PENGEMBANGAN MODEL OPTIMASI PENGANGKUTAN SAMPAH DI JAKARTA PUSAT
IRWAN HADI PRAYITNO G 54102028
DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2007
ABSTRACT IRWAN HADI PRAYITNO. Pengembangan Model Optimasi Pengangkutan Sampah di Jakarta Pusat. Guidance by AMRIL AMAN and FARIDA HANUM. The plan for the closure of landfill facility in the area of Bantar Gebang at the end of 2006 requires the government of DKI Jakarta to prepare several locations of new landfill facilities. Currently, Bantar Gebang is the only landfill facility at Jakarta. The closing of that facility raise the necessity to construct new facilities, and the construction of new facilities implies the change on the route collection of waste at Jakarta. The determination of the new route collection must be made by considering the total cost related to collecting waste and bringing it to landfill facility. The research deals with the problem of developing an optimization model for waste collection at Central Jakarta. The problem is solved in two phases. The first phase aimed to determine the type of vehicles to be assigned to every locations that produce the waste and to determine the depot of the vehicles. The second phase aimed to determine the location of the waste facilities where the waste will be shipped from each location. From the model that have been developed, simulation experiments are conducted by using only several waste locations in Central Jakarta. In this research we have not solved the overall problem by considering all of the waste location at Central Jakarta, because this problem would generate an optimization problem that contains a large number of integer variables. The optimization problem is solved using LINGO 8.0.
ABSTRAK IRWAN HADI PRAYITNO. Pengembangan Model Optimasi Pengangkutan Sampah di Jakarta Pusat. Dibimbing oleh AMRIL AMAN dan FARIDA HANUM. Rencana penutupan Tempat Pembuangan Akhir Sampah (TPA) di daerah Bantar Gebang di akhir tahun 2006, mengharuskan pemerintah daerah DKI Jakarta menyiapkan beberapa lokasi fasilitas pengelolaan sampah. Penutupan TPA Bantar Gebang yang selama ini sebagai satu – satunya tempat pembuangan sampah bagi penduduk Jakarta dan adanya fasilitas pengelolaan sampah yang baru akan menyebabkan rute pengangkutan sampah di Jakarta berubah. Penentuan rute pengangkutan sampah yang baru harus dibuat dengan mempertimbangkan biaya yang akan ditimbulkan. Untuk dapat menentukan rute pengangkutan sampah yang baru, model pengangkutan sampah harus dibuat agar pemecahan masalah menjadi lebih mudah. Dengan mengambil wilayah pengamatan di Jakarta Pusat, model pengangkutan sampah terdiri atas dua tahap. Tahap pertama bertujuan untuk menentukan jenis kendaraan yang akan ditugaskan ke setiap lokasi timbulan sampah dan menentukan asal depot kendaraan yang ditugaskan tersebut. Tahap kedua bertujuan untuk menentukan lokasi tempat pembuangan sampah dari setiap lokasi timbulan sampah. Dari model yang telah dibuat, simulasi dilakukan dengan menggunakan beberapa titik lokasi timbulan sampah di Jakarta Pusat. Hal ini dilakukan karena jumlah variabel akan menjadi terlalu besar jika menggunakan seluruh lokasi timbulan sampah yang ada sehingga waktu yang diperlukan untuk melakukan simulasi menjadi sangat lama. Hasil simulasi diperoleh dengan menggunakan LINGO 5.0. Hasil simulasi yang diperoleh dapat digunakan untuk menjelaskan bagaimana sebaiknya sampah yang ada di Jakarta Pusat harus dibuang dengan biaya yang minimum.
PENGEMBANGAN MODEL OPTIMASI PENGANGKUTAN SAMPAH DI JAKARTA PUSAT
Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor
Oleh : IRWAN HADI PRAYITNO G 54102028
DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2007
Judul : Pengembangan Model Optimasi Pengangkutan Sampah di Jakarta Pusat Nama : Irwan Hadi Prayitno NRP : G54102028
Menyetujui, Pembimbing I
Pembimbing II
Dr. Ir. Amril Aman, M.Sc. NIP 130 937 092
Dra. Farida Hanum, M.Si. NIP 131 956 709
Mengetahui, Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor
Prof. Dr. Ir. Yonny Koesmaryono, M.S. NIP 131 473 999
Tanggal Lulus :
PRAKATA Segala puji bagi Allah yang telah memberikan berbagai kemudahan kepada penulis sehingga karya tulis ini dapat terselesaikan. Ketika menyusun karya tulis ini, penulis selalu mendapat dukungan baik secara moril maupun materiil dari berbagai pihak. Oleh karena itu, pada lembaran ini penulis ingin menyampaikan terima kasih kepada: 1. Bapak Amril Aman dan ibu Farida Hanum selaku pembimbing 1 dan pembimbing 2 yang selalu sabar mendidik dan membimbing penulis sehingga karya tulis ini dapat selesai. 2. Ibu Tyas selaku Kepala Badan Perencanaan Kota (BAPEKO) Jakarta yang telah membantu saya dalam mendapatkan informasi tata ruang Jakarta. Pada kesempatan ini saya juga meminta maaf kepada ibu karena saya tidak dapat membantu tugas yang sudah dipercayakan. 3. Bapak Suryono di bagian perencaan kebersihan kota Jakarta yang telah memberikan informasi tentang masalah kebersihan di DKI Jakarta. 4. Bapak Anwar di Suku Dinas Kebersihan Jakarta Pusat yang telah memberikan informasi tentang pengangkutan sampah di Jakarta Pusat. 5. Kedua orang tua yang sudah membesarkanku dengan kasih sayang yang tak pernah pupus. 6. Kakak – kakakku yang kusayangi: mas Wiwit, mas Luhur dan mbak Irma yang selalu memberikan dukungan dengan cara masing – masing. 7. Sahabat – sahabat yang kutemukan di BEM FMIPA : Susangga, Henny, Wicak, Dicky, Fajri dan Kiki atas semangat dan doa yang sudah diberikan. Pengalaman hidup yang kita ukir bersama tak akan pernah kulupakan. 8. Saudara – saudara seperjuanganku: Febi, Fitrah, Kabul dan Arif yang selalu memotivasi penulis dengan cara masing – masing. Warna – warni kehidupan yang kalian lukiskan selama tiga tahun terakhir ini terlalu berharga untuk dibersihkan. 9. Adik kelasku Jayadin atas bantuannya dalam pemecahan masalah di skripsi ini. Semoga karya tulis yang adik kerjakan saat ini dapat terselesaikan sesuai target yang sudah dibuat. 10. Semua pihak yang telah membantu penulis yang tidak dapat dituliskan satu per satu. Besar harapan penulis agar karya ilmiah ini akan dapat memberikan banyak manfaat bagi para pembacanya.
Bogor, Januari 2007
Irwan Hadi Prayitno
RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 13 Agustus 1984. Penulis merupakan anak keempat dari pasangan bapak Suwardi dan ibu Sulastri. Pada tahun 2002 penulis menyelesaikan pendidikan SLTA di SMU Negeri 5 Jakarta. Pada tahun yang sama penulis melanjutkan pendidikannya ke jenjang yang lebih tinggi di Departemen Matematika, Institut Pertanian Bogor melalui jalur USMI. Selama mengikuti kegiatan perkuliahan, penulis pernah menjadi asisten dosen untuk mata kuliah Matematika Dasar (2003). Selama tahun 2003 – 2004, penulis aktif menjadi pengurus di organisasi mahasiswa seperti Gugus Mahasiswa Matematika (GUMATIKA) dan Badan Eksekutif Mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam.
DAFTAR ISI Halaman Daftar Tabel .................................................................................................................................. ix Daftar Gambar ............................................................................................................................ ix Daftar Lampiran .......................................................................................................................... ix I
PENDAHULUAN 1.1 Latar Belakang ............................................................................................................. 1.2 Tujuan ............................................................................................................................
1 1
II LANDASAN TEORI 2.1 Linear Programming .................................................................................................... 2.1.1 Solusi suatu Linear Programming ...................................................................... 2.2 Integer Programming .................................................................................................. 2.3 Metode Branch and Bound ............................................................................................. 2.4 Graf ............................................................................................................................... 2.5 Vehicle Routing Problem ................................................................................................ 2.5.1 Vehicle Routing with Scheduling Problem (VRSP) ..............................................
1 1 2 2 4 5 6
III DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT 3.1 Studi Literatur Tentang Pengelolaan Sampah di Beberapa Kota di Dunia ................... 7 3.2 Masalah Pengelolaan Sampah di DKI Jakarta ............................................................... 7 3.3 Masalah Pengangkutan Sampah di Jakarta Pusat ........................................................... 9 3.4 Formulasi Masalah Pengangkutan Sampah di Jakarta Pusat ........................................ 9 3.5 Simulasi Masalah Pengangkutan Sampah di Jakarta Pusat ........................................... 11 IV SIMPULAN DAN SARAN 4.1 Simpulan ......................................................................................................................... 13 4.2 Saran ............................................................................................................................... 13 DAFTAR PUSTAKA ................................................................................................................ 14 LAMPIRAN ............................................................................................................................... 15
viii
DAFTAR TABEL 1. 2. 3. 4. 5. 6. 7. 8.
Halaman Kapasitas maksimum per hari fasilitas pengelolaan sampah ............................................. 8 Jenis kendaraan pengangkut sampah dan jumlah yang tersedia ......................................... 9 Jumlah sampah dari Jakarta Pusat yang dapat diangkut ke setiap fasilitas pengelolaan sampah .................................................................................................................................. 9 Asumsi banyaknya kendaraan yang dapat ditampung setiap depot per hari ....................... 11 Asumsi volume sampah yang dapat diterima per hari .......................................................... 12 Hasil yang didapatkan dari tahap 1........................................................................................ 12 Hasil yang didapatkan dari tahap 2........................................................................................ 12 Hasil tahap 2 jika diasumsikan TPA Bantar Gebang masih beroperasi ............................... 13
DAFTAR GAMBAR 1. 2. 3. 4. 5. 6. 7. 8. 9.
Halaman Daerah fisibel IP .................................................................................................................... 3 LP1 dan LP2 dalam grafik ...................................................................................................... 3 Pencabangan yang dilakukan metode branch and bound untuk menemukan solusi IP ...... 4 Graf G = (V,E) ....................................................................................................................... 5 Digraf G = (V,A) .................................................................................................................... 5 Input dari sebuah VRP........................................................................................................... 6 Solusi yang mungkin dari VRP pada Gambar 6 ................................................................... 6 Proporsi sampah yang dihasilkan masing-masing kotamadya di DKI Jakarta..................... 8 Alur pengangkutan sampah ................................................................................................... 8
DAFTAR LAMPIRAN 1. 2. 3.
4. 5. 6.
Halaman Pemecahan masalah pencabangan pada contoh 1 dengan menggunakan Lindo 6.1 .......... 16 Rute pengangkutan di Jakarta Pusat dan jumlah sampah yang harus diangkut per hari ..... 20 Biaya masing-masing kendaraan untuk mengangkut sampah per m3 dan untuk melakukan perjalanan per km................................................................................................................... 24 ................................................................................................................................................ Jarak rute pengangkutan dengan depot kendaraan (dalam km) ............................................ 25 Jarak terminal site dengan rute kendaraan (dalam km) ........................................................ 27 Penyelesaian masalah pengangkutan sampah di Jakarta Pusat dengan Menggunakan LINGO 8.0 ............................................................................................................................. 30
ix
“ Untuk ayah dan ibu tercinta”
I. PENDAHULUAN 1.1 Latar Belakang Pengelolaan sampah di wilayah DKI Jakarta dilakukan oleh sebuah badan yang dibentuk Pemerintah Daerah DKI Jakarta yaitu Dinas Kebersihan DKI Jakarta dan juga oleh beberapa perusahaan swasta yang telah mendapat izin dari pemerintah. Dalam struktur organisasi, Dinas Kebersihan membawahi lima suku dinas kebersihan yaitu Suku Dinas Kebersihan Jakarta Timur, Suku Dinas Kebersihan Jakarta Selatan, Suku Dinas Kebersihan Jakarta Barat, Suku Dinas Kebersihan Jakarta Utara dan Suku Dinas Kebersihan Jakarta Pusat. Setiap suku dinas kebersihan di atas bertanggung jawab menangani masalah kebersihan di wilayah kotamadya masing-masing. Salah satu tugas yang dilakukan oleh suku dinas kebersihan adalah pengambilan sampah secara rutin dari Tempat Penampungan Sementara (TPS) dengan menggunakan truk untuk dibuang ke Stasiun Peralihan Antara (SPA) atau ke Tempat Pembuangan Akhir (TPA) yang telah ditentukan.
Hasil kaji ulang terhadap master plan kebersihan DKI Jakarta tahun 1987–2005, mengindikasikan agar Jakarta membangun empat buah Intermediate Treatment Facility (ITF) secara bertahap. Pembangunan ITF tersebut bertujuan untuk mengurangi beban sampah yang masuk ke TPA. Tak hanya itu, hasil kajian juga menunjukkan bahwa TPA Bantar Gebang sebagai satu-satunya TPA bagi DKI Jakarta tidak dapat beroperasi lebih lama lagi. Oleh karena itu pembangunan TPA yang baru juga harus dilaksanakan. Dengan adanya penambahan sejumlah fasilitas pengelolaan sampah tersebut, Suku Dinas Kebersihan Jakarta Pusat harus membuat rute pengangkutan sampah yang baru agar biaya yang ditimbulkan menjadi minimal. 1.2 Tujuan Tulisan ini bertujuan untuk memodelkan masalah pengangkutan sampah di wilayah Jakarta Pusat dan mencoba mensimulasikan model yang sudah dibuat.
II. LANDASAN TEORI 2.1 Linear Programming Linear programming adalah kegiatan merencanakan untuk mendapatkan hasil yang optimal. Model linear programming (LP) meliputi pengoptimuman suatu fungsi linear terhadap kendala linear. (Nash & Sofer, 1996) Suatu LP mempunyai bentuk standar seperti yang didefinisikan sebagai berikut: Definisi 1 (Bentuk Standar Suatu LP) Suatu linear programming didefinisikan mempunyai bentuk standar: Minimumkan z = c T x Terhadap Ax = b x≥0 (1) dengan x dan c berupa vektor berukuran n , vektor b berukuran m , sedangkan A berupa matriks berukuran m × n , yang disebut juga sebagai matriks kendala. (Nash & Sofer, 1996)
2.1.1 Solusi suatu Linear Programming Untuk menyelesaikan suatu masalah linear metode simpleks programming (LP), merupakan salah satu metode yang dapat menghasilkan solusi optimum. Metode ini mulai dikembangkan oleh Dantzig tahun 1947. Dalam perkembangannya, metode ini adalah metode yang paling umum digunakan untuk menyelesaikan LP, yaitu berupa metode iteratif untuk menyelesaikan masalah LP dalam bentuk standar. Pada LP (1), vektor x yang memenuhi kendala Ax = b disebut sebagai solusi dari LP (1). Misalkan matriks A dapat dinyatakan sebagai A = ( B N ) , dengan B adalah matriks yang elemennya berupa koefisien variabel basis dan N merupakan matriks yang elemennya berupa koefisien variabel nonbasis pada matriks kendala. Matriks B disebut matriks basis untuk LP (1). Jika vektor x dapat dinyatakan sebagai x vektor x = ⎛⎜ B ⎞⎟ , dengan xB adalah vektor x ⎝ N⎠ variabel basis dan xN adalah vektor variabel nonbasis, maka Ax = b dapat dinyatakan sebagai
1
⎛x ⎞ N )⎜ B ⎟ ⎝ xN ⎠ = BxB + NxN = b .
