 Values Transferred: 25
Variable D1P( 1) D1P( 2) D1P( 3) D1P( 4) D1P( 5) D1P( 6) D1P( 7) D1P( 8) D1P( 9) D1P( 10) D1P( 11) D1P( 12) D1P( 13) D1P( 14) D1P( 15) D1P( 16) D1P( 17) D1P( 18) D1P( 19) D1P( 20) D1P( 21) D1P( 22) D1P( 23) D1P( 24) D1P( 25) D1N( 1) D1N( 2) D1N( 3) D1N( 4) D1N( 5) D1N( 6)
Value 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 175.0000 0.000000 197.0000 891.0000 0.000000 914.0000
Reduced Cost 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000
C-12 D1N( 7) D1N( 8) D1N( 9) D1N( 10) D1N( 11) D1N( 12) D1N( 13) D1N( 14) D1N( 15) D1N( 16) D1N( 17) D1N( 18) D1N( 19) D1N( 20) D1N( 21) D1N( 22) D1N( 23) D1N( 24) D1N( 25) D2P( 1) D2P( 2) D2P( 3) D2P( 4) D2P( 5) D2P( 6) D2P( 7) D2P( 8) D2P( 9) D2P( 10) D2P( 11) D2P( 12) D2P( 13) D2P( 14) D2P( 15) D2P( 16) D2P( 17) D2P( 18) D2P( 19) D2P( 20) D2P( 21) D2P( 22)
1014.000 0.000000 230.0000 0.000000 0.000000 0.000000 0.000000 0.000000 34.00000 274.0000 0.000000 555.0000 909.0000 728.0000 221.0000 2232.000 955.0000 1803.000 430.0000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 0.000000 0.000000 0.000000 1.000000 0.000000 1.000000 0.000000 1.000000 1.000000 1.000000 0.000000 0.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 0.000000 0.000000
C-13 D2P( 23) 0.000000 1.000000 D2P( 24) 0.000000 1.000000 D2P( 25) 0.000000 1.000000 D2N( 1) 0.4400000 0.000000 D2N( 2) 0.4000000 0.000000 D2N( 3) 0.000000 1.000000 D2N( 4) 0.000000 1.000000 D2N( 5) 0.000000 1.000000 D2N( 6) 0.2600000 0.000000 D2N( 7) 0.000000 1.000000 D2N( 8) 0.2000000E-01 0.000000 D2N( 9) 0.000000 1.000000 D2N( 10) 0.6100000 0.000000 D2N( 11) 0.1900000 0.000000 D2N( 12) 0.000000 0.000000 D2N( 13) 0.000000 1.000000 D2N( 14) 0.000000 1.000000 D2N( 15) 0.3100000 0.000000 D2N( 16) 0.1800000 0.000000 D2N( 17) 0.9000000E-01 0.000000 D2N( 18) 0.000000 0.000000 D2N( 19) 0.000000 0.000000 D2N( 20) 0.1100000 0.000000 D2N( 21) 0.000000 1.000000 D2N( 22) 0.000000 1.000000 D2N( 23) 0.2400000 0.000000 D2N( 24) 0.1500000 0.000000 D2N( 25) 0.000000 0.000000 WAKTU_TEMPUH( 1) 7.590000 0.000000 WAKTU_TEMPUH( 2) 6.560000 0.000000 WAKTU_TEMPUH( 3) 6.520000 0.000000 WAKTU_TEMPUH( 4) 5.110000 0.000000 WAKTU_TEMPUH( 5) 4.100000 0.000000 WAKTU_TEMPUH( 6) 3.390000 0.000000 WAKTU_TEMPUH( 7) 3.270000 0.000000 WAKTU_TEMPUH( 8) 6.120000 0.000000 WAKTU_TEMPUH( 9) 5.200000 0.000000 WAKTU_TEMPUH( 10) 6.130000 0.000000 WAKTU_TEMPUH( 11) 5.600000 0.000000 WAKTU_TEMPUH( 12) 6.140000 0.000000 WAKTU_TEMPUH( 13) 4.120000 0.000000
C-14 WAKTU_TEMPUH( 14) WAKTU_TEMPUH( 15) WAKTU_TEMPUH( 16) WAKTU_TEMPUH( 17) WAKTU_TEMPUH( 18) WAKTU_TEMPUH( 19) WAKTU_TEMPUH( 20) WAKTU_TEMPUH( 21) WAKTU_TEMPUH( 22) WAKTU_TEMPUH( 23) WAKTU_TEMPUH( 24) WAKTU_TEMPUH( 25) WAKTU_TERSEDIA( 1) WAKTU_TERSEDIA( 2) WAKTU_TERSEDIA( 3) WAKTU_TERSEDIA( 4) WAKTU_TERSEDIA( 5) WAKTU_TERSEDIA( 6) WAKTU_TERSEDIA( 7) WAKTU_TERSEDIA( 8) WAKTU_TERSEDIA( 9) WAKTU_TERSEDIA( 10) WAKTU_TERSEDIA( 11) WAKTU_TERSEDIA( 12) WAKTU_TERSEDIA( 13) WAKTU_TERSEDIA( 14) WAKTU_TERSEDIA( 15) WAKTU_TERSEDIA( 16) WAKTU_TERSEDIA( 17) WAKTU_TERSEDIA( 18) WAKTU_TERSEDIA( 19) WAKTU_TERSEDIA( 20) WAKTU_TERSEDIA( 21) WAKTU_TERSEDIA( 22) WAKTU_TERSEDIA( 23) WAKTU_TERSEDIA( 24) WAKTU_TERSEDIA( 25) Y( 1) 7.150000 Y( 2) 6.160000 Y( 3) 6.520000 Y( 4) 5.110000
3.240000 2.460000 3.530000 3.280000 4.560000 5.530000 5.510000 4.530000 3.170000 2.430000 1.280000 0.1000000 7.150000 6.160000 6.580000 5.230000 4.350000 3.130000 3.330000 6.100000 5.270000 5.520000 5.410000 6.140000 4.170000 3.370000 2.150000 3.350000 3.190000 4.560000 5.530000 5.400000 4.540000 3.250000 2.190000 1.130000 0.1000000 0.000000 0.000000 0.000000 0.000000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-15 Y( 5) 4.100000 Y( 6) 3.130000 Y( 7) 3.270000 Y( 8) 6.100000 Y( 9) 5.200000 Y( 10) 5.520000 Y( 11) 5.410000 Y( 12) 6.140000 Y( 13) 4.120000 Y( 14) 3.240000 Y( 15) 2.150000 Y( 16) 3.350000 