TUGAS

MANAJEMEN TAMBANG
LAPORAN SIMULASI LINEAR AND INTEGER PROGRAMMING

YANSEN BARUS

073001400104

JURUSAN TEKNIK PERTAMBANGAN

FAKULTAS TEKNOLOGI KEBUMIAN DAN ENERGI

UNIVERSITAS TRISAKTI

JAKARTA

2016
 BAB I

TUJUAN

Linier Programming merupakan software untuk menyelesaikan suatu persoalan dalam

sistem manajemen dimana terdapat keterbatasan sumber dan beberapa variable yang tertunjuk,
dengan cara seoptimal mungkin. Software ini menggunakan pendekatan matematis dalam
menyelesaikan problem yang diberikan. Model matematis kemudian menghasilkan suatu
penyelesaian yang optimal serta diperoleh laba maksimal atau biaya minimal.
 BAB II

LANDASAN TEORI

2.1. Program Linear

Linear Programming atau Pemrograman Linier disingkat PL merupakan metode

matematik dalam mengalokasikan sumber daya yang terbatas untuk mencapai suatu tujuan
seperti memaksimumkan keuntungan dan meminimumkan biaya. PL banyak diterapkan dalam
masalah ekonomi, industri, militer, social dan lain-lain. PL berkaitan dengan penjelasan suatu
kasus dalam dunia nyata sebagai suatu model matematik yang terdiri dari sebuah fungsi tujuan
linier dengan beberapa kendala linier.

2.2. Karakteristik Pemrograman Linier

Sifat linearitas suatu kasus dapat ditentukan dengan menggunakan beberapa cara. Secara
statistik, kita dapat memeriksa kelinearan menggunakan grafik (diagram pencar) ataupun
menggunakan uji hipotesa. Secara teknis, linearitas ditunjukkan oleh adanya sifat
proporsionalitas, additivitas, divisibilitas dan kepastian fungsi tujuan dan pembatas.

Sifat proporsional dipenuhi jika kontribusi setiap variabel pada fungsi tujuan atau
penggunaan sumber daya yang membatasi proporsional terhadap level nilai variabel. Jika harga
per unit produk misalnya adalah sama berapapun jumlah yang dibeli, maka sifat proporsional
dipenuhi. Atau dengan kata lain, jika pembelian dalam jumlah besar mendapatkan diskon, maka
sifat proporsional tidak dipenuhi. Jika penggunaan sumber daya per unitnya tergantung dari
jumlah yang diproduksi, maka sifat proporsionalitas tidak dipenuhi.

Sifat additivitas mengasumsikan bahwa tidak ada bentuk perkalian silang diantara
berbagai aktivitas, sehingga tidak akan ditemukan bentuk perkalian silang pada model. Sifat
additivitas berlaku baik bagi fungsi tujuan maupun pembatas (kendala). Sifat additivitas dipenuhi
jika fungsi tujuan merupakan penambahan langsung kontribusi masing-masing variabel
keputusan. Untuk fungsi kendala, sifat additivitas dipenuhi jika nilai kanan merupakan total
penggunaaan masing-masing variabel keputusan. Jika dua variabel keputusan misalnya
merepresentasikan dua produk substitusi, dimana peningkatan volume penjualan salah satu
produk akan mengurangi volume penjualan produk lainnya dalam pasar yang sama, maka sifat
additivitas tidak terpenuhi.
 Sifat divisibilitas berarti unit aktivitas dapat dibagi ke dalam sembarang level fraksional,
sehingga nilai variabel keputusan non integer dimungkinkan. Sifat kepastian menunjukkan
bahwa semua parameter model berupa konstanta. Artinya koefisien fungsi tujuan maupun fungsi
pembatas merupakan suatu nilai pasti, bukan merupakan nilai dengan peluang tertentu. Keempat
asumsi (sifat) ini dalam dunia nyata tidak selalu dapat dipenuhi. Untuk meyakinkan dipenuhinya
keempat asumsi ini, dalam pemrograman linier diperlukan analisis sensitivitas terhadap solusi
optimal yang diperoleh.

2.3. Formulasi Permasalahan

Urutan pertama dalam penyelesaian adalah mempelajari sistem relevan dan

mengembangkan pernyataan permasalahan yang dipertimbangakan dengan jelas. Penggambaran
sistem dalam pernyataan ini termasuk pernyataan tujuan, sumber daya yang membatasi, alternatif
keputusan yang mungkin (kegiatan atau aktivitas), batasan waktu pengambilan keputusan,
hubungan antara bagian yang dipelajari dan bagian lain dalam perusahaan, dan lain-lain.