Ax = ( B
(2) Karena B adalah matriks taksingular, maka B memiliki invers, sehingga dari (2) xB dapat dinyatakan sebagai: (3) xB = B −1b − B −1 NxN . Definisi 2 (Solusi Basis) Solusi dari suatu LP disebut solusi basis jika: i. Solusi tersebut memenuhi kendala pada LP. ii. Kolom-kolom dari matriks koefisien yang berpadanan dengan komponen taknol adalah bebas linear. (Nash & Sofer, 1996) Definisi 3 (Solusi Basis Fisibel) Vektor x disebut solusi basis fisibel jika x merupakan solusi basis dan x ≥ 0 . (Nash & Sofer, 1996) Ilustrasi solusi basis dan solusi basis fisibel dapat dilihat dalam contoh berikut: Contoh 1 Misalkan diberikan linear programming berikut: Minimumkan z = −2 x1 − 3 x2 terhadap −2 x + x + x = 4 1
2
3
− x1 + 2 x2 + x4 = 11 x1 + x5 = 5 x1 , x2 , x3 , x4 , x5 ≥ 0
(4)
Dari LP tersebut didapatkan: ⎛ −2 1 1 0 0 ⎞ ⎛4⎞ ⎜ ⎟ A = ⎜ −1 2 0 1 0 ⎟ , b = ⎜⎜ 11⎟⎟ ⎜5⎟ ⎜ 1 0 0 0 1⎟ ⎝ ⎠ ⎝ ⎠ Misalkan dipilih T T xB = ( x3 x4 x5 ) dan xN = ( x1 x2 ) maka matriks basis ⎛1 0 0⎞ ⎜ ⎟ B = ⎜0 1 0⎟ ⎜0 0 1⎟ ⎝ ⎠ Dengan menggunakan matriks basis tersebut, diperoleh T T (5) x N = ( 0 0 ) , xB = B −1b = ( 4 11 5 ) Solusi (5) merupakan solusi basis, karena solusi tersebut memenuhi kendala pada LP (4) dan kolom-kolom pada matriks kendala yang berpadanan dengan komponen taknol dari (5)
yaitu B adalah bebas linear (kolom yang satu bukan merupakan kelipatan dari kolom yang lain). Solusi (5) juga merupakan solusi basis fisibel, karena nilai-nilai variabelnya lebih dari atau sama dengan nol. 2.2 Integer Programming Integer programming (IP) adalah suatu model linear programming dengan variabel yang digunakan berupa bilangan bulat (integer). Jika semua variabel harus berupa integer, maka masalah tersebut disebut pure integer programming. Jika hanya sebagian yang harus integer maka disebut mixed integer programming. IP dengan semua variabelnya harus bernilai 0 atau 1 disebut 0-1 IP. (Garfinkel & Nemhausher, 1972) Definisi 4 (Linear Programming Relaksasi) LP-relaksasi merupakan linear programming yang diperoleh dari suatu IP dengan menghilangkan kendala integer atau kendala 0-1 pada setiap varibelnya. Untuk masalah memaksimumkan, nilai fungsi objektif yang optimal di LP-relaksasi lebih besar atau sama dengan nilai fungsi objektif optimal di IP, sedangkan untuk masalah meminimumkan nilai fungsi objektif yang optimal di LP-relaksasi lebih kecil atau sama dengan nilai fungsi objektif yang optimal di IP. (Winston, 1995) 2.3 Metode Branch and Bound integer programming dapat Masalah dipecahkan dengan metode branch and bound. Metode ini sering dipakai dalam program komputer untuk aplikasi masalah riset operasi yang dibuat oleh perusahaan software. Keunggulan metode branch and bound terletak pada tingkat efektifitasnya dalam memecahkan masalah dengan hasil yang akurat. Prinsip dasar metode branch and bound adalah membagi daerah fisibel dari masalah dengan cara membuat LP-relaksasi subproblem-subproblem baru sehingga masalah integer programming terpecahkan. Daerah fisibel suatu linear programming adalah daerah yang memuat titik-titik yang dapat memenuhi kendala linear masalah linear programming. Berikut adalah langkah-langkah dalam metode branch and bound untuk masalah maksimisasi:
2
•
Langkah 0 Definisikan z sebagai batas bawah dari solusi IP yang optimum. Pada awalnya tetapkan z = −∞ dan i = 0. • Langkah 1 Pilih LPi sebagai bagian masalah berikutnya untuk diteliti. LPi dikatakan terukur jika salah satu kondisi berikut dipenuhi: 1. LPi menghasilkan solusi integer yang fisibel bagi IP. 2. LPi tidak dapat menghasilkan solusi yang lebih baik daripada batas bawah terbaik yang tersedia dari masalah IP. (Taha, 1996) Selesaikan LPi dan coba ukur bagian masalah itu dengan kondisi yang sesuai. a) Jika LPi terukur, perbarui batas bawah z jika solusi IP yang lebih baik ditemui. Jika tidak pilih bagian masalah baru i dan ulangi langkah 1. Jika semua bagian masalah telah diteliti, hentikan. b) Jika LPi tidak terukur, lanjutkan ke langkah 2 untuk melakukan pencabangan LPi.
•
Langkah 2 Pilih satu variabel xj yang nilai optimumnya adalah xj* tidak memenuhi batasan integer dalam solusi LPi. Singkirkan bidang [xj*] < xj < [xj*] + 1 dengan membuat dua bagian masalah LP yang berkaitan menjadi dua batasan yang tidak dapat dipenuhi secara bersamaan yaitu : x j < [ x j ] dan x j > [ x j ] + 1 *
x2 7 6 5 4 3 2 1 1
2
3
4
x1
5
Gambar 1 Daerah Fisibel IP. Dari gambar di atas solusi optimum dari LP relaksasi (LP0) adalah x1 = 3,75, x2 = 1,25 dan z = 23,75. Solusi optimum tersebut tidak memenuhi persyaratan integer. Berdasarkan algoritma branch and bound subproblem yang baru harus dibuat. Pilih variabel xi yang optimum secara sembarang yang tidak memenuhi persyaratan integer, misalnya x1=3,75. Amati bahwa bidang (3<x1<4) bukan daerah fisibel bagi masalah IP. Oleh karena itu buang bidang tersebut dan ganti ruang LP0 semula dengan dua ruang LP yaitu LP1 dan LP2 yang didefinisikan sebagai berikut: 1. Ruang LP1 = ruang LP0 + (x1 < 3). 2. Ruang LP2 = ruang LP0 + (x1 > 4). Gambar berikut memperlihatkan ruang LP1 dan LP2. x2 7 6
*
*
dengan [xj ] didefinisikan sebagai integer terbesar yang kurang dari atau sama dengan xj* Kembali ke langkah 1.
5
LP1
4 3
LP2
2 1 1
Untuk memudahkan pemahaman metode branch and bound diberikan contoh sebagai berikut: Contoh 1: Misalkan diberikan IP sebagai berikut: Maksimumkan z = 5x1 + 4x2 x1 + x2 < 5 terhadap 10x1 + 6x2 < 45 x1, x2 > 0 dan integer. (6) Solusi IP di atas diperlihatkan oleh titik-titik pada gambar berikut:
2
3
4
5
Gambar 2 LP1 dan LP2 dalam grafik. Dari gambar di atas karena batasan baru x1 ≤ 3 dan x1 ≥ 4 tidak dapat dipenuhi secara bersamaan, maka LP1 dan LP2 harus ditangani sebagai dua linear programming yang berbeda. IP optimum akan berada di LP1 atau LP2. Selesaikan masalah LP1 dan LP2 satu per satu. Misalkan LP1 dipilih pertama kali untuk diselesaikan, yaitu:
3
Maksimumkan z = 5 x1 + 4 x2 x1 + x2 <5 terhadap 10x1 + 6x2 < 45 x1 < 3 x1, x2 > 0 dan integer. (7)
10x1 + 6x2 < 45 x1 > 4 x1, x2 > 0 dan integer. (9) Solusi dari (9) adalah sebagai berikut: x1 = 4, x2 = 0, 8333 dan z = 23, 333 (10)
Dengan menyelesaikan LP di atas maka akan dihasilkan solusi optimum yang baru yaitu: (8) x1 = 3, x2 = 2 dan z = 23
Perhatikan (10), LP2 tidak terukur akibatnya pencabangan harus dilakukan lagi. Karena x1 bernilai integer, pilih x2 untuk membuat pencabangan yang baru. Gambar 3 adalah hasil pencabangan yang dilakukan dengan menggunakan metode branch and bound, penghitungan nilai – nilai variabel dilakukan dengan menggunakan LINDO 6.1 dan dapat dilihat pada lampiran1.
Karena LP1 sudah terukur, tidak perlu dilakukan pencabangan di LP1. Persamaan (8) dijadikan kandidat solusi bagi masalah IP. Sekarang akan dipecahkan LP2, yaitu: Maksimumkan z = 5 x1 + 4 x2 x1 + x2 <5 terhadap LP0
x1 = 3, 75 , x2 = 1, 25 dan z = 23, 75
x1 > 4
x1 < 3
LP2
LP1*
x1 = 4, x2 = 0, 8333 dan z = 23, 3333
x2 > 1
x1 = 3, x2 = 2 dan z = 23
x2 < 0
LP4
LP3 x1 = 4, 5 , x2 = 0 dan z = 22, 5
Tanpa Solusi
x1 > 5 LP6 Tanpa Solusi
x1 < 4 LP5
*
x1 = 4, x2 = 0 dan z = 20
Gambar 3 Pencabangan yang dilakukan metode branch and bound untuk menemukan solusi IP. Dari Gambar 3, solusi LP1 dan LP5 adalah kandidat solusi untuk (6). Namun karena nilai z untuk LP1 lebih besar dari LP5 maka solusi dari LP1 adalah solusi untuk (2). 2.4 Graf Definisi 5 (Graf) Sebuah graf yang dinotasikan G=(V,E) adalah pasangan terurut (V,E) dari himpunan V yang takkosong dan terbatas dengan
himpunan E. Setiap anggota himpunan V disebut verteks. Himpunan E adalah pasangan takterurut dari setiap verteks yang berbeda di V. Setiap { p , q} ∈ E (dimana p , q ∈ V ) disebut sisi dan verteks p dengan verteks q dikatakan mempunyai hubungan. (Foulds, 1992)
4
Berikut adalah contoh dari sebuah graf: G=(V,E) dengan V = {v1 , v2 , v3 , v4 } dan E = {v1v2 , v2 v3 , v4 v1 , v1v3 } .
v1
v2
bilangan real) yang menghubungkan setiap sisi di E dengan tepat satu bilangan real. (Foulds, 1992) Definisi 9 (Walk Tertutup) Misalkan v1 , v2 , v3 , ...., vn adalah walk. v1 , v2 , v3 , ...., vn disebut walk tertutup bila
v1= vn. (Foulds, 1992)
v4
Definisi 10 (Trail) Trail adalah walk dengan seluruh sisi yang berbeda. (Foulds, 1992)
v3 Gambar 4 Graf G = (V,E).
Definisi 6 (Digraf) Misalkan G = (V, A) adalah sebuah graf. G = (V,A) disebut digraf (graf berarah) jika setiap sisi di dalam G = (V,A) mempunyai arah. Dengan kata lain, sebuah digraf didefinisikan sebagai pasangan terurut (V,A) dengan V adalah himpunan tak kosong dan terbatas dan A adalah himpunan pasangan terurut dari verteks-verteks yang berbeda di V. Setiap anggota A disebut arc (sisi berarah). Jika (u , v) adalah sebuah arc (sisi berarah) maka u disebut predesesor dari v dan v disebut suksesor dari u. (Foulds, 1992)
Berikut adalah sebuah digraf G =(V,A) dengan V = {v1 , v2 , v3 , v4 } dan A = {(v1v2 ), (v2 v3 ), (v3 v4 ), (v4 v1 )} . v1
v2 v3 v4 Gambar 5 Digraf G=(V,A).
Definisi 7 (Walk) Misalkan G = (V,E) adalah sebuah graf. Walk adalah barisan verteks dan sisi di G yang berbentuk : v1 ,{v1 , v2 }, v2 ,{v2 , v3 }, v3 , ..., vn -1 ,{vn -1 , vn }, vn
Secara sederhana walk dinotasikan sebagai berikut: v1 , v2 , v3 , ...., vn (Foulds, 1992)
Definisi 11 (Path) Path adalah walk dengan seluruh verteks yang berbeda. (Foulds, 1992) Definisi 12 (Cycle) Sebuah walk tertutup yang mempunyai paling sedikit 3 verteks yang berbeda disebut cycle. (Foulds, 1992) 2.5 Vehicle Routing Problem Vehicle Routing Problem (VRP) merupakan masalah pendistribusian setiap kendaraan yang terletak di depot untuk memenuhi permintaan para pelanggan yang tersebar di banyak tempat. Masalah utama dari VRP adalah membuat rute yang fisibel dengan biaya yang rendah untuk setiap kendaraan dengan ketentuan bahwa setiap kendaraan memulai dan mengakhiri perjalanan dari depot. (Marinakis & Migdalas, 2002)
Misalkan V` adalah himpunan pelanggan yang harus dilayani. Fungsi objektif dari sebuah VRP adalah mencari sebanyak m buah rute kendaraan dengan total biaya yang minimum sehingga setiap pelanggan di V’ dikunjungi oleh tepat satu kendaraan. Sebuah rute Ri dikatakan fisibel jika setiap pelanggan dikunjungi tepat satu kali oleh sebuah kendaraan dan total waktu dari sebuah rute kendaraan tidak melebihi batasan waktu yang ditentukan. Gambar berikut mencoba menjelaskan input dari sebuah VRP dan solusi yang mungkin terjadi.
Definisi 8 (Graf Terbobot) G = (V,E) disebut graf terbobot jika ada fungsi ω : E → ℜ ( ℜ adalah himpunan
5
+
+ +
+
Pelanggan
+
+
+
+
+
+ +
Depot + +
+ Gambar 6 Input dari sebuah VRP.