Y( 17) 3.190000 Y( 18) 4.560000 Y( 19) 5.530000 Y( 20) 5.400000 Y( 21) 4.530000 Y( 22) 3.170000 Y( 23) 2.190000 Y( 24) 1.130000 Y( 25) 0.1000000 ALOKASI( 1, 1) 1000.000 ALOKASI( 1, 2) 525.0000 ALOKASI( 1, 3) 600.0000 ALOKASI( 1, 4) 746.0000 ALOKASI( 1, 5) 350.0000 ALOKASI( 1, 6) 175.0000 ALOKASI( 1, 7) 200.0000 ALOKASI( 1, 8) 37.00000 ALOKASI( 1, 9) 19.00000 ALOKASI( 1, 10) 581.0000 ALOKASI( 1, 11) 816.0000 ALOKASI( 1, 12) 1137.000 ALOKASI( 2, 1) 4530.000 ALOKASI( 2, 2) 1805.000 ALOKASI( 2, 3) 2095.000 ALOKASI( 2, 4) 2106.000 ALOKASI( 2, 5) 2983.000 ALOKASI( 2, 6) 1212.000 ALOKASI( 2, 7) 1224.000 ALOKASI( 2, 8) 697.0000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-16 ALOKASI( 2, 9) ALOKASI( 2, 10) ALOKASI( 2, 11) ALOKASI( 2, 12) ALOKASI( 3, 1) ALOKASI( 3, 2) ALOKASI( 3, 3) ALOKASI( 3, 4) ALOKASI( 3, 5) ALOKASI( 3, 6) ALOKASI( 3, 7) ALOKASI( 3, 8) ALOKASI( 3, 9) ALOKASI( 3, 10) ALOKASI( 3, 11) ALOKASI( 3, 12) ALOKASI( 4, 1) ALOKASI( 4, 2) ALOKASI( 4, 3) ALOKASI( 4, 4) ALOKASI( 4, 5) ALOKASI( 4, 6) ALOKASI( 4, 7) ALOKASI( 4, 8) ALOKASI( 4, 9) ALOKASI( 4, 10) ALOKASI( 4, 11) ALOKASI( 4, 12) ALOKASI( 5, 1) ALOKASI( 5, 2) ALOKASI( 5, 3) ALOKASI( 5, 4) ALOKASI( 5, 5) ALOKASI( 5, 6) ALOKASI( 5, 7) ALOKASI( 5, 8) ALOKASI( 5, 9) ALOKASI( 5, 10) ALOKASI( 5, 11) ALOKASI( 5, 12) ALOKASI( 6, 1)
436.0000 2370.000 2915.000 3294.000 1865.000 1005.000 660.0000 697.0000 1405.000 540.0000 255.0000 45.00000 347.0000 852.0000 1840.000 1546.000 2180.000 2005.000 950.0000 385.0000 1982.000 1700.000 465.0000 889.0000 1818.000 1734.000 1689.000 1330.000 3676.000 2865.000 2026.000 1159.000 1997.000 1749.000 1480.000 874.0000 976.0000 2541.000 2971.000 3408.000 5582.000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-17 ALOKASI( 6, 2) ALOKASI( 6, 3) ALOKASI( 6, 4) ALOKASI( 6, 5) ALOKASI( 6, 6) ALOKASI( 6, 7) ALOKASI( 6, 8) ALOKASI( 6, 9) ALOKASI( 6, 10) ALOKASI( 6, 11) ALOKASI( 6, 12) ALOKASI( 7, 1) ALOKASI( 7, 2) ALOKASI( 7, 3) ALOKASI( 7, 4) ALOKASI( 7, 5) ALOKASI( 7, 6) ALOKASI( 7, 7) ALOKASI( 7, 8) ALOKASI( 7, 9) ALOKASI( 7, 10) ALOKASI( 7, 11) ALOKASI( 7, 12) ALOKASI( 8, 1) ALOKASI( 8, 2) ALOKASI( 8, 3) ALOKASI( 8, 4) ALOKASI( 8, 5) ALOKASI( 8, 6) ALOKASI( 8, 7) ALOKASI( 8, 8) ALOKASI( 8, 9) ALOKASI( 8, 10) ALOKASI( 8, 11) ALOKASI( 8, 12) ALOKASI( 9, 1) ALOKASI( 9, 2) ALOKASI( 9, 3) ALOKASI( 9, 4) ALOKASI( 9, 5) ALOKASI( 9, 6)
2334.000 2733.000 3003.000 3924.000 2895.000 2227.000 2041.000 2759.000 3498.000 3595.000 2957.000 4819.000 2596.000 2565.000 1553.000 1690.000 2665.000 2200.000 394.0000 675.0000 3936.000 6613.000 2598.000 1900.000 1713.000 945.0000 875.0000 1271.000 1060.000 1145.000 724.0000 907.0000 1108.000 1549.000 1132.000 4460.000 2165.000 1750.000 2240.000 3190.000 2420.000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-18 ALOKASI( 9, 7) ALOKASI( 9, 8) ALOKASI( 9, 9) ALOKASI( 9, 10) ALOKASI( 9, 11) ALOKASI( 9, 12) ALOKASI( 10, 1) ALOKASI( 10, 2) ALOKASI( 10, 3) ALOKASI( 10, 4) ALOKASI( 10, 5) ALOKASI( 10, 6) ALOKASI( 10, 7) ALOKASI( 10, 8) ALOKASI( 10, 9) ALOKASI( 10, 10) ALOKASI( 10, 11) ALOKASI( 10, 12) ALOKASI( 11, 1) ALOKASI( 11, 2) ALOKASI( 11, 3) ALOKASI( 11, 4) ALOKASI( 11, 5) ALOKASI( 11, 6) ALOKASI( 11, 7) ALOKASI( 11, 8) ALOKASI( 11, 9) ALOKASI( 11, 10) ALOKASI( 11, 11) ALOKASI( 11, 12) ALOKASI( 12, 1) ALOKASI( 12, 2) ALOKASI( 12, 3) ALOKASI( 12, 4) ALOKASI( 12, 5) ALOKASI( 12, 6) ALOKASI( 12, 7) ALOKASI( 12, 8) ALOKASI( 12, 9) ALOKASI( 12, 10) ALOKASI( 12, 11)
