Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

OPERATIONAL RESEARCH 1 ( IE G2M3) Program Studi Teknik Industri Fakultas Rekayasa Industri Telkom University.

Presentasi serupa


Presentasi berjudul: "OPERATIONAL RESEARCH 1 ( IE G2M3) Program Studi Teknik Industri Fakultas Rekayasa Industri Telkom University."— Transcript presentasi:

1 OPERATIONAL RESEARCH 1 ( IE G2M3) Program Studi Teknik Industri Fakultas Rekayasa Industri Telkom University

2 Biodata Dosen Nama : Amelia Kurniawati Kode Dosen : ALK Phone : Name: RIO AURACHMAN, ST., MT Lecturer Code: RMN Phone :

3 PROFILE MATA KULIAH Mata kuliah penelitian operasional I mempelajari cara memformulasikan masalah-masalah yang bersifat deterministik ke dalam formulasi model programa linier dan turunannya seperti model transportasi, penugasan, dan lain-lain, menyelesaikan persoalan programa linier yang diformulasikan dengan metode simpleks dan pengembangannya, menganalisis hasil-hasil pemecahan formulasi pemrograman linier dengan teori dualitas dan analisis sensitivitas dan menyelesaikan persoalan transportasi dan penugasan dengan memakai metode pencarian solusi yang sesuai

4 KONTRAK PERKULIAHAN UTS: 15 % Pra UTS: 15 % UAS: 15 % Pra UAS: 15 % Quiz: 10 % Tugas Harian: 20 % Tugas Besar: 20% Prestasi: 10%

5 PENILAIAN A : nilai ≥ 85 AB : 85 > nilai ≥ 80 B : 80 > nilai ≥ 75 BC : 75 > nilai ≥ 70 C : 70 > nilai ≥ 65 D : 65 > nilai ≥ 55 E : 55 > nilai Nilai A hanya bila syarat Outstanding terpenuhi. Bentuk Outstanding:

6 PENILAIAN A : nilai ≥ 85 AB : 85 > nilai ≥ 80 B : 80 > nilai ≥ 75 BC : 75 > nilai ≥ 70 C : 70 > nilai ≥ 65 D : 65 > nilai ≥ 55 E : 55 > nilai

7 TUGAS Tugas kebanyakan dilakukan secara paperless Kita menggunakan system Loker Online Buat folder masing-masing di google drive: tinyurl.com/opre1telu Kerjakan tugas taruh di folder masing-masing Ada beberapa tugas yang format pengumpulannya mengumpulkan di google spreadsheet atau google form

8 TUGAS BESAR Tugas besar dilakukan dua kali. Sebelum dan sesudah UTS Poin penilaian tugas besar (Dalam konfirmasi) Pemilihan objek Kedalaman analisis Pemilihan tools Perumusan masalah Penulisan dll

9 PERFORMA HARIAN Setiap hari ada ujian lisan yang diberikan secara random kepada mahasiswa Dosen akan berusaha menghafa setiap nama dan wajah Setiap pecan akan dinilai performa di kelas. Dalam hal perilaku, pengerjaan latihan, dll

10 KEHADIRAN DAN KETERLAMBATAN Keterlambatan setiap menit nya akan dihitung dan mempengaruhi nilai Hadir sebelum dosen akan mendapatkan nilai tambahan Kehadiran minimal 75% kali 21 pertemuan masing- masing 2 jam menjadi 15,75 Ketidakhadiran dapat diganti dengan kompensasi beruapa menghadiri forum ilmiah lain seperti seminar training dll,, (2 forum ilmiah menggantikan satu kehadiran) Bila kehadiran kurang dari 75% maka nilai UAS dan atau UTS di-nol kan

11 KETIDAKHADIRAN YANG DIANGGAP HADIR Mengikuti lomba Demonstrasi membela rakyat kecil Asal jangan terlalu sering

12

13

14

15

16 OUTSTANDING Nilai maksimum adalah AB meskipun nilai akhir 100 Untuk mengubah nilai di atas 80 yang awalnya AB menjadi A adalah dengan aspek outstanding Yaitu mahasiswa membuat atau berperan dalam suatu karya yang mengagumkan dan fenomenal Misalkan Menang lomba Membuat paper penelitian dll

