Masalah Penjadwalan Kereta Api Jalur Ganda Menggunakan Model Job-Shop
MASALAH PENJADWALAN KERETA API JALUR GANDA
MENGGUNAKAN MODEL
JOB-SHOP
NUR APRIANTI DWIYATCITA
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012
(2)
✁✂✄ ☎ ✆
✝✞✟✠✡ ✟☛✠✝☞ ☛✌✍ ☛✎✠ ☞✏☛☞ ✠✑
Masalah Penjadwalan Kereta Api Jalur Ganda Menggunakan
Model
Job-Shop
. Dibimbing oleh
✒ ✠✟☛✌✠✓ ✠✝✞✔dan
☞✕✝☛✖ ✠✗✓ ☞ ☛✠✟.
Pemodelan masalah penjadwalan kereta api merupakan kasus khusus dari masalah
penjadwalan
job-shop
. Berdasarkan konsep penjadwalan
job-shop
, perjalanan kereta api dapat
dianggap sebagai pekerjaan (
job
) yang akan dioperasikan pada suatu sumber daya (
resource
) yang
berupa petak blok atau segmen jalur. Formulasi model penjadwalan kereta api pada karya ilmiah
ini disusun sesuai dengan aturan-aturan umum yang berlaku pada sistem perkeretaapian, di
antaranya aturan persilangan (
crossing
), penyusulan (
overtaking
), dan aturan
headway
. Khusus
jalur ganda, aturan persilangan tidak berlaku, karena terdapat dua jalur yang dapat digunakan
untuk dua kereta api yang berlawanan arah. Formulasi model penjadwalan yang dibentuk
merupakan jenis
integer linear progamming
. Model diselesaikan dengan perangkat lunak LINGO
11.0 menggunakan algoritme
branch and bound
untuk meminimumkan total waktu tempuh
maksimum (
makespan
) kereta api. Aplikasi model dilakukan pada kasus jalur ganda, dengan
menggunakan data hipotetik dari MRT (
Mass Rapid Transit
) rute Lebak Bulus-Sisingamangaraja.
Banyaknya MRT Ekonomi yang disimulasikan adalah 11 unit dan MRT Ekspres 7 unit. Jadwal
simulasi MRT yang diperlihatkan dengan diagram ruang waktu tidak mengandung konflik dan
memiliki total
makespan
selama 1502 menit. Jadwal pada simulasi menunjukkan adanya
penundaan (
delay
) pada MRT Ekspres selama 11 menit. Penundaan tersebut, pada karya ilmiah ini
nilainya dapat dibatasi dengan memberikan kendala tambahan pada model. Namun, nilai
makespan
yang didapat tidak lebih baik dari sebelumnya.
(3)
✘✙ ✚✛✜✘✢ ✛
✣✤✥✦✧ ✥★✦✣✩ ★✪✫ ★✬ ✦✩ ✭ ★✩ ✦✮
Double Track Train Scheduling Problem Based on Job-Shop
Model. Supervised by
✯ ✦✥★✪ ✦✰✦✣✤✱and
✩ ✲ ✣★✳ ✦✴✰✩ ★✦✥.
Train scheduling problem can be modeled as a special case of
job-shop
scheduling
problems. Based on the
job-shop
scheduling concept, the train trip can be considered as a
job
,
which will be scheduled on tracks as
resources
. In this paper, train scheduling model is formulated
under common rules in railroad system, e.g.
crossing
,
overtaking
and
headway
rules. The
crossing
rule is not implemented for double track, because there are two tracks that can be used by two
trains with different directions. The train scheduling model is expressed in the form of
integer
linear programming
and solved by
branch and bound
algorithm to minimize the total
makespan
.
The model is then implemented for double track case of Mass Rapid Transit (MRT) Lebak
Bulus-Sisingamangaraja route, which involves 11 MRT Economy and 7 MRT Express trains using
hypothetical data. The train time-space diagrams show that there is no conflicts occurred and the
total
makespan
is 1502 minutes. The result, in particular, indicates that there is an 11 minutes
delay for MRT Express. The length of the delay can be reduced by employing an additional delay
constraint. But, of course, this will deteriorate the
makespan
.
(4)
✵ ✶✷ ✶✸ ✶✹✺ ✻ ✼✽ ✶✾✿ ✶✸✶✼❀ ✻ ❁✻ ❂ ✶✶✺ ❃ ✽ ✶✸❄ ❁❅ ✶✼✾ ✶
✵ ✻ ✼❅ ❅❄ ✼✶❀ ✶✼✵❆✾✻ ✸❇ ❈❉❊ ❋● ❈❍
■❏❑▲▼ ❑◆ ▲■❖ ◆P◗◆ ❘▲❖ ❙◆ ❖▲
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Sains pada
Departemen Matematika
P❚▼▲ ❑❖❚❯ ❚■❯▲❖❚ ❯▲❖◆❱▲
❲▲❱❏❳❖ ▲❨❯▲❖❚ ❯▲❖◆❱▲P▲■◆❳❯❏▼❚■❩ ❚❖ ▲❬❏▲■▲❳▲❯
◆■❨❖ ◆ ❖❏❖▼❚❑❖ ▲■◆ ▲■❭ ❪❩❪❑
❭ ❪❩❪❑ ❫❴ ❵❫
(5)
Judul
: Masalah Penjadwalan Kereta Api Jalur Ganda Menggunakan
Model
Job-Shop
Nama
: Nur Aprianti Dwiyatcita
NIM
: G54070031
Menyetujui
Mengetahui
Ketua Departemen
Dr. Berlian Setiawaty, M.S.
NIP. 19650505 198903 2 004
Tanggal Lulus:
Pembimbing I
Dra. Farida Hanum, M.Si.
NIP. 19651019 199103 2 002
Pembimbing II
Dr. Toni Bakhtiar, M.Sc.
NIP. 19720627 199702 1 002
(6)
❛❜❝ ❜❞❡ ❢❣ ❜❢❝ ❜❤
Puji syukur penulis panjatkan kepada Allah SWT atas nikmat, rahmat, dan kasih
sayang-Nya sehingga penulis mampu menyelesaikan karya ilmiah ini. Karya ilmiah ini disusun dengan
mendapat banyak dukungan baik moril maupun materiil dari berbagai pihak. Oleh karena itu,
dalam kesempatan ini penulis mengucapkan terima kasih kepada:
1
Sang pencipta, Tuhan semesta alam Allah SWT atas maha karya-Nya yaitu bumi yang
sempurna ini; Nabi Muhammad SAW semoga selawat senantiasa tercurah kepadanya,
keluarganya, sahabat, dan para pengikutnya;
2
Drs. Rochmani dan Dra. Indrati Soeprapto Putri sebagai orang tua yang selalu mendo akan,
menyayangi, dan memberikan motivasi kepada penulis; Sutidjah, nenek tercinta yang selalu
sabar dan mendo akan penulis; Muhammad Inderawan Sukma, S.Sos.I, kakak tersayang
sebagai pemberi semangat, motivasi, dan doa;
3
Dra. Farida Hanum, M.Si. selaku dosen pembimbing I yang telah meluangkan waktu dan
pikiran dalam membimbing, memberi motivasi, dan doa;
4
Dr. Toni Bakhtiar, M.Sc. selaku dosen pembimbing II yang telah memberikan ilmu, kritik
dan saran, motivasi serta doanya;
5
Dr. Ir. Amril Aman, M.Sc. selaku dosen penguji yang telah memberikan ilmu, saran, dan
doanya;
6
semua dosen Departemen Matematika, atas semua ilmu yang telah diberikan;
7
staf Departemen Matematika: Bapak Yono, Bapak Hery, Bapak Deni, Ibu Ade, Bapak Epul,
Bapak Bono, dan Ibu Susi atas semangat dan doanya;
8
sahabat yang selalu memberi semangat dan doa: Kak Bairanti, Uswah, Izzah, Ajeng, Nadia,
Kak Yani, Kak Icha, Kak Heggy, Kak Acid, Arina, Deva, Maya, Prama, Ayum, Rofi, Rizky,
Ruhiyat, Indin, Lili, Ima, Imam, Denda, Kak Tasrifin, Kak Dwi Setianto dan Kak Wira;
9
keluarga besar Eyang RM. H. M. Soeprapto dan Kong Narmin yang selalu memberi motivasi
dan doa;
10
semua teman Matematika 43 yang selalu menjadi contoh yang baik;
11
semua teman Matematika 44 yang saya banggakan dan saya sayangi;
12
semua teman Matematika 45 yang selalu memberi semangat dan doa;
13
teman seperjuangan Aisyah: Kak Achi, Kak Leni, Kak Leli, Kak Awal, Kak Risma, Kak
Aulia, Kak Mutty, Kak Imel, Kak Susi, Kak Ipit, dan Nanda;
14
Forkom SMAN 1 Bogor, BEM KM Kabinet Totalitas Perjuangan dan Kabinet Generasi
Inspirasi IPB, BEM G FMIPA IPB Kabinet Kesatria Pembaharu, Gumatika, dan Primagama;
15
Yayasan Karya Salemba Empat (KSE), Mien R. Uno Foundation (MRUF), dan
E-Camp
Indonesia yang telah memberikan beasiswa;
16
semua pihak yang telah membantu dalam penyusunan karya ilmiah ini.
Semoga karya ilmiah ini dapat bermanfaat bagi dunia ilmu pengetahuan khususnya bidang
matematika dan menjadi inspirasi bagi penelitian selanjutnya.
Bogor, Mei 2012
(7)
✐❥❦❧♠❧♥♦ ❥ ♣qr
Penulis dilahirkan di Bekasi pada tanggal 19 April 1989 sebagai anak kedua dari dua
bersaudara, anak dari pasangan Drs. Rochmani dan Dra. Indrati Soeprapto Putri. Pada tahun 2001
penulis lulus dari SD Negeri Kartika Sejahtera Bogor sebagai lulusan terbaik kedua, kemudian
pada tahun 2004 lulus dari SMP Negeri 1 Bojonggede dengan prestasi sebagai siswa teladan.
Tahun 2007 penulis lulus dari SMA Negeri 1 Bogor dan pada tahun yang sama penulis lulus
seleksi masuk IPB melalui jalur USMI (Undangan Seleksi Masuk IPB), dengan Mayor
Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA), kemudian mendapat
Minor Statistika mulai tahun kedua perkuliahan.
Selama mengikuti perkuliahan, penulis pernah menjadi asisten dosen mata kuliah
Pemrograman Linear pada 2010/2011. Tahun 2010 penulis meraih juara IV Olimpiade Matematika
dan mewakili IPB dalam OSN (Olimpiade Sains Nasional) bidang Matematika. Penulis juga
pernah meraih juara III pada kompetisi Sesi Poster yang diadakan oleh Departemen Matematika
IPB. Selain berprestasi, penulis sangat aktif di beberapa kegiatan kemahasiswaan di antaranya:
Anggota Departemen PPSDM BEM KM (Pendidikan dan Pengembangan Sumber Daya
Manusia Badan Eksekutif Mahasiswa Keluarga Mahasiswa) IPB 2007/2008,
Sekretaris Departemen Sains dan Teknologi BEM FMIPA IPB 2008/2009,
Direktur Administrasi dan Keuangan Biro Bisnis dan Kemitraan BEM KM IPB 2009/2010,
Ketua Biro Kesekretariatan Gugus Mahasiswa Matematika (Gumatika) FMIPA IPB
2009/2010,
Ketua Bidang Humas Data Center Forum Komunikasi Alumni Muslim SMA Negeri 1 Bogor
(Forkom Alims) 2009/2010.
Penulis juga sangat aktif di banyak kegiatan kepanitiaan dari organisasi yang sedang diikuti baik
tingkat kampus maupun tingkat nasional di antaranya:
Humas acara pemecahan Rekor MURI dalam MPKMB (Masa Perkenalan Kampus Mahasiswa
Baru) IPB 2008,
Sekretaris Pesta Sains Nasional 2009,
Sekretaris Lomba Karya Cipta Mahasiwa Nasional 2009,
Manajer Administrasi Program EDU (
Entrepreneur Development Unit
) BEM KM IPB 2010.