Rute kendaraan ( vehicle route) +
+ +
+
+
+
+
+
+
+ +
Depot + +
+
Gambar 7 Solusi yang mungkin dari VRP pada gambar 5. VRP mempunyai beragam kendala tambahan yang sering ditemukan pada masalah dunia nyata. Beberapa kendala tersebut adalah sebagai berikut: 1. Setiap kendaraan dapat beroperasi pada lebih dari sebuah rute selama total waktu operasi kendaraan tersebut tidak melebihi waktu yang ditentukan. 2. Setiap pelanggan harus dikunjungi dalam waktu yang telah ditentukan (time window). 3. Kendaraan dapat melakukan pengiriman dan pengambilan barang 4. Kendaraan harus beroperasi selama waktu yang telah ditentukan.
1.
2. 3.
Ada batasan waktu untuk setiap kendaraan untuk melakukan seluruh tugas yang ada. Setiap kendaraan tidak dapat menjalankan seluruh tugas yang ada. Ada lebih dari satu depot untuk menempatkan kendaraan. (Marinakis & Migdalas, 2002)
2.5.1 Vehicle Routing with Scheduling Problem (VRSP) Vehicle routing with scheduling problem (VRSP) adalah VRP dengan tambahan kendala berupa periode waktu untuk setiap aktivitas yang harus dilakukan setiap kendaraan. Tiga kendala umum yang ada di VRSP adalah sebagai berikut:
6
III DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT 3.1 Studi Literatur tentang Pengelolaan Sampah di Beberapa Kota di Dunia Kajian ilmiah dengan metode riset operasi tentang masalah pengangkutan sampah di kota besar di dunia sudah banyak dilakukan. Dari hasil kajian tersebut setiap kota mempunyai masalah pengangkutan sampah yang berbeda. Kajian yang dilakukan di kota Brussels merupakan kajian untuk menentukan lokasi terbaik untuk mendirikan depot dan fasilitas transfer station yang baru dan mengevaluasi transportasi sampah yang tersedia yaitu kereta api, kanal dan truk untuk mengangkut sampah (Kulcar, 1996). Dalam kajian tersebut, rute pengangkutan sudah ditentukan. Pemecahan masalah pengangkutan sampah di Brussels dilakukan dengan dua tahap. Tahap pertama mencari lokasi terbaik untuk pembangunan depot dan transfer station yang baru. Sedangkan tahap kedua mengalokasikan rute pengangkutan sampah yang ada ke depot terdekat. Model yang dibuat untuk masalah pengangkutan sampah di Brussels merupakan masalah integer programming. Sedangkan kajian yang dilakukan di kota Hanoi merupakan aplikasi model Vehicle Routing and Scheduling Problem (VRSP) (Dang dan Pinoi, 2000). Pengangkutan sampah di Hanoi dilakukan sebanyak dua kali yaitu pada pagi dan malam hari. Adanya pergantian shift pengangkutan dari pagi hari menjadi malam hari mengakibatkan time window menjadi penting dalam formulasi masalah untuk membuat model menjadi lebih mendekati dengan permasalahan yang sebenarnya terjadi Algoritme heuristic digunakan untuk memecahkan masalah pengangkutan sampah di Hanoi. Hasil kajian tentang pengangkutan sampah di Hanoi menunjukkan adanya pengurangan biaya transportasi kendaraan bila sistem pengangkutan yang telah ditetapkan (fixed) diubah menjadi fleksibel dimana setiap kendaraan dapat mengangkut sampah dari selain TPS yang sudah ditetapkan. Kajian terbaru tentang manajemen sampah dilakukan untuk kota-kota kecil di Cina. (Nie et al., 2004). Model optimal yang dibuat untuk penanganan sampah di Cina memenuhi prinsip manajemen yang berlaku yaitu optimisasi regional, optimisasi jangka panjang dan optimisasi lokasi pembuangan sampah. Kajian tentang masalah sampah di Cina tidak difokuskan kepada rute angkutan, tetapi kepada masalah pengelolaan sampah yang
optimal. Sampah padat di Cina setiap tahun semakin bertambah seiring dengan pertumbuhan penduduk yang semakin besar. Dari hasil kajian yang dilakukan di Cina, sampah padat direkomendasikan lebih banyak untuk digunakan kembali (recycle). Disamping itu, hasil kajian juga mendukung rencana pemerintah untuk mengelola sampah sampah padat menjadi energi. Sedangkan sampah yang tidak dapat diolah menjadi energi dan sampah tidak dapat digunakan kembali baru dimusnahkan dengan cara dibakar atau dikubur (composting). Pilihan untuk melakukan composting lebih disarankan karena jika sampah dibakar selain akan menambah banyak biaya juga menimbulkan polusi udara. Perencanaan pengelolaan sampah di Cina sudah memperhitungkan aspek ekonomis yaitu dengan cara merubah penanganan sampah yang tadinya hanya menimbulkan biaya menjadi sumber pendapatan. Di Indonesia kajian tentang penanganan sampah dengan metode riset operasi belum banyak dilakukan. Kajian yang sering dilakukan lebih dititikberatkan kepada aspek sosial dan kesehatan warga sekitar tempat pembuangan sampah. Pengelolaan sampah di Indonesia belum seperti di Cina karena penanganan sampah lebih banyak masuk ke fasilitas composting. Minimnya kajian ilmiah tentang masalah pengelolaan sampah di kota di Indonesia memberikan daya tarik tersendiri untuk mengaplikasikan masalah riset operasi. 3.2 Masalah Pengelolaan Sampah di DKI Jakarta Pengelolaan sampah di wilayah DKI Jakarta dilakukan oleh sebuah badan yang dibentuk Pemerintah Daerah DKI Jakarta yaitu Dinas Kebersihan DKI Jakarta dan juga oleh beberapa perusahaan swasta yang telah mendapat izin dari pemerintah. Dalam struktur organisasi, Dinas Kebersihan membawahi lima suku dinas kebersihan yaitu Suku Dinas Kebersihan Jakarta Timur, Suku Dinas Kebersihan Jakarta Selatan, Suku Dinas Kebersihan Jakarta Barat, Suku Dinas Kebersihan Jakarta Utara dan Suku Dinas Kebersihan Jakarta Pusat. Setiap suku dinas kebersihan di atas bertanggung jawab menangani masalah pengangkutan sampah di wilayah kotamadya masing-masing. Jumlah sampah yang dihasilkan dari setiap kotamadya DKI Jakarta tidaklah sama. Jumlah
7
sampah yang dihasilkan bergantung pada besar populasi dan luas wilayah kotamadya masing-masing. Gambar berikut menjelaskan proporsi sampah yang dihasilkan dari masingmasing kotamadya di DKI Jakarta.
Gambar 8 Proporsi sampah yang dihasilkan masing-masing kotamadya di DKI Jakarta per hari. Pada umumnya pengangkutan sampah di DKI Jakarta terdiri dari tiga tahap. Tahap pertama adalah pengangkutan sampah dari sumber ke Tempat Pembuangan Sementara (TPS) dengan menggunakan gerobak. Pada tahap kedua, sampah di setiap TPS diangkut dengan truk menuju ke Stasiun Peralihan Antara (SPA) atau ke Tempat Pembuangan Akhir (TPA). Tahap ketiga adalah pengangkutan sampah dari setiap SPA menuju ke TPA. Jadi, setiap sampah di TPS akan menuju ke TPA. Apabila sebuah truk sampah sudah mengosongkan muatannya di SPA atau TPA, truk kembali menuju TPS yang masih memiliki sampah. Setiap suku dinas kebersihan bertanggung jawab untuk mengangkut sampah di wilayahnya masingmasing dari TPS ke SPA atau ke TPA. Sedangkan, pengangkutan sampah dari SPA ke TPA merupakan tanggung jawab Dinas Kebersihan DKI Jakarta. Gambar berikut menjelaskan alur pengangkutan sampah yang dapat terjadi. TPS TPA
SUMBER SPA / ITF
Gambar 9 Alur pengangkutan sampah. Selama ini DKI Jakarta hanya mempunyai dua buah SPA dan sebuah TPA. TPA yang
dimiliki pemerintah DKI Jakarta terletak di daerah Bantar Gebang (Bekasi), sedangkan untuk SPA masing-masing terletak di Sunter (Jakarta Utara) dan Cilincing (Jakarta Utara). SPA berfungsi sebagai stasiun pembuangan sampah sementara sehingga truk sampah dapat melayani TPS lebih cepat. TPA Bantar Gebang saat ini sudah hampir mencapai batas kemampuan untuk menampung sampah yang masuk. Selain kapasitas yang sudah hampir penuh, penduduk di sekitar TPA Bantar Gebang juga sudah tidak mau lagi wilayah mereka dijadikan tempat pembuangan sampah. Akibat dua hal tersebut, TPA Bantar Gebang akan segera ditutup. Penutupan TPA Bantar Gebang akan dilakukan jika fasilitas TPA yang baru sudah didirikan. Untuk menggantikan peranan TPA Bantar Gebang, pemerintah DKI Jakarta merencanakan pembangunan beberapa buah fasilitas pengelolaan sampah yang baru. Hasil perencanaan tersebut adalah membangun empat buah Intermediate Treatment Facility (ITF) secara bertahap yang tersebar di wilayah Jakarta. Selain berfungsi sebagai SPA, ITF juga berfungsi untuk mengolah sampah sebelum dikirim ke TPA sehingga sampah yang akan dikirim ke TPA akan berkurang. Saat ini dua lokasi pembangunan ITF sudah ditentukan yaitu di daerah Duri Kosambi (Jakarta Barat) dan di daerah Marunda (Jakarta Utara) sedangkan dua daerah untuk pembangunan ITF lainnya masih dicari oleh pemerintah. Selain ITF, pemerintah DKI Jakarta juga berencana mendirikan sebuah TPA di daerah Nambo (Bogor) dan sebuah Tempat Pengolahan Sampah Terpadu (TPST) di daerah Bojong (Bogor). TPA Nambo dan TPST Bojong diharapkan mampu menggantikan fungsi TPA Bantar Gebang. Berikut adalah kapasitas maksimum sampah yang dapat ditangani per hari dari masing-masing fasilitas pengelolaan sampah yang sudah dimiliki dan yang akan dibangun oleh pemerintah DKI Jakarta. Tabel 1 Kapasitas maksimum per hari fasilitas pengelolaan sampah Nama Fasilitas Kapasitas SPA Sunter 6.000 m3 SPA Cilincing 6.000 m3 ITF Duri Kosambi 6.000 m3 ITF Marunda 6.000 m3 TPST Bojong 10.000 m3 TPA Nambo 10.000 m3 TPA Bantar Gebang 30.000 m3
8
3.3 Masalah Pengangkutan Sampah di Jakarta Pusat Untuk menjalankan tugas dengan baik, suku dinas kebersihan Jakarta Pusat mempunyai 150 truk pengangkut sampah yang tersebar di 3 buah depot yang berbeda yaitu di daerah Cililitan (Jakarta Selatan), Sunter (Jakarta Utara) dan Semper (Jakarta Utara). Di setiap depot tersebut, sudin kebersihan Jakarta Pusat mempunyai jumlah truk sampah yang berbeda, yaitu di depot Cililitan ada sebanyak 15 kendaraan, depot Semper sebanyak 82 kendaraan dan depot Sunter ada sebanyak 53 kendaraan. Jenis kendaraan pengangkut sampah yang dimiliki suku dinas kebersihan Jakarta Pusat adalah Typer truck, crane truck, Compactor dan arm roll. Masing–masing jenis kendaraan tersebut dibagi lagi menjadi 2 tipe berdasarkan daya angkutnya yaitu ukuran kecil dan ukuran besar. Kendaran-kendaraan tersebut dipakai untuk mengambil sampah di 122 rute pengangkutan sampah di Jakarta Pusat.
Spesifikasi dari masing-masing rute pengangkutan dapat dilihat pada Lampiran 2. Kegiatan pengangkutan sampah di Jakarta Pusat dimulai dari pukul 07.00 sampai pukul 16.00. Dalam rentang waktu tersebut, setiap truk sampah secara rata-rata hanya dapat melakukan ritasi sebanyak 2-3 kali. Dalam menjalankan operasi sehari-hari, truk sampah memulai kegiatan dari depot kemudian menuju ke sebuah rute pengangkutan sampah. Dari sebuah rute pengangkutan sampah, truk membawa sampah menuju ke terminal site yang tersedia yaitu SPA / ITF atau TPA. Untuk mencegah terjadinya penumpukan sampah di salah satu terminal site sehingga melebihi beban yang dapat diterima, setiap truk sampah dilengkapi surat dinas yang menerangkan bahwa truk tersebut hanya boleh mengambil sampah di sebuah rute pengangkutan dan membuang sampah dari rute tersebut ke sebuah terminal site yang sudah ditentukan. Banyaknya kendaraan dan kapasitas kendaraan disajikan dalam tabel di bawah ini:
Tabel 2 Jenis kendaraan pengangkut sampah dan jumlah yang tersedia Ukuran Jenis Besar Kecil Kendaraan Kapasitas Jumlah Kapasitas Jumlah Angkut Tersedia Angkut Tersedia Typer 18 m3 52 buah 8 m3 31 buah Compactor 20 m3 7 buah 10 m3 5 buah Arm Roll 10 m3 30 buah 6 m3 25 buah Penambahan sejumlah fasilitas pengelolaan sampah membuat tujuan akhir pengangkutan sampah yang dilakukan Suku dinas kebersihan Jakarta Pusat berubah. Namun sampah dari Jakarta Pusat tidak dapat diangkut menuju ke semua fasilitas yang ada di Tabel 1. Tabel 3 adalah rincian fasilitas yang dapat digunakan Suku Dinas Kebersihan Jakarta Pusat dan estimasi jumlah maksimum sampah yang dapat dibuang ke fasilitas tersebut. Tabel 3 memperlihatkan bahwa semua fasilitas tidak dapat digunakan secara penuh oleh Suku Dinas Kebersihan Jakarta Pusat. Hal ini disebabkan karena kapasitas setiap fasilitas harus dibagi-bagi untuk setiap kotamadya di DKI Jakarta. Pembangunan ITF Marunda diperuntukkan menampung sampah dari wilayah Jakarta Utara dan sebagian Jakarta Timur. Sedangkan TPA Nambo hanya melayani sampah yang masuk
dari wilayah Jakarta Selatan dan Jakarta Timur. Tabel 3 Jumlah sampah dari Jakarta Pusat yang dapat diangkut ke setiap fasilitas pengelolaan sampah Kapasitas yang Dapat Digunakan Nama Fasilitas Sudin Kebersihan Jakarta Pusat SPA Sunter 1500 m3 SPA Cilincing 1000 m3 ITF Duri Kosambi 500 m3 ITF Marunda 0 m3 TPST Bojong 1000 m3 TPA Nambo 0 m3 TPA Bantar Gebang 2000 m3 3.4 Formulasi Masalah Pengangkutan Sampah di Jakarta Pusat Masalah pengangkutan sampah di Jakarta Pusat merupakan masalah assignment
9
(penugasan) setiap rute pengangkutan sampah ke terminal site yang ada. Model yang dibuat dalam tugas akhir ini bertujuan untuk menentukan jenis kendaraan yang akan dialokasikan ke setiap rute pengangkutan dan mencari terminal site terdekat bagi setiap rute pengangkutan untuk membuang sampah yang ada. Model yang dibuat dalam tugas akhir ini terdiri dari dua tahap. Tujuan dari tahap pertama adalah menentukan kendaraan dari depot untuk mengangkut sampah di setiap rute pengangkutan. Sedangkan tujuan pada tahap kedua adalah menentukan terminal site untuk pembuangan sampah bagi setiap rute pengangkutan. Asumsi-asumsi diperlukan untuk menyederhanakan masalah yang terjadi agar model simulasi dapat dibuat dan solusi dapat ditemukan. Asumsi-asumsi tersebut adalah: 1. Sudah ada sejumlah rute pengangkutan yang dibuat oleh suku dinas kebersihan. Sebuah rute pengangkutan merupakan perjalanan kendaraan dari sebuah TPS ke TPS yang lain. 2. Kegiatan pengangkutan sampah ditinjau dari dua segi pembiayaan yaitu biaya pengangkutan sampah untuk setiap satuan m3 sampah yang diangkut setiap hari dan biaya pengangkutan sampah untuk setiap satuan kilometer jarak pengangkutan dari depot ke tempat pembuangan sampah akhir (TPA). Biaya pengangkutan sampah di Jakarta Pusat dapat dilihat di Lampiran 3. 3. Jarak antarnode diasumsikan simetris. 4. Setiap kendaraan hanya mampu melakukan ritasi sebanyak 2 kali dalam satu hari. 5. Setiap kendaraan yang ditugaskan ke sebuah rute pengangkutan sedikitnya harus mengangkut 3 m3 sampah. terminal site 6. Masing-masing mempunyai karakteristik yang berbeda dalam kapasitas penerimaan sampah setiap hari. Secara matematis, model untuk pengangkutan sampah di Jakarta Pusat adalah sebagai berikut: Misalkan: I = kendaraan yang digunakan untuk mengangkut sampah. J = himpunan depot yang digunakan Sudin Kebersihan Jakarta Pusat. K = rute Pengangkutan di Jakarta Pusat. L = himpunan terminal site yang dapat digunakan Sudin Jakarta Pusat.