2165.000 2014.000 3664.000 3820.000 2307.000 1445.000 3200.000 3400.000 2025.000 2125.000 1852.000 2600.000 3025.000 2103.000 2418.000 2826.000 2813.000 2970.000 780.0000 825.0000 325.0000 565.0000 735.0000 662.0000 425.0000 315.0000 231.0000 1156.000 756.0000 652.0000 725.0000 780.0000 371.0000 323.0000 421.0000 585.0000 330.0000 297.0000 516.0000 492.0000 680.0000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-19 ALOKASI( 12, 12) ALOKASI( 13, 1) ALOKASI( 13, 2) ALOKASI( 13, 3) ALOKASI( 13, 4) ALOKASI( 13, 5) ALOKASI( 13, 6) ALOKASI( 13, 7) ALOKASI( 13, 8) ALOKASI( 13, 9) ALOKASI( 13, 10) ALOKASI( 13, 11) ALOKASI( 13, 12) ALOKASI( 14, 1) ALOKASI( 14, 2) ALOKASI( 14, 3) ALOKASI( 14, 4) ALOKASI( 14, 5) ALOKASI( 14, 6) ALOKASI( 14, 7) ALOKASI( 14, 8) ALOKASI( 14, 9) ALOKASI( 14, 10) ALOKASI( 14, 11) ALOKASI( 14, 12) ALOKASI( 15, 1) ALOKASI( 15, 2) ALOKASI( 15, 3) ALOKASI( 15, 4) ALOKASI( 15, 5) ALOKASI( 15, 6) ALOKASI( 15, 7) ALOKASI( 15, 8) ALOKASI( 15, 9) ALOKASI( 15, 10) ALOKASI( 15, 11) ALOKASI( 15, 12) ALOKASI( 16, 1) ALOKASI( 16, 2) ALOKASI( 16, 3) ALOKASI( 16, 4)
565.0000 1316.000 1120.000 460.0000 575.0000 890.0000 716.0000 361.0000 538.0000 578.0000 1256.000 986.0000 562.0000 1935.000 1745.000 750.0000 585.0000 903.0000 1104.000 906.0000 909.0000 1196.000 1106.000 1386.000 613.0000 1058.000 340.0000 150.0000 225.0000 655.0000 352.0000 600.0000 825.0000 1207.000 1560.000 2760.000 1135.000 2370.000 1720.000 1616.000 1516.000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-20 ALOKASI( 16, 5) ALOKASI( 16, 6) ALOKASI( 16, 7) ALOKASI( 16, 8) ALOKASI( 16, 9) ALOKASI( 16, 10) ALOKASI( 16, 11) ALOKASI( 16, 12) ALOKASI( 17, 1) ALOKASI( 17, 2) ALOKASI( 17, 3) ALOKASI( 17, 4) ALOKASI( 17, 5) ALOKASI( 17, 6) ALOKASI( 17, 7) ALOKASI( 17, 8) ALOKASI( 17, 9) ALOKASI( 17, 10) ALOKASI( 17, 11) ALOKASI( 17, 12) ALOKASI( 18, 1) ALOKASI( 18, 2) ALOKASI( 18, 3) ALOKASI( 18, 4) ALOKASI( 18, 5) ALOKASI( 18, 6) ALOKASI( 18, 7) ALOKASI( 18, 8) ALOKASI( 18, 9) ALOKASI( 18, 10) ALOKASI( 18, 11) ALOKASI( 18, 12) ALOKASI( 19, 1) ALOKASI( 19, 2) ALOKASI( 19, 3) ALOKASI( 19, 4) ALOKASI( 19, 5) ALOKASI( 19, 6) ALOKASI( 19, 7) ALOKASI( 19, 8) ALOKASI( 19, 9)
2065.000 1745.000 1813.000 959.0000 1785.000 690.0000 1836.000 3480.000 3175.000 1375.000 550.0000 1850.000 2810.000 1600.000 750.0000 1450.000 1349.000 1799.000 3497.000 625.0000 3609.000 1045.000 1775.000 3644.000 3031.000 2697.000 3010.000 2810.000 2139.000 2888.000 3028.000 2685.000 3103.000 448.0000 2218.000 3685.000 1424.000 414.0000 1939.000 1253.000 366.0000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-21 ALOKASI( 19, 10) ALOKASI( 19, 11) ALOKASI( 19, 12) ALOKASI( 20, 1) ALOKASI( 20, 2) ALOKASI( 20, 3) ALOKASI( 20, 4) ALOKASI( 20, 5) ALOKASI( 20, 6) ALOKASI( 20, 7) ALOKASI( 20, 8) ALOKASI( 20, 9) ALOKASI( 20, 10) ALOKASI( 20, 11) ALOKASI( 20, 12) ALOKASI( 21, 1) ALOKASI( 21, 2) ALOKASI( 21, 3) ALOKASI( 21, 4) ALOKASI( 21, 5) ALOKASI( 21, 6) ALOKASI( 21, 7) ALOKASI( 21, 8) ALOKASI( 21, 9) ALOKASI( 21, 10) ALOKASI( 21, 11) ALOKASI( 21, 12) ALOKASI( 22, 1) ALOKASI( 22, 2) ALOKASI( 22, 3) ALOKASI( 22, 4) ALOKASI( 22, 5) ALOKASI( 22, 6) ALOKASI( 22, 7) ALOKASI( 22, 8) ALOKASI( 22, 9) ALOKASI( 22, 10) ALOKASI( 22, 11) ALOKASI( 22, 12) ALOKASI( 23, 1) ALOKASI( 23, 2)
1301.000 3788.000 2822.000 2060.000 1305.000 2150.000 1722.000 1353.000 857.0000 1727.000 1344.000 1573.000 1713.000 2487.000 1711.000 2955.000 2905.000 6060.000 3098.000 1788.000 2154.000 4813.000 4454.000 5473.000 1122.000 2190.000 2881.000 4808.000 2191.000 3179.000 5703.000 2535.000 1630.000 1728.000 937.0000 1990.000 4153.000 4834.000 2775.000 5355.000 2075.000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-22 ALOKASI( 23, 3) ALOKASI( 23, 4) ALOKASI( 23, 5) ALOKASI( 23, 6) ALOKASI( 23, 7) ALOKASI( 23, 8) ALOKASI( 23, 9) ALOKASI( 23, 10) ALOKASI( 23, 11) ALOKASI( 23, 12) ALOKASI( 24, 1) ALOKASI( 24, 2) ALOKASI( 24, 3) ALOKASI( 24, 4) ALOKASI( 24, 5) ALOKASI( 24, 6) ALOKASI( 24, 7) ALOKASI( 24, 8) ALOKASI( 24, 9) ALOKASI( 24, 10) ALOKASI( 24, 11) ALOKASI( 24, 12) ALOKASI( 25, 1) ALOKASI( 25, 2) ALOKASI( 25, 3) ALOKASI( 25, 4) ALOKASI( 25, 5) ALOKASI( 25, 6) ALOKASI( 25, 7) ALOKASI( 25, 8) ALOKASI( 25, 9) ALOKASI( 25, 10) ALOKASI( 25, 11) ALOKASI( 25, 12) DEMAND( 1, 1) DEMAND( 1, 2) DEMAND( 1, 3) DEMAND( 1, 4) DEMAND( 1, 5) DEMAND( 1, 6) DEMAND( 1, 7)