Kegiatan keagamaan yakni membina siswi SMA Negeri 1 Bogor melalui adanya mentoring, juga
turut menjadi bagian kegiatan penulis. Selain itu, penulis pun sudah bekerja menjadi staf akademik
bimbingan belajar Primagama sejak tingkat akhir perkuliahan.
Selama kuliah penulis mendapat beasiswa di antaranya Beasiswa Yayasan Karya Salemba
Empat (KSE), Mien R. Uno Foundation (MRUF), dan
E-Camp
Indonesia. Selain mendapat
beasiswa berupa dana tunai, penulis aktif mengkuti berbagai kegiatan seminar dan
workshop
pengembangan
softskill
yang diadakan oleh beasiswa. Penulis juga pernah mengikuti Program
Mahasiswa Wirausaha (PMW) IPB dan mendapat modal untuk mendirikan usaha. Hasil penilaian
usaha oleh CDA (
Career Development Affair
) IPB memberikan rapor hijau atas keberhasilan
membangun usaha dan perkembangan usaha penulis yang semakin maju. Oleh karena itu, pada
tahun 2010 penulis berkesempatan mengikuti kegiatan Seminar dan
Workshop
Wirausaha Muda
(8)
st✉✈ t✇① ②①
③④ ⑤④ ⑥④ ⑦
DAFTAR TABEL ...
ix
DAFTAR GAMBAR ...
ix
DAFTAR LAMPIRAN ...
x
I
PENDAHULUAN
1.1 Latar Belakang ...
1
1.2 Tujuan ...
1
II LANDASAN TEORI
2.1 Pemrograman Linear ...
1
2.2 Solusi Pemrograman Linear ...
2
2.3 Algoritme
Branch and Bound
...
3
2.4 Masalah Penjadwalan
Job-Shop
...
5
2.5 Aturan Umum Perjalanan Kereta Api Jalur Tunggal dan Ganda ...
7
III PEMODELAN MASALAH PENJADWALAN KERETA API DAN APLIKASINYA
3.1 Model Matematika ...
8
3.2 Aplikasi Model ...
11
IV SIMPULAN DAN SARAN ...
20
DAFTAR PUSTAKA ...
20
LAMPIRAN...
21
(9)
⑧⑨⑩❶ ⑨❷❶ ⑨❸ ❹ ❺
❻❼❽ ❼ ❾❼ ❿
1 Waktu pemrosesan setiap operasi (menit) dari Contoh 3 ...
6
2 Simulasi jadwal kedatangan dan keberangkatan MRT dari Lebak Bulus ke
Sisingamangaraja (menit ke-) ... 18
3 Simulasi jadwal kedatangan dan keberangkatan MRT dari Sisingamangaraja ke
Lebak Bulus (menit ke-) ... 19
4 Data simulasi dari perjalanan MRT Lebak Bulus-Sisingamangaraja ... 24
5 Waktu kedatangan setiap MRT di stasiun pertama ... 25
6 Simulasi jadwal kedatangan dan keberangkatan MRT dari Lebak Bulus ke
Sisingamangaraja dengan waktu
delay
MRT Ekspres 6 menit (menit ke-) ... 36
7 Simulasi jadwal kedatangan dan keberangkatan MRT dari Sisingamangaraja ke
Lebak Bulus dengan waktu
delay
MRT Ekspres 6 menit (menit ke-) ... 37
⑧⑨⑩❶ ⑨❷➀ ⑨➁ ❸ ⑨❷ ❻❼❽ ❼ ❾❼ ❿
1
Bagan dari penyelesaian ILP (8) dengan algoritme
Branch and Bound
...
5
2
Diagram
Gantt
dari Contoh 3 kombinasi 1 ...
6
3
Diagram
Gantt
dari Contoh 3 kombinasi 2 ...
7
4
Diagram
Gantt
dari Contoh 3 kombinasi 3 ...
7
5
Ilustrasi dari istilah perkeretaapian ...
8
6
Ilustrasi suatu rute perjalanan kereta api jalur ganda ...
9
7
Ilustrasi perjalanan MRT rute Lebak Bulus-Sisingamangaraja ... 11
8
Diagram ruang waktu dari simulasi penjadwalan MRT dari Lebak Bulus ke
Sisingamangaraja yang mengandung konflik ... 14
9 Diagram ruang waktu dari simulasi penjadwalan MRT dari Sisingamangaraja ke
Lebak Bulus yang mengandung konflik ... 15
10 Diagram ruang waktu dari simulasi penjadwalan MRT dari Lebak Bulus ke
Sisingamangaraja yang sudah tidak mengandung konflik ... 16
11 Diagram ruang waktu dari simulasi penjadwalan MRT dari Sisingamangaraja ke
Lebak Bulus yang sudah tidak mengandung konflik ... 17
12 Diagram ruang waktu dari simulasi penjadwalan MRT dari Lebak Bulus ke
Sisingamangaraja dengan waktu
delay
MRT Ekspres menjadi 6 menit ... 34
13 Diagram ruang waktu dari simulasi penjadwalan MRT dari Sisingamangaraja ke
Lebak Bulus dengan waktu
delay
MRT Ekspres menjadi 6 menit ... 35
(10)
➂➃➄➅ ➃➆➇ ➃➈ ➉ ➊➆ ➃➋
➌➍➎ ➍ ➏➍ ➐
1
Syntax
Program LINGO 11.0 untuk Menyelesaikan Masalah Pemrograman Linear dengan
Metode
Branch and Bound
beserta Hasil yang Diperoleh ... 22
2 Data Simulasi Penjadwalan MRT Lebak Bulus-Sisingamangaraja ... 24
3
Syntax
Program LINGO 11.0 untuk Simulasi Penjadwalan MRT Lebak
Bulus-Sisingamangaraja beserta Hasil yang Diperoleh ... 26
4 Hasil Simulasi Penjadwalan MRT dengan Nilai
Delay
MRT Ekspres Dibatasi ... 34
(11)
I PENDAHULUAN
1.1 Latar Belakang
➑ ➒➓➒➔ ➒ → ➓➒➔ ➣↔ ↕ ➓→➒➣➙
y
➒➔ ➛ ➒➜➒➔➝ ➔y
➒ ➜➒➔ ➝ ➞ ➒➔➟➠↔➒t