M Wi Ci Bi Ri Kapj Vk Jl Djk Skl Lijk
= volume sampah minimal yang harus diangkut sebuah kendaraan. = daya angkut kendaraan i. = biaya yang harus dikeluarkan oleh kendaraan i untuk mengangkut sampah per m3. = biaya yang harus dikeluarkan oleh kendaraan i untuk menempuh jarak 1 km. = jumlah maksimum ritasi sebuah kendaraan untuk mengangkut sampah. = daya tampung depot j untuk memarkir kendaraan. = volume sampah yang ada di rute pengangkutan ke k. = jumlah maksimum sampah per hari yang dapat ditangani terminal site l. = jarak yang harus ditempuh dari depot j ke rute k dalam km. = jarak yang harus ditempuh dari rute pengangkutan k ke terminal site l dalam km. = volume sampah yang diangkut dari rute k oleh kendaraan i yang diparkir di depot j.
Tahap 1 Fungsi objektif pada tahap pertama adalah meminimumkan biaya perjalanan kendaraan dari depot ke rute pengangkutan dan biaya yang harus dikeluarkan untuk mengangkut sampah dari setiap rute pengangkutan. Model pada tahap satu ini bertujuan untuk menentukan jenis kendaraan yang akan ditugaskan ke setiap rute pengangkutan sampah dan menentukan jumlah sampah yang harus diangkut setiap kendaraan. Misalkan δ ijk adalah decision variable,
maka: ⎧1, jika kendaraan i dari depot j ditugaskan ⎪ δ ijk = ⎨ ke rute k. ⎪0,selainnya. ⎩ Fungsi objektif pada tahap pertama adalah sebagai berikut: Min ∑∑∑ δ ijk Bi D jk + ∑∑∑ Lijk Ci i
j
k
i
j
k
Kendala yang harus dihadapi adalah sebagai berikut: 1. Untuk setiap rute pengangkutan minimal ada satu kendaraan yang bertugas. ∑∑ δ ijk ≥ 1, ∀k i
j
10
2.
Setiap kendaraan hanya boleh bertugas di satu rute pengangkutan saja. ∑∑ δ ijk ≤ 1, ∀i j
k
3.
Jumlah kendaraan yang ditempatkan di sebuah depot tidak boleh melebihi kapasitas yang tersedia. ∑∑ δ ijk ≤ Kap j , ∀j
4.
Jika sebuah kendaraan ditugaskan ke suatu rute pengangkutan maka kendaraan itu harus mengangkut sampah sebanyak jumlah minimal yang sudah ditetapkan. M δ ijk − Lijk ≤ 0, ∀i, j , k
i
k
5.
Jika sebuah kendaraan tidak ditugaskan ke suatu rute pengangkutan maka muatan kendaraan tersebut dari rute itu harus kosong. Lijk ≤ δ ijkVk , ∀i, j , k
6.
Semua sampah di setiap pengangkutan harus diangkut. ∑∑ Lijk = Vk , ∀k
7.
Jumlah sampah yang diangkut oleh setiap kendaraan tidak boleh melebihi kapasitas kendaraan Lijk ≤ RiWi , ∀i, j , k
i
rute
j
8.
Lijk ≥ 0, ∀i, j , k
9.
δ ijk adalah variabel biner.
δ ijk ∈ {0,1} , ∀i, j , k Model pada tahap pertama menghasilkan sebanyak 2.p.q.r variabel dengan p adalah banyaknya kendaraan yang tersedia, q adalah banyaknya depot dan r adalah banyaknya rute pengangkutan yang harus dilayani. Sedangkan banyaknya kendala yang harus dihadapi pada tahap ini adalah sebanyak p + q + 2r . Tahap 2 Fungsi objektif pada tahap kedua adalah meminimumkan biaya perjalanan yang dipresentasikan sebagai jarak dari rute pengangkutan ke masing-masing terminal site. Misalkan β kl adalah decision variable, maka: ⎧1, jika sampah dari rute k dibuang ke ⎪ βkl = ⎨ terminal site l. ⎪0, selainnya. ⎩
Fungsi objektif pada tahap kedua adalah sebagai berikut: Min ∑∑ β kl S kl k
l
Kendala yang harus dihadapi adalah sebagai berikut: 1. Sampah dari setiap rute pengangkutan hanya boleh dibuang ke sebuah terminal site. ∑ β kl = 1, ∀k l
2.
Jumlah sampah yang dibuang ke setiap terminal site tidak boleh melebihi batas yang ditentukan. ∑ β kl Wk ≤ J l , ∀l k
Model pada tahap kedua menghasilkan sebanyak r.s variabel integer dengan r adalah banyaknya rute pengangkutan yang harus dilayani dan s adalah banyaknya terminal site yang tersedia, sedangkan banyaknya kendala yang harus dihadapi adalah sebanyak r + s . . 3.5 Simulasi Masalah Pengangkutan Sampah di Jakarta Pusat Simulasi pengangkutan sampah di Jakarta Pusat dilakukan terhadap 15 rute pengangkutan dalam urutan pertama di Lampiran 2. Hal ini dilakukan karena jika simulasi dilakukan terhadap seluruh rute pengangkutan di Jakarta Pusat, banyaknya variabel yang dihasilkan cukup besar yaitu sebanyak 109.800 buah pada tahap 1 dan sebanyak 600 buah variabel pada tahap 2 sehingga waktu yang dibutuhkan menjadi sangat lama. Diasumsikan tersedia 22 kendaraan yaitu 6 buah truk Typer berukuran besar, 4 buah Typer truk ukuran kecil, 2 buah truk Compactor ukuran besar, 2 buah truk Compactor ukuran kecil, 4 buah truk Armroll ukuran besar dan 4 buah truk Armroll ukuran kecil. Jumlah kendaraan yang dapat ditampung di setiap depot adalah sebagai berikut: Tabel 4 Asumsi banyaknya kendaraan yang dapat ditampung setiap depot per hari Jumlah Depot Kendaraan Cililitan 5 Sunter 7 Semper 10 Sedangkan jumlah sampah yang dapat dibuang dari seluruh rute tersebut ke setiap terminal site diasumsikan sebagai berikut:
11
Tabel 5 Asumsi volume sampah yang dapat diterima per hari Nama Fasilitas Kapasitas (m3) SPA Sunter 150 SPA Cilincing 100 TPA Bantar Gebang 0 ITF Duri Kosambi 60 TPST Bojong 100
Data yang dipakai dalam simulasi ini dapat dilihat pada lampiran 4. Penyelesaian masalah dalam simulasi yang telah dibuat dikerjakan dengan menggunakan LINGO 8.0. metode branch and bound digunakan oleh software tersebut untuk menyelesaikan masalah. Penulisan program dan solusi yang didapatkan dalam LINGO dapat dilihat pada Lampiran 5. Hasil yang diperoleh pada tahap 1 disajikan pada Tabel 6.
Tabel 6 Hasil yang didapatkan dari tahap 1 Rute
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Jenis Kendaraan yang Melayani Typer ukuran besar Typer ukuran kecil Typer ukuran besar Armroll ukuran kecil Armroll ukuran kecil Armroll ukuran besar Typer ukuran besar Typer ukuran kecil Typer ukuran kecil Typer ukuran besar Typer ukuran kecil Armroll ukuran besar Armroll ukuran besar Typer ukuran besar Typer ukuran besar Armroll ukuran kecil Armroll ukuran kecil Compactor ukuran besar Compactor ukuran besar Armroll ukuran besar
Dari Tabel 6, kendaraan jenis compactor ukuran kecil tidak digunakan. Hal ini karena biaya angkut jenis kendaraan tersebut paling mahal jika dibandingkan dengan kendaraan yang lain. Akibatnya, jika masih ada jenis kendaraan yang lain, compactor ukuran kecil tidak digunakan. Nilai objektif yang dihasilkan pada tahap satu adalah sebesar Rp 8. 775. 295,00. Solusi masalah pada tahap dua menghasilkan tujuan pembuangan sampah dari setiap rute yang ada. Hasil dari solusi tahap dua dapat dilihat pada Tabel 7. Penulisan program dan solusi yang dihasilkan dalam LINGO dapat dilihat pada Lampiran 5.
Volume Sampah yang Diangkut (m3) 30 14 36 12 12 20 30 8 16 36 14 20 20 30 28 12 12 20.5 18 20
Asal Kendaraan
Sunter Semper Sunter Semper Semper Sunter Sunter Semper Semper Cililitan Semper Sunter Sunter Cililitan Sunter Semper Semper Cililitan Cililitan Cililitan
Tabel 7 Hasil yang didapatkan dari tahap 2 Fasilitas Pembuangan Rute yang Sampah Dilayani SPA Sunter 4, 8, 9, 11, 12, 14, 15 SPA Cilincing 1, 3, 6 , 13 TPA Bantar Gebang ITF Duri Kosambi 5, 10 TPST Bojong 2, 7 Dari Tabel 7, SPA Sunter melayani sampah sebanyak 7 buah rute pengangkutan. Hal ini disebabkan karena jarak SPA Sunter merupakan yang paling dekat dengan ruterute tersebut sedangkan TPA Bantar Gebang tidak melayani satupun rute pengangkutan yang ada karena TPA tersebut ditutup. Nilai objektif yang minimum dari tahap ini adalah sebesar 176.7 km.
12
Jika diasumsikan TPA Bantar Gebang dapat menerima sampah sebanyak 100 m3 per hari, maka tahap dua akan memberikan hasil seperti pada Tabel 8. Penulisan program dan solusi dalam LINGO dapat dilihat pada Lampiran 5. Tabel 8 Hasil Tahap 2 jika diasumsikan TPA Bantar Gebang masih beroperasi Fasilitas Pembuangan Sampah SPA Sunter
SPA Cilincing TPA Bantar Gebang ITF Duri Kosambi TPST Bojong
Rute yang Dilayani 4, 8, 9, 11 12, 14, 15 1, 4, 3, 6, 13 2, 7 5, 10 -
sedangkan ITF Duri Kosambi dipilih untuk melayani rute 5 dan 10. Hal ini disebabkan karena lokasi TPST Bojong yang lebih jauh dari seluruh rute pengangkutan yang ada. Nilai objektif dihasilkan adalah sebesar 160 km. Dengan membandingkan nilai objektif yang dihasilkan jika TPA Bantar Gebang ditutup dengan nilai objektif jika TPA Bantar Gebang masih beroperasi, dapat dilihat bahwa penutupan TPA Bantar Gebang dan menggantikannya dengan fasilitas lain yang terletak di luar wilayah Jakarta Pusat yaitu TPST Bojong akan membuat biaya pengangkutan sampah yang harus ditanggung Suku Dinas Kebersihan Jakarta Pusat menjadi lebih mahal.
Dari Tabel 8, TPST Bojong tidak dipilih sebagai tempat pembuangan sampah
IV SIMPULAN DAN SARAN 4.1 Simpulan Penutupan TPA Bantar Gebang dan penambahan fasilitas pengelolaan sampah untuk wilayah DKI Jakarta di beberapa lokasi baik di dalam wilayah DKI Jakarta maupun di luar wilayah Jakarta membuat rute pengangkutan sampah di DKI Jakarta berubah. Model pengangkutan sampah yang dibangun oleh penulis, mengambil contoh kasus di wilayah Jakarta Pusat sebagai upaya agar masalah tersebut menjadi dapat lebih cepat dipecahkan, sehingga pengambilan keputusan untuk menentukan rute pengangkutan sampah yang baru menjadi lebih cepat. Wilayah Jakarta Pusat dipilih karena sebagai pusat pemerintahan maka pengangkutan sampah di Jakarta Pusat harus lebih efektif dan efisien. Hasil simulasi pada tahap 1 menunjukkan bahwa penggunaan kendaraan jenis Compactor ukuran kecil lebih baik ditiadakan karena biaya yang ditimbulkan jenis kendaraan tersebut cukup besar. Hasil simulasi pada tahap 2 menunjukkan bahwa dari beberapa lokasi pengelolaan sampah yang dapat digunakan Jakarta Pusat, sebaiknya Jakarta Pusat menggunakan
fasilitas pengelolaan sampah yang ada di wilayah DKI Jakarta sehingga biaya transportasi menjadi lebih murah. Hal ini disebabkan karena faktor geografis Jakarta Pusat yang terletak di tengah kota Jakarta. Penggunaan fasilitas pengelolaan sampah di luar kota Jakarta sebaiknya diperuntukkan bagi wilayah Jakarta yang berbatasan dengan kota tempat fasilitas pengelolaan sampah tersebut berada. Oleh karena itu, proporsi penggunaan fasilitas sampah yang terletak di dalam Jakarta bagi Jakarta Pusat harus ditingkatkan. 4.2 Saran Di dalam tulisan ini telah dilakukan simulasi terhadap 15 rute angkutan sampah. Hal ini terjadi karena keterbatasan penulis sehingga tidak semua rute pengangkutan di wilayah DKI Jakarta Pusat dapat dipecahkan. Oleh karena itu, sebaiknya untuk dapat memecahkan seluruh rute pengangkutan di Jakarta Pusat menggunakan program komputer yang berdasarkan metode ilmiah untuk pemecahan masalah dengan variabel yang besar.