1695.000 2920.000 1800.000 1940.000 1410.000 1727.000 1494.000 3153.000 3791.000 2215.000 5425.000 1825.000 3195.000 4460.000 3714.000 2859.000 2504.000 457.0000 943.0000 3658.000 5946.000 4266.000 1939.000 570.0000 1050.000 1875.000 1309.000 375.0000 852.0000 370.0000 278.0000 1262.000 1985.000 1845.000 725.0000 700.0000 907.0000 636.0000 766.0000 1073.000 529.0000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-23 DEMAND( 1, 8) DEMAND( 1, 9) DEMAND( 1, 10) DEMAND( 1, 11) DEMAND( 1, 12) DEMAND( 2, 1) DEMAND( 2, 2) DEMAND( 2, 3) DEMAND( 2, 4) DEMAND( 2, 5) DEMAND( 2, 6) DEMAND( 2, 7) DEMAND( 2, 8) DEMAND( 2, 9) DEMAND( 2, 10) DEMAND( 2, 11) DEMAND( 2, 12) DEMAND( 3, 1) DEMAND( 3, 2) DEMAND( 3, 3) DEMAND( 3, 4) DEMAND( 3, 5) DEMAND( 3, 6) DEMAND( 3, 7) DEMAND( 3, 8) DEMAND( 3, 9) DEMAND( 3, 10) DEMAND( 3, 11) DEMAND( 3, 12) DEMAND( 4, 1) DEMAND( 4, 2) DEMAND( 4, 3) DEMAND( 4, 4) DEMAND( 4, 5) DEMAND( 4, 6) DEMAND( 4, 7) DEMAND( 4, 8) DEMAND( 4, 9) DEMAND( 4, 10) DEMAND( 4, 11) DEMAND( 4, 12)
344.0000 288.0000 608.0000 939.0000 991.0000 2820.000 1735.000 4287.000 1821.000 2444.000 3212.000 3435.000 1255.000 1093.000 2302.000 3214.000 2383.000 1004.000 1202.000 4086.000 2036.000 1404.000 2250.000 3546.000 2206.000 472.0000 1343.000 2279.000 3337.000 1019.000 2896.000 1898.000 1987.000 927.0000 526.0000 1623.000 1710.000 671.0000 984.0000 1327.000 2485.000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-24 DEMAND( 5, 1) DEMAND( 5, 2) DEMAND( 5, 3) DEMAND( 5, 4) DEMAND( 5, 5) DEMAND( 5, 6) DEMAND( 5, 7) DEMAND( 5, 8) DEMAND( 5, 9) DEMAND( 5, 10) DEMAND( 5, 11) DEMAND( 5, 12) DEMAND( 6, 1) DEMAND( 6, 2) DEMAND( 6, 3) DEMAND( 6, 4) DEMAND( 6, 5) DEMAND( 6, 6) DEMAND( 6, 7) DEMAND( 6, 8) DEMAND( 6, 9) DEMAND( 6, 10) DEMAND( 6, 11) DEMAND( 6, 12) DEMAND( 7, 1) DEMAND( 7, 2) DEMAND( 7, 3) DEMAND( 7, 4) DEMAND( 7, 5) DEMAND( 7, 6) DEMAND( 7, 7) DEMAND( 7, 8) DEMAND( 7, 9) DEMAND( 7, 10) DEMAND( 7, 11) DEMAND( 7, 12) DEMAND( 8, 1) DEMAND( 8, 2) DEMAND( 8, 3) DEMAND( 8, 4) DEMAND( 8, 5)
2020.000 2559.000 3298.000 2868.000 1942.000 1325.000 1964.000 2005.000 1622.000 1464.000 2339.000 2769.000 4016.000 3248.000 5661.000 3535.000 3256.000 3826.000 4744.000 3379.000 2620.000 3931.000 4647.000 4029.000 2075.000 3610.000 4312.000 3535.000 2696.000 2010.000 2265.000 2163.000 2406.000 3969.000 3646.000 4338.000 914.0000 1004.000 731.0000 708.0000 394.0000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-25 DEMAND( 8, 6) DEMAND( 8, 7) DEMAND( 8, 8) DEMAND( 8, 9) DEMAND( 8, 10) DEMAND( 8, 11) DEMAND( 8, 12) DEMAND( 9, 1) DEMAND( 9, 2) DEMAND( 9, 3) DEMAND( 9, 4) DEMAND( 9, 5) DEMAND( 9, 6) DEMAND( 9, 7) DEMAND( 9, 8) DEMAND( 9, 9) DEMAND( 9, 10) DEMAND( 9, 11) DEMAND( 9, 12) DEMAND( 10, 1) DEMAND( 10, 2) DEMAND( 10, 3) DEMAND( 10, 4) DEMAND( 10, 5) DEMAND( 10, 6) DEMAND( 10, 7) DEMAND( 10, 8) DEMAND( 10, 9) DEMAND( 10, 10) DEMAND( 10, 11) DEMAND( 10, 12) DEMAND( 11, 1) DEMAND( 11, 2) DEMAND( 11, 3) DEMAND( 11, 4) DEMAND( 11, 5) DEMAND( 11, 6) DEMAND( 11, 7) DEMAND( 11, 8) DEMAND( 11, 9) DEMAND( 11, 10)
401.0000 489.0000 380.0000 330.0000 315.0000 443.0000 315.0000 3485.000 2395.000 4987.000 3192.000 1944.000 3059.000 3907.000 3666.000 2794.000 3280.000 4301.000 2437.000 2300.000 1400.000 2927.000 3232.000 1794.000 2520.000 2277.000 2588.000 2726.000 2339.000 2466.000 1288.000 315.0000 330.0000 581.0000 626.0000 394.0000 516.0000 661.0000 458.0000 390.0000 577.0000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-26 DEMAND( 11, 11) DEMAND( 11, 12) DEMAND( 12, 1) DEMAND( 12, 2) DEMAND( 12, 3) DEMAND( 12, 4) DEMAND( 12, 5) DEMAND( 12, 6) DEMAND( 12, 7) DEMAND( 12, 8) DEMAND( 12, 9) DEMAND( 12, 10) DEMAND( 12, 11) DEMAND( 12, 12) DEMAND( 13, 1) DEMAND( 13, 2) DEMAND( 13, 3) DEMAND( 13, 4) DEMAND( 13, 5) DEMAND( 13, 6) DEMAND( 13, 7) DEMAND( 13, 8) DEMAND( 13, 9) DEMAND( 13, 10) DEMAND( 13, 11) DEMAND( 13, 12) DEMAND( 14, 1) DEMAND( 14, 2) DEMAND( 14, 3) DEMAND( 14, 4) DEMAND( 14, 5) DEMAND( 14, 6) DEMAND( 14, 7) DEMAND( 14, 8) DEMAND( 14, 9) DEMAND( 14, 10) DEMAND( 14, 11) DEMAND( 14, 12) DEMAND( 15, 1) DEMAND( 15, 2) DEMAND( 15, 3)