➣ ➒➔ ➛ ➒t
➞➙ ➡tu
u
➢➤ ➒➔ ↕➥ ➠ ➢➜➒➣y
➒➓➒➤ ➒→➝ ➤➢➣u
➣➔u
y
➒y
➒➔➛ ➜➠➜➙➥ ➙ ➤➙ ➜↕➡➙ ➥ ➙ → ➒➣t
➙➔➛➛➙ ➞ ➒➥ ➒➜ ➤➠➣➠➢➒➓➙ ➒➔ ➔y
➒➦ ➧➠➔↕➜➠➔➒ ➙ ➡u
➤ ↕t
➒ ➣➠➡➒➛➒➙ ↔➣ ➒u
t
➞➒➓➙ ➤➠ ➛➙ ➒ →➒➔ ↔ ➠ ➓➠➤↕➔ ↕ ➜➙ ➒➔ ➜➠➔ ➟➠ ➓➜➙ ➔ ➤ ➒➔ ➡➒➢➒w
➣u
➞ ➒➢ ➣➠➥ ➒y
➒➤ ➔y
➒ ➣➙ ➣ →➠ ➜ → ➓➒➔ ➣↔ ↕ ➓→ ➒➣➙y
➒➔ ➛ ➒➞ ➒ ➜➙ ➔➙ ➜➒➥ ➜➠➜➠➔u
➢➙ ➤➠ →➙ ➛➒➣ → ➒➔➞➒➓ →➠ ➓➣ ➠➡u
→ ➦➑➒➥ ➒➢➣ ➒tu
➒➥ ➒t
→ ➓➒➔➣↔↕➓→ ➒➣➙➞ ➒➓➒t y
➒➔ ➛➞ ➒↔➒t
➜➠➔➛➒➔ ➛➤u
t
➜➒➣ ➣ ➒➞ ➒➥ ➒➜➨u
➜➥ ➒ ➢➡➒➔➒➤y
➝➟➠↔➒t
➝➞➒➔ ➜u
➓➒➢ ➒➞ ➒➥ ➒➢➤➠ ➓➠ → ➒➒↔➙ ➦➑➙ ➣ →➠ ➜ ↔ ➠➔➨➒➞
w
➒➥ ➒➔ ➤➠ ➓➠ → ➒ ➒↔➙ ➒➔ ➛y
↕↔ →➙ ➜➒➥ ➢➒➓➣u
➞➙ ↔ ➠ ➓➢➒t
➙➤➒➔ ➞ ➒➥ ➒➜ ➜➠➔➟ ➙↔→ ➒➩ ➤➒➔ ➥ ➒➥u
➥➙ ➔→➒➣ ➤➠ ➓➠→➒ ➒↔➙y
➒➔➛➣➠➣u
➒➙ ➞➠➔ ➛ ➒➔ ➒➓➒➔tu
➩➒tu
➓➒➔ ↔ ➠ ➓➤➠ ➓➠ → ➒➒↔➙ ➒➔ ➦ ➑ ➙ ➣ →➠➜ ↔➠ ➔➩ ➨➒➞➒➥ ➒➔w
➤➠ ➓➠→➒ ➒↔ ➙y
➒➔➛ ➠➫➠➤→➙➫ ➞➒➔ ➠➫➙ ➣➙➠ ➔ ➨u
➛➒ ➒➤ ➒➔ ➜➠➜ ➙ ➔➙ ➜➒➥➙ ➣ ➒➣➙ →➠➓➨➒➞➙ ➔y
➒ ↔ ➠➔u
➜↔u
➤ ➒➔ ↔➠➔u
➜↔ ➒➔ ➛ ➞➙ ➣ → ➒➣➙➔u
➒➤ ➙➡➒t
➒➞ ➒➔y
➒ ↔➠➔➔ ➞➒ ➒➔u
➤ ➠➡➠ ➓➒➔ ➛➤➒→ ➒➔ ➤➠ ➓➠→➒ ➒↔ ➙ ➦ ➭ ➒➣ ➒➥ ➒➢ ↔➠ ➔➨➒➞w
➒➥ ➒➔ ➤➠➓➠ → ➒ ➒↔➙ ➜➠ ➓↔u
➒➤ ➒➔ ➢ ➒➥y
➒➔ ➛ →➙ ➞ ➒➤ ➜➞ ➒➢u
➞➙ ➣➠➥ ➠➣ ➒➙ ➤ ➒➔ →➠ ➓➥ ➠➡ ➙ ➢ ↔➒➞➒ ➨➒➥ ➯➓ ➤➠➓➠ →➒ ➒↔➙ ➒➔ ➛y
➟➤u
u
↔ ➤ ↕ ➜↔ ➥➠ ➤➣ ➦ ➲➠ ➓➞ ➒↔ ➒t
➡ ➒➔y
➒➤ ➒tu
➓➒➔ ➒ →➒u
➡ ➒ →➒➣ ➒➔y
➒➔ ➛ ➢ ➒➓u
➣ ➞➙ ↔➠ ➔u
➢➙ ➞➒➥ ➒ ➜ ➜➠➜➠➟ ➒ ➢➤ ➒➔ ➜➒➣ ➒➥ ➒ ➢ ➙ ➔➙ ➦ ➑➒➥ ➒➢ ➣ ➒tu
➔y
➒ ➒➞➒➥ ➒ ➢ ➡ ➒ ➛➒➙ ➜➒➔ ➒ ↔ ➠ ➓➨➒➥ ➒➔ ➒➔➣u
➒tu
➤ ➠ ➓➠ → ➒➒↔➙➞ ➒↔ ➒t
➡➠ ➓➥ ➒➔➛➣➔ ➛u
→ ➒➔↔➒ →➠➓➨➒➞➙tu
➜↔➒➔➛ →➙ ➔ ➞➙ ➢ ➞➠➔➛➒➔ ↔ ➠ ➓➨➒➥ ➒➔ ➒➔➤➠➓➠ →➒➒↔ ➙y
➒➔ ➛➥ ➒➙ ➔➔y
➒➦➳➥➙ ➵➠ ➙ ➓➒ ➞➒➔ ➑➜➙ →➢ ➸➺ ➻ ➻➻➼ ➜➠➔
y
➠➡u
→➤ ➒➔ ➡➒➢w
➒➜ ➒➣ ➒➥ ➒➢↔➠ ➔➨➒➞w
➒➥ ➒➔➤➠➓➠ → ➒ ➒↔ ➙ ➞➒↔➒t
➞➙↔➒➔ ➞ ➒➔ ➛ ➣➠➡➒➛➒➙ ➙ ➜↔ ➥ ➠ ➜➠➔→➒➣➙ ➜➒➣ ➒➥ ➒ ➢↔➠➔➨➒ ➞
w
➒➥ ➒➔ ➽ ➾➚ ➩s
➪ ➾➶ ➣➠➟ ➒➓➒ ➤ ➢➣u
➣u
➹ ↔➠ ➓➨➒➥ ➒➔➒➔➩↔ ➠ ➓➨➒➥ ➒➔ ➒➔ ➤➠ ➓➠ → ➒ ➒↔➙ ➞➙ ➒➔ ➛➛➒↔ ➣➠➡ ➒➛ ➒➙ ➣➠➤u
➜↔➥ ➒➔u
↔➠➤ ➠ ➓➨➒➒➔ ➸ ➽ ➾➚s
➼y
➒➔➛ ➞➙➨➒➞w
➒➥ ➤ ➒➔ ↔ ➒ ➞➒ ➣➠➤u
➜↔➥ ➒➔u
➣u
➜➡ ➠ ➓ ➞➒y
➒ ➸r
➘s
➾u
r
➴➘s
➼y
➒➔ ➛ ➡ ➠ ➓↔➒u
➣➠➛➜➠➔ ➩➣➠➛➜➠➔➨➒➥ ➯➓ ➤➠ ➓➠ → ➒➒↔➙ ➦➳➥ ➠ ➢➤ ➒➓➠ ➔ ➒➙ →➝u
↔➒➞ ➒➤➒➓y
➒➙➥ ➜➙ ➒ ➢ ➙➔➙ ➒➤ ➒➔ ➞➙➡➒➢➒➣ ↔ ➠➔➠y
➥ ➠➣ ➒➙ ➒➔ ➜➒➣ ➒➥ ➒ ➢ ↔➠➔➨➒ ➞w
➒➥ ➒➔ ➤ ➠ ➓➠ → ➒ ➒↔➙ ➜➠ ➔ ➛➛➔ ➒➤➒➔u
➜↕ ➞➠ ➥ ↔➠➔➨➒ ➞w
➒➥ ➒➔ ➽ ➾➚➷s
➪➾ ➶ ➞➠➔ ➛➒➔ ➜➠ ➜➙ ➔ ➙ ➜u
➜➩ ➤ ➒➔ →↕ → ➒➥ ➒➤w
tu
→➠ ➜↔u
➢ ↔➠ ➓➨➒➥ ➒➔➒➔ ➦ ➬➠ ➜↕ ➞➠➥ ➒➔ →➠ ➓➣➠ ➡u
t
➒➤ ➒➔ ➞➙ ➥ ➒➤➤ ➒➔u
↔➒➞➒ ➤ ➒➣➣u
➤➠ ➓➠ → ➒ ➒↔ ➙ ➞➠➔ ➛ ➒➔ ➨➒➥ ➯ ➓ ➛➒➔ ➞ ➒➦ ➮➠ ➜u
➞➙ ➒➔ ➞➙ ➥ ➒➤➤➒➔u
➣tu
➞➙ ➤➒➣➣u
➞➠➔ ➛ ➒➔ ➜➠ ➔ ➛ ➛➔ ➒➤ ➒➔u
➞ ➒→ ➒ ➢➙ ↔ ↕ →➠ →➙ ➤ ➦ ➭ ↕➞➠➥y
➒➔➛ ➞➙ ➢➒➣➙ ➥ ➤ ➒➔ ➒➤ ➒➔ ➞➙➣➠ ➥➠➣ ➒➙ ➤ ➒➔ ➜➠ ➔ ➛ ➛➔u
➒➤ ➒➔ ↔➠ ➓➒➔➛➤ ➒t
➥ ➯➔ ➒➤➱✃❐❒➳ ❮ ❮➦ ➻➦1.2 Tujuan
➲
u
➨u
➒➔u
➜u
➜➞➒➓➙➤ ➒➓➒y
➙ ➥ ➜➙ ➒➢➙ ➔➙ ➒➞➒➥ ➒ ➢ ➜➠ ➔➠➥ ➠ ➣ ➒➙ ➤ ➒➔y
➜➒➣ ➒➥ ➒➢ ↔➠➔➨➒ ➞➒➥ ➒➔w
➤➠ ➓➠ → ➒ ➒↔➙y
➒➔ ➛ ➜➠➓u
↔ ➒➤➒➔ ➙ ➜↔➥ ➠➜➠➔→➒➣➙ ➜➒➣ ➒➥ ➒➢ ↔➠➔➨➒ ➞w
➒➥ ➒➔ ➽ ➾➚➩s
➪ ➾➶ ➣➠➟➒➓➒ ➤➢➣u
➣ ➦u
➑➠ ➞ ➒➔ ➛➤ ➒➔tu
➨u
➒➔➤ ➢➣u
u
➣➞➒➓➙➤ ➒➓➒y
➙ ➥ ➜➙ ➒➢➙ ➔➙ ➒➞➒➥ ➒➢➣➠➡➒➛➒➙➡ ➠ ➓➙ ➤u
→❰❮ ➜➠ ➜↕ ➞➠➥ ➤➒➔ ➜➒➣ ➒➥ ➒➢ ↔ ➠➔➨➒➞
w
➒➥ ➒➔ ➽ ➾➚➷s
➪➾ ➶
u
➔➤tu
➤ ➠ ➓➠ → ➒➒↔ ➙➨➒➥ ➯➓➛➒➔ ➞ ➒➝➺ ➜➠➥ ➒➤➤ ➒➔
u
➣➙ ➜➥ ➒➣➙u
↔➠➔➨➒ ➞w
➒➥ ➒➔ ➤ ➠ ➓➠t
➒ ➒↔ ➙➨➒➥ ➯ ➓➛➒➔ ➞ ➒ ➞➠➔➛➒➔ ➜➠➔ ➛ ➛➔u
➒➤ ➒➔ ➞➒ →➒ ➢➙ ↔ ↕ →➠ →➙➤ ➝Ï ➜➠➔➟➒➓➙ ➣ ↕➥ ➯➣➙ ➞➒➓➙ ➜↕➞➠➥ ➜➒➣ ➒➥ ➒ ➢ ↔ ➠➔➨➒➞
w
➒➥ ➒➔ ➤➠ ➓➠ → ➒ ➒↔ ➙ ➜➠➔➛➛u
➔ ➒➤➒➔ ↔ ➠ ➓➒➔ ➛➤➒t
➥ ➯➔ ➒➤➱✃❐❒ ➳ ❮❮➦➻➝II LANDASAN TEORI
Ð➠➫➙ ➔➙ ➣➙ ➞➒➔➤ ↕➔➣➠ ↔
y
➒➔ ➛ ➢➒➓➣u
➞➙ ↔ ➒➢ ➒➜➙ ➞ ➒➥ ➒➜ ➜➠➜↕➞➠➥ ➤ ➒➔ ➜➒➣ ➒➥ ➒ ➢ ↔ ➠➔➨➒ ➞w
➒➥ ➒➔ ➤ ➠ ➓➠ → ➒ ➒↔➙ ➒➤ ➒➔ ➞➙➨➠➥ ➒➣➤➒➔ ↔➒➞➒ ➡ ➒➡ ➙➔ ➙ ➦ ➬ ➠➔➨➠ ➥ ➒➣ ➒➔y
➒➔ ➛ ➒➤➒➔ ➞➙ ➣ ➒➜↔ ➒➙ ➤ ➒➔ ➒➞ ➒➥ ➒ ➢ →➠ ↕ ➓➙➞ ➒➣ ➒➓↔ ➠ ➜➓↕➛ ➓➒➜➒➔➥ ➙ ➔➠➒➓ ➞➒➔ ➒➥ ➛ ↕➓➙ → ➜➠ ↔ ➠➔➠➥ ➠ ➣ ➒➙ ➒➔➔y
y
➒y
➒➤➔➙ ➚Ñ Ò ➴➪r
Ñ ÒÓ ➚ ➾u
ÒÓ ➦ ➑ ➠➥ ➒➙ ➔ ➙ →u
➝ →➠ ↕ ➓➙ ➜➒➣ ➒➥ ➒ ➢ ↔ ➠➔➨➒➞w
➒➥ ➒➔ ➽ ➾➚➷s
➪ ➾➶ ➨
u
➛➒➒➤ ➒➔➞➙➨➠➥ ➒➣➤ ➒➔↔➒➞ ➒➡➒➡➙ ➔➙ ➦2.1 Pemrograman Linear
➬➠➜➓↕ ➛➓➒ ➜➒➔ ➥ ➙ ➔➠➒➓ ➞➒↔ ➒
t
➞➙➨➠➥ ➒➣➤ ➒➔ ➞➠➔ ➛➒➔ →➠ ➓➥ ➠➡➙ ➢ ➞ ➒➢➥u
u
➜➠ ➜➒➢ ➒➜➙ ➞u
➒ ➞➠➫➙➔ ➙ ➣➙➡➠ ➓➙ ➤t
u
➙ ➔➙ ➦Definisi 1 (Fungsi Linear)
➑➒
u
tu
➫➔➛➣➙u
Ô ➞ ➒➥ ➒ ➜v
➒➓➙ ➒➡➠ ➥ ➩v
➒➓➙ ➒➡➠ ➥,
, …,
➒➞➒➥ ➒➢ ➣u
➒tu
➫➔ ➛➣➙u
➥ ➙➔ ➠ ➒➓ ➨➙ ➤ ➒ ➞ ➒➔ ➢➒➔y
➒ ➨➙ ➤ ➒u
➔➤tu
➣u
➒tu
➢➙ ➜↔➔ ➒➔u
➤ ↕➔ ➣ →➒➔ → ➒
,
, …,
➝ ➫➔➛➣➙u
Ô ➞➒↔➒t
➞➙➥➙ ➣tu
➣➠➡ ➒ ➛➒➙ Ô➸
,
, …,
)
=
+
+
+
.
(Winston 2004)
Definisi 2 (Pertidaksamaan dan Persamaan
Linear)
Sembarang fungsi linear
Ôdan sembarang
nilai
➴, yang berbentuk
Ô(
,
, …,
) ≤
dan
Ô(
,
, …,
) ≥
disebut sebagai
pertidaksamaan linear.
Sedangkan, untuk
sembarang fungsi linear
Ôdan sembarang nilai
➴, yang berbentuk
Ô(
,
, …,
) =
disebut
sebagai persamaan linear.