17 Akademik video pembelajaran Berprestasi pada kompetisi Animasi software pengabdian masyarakat Pengabdian Masyarakat -Penerapan OR dalam problem real masyarakat Penelitian -buat paper penelitian -review paper Penujang -Menjadi Ketua Kelas -Menteri Nilai Kuliah -Menteri Kehadiran -Menteri Tepat waktu TUGAS 1.a: KETUA KELAS harap memimpin diskusi dengan rekan mahasiswa siswa TUGAS 1.A PEMBAGIAN OUTSTANDING Kerjakan lalu tuliskan pada link Google spread sheet: Deadline 24 Januari 2015 pukul 22:45:16

18 KOMUNIKASI Blog : or1telu.blogspot.com Awasi dan waspadai terus blog Ask.fm Via ketua kelas Bila harus sms dosen, pastikan untuk hal yang penting saja Tidak menerima telpon dari mahasiswa (sebelum telpon SMS dulu) Sebelum ingin bertemu, sms dulu

19 BAGAN BAHASAN OR 1 Basic Penyelesaian Linear Programming Pemodelan Linear Programming Solusi Grafis Basic Feasible Solution Tabel Simplex Primal dan Dual Turunan dari Linear Programming Integer Programming Model Transportasi Model Penugasan Network Analysis.

20 SATUAN ACARA PERKULIAHAN PERTEMUAN KE- KEMAMPUAN/KOMPETEN SI AKHIR YANG DIHARAPKAN BAHAN KAJIAN (MATERI AJAR) BENTUK PEMBELAJARAN KRITERIA (INDIKATOR) PENILAIAN BOBOT NILAI Menjelaskan definisi dan ruang lingkup operational research 2.Menjelaskan contoh kasus operational research 1.Definisi dan ruang lingkup operational research 2.Contoh kasus operational research 1.Kuliah tatap muka 2.Penayangan video contoh kasus operational research 3.Discovery learning 1.Ketepatan penjelasan definisi dan ruang lingkup operational research 2.Ketepatan penjelasan contoh kasus dari video yang ditayangkan 2 1.Memilah contoh kasus yang dapat diselesaikan dengan operational research 2.Membuat contoh kasus yang dapat diselesaikan dengan operational research 1.Contoh kasus operational research 1.Kuliah tatap muka 2.Discovery learning 3.Poster session 1.Ketepatan contoh kasus yang dibuat 2.Ketepatan review terhadap suatu contoh kasus 31.Menentukan fungsi tujuan, variabel keputusan, dan pembatas dari suatu contoh kasus 2.Merumuskan model matematik Fungsi tujuan, variabel keputusan, dan pembatas Model matematik linear programming 1.Kuliah tatap muka 2.Cooperative learning Ketepatan dalam menentukan fungsi tujuan, variabel keputusan, dan pembatas Ketepatan model matematik yang dibuat

21 SATUAN ACARA PERKULIAHAN 4 1.Merepresentasikan model matematik linear programming ke dalam bentuk grafis 2.Menentukan solusi optimal masalah linear programming dengan metode grafis Representasi model matematik linear programming dalam bentuk grafis Penentuan solusi optimal masalah linear programming dengan metode grafis 1.Kuliah tatap muka 2.Cooperative learning 1.Ketepatan dalam merepresentasikan model matematik ke dalam bentuk grafis 2.Ketepatan solusi optimal yang ditentukan 5 1.Membedakan solusi optimal dan solusi khusus 2.Melakukan hasil analisis sensitivitas dengan metode grafis 1.Solusi optimal dan solusi khusus (solusi tak layak, solusi alternatif, dan solusi tak terbatas) dalam metode grafis 2.Analisis sensitivitas dengan metode grafis 1.Kuliah tatap muka 2.Cooperative learning 1.Ketepatan pengelompokan solusi ke dalam solusi optimal atau solusi khusus 2.Ketepatan analisis sensitivitas yang dilakukan 61.Merumuskan bentuk standar dari model linear programming 2.Menjelaskan konsep matriks basis 3.Mengidentifikasi solusi basis layak 1.Bentuk standar model linear programming 2.Konsep matriks basis 3.Konsep solusi basis layak Kuliah tatap muka Cooperative learning 1.Ketepatan bentuk standar model linear programming yang dirumuskan 2.Ketepatan konsep matriks basis yang dijelaskan 3.Ketepatan identifikasi solusi basis layak