13
DAFTAR PUSTAKA Dang, V.T & A. Pinnoi. 2000. Vehicle Routing-Schedulling for Waste Collection in Hanoi. European Journal of Operational Research 125: 449 – 468. Dinas Kebersihan DKI Jakarta. 2000. Penyusunan Standar Operasional Penanganan Kebersihan. Jakarta. Foulds, L.R. 1992. Graph: Theory Applications. Springer-Verlag, New York. Garfinkel, R.S & G.L. Nemhauser. 1972. Integer Programming. John Wiley & Sons, New York. Kulcar, T. 1996. Optimizing Solid Waste Collection in Brussels. European Journal of Operational Research 90: 71 – 77. Marinakis, Y & A. Migdalas. 2002. Heuristic Solutions of Vehicle Routing Problems in Supply Chain Management. Greece. www.zmath.impa.br/cgi_bin/zmen/zm ath/en/quick.html. [14 November 2006].
Nash, S.G. & A. Sofer. 1996. Linear and Nonlinear Programming. McGrawHill, New York. Nie, Y., T. Li, G. Yan, Y. Wang, X. Ma. 2004. An Optimal Model and Its Application for the Management of Municipal Solid Waste from Regional Small Cities in China. Journal of the Air & Waste Management Association. 54: 191-199. Suku Dinas Kebersihan Jakarta Pusat. 2005. Data Volume Sampah dan Kendaraan. Jakarta. Taha, H. A. 1996. Riset Operasi: Suatu Pengantar. Edisi Kelima. Alih Bahasa Drs. Daniel Wirajaya. Binarupa Aksara, Jakarta. Winston, W.L. 1995. Introduction to Mathematical Programming 2nd ed. Duxbury, New York.
14
LAMPIRAN
Lampiran 1 Pemecahan masalah pencabangan pada contoh 1 dengan menggunakan Lindo 6.1 a. Pemecahan LP0 MAX 5 X1 + 4 X2
SUBJECT TO X1 +X2 <= 5 10 X1 + 6 X2 <= 45 X1 >=0 x2 >=0 END
LP OPTIMUM FOUND AT STEP
2
OBJECTIVE FUNCTION VALUE 1)
23.75000
VARIABLE VALUE X1 3.750000 X2 1.250000
ROW 2) 3) 4) 5)
REDUCED COST 0.000000 0.000000
SLACK OR SURPLUS DUAL PRICES 0.000000 2.500000 0.000000 0.250000 3.750000 0.000000 1.250000 0.000000
NO. ITERATIONS=
2
b. Pemecahan LP1 MAX 5 X1 + 4 X2
SUBJECT TO X1 +X2 <= 5 10 X1 + 6 X2 <= 45 X1 <=3 X1 >=0 x2 >=0 END
LP OPTIMUM FOUND AT STEP
2
OBJECTIVE FUNCTION VALUE 1)
23.00000
VARIABLE VALUE X1 3.000000 X2 2.000000
REDUCED COST 0.000000 0.000000
ROW SLACK OR SURPLUS DUAL PRICES 2) 0.000000 4.000000
16
3) 4) 5) 6)
3.000000 0.000000 3.000000 2.000000
NO. ITERATIONS=
0.000000 1.000000 0.000000 0.000000 2
c. Pemecahan LP2 MAX 5 X1 + 4 X2
SUBJECT TO X1 +X2 <= 5 10 X1 + 6 X2 <= 45 X1 >=4 X1 >=0 x2 >=0 END LP OPTIMUM FOUND AT STEP
1
OBJECTIVE FUNCTION VALUE 1)
23.33333
VARIABLE VALUE X1 4.000000 X2 0.833333
ROW 2) 3) 4) 5) 6)
REDUCED COST 0.000000 0.000000
SLACK OR SURPLUS DUAL PRICES 0.166667 0.000000 0.000000 0.666667 0.000000 -1.666667 4.000000 0.000000 0.833333 0.000000
NO. ITERATIONS=
1
d. Pemecahan LP3 MAX 5 X1 + 4 X2
SUBJECT TO X1 +X2 <= 5 10 X1 + 6 X2 <= 45 X1 >=4 X2 <=0 X1 >=0 x2 >=0 END LP OPTIMUM FOUND AT STEP
2
OBJECTIVE FUNCTION VALUE 1)
22.50000
17
VARIABLE VALUE X1 4.500000 X2 0.000000
ROW 2) 3) 4) 5) 6)
REDUCED COST 0.000000 0.000000
SLACK OR SURPLUS DUAL PRICES 0.500000 0.000000 0.000000 0.500000 0.000000 1.000000 4.500000 0.000000 0.000000 0.000000
NO. ITERATIONS=
2
e. Pemecahan LP4 MAX 5 X1 + 4 X2
SUBJECT TO X1 +X2 <= 5 10 X1 + 6 X2 <= 45 X1 >=4 X2 >=1 X1 >=0 x2 >=0 END NO FEASIBLE SOLUTION AT STEP
2
SUM OF INFEASIBILITIES= 0.166666671633720 VIOLATED ROWS HAVE NEGATIVE SLACK, OR (EQUALITY ROWS) NONZERO SLACKS. ROWS CONTRIBUTING TO INFEASIBILITY HAVE NONZERO DUAL PRICE. f.
Pemecahan LP 5
MAX 5 X1 + 4 X2 SUBJECT TO X1 +X2 <= 5 10 X1 + 6 X2 <= 45 X1 <=4 X2 <=0 X1 >=0 x2 >=0 END LP OPTIMUM FOUND AT STEP
2
OBJECTIVE FUNCTION VALUE 1)
20.00000
VARIABLE VALUE REDUCED COST X1 4.000000 0.000000 X2 0.000000 0.000000
18
ROW 2) 3) 4) 5) 6) 7)
SLACK OR SURPLUS DUAL PRICES 1.000000 0.000000 5.000000 0.000000 0.000000 5.000000 0.000000 4.000000 4.000000 0.000000 0.000000 0.000000
NO. ITERATIONS= g.
2
Pemecahan LP6
MAX 5 X1 + 4 X2 SUBJECT TO X1 +X2 <= 5 10 X1 + 6 X2 <= 45 X1 >=5 X2 <=0 X1 >=0 X2 >=0 END NO FEASIBLE SOLUTION AT STEP
1
SUM OF INFEASIBILITIES= 5.000000000000000 VIOLATED ROWS HAVE NEGATIVE SLACK, OR (EQUALITY ROWS) NONZERO SLACKS. ROWS CONTRIBUTING TO INFEASIBILITY HAVE NONZERO DUAL PRICE.
19
Lampiran 2 Rute pengangkutan di Jakarta Pusat dan jumlah sampah yang harus diangkut per hari No
Kelurahan
1
Duri Pulo
2
Cideng
3
Petojo Selatan
4
Petojo Utara
5
Cikini
6
Mangga Dua Selatan
7
Karang Anyar
Lokasi TPS
Istana Negara & RW 07 Jl. Setia Kawan RW 01 Jl. Citarum Dinas Teknis Asrama Polisi (RW 09) Jl Tanah Abang III Jl Tanah Abang II Jl Kesehatan Jl Kaji Jl Alaydris Pertokoan Golden Truly dan Duta Merlin Jl Kali Pasir dan sekitarnya Jl Layang dan sekitarnya Jl Cisadane dan sekitarnya Jl Raden Saleh II dan sekitarnya TIM Jl Pangeran Jayakarta dan sekitarnya Jl Pisang Batu dan sekitarnya Jl P Jayakarta 46 Jl Arteri RW 04 Jl P Jayakarta 44 Jl Tiang Seng Jl Karang Anyar Raya Jl B Raya
Nama Rute
Rute 1 Rute 2 Rute 3 Rute 4 Rute 5 Rute 6 Rute 7 Rute 8 Rute 9 Rute 10 Rute 11 Rute 12 Rute 13 Rute 14 Rute 15 Rute 16 Rute 17 Rute 18 Rute 19 Rute 20 Rute 21 Rute 22 Rute 23 Rute 24 Rute 25
Jenis Pelayanan
TPS Pool Gerobak TPS Pool Gerobak TPS Pool Gerobak TPS Container TPS Container TPS Bak Beton TPS Pool Gerobak TPS Container TPS Pool Gerobak TPS Pool Gerobak TPS Pool Gerobak TPS Container TPS Pool Gerobak dan door to door TPS Bak Beton dan door to door Door to door TPS Pool Gerobak dan door to door TPS Container TPS Pool Gerobak TPS Pool Gerobak TPS Container TPS Container TPS Pool Gerobak TPS Pool Gerobak TPS Pool Gerobak TPS Container
Sampah (m3)
30 50 24 20 30 24 50 20 20 30 28 24 20.5 18 20 18 8 30 24 20 20 16 16.8 89 20
20
8
Kartini
9
Senen
10
Kwitang
11
Kenari
12
Kramat
13
Paseban
14
Bungur
15
Kampung Bali
16
Kebon Kacang
Ruko Karang Anyar Rusun karang Anyar Jl Dwiwarna Jl Dwiwarna / Lintas Jl Abdurrahman Saleh dan sekitarnya Jl Stasiun Senen Jl Kramat II Jl Kembang dan sekitarnya Gunung Agung Jl Kramat III Jl Jamrud dan sekitar Jl Kenari II Jl Kramat VII Jl Raden Saleh RW 01, 06 & 09 Jl Kramat V dan Depsos Jl Sedap Malam Jl Kramat Sentiong Jl Kincir Angin Jl Kramat Sawah Jl Salemba Tengah Jl Kramat Lontar Jl Kali Baru Timur I Jl kali Baru Timur II Jl Bungur Besar Jl Kampung Bali 25 Jl Taman Kebon Sirih & Pertokoan Jayanti Jl Kebon Jati dan sekitarnya Jl Kebon Kacang IX Jl Kebon Kacang VIII
Rute 26 Rute 27 Rute 28 Rute 29 Rute 30 Rute 31 Rute 32 Rute 33 Rute 34 Rute 35 Rute 36 Rute 37 Rute 38 Rute 39 Rute 40 Rute 41 Rute 42 Rute 43 Rute 44 Rute 45 Rute 46 Rute 47 Rute 48 Rute 49 Rute 50 Rute 51 Rute 52 Rute 53 Rute 54
TPS Container TPS Container TPS Pool Gerobak TPS Container TPS Bak Beton dan door to door TPs Container Door to door Door to door dan Bak Beton TPS Container TPS Terbuka Door to door TPS Pool Gerobak TPS Container Door to door TPS Bak Beton TPS Pool Gerobak TPS Pool Gerobak TPS Pool Gerobak TPS Pool Gerobak TPS Pool Gerobak TPS Container TPS Container TPS Container TPS Pool gerobak TPS Pool Gerobak TPS Pool Gerobak TPS Terbuka TPS Pool Gerobak TPS Pool Gerobak
20 20 20 17 15 10 20 14 12 12 14 22 12.5 12 16.25 24 18 12 19 18 14.5 24.5 20 20 30 16 22.74 30 12
21
17
Kebon Melati
18
Karet Tengsin
19
Bendungan Hilir
20
Petamburan
21
Gelora
22
Gunung SahariSelatan
24
Kemayoran
25
Serdang
26
Kebon Kosong
27
Utan Panjang
Rusun Kebon Kacang Lintas Kebon Kacang Mess Kowal dan Mess Irian Jl Tanjung Karang Jl H Sabeni Rusun Karet Tengsin RW 011 RW 09 Jl Administrasi Rw 07 Pasar Walahar dan Rusun Bend Hilir Wisma bendungan Hilir, Puri Raya dan BPK Rusun Petamburan Jl Jati Petamburan / Pasar Pintu Air Jl Palmerah Barat dan Palmerah Selatan Komplek DPR-MPR Jl Kadiman & Lintas Seksi Almabar dan Golden Truly Jl Kemayoran Utara Jl Kepu Timur Jl Benda Barat dan Benda Timur Jl Bendungan Jago RW 02 Jl Serdang Baru RW 05 Jl Kampung Irian RW 06 Jl Kali Baru Barat 1 Jl Kali Baru Barat 2 Rusun Boing & Rusun Convus Rusun Avron dan Rusun Dakota Jl Kemayoran Gempol Jl Utan Panjang Timur
Rute 55 Rute 56 Rute 57 Rute 58 Rute 59 Rute 60 Rute 61 Rute 62 Rute 63 Rute 64 Rute 65 Rute 66 Rute 67 Rute 68 Rute 69 Rute 70 Rute 71 Rute 72 Rute 73 Rute 74 Rute 75 Rute 76 Rute 77 Rute 78 Rute 79 Rute 80 Rute 81 Rute 82 Rute 83
TPS Container Door to door TPS Bak Beton TPS Pool Gerobak TPS Container TPS Container TPS Container TPS Bak Beton TPS Pool Gerobak TPS Terbuka dan Bak Beton TPS Bak Beton TPs Bak Beton TPS Container TPS Terbuka TPS Bak Beton TPS Pool Gerobak TPS Container TPS Pool Gerobak TPS Pool Gerobak TPS Jali-Jali TPS Pool Gerobak TPS Container TPS Pool Gerobak TPS Container TPS Container TPS Container TPS Container TPS Container TPS Pool Gerobak
12 30 30 20 19 24 12 20 30 12 27 22 30 30 19 44 23.5 38 20 24 44 26 18 24 24 24 24 20 44
22
28 29
Harapan Mulya Cempaka baru
30
Sumur Batu
31
Cempaka Putih Barat
32
Cempaka Putih Timur
33
Rawasari
34
Johar Baru
35
Kampung Rawa
Jl Serdang Raya Jl Bendungan Jago RW 02 Jl Sawo Jl Tanah Tinggi Rw 08 Jl Cempaka Baru RW 05 Jl Cempaka Baru RW 08 & RW 06 Jl Cempaka Baru Rw 09 & RW 010 Jl Howitzer raya Pusat Pertokoan Cempaka Mas Jl Mardani Raya RW 03 Cemp. Putih Barat Jl Cempaka Putih Barat 26 Jl Cempaka Putih Barat 2 Jl Cempaka Putih Tengah 33 RW 06 Cemp Putih Timur Jl Cempaka Putih Tengah 17 Jl Cempaka Putih Tengah 25 RW 05 Cempaka Putih Timur RW 08 Cempaka Putih Timur Jl Pramuka Sari Jl Percetakan Negara IX Jl Percetakan Negara V Jl Pramuka Sari Lintas Rawasari Jl Johar Baru IV Jl Kawi-Kawi Jl Percetakan Negara II RW 01 & 02 Johar Baru RW 01, RW 02 dan Rw 04 Kampung Rawa