418.0000 487.0000 280.0000 300.0000 697.0000 625.0000 410.0000 380.0000 448.0000 475.0000 316.0000 657.0000 476.0000 517.0000 715.0000 725.0000 683.0000 777.0000 320.0000 447.0000 650.0000 445.0000 355.0000 440.0000 510.0000 365.0000 590.0000 640.0000 335.0000 305.0000 149.0000 132.0000 184.0000 99.00000 86.00000 59.00000 30.00000 0.000000 225.0000 374.0000 110.0000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-27 DEMAND( 15, 4) DEMAND( 15, 5) DEMAND( 15, 6) DEMAND( 15, 7) DEMAND( 15, 8) DEMAND( 15, 9) DEMAND( 15, 10) DEMAND( 15, 11) DEMAND( 15, 12) DEMAND( 16, 1) DEMAND( 16, 2) DEMAND( 16, 3) DEMAND( 16, 4) DEMAND( 16, 5) DEMAND( 16, 6) DEMAND( 16, 7) DEMAND( 16, 8) DEMAND( 16, 9) DEMAND( 16, 10) DEMAND( 16, 11) DEMAND( 16, 12) DEMAND( 17, 1) DEMAND( 17, 2) DEMAND( 17, 3) DEMAND( 17, 4) DEMAND( 17, 5) DEMAND( 17, 6) DEMAND( 17, 7) DEMAND( 17, 8) DEMAND( 17, 9) DEMAND( 17, 10) DEMAND( 17, 11) DEMAND( 17, 12) DEMAND( 18, 1) DEMAND( 18, 2) DEMAND( 18, 3) DEMAND( 18, 4) DEMAND( 18, 5) DEMAND( 18, 6) DEMAND( 18, 7) DEMAND( 18, 8)
56.00000 41.00000 55.00000 124.0000 60.00000 49.00000 25.00000 8.000000 0.000000 1879.000 1994.000 2336.000 1662.000 1564.000 1614.000 1880.000 1760.000 1797.000 1854.000 2432.000 1532.000 1408.000 1100.000 1919.000 1016.000 517.0000 1352.000 1997.000 1267.000 635.0000 744.0000 1193.000 802.0000 2758.000 1600.000 4117.000 2009.000 2900.000 5235.000 3910.000 4045.000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-28 DEMAND( 18, 9) DEMAND( 18, 10) DEMAND( 18, 11) DEMAND( 18, 12) DEMAND( 19, 1) DEMAND( 19, 2) DEMAND( 19, 3) DEMAND( 19, 4) DEMAND( 19, 5) DEMAND( 19, 6) DEMAND( 19, 7) DEMAND( 19, 8) DEMAND( 19, 9) DEMAND( 19, 10) DEMAND( 19, 11) DEMAND( 19, 12) DEMAND( 20, 1) DEMAND( 20, 2) DEMAND( 20, 3) DEMAND( 20, 4) DEMAND( 20, 5) DEMAND( 20, 6) DEMAND( 20, 7) DEMAND( 20, 8) DEMAND( 20, 9) DEMAND( 20, 10) DEMAND( 20, 11) DEMAND( 20, 12) DEMAND( 21, 1) DEMAND( 21, 2) DEMAND( 21, 3) DEMAND( 21, 4) DEMAND( 21, 5) DEMAND( 21, 6) DEMAND( 21, 7) DEMAND( 21, 8) DEMAND( 21, 9) DEMAND( 21, 10) DEMAND( 21, 11) DEMAND( 21, 12) DEMAND( 22, 1)
3370.000 4002.000 4332.000 1968.000 1051.000 1357.000 2413.000 571.0000 2664.000 4242.000 1623.000 657.0000 1991.000 2671.000 1386.000 1278.000 1676.000 2033.000 2202.000 1717.000 4037.000 2762.000 1965.000 1515.000 2337.000 3120.000 2400.000 2695.000 2068.000 3126.000 1880.000 2868.000 5313.000 3493.000 1673.000 1934.000 3826.000 3106.000 1644.000 3228.000 3387.000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-29 DEMAND( 22, 2) DEMAND( 22, 3) DEMAND( 22, 4) DEMAND( 22, 5) DEMAND( 22, 6) DEMAND( 22, 7) DEMAND( 22, 8) DEMAND( 22, 9) DEMAND( 22, 10) DEMAND( 22, 11) DEMAND( 22, 12) DEMAND( 23, 1) DEMAND( 23, 2) DEMAND( 23, 3) DEMAND( 23, 4) DEMAND( 23, 5) DEMAND( 23, 6) DEMAND( 23, 7) DEMAND( 23, 8) DEMAND( 23, 9) DEMAND( 23, 10) DEMAND( 23, 11) DEMAND( 23, 12) DEMAND( 24, 1) DEMAND( 24, 2) DEMAND( 24, 3) DEMAND( 24, 4) DEMAND( 24, 5) DEMAND( 24, 6) DEMAND( 24, 7) DEMAND( 24, 8) DEMAND( 24, 9) DEMAND( 24, 10) DEMAND( 24, 11) DEMAND( 24, 12) DEMAND( 25, 1) DEMAND( 25, 2) DEMAND( 25, 3) DEMAND( 25, 4) DEMAND( 25, 5) DEMAND( 25, 6)