22 SATUAN ACARA PERKULIAHAN 7 Menerapkan metode simplex untuk mendapatkan solusi optimal dari model linear programming Prinsip dalam metode simplex Langkah umum metode simplex 1.Kuliah tatap muka 2.Cooperativ e learning Ketepatan solusi optimal yang didapatkan dari penerapan metode simplex 8 Merepresentasikan bentuk standar model linear programming dalam bentuk tabel simplex Menerapkan metode simplex untuk mendapatkan solusi optimal dari model linear programming kasus maksimasi 1.Representasi bentuk standar model linear programming dalam bentuk tabel simplex 2.Langkah umum metode simplex dalam bentuk tabel untuk kasus maksimasi Kuliah tatap muka Cooperative learning 1.Ketepatan representasi bentuk standar model linear programming ke dalam tabel simplex 2.Ketepatan solusi optimal yang didapatkan dari penerapan metode simplex untuk kasus maksimasi 9 1.Menerapkan metode simplex untuk mendapatkan solusi optimal dari model linear programming kasus minimasi 2.Mengidentifika si solusi khusus dalam tabel simplex 1.Langkah umum metode simplex dalam bentuk tabel untuk kasus minimasi 2.Solusi khusus dalam tabel simplex 1.Kuliah tatap muka 2.Cooperativ e learning 1.Ketepatan solusi optimal yang didapatkan dari penerapan metode simplex untuk kasus minimasi 2.Ketepatan identifikasi solusi khusus dalam tabel simplex

23 10 1.Menerapkan konsep variabel semu dalam model linear programming 2.Menerapkan metode simplex big M untuk mendapatkan solusi optimal dari model linear programming Konsep variabel semu Metode simplex dengan pendekatan big M 1.Kuliah tatap muka 2.Cooperative learning 1.Ketepatan penerapan konsep variabel semu dalam model linear programming 2.Ketepatan solusi optimal yang didapatkan dari penerapan metode simplex big M 11 1.Menerapkan metode simplex dua fasa untuk mendapatkan solusi optimal dari model linear programming 1.Metode simplex dengan pendekatan dua fasa 1.Kuliah tatap muka 2.Cooperative learning 1.Ketepatan solusi optimal yang didapatkan dari penerapan metode simplex dua fasa 121.Melakukan hasil analisis sensitivitas dengan metode simplex 1.Analisis sensitivitas dengan metode simplex Kuliah tatap muka Cooperative learning 1.Ketepatan analisis sensitivitas yang dilakukan SATUAN ACARA PERKULIAHAN

24 13Menerapkan teori dualitas1.Teori dualitas Kuliah tatap muka Cooperative learning 1.Ketepatan solusi optimal yang didapatkan dari penerapan teori dualitas 14 1.Menerapkan hubungan primal-dual untuk menentukan solusi optimal dari model linear programming 1.Hubungan primal-dual Kuliah tatap muka Cooperative learning 1.Ketepatan solusi optimal yang ditentukan menggunakan hubungan primal- dual 15 Menerapkan metode simplex dual untuk menentukan solusi optimal dari model linear programming Metode simplex dual Kuliah tatap muka Cooperative learning Ketepatan solusi optimal yang ditentukan menggunakan metode simplex dual 16 Menjelaskan konsep integer programming Memilah contoh kasus yang termasuk integer programming 1.Konsep integer programming 2.Contoh model integer programming 1.Kuliah tatap muka 2.Discovery learning 3.Poster session 1.Ketepatan konsep integer programming yang dijelaskan 2.Ketepatan contoh kasus yang diberikan 171.Menerapkan metode branch and bound untuk menentukan solusi optimal dari model integer programming Metode branch and bound Kuliah tatap muka Cooperative learning 1.Ketepatan solusi optimal yang ditentukan menggunakan metode branch and bound SATUAN ACARA PERKULIAHAN