Penetapan tujuan yang tepat merupakan aspek yang sangat penting dalam formulasi
masalah. Untuk membentuk tujuan optimalisasi, diperlukan identifikasi anggota manajemen
yang benar-benar akan melakukan pengambilan keputusan dan mendiskusikan pemikiran mereka
tentang tujuan yang ingin dicapai.

2.4. Pembentukan model matematik

Tahap berikutnya yang harus dilakukan setelah memahami permasalahan optimasi adalah
membuat model yang sesuai untuk analisis. Pendekatan konvensional riset operasional untuk
pemodelan adalah membangun model matematik yang menggambarkan inti permasalahan.
Kasus dari bentuk cerita diterjemahkan ke model matematik. Model matematik merupakan
representasi kuantitatif tujuan dan sumber daya yang membatasi sebagai fungsi variabel
keputusan. Model matematika permasalahan optimal terdiri dari dua bagian. Bagian pertama
memodelkan tujuan optimasi. Model matematik tujuan selalu menggunakan bentuk persamaan.
Bentuk persamaan digunakan karena kita ingin mendapatkan solusi optimum pada satu titik.
Fungsi tujuan yang akan dioptimalkan hanya satu. Bukan berarti bahwa permasalahan optimasi
hanya dihadapkan pada satu tujuan. Tujuan dari suatu usaha bisa lebih dari satu. Tetapi pada
bagian ini kita hanya akan tertarik dengan permasalahan optimal dengan satu tujuan.

Bagian kedua merupakan model matematik yang merepresentasikan sumber daya yang
membatasi. Fungsi pembatas bisa berbentuk persamaan (=) atau pertidaksamaan ( atau ).
Fungsi pembatas disebut juga sebagai konstrain. Konstanta (baik sebagai koefisien maupun nilai
kanan) dalam fungsi pembatas maupun pada tujuan dikatakan sebagai parameter model. Model
matematika mempunyai beberapa keuntungan dibandingakan pendeskripsian permasalahan
secara verbal. Salah satu keuntungan yang paling jelas adala model matematik menggambarkan
permasalahan secara lebih ringkas. Hal ini cenderung membuat struktur keseluruhan
permasalahan lebih mudah dipahami, dan membantu mengungkapkan relasi sebab akibat
penting. Model matematik juga memfasilitasi yang berhubungan dengan permasalahan dan
keseluruhannya dan mempertimbangkan semua keterhubungannya secara simultan. Terakhir,
model matematik membentuk jembatan ke penggunaan teknik matematik dan komputer
kemampuan tinggi untuk menganalisis permasalahan.

Di sisi lain, model matematik mempunyai kelemahan. Tidak semua karakteristik sistem
dapat dengan mudah dimodelkan menggunakan fungsi matematik. Meskipun dapat dimodelkan
dengan fungsi matematik, kadang-kadang penyelesaiannya sulit diperoleh karena kompleksitas
fungsi dan teknik yang dibutuhkan.
 BAB III

SOAL
3.1 SOAL

Suatu tambang batubara, merencanakan target produksi 2.100.000 ton/tahun, kemampuan

produksi masing-masing pit /tahun adalah sbb :

PIT A : 300.000 TON

PIT B : 600.000 TON

PIT C : 700.000 TON

PIT D : 400.000 TON
PIT E : 200.000 TON
Dengan Total Kapasitas PIT : 2.200.000 TON

Sedangkan Kapasitas Washing Plant, adalah sbb :

WP A : 600.000 TON
WP B : 800.000 TON
WP C : 900.000 TON
Dengan Total Kapasitas WP : 2.300.000 TON

Biaya angkut (dalam $ Cent per Ton) dari Pit ke WP sebagai berikut:

WA WB WC
PIT A 6 1 4
PIT B 3 2 3
PIT C 3 4 2
PIT D 5 4 2
PIT E 6 2 3
Tabel 3.1. Biaya angkut dari pit ke wp

Tentukan pola distribusi untuk mendapatkan COST dan PROFIT yang optimal dari 5 Pit ke 3 Washing
Plant!
 BAB IV

