Nama Kelompok : 1.

Rifqi Shufrony 1510631140120

2. Rizky Nafandy 1510631140124

3. Wahidin Suhendar 1510631140138

Analisis Sensitivitas

Setelah solusi optimal telah ditemukan, dua masalah lebih lanjut perlu ditangani:

1. Bagaimana solusi optimal menanggapi perubahan parameter masukan?

2. Apa kesalahannya, dalam hal hilangnya tunjangan atau penghematan, yang timbul karena berdasarkan
nilai parameter masukan yang salah?
Meskipun keduanya dapat disebut analisis sensitivitas, kami memilih istilah ini untuk yang pertama, sedangkan
yang kedua lebih tepat disebut sebagai analisis kesalahan.

1. Analisis Sensitivitas
Analisis sensitivitas mengeksplorasi bagaimana respon solusi optimal terhadap perubahan parameter
input.
Asumsi : Parameter lainnya dianggap konstan
2. Analisis sensitivitas memiliki tiga tujuan utama:

1. Jika solusi optimal relatif tidak sensitif terhadap perubahan parameter input, solusi dan model
dikatakan kuat. Hal ini meningkatkan kredibilitas model. Pengambil keputusan dan pengguna akan
lebih percaya diri terhadap validitas dan tingkat kegunaan model.
2. Untuk sumber daya yang langka (tidak berlimpah), analisis sensitivitas menyediakan informasi
tentang nilai jumlah tambahan dari setiap sumber daya. (Ini adalah konsep penting tinggi untuk
kedua ekonomi dan OR dan diambil lebih rinci dalam Bab 13.) Jadi, jika ruang gudang ternyata
membatasi, maka analisis sensitivitas terhadap ruang gudang akan memberitahu kita seberapa
banyak Total biaya yang akan berubah.
3. Jika ada input data yang tidak pasti. Analisis sensitivitas digunakan untuk mengeksplorasi bagaimana
perubahan solusi optimal sebagai fungsi dari data tersebut.
Aktivitas: Current Value adalah: D = 4140, s = $ 18, v = $ 320, r = 0,18. Cari persentase perubahan dalam
EOQ optimal dan T biaya minimum terkait (EOQ) untuk:

perubahan permintaan tahunan D 4140-2070.

penurunan biaya tahunan per dolar yang diinvestasikan r dari $ 0,18 ke $ 0,09.

Anda dapat menjelaskan mengapa perubahan T (EOQ) adalah sama dalam kedua kasus, sedangkan
perubahan EOQ berada dalam arah yang berlawanan?

Analisis kesalahan

Banyak parameter masukan diperkirakan pada data masa lalu. Mereka kemudian digunakan untuk
mengoptimalkan operasi di masa depan. Tidak ada jaminan bahwa masa depan akan mirip dengan masa lalu.
Misalnya, permintaan untuk produk dapat meningkatkan atau menurunkan lumayan. Biaya penyimpanan dapat
meningkat karena kenaikan seluruh dunia suku bunga, dll Jadi tidak benar diperkirakan parameter masukan
mungkin telah digunakan dalam model. The 'optimal' solusi yang diperoleh pada dasar itu hanya optimal di atas
kertas, tetapi tidak dalam kenyataan. Berapa penggunaan yang salah biaya input data dalam hal hilangnya
manfaat potensial atau potensi penghematan? analisis kesalahan mengeksplorasi aspek ini.

Mengatakan (yang salah) nilai p benar-benar digunakan adalah sama dengan k kali nilai yang benar P, atau
p = kP. k <1 berarti lebih kecil, dan k> 1 berarti lebih besar dari nilai yang benar. Persentase kenaikan biaya
sebenarnya atas biaya minimum diberikan oleh
 {[(K + 1) / 2 ] - 1} 100%

Fakta agak mengejutkan muncul. Kesalahan persentase ini hanya fungsi dari k dan bukan nilai yang sebenarnya
dari parameter. Tabel di bawah ini berisi beberapa contoh:

nilai k 0,2 0,5 0,8 1.2 1,5 2 4

Kesalahan% tersirat dalam

parameter

digunakan dari nilai yang

benar -80% -50% -20% + 20% + 50% + 100% + 300%

kenaikan biaya lebih

minimal 34% 6,1% 0,6% 0,4% 2,1% 6,1% 25%

Misalnya, overestimating salah D, s, v, atau r dengan 100% hasil dalam peningkatan biaya aktual yang terjadi
atas biaya minimum yang mungkin hanya 6,1%. Angka-angka ini menunjukkan bahwa model EOQ sangat sensitif
terhadap kesalahan yang cukup besar dalam parameter input, menegaskan kembali kekuatannya. Ada sedikit
kebutuhan untuk perkiraan permintaan yang sangat canggih dan karenanya sangat akurat ketika menggunakan
model EOQ, juga tidak ada kebutuhan untuk memperkirakan berbagai parameter biaya untuk tingkat akurasi
yang tinggi.

Analisis kesalahan dilakukan karena dua alasan utama:

1. Untuk menentukan akurasi yang diperlukan untuk memperkirakan input data; semakin sensitif solusinya
adalah kesalahan input, semakin akurat parameter masukan perlu.
2. Untuk membangun rentang kontrol untuk perubahan dalam semua parameter masukan di mana kebijakan
yang optimal saat ini tetap dekat-optimal; asalkan parameter masukan tetap dalam batas-batas ini, tidak
perlu recompute kebijakan yang optimal. Keuntungan dalam manfaat atau tabungan terlalu kecil untuk
menjamin biaya memperbarui. Ini adalah masukan portant untuk langkah 9 dari hard OR metodologi, yaitu,
kontrol dan main-tenance dari solusi.
Kegiatan: Menggunakan data dalam kegiatan untuk analisis sensitivitas, menentukan kesalahan persentase
biaya yang sebenarnya dikeluarkan untuk biaya setup yang salah digunakan dari $ 14,40 dan $ 25,90, dan
denda biaya penyimpanan yang salah digunakan dari 0,144 dan 0,259.

Kesimpulan
Dari pembahasan pemodelan matematis dapat diperoleh kesimpulan sebagai berikut.

1.