25 18 1.Menerapkan metode branch and bound untuk menentukan solusi optimal dari model integer programming Metode brach and bound 1.Kuliah tatap muka 2.Cooperative learning Ketepatan solusi optimal yang ditentukan menggunakan metode branch and bound 19 1.Menentukan fungsi tujuan, variabel keputusan, dan pembatas dari suatu contoh kasus nyata 2.Merumuskan model matematik untuk suatu contoh kasus nyata 3.Menentukan solusi optimal untuk suatu contoh kasus nyata dengan menggunakan software 1.Contoh kasus nyata linear programming 1.Kuliah tatap muka 2.Contextual Instruction 3.Cooperative learning 1.Ketepatan dalam menentukan fungsi tujuan, variabel keputusan, dan pembatas 2.Ketepatan model matematik yang dibuat 3.Ketepatan solusi optimal yang dihasilkan dengan menggunakan software 201.Menentukan fungsi tujuan, variabel keputusan, dan pembatas dari suatu contoh kasus nyata 2.Merumuskan model matematik untuk suatu contoh kasus nyata 3.Menentukan solusi optimal untuk suatu contoh kasus nyata dengan menggunakan software 1.Contoh kasus nyata linear programming 1.Kuliah tatap muka 2.Contextual Instruction 3.Poster session 1.Ketepatan dalam menentukan fungsi tujuan, variabel keputusan, dan pembatas 2.Ketepatan model matematik yang dibuat 3.Ketepatan solusi optimal yang dihasilkan dengan menggunakan software SATUAN ACARA PERKULIAHAN

26 21 1.Menjelaskan definisi dari kasus transportasi 2.Menentukan solusi layak awal dengan metode north west corner 3.Menentukan solusi layak awal dengan metode least cost 4.Menentukan solusi layak awal dengan VAM (Vogel Approximation Method) 1.Definisi kasus transportasi 2.Pencarian solusi layak awal dengan metode north west corner 3.Pencarian solusi layak awal dengan metode least cost 4.Pencarian solusi layak awal dengan VAM (Vogel Approximation Method) 1.Kuliah tatap muka 2.Game 3.Cooperative learning 1.Ketepatan penjelasan definisi dari kasus transportasi 2.Ketepatan solusi layak awal yang ditentukan menggunakan metode north west corner 3.Ketepatan solusi layak awal yang ditentukan menggunakan metode least cost 4.Ketepatan solusi layak awal yang ditentukan menggunakan VAM (Vogel Approximation Method) 221.Menentukan solusi optimal dengan metode U-V 2.Menentukan solusi optimal dengan metode stepping stone 1.Pencarian solusi optimal dengan metode U-V 2.Pencarian solusi optimal dengan metode stepping stone 1.Kuliah tatap muka 2.Cooperative learning 3.Poster session 1.Ketepatan solusi optimal yang ditentukan menggunakan metode U-V 2.Ketepatan solusi optimal yang ditentukan menggunakan metode stepping stone SATUAN ACARA PERKULIAHAN