Rute 84 Rute 85 Rute 86 Rute 87 Rute 88 Rute 89 Rute 90 Rute 91 Rute 92 Rute 93 Rute 94 Rute 95 Rute 96 Rute 97 Rute 98 Rute 99 Rute 100 Rute 101 Rute 102 Rute 103 Rute 104 Rute 105 Rute 106 Rute 107 Rute 108 Rute 109 Rute 110 Rute 111 Rute 112
TPS Container TPS Terbuka TPS Pool Gerobak TPS Pool Gerobak TPS Container TPS Pool Gerobak TPS Jali-Jali TPS Pool Gerobak TPS Container TPS Pool Gerobak Door to door TPS Pool Gerobak TPS Pool Gerobak TPS Pool Gerobak TPS Container TPS Pool Gerobak TPS Container Door to door Door to door TPS Pool Gerobak TPS Pool Gerobak TPS Pool Gerobak TPS Container Door to door TPS Pool Gerobak TPS Container TPS Container TPS Jali-Jali TPS Jali-Jali
28 44 15 12 30 50 9 44 29 24.5 20 22 20 10 15 14 16 10 8 26 24 27 12 8 30.5 12 20 26 14
23
86
Galur
87
Tanah Tinggi
RW 05 & RW 07 Kampung Rawa RW 03, RW 06 & RW 08 Kampung RW Jl Rawa Selatan I RW 01, RW 02 & RW 03 Galur RW 04 & RW 05 Galur RW 06 & RW 07 Galur RW 01, RW 02, RW 03 & RW 04 Tanah Tinggi JL Pulo Gundul RW 05, RW 07 & RW 09 Tanah Tinggi RW 14 Tanah Tinggi
Rute 113 Rute 114 Rute 115 Rute 116 Rute 117 Rute 118 Rute 119 Rute 120 Rute 121 Rute 122
TPS Jali-Jali TPS Jali-Jali TPS Jali-Jali TPS Jali-Jali TPS Jali-Jali TPS Jali-Jali TPS Jali-Jali TPS Container TPS Jali-Jali TPS Container
TOTAL SAMPAH
14 14 21 10 7 10 32 12 24 12 2698.29
Lampiran 3 Biaya masing-masing kendaraan untuk mengangkut sampah per m3 dan untuk melakukan perjalanan per km KENDARAAN Typer besar Typer Kecil Compactor Besar Compactor Kecil Armroll Besar Armroll Kecil
BIAYA ANGKUT / m3 16,148.04 19,245.82 21,991.76 25,038.37 16,675.23 18,614.39
BIAYA PERJALANAN / Km 10,819.78 6,859.52 10,332.16 8,800.02 9,825.60 7,080.42
24
Lampiran 4 a. Jarak rute pengangkutan dengan depot kendaraan (dalam km) Depot Cililitan Sunter Semper
R1
Depot
R13
8.9 5.5 14.4
R2 9.7 5.5 14.7
R3 9.2 6.1 15
R4
R14
R15
R16
9.3 5.9 14.8
R5 9.1 6 14.9
R6 9.1 6.3 15.1
R7 8.6 6.1 14.7
R8 8.8 5.8 14.8
R9
R17
R18
R19
R20
R21
9 5.4 14.3
R10 8.3 5.6 15
R11 9.2 4.2 13.3
R12 8.6 4.2 13.6
R22
R23
R24
Cililitan Sunter Semper
7.8 5.3 13.9
7.2 5.8 14.2
7.8 5.6 13.9
8.3 5.3 14.2
6.9 5.6 13.6
11.1 3.3 13.1
10.3 3.3 13.3
8.6 2.8 12.2
10.3 3 11.7
10 3.3 13.3
11.1 3.6 13.3
9.2 4.2 12.8
Depot Cililitan Sunter Semper
R25 8.9 3.3 13.1
R26 9.4 3.6 11.4
R27 8.9 4.2 12.8
R28 7.6 3.6 12.8
R29 9.4 3.9 13.3
R30 7.5 4.2 13.1
R31 8.1 4.6 12.5
R32 7.5 5.3 13.9
R33 6.9 5.8 13.6
R34 7.8 5 13.6
R35 7.5 4.7 12.5
R36 7.1 4.7 12.8
Depot Cililitan Sunter Semper
R37 6.4 5.4 11.7
R38 7.2 5.3 12.9
R39 6.9 5.5 13.1
R40 7.6 5.2 13
R41 9.7 4.6 13.6
R42 7.5 5.1 13.3
R43 7.9 4.9 13.9
R44 6.1 5.4 12.1
R45 6.4 5.4 12.8
R46 6.9 5.1 12.6
R47 8.6 3.5 11.9
R48 8.7 3.3 11.5
Depot Cililitan Sunter Semper
R49 8.9 3.1 12.2
R50 8.7 6.1 15.3
R51 8.3 5.6 14.4
R52 8.7 6.8 15.6
R53 7.4 6.9 15
R54 7.6 6.4 15.1
R55 7.6 7.1 15.6
R56 7.9 7.1 15.7
R57 7.4 7.6 16.5
R58 7.1 5.8 15.4
R59 7.4 6.9 15.6
R60 6.5 8.2 16.4
25
Depot Cililitan Sunter Semper
R61 7.2 8.1 16.2
R62 6.7 8.2 16.4
R63 7.9 8.7 17.1
R64 7.6 8.5 16.8
R65 10.7 8.7 17.4
R66 8.3 6.2 16.4
R67 8.2 7.8 16.4
R68 10.7 8.7 17.1
R69 9.6 9.6 16.7
R70 10.1 3.5 13.3
R71 10.4 3.5 13.5
R72 8.6 3.1 11.7
Depot Cililitan Sunter Semper
R73 8.6 2.8 11.1
R74 7.9 3 11.3
R75 8.9 2.2 11.2
R76 9.3 2.2 11.2
R77 9 2.1 11
R78 8.6 3.1 11.4
R79 8.7 2.8 11.2
R80 8.6 2.6 10.7
R81 8.7 2.6 10.4
R82 8.5 2.9 10.8
R83 8.5 3.1 11
R84 7.4 3.2 10.4
Depot Cililitan Sunter Semper
R85 8.3 2.8 10.5
R86 8.1 2.9 10.6
R87 7.4 3.7 10.4
R88 5.8 3.5 9.7
R89 6.8 4.2 10.1
R90 7.4 3.7 10
R91 7.8 3.2 9.6
R92 7.2 4.2 9.3
R93 6.1 4.6 10.7
R94 6.7 4.3 10.4
R95 6.2 4.6 10.1
R96 6.8 4 9.9
Depot Cililitan Sunter Semper
R97 6.2 4.9 9.7
R98 6.4 4.7 9.9
R99 6.8 4.4 9.3
R100 5.8 5.3 9.9
R101 6.1 4.9 10.1
R102 6 5.1 10
R103 5.7 5.8 10.7
R104 5.8 5.3 10.7
R105 5.4 5.7 11
R106 5.3 6 11
R107 5.4 5.6 10.7
R108 5.8 5.4 11.5
Depot Cililitan Sunter Semper
R109 5.6 6 12.1
R110 5.6 5.7 12.1
R111 5.7 5.7 11.8
R112 6.5 4.6 11
R113 6.4 4.7 11.4
R114 6.1 5.1 11.2
R115 6.2 5 11
R116 6.8 4.3 11.1
R117 6.8 4.2 10.6
R118 7.1 4 11
R119 7.6 4.6 12.9
R120 7.2 4.4 12.8
Depot Cililitan Sunter Semper
R121 7.1 5 13
R122 7.6 4.9 13.2
26
b.
Jarak terminal site dengan rute kendaraan (dalam km)
TERMINAL SITE SPA Sunter SPA Cilincing TPA Bantar Gebang ITF Duri Kosambi TPST Bojong
R1 6.9 14.2 21.7 11.1 30.5
R2 6.4 15 22.8 8.9 31.4
R3 6.7 14.7 22.2 9.1 30.5
R4 6.6 14.6 22.3 9.2 30.6
R5 6.5 14.4 22.4 9.3 30.7
R6 6.6 15.3 22.4 9 30.5
R7 5.6 14.4 22.5 10.3 30.6
R8 5.4 14.5 22.8 10.2 31
R9 5.1 14.2 23.1 10.1 31.3
R10 5.3 14.7 22.8 9.7 31.7
R11 3.3 13.9 22.2 10.8 31.1
R12 5 13.9 21.7 10.8 30.8
TERMINAL SITE SPA Sunter SPA Cilincing TPA Bantar Gebang ITF Duri Kosambi TPST Bojong
R13 6.1 13.6 21.1 11.9 29.4
R14 6.7 13.9 20.6 11.7 29.2
R15 5.8 13.6 20.8 11.7 29.4
R16 5.8 13.6 21.4 10.1 30
R17 6.4 13.3 20 11.9 28.6
R18 4.2 13.6 23.3 11.1 32.2
R19 3.6 13.3 23.1 11.4 31.9
R20 3.3 12.5 22.2 11.9 31.9
R21 3.3 13.1 22.8 11.7 32.5
R22 3.6 13.1 22.5 11.9 31.7
R23 3.6 13.9 23.1 10.6 32.2
R24 4.7 13.1 21.7 11.7 30.8
TERMINAL SITE SPA Sunter SPA Cilincing TPA Bantar Gebang ITF Duri Kosambi TPST Bojong
R25 4.7 13.1 21.7 11.7 30.8
R26 4.2 13.1 21.9 11.9 31
R27 4.7 12.8 21.1 12.2 30.6
R28 4.2 13.1 22.2 11.7 30.8
R29 4.2 13.3 22.2 11.1 31.4
R30 5.3 12.8 20.1 11.9 30
R31 5.6 12.8 20.6 12.5 30
R32 6.7 13.6 20.6 11.7 29.2
R33 6.7 13.3 20 12.2 28.6
R34 5.8 13.7 21.1 11.2 29.7
R35 5.6 13.1 20 11.8 29.4
R36 5.6 12.6 20 11.9 28.6
TERMINAL SITE SPA Sunter SPA Cilincing TPA Bantar Gebang ITF Duri Kosambi TPST Bojong
R37 6.1 12.8 19.7 12.8 28.3
R38 5.8 12.6 20 12.5 28.6
R39
R40 5.7 12.8 20.3 11.9 29.4
R41 5.3 13.2 21.1 11.5 29.7
R42 5.8 13.2 20.8 11.8 29.4
R43 5.6 13.5 21.1 11.5 29.7
R44 6.1 11.8 18.9 13.5 28.1
R45 6.2 11.9 18.9 13.6 28.1
R46 5.9 13.6 19.7 12.9 29.9
R47 4.3 12.2 20.8 12.6 30
R48 4.2 11.7 21.1 12.8 30
6 12.9 20.2 12.1 28.3
27
TERMINAL SITE SPA Sunter SPA Cilincing TPA Bantar Gebang ITF Duri Kosambi TPST Bojong
R49 3.7 12.5 21.5 9 30.8
R50 6.8 14.9 21.7 10.1 30
R51 6.4 14.7 21.7 10.1 30
R52 7.2 15.3 21.9 9.9 30
R53 7.1 14.7 20.8 10.7 29.2
R54 7.1 14.7 21.1 10.1 30.1
R55 7.1 14.7 21.1 10.1 30.1
R56 7.6 15.6 21.4 10 29.6
R57 8.1 15.7 20.3 10 28.9
R58 7.9 15 20.4 10.6 28.6
R59 7.6 15.3 20.8 10.3 29.3
R60 8.6 15.6 20.1 10.4 28.1
TERMINAL SITE SPA Sunter SPA Cilincing TPA Bantar Gebang ITF Duri Kosambi TPST Bojong
R61
R62 8.9 15.7 20.6 10.4 28.2
R63 9.3 16.7 21.8 9.2 29.4
R64
9 15.8 20.4 10.4 28.1
9 16.5 21.4 9.6 29
R65 9.6 16.9 21.7 9 28.9
R66 7.9 16 21.8 9.3 29.8
R67 8.3 16.2 21.7 9.6 29.4
R68 9.4 16.8 21.2 9.4 28.7
R69 9.4 16.4 20.3 10.1 28.1
R70 3.7 13.6 22.8 10.7 32.1
R71 3.7 13.9 23.3 10.7 32.5
R72 3.7 1.8 20.7 12.6 30
TERMINAL SITE SPA Sunter SPA Cilincing TPA Bantar Gebang ITF Duri Kosambi TPST Bojong
R73 3.6 11.4 20.6 13.2 30.1
R74 3.8 11.6 20.3 13.5 30.6
R75 3.5 11.5 20.8 13.3 30.6
R76 1.2 11.7 21.4 11.4 31
R77 3.1 11.2 21.1 13.5 30.6
R78 5.1 11.7 20.8 12.9 30.1
R79 3.7 11.1 20.3 13.3 30.3
R80 3.5 10.6 20.3 13.7 30
R81 3.5 10.4 20.3 14 30
R82 5.3 11 20.3 13.6 30
R83 4 11.1 20 13.5 29.7
R84 4.2 10 19.7 14.2 28.1
TERMINAL SITE SPA Sunter SPA Cilincing TPA Bantar Gebang ITF Duri Kosambi TPST Bojong
R85 3.6 10.4 20 13.9 29.7
R86 3.6 10.3 19.7 13.6 29.4
R87 4.7 10.1 18.7 14.3 28.5
R88 4.9 9.4 18.5 14.9 28.5
R89 5.1 9.9 18.5 14.6 28.3
R90 4.6 9.9 18.7 14.4 28.5
R91 4.2 9.4 19 14.7 28.9
R92 5.3 9.2 18.1 15.3 28.2
R93 5.7 10.1 18.1 14.6 27.6
R94 5.3 10 18.2 14.4 28.1
R95 5.8 9.6 17.9 15 27.5
R96 7.9 10.8 18.2 15 28.2
28
TERMINAL SITE SPA Sunter SPA Cilincing TPA Bantar Gebang ITF Duri Kosambi TPST Bojong
R97 6 9.2 17.4 15.6 27.4
R98 5.8 9.4 17.6 15.4 27.5
R99 5.6 8.9 17.6 15.4 27.8
R100 6.4 9.2 17.1 15.7 25.4
TERMINAL SITE SPA Sunter SPA Cilincing TPA Bantar Gebang ITF Duri Kosambi TPST Bojong
R109 7.1 11.5 18.1 14 27.1
R110 6.4 11.5 18.3 13.7 27.5
R111 6.5 11.4 18.2 14.2 27.5
R112 5.8 10.7 18.5 14.4 28.1
TERMINAL SITE SPA Sunter SPA Cilincing TPA Bantar Gebang ITF Duri Kosambi TPST Bojong
R121 5.8 12.8 20 12.5 28.9
R122 5.7 12.9 20.4 11.8 29.1
R101 6 9.6 17.6 15.1 27.4
R102 6.2 9.4 17.2 15.4 27.1
R113 5.8 11 18.5 14.3 27.9
R114 6.2 10.8 18.3 14.3 27.8
R103 6.4 9.9 17.2 15.8 26.9 R115 6 10.1 18.2 14.4 27.6
R104 6.4 10.1 17.8 14.7 27.2
R105 6.8 10.4 17.5 15.1 26.9
R106 7.1 10.3 16.9 15.4 26.8
R107 6.7 10.1 17.2 15.3 27.1
R108 6.5 11 17.8 14.4 27.2
R116 5.4 10.7 18.7 14 28.2
R117 5.4 10.3 18.6 14.4 28.2
R118 3.6 10.6 18.9 14.3 28.5
R119 5.4 12.6 20.4 11.9 29.4
R120 5.4 12.5 20 12.4 28.9
29