(Winston 2004)
Pemrograman linear adalah suatu masalah
optimisasi yang memenuhi hal-hal berikut:
1
bertujuan
memaksimumkan atau
(12)
Õ
Ö×Ø
u
ÙÚ Û Üv
Û ÝÞÛ ß×Ú à×áÖÛ âu
tu
ã äu
âåÖÞÛ â åy
Û àÛ âæ Þ ÙÛ àÖ Þ Ùu
ÙàÛâÛç Ûu
æ Þ ÙÞ âÞ Ùu
ÙàÛ â æÞÖ× ßu
t
Ö× ßÛ åÛ Þäu
âåÖ Þè ßØ × àç Þä éÕ âÞÚÛÞ ÛÝÞ
v
Û ß× Ú êÛÝÞÛß×Úv
à×áu tu
ÖÛ â âÛy
Ù× Ù× âu
ÜÞ ÖÛu
tu
Ü Þ Ùáu
âÛ â à× âæÛÚ Û Ûâåy
ß× Ýá Ûu
á × ÝÖÛ ÙÛÛâ Ú Þ â×ÛÝ Ûç Ûu
á× Ýç Þ æÛàÖÛ ÙÛÛâÚ Þ â×ÛÝéë
t
× ÝæÛá Ût
á× ÙßÛ çÛ ÖÛ â çÛâæÛu
âtu
à Ö× ç ÞÛ áv
Û ÝÞÛ ß×Ú æÛÚ Û Ù ÙÛÖÛÚ ÛÜ Þ â Þì íÞÖÛÚ àÛâ
u
âtu
àÖ×ÙßÛ ÝÛ â åv
Û ÝÞÛ ß×Ú é â ÞÚ Û Þ æÛ ÝÞ ÜÛ Ýu
Ö ç Û à â× åÛt
Þä î≥ 0
ï Û çÛu
ç Þ æÛ à æÞ ßÛ çÛ Ö ÞçÛâæÛâÛy
îu
ðr
ñò óô ñ õstr
ò ðs
ò ö ð ïìî÷ Þ âÖç èâ
Õ øø ùï
Definisi 3 (Bentuk Standar Pemrograman
Linear)
íÞÖÛÚ àÛâ æÞ ß×ÝÞàÛ â ÖÛ
u
tu
á × ÙÝè å ÝÛ ÙÛâ Ú Þ â×Û Ý îú ûï æ× âåÛâ ü à× âæÛÚ Û æÛ â ðÛ ÝÞÛ ß×Úv
î,
, …,
ï ì ý × âtu
à Öç Û âæÛ Ý æÛ ÝÞ úû ç × ÝÖ× ßu
t
Û æÛÚ Û ÜþÙÛ àÖ Þ Ù
u
ÙàÛ âz
=
+
+
+
(atau minimumkan),
dengan kendala:
+
+
+
=
(1)
+
+
+
=
(2)
+
+
+
=
(3)
≥ 0, ( = 1, 2, . . . , )
.
Kendala (1), (2), dan (3) dapat ditulis dalam
bentuk:
A
x
=
b
, dengan
(4)
A =
⋮
⋮
,
=
⋮
,
=
⋮
.
(Winston 2004)
2.2 Solusi Pemrograman Linear
Suatu
PL dapat diselesaikan dengan
berbagai metode, salah satunya adalah metode
simpleks. Metode ini dapat menghasilkan
suatu solusi yang optimum bagi PL yang
menggunakan
proses
iteratif
pada
penyelesaiannya. Vektor
x
yang memenuhi
kendala
=
disebut
solusi
. Misalkan
matriks
A
dinyatakan sebagai
A
=
(B N)
,
dengan
B
adalah
matriks
taksingular
berukuran
m
×
m
yang elemennya berupa
koefisien variabel basis dan
N
merupakan
matriks berukuran
m
× (
n
m)
yang
elemen-elemennya berupa koefisien variabel nonbasis
pada matriks kendala. Misalkan vektor
x
dinyatakan sebagai
x
=
, dengan
adalah vektor variabel basis dan
adalah
vektor variabel nonbasis, maka
=
dapat
dinyatakan sebagai :
= (
)
=
B
+ N
=
b
.
(5)
Matriks
B
memiliki invers karena merupakan
matriks taksingular, sehingga dari (5)
dapat dinyatakan sebagai:
=
−
,
(6)
dan fungsi objektifnya berubah menjadi:
minimumkan
z
=
+
.
(Winston 2004)
Definisi 4 (Daerah Fisibel)
Daerah fisibel suatu PL adalah himpunan
semua titik yang memenuhi semua kendala
dan pembatasan tanda pada PL tersebut.
(Winston 2004)
Definisi 5 (Solusi Basis)
Misalkan terdapat suatu masalah PL
A
x
=B
yang dibentuk dari
m
persamaan linear dan
n
variabel (
n m
). Solusi basis dari
A
x
=B
dapat
diperoleh dengan mengatur nilai
n-m
variabel
sama dengan nol dan menyelesaikan
m
variable
sisanya.
Cara
tersebut
dapat
menghasilkan
nilai yang unik untuk
m
variable
sisanya. Kolom-kolom untuk
m
variabel sisanya adalah bebas linear.
(Winston 2004)
Definisi 6 (Solusi Fisibel Basis)
Solusi fisibel basis adalah solusi basis
pada PL yang semua variabel-variabelnya
taknegatif.
(Winston 2004)
Definisi 7 (Solusi Optimum)
Solusi optimum suatu PL untuk masalah
maksimisasi merupakan suatu titik dalam
daerah fisibel dengan nilai fungsi objektif
terbesar. Sedangkan solusi optimum suatu PL
untuk masalah minimisasi, adalah suatu titik
dalam daerah fisibel dengan nilai fungsi
objektif terkecil.
(Winston 2004)
Ilustrasi solusi basis dan solusi fisibel basis
diberikan dalam Contoh 1.
Contoh 1
Misalkan diberikan PL berikut:
minimumkan
z
=
− 2
− 3
(7)
terhadap
−
+ 2
+
= 10
− 2
+
+
=
2
2
+
=
3
(13)
ÿ
✁✂✄☎ ✆✝ ✞ ✂✟✞ ✠
u
t
✡ ✄☛✞✂☞ ✌✞ ✍✎A =
− 1
2
1
− 2
1
0
2
0
0
0
1
0
0
0
1
✏
b
=
10
2
3
✑ ✒ ✄✟ ✁ ✌✓ ✁✔✡ ✄☛ ✄ ✌ ✄ ✍✎= (
)
✡✁✔= (
)
✏✕✁✓✁✕✁✝ ✂✄✓ ✟✠✁✟ ✄✟ ✔
y
✁✁✡ ✁✌ ✁✍ ✎B =
− 1
2
1
− 2
1
0
2
0
0
✏
=
0
0
0
1
1
1
− 2
✏N =
0
0
1
0
0
1
✏= ( − 2
− 3
0)
✏= ( 0
0)
✏ ✡ ✞ ✔✖✁ ✔ ✕✞ ✔✖ ✖u
✔✁✓ ✁ ✔ ✕✁✝ ✂✄✓ ✟ ✠ ✁✟ ✄✟ ✝ ✞ ✂✟✞ ✠✝ ✏u
✡✄☛ ✞ ✂☞✌✞✍✎= ( 0
0)
✏=
=
5
✏=
= − 18
✑✗✘ ✙ ✚☞✌✛✟ ✄✗✘ ✙ ✕✞ ✂☛
u
✁✓ ✁ ✔✟☞✌u
✟ ✄✠✁✟ ✄✟ ✏ ✓ ✁ ✂✞ ✔ ✁ ✕✞✕✞ ✔u
✍✄ ✓✞ ✔✡✁✌ ✁ ☛ ✁✡ ✁ ☎ ✆ ✗✜✙ ✡✁✔ ✓☞✌☞✕ ✢ ✓ ☞ ✌☞✕☛ ✁✡ ✁✕✁✝ ✂✄✓✟✓✞✔✡✁✌✁y
✁✔✖ ✠✞ ✂☛ ✁✡ ✁✔ ✁✔ ✡ ✞ ✔✖✁ ✔ ✓ ☞✕☛ ☞ ✔✞✔ ✝ ✁✓✔☞ ✌ ✡✁✂✄ ✗✘ ✙✏y
✁✄✝u
B
✠✞ ✠✁✟ ✌ ✄✔✞✁✂ ✗✓☞✌☞✕y
✁✔✖ ✟ ✁tu
✠u
✓ ✁ ✔ ✕✞ ✂☛u
✁✓✁✔ ✓✞ ✌ ✄☛✁✝ ✁✔ ✡ ✁ ✂✄ ✓☞✌☞✕y
✁✔✖ ✌ ✁✄ ✔✙✑ ✚ ☞ ✌✛✟ ✄✗✘✙✣u
✖✁✕✞ ✂☛ ✁✓ ✁✔u
✟☞✌✟ ✄u
✤✄✟ ✄ ✠✞ ✌✠✁✟ ✄✟ ✏ ✓✁✂✞ ✔✁ ✔✄ ✌ ✁✄✢✔ ✄✌ ✁✄v
✁✂✄ ✁✠✞ ✌ ✔y
✁ ✌✞ ✠ ✄ ✍✡✁✂✄ ✁✝ ✁u
✟ ✁✕✁✡✞✔✖✁ ✔✔☞ ✌✑Definisi 8 (
Integer Linear Progamming
)
Integer linear progamming
✗✥✆ ☎✙ ✁✡ ✁ ✌✁ ✍ ✟u
✁tu
☛✞✕✂☞✖✂✁✕✁✔ ✌✄ ✔✞ ✁✂y
✁✔✖v
✁✂✄ ✁✠✞✌✔y