4423.000 4245.000 2912.000 3784.000 5642.000 2483.000 1608.000 1794.000 1686.000 2761.000 4126.000 2260.000 3030.000 2683.000 1374.000 1627.000 1972.000 1378.000 1565.000 1012.000 1148.000 1453.000 1865.000 2615.000 3628.000 4141.000 1781.000 3721.000 5049.000 3581.000 2973.000 2362.000 2654.000 2224.000 3216.000 500.0000 1000.000 1115.000 312.0000 688.0000 1294.000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-30 DEMAND( 25, 7) 774.0000 0.000000 DEMAND( 25, 8) 407.0000 0.000000 DEMAND( 25, 9) 542.0000 0.000000 DEMAND( 25, 10) 526.0000 0.000000 DEMAND( 25, 11) 382.0000 0.000000 DEMAND( 25, 12) 596.0000 0.000000 X( 1, 1) 0.000000 0.000000 X( 1, 2) 525.0000 0.000000 X( 1, 3) 0.000000 0.000000 X( 1, 4) 0.000000 0.000000 X( 1, 5) 0.000000 0.000000 X( 1, 6) 0.000000 0.000000 X( 1, 7) 0.000000 0.000000 X( 1, 8) 0.000000 0.000000 X( 1, 9) 0.000000 0.000000 X( 1, 10) 0.000000 0.000000 X( 1, 11) 0.000000 0.000000 X( 1, 12) 0.000000 0.000000 X( 2, 1) 0.000000 0.000000 X( 2, 2) 1735.000 0.000000 X( 2, 3) 0.000000 0.000000 X( 2, 4) 0.000000 0.000000 X( 2, 5) 0.000000 0.000000 X( 2, 6) 0.000000 0.000000 X( 2, 7) 0.000000 0.000000 X( 2, 8) 0.000000 0.000000 X( 2, 9) 0.000000 0.000000 X( 2, 10) 0.000000 0.000000 X( 2, 11) 0.000000 0.000000 X( 2, 12) 0.000000 0.000000 X( 3, 1) 0.000000 0.000000 X( 3, 2) 1005.000 0.000000 X( 3, 3) 0.000000 0.000000 X( 3, 4) 0.000000 0.000000 X( 3, 5) 0.000000 0.000000 X( 3, 6) 0.000000 0.000000 X( 3, 7) 0.000000 0.000000 X( 3, 8) 0.000000 0.000000 X( 3, 9) 0.000000 0.000000 X( 3, 10) 0.000000 0.000000 X( 3, 11) 0.000000 0.000000
C-31 X( 3, 12) X( 4, 1) X( 4, 2) X( 4, 3) X( 4, 4) X( 4, 5) X( 4, 6) X( 4, 7) X( 4, 8) X( 4, 9) X( 4, 10) X( 4, 11) X( 4, 12) X( 5, 1) X( 5, 2) X( 5, 3) X( 5, 4) X( 5, 5) X( 5, 6) X( 5, 7) X( 5, 8) X( 5, 9) X( 5, 10) X( 5, 11) X( 5, 12) X( 6, 1) X( 6, 2) X( 6, 3) X( 6, 4) X( 6, 5) X( 6, 6) X( 6, 7) X( 6, 8) X( 6, 9) X( 6, 10) X( 6, 11) X( 6, 12) X( 7, 1) X( 7, 2) X( 7, 3) X( 7, 4)
0.000000 0.000000 2005.000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2559.000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2334.000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2596.000 0.000000 0.000000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-32 X( 7, 5) X( 7, 6) X( 7, 7) X( 7, 8) X( 7, 9) X( 7, 10) X( 7, 11) X( 7, 12) X( 8, 1) X( 8, 2) X( 8, 3) X( 8, 4) X( 8, 5) X( 8, 6) X( 8, 7) X( 8, 8) X( 8, 9) X( 8, 10) X( 8, 11) X( 8, 12) X( 9, 1) X( 9, 2) X( 9, 3) X( 9, 4) X( 9, 5) X( 9, 6) X( 9, 7) X( 9, 8) X( 9, 9) X( 9, 10) X( 9, 11) X( 9, 12) X( 10, 1) X( 10, 2) X( 10, 3) X( 10, 4) X( 10, 5) X( 10, 6) X( 10, 7) X( 10, 8) X( 10, 9)
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1004.000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2165.000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1400.000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-33 X( 10, 10) X( 10, 11) X( 10, 12) X( 11, 1) X( 11, 2) X( 11, 3) X( 11, 4) X( 11, 5) X( 11, 6) X( 11, 7) X( 11, 8) X( 11, 9) X( 11, 10) X( 11, 11) X( 11, 12) X( 12, 1) X( 12, 2) X( 12, 3) X( 12, 4) X( 12, 5) X( 12, 6) X( 12, 7) X( 12, 8) X( 12, 9) X( 12, 10) X( 12, 11) X( 12, 12) X( 13, 1) X( 13, 2) X( 13, 3) X( 13, 4) X( 13, 5) X( 13, 6) X( 13, 7) X( 13, 8) X( 13, 9) X( 13, 10) X( 13, 11) X( 13, 12) X( 14, 1) X( 14, 2)
0.000000 0.000000 0.000000 0.000000 330.0000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 300.0000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 725.0000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 640.0000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-34 X( 14, 3) X( 14, 4) X( 14, 5) X( 14, 6) X( 14, 7) X( 14, 8) X( 14, 9) X( 14, 10) X( 14, 11) X( 14, 12) X( 15, 1) X( 15, 2) X( 15, 3) X( 15, 4) X( 15, 5) X( 15, 6) X( 15, 7) X( 15, 8) X( 15, 9) X( 15, 10) X( 15, 11) X( 15, 12) X( 16, 1) X( 16, 2) X( 16, 3) X( 16, 4) X( 16, 5) X( 16, 6) X( 16, 7) X( 16, 8) X( 16, 9) X( 16, 10) X( 16, 11) X( 16, 12) X( 17, 1) X( 17, 2) X( 17, 3) X( 17, 4) X( 17, 5) X( 17, 6) X( 17, 7)