MODEL MATEMATIKA

WA WB WC
PIT A 6 1 4
PIT B 3 2 3
PIT C 3 4 2
PIT D 5 4 2
PIT E 6 2 3
Tabel 4.1. Biaya angkut dari pit ke wp

WP/PIT 1 2 3 4 5
A X1A X2A X3A X4A X5A
B X1B X2B X3B X4B X5B
C X1C X2C X3C X4C X5C
Tabel 4.2. Penamaan baris dan kolom

PIT : X1A + X1B + X1C 300.000

X2A + X2B + X2C 600.000
X3A + X3B + X3C 700.000
X4A + X4B + x4C 400.000
X5A + X5B + X4C 200.000

WP : X1A + X2A +X3A +X4A + X5A 600.000

X1B + X2B + X3B + X4B + X5B 800.000
X1C + X2C + X3C + X4C + X5C 900.000

TARGET PRODUKSI : X1A + X2A +X3A +X4A + X5A + X1B + X2B + X3B + X4B + X5B + X1C
+ X2C + X3C + X4C + X5C = 2.100.000 TON/TAHUN
 ILUSTRASI GAMBAR

PIT A

PIT B WP A

PIT C
WP B

PIT D
WP C

PIT E
 BAB V

LANGKAH KERJA

5.1. COST OPTIMAL

1. Buka software Linear Programming

2. Klik File >New Problem

3. Tulis Problem Title sesuai problem yang ditentukan ( contoh: yansen_barus_073001400104 )

Lalu :
- Masukan jumlah variable dan contrains pada kolom Number of Variate dan Number of
Contrains
- Klik Minimazaion pada Objective Criterion
- Klik Non Negative-Continnous pada Default Variabel Type
- Klik Spesdsheet Matrix Form pada Data Entry Format
- Klik OK
4. Isi Minimize dengan cost data yang sudah ada.

5. Isi baris C1-C5 (PIT) yang bersinggungan dengan kolom variabel yang bersangkutan dengan
berapa banyaknya pengiriman

6. Isi baris C1-C5 (PIT) yang bersinggungan dengan kolom RHS yang bersangkutan dengan
batas kapasitas dari PIT serta ganti tanda pada kolom direction dengan tanda lebih kecil atau sama
dengan
7. Isi baris C6-C8 (WASHING PLANT) yang bersinggungan dengan kolom variabel yang
bersangkutan dengan banyaknya pengiriman

8. Isi baris C6-C8 (Washing Plant) yang bersinggungan dengan kolom RHS yang bersangkutan
dengan batas kapasitas dari Washing Plant serta ganti tanda pada kolom direction dengan tanda lebih
kecil atau sama dengan

9. Isi baris C9 yang bersinggungan dengan kolom variable dengan 1. (diasumsikan setiap pit
mengirim pada tiap washing plant).
10. Isi baris C9 yang bersinggungan dengan kolom RHS yang bersangkutan dengan target
produksi yang ingin dicapai serta ganti tanda pada kolom direction dengan tanda sama dengan

11. Lower Bound = 0, karena batas minimal adalah tidak mengirimkan sama sekali

12. Upper Bound diisi dengan Kapasitas Washing Plant, yang sesuai dengan matrix nya. Upper
bound diambil sebagai acuan nilai karena kapasitas produksi dibatasi dengan kapasitas washing
plant pada proses akhir produksi.

13. Klik Solve and Analyze >Solve Problem (lihat apakah perhitungan berhasil)
14. Dapat nilai Objective Function
5.2. PROFIT OPTIMAL

1. Close pengerjaan untuk cost optimum.

2. Klik File >New Problem.

3. Tulis Problem Title sesuai problem yang ditentukan ( contoh: yansen_barus_073001400104 )

Lalu :
- Masukan jumlah variable dan contrains pada kolom Number of Variate dan Number of
Contrains
- Klik Maximization pada Objective Criterion
- Klik Non Negative-Continnous pada Default Variabel Type
- Klik Spesdsheet Matrix Form pada Data Entry Format
- Klik OK
4. Isi Minimize dengan cost data yang sudah ada.

5. Isi baris C1-C5 (PIT) yang bersinggungan dengan kolom variabel yang bersangkutan dengan
berapa banyaknya pengiriman.

6. Isi baris C1-C5 (PIT) yang bersinggungan dengan kolom RHS yang bersangkutan dengan
batas kapasitas dari PIT.
7. Isi baris C6-C8 (WASHING PLANT) yang bersinggungan dengan kolom variabel yang
bersangkutan dengan banyaknya pengiriman.