✁ ✕✞ ✂u
☛ ✁✓ ✁✔ ✠ ✄✌ ✁ ✔✖✁ ✔ ✠u
✌ ✁t y
✁✔✖ ✝ ✁✓ ✔✞✖✁✝ ✄✤✑ ✦☛✁✠✄ ✌ ✁ ✟✞✕u
✁v
✁✂✄ ✁✠✌✞ ✔y
✁ ✕✞ ✂☛✁✓ ✁ ✔u
✠ ✄✌ ✁✔✖✁✔✠u
✌ ✁t
✕✁✓ ✁ ✥✆ ☎✡✄✟✞✠u
t
✟✞ ✠✁✖✁✄pure
integer progamming
✑✒✁✟ ✁✌ ✁✍✥✆☎y
✁ ✔✖✍✁ ✔y
✁ ✠✞ ✠✞✂✁☛ ✁v
✁ ✂✄✁ ✠✞ ✌ ✔✁y
✟ ✁✣ ✁ ✠✞ ✂☛ ✁u
✠✄ ✌ ✁✔ ✖✁ ✔ ✠u
✌✁t
✡ ✄✟✞ ✠u
t
✟✞ ✠ ✁✖✁ ✄mixed
integer
progamming
✑ ✚ ✞ ✌✁ ✄✔ ✄✝ ✛ ✏ ✕✁✟ ✁✌ ✁✍ ✥✆ ☎ ✁ ✔✖y
✟✞✕u
✁v
✁ ✂✄✁ ✠✞ ✌ ✔y
✁ ✍ ✁✂✟u
✠✞ ✂✔✄ ✌ ✁✄ ✧ ✁✝ ✁u
★ ✡✄✟ ✞ ✠u
t
✟✞✠✁✖✁✄integer progamming
✧✢★✑✗✩✄✔✟✝☞✔✪✧✧✫ ✙
Definisi 9 (Pemrograman Linear Relaksasi)
✬✞✌✁✓✟ ✁✟ ✄☛ ✞✕✂☞✖✂✁✕✁✔ ✌✄ ✔✞ ✁✂ ✁✝ ✁
u
✟ ✞ ✂✄ ✔✖ ✡✄✟ ✞ ✠u
t
☎ ✆ ✢✂✞ ✌ ✁✓ ✟ ✁✟ ✄ ✕✞ ✂u
☛✁✓ ✁✔ ✟u
✁tu
☛ ✞✕✂☞✖✂✁✕✁✔✌ ✄ ✔✞ ✁✂y
✁✔✖✡✄☛ ✞ ✂☞✌✞ ✍✡ ✁ ✂✄✟u
✁tu
✥✆ ☎ ✡ ✞ ✔✖✁ ✔ ✕✞ ✔✖✍✄ ✌ ✁✔✖✓ ✁ ✔ ✓✞ ✔✡✁✌ ✁integer
✁✝ ✁u
✓✞ ✔✡ ✁✌ ✁ ✧ ✢★ ☛ ✁✡✁ ✟✞✝ ✄ ✁☛v
✁✂✄ ✁✠✞✌✔y
✁✑ ✭✄ ✌ ✁✄ ☞☛ ✝ ✄✕u
✕ ✤u
✔✖✟ ✄ ☞✠✣ ✞✓ ✝ ✄✤ ☎ ✆ ✢✂✞ ✌ ✁✓ ✟ ✁✟ ✄u
✔
tu
✓ ✕✁✟ ✁✌ ✁✍ ✕✁✓✟ ✄✕✄✟ ✁✟✄ ✌✞✠✄ ✍ ✠✞✟ ✁✂ ✁✝ ✁u
✟ ✁✕✁ ✡ ✞ ✔✖✁✔ ✔ ✄✌ ✁✄ ☞☛ ✝ ✄✕u
✕ ✤u
✔✖✟ ✄ ☞✠✣ ✞ ✓✝ ✄✤ ✥✆ ☎✑✚ ✞✡ ✁ ✔✖✓✁✔✔✄ ✌ ✁✄☞☛ ✝ ✄✕u
✕✤u
✔✖✟ ✄☞✠✣ ✞✓ ✝ ✄✤☎✆✢✂✞✌✁✓✟ ✁✟✄
u
✔✓tu
✕✁✟ ✁✌ ✁✍ ✕✄ ✔✄✕✄✟ ✁✟ ✄ ✌✞✠✄ ✍ ✓✞✮ ✄ ✌ ✁✝ ✁u
✟ ✁✕✁✡ ✞ ✔✖✁✔ ✔ ✄✌ ✁✄☞ ☛✝ ✄✕u
✕✤u
✔✖✟ ✄ ☞ ✠✣ ✞✓ ✝ ✄✤✥✆ ☎✑✗✩✄ ✔✟✝ ☞ ✔✪✧ ✧✫ ✙
2.3 Algoritme
Branch and Bound
✚ ☞ ✌✛✟ ✄ ☞ ☛✝ ✄✕
u
✕ ✡ ✁✂✄ ✕✁✟ ✁✌ ✁ ✍ ✥✆ ☎ ☛✁✡ ✁ ✓ ✁✂y
✁ ✄ ✌✕✄✁ ✍ ✄ ✔✄ ✡ ✄✮ ✁✂✄ ✕✞✔✖ ✖u
✔✁✓ ✁ ✔ ☛✞ ✂✁✔✖✓ ✁t
✌u
✔ ✁✓ ✆✥ ✭✯✰ ★ ★ ✑ ✧ ✏y
✁✄✝u
✟✞✠u
✁ ✍ ☛ ✂☞✖✂✁✕y
✁✔✖ ✡ ✄ ✂✁✔✮ ✁ ✔✖u
✔tu
✓ ✕✞ ✔✞✔tu
✓ ✁ ✔ ✟☞ ✌✛✟ ✄ ✕☞ ✡✞✌✌ ✄✔✞ ✁✂✏✔☞✔✌ ✄ ✔✞ ✁✂✏✡✁✔☞☛ ✝ ✄✕✄✟ ✁✟ ✄integer
✑ ☎✞ ✂✁✔✖✓ ✁t
✌u
✔✁✓ ✆✥ ✭✯✰ ★ ★✑✧ ✄✔✄ ✕✞✔✖ ✖u
✔✁✓ ✁✔ ✁✌✖☞ ✂✄✝✕✞branch and bound
u
✔
tu
✓✕✞✔✞✌✞✟ ✁ ✄✓ ✁✔y
✕✁✟ ✁ ✌✁ ✍ ✥✆☎✑✒✞✔
u
✂u
t
✱ ✁✍✁✗★✲ ✜✳✙✏t
✞ ✂✡✁☛ ✁t
✡u
✁✓☞✔✟✞☛ ✡ ✁✟ ✁✂ ✡ ✁ ✌✁✕ ✁✌✖☞ ✂✄✝✕✞branch and bound
✏y
✁ ✄✝
u
✎
Branching
Branching
✗☛ ✞ ✔✮ ✁✠ ✁✔✖✁✔✙ ✁✡ ✁ ✌✁ ✍ ☛ ✂☞ ✟✞✟ ✕✞✕✠✁✖✄ ☛ ✞ ✂✕✁✟ ✁ ✌✁ ✍✁✔ ✕✞✔✣ ✁✡✄✟u
✠☛✂☞ ✠ ✌✞✕ ✢ ✟✠☛ ✂☞✠✌✞✕u
y
✁✔✖ ✕u
✔✖✓ ✄ ✔ ✕✞✔✖✁ ✂✁✍ ✓ ✞ ✟☞ ✌✛✟ ✄✑
Bounding
Bounding
✗☛ ✞✕✠ ✁✝ ✁✟ ✁ ✔✙ ✁✡✁✌ ✁✍ ✟u
✁tu
☛ ✂☞✟✞ ✟u
✔✓tu
✕✞ ✔✮ ✁ ✂✄ ✁✝ ✁u
✕✞ ✔✖✍✄✝u
✔✖ ✠✁✝ ✁✟ ✁✝ ✁✟ ✗✡ ✁✌ ✁✕ ✕✁✟ ✁✌ ✁✍ ✕✄ ✔✄✕✄✟ ✁✟ ✄✙ ✡ ✁ ✔ ✠✁✝ ✁✟ ✠✁w
✁✍ ✗✡ ✁✌ ✁✕ ✕✁✟ ✁✌ ✁✍ ✕✁✓ ✟ ✄✕✄✟ ✁✟ ✄✙u
✔✓tu
✟☞ ✌✛✟ ✄ ☞ ☛✝ ✄✕u
✕ ✟u
✠☛✂☞ ✠ ✌✞✕y
✁ ✔✖ ✕✞ ✔✖✁✂✁✍ ✓✞✟☞✌✛ ✟ ✄☞ ☛✝ ✄✕u
✕✥✆ ☎ ✑✒✞ ✝☞ ✡✞
branch and bound
✡ ✄ ✁✁ ✌✄w
✡✞✔✖✁ ✔ ✕✞✔✞ ✌✞ ✟ ✁✄✓ ✁✔y
☎ ✆ ✢✂✞✌✁✓✟ ✁✟ ✄ ✡ ✁ ✂✄ ✟✁u
tu
✥✆☎.
✴✄✓✁ ✟✞✕u
✁ ✔✄ ✌ ✁✄v
✁✂✄ ✁✠✞ ✌ ✓✞ ☛✟ ✁✔u
tu
✟☞ ✌✟ ✄u
☞☛ ✝ ✄✕u
✕ ✟✡✁✍u
✠✞✂u
☛ ✁integer,
✕✁✓ ✁ ✟☞✌✟ ✄u
✝✞ ✂✟✞✠u
t
✕✞ ✂u
☛ ✁✓ ✁✔✟☞✌✛✟ ✄☞ ☛✝ ✄✕u
✕ ✥✆☎✑✴✄✓ ✁ ✝ ✄✡ ✁✓ ✏✡ ✄ ✌ ✁✓✓u
✁✔☛✞ ✔✮ ✁✠ ✁✔✖✁ ✔✡ ✁ ✔☛ ✞ ✔✁✕✠ ✁✍ ✢ ✁✔✠ ✁✝ ✁✟ ✁✔✓✞✔✡ ✁ ✌✁☛✁✡ ✁☎✆✢✂✞ ✌ ✁✓✟ ✁✟ ✄✔y
✁ ✑✒✞✔
u
✂u
t
✩✄✔✟✝ ☞ ✔ ✗ ✪✧✧✫✙✏ ☛✁✡✁ ✓ ✁✟✟u
✕✁✓✟ ✄✕✄✟ ✁✟ ✄ ✏ ✔✄ ✌✁ ✄ ✤u
✔✖✟ ✄ ☞ ✠✣ ✞✓✝ ✄✤ ☞ ☛✝ ✄✕u
✕ ✡ ✁✂✄✥✆ ☎nilai fungsi objektif optimum dari
PL-relaksasi, sehingga nilai fungsi objektif
optimum PL-relaksasi merupakan batas atas
bagi nilai fungsi objektif optimum untuk
masalah ILP. Selain itu, untuk masalah
maksimisasi nilai fungsi objektif optimum
suatu kandidat solusi merupakan batas bawah
nilai fungsi objektif optimum masalah ILP
asalnya. Suatu kandidat solusi diperoleh jika
solusi dari suatu subproblem sudah memenuhi
kendala
integer
pada masalah ILP, artinya
fungsi objektif dan semua variabelnya sudah
bernilai
integer
.
Suatu
subproblem
dikatakan
terukur
(
fathomed
) jika terdapat situasi sebagai
berikut:
1
subproblem tersebut takfisibel, sehingga
tidak dapat menghasilkan solusi optimum
untuk ILP,
(14)
✵
✶ ✷
u
✸ ✹✺✻✸ ✼ ✽✾ ✿ ✽✺✷ ✽✸u
t
✾ ✽❀❁ ❂❃✷❄ ✼ ❅ ❃❀ ✷u
❃tu
✷✻✼ ❆✷❄✻ ✹✿❄ ✾u
✾❇ ✽ ❀❁ ❃ ❀✷ ✽✾u
❃v
❃✺❄ ❃✸ ✽✼ ❀y
❃ ✸ ✽✺ ❀❄✼ ❃❄ ❈❉ ❊ ❋● ❋r
❍ ■ ❄ ❅❃ ✷✻ ✼ ❆✷❄ ✻ ✹✿ ❄✾u
✾ ❄ ❀❄ ✾ ✽✾ ✹u
❀y
❃❄ ❀❄ ✼ ❃❄ ❏u
❀❁ ✷❄ ✻ ✸■ ✽ ❅✿ ❄❏y
❃❀❁ ✼ ✽✸❄ ❂ ✸❃❄ ❅ ❇ ❃✺❄ ✹ ❃❇❃ ✷✻✼ ❆✷❄ ❏❄ ✷❄✸✽✼y
❃ ❀❁ ❇❄ ✹✽✺✻✼ ✽❂ ✷ ✽✸ ✽✼ ❆✾ ❀y
❃❑ ✾ ❃❅ ❃ ✷✻ ✼ ❆✷❄ ❄ ❀❄ ✾ ✽❀■ ❃❇ ❄❅❃❀❇❄ ❇ ❃t
✷✻✼ ❆✷❄✻✹✿ ❄ ✾✾u
❇❃❀❀❄ ✼ ❃❄ ❏u
❀❁✷❄ ✻ ✸■ ✽ ❅✿ ❄ ❏❀y
❃ ✾ ✽ ❀■ ❃❇ ❄ ✸ ❃✿ ❃✷ ✸ ❃❃ ❂w
▲❇ ❃✼ ❃✾ ✾ ❃✷ ❃✼ ❃❂ ✾ ❃ ❅✷❄ ✾❄ ✷ ❃✷❄▼ ❇ ❃ ❀ ✸ ❃✿ ❃✷ ❃✿ ❃✷ ▲❇❃✼ ❃✾ ✾ ❃✷ ❃✼ ❃❂ ✾❄ ❀❄ ✾❄✷ ❃✷❄▼❍ ✷u
✸ ✹✺✻✸ ✼ ✽✾ ✿ ✽✺✷ ✽✸u
t
❇ ❄ ✾u
❀❁❅❄ ❀❅ ❃❀ ✾ ✽❀❁❂❃✷❄ ✼ ❅❃ ❀ ✷✻✼✷❄u
✻✹✿ ❄ ✾✾u
✾ ❃✷ ❃✼ ❃ ❂ ◆❖ P❑◗ ❀❄ ✼ ❃❄ ❏
u
❀❁ ✷❄ ✻✸ ■ ✽❅✿ ❄ ❏ ✻ ✹✿❄ ✾✾u
✷✸ ✹✺✻✸ ✼ ✽✾u
✿ ✽✺✷ ✽✸u
t
✿ ❄ ❇ ❃ ❅ ✾ ✽✼ ✽✸ ❄ ❂❄ ✸ ❃✿ ❃✷ ✸ ❃❃ ❂w
✷ ❃❃t
❄✿ ❆ ▲u
❀tu
❅ ✾ ❃✷ ❃✼ ❃❂ ✾ ❃ ❅✷❄ ✾❄ ✷ ❃✷❄▼❑ ✾ ❃❅ ❃ ✷u
✸ ✹✺✻✸ ✼ ✽✾ ❄ ❀❄❇❃✹❃t
❇❄ ✽✼ ❄ ✾❄ ❀❃✷❄❘▲❙❄ ❀✷✿✻❀✶❚❚✵▼ ❯ ✽✺❄ ❅
t
u
❄ ❀❄ ❃❇ ❃✼ ❃ ❂ ✼ ❃ ❀❁❅❃❂ ❱✼ ❃❀❁❅❃ ❂ ✹ ✽❀y
✽✼ ✽✷ ❃❄ ❃ ❀ ✷u
❃tu
✾ ❃✷ ❃✼ ❃❂ ✾ ❃❅✷❄ ✾❄ ✷ ❃✷❄ ❇✽❀❁ ❃ ❀✾✽✿✻ ❇ ✽❲❳❉❨❩r
❳❉❬❲ ❭❉❬u
.
