Implementasi Linear Programming Untuk Memaksimalkan Keuntungan

Abstract views: 2054 , PDF downloads: 1100

Abstract

Perusahaan dituntut untuk semakin kreatif mungkin menciptakan produk yang mampu bersaing, dan mampu menghasilkan keuntungan maksimal. Permasalahan yang terjadi saat ini adalah besaran aktual tonnage produksi dari masing produk ditentukan hanya berdasarkan besaran keuntungan dari masing – masing jenis produk tersebut tanpa memperhatikan keterbatasan sumber daya yang tersedia Tujuan penelitian ini untuk mengoptimalkan sumber daya yang tersedia (seperti waktu produksi, permintaan produksi dan ketersediaan bahan baku), untuk menentukan tonnage produksi yang optimal dari masing – masing kelompok produksi di dengan menerapkan aplikasi linear programming. Metode yang dilakukan adalah dengan melakukan forecasting dan dilakukan optimasi dengan Linier Programming untuk hasil peramalan ke depan. Hasil penelitian didapatkan dengan linear programming diperoleh kuantitas yang harus diproduksi adalah CQ1_Lite sebesar 439,54 ton/bulan, Full Hard Lite sebanyak 6.220,93 ton/bulan, CQ1_Medium sejumlah4.047,61 ton/bulan , dan CQLL_Medium sebanyak 5.903,89 ton/bulan dengan keuntungan yang diperoleh mencapai 792.626,66 USD/bulan. Hasil pemecahan masalah dengan menerapkan linear programming metode simpleks, secara signifikan mengakibatkan terjadi kenaikan tonnage produksi sebesar 3.155,38 ton/bulan dan peningkatan keuntungan sebesar 80.452,71 USD/bulan

Downloads

Download data is not yet available.

References

Aji, S., Soemadi, K., & Mustofa, F. H. 2014. Optimisasi Keuntungan Menggunakan Linear Programming di PT Pertamina Refinery Unit (RU) VI Balongan. REKA INTEGRA, 1(3), 233–242.

Fabianova, J., Kacmary, P., Molnar, V., & Michalik, P. 2016. Using a Software Tool in Forecasting: A Case Study of Sales Forecasting Taking into Account Data Uncertainty. Open Engineering, 6(1), 270–279.

Firdaus, M. 2006. Analisis Deret Waktu Satu Ragam. Bogor: IPB Press.

Handoko T. H, 2000, Manajemen Personalia dan Sumberdaya Manusia. Edisi II, Cetakan Keempat Belas, Penerbit BPFE, Yogyakarta.

Imbas, R. 2014. Optimalisasi Kasus Pemprograman Linier Dengan Metode Grafik dan Simpleks. Jurnal MSA. 2(1): 1-8.

Montgomery, D. C., Jennings, C. L., & Kulahci, M. 2015. Introduction to Time Series Analysis and Forecasting. New York: John Wiley & Sons, Inc.

Nazim, A., & Afthanorhan, A. 2014. A Comparison Between Single Exponential Smoothing (SES), Double Exponential Smoothing (DES), Holt’s (Brown) and AdaptiveResponse Rate Exponential Smoothing (ARRES) Techniques in Forecasting Malaysia Population. Global Journal of Mathematical Analysis, 2(4), 276–280.

Render, & Heizer. 2006. Manajemen Operasi (Terjemahan, Jilid I). Jakarta: Salemba Empat.

Siringoringo, H. 2005. Seri Teknik Riset Operasional. Pemrograman Linear. Yogyakarta: Graha Ilmu

Soares, F. J., Almeida, P. M. R., & Lopes, J. A. P. 2014. Quasi Real Time Management of Electric Vehicles charging. Electric Power Systems Research, 108, 293–303.

Sriwidadi, T., & Agustina, E. 2013. Analisis Optimalisasi Produksi dengan Linear Programming Melalui Metode Simpleks. Binus Business Review, 4(2), 725–741.

Sugiyono. 2012. Metode Penelitian Kuantitatif Kualitatif dan R&B. Alfabeta, Bandung.

PlumX Metrics

Published
2017-11-23