8. Isi baris C6-C8 (Washing Plant) yang bersinggungan dengan kolom RHS yang bersangkutan
dengan batas kapasitas dari Washing Plant.

9. Isi baris C9 yang bersinggungan dengan kolom variable dengan 1. (diasumsikan setiap pit
mengirim pada tiap washing plant) .
10. Isi baris C9 yang bersinggungan dengan kolom RHS yang bersangkutan dengan target
produksi yang ingin dicapai .

11. Lower Bound = 0, karena batas minimal adalah tidak mengirimkan sama sekali.

12. Upper Bound diisi dengan Kapasitas Washing Plant, yang sesuai dengan matrix nya. Upper
bound diambil sebagai acuan nilai karena kapasitas produksi dibatasi dengan kapasitas washing
plant pada proses akhir produksi.

13. Klik Solve and Analyze >Solve Problem (lihat apakah perhitungan berhasil) .
14. Dapat nilai Objective Function.
 BAB VI

HASIL

6.1. HASIL COST OPTIMAL

WA WB WC
PIT A 0 300.000 0
PIT B 200.000 400.000 0
PIT C 200.000 0 500.000
PIT D 0 0 400.000
PIT E 0 100.000 0
Tabel 6.1. Tonase dari pit ke washing plant yang paling cost optimal

Perhitungan:
Cost optimal = (300.000 x 1sen)+(200.000 x 3sen)+(400.000 x 2sen)+(200.000 x
3sen)+(500.000 x 2sen)+(400.000 x 2sen)+(100.000 x 2sen) = 4.300.000 sen/ton
6.2. PROFIT OPTIMAL

WA WB WC
PIT A 100.000 0 200.000
PIT B 0 0 500.000
PIT C 0 700.000 0
PIT D 300.000 100.000 0
PIT E 200.000 0 0
Tabel 6.2. Tonase dari pit ke washing plant yang paling profit optimal

Perhitungan:
Profit optimal = (100.000 x $6)+(200.000 x $4)+(500.000 x $3)+(700.000 x $4)+(300.000 x
$5)+(100.000 x $4)+(200.000 x $6 ) = $8.800.000/ton
 BAB VII

PEMBAHASAN

7.1. COST OPTIMAL

WA WB WC Jumlah
PIT A 0 300.000 0 300.000
PIT B 200.000 400.000 0 600.000
PIT C 200.000 0 500.000 700.000
PIT D 0 0 400.000 400.000
PIT E 0 100.000 0 100.000
Jumlah 400.000 800.000 900.000
Tabel 7.1. jumlah Tonase dari pit ke washing plant yang paling cost optimal

PIT:

1. PIT A:
Kapasitas PIT A adalah 300.000 ton melakukan produksi sebanyak 300.000 ton. Sehingga
kapasitas produksi pit A tercapai
2. PIT B :
Kapasitas PIT B adalah 600.000 ton melakukan produksi sebanyak 600.000 ton. Sehingga
kapasitas produksi PIT B tercapai.
3. PIT C :
Kapasitas PIT C adalah 700.000 ton melakukan produksi sebanyak 700.000 ton. Sehingga
kapasitas produksi PIT C tercapai.
4. PIT D :
Kapasitas PIT D adalah 400.000 ton melakukan produksi sebanyak 400.000 ton. Sehingga
kapasitas produksi PIT D tercapai.

5. PIT E :
Kapasitas PIT E adalah 200.000 ton melakukan produksi sebanyak 100.000 ton. Sehingga terjadi
sisa kapasitas produksi sebesar 100.000 ton
 WASHING PLANT:

1. WP A :
Kapasitas WP A adalah 600.000 ton. WP A menerima produksi dari ke 5 PIT sebesar 400.000
ton. Sehingga terdapat sisa kapasitas produksi sebesar 200.000 ton.

2. WP B :
Kapasitas WP B adalah 800.000 ton. WP B menerima produksi dari ke 5 PIT sebesar 800.000
ton. Sehingga kapasitas produksi WP B terpenuhi.

3. WP C :
Kapasitas WP C adalah 900.000 ton. WP C menerima produksi dari ke 5 pit sebesar 900.000 ton.
Sehingga kapasitas produksi WP C terpenuhi.