27 23 1.Menjelaskan definisi kasus transshipment 2.Menentukan solusi optimal untuk kasus transshipment Definisi kasus transshipment Pencarian solusi untuk kasus transshipment 1.Kuliah tatap muka 2.Cooperative learning 1.Ketepatan definisi kasus transshipment yang dijelaskan 2.Ketepatan solusi optimal untuk kasus transshipment 24 1.Menjelaskan definisi kasus assignment 2.Menentukan solusi optimal untuk kasus assignment dengan metode hungarian 1.Definisi kasus assignment 2.Pencarian solusi optimal dengan metode hungarian Kuliah tatap muka Cooperative learning 1.Ketepatan definisi kasus assignment yang dijelaskan 2.Ketepatan solusi optimal untuk kasus assignment dengan metode hungarian 251.Menjelaskan definisi analisis jaringan 2.Membuat model analisis jaringan 3.Menjelaskan definisi kasus spanning tree 4.Menentukan solusi optimal untuk kasus spanning tree 1.Definisi analisis jaringan 2.Model analisis jaringan 3.Definisi kasus spanning tree 4.Pencarian solusi optimal untuk kasus spanning tree 1.Kuliah tatap muka 2.Cooperative learning 1.Ketepatan definisi analisis jaringan yang dijelaskan 2.Ketepatan model analisis jaringan yang dibuat 3.Ketepatan definisi kasus spanning tree yang dijelaskan 4.Ketepatan solusi optimal untuk kasus spanning tree SATUAN ACARA PERKULIAHAN

28 26 Menjelaskan definisi kasus shortest path Menentukan solusi optimal untuk kasus shortest path Menjelaskan definisi kasus maximum flow Menentukan solusi optimal untuk kasus maximum flow 1.Definisi kasus shortest path 2.Pencarian solusi optimal untuk kasus shortest path 3.Definisi kasus maximum flow 4.Pencarian solusi optimal untuk kasus maximum flow 1.Kuliah tatap muka 2.Cooperative learning 1.Ketepatan definisi kasus shortest path yang dijelaskan 2.Ketepatan solusi optimal untuk kasus shortest path 3.Ketepatan definisi kasus maximum flow yang dijelaskan 4.Ketepatan solusi optimal untuk kasus maximum flow 27 1.Menjelaskan definisi traveling salesman problem 2.Menentukan solusi optimal untuk traveling salesman problem dengan metode exact 1.Definisi traveling salesman problem 2.Pencarian solusi optimal untuk kasus traveling salesman problem dengan metode exact 1.Kuliah tatap muka 2.Cooperative learning 3.Poster session 1.Ketepatan definisi traveling salesman problem yang dijelaskan 2.Ketepatan solusi optimal untuk traveling salesman problem dengan metode exact 28Menentukan solusi optimal untuk traveling salesman problem dengan metode heuristic 1.Pencarian solusi optimal untuk kasus traveling salesman problem dengan metode heuristic 1.Kuliah tatap muka 2.Cooperative learning 1.Ketepatan solusi optimal untuk traveling salesman problem dengan metode heuristic SATUAN ACARA PERKULIAHAN

29 REFERENSI Sebutkan 4 Buku Utama yang digunakan : Hamdy A. Taha, Operations Researchs an Introduction, 8 th edition, Pearson Prentice Hall, Frederick S. Hillier & Gerald J. Lieberman, Introduction to Operations Research, McGraw-Hill College, H. A. Eiselt & Carl-Louis Sandblom, Operations Research: A Model-Based Approach, Springer, Wayne L. Winston, Operations Research: Applications and Algorithms, Duxbury Press, 2003.

30 PENDAHULUAN

31 TUJUAN PEMBELAJARAN Setelah mengikuti mata kuliah ini : 1.Mahasiswa mampu mengategorikan variabel keputusan, fungsi tujuan, dan pembatas dalam masalah-masalah yang bersifat deterministik sehingga terbentuk formulasi model linear programming dan turunannya seperti model integer programming, transportasi, transshipment, penugasan, dan analisis jaringan. 2.Mahasiswa mampu menerapkan metode simplex dan pengembangannya untuk menyelesaikan persoalan linear programming. 3.Mahasiswa mampu menerapkan metode pencarian solusi yang sesuai untuk menyelesaikan persoalan integer programming, transportasi, transshipment, penugasan, dan analisis jaringan. 4.Mahasiswa mampu menggunakan software untuk menyelesaikan persoalan linear programming, integer programming, transportasi, penugasan, dan analisis jaringan. 5.Mahasiswa mampu menganalisis solusi persoalan linear programming beserta turunannya seperti persoalan integer programming, transportasi, transshipment, penugasan, dan analisis jaringan.