Lampiran 5 Penyelesaian masalah simulasi pengangkutan sampah di Jakarta Pusat dengan menggunakan LINGO 8.0 a. Tahap 1 Solusi yang dihasilkan pada tahap 1 tidak ditampilkan semuanya pada lampiran ini disebabkan karena ukurannya yang terlalu banyak. MODEL: TITLE "Phase 1 : PENGEMBANGAN MODEL OPTIMASI RUTE PENGAMBILAN SAMPAH DI JAKARTA PUSAT"; SETS: RUTE_PENGANGKUTAN: VOL_SAMPAH; DEPOT : KAPASITAS_DEPOT; KENDARAAN: DAYA_ANGKUT, BIAYA_ANGKUT, BIAYA_PERJALANAN; JARAK1(DEPOT,RUTE_PENGANGKUTAN): JARAK_DEPOT_KE_RUTE; VAR_KEPUTUSAN(KENDARAAN,DEPOT,RUTE_PENGANGKUTAN): DELTA, LOAD; ENDSETS ! FUNGSI OBJEKTIF; MIN = @SUM(VAR_KEPUTUSAN(I,J,K): DELTA(I,J,K)*JARAK_DEPOT_KE_RUTE(J,K)*BIAYA_PERJALANAN(I)) + @SUM(VAR_KEPUTUSAN(I,J,K): LOAD(I,J,K)*BIAYA_ANGKUT(I)) ; ! SEMUA SAMPAH DI SETIAP RUTE PENGANGKUTAN HARUS DIANGKUT; @FOR(RUTE_PENGANGKUTAN(K): @SUM(KENDARAAN(I): @SUM(DEPOT(J):LOAD(I,J,K))) = VOL_SAMPAH(K)); !Jumlah sampah yang diangkut oleh setiap kendaraan tidak boleh melebihi kapasitas kendaraan dimana setiap kendaraan hanya bisa melakukan 2 ritasi; @FOR(VAR_KEPUTUSAN(I,J,K): LOAD(I,J,K) <= 2*DAYA_ANGKUT(I)); !Jika delta(ijk) = 0 maka tidak ada sampah yang diangkut oleh kendaraan ke-i; @FOR(VAR_KEPUTUSAN(I,J,K): LOAD(I,J,K) <= DELTA(I,J,K)*VOL_SAMPAH(K)); !Jika delta (ijk)=1 maka load (ijk) harus > 0 dan banyak sampah yang diangkut harus sebanyak jumlah yang ditetapkan, yaitu 3 m3; @FOR(VAR_KEPUTUSAN(I,J,K): 3*DELTA(I,J,K) - LOAD(I,J,K) <= 0); !Load (ijk) harus >= 0; @FOR(VAR_KEPUTUSAN(I,J,K): LOAD(I,J,K) >= 0); ! UNTUK SETIAP RUTE PENGANGKUTAN, MINIMAL ADA SATU KENDARAAN YANG BERTUGAS MENGANGKUT SAMPAH; @FOR(RUTE_PENGANGKUTAN(K): @SUM(KENDARAAN(I): @SUM(DEPOT(J):DELTA(I,J,K))) >= 1); ! Setiap kendaraan hanya boleh bertugas di satu rute pengangkutan saja; @FOR(KENDARAAN(I): @SUM(DEPOT(J): @SUM(RUTE_PENGANGKUTAN(K):DELTA(I,J,K)))<= 1);
30
! JUMLAH KENDARAAN YANG DITEMPATKAN DI DEPOT TIDAK BOLEH MELEBIHI KAPASITAS YANG TERSEDIA; @FOR(DEPOT(J): @SUM(KENDARAAN(I): @SUM(RUTE_PENGANGKUTAN(K):DELTA(I,J,K)))<= KAPASITAS_DEPOT(J)); ! DELTA ADALAH VARIABEL BINER; @FOR( VAR_KEPUTUSAN: @BIN( DELTA)); !Data yang dipakai disimpan di dalam program excel yang dapat diimpor dari G:\Prototipe Program\Data Kebersihan1.XLS; DATA: RUTE_PENGANGKUTAN, DEPOT, KENDARAAN, VOL_SAMPAH, KAPASITAS_DEPOT, DAYA_ANGKUT, BIAYA_ANGKUT, JARAK_DEPOT_KE_RUTE, BIAYA_PERJALANAN = @OLE( 'G:\Prototipe Program\Data Kebersihan1.XLS'); ENDDATA Global optimal solution found at iteration: Objective value:
1996898 8775295.
Model Title: Phase 1 : PENGEMBANGAN MODEL OPTIMASI RUTE PENGAMBILAN SAMPAH Variable VOL_SAMPAH( R1) VOL_SAMPAH( R2) VOL_SAMPAH( R3) VOL_SAMPAH( R4) VOL_SAMPAH( R5) VOL_SAMPAH( R6) VOL_SAMPAH( R7) VOL_SAMPAH( R8) VOL_SAMPAH( R9) VOL_SAMPAH( R10) VOL_SAMPAH( R11) VOL_SAMPAH( R12) VOL_SAMPAH( R13) VOL_SAMPAH( R14) VOL_SAMPAH( R15) KAPASITAS_DEPOT( D1) KAPASITAS_DEPOT( D2) KAPASITAS_DEPOT( D3) DAYA_ANGKUT( TB1) DAYA_ANGKUT( TB2) DAYA_ANGKUT( TB3) DAYA_ANGKUT( TB4) DAYA_ANGKUT( TB5) DAYA_ANGKUT( TB6) DAYA_ANGKUT( TK1) DAYA_ANGKUT( TK2) DAYA_ANGKUT( TK3) DAYA_ANGKUT( TK4) DAYA_ANGKUT( CB1) DAYA_ANGKUT( CB2) DAYA_ANGKUT( CK1) DAYA_ANGKUT( CK2) DAYA_ANGKUT( AB1) DAYA_ANGKUT( AB2) DAYA_ANGKUT( AB3) DAYA_ANGKUT( AB4)
Value 30.00000 50.00000 24.00000 20.00000 30.00000 24.00000 50.00000 20.00000 20.00000 30.00000 28.00000 24.00000 20.50000 18.00000 20.00000 5.000000 7.000000 10.00000 18.00000 18.00000 18.00000 18.00000 18.00000 18.00000 8.000000 8.000000 8.000000 8.000000 20.00000 20.00000 10.00000 10.00000 10.00000 10.00000 10.00000 10.00000
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 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
31
DAYA_ANGKUT( AK1) DAYA_ANGKUT( AK2) DAYA_ANGKUT( AK3) DAYA_ANGKUT( AK4) BIAYA_ANGKUT( TB1) BIAYA_ANGKUT( TB2) BIAYA_ANGKUT( TB3) BIAYA_ANGKUT( TB4) BIAYA_ANGKUT( TB5) BIAYA_ANGKUT( TB6) BIAYA_ANGKUT( TK1) BIAYA_ANGKUT( TK2) BIAYA_ANGKUT( TK3) BIAYA_ANGKUT( TK4) BIAYA_ANGKUT( CB1) BIAYA_ANGKUT( CB2) BIAYA_ANGKUT( CK1) BIAYA_ANGKUT( CK2) BIAYA_ANGKUT( AB1) BIAYA_ANGKUT( AB2) BIAYA_ANGKUT( AB3) BIAYA_ANGKUT( AB4) BIAYA_ANGKUT( AK1) BIAYA_ANGKUT( AK2) BIAYA_ANGKUT( AK3) BIAYA_ANGKUT( AK4) BIAYA_PERJALANAN( TB1) BIAYA_PERJALANAN( TB2) BIAYA_PERJALANAN( TB3) BIAYA_PERJALANAN( TB4) BIAYA_PERJALANAN( TB5) BIAYA_PERJALANAN( TB6) BIAYA_PERJALANAN( TK1) BIAYA_PERJALANAN( TK2) BIAYA_PERJALANAN( TK3) BIAYA_PERJALANAN( TK4) BIAYA_PERJALANAN( CB1) BIAYA_PERJALANAN( CB2) BIAYA_PERJALANAN( CK1) BIAYA_PERJALANAN( CK2) BIAYA_PERJALANAN( AB1) BIAYA_PERJALANAN( AB2) BIAYA_PERJALANAN( AB3) BIAYA_PERJALANAN( AB4) BIAYA_PERJALANAN( AK1) BIAYA_PERJALANAN( AK2) BIAYA_PERJALANAN( AK3) BIAYA_PERJALANAN( AK4) JARAK_DEPOT_KE_RUTE( D1, R1) JARAK_DEPOT_KE_RUTE( D1, R2) JARAK_DEPOT_KE_RUTE( D1, R3) JARAK_DEPOT_KE_RUTE( D1, R4) JARAK_DEPOT_KE_RUTE( D1, R5) JARAK_DEPOT_KE_RUTE( D1, R6) JARAK_DEPOT_KE_RUTE( D1, R7) JARAK_DEPOT_KE_RUTE( D1, R8) JARAK_DEPOT_KE_RUTE( D1, R9) JARAK_DEPOT_KE_RUTE( D1, R10) JARAK_DEPOT_KE_RUTE( D1, R11) JARAK_DEPOT_KE_RUTE( D1, R12) JARAK_DEPOT_KE_RUTE( D1, R13) JARAK_DEPOT_KE_RUTE( D1, R14) JARAK_DEPOT_KE_RUTE( D1, R15) JARAK_DEPOT_KE_RUTE( D2, R1) JARAK_DEPOT_KE_RUTE( D2, R2)
6.000000 6.000000 6.000000 6.000000 16148.04 16148.04 16148.04 16148.04 16148.04 16148.04 19245.82 19245.82 19245.82 19245.82 21991.76 21991.76 25038.37 25038.37 16675.23 16675.23 16675.23 16675.23 18614.39 18614.39 18614.39 18614.39 10819.78 10819.78 10819.78 10819.78 10819.78 10819.78 6859.520 6859.520 6859.520 6859.520 10332.16 10332.16 8800.020 8800.020 9825.600 9825.600 9825.600 9825.600 7080.420 7080.420 7080.420 7080.420 8.900000 9.700000 9.200000 9.300000 9.100000 9.100000 8.600000 8.800000 9.000000 8.300000 9.200000 8.600000 7.800000 7.200000 7.800000 5.500000 6.100000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
32
JARAK_DEPOT_KE_RUTE( D2, R3) JARAK_DEPOT_KE_RUTE( D2, R4) JARAK_DEPOT_KE_RUTE( D2, R5) JARAK_DEPOT_KE_RUTE( D2, R6) JARAK_DEPOT_KE_RUTE( D2, R7) JARAK_DEPOT_KE_RUTE( D2, R8) JARAK_DEPOT_KE_RUTE( D2, R9) JARAK_DEPOT_KE_RUTE( D2, R10) JARAK_DEPOT_KE_RUTE( D2, R11) JARAK_DEPOT_KE_RUTE( D2, R12) JARAK_DEPOT_KE_RUTE( D2, R13) JARAK_DEPOT_KE_RUTE( D2, R14) JARAK_DEPOT_KE_RUTE( D2, R15) JARAK_DEPOT_KE_RUTE( D3, R1) JARAK_DEPOT_KE_RUTE( D3, R2) JARAK_DEPOT_KE_RUTE( D3, R3) JARAK_DEPOT_KE_RUTE( D3, R4) JARAK_DEPOT_KE_RUTE( D3, R5) JARAK_DEPOT_KE_RUTE( D3, R6) JARAK_DEPOT_KE_RUTE( D3, R7) JARAK_DEPOT_KE_RUTE( D3, R8) JARAK_DEPOT_KE_RUTE( D3, R9) JARAK_DEPOT_KE_RUTE( D3, R10) JARAK_DEPOT_KE_RUTE( D3, R11) JARAK_DEPOT_KE_RUTE( D3, R12) JARAK_DEPOT_KE_RUTE( D3, R13) JARAK_DEPOT_KE_RUTE( D3, R14) JARAK_DEPOT_KE_RUTE( D3, R15) DELTA( TB1, D1, R1) DELTA( TB1, D1, R2) DELTA( TB1, D1, R3) DELTA( TB1, D1, R4) DELTA( TB1, D1, R5) DELTA( TB1, D1, R6) DELTA( TB1, D1, R7) DELTA( TB1, D1, R8) DELTA( TB1, D1, R9) DELTA( TB1, D1, R10) DELTA( TB1, D1, R11) DELTA( TB1, D1, R12) DELTA( TB1, D1, R13) DELTA( TB1, D1, R14) DELTA( TB1, D1, R15) DELTA( TB1, D2, R1) DELTA( TB1, D2, R2) DELTA( TB1, D2, R3) DELTA( TB1, D2, R4) DELTA( TB1, D2, R5) DELTA( TB1, D2, R6) DELTA( TB1, D2, R7) DELTA( TB1, D2, R8) DELTA( TB1, D2, R9) DELTA( TB1, D2, R10) DELTA( TB1, D2, R11) DELTA( TB1, D2, R12) DELTA( TB1, D2, R13) DELTA( TB1, D2, R14) DELTA( TB1, D2, R15) DELTA( TB1, D3, R1) DELTA( TB1, D3, R2) DELTA( TB1, D3, R3) DELTA( TB1, D3, R4) DELTA( TB1, D3, R5) DELTA( TB1, D3, R6) DELTA( TB1, D3, R7)
6.100000 5.900000 6.000000 6.300000 6.100000 5.800000 5.400000 5.600000 4.200000 4.200000 5.300000 5.800000 5.600000 14.40000 14.70000 15.00000 14.80000 14.90000 15.10000 14.70000 14.80000 14.30000 15.00000 13.30000 13.60000 13.90000 14.20000 13.90000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 96296.04 -49937.13 40349.58 90080.15 98460.00 24113.28 93050.11 84670.26 86834.22 89804.17 99541.98 33857.71 -35401.98 -27284.54 73850.48 59508.79 -88888.34 6808.258 53292.90 64918.68 -6182.106 -88888.34 52210.92 47883.01 60590.77 45443.08 -13749.32 -62451.43 -42432.24 50046.97 155804.8 4161.766 103104.3 149588.9 161214.7 89031.96 4161.766
33
DELTA( TB1, D3, R8) DELTA( TB1, D3, R9) DELTA( TB1, D3, R10) DELTA( TB1, D3, R11) DELTA( TB1, D3, R12) DELTA( TB1, D3, R13) DELTA( TB1, D3, R14) DELTA( TB1, D3, R15) DELTA( TB2, D1, R1) DELTA( TB2, D1, R2) DELTA( TB2, D1, R3) DELTA( TB2, D1, R4) DELTA( TB2, D1, R5) DELTA( TB2, D1, R6) DELTA( TB2, D1, R7) DELTA( TB2, D1, R8) DELTA( TB2, D1, R9) DELTA( TB2, D1, R10) DELTA( TB2, D1, R11) DELTA( TB2, D1, R12) DELTA( TB2, D1, R13) DELTA( TB2, D1, R14) DELTA( TB2, D1, R15) DELTA( TB2, D2, R1) DELTA( TB2, D2, R2) DELTA( TB2, D2, R3) DELTA( TB2, D2, R4) DELTA( TB2, D2, R5) DELTA( TB2, D2, R6) DELTA( TB2, D2, R7) DELTA( TB2, D2, R8) DELTA( TB2, D2, R9) DELTA( TB2, D2, R10) DELTA( TB2, D2, R11) DELTA( TB2, D2, R12) DELTA( TB2, D2, R13) DELTA( TB2, D2, R14) DELTA( TB2, D2, R15) DELTA( TB2, D3, R1) DELTA( TB2, D3, R2) DELTA( TB2, D3, R3) DELTA( TB2, D3, R4) DELTA( TB2, D3, R5) DELTA( TB2, D3, R6) DELTA( TB2, D3, R7) DELTA( TB2, D3, R8) DELTA( TB2, D3, R9) DELTA( TB2, D3, R10) DELTA( TB2, D3, R11) DELTA( TB2, D3, R12) DELTA( TB2, D3, R13) DELTA( TB2, D3, R14) DELTA( TB2, D3, R15) DELTA( TB3, D1, R1) DELTA( TB3, D1, R2) DELTA( TB3, D1, R3) DELTA( TB3, D1, R4) DELTA( TB3, D1, R5) DELTA( TB3, D1, R6) DELTA( TB3, D1, R7) DELTA( TB3, D1, R8) DELTA( TB3, D1, R9) DELTA( TB3, D1, R10) DELTA( TB3, D1, R11) DELTA( TB3, D1, R12)