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 340.0000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1720.000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1100.000 0.000000 0.000000 0.000000 0.000000 0.000000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-35 X( 17, 8) X( 17, 9) X( 17, 10) X( 17, 11) X( 17, 12) X( 18, 1) X( 18, 2) X( 18, 3) X( 18, 4) X( 18, 5) X( 18, 6) X( 18, 7) X( 18, 8) X( 18, 9) X( 18, 10) X( 18, 11) X( 18, 12) X( 19, 1) X( 19, 2) X( 19, 3) X( 19, 4) X( 19, 5) X( 19, 6) X( 19, 7) X( 19, 8) X( 19, 9) X( 19, 10) X( 19, 11) X( 19, 12) X( 20, 1) X( 20, 2) X( 20, 3) X( 20, 4) X( 20, 5) X( 20, 6) X( 20, 7) X( 20, 8) X( 20, 9) X( 20, 10) X( 20, 11) X( 20, 12)
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1045.000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 448.0000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1305.000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-36 X( 21, 1) X( 21, 2) X( 21, 3) X( 21, 4) X( 21, 5) X( 21, 6) X( 21, 7) X( 21, 8) X( 21, 9) X( 21, 10) X( 21, 11) X( 21, 12) X( 22, 1) X( 22, 2) X( 22, 3) X( 22, 4) X( 22, 5) X( 22, 6) X( 22, 7) X( 22, 8) X( 22, 9) X( 22, 10) X( 22, 11) X( 22, 12) X( 23, 1) X( 23, 2) X( 23, 3) X( 23, 4) X( 23, 5) X( 23, 6) X( 23, 7) X( 23, 8) X( 23, 9) X( 23, 10) X( 23, 11) X( 23, 12) X( 24, 1) X( 24, 2) X( 24, 3) X( 24, 4) X( 24, 5)
0.000000 2905.000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2191.000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2075.000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1825.000 0.000000 0.000000 0.000000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
C-37 X( 24, 6) X( 24, 7) X( 24, 8) X( 24, 9) X( 24, 10) X( 24, 11) X( 24, 12) X( 25, 1) X( 25, 2) X( 25, 3) X( 25, 4) X( 25, 5) X( 25, 6) X( 25, 7) X( 25, 8) X( 25, 9) X( 25, 10) X( 25, 11) X( 25, 12)
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 570.0000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
Row Slack or Surplus Dual Price 1 11565.00 -1.000000 2 0.000000 0.000000 3 70.00000 0.000000 4 0.000000 0.000000 5 0.000000 0.000000 6 306.0000 0.000000 7 0.000000 0.000000 8 0.000000 0.000000 9 709.0000 0.000000 10 0.000000 0.000000 11 2000.000 0.000000 12 495.0000 0.000000 13 480.0000 0.000000 14 395.0000 0.000000 15 1105.000 0.000000 16 0.000000 0.000000 17 0.000000 0.000000 18 275.0000 0.000000 19 0.000000 0.000000 20 0.000000 0.000000
C-38 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.6000000E-01 0.1200000 0.2500000 0.000000 0.6000000E-01 0.000000 0.7000000E-01 0.000000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 1.000000 0.000000 0.000000 0.000000 1.000000 0.000000 1.000000 0.000000 1.000000
C-39 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101
0.000000 0.000000 0.5000000E-01 0.1300000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.1000000E-01 0.8000000E-01 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
1.000000 1.000000 0.000000 0.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 0.000000 0.000000 1.000000 1.000000 1.000000 -1.000000 -1.000000 0.000000 0.000000 0.000000 -1.000000 0.000000 -1.000000 0.000000 -1.000000 -1.000000 -1.000000 0.000000 0.000000 -1.000000 -1.000000 -1.000000 -1.000000 -1.000000 -1.000000 0.000000 0.000000 -1.000000 -1.000000 -1.000000
C-40
Gambar C.4Script Skenario 1 pada Lingo
MODEL: sets: !menunjukan anggota tujuan, yaitu dari Gudang Penyangga 1 hingga 25; Tujuan/1..25/:D1P,D1N,D2P,D2N,WAKTU_TEMPUH,WAK TU_TERSEDIA,Y; !menunjukan rentang bulan, yaitu dari bulan 1 hingga bulan 12; Bulan/1..12/; Matriks(Tujuan,Bulan):Alokasi,Demand,X; endsets data: !Import data dari Microsoft Excel; Alokasi=@ole('D:\Data\Data 5213100048.XLSX','ALOKASI'); demand=@ole('D:\Data\Data 5213100048.XLSX','PERMINTAAN'); WAKTU_TEMPUH=@ole('D:\Data\Data 5213100048.XLSX','WAKTU_TEMPUH'); WAKTU_TERSEDIA=@ole('D:\Data\Data 5213100048.XLSX','WAKTU_TERSEDIA'); !Export hasil output data ke Microsoft Excel; @ole('D:\Data\Data 5213100048.XLSX','D1N_2')=D1N; @ole('D:\Data\Data 5213100048.XLSX','D2N')=D2N; @ole('D:\Data\Data 5213100048.XLSX','OUTPUT_X')=X; @ole('D:\Data\Data 5213100048.XLSX','OUTPUT_Y')=Y; ENDDATA !Fungsi tujuan; !Prioritas 1 meminimalkan selisih antara jumalh permintaan dan jumlah alokasi, Prioritas 2 meminimalkanwaktu distribusi;