❖❃ ❀❁ ❅ ❃❂❚❪✽❏❄ ❀❄ ✷❄ ❅❃ ❀
z
✷ ✽✸❃❁ ❃❄ ✸❃✿ ❃✷ ✸ ❃❃ ❂w
❇❃✺❄ ❀❄ ✼ ❃❄ ❏u
❀❁✷❄✻ ✸■ ✽ ❅✿ ❄❏▲✷✻✼✷❄▼u
◆❖ Py
❃❀❁✻ ✹✿❄ ✾✾u
❇ ❃ ❀ ✿ ✽✿ ❃✹ ❅❃❀z
=
serta
i
= 0.
Langkah 1
Subproblem
PL
( )
dipilih sebagai bagian
masalah
berikutnya
untuk
diperiksa.
Subproblem tersebut diselesaikan dan diukur
dengan kondisi yang sesuai.
a) Jika
PL
( )
terukur dan solusi ILP yang
lebih baik ditemukan, maka batas bawah
z
diperbarui. Jika tidak, bagian masalah
(subproblem) baru
i
dipilih dan langkah 1
diulangi. Jika semua subproblem telah
diperiksa, maka proses dihentikan.
b) Jika
PL
( )
tidak terukur, proses dilanjutkan
ke langkah 2 untuk melakukan
pencabang-an
PL
( )
.
Langkah 2
Pilih salah satu variabel
yang nilai
optimumnya adalah
∗
dan tidak memenuhi
batasan
integer
dalam solusi
PL
( )
. Kemudian
bidang
*
*
1,
j
j
j
x
x
x
dipecah menjadi
dua subproblem,yaitu
*
*
dan
1,
j
j
j
j
x
x
x
x
dengan
[
∗
]
didefinisikan sebagai
integer
terbesar yang kurang dari atau sama dengan
∗
. Jika
PL
( )
masih tidak terukur, maka
kembali ke langkah 1.
(Taha 1996)
Ilustrasi dari masalah ILP
yang akan
diselesaikan dengan algoritme
branch and
bound
diberikan pada Contoh 2.
Contoh 2
Misalkan diberikan ILP sebagai berikut,
maksimumkan
z
= 16
x
1
+ 10
x
2
(8)
terhadap,
2
x
1
+ 2
x
2
12
18
x
1
+ 10
x
2
90
x
1
,
x
2
0
x
1
,
x
2
bilangan bulat.
Algoritme
branch
and
bound
untuk
menyelesaikan
ILP
(8)
dimulai dengan
mencari solusi PL-relaksasi yang disebut
sebagai subproblem 1. Solusi optimal dari
PL-relaksasi adalah
z
= 82.5,
x
1
= 3.75, dan
x
2
=
2.25 yang dapat dilihat di Lampiran 1.
Berdasarkan teori
yang telah diberikan
sebelumnya, bahwa nilai optimum
z
dari ILP
nilai optimum
z
dari PL-relaksasi, maka
nilai optimum
z
dari ILP (8) tidak dapat
melebihi 82.5. Kemudian nilai optimum
z
dari
PL-relaksasi ditetapkan sebagai batas atas.
Langkah selanjutnya adalah memartisi
wilayah fisibel
dari PL-relaksasi untuk
menemukan solusi optimal dari ILP (8). Nilai
dari varibel
x
1
dan
x
2
pada PL-relaksasi belum
menunjukkan nilai yang
integer
. Oleh karena
itu partisi dapat dimulai dengan melihat nilai
x
1
atau
x
2
. Misalkan variabel pertama yang
akan dipartisi adalah
x
1
. Setiap titik pada
wilayah fisibel ILP (8) harus memenuhi
x
1
3
atau
x
1
4, sehingga pencabangan dari
variabel
x
1
menghasilkan dua subproblem,
yakni subproblem 2 dan 3. Subproblem 2
merupakan subproblem 1 dengan kendala
tambahan
x
1
4 dan subproblem 3 merupakan
subproblem 1 dengan kendala tambahan
x
1
3. Solusi optimal dari subproblem 2 adalah
z
=
82,
x
1
= 4, dan
x
2
= 1.8 yang dapat dilihat di
Lampiran 1.
Nilai
x
2
dari subproblem 2 belum berupa
integer
, sehingga dilakukan pencabangan
yang menghasilkan subproblem 4 dan 5.
Subproblem
4
merupakan
subproblem 2
dengan kendala tambahan
x
2
2 dan
subproblem
5 merupakan
subproblem
2
dengan kendala tambahan
x
2
1. Terdapat tiga
subproblem yang belum diselesaikan, yakni 3,
4, dan 5. Berdasarkan aturan LIFO (
last-in-first-out
) subproblem yang akan diselesaikan
terlebih dahulu adalah subproblem 4 atau 5.
Misalkan dipilih subproblem 4, solusi dari
subproblem 4 ternyata takfisibel yang dapat
dilihat di Lampiran 1. Oleh karena itu,
subproblem 4 tidak dapat dijadikan sebagai
solusi optimal ILP (8). Sedangkan solusi
(15)
❫
❴❵ ❛❜ ❝❞❡❢ ❞❣❜❤✐❵ ❣ ❴✐ ❡ ❥❝
u
❫❞❢❞❡ ❞❦z
= 81.11,
x
1
= 4.44, dan
x
2
= 1 yang dapat dilihat di
Lampiran 1. Nilai
x
1
pada subproblem 5
belum berupa
integer
, sehingga dilakukan
kembali pencabangan menjadi subproblem 6
dan 7.
Subproblem 6 merupakan subproblem 5
dengan kendala tambahan
x
1
5 dan kendala
tambahan
x
1
4 untuk subproblem 7.
Terdapat tiga
subproblem
yang belum
diselesaikan, yakni 3, 6, dan 7. Berdasarkan
aturan
LIFO
subproblem
yang
harus
diselesaikan
terlebih
dahulu
adalah
subproblem
6 dan 7. Misalkan dipilih
subproblem 7. Solusi optimal dari subproblem
7 adalah
z
= 74,
x
1
= 4, dan
x
2
= 1 yang dapat
dilihat di Lampiran 1.
Nilai variabel
x
1
dan
x
2
dari subproblem 7
sudah berupa
integer
, sehingga solusi tersebut
merupakan solusi yang fisibel dan merupakan
kandidat solusi optimal ILP (8). Kemudian
nilai
z
= 74 dijadikan sebagai batas bawah.
Solusi dari subproblem 6 adalah
z
= 80,
x
1
= 5,
dan
x
2
= 0 yang dapat dilihat di Lampiran 1.
Setiap variabel keputusan dari subproblem 6
juga sudah berupa
integer
, sehingga turut
menjadi salah satu kandidat solusi optimal
dari ILP (8). Nilai
z
pada subproblem 6 lebih
besar dari nilai
z
pada subproblem 7, sehingga
batas bawah diganti menjadi
z
= 80.
Subproblem 3 merupakan satu-satunya
masalah yang belum diselesaikan. Solusi dari
subproblem 3 adalah
z
= 78 dan
x
1
=
x
2
= 3
yang dapat dilihat di Lampiran 1. Walaupun
setiap variabel dari subproblem 3 sudah
berupa
integer,
nilai
z
-nya kurang dari batas
bawah yakni
z
= 80. Oleh karena itu,
subproblem 6 dipilih menjadi solusi optimal
ILP (8), dengan nilai
z
= 80,
x
1
= 5, dan
x
2
= 0.
Bagan dari penyelesaian ILP (8) dengan
algoritme
branch and bound
ditunjukkan pada
Gambar 1.
2.4 Masalah Penjadwalan
Job
-
Shop
Masalah penjadwalan
job-shop
akan
dijelaskan dengan terlebih dahulu memahami
definisi masalah penjadwalan berikut ini.
Masalah Penjadwalan
Terdapat tiga istilah yang digunakan
dalam pembahasan masalah penjadwalan.
Ketiga istilah tersebut adalah pekerjaan (
job
),
prosesor (
processor
), dan operasi (
operation
).
Pekerjaan
merupakan sekumpulan aktivitas
yang harus diproses, misalnya pembuatan
suatu barang pada pabrik manufaktur atau
operasi bedah yang akan dilakukan di suatu
rumah sakit.
Prosesor
adalah sumber daya
yang digunakan untuk memproses pekerjaan,
misalnya dapat berupa mesin atau alat-alat
kedokteran. Prosesor juga disebut sebagai
sumber daya (
resource
) atau mesin (
machine
).
Operasi
merupakan aktivitas pemrosesan dari
suatu pekerjaan. Berdasarkan ketiga istilah
tersebut, masalah penjadwalan dapat diartikan
sebagai proses pengalokasian sumber daya
untuk suatu operasi pada periode waktu
tertentu.
(Pham 2008)
Keterangan:
BB = Batas Bawah; =
Fathomed
;
t
= Iterasi
Gambar 1 Bagan dari penyelesaian ILP (8)
dengan algoritme
branch and
bound
.