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 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 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
149588.9 144179.1 162296.7 143903.1 87956.61 30598.68 48453.92 139851.1 96296.04 -49937.13 40349.58 90080.15 98460.00 24113.28 -61838.89 84670.26 86834.22 89804.17 99541.98 33857.71 -35401.98 -27284.54 73850.48 59508.79 66000.66 6808.258 53292.90 64918.68 -6182.106 -88888.34 52210.92 47883.01 60590.77 45443.08 -13749.32 -62451.43 -42432.24 50046.97 155804.8 4161.766 103104.3 149588.9 161214.7 89031.96 4161.766 149588.9 144179.1 162296.7 143903.1 87956.61 30598.68 48453.92 139851.1 96296.04 -49937.13 40349.58 90080.15 98460.00 24113.28 -61838.89 84670.26 86834.22 89804.17 99541.98 33857.71
34
LOAD( AK3, D3, R2) LOAD( AK3, D3, R3) LOAD( AK3, D3, R4) LOAD( AK3, D3, R5) LOAD( AK3, D3, R6) LOAD( AK3, D3, R7) LOAD( AK3, D3, R8) LOAD( AK3, D3, R9) LOAD( AK3, D3, R10) LOAD( AK3, D3, R11) LOAD( AK3, D3, R12) LOAD( AK3, D3, R13) LOAD( AK3, D3, R14) LOAD( AK3, D3, R15) LOAD( AK4, D1, R1) LOAD( AK4, D1, R2) LOAD( AK4, D1, R3) LOAD( AK4, D1, R4) LOAD( AK4, D1, R5) LOAD( AK4, D1, R6) LOAD( AK4, D1, R7) LOAD( AK4, D1, R8) LOAD( AK4, D1, R9) LOAD( AK4, D1, R10) LOAD( AK4, D1, R11) LOAD( AK4, D1, R12) LOAD( AK4, D1, R13) LOAD( AK4, D1, R14) LOAD( AK4, D1, R15) LOAD( AK4, D2, R1) LOAD( AK4, D2, R2) LOAD( AK4, D2, R3) LOAD( AK4, D2, R4) LOAD( AK4, D2, R5) LOAD( AK4, D2, R6) LOAD( AK4, D2, R7) LOAD( AK4, D2, R8) LOAD( AK4, D2, R9) LOAD( AK4, D2, R10) LOAD( AK4, D2, R11) LOAD( AK4, D2, R12) LOAD( AK4, D2, R13) LOAD( AK4, D2, R14) LOAD( AK4, D2, R15) LOAD( AK4, D3, R1) LOAD( AK4, D3, R2) LOAD( AK4, D3, R3) LOAD( AK4, D3, R4) LOAD( AK4, D3, R5) LOAD( AK4, D3, R6) LOAD( AK4, D3, R7) LOAD( AK4, D3, R8) LOAD( AK4, D3, R9) LOAD( AK4, D3, R10) LOAD( AK4, D3, R11) LOAD( AK4, D3, R12) LOAD( AK4, D3, R13) LOAD( AK4, D3, R14) LOAD( AK4, D3, R15) Row 1 2 3 4
0.000000 12.00000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 12.00000 0.000000 0.000000 0.000000 Slack or Surplus 8775295. 0.000000 0.000000 0.000000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2466.350 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2466.350 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1939.160 0.000000 2466.350 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 Dual Price -1.000000 -16148.04 -19245.82 -18614.39
35
5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 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 62 63 64 65 66 67 68 69
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 0.000000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000 36.00000
-16675.23 -16148.04 -19245.82 -19245.82 -16675.23 -16675.23 -16148.04 -16148.04 -18614.39 -21991.76 -21991.76 -16675.23 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 3097.780 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
36
3969 3970 3971 3972 3973 3974 3975 3976 3977 3978 3979 3980 3981 3982 3983 3984 3985 3986 3987 3988 3989 3990 3991 3992 3993 3994 3995 3996 3997 3998 3999 4000 4001 4002 4003 4004 4005 4006 4007 4008 4009 4010 4011 4012 4013 4014 4015 4016
0.000000 0.000000 0.000000 0.000000 12.00000 0.000000 0.000000 0.000000 0.000000 1.000000 1.000000 0.000000 0.000000 1.000000 1.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 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 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2.000000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
b. Tahap 2 MODEL: TITLE "PHASE 2: PENGEMBANGAN MODEL OPTIMASI RUTE PENGAMBILAN SAMPAH DI JAKARTA PUSAT"; SETS: RUTE_PENGANGKUTAN: VOL_SAMPAH; TERMINAL_SITE : KAPASITAS_PER_HARI; JARAK2(TERMINAL_SITE, RUTE_PENGANGKUTAN): JARAK_RUTE_KE_TERM_SITE; VAR_KEPUTUSAN(TERMINAL_SITE, RUTE_PENGANGKUTAN): BETA; ENDSETS
37
! FUNGSI OBJEKTIF; MIN = @SUM(VAR_KEPUTUSAN(K,L): BETA(K,L)*JARAK_RUTE_KE_TERM_SITE(K,L)); ! JUMLAH SAMPAH YANG DIBUANG KE SEBUAH TERMINAL SITE TIDAK BOLEH MELEBIHI KAPASITAS YANG DITENTUKAN; @FOR(TERMINAL_SITE(K): @SUM(RUTE_PENGANGKUTAN(L):BETA(K,L)*VOL_SAMPAH(L)) <= KAPASITAS_PER_HARI(K)); ! SAMPAH DI RUTE PENGANGKUTAN HANYA BOLEH DIBUANG DI SATU TERMINAL SITE SAJA; @FOR(RUTE_PENGANGKUTAN(L): @SUM(TERMINAL_SITE(K): BETA(K,L))= 1); ! BETA ADALAH VARIABEL BINER; @FOR( VAR_KEPUTUSAN: @BIN( BETA)); !Data yang dipakai disimpan di dalam program excel yang dapat diimpor dari G:\Prototipe Program\Data Kebersihan1.XLS; DATA: RUTE_PENGANGKUTAN, TERMINAL_SITE, VOL_SAMPAH, KAPASITAS_PER_HARI, JARAK_RUTE_KE_TERM_SITE = @OLE( 'G:\Prototipe Program\Data Kebersihan1.XLS'); ENDDATA Global optimal solution found at iteration: Objective value:
1144 176.7000
Model Title: PHASE 2: PENGEMBANGAN MODEL OPTIMASI RUTE PENGAMBILAN SAMPAH Variable VOL_SAMPAH( R1) VOL_SAMPAH( R2) VOL_SAMPAH( R3) VOL_SAMPAH( R4) VOL_SAMPAH( R5) VOL_SAMPAH( R6) VOL_SAMPAH( R7) VOL_SAMPAH( R8) VOL_SAMPAH( R9) VOL_SAMPAH( R10) VOL_SAMPAH( R11) VOL_SAMPAH( R12) VOL_SAMPAH( R13) VOL_SAMPAH( R14) VOL_SAMPAH( R15) KAPASITAS_PER_HARI( T1) KAPASITAS_PER_HARI( T2) KAPASITAS_PER_HARI( T3) KAPASITAS_PER_HARI( T4) KAPASITAS_PER_HARI( T5) JARAK_RUTE_KE_TERM_SITE( T1, R JARAK_RUTE_KE_TERM_SITE( T1, R JARAK_RUTE_KE_TERM_SITE( T1, R JARAK_RUTE_KE_TERM_SITE( T1, R JARAK_RUTE_KE_TERM_SITE( T1, R JARAK_RUTE_KE_TERM_SITE( T1, R JARAK_RUTE_KE_TERM_SITE( T1, R JARAK_RUTE_KE_TERM_SITE( T1, R
Value 30.00000 50.00000 24.00000 20.00000 30.00000 24.00000 50.00000 20.00000 20.00000 30.00000 28.00000 24.00000 20.50000 18.00000 20.00000 150.0000 100.0000 0.000000 60.00000 100.0000 6.900000 6.400000 6.700000 6.600000 6.500000 6.600000 5.600000 5.400000
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 0.000000 0.000000 0.000000
38
JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE( JARAK_RUTE_KE_TERM_SITE(
T1, T1, T1, T1, T1, T1, T1, T2, T2, T2, T2, T2, T2, T2, T2, T2, T2, T2, T2, T2, T2, T2, T3, T3, T3, T3, T3, T3, T3, T3, T3, T3, T3, T3, T3, T3, T3, T4, T4, T4, T4, T4, T4, T4, T4, T4, T4, T4, T4, T4, T4, T4, T5, T5, T5, T5, T5, T5, T5, T5, T5, T5, T5, T5, T5,
R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R
5.100000 5.300000 3.300000 5.000000 6.100000 6.700000 5.800000 14.20000 15.00000 14.70000 14.60000 14.40000 15.30000 14.40000 14.50000 14.20000 14.70000 13.90000 13.90000 13.60000 13.90000 13.60000 21.70000 22.80000 22.20000 22.30000 22.40000 22.40000 22.50000 22.80000 23.10000 22.80000 22.20000 21.70000 21.10000 20.60000 20.80000 11.10000 8.900000 9.100000 9.200000 9.300000 9.000000 10.30000 10.20000 10.10000 9.700000 10.80000 10.80000 11.90000 11.70000 11.70000 30.50000 31.40000 30.50000 30.60000 30.70000 30.50000 30.60000 31.00000 31.30000 31.70000 31.10000 30.80000 29.40000
0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
39
JARAK_RUTE_KE_TERM_SITE( T5, R JARAK_RUTE_KE_TERM_SITE( T5, R BETA( T1, R1) BETA( T1, R2) BETA( T1, R3) BETA( T1, R4) BETA( T1, R5) BETA( T1, R6) BETA( T1, R7) BETA( T1, R8) BETA( T1, R9) BETA( T1, R10) BETA( T1, R11) BETA( T1, R12) BETA( T1, R13) BETA( T1, R14) BETA( T1, R15) BETA( T2, R1) BETA( T2, R2) BETA( T2, R3) BETA( T2, R4) BETA( T2, R5) BETA( T2, R6) BETA( T2, R7) BETA( T2, R8) BETA( T2, R9) BETA( T2, R10) BETA( T2, R11) BETA( T2, R12) BETA( T2, R13) BETA( T2, R14) BETA( T2, R15) BETA( T3, R1) BETA( T3, R2) BETA( T3, R3) BETA( T3, R4) BETA( T3, R5) BETA( T3, R6) BETA( T3, R7) BETA( T3, R8) BETA( T3, R9) BETA( T3, R10) BETA( T3, R11) BETA( T3, R12) BETA( T3, R13) BETA( T3, R14) BETA( T3, R15) BETA( T4, R1) BETA( T4, R2) BETA( T4, R3) BETA( T4, R4) BETA( T4, R5) BETA( T4, R6) BETA( T4, R7) BETA( T4, R8) BETA( T4, R9) BETA( T4, R10) BETA( T4, R11) BETA( T4, R12) BETA( T4, R13) BETA( T4, R14) BETA( T4, R15) BETA( T5, R1) BETA( T5, R2) BETA( T5, R3)
29.20000 29.40000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 1.000000 1.000000 0.000000 1.000000 1.000000 0.000000 1.000000 1.000000 1.000000 0.000000 1.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 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 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000
0.000000 0.000000 6.900000 6.400000 6.700000 6.600000 6.500000 6.600000 5.600000 5.400000 5.100000 5.300000 3.300000 5.000000 6.100000 6.700000 5.800000 14.20000 15.00000 14.70000 14.60000 14.40000 15.30000 14.40000 14.50000 14.20000 14.70000 13.90000 13.90000 13.60000 13.90000 13.60000 21.70000 22.80000 22.20000 22.30000 22.40000 22.40000 22.50000 22.80000 23.10000 22.80000 22.20000 21.70000 21.10000 20.60000 20.80000 11.10000 8.900000 9.100000 9.200000 9.300000 9.000000 10.30000 10.20000 10.10000 9.700000 10.80000 10.80000 11.90000 11.70000 11.70000 30.50000 31.40000 30.50000
40
BETA( T5, R4) BETA( T5, R5) BETA( T5, R6) BETA( T5, R7) BETA( T5, R8) BETA( T5, R9) BETA( T5, R10) BETA( T5, R11) BETA( T5, R12) BETA( T5, R13) BETA( T5, R14) BETA( T5, R15) Row 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 Slack or Surplus 176.7000 0.000000 1.500000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
30.60000 30.70000 30.50000 30.60000 31.00000 31.30000 31.70000 31.10000 30.80000 29.40000 29.20000 29.40000 Dual Price -1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
41