C-41 min=@sum(Matriks(i,t)|t#eq#1:0.60*D1N(i)+0.40* D2N(i)); !Jumlah pupuk yang di distribusikan ke Gudang Penyangga tidak boleh melebihi jumlah alokasi; @for(Matriks(i,t)|t#eq#2:X(i,t)<=Alokasi(i,t)) ; @for(Matriks(i,t)|t#eq#2:X(i,t)+D1N(i)D1P(i)=demand(i,t)); !Jumlah waktu untuk mendistribusikan pupuk ke Gudang Penyangga tidak boleh melebihi jumlah waktu yang tersedia; @for(Tujuan(i):Y(i)<=WAKTU_TERSEDIA(i)); @for(Tujuan(i):Y(i)+D2N(i)D2P(i)=WAKTU_TEMPUH(i)); !Variabel (i) Integer; @for(Tujuan(i):@Gin(D1N(i))); @for(Matriks(i,t):@Gin(X(i,t)));
C-42 Gambar C.5Script Skenario 2 pada Lingo
MODEL: sets: !menunjukan anggota tujuan, yaitu dari Gudang Penyangga 1 hingga 25; Tujuan/1..25/:D1P,D1N,D2P,D2N,WAKTU_TEMPUH,WAK TU_TERSEDIA,Y; !menunjukan rentang bulan, yaitu dari bulan 1 hingga bulan 12; Bulan/1..12/; Matriks(Tujuan,Bulan):Alokasi,Demand,X; endsets data: !Import data dari Microsoft Excel; Alokasi=@ole('D:\Data\Data 5213100048.XLSX','ALOKASI'); demand=@ole('D:\Data\Data 5213100048.XLSX','PERMINTAAN'); WAKTU_TEMPUH=@ole('D:\Data\Data 5213100048.XLSX','WAKTU_TEMPUH'); WAKTU_TERSEDIA=@ole('D:\Data\Data 5213100048.XLSX','WAKTU_TERSEDIA'); !Export hasil output data ke Microsoft Excel; @ole('D:\Data\Data 5213100048.XLSX','D1N_2')=D1N; @ole('D:\Data\Data 5213100048.XLSX','D2N')=D2N; @ole('D:\Data\Data 5213100048.XLSX','OUTPUT_X')=X; @ole('D:\Data\Data 5213100048.XLSX','OUTPUT_Y')=Y; ENDDATA !Fungsi tujuan; !Prioritas 1 meminimalkan waktu distribusi, Prioritas 2 meminimalkanselisih antara jumlah permintaan dan jumlah alokasi; min=@sum(Matriks(i,t)|t#eq#1:0.40*D1N(i)+0.60* D2N(i)); !Variabel (i) Integer;
C-43 @for(Tujuan(i):@Gin(D1N(i))); @for(Matriks(i,t):@Gin(X(i,t))); !Jumlah pupuk yang di distribusikan ke Gudang Penyangga tidak boleh melebihi jumlah alokasi; @for(Matriks(i,t)|t#eq#2:X(i,t)<=Alokasi(i,t)) ; @for(Matriks(i,t)|t#eq#2:X(i,t)+D1N(i)D1P(i)=demand(i,t)); !Jumlah waktu untuk mendistribusikan pupuk Gudang Penyangga tidak boleh melebihi jumlah waktu yang tersedia; @for(Tujuan(i):Y(i)<=WAKTU_TERSEDIA(i)); @sum(Tujuan(i):Y(i)+D2N(i)-D2P)=60;
ke
C-44 Gambar C.5 Script Skenario 2 pada Lingo
MODEL: sets: !menunjukan anggota tujuan, yaitu dari Gudang Penyangga 1 hingga 25; Tujuan/1..25/:D1P,D1N,D2P,D2N,WAKTU_TEMPUH,WAK TU_TERSEDIA,Y; !menunjukan rentang bulan, yaitu dari bulan 1 hingga bulan 12; Bulan/1..12/; Matriks(Tujuan,Bulan):Alokasi,Demand,X; endsets data: !Import data dari Microsoft Excel; Alokasi=@ole('D:\Data\Data 5213100048.XLSX','ALOKASI'); demand=@ole('D:\Data\Data 5213100048.XLSX','PERMINTAAN'); WAKTU_TEMPUH=@ole('D:\Data\Data 5213100048.XLSX','WAKTU_TEMPUH'); WAKTU_TERSEDIA=@ole('D:\Data\Data 5213100048.XLSX','WAKTU_TERSEDIA'); !Export hasil output data ke Microsoft Excel; @ole('D:\Data\Data 5213100048.XLSX','D1N_2')=D1N; @ole('D:\Data\Data 5213100048.XLSX','D2N')=D2N; @ole('D:\Data\Data 5213100048.XLSX','OUTPUT_X')=X; @ole('D:\Data\Data 5213100048.XLSX','OUTPUT_Y')=Y; ENDDATA !Fungsi tujuan; !Prioritas 1 meminimalkanwaktu distribusi, Prioritas 2 meminimalkanselisih antara jumalh permintaan dan jumlah alokasi; min=@sum(Matriks(i,t)|t#eq#1:0.40*D1N(i)+0.60* D2N(i)); !Jumlah pupuk yang di distribusikan ke Gudang Penyangga tidak boleh melebihi jumlah alokasi;
C-45 @for(Matriks(i,t)|t#eq#2:X(i,t)<=Alokasi(i,t)) ; @for(Matriks(i,t)|t#eq#2:X(i,t)+D1N(i)D1P(i)=demand(i,t)); !Jumlah waktu untuk mendistribusikan pupuk ke Gudang Penyangga tidak boleh melebihi jumlah waktu yang tersedia; @for(Tujuan(i):Y(i)<=WAKTU_TERSEDIA(i)); @for(Tujuan(i):Y(i)+D2N(i)D2P(i)=WAKTU_TEMPUH(i)); !Variabel (i) Integer; @for(Tujuan(i):@Gin(D1N(i))); @for(Matriks(i,t):@Gin(X(i,t)));
“Halaman sengaja dikosongkan”