Apabila terdapat dua atau lebih pekerjaan
menggunakan prosesor yang sama pada saat
yang sama pula, maka suatu jadwal belum
t
= 1
t
= 2
t
= 3
×
×
×
t
= 4
t
= 5
t
= 6
t
= 7
×
Subproblem 3
z
= 78
x
1
= 3
x
2
= 3
Subproblem 1
z
= 82.5
x
1
= 3.75
x
2
= 2.25
Subproblem 2
z
= 82
x
1
= 4
x
2
= 1.8
Subproblem 5
z
= 81.11
x
1
= 4.44
x
2
= 1
Subproblem 4
(solusi
takfisibel)
x
1
4
x
1
3
x
2
2
x
2
1
x
1
4
x
1
5
Subproblem 6
z
= 80
x
1
= 5
x
2
= 0
BB 2 = 80
Subproblem 7
z
= 74
x
1
= 4
x
2
= 1
BB 1 = 74
(1)
t✉
✈✇①②③ ④ ⑤ ⑥⑦ ⑦⑦ ⑦⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇①②⑧ ④
⑤ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇①②⑨ ④
⑤ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇①②①④
⑤ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇①②⑩④
⑤ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇①②❶④
①⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑩②⑤ ④
①⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑩②③ ④
⑤ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑩②⑧ ④
⑤ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑩②⑨ ④
⑤ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑩②①④
⑤ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦
✈✇⑩②⑩④
⑤ ⑥⑦ ⑦⑦⑦ ⑦⑦ ⑦⑥⑦⑦ ⑦⑦⑦ ⑦
✈✇⑩②❶④
①⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❶②⑤ ④
⑧ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❶②③ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❶②⑧ ④
⑦⑥⑦ ⑦⑦ ⑦⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❶②⑨ ④
⑤ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❶②①④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❶②⑩④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❶②❶④
⑧ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❷②⑤ ④
⑧ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❷②③ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❷②⑧ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❷②⑨ ④
⑤ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❷②①④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❷②⑩④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❷②❶④
⑧ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇❸②⑤ ④
⑧ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❸②③ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❸②⑧ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❸②⑨ ④
⑤ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❸②①④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❸②⑩④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇❸②❶④
⑧ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤ ⑦②⑤④
⑧⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤ ⑦②③④
⑦ ⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤ ⑦②⑧④
⑦ ⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤ ⑦②⑨④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤ ⑦②① ④
⑦ ⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤ ⑦②⑩④
⑦ ⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤ ⑦②❶④
⑧⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑤ ②⑤④
① ⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑤ ②③④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑤ ②⑧④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑤ ②⑨④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦
✈✇⑤⑤ ②① ④
⑤⑥⑦⑦⑦ ⑦⑦⑦ ⑦⑥⑦ ⑦⑦⑦ ⑦⑦
✈✇⑤⑤ ②⑩④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑤ ②❶④
① ⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤③ ②⑤④
① ⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤③ ②③④ ⑤⑥⑦⑦⑦ ⑦⑦ ⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤③ ②⑧④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤③ ②⑨④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤③ ②① ④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤③ ②⑩④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤③ ②❶④
① ⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑧ ②⑤④
① ⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑧ ②③④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑧ ②⑧④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑧ ②⑨④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑧ ②① ④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦
✈✇⑤⑧ ②⑩④
⑤⑥⑦⑦⑦ ⑦⑦⑦ ⑦⑥⑦ ⑦⑦⑦ ⑦⑦
✈✇⑤⑧ ②❶④
① ⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑨ ②⑤④
① ⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑨ ②③④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑨ ②⑧④ ⑤⑥⑦⑦⑦ ⑦⑦ ⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑨ ②⑨④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑨ ②① ④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑨ ②⑩④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤⑨ ②❶④
① ⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤ ①②⑤④
① ⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤ ①②③④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤ ①②⑧④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦ ✈✇⑤ ①②⑨④
⑤⑥⑦⑦⑦ ⑦⑦⑦
⑦⑥⑦⑦ ⑦⑦⑦ ⑦
✈✇⑤①②① ④
⑤⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤①②⑩④
⑤⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤①②❶④
① ⑥⑦⑦ ⑦⑦⑦ ⑦ ⑦⑥⑦ ⑦⑦ ⑦⑦⑦ ✈✇⑤⑩②⑤④
⑧⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤⑩②③④
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤⑩②⑧④
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤⑩②⑨④
⑤⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤⑩②① ④
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤⑩②⑩④
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤⑩②❶④
⑧⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤❶②⑤④
⑧⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤❶②③④
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤❶②⑧④
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤❶②⑨④
⑤⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤❶②① ④
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤❶②⑩④
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤❶②❶④
⑧⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤❷②⑤④
⑧⑥⑦⑦ ⑦⑦⑦ ⑦ ⑦⑥⑦ ⑦⑦ ⑦⑦⑦ ✈✇⑤❷②③④
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤❷②⑧④
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤❷②⑨④
⑤⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤❷②① ④
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤❷②⑩④
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ✈✇⑤❷②❶④
⑧⑥⑦⑦ ⑦⑦⑦ ⑦
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ❹✇⑤ ②⑤ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑤⑦⑥⑦ ⑦⑦⑦ ⑦ ❹✇⑤ ②③ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑤⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑤ ②⑧ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑤⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑤ ②⑨ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑤⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑤ ②①④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑤⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑤ ②⑩④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑤⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑤ ②❶④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑤⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇③ ②⑤ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇③ ②③ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
❸⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇③ ②⑧ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
❸⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇③ ②⑨ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
① ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇③ ②①④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
① ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇③ ②⑩④
⑦⑥⑦ ⑦⑦ ⑦⑦⑦
① ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇③ ②❶④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
③⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑧ ②⑤ ④
⑤⑤⑥⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑧ ②③ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑨⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑧ ②⑧ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑨⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑧ ②⑨ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑧ ②①④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑧⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑧ ②⑩④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑧⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑧ ②❶④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑧⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑨ ②⑤ ④
③③⑥⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑨ ②③ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑨⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑨ ②⑧ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑨⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑨ ②⑨ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑨⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑨ ②①④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑨⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑨ ②⑩④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑨⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑨ ②❶④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦ ⑤ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇①②⑤ ④