32 Kuliah Prasyarat Matriks dan Ruang Vektor Teori Probabilitas.

33 Mind Map Operational Research 1.

34 Bagan bahasan OR 1 Basic Penyelesaian Linear Programming Pemodelan Linear Programming Solusi Grafis Basic Feasible Solution Tabel Simplex Primal dan Dual Turunan dari Linear Programming Integer Programming Model Transportasi Model Penugasan Network Analysis.

35 Pendahuluan Back Tujuan: Paham definisi & lingkup OR Paham konsep model matematis perumusan PL week I. Sumber“:Morganasianipar.com Why,TI-OR,kisah 4 tahun elektro,analogi SD-SMA

36 Linear programming Tujuan: Fungsi tujuan, variabel keputusan, & pembatas. Masalah nyata  Model matematis PL Bentuk pertidaksamaan & standar Back week II. Ingat Pelajaran SMA Sumber“:math.tutorvista.com

37 Solusi Grafis Tujuan: Penyelesaian masalah PL dengan metode grafis Paham masalah optimal, khusus & unik Back week III. Ingat Cara cepat mencari titik maksimum Sumber“:math.tutorvista.com

38 Tujuan: Konsep matriks basis dan invers Konsep pembentukan matriks solusi Basic Feasible Solution Back week IV. Dengan matrix Sumber“:en.Wikipedia.org

39 Tujuan: Konsep pemecahan LP dengan metode Simplex Paham solusi unik & alternative Konsep Tabel Simplex Paham solusi-solusi dalam tabel simplex Masalah dengan variabel & pembatas khusus Metode 2 Fasa & Big M Tabel Simplex Back week V. Berjalan, dalam labirin Sumber“:en.Wikipedia.org, yuanagitayanuari.blogspot.comyuanagitayanuari.blogspot.com

40 Tujuan: Solusi Optimal dengan perubahan Fungsi Tujuan, Variabel Keputusan, Pembatas, Vektor & RHS. Primal - Dual Back week IX. Menyederhanakan rumus Sumber“:geekologie.comgeekologie.com

41 Bagan bahasan OR 1 Basic Penyelesaian Linear Programming Pemodelan Linear Programming Solusi Grafis Basic Feasible Solution Tabel Simplex Primal dan Dual Turunan dari Linear Programming Integer Programming Model Transportasi Model Penugasan Network Analysis.

42 Tujuan: Masalah & Solusi variabel integer Metode Branch and Bound Integer Programming Back week X. Cerita asrama IPB Sumber“:www.canstockphoto.comwww.canstockphoto.com

43 Tujuan: Konsep metode transportasi & penerapan Konsep solusi optimal masalah transportasi Transportation method Back week XI... Sumber“:…

44 transportasi Sumber: 9gag.com

45 Tujuan: Konsep assigment & penerapan metode pencarian solusi optimal Assignment Back week XII. Ingat Pelajaran SMA Sumber“:math.tutorvista.com

46

47 Assigment: Pembagian Tugas

48 Tujuan: Konsep node, arch, hubungan antar node Masalah pencarian rute terpendek Masalah Spanning Tree & solusi optimal Masalah Maximum Flow Travel Salesman Problem & solusi optimal Network analysis Back week XIII.

49

50 Quiz 1 (10 menit) 1.Sebagai insinyur, kita melihat temuan sains sebagai dasar merancang artefak. Sebagai contoh, saintis menemukan bahwa ada gravitasi, insinyur merancang serodotan. Sebagai insinyur, apa yang akan anda rancang bila mengetahui ada fakta bahwa: Cahaya bisa dipantulkan (Fisika) 2.Mengapa teknik teknik Industri membutuhkan keilmuan Operation Research Jawaban di-SMS-kan ke dengan format: Nim_Nama_Jawaban no 1_Jawaban no 2 Quiz 1.a Pemahaman Engineering dan OR..


Download ppt "OPERATIONAL RESEARCH 1 ( IE G2M3) Program Studi Teknik Industri Fakultas Rekayasa Industri Telkom University."

Presentasi serupa


Iklan oleh Google