PIT A

PIT B WP A

PIT C
WP B

PIT D
WP C

PIT E

Gambar 7.1. Skema distribusi Batubara dari Pit ke WP cost optimal

7.2. PROFIT OPTIMAL

WA WB WC Jumlah
PIT A 100.000 0 200.000 300.000
PIT B 0 0 500.000 500.000
PIT C 0 700.000 0 700.000
PIT D 300.000 100.000 0 400.000
PIT E 200.000 0 0 200.000
Jumlah 600.000 800.000 700.000
Tabel 7.2. jumlah Tonase dari pit ke washing plant yang paling profit optimal

PIT:

1. PIT A:
Kapasitas PIT A adalah 300.000 ton melakukan produksi sebanyak 300.000 ton. Sehingga
kapasitas produksi pit A tercapai
2. PIT B :
Kapasitas PIT B adalah 600.000 ton melakukan produksi sebanyak 500.000 ton. Sehingga terjadi
sisa kapasitas produksi sebesar 100.000 ton
3. PIT C :
Kapasitas PIT C adalah 700.000 ton melakukan produksi sebanyak 700.000 ton. Sehingga
kapasitas produksi PIT C tercapai.
4. PIT D :
Kapasitas PIT D adalah 400.000 ton melakukan produksi sebanyak 400.000 ton. Sehingga
kapasitas produksi PIT D tercapai.
5. PIT E :
Kapasitas PIT E adalah 200.000 ton melakukan produksi sebanyak 200.000 ton. Sehingga
kapasitas produksi PIT E tercapai.

WASHING PLANT:

1. WP A :
Kapasitas WP A adalah 600.000 ton. WP A menerima produksi dari ke 5 PIT sebesar 600.000
ton. Sehingga kapasitas produksi WP A terpenuhi.

2. WP B :
Kapasitas WP B adalah 800.000 ton. WP B menerima produksi dari ke 5 PIT sebesar 800.000
ton. Sehingga kapasitas produksi WP B terpenuhi.
3. WP C :
Kapasitas WP C adalah 900.000 ton. WP C menerima produksi dari ke 5 pit sebesar 700.000 ton.
Sehingga terdapat sisa kapasitas produksi sebesar 200.000 ton.

PIT A

PIT B WP A

PIT C
WP B

PIT D
WP C

PIT E

Gambar 7.2. Skema distribusi Batubara dari Pit ke WP profit optimal

 BAB VIII

KESIMPULAN DAN SARAN

8.1 Kesimpulan

- Cost Optimum

1. Pada PIT A,B,C, dan D memenuhi target produksi, kecuali pada PIT E dimana pada PIT
tersebut tidak bekerja 100% dimana terdapat pengurangan produksi sebesar 100.000 ton.

2. Pada Washing Plant B dan C telah memenuhi target kapasitas tetapi pada Washing Plant
A tidak bekerja 100%.

3. Setelah dilakukan perhitungan menggunakan Linier Programming didapat cost minimum

untuk memenuhi kondisi ini adalah sebesar 4.300.000 sen/ton

- Profit Optimum

1. Pada PIT A,C,D, dan E memenuhi target produksi, kecuali pada PIT B dimana pada PIT
tersebut tidak bekerja 100% dimana terdapat pengurangan produksi sebesar 100.000 ton.

2. Pada Washing Plant A dan B telah memenuhi target kapasitas tetapi pada Washing Plant
C tidak bekerja 100%.

3. Setelah dilakukan perhitungan menggunakan Linier Programming didapat cost minimum

untuk memenuhi kondisi ini adalah sebesar $8.800.000 /ton

8.2 Saran

1. Sebaiknya dari masing-masing Pit memilih Washing Plant dengan jarak yang dekat agar
dapat meminimalisir biaya pengangkutan batubara dari pit menuju washing plant.
2. Setiap Pit harus memilih Washing Plant dengan kapasitas yang besar sehingga rencana
peningkatan produksi hasil pencucian dapat dioptimalkan dengan biaya yang minimal.
3. Sebaiknya materi Linier Programming lebih diperdalam lagi agar mahasiswa dapat
memahaminya lebih baik lagi
 DAFTAR PUSTAKA

Siringoringo, Hotniar. 2005. Seri Teknik Riset Operasional. Pemrograman

Linear. Yogyakarta; Graha Ilmu