③③⑥⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇①②③ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇①②⑧ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇①②⑨ ④ ⑦⑥⑦ ⑦⑦ ⑦⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇①②①④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇①②⑩④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇①②❶④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
③⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑩②⑤ ④
⑧⑧⑥⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑩②③ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑩②⑧ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑩②⑨ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑩②①④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑤⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑩②⑩④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑤⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇⑩②❶④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑤⑥⑦⑦ ⑦⑦⑦ ⑦
❹✇❶②⑤ ④
⑤⑧⑥⑦⑦⑦ ⑦⑦ ⑦⑥⑦⑦ ⑦⑦⑦ ⑦
❹✇❶②③ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇❶②⑧ ④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇❶②⑨ ④
⑤⑤⑥⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇❶②①④ ⑦⑥⑦ ⑦⑦ ⑦⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇❶②⑩④
⑦⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦ ❹✇❶②❶④
③ ⑥⑦ ⑦⑦⑦ ⑦⑦
⑦ ⑥⑦⑦ ⑦⑦⑦ ⑦
(2)
❺❺
❻❼❽❾❿➀
➁ ➂➃➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❽❾➁➀
➄ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❽❾➅➀
➄ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❽❾➂➀
❿❿ ➃➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❽❾➆➀
➄ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❽❾➇➀
➄ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❽❾➈➀
➁ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼➉❾❿➀
➁ ➂➃➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄
❻❼➉❾➁➀
➄ ➃➄ ➄➄➄ ➄➄ ➄➃➄➄➄ ➄➄ ➄
❻❼➉❾➅➀
➄ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼➉❾➂➀
❿❿ ➃➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼➉❾➆➀
➄ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼➉❾➇➀
➄ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼➉❾➈➀
➁ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❿➄❾❿➀
➅➆➃➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❿➄❾➁➀
➄ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❿➄❾➅➀
➄ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❿➄❾➂➀
❿❿➃➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❿➄❾➆➀
➄ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❿➄❾➇➀
➄ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❿➄❾➈➀
➁ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❿❿❾❿➀
➄ ➃➄ ➄➄➄ ➄➄
❽ ➃➄➄➄ ➄➄➄ ❻❼❿❿❾➁➀
➄ ➃➄ ➄➄➄ ➄➄
❽ ➃➄➄➄ ➄➄➄ ❻❼❿❿❾➅➀
➄ ➃➄ ➄➄➄ ➄➄
❽ ➃➄➄ ➄➄➄ ➄ ❻❼❿❿❾➂➀
➄ ➃➄ ➄➄➄ ➄➄
➁➃➄➄➄ ➄➄➄ ❻❼❿❿❾➆➀
➄ ➃➄ ➄➄➄ ➄➄
➁➃➄➄➄ ➄➄➄ ❻❼❿❿❾➇➀
➄ ➃➄ ➄➄➄ ➄➄
➁➃➄➄➄ ➄➄➄ ❻❼❿❿❾➈➀
➄ ➃➄ ➄➄ ➄➄➄
➁➃➄➄➄ ➄➄➄ ❻❼❿➁❾❿➀
❿❿➃➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❿➁❾➁➀
➄ ➃➄ ➄➄➄ ➄➄
➇➃➄➄➄ ➄➄➄ ❻❼❿➁❾➅➀
➄ ➃➄ ➄➄➄ ➄➄
➇➃➄➄➄ ➄➄➄ ❻❼❿➁❾➂➀
➄ ➃➄ ➄➄➄ ➄➄
❿➃➄➄➄ ➄➄➄ ❻❼❿➁❾➆➀
➄ ➃➄ ➄➄➄ ➄➄
❿➃➄➄➄ ➄➄➄ ❻❼❿➁❾➇➀
➄ ➃➄ ➄➄➄ ➄➄
❿➃➄➄➄ ➄➄➄ ❻❼❿➁❾➈➀
➄ ➃➄ ➄➄➄ ➄➄
❿➃➄➄➄ ➄➄➄ ❻❼❿➅❾❿➀
❿❿➃➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❿➅❾➁➀
➄ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❿➅❾➅➀
➄ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❿➅❾➂➀
➄ ➃➄ ➄➄➄ ➄➄
➆➃➄➄➄ ➄➄ ➄ ❻❼❿➅❾➆➀
➄ ➃➄ ➄➄➄ ➄➄
➆➃➄➄➄ ➄➄➄ ❻❼❿➅❾➇➀
➄ ➃➄ ➄➄➄ ➄➄
➆➃➄➄➄ ➄➄➄ ❻❼❿➅❾➈➀
➄ ➃➄ ➄➄➄ ➄➄
➁➃➄➄➄ ➄➄➄ ❻❼❿ ➂ ❾❿➀
➁➁➃➄➄➄ ➄➄ ➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿ ➂ ❾➁➀
➄ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❿ ➂ ❾➅➀
➄ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄ ❻❼❿ ➂ ❾➂➀
➄ ➃➄ ➄➄➄ ➄➄
➄➃➄➄➄ ➄➄➄
❻❼❿ ➂ ❾➆➀ ➄➃➄➄➄ ➄➄ ➄
➅ ➃➄➄ ➄➄➄ ➄ ❻❼❿ ➂ ❾➇➀
➄➃➄➄➄ ➄➄➄
➅ ➃➄➄ ➄➄➄ ➄ ❻❼❿ ➂ ❾➈ ➀
➄➃➄➄➄ ➄➄➄
➁ ➃➄➄ ➄➄➄ ➄ ❻❼❿➆❾❿ ➀
➅➅➃➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿➆❾➁ ➀
➄➃➄➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿➆❾➅ ➀
➄➃➄➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿➆❾➂➀
➄➃➄➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿➆❾➆➀
➄➃➄➄➄ ➄➄➄
❿ ➃➄➄ ➄➄➄ ➄ ❻❼❿➆❾➇➀
➄➃➄➄➄ ➄➄➄
❿ ➃➄➄ ➄➄➄ ➄ ❻❼❿➆❾➈ ➀
➄➃➄➄➄ ➄➄➄
❿ ➃➄➄ ➄➄➄ ➄ ❻❼❿➇❾❿ ➀
❿➅➃➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄
❻❼❿➇❾➁ ➀
➄➃➄➄➄ ➄➄➄ ➄ ➃➄ ➄➄➄ ➄➄
❻❼❿➇❾➅ ➀
➄➃➄➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿➇❾➂➀
❿❿➃➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿➇❾➆➀
➄➃➄➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿➇❾➇➀ ➄➃➄➄➄ ➄➄ ➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿➇❾➈ ➀
➁➃➄➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿➈❾❿ ➀
➁ ➂ ➃➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿➈❾➁ ➀
➄➃➄➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿➈❾➅ ➀
➄➃➄➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿➈❾➂➀
❿❿➃➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿➈❾➆➀
➄➃➄➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿➈❾➇➀
➄➃➄➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿➈❾➈ ➀
➁➃➄➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿ ❽ ❾❿ ➀
➅➆➃➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿ ❽ ❾➁ ➀
➄➃➄➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿ ❽ ❾➅ ➀
➄➃➄➄➄ ➄➄➄ ➄ ➃➄ ➄➄➄ ➄➄ ❻❼❿ ❽ ❾➂➀
❿❿➃➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿ ❽ ❾➆➀
➄➃➄➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿ ❽ ❾➇➀
➄➃➄➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ❻❼❿ ❽ ❾➈ ➀
➁➃➄➄ ➄➄➄ ➄
➄ ➃➄➄ ➄➄➄ ➄ ➊❼❿ ❾❿ ❾❿ ➀
➄ ➃➄➄ ➄➄➄ ➄
➄ ➃➄➄➄➄ ➄➄ ➃
➃
➃
➊❼❿ ❽ ❾❿ ❽ ❾➇➀ ➄➃➄➄➄ ➄➄➄
➄ ➃➄➄ ➄➄➄ ➄ ➋❼❿ ❾❿ ❾❿ ➀ ➄ ➃➄➄ ➄➄➄ ➄
➄ ➃➄ ➄➄➄ ➄➄ ➃
➃
➃
(3)
➌➍
Lampiran 4
Hasil Simulasi Penjadwalan MRT dengan Nilai
Delay
MRT Ekspres Dibatasi
➎➏➐➑ ➏➒➓ ➔→➣ ➏↔➒ ➏➐➒
u
➏↕↔w
➏➙tu
➛ ➏➒➣➜➣ ➐➝ ➏➜➣u
➞ ➟↕➠ ➏➛w
➏➝ ➏↕➡➢ ➤ ➛➏➒➣➥ ➟➑➏➙➦➝ ➧➜u
➙➟ ➨ ➣➜➣ ↕↔➏➐ ➏↕↔➏➒ ➏➠ ➏➛➟↕↔➏↕w
➏ ➙tu
➩ ➫➭ ➯y
➡➢ ➤➲ ➙➜➞➒ ➟➜➐ ➟↕➠ ➏➛➣➳➐➟↕➣ ➵ ➸1. MRT Ekonomi*
2. MRT Ekonomi*
3. MRT Ekonomi*
4. MRT Ekonomi*
5. MRT Ekonomi*
6. MRT Ekonomi*
7. MRT Ekspres*
8. MRT Ekspres*
9. MRT Ekspres*
10. MRT Ekspres*
0
10
20
30
40
50
60
70
80
90
100
110
120
130
140
150
160
170
180
LB(a)
LB(d)
FA(a)
FA(d)
CR(a)
CR(d)
HN(a)
HN(d)
BA(a)
BA(d)
BM(a)
BM(d)
SI(a)
SI(d)
Lebak Bulus
Fatmawati
Cipete Raya
Haji Nawi
Blok A
Blok M
Sisingamangaraja
W
a
k
tu
(m
e
n
it
(4)
➺➻
➼➽ ➾➚➽ ➪➶➺➹➘➽ ➴➪➽➾➪
u
➽ ➷ ➴w
➽ ➬tu
➮➽➪ ➘➱ ➘ ➾u
✃ ➽➱ ➘❐❒ ➷❮➽ ➮➽ ✃➽➷w
❰Ï Ð ➮➽➪ ➘Ñ ➘➱ ➘ ➷➴➽➾➽ ➷ ➴➽➪➽ ❮➽➬❒Ò❒➚ ➽➬ Óu
✃ Ô➱➮❒ ➷➴➽➷w
➽ ➬tu
ÕÖ× Øy
❰Ï ÐÙ ➬➱ ❐➪❒ ➱➾❒ ➷ ❮➽ ➮➘Ú➾❒ ➷➘t
Û11. MRT Ekonomi*
12. MRT Ekonomi*
13. MRT Ekonomi*
14. MRT Ekonomi*
15. MRT Ekonomi*
16. MRT Ekspres*
17. MRT Ekspres*
18. MRT Ekspres*
0
10
20
30
40
50
60
70
80
90
100
110
120
130
140
150
160
SI(a)
SI(d)
BM(a)
BM(d)
BA(a)
BA(d)
HN(a)
HN(d)
CR(a)
CR(d)
FA(a)
FA(d)
LB(a)
LB(d)
Sisingamangaraja
Blok M
Blok A
Haji Nawi
Cipete Raya
Fatmawati
Lebak Bulus
W
a
k
tu
(m
e
n
it
(5)
Ü Ý
Þ ß àáâÝã äåâß æ ä
u
ç ß èß âw
éá èßt
ß êëß ê èßêé á àá ìß êëéß íß êîïÞ èßì äðá àß éñu
â òæ éáã äæ ä êëßåß ê ëßìß ç ßèá êëßêßéw
tu
óô õöy
îïÞ÷éæ øìáææÝåá ê ä íùåá ê äíé á úûüêèáéæ
î ïÞ
ýá êäæî ïÞ
ðá àßéñâ
u
æu
þßåßt
ßí äw
ÿ ä øá íáïßßy
ßç ä✁ßw
ä ñâ ✂é✄ ñâ ✂éî ãäæ äê ëßåßêëßìßç ßð ñùßû ðñù èû þ ✄ùß û þ ✄ù èû ÿïùßû ÿ ïù èû ✁ùßû ✁ù èû ñ✄ùßû ñ✄ù èû ñ îùßû ñ îù èû ãüùß û ãüùèû
☎ îïÞ÷ é✂ê✂ å ä ✆ ☎✝ ☎✞ ✟✝ Ü☎ Ü ✟ ✠✝ ✠ ☎ ✠ ✡ ✠ ✞ ✆ ✡ ✆✞ ☛✝ ☛✆
✟ îïÞ÷ é✂ê✂ å ä ☎✝ ☎✆ ✟✠ ✟✆ Ü Ý Ü☛ ✠✆ ✠Ý ✆Ü ✆ ✠ ÝÜ Ý✠ ☛✆ ✡✝
☛ î ïÞ÷é æ øìáæ ☎✆ Ü Ý ú ú ú ú ✆✆ Ý ✟ ú ú ú ú ✡✝ ✡✆
Ü îïÞ÷ é✂ê✂ å ä ✟✝ ✠☎ ✆✝ ✆ ☎ Ý✟ ÝÜ ☛☎ ☛✟ ☛✞ ✡✝ ✡✞ ✞✝ ☎ ✝☎ ☎✝Ý
✡ î ïÞ÷é æ øìáæ ✟✆ Ý✟ ú ú ú ú ✡☎ ✡ ✡ ú ú ú ú ☎ ✝ Ý ☎☎ ☎
✞ î ïÞ÷é æ øìáæ Ü✝ Ý☛ ú ú ú ú ✡Ý ✞ Ü ú ú ú ú ☎ ☎☎ ☎☎Ý
✠ îïÞ÷ é✂ê✂ å ä Ü✆ ☛ ✟ ✡☎ ✡ ✟ ✞Ü ✞✠ ☎✝✟ ☎✝ Ü ☎☎ ✝ ☎☎ ☎ ☎ ✟✝ ☎ ✟☎ ☎ Ü ✟ ☎Ü ☛
✆ îïÞ÷ é✂ê✂ å ä ✠✝ ☛☛ ✡Ý ✡☛ ✞ ✡ ✞✞ ☎✝ ☛ ☎✝✡ ☎☎ ✆ ☎☎Ý ☎ ✟✆ ☎ ✟ Ý ☎ Ü☛ ☎✠✟
☎✝ î ïÞ÷é æ øìáæ ✠✆ ✞ ✡ ú ú ú ú ☎☎ ☛ ☎ ✟✠ ú ú ú ú ☎ ✠ ✟ ☎✠ ☛
Ý îïÞ÷ é✂ê✂ å ä ✆✝ ☎ ✝Ü ☎ ☎ ✟ ☎☎ Ü ☎ ✟✠ ☎✟✆ ☎Ü Ü ☎Ü ✠ ☎✠ ☎ ☎✠✟ ☎✆ ☎ ☎✆✟ ☎ÝÜ ☎ Ý ✡
☞á íáìß ê ëß ê✌
- = Tidak berhenti, (a) =
✍✎ ✏örr
õ(Kedatangan), (d) =
✑ô✒öôrtu
r
(Keberangkatan).
3
(6)
✓ ✔
✕ ✖✗ ✘✙✔✚✛ ✜✙✖ ✢✛
u
✣ ✖✤✖✙w
✥ ✘✤✖ ✦✖ ✧ ★✖ ✧✤ ✖✧✥✘✗ ✘✩✖✧ ★ ✥✖✦ ✖✧ ✪ ✫✕✤✖✩✛✚✛ ✢✛✧★✖✜✖ ✧ ★✖ ✩✖✣ ✖✥✘✬ ✘✗ ✖ ✥✭✙ ✮✢u
✤ ✘✧★✖✧✯✖ ✥tu
✰✱ ✲✳y
✪ ✫✕✴ ✥✢ ✵✩ ✘✢✢✶✜✘✧✛ ✦✷✜ ✘✧ ✛✦✥ ✘✸✹✺✧ ✤ ✘✥✢
✪ ✫✕
✻✘✧ ✛✢✪ ✫✕
✚✛ ✢✛ ✧ ★✖ ✜✖✧★✖✩✖ ✣ ✖ ✭✙ ✼ ✥✪ ✭✙ ✼ ✥✽ ✾✖ ✣ ✛✿✖✛
w
❀✛ ✵ ✘✦ ✘✫✖✖y
❁✖t
✜✖✖✦ ✛w
✬ ✘✗ ✖ ✥✭✙u
u
✢✚✺✷✖ ✹ ✚✺✷✤✹ ✭✪ ✷✖ ✹ ✭✪ ✷✤ ✹ ✭✽✷✖ ✹ ✭✽✷✤ ✹ ✾✿✷✖ ✹ ✾✿✷✤✹ ❀ ✫✷✖ ✹ ❀ ✫✷✤✹ ❁ ✽✷✖✹ ❁ ✽✷✤ ✹ ✬ ✭✷✖ ✹ ✬ ✭✷✤ ✹
❂❂ ✪ ✫✕✴ ✥✼✧ ✼✜✛ ❃ ❂ ❄ ❅❂ ❅❅ ✓❂ ✓ ❅ ✓❆ ❇ ❄ ❇❈ ❇❆ ✶❄ ✶❂ ✔❄ ✔❃
❂✶ ✪ ✫✕✴ ✥✢ ✵✩ ✘✢ ❂ ❄ ✓❂ ✸ ✸ ✸ ✸ ❇❆ ❃✶ ✸ ✸ ✸ ✸ ✔❃ ❈ ❄
❂❅ ✪ ✫✕✴ ✥✼✧ ✼✜✛ ❂❃ ✓✶ ❇✔ ❇❈ ❃ ✔ ❃ ❈ ✶❃ ✶ ✶ ✔❇ ✔❃ ❈✶ ❈ ✔ ❆✶ ❂❄❂
❂✓ ✪ ✫✕✴ ✥✼✧ ✼✜✛ ❅ ❄ ❇❂ ❃❅ ❃✓ ✶❅ ✶✓ ✔❄ ✔❂ ✔❆ ❈ ❄ ❆❂ ❆❅ ❂ ❄❂ ❂❄✶
❂ ✔ ✪ ✫✕✴ ✥✢ ✵✩ ✘✢ ❅❃ ✶❅ ✸ ✸ ✸ ✸ ❈ ❄ ❈✔ ✸ ✸ ✸ ✸ ❂ ❄✶ ❂ ❂❂
❂ ❇ ✪ ✫✕✴ ✥✼✧ ✼✜✛ ✓ ❄ ✶✔ ✔❈ ✔❆ ❈❈ ❈ ❆ ❆✶ ❆✔ ❂❄❃ ❂ ❄✶ ❂ ❂ ✔ ❂ ❂❈ ❂❅✔ ❂ ✓❅
❂❈ ✪ ✫✕✴ ✥✢ ✵✩ ✘✢ ✓❃ ❈❈ ✸ ✸ ✸ ✸ ❂❄✶ ❂❂ ✓ ✸ ✸ ✸ ✸ ❂✓ ❅ ❂ ✓ ✔
❂❃ ✪ ✫✕✴ ✥✼✧ ✼✜✛ ❇❄ ❆✓ ❂❄❇ ❂❄❃ ❂❂❇ ❂❂ ❃ ❂ ❅❅ ❂❅ ✓ ❂ ✓❂ ❂✓❅ ❂❇✓ ❂❇❇ ❂❃ ✓ ❂ ❃❈
❉ ✘✦ ✘✩✖✧★✖✧❊