Analisis sensitivitas adalah studi tentang bagaimana perubahan koefisien model optimasi

mempengaruhi solusi optimal. Dengan menggunakan analisis sensitivitas, kita dapat menjawab
pertanyaan seperti berikut:

1. Bagaimana perubahan koefisien fungsi obyektif mempengaruhi solusi optimal?

2. Bagaimana perubahan nilai sisi kanan untuk kendala mempengaruhi solusi optimal?

Karena analisis sensitivitas berkaitan dengan bagaimana perubahan ini mempengaruhi solusi optimal,
analisis tidak dimulai sampai solusi optimal untuk masalah pemrograman linier asli telah diperoleh.
Untuk alasan itu, analisis sensitivitas sering disebut sebagai analisis postoptimality.

Pendekatan kami terhadap analisis sensitivitas sejajar dengan pendekatan yang digunakan untuk
memperkenalkan pemrograman linier di Bab 2. Kami mulai dengan menunjukkan bagaimana metode
grafis dapat digunakan untuk melakukan analisis sensitivitas untuk masalah pemrograman linier
dengan dua variabel keputusan. Kemudian, kami menunjukkan bagaimana perangkat lunak optimasi
menyediakan informasi analisis sensitivitas.

Akhirnya, kami memperluas diskusi tentang perumusan masalah dimulai pada Bab 2 dengan
merumuskan dan menyelesaikan tiga masalah linear programming yang lebih besar. Dalam
membahas solusi untuk masing-masing masalah ini, kami fokus pada interpretasi manajerial solusi
optimal dan informasi analisis sensitivitas.

MANAGEMENT SCIENCE IN ACTION

MENANDAI PRODUK UNTUK FASILITAS DI SELURUH DUNIA DI KODAK EASTMAN *

Salah satu masalah perencanaan utama di Eastman Kodak melibatkan penentuan produk mana yang
harus diproduksi di fasilitas Kodak yang berlokasi di seluruh dunia. Penugasan produk ke fasilitas
disebut “beban dunia.” Dalam menentukan beban dunia, Kodak menghadapi sejumlah tawar-
menawar yang menarik. Misalnya, tidak semua fasilitas manufaktur sama-sama efisien untuk semua
produk, dan margin di mana beberapa fasilitas lebih baik bervariasi dari produk ke produk. Selain biaya
produksi, biaya transportasi dan efek dari tugas dan kelemahan tugas dapat secara signifikan
mempengaruhi keputusan alokasi.

Untuk membantu dalam menentukan beban dunia, Kodak mengembangkan model pemrograman
linier yang memperhitungkan sifat fisik dari masalah distribusi dan berbagai biaya (manufaktur,
transportasi, dan tugas) yang terlibat. Tujuan model adalah untuk meminimalkan biaya total yang
tunduk pada kendala seperti memenuhi permintaan dan keterbatasan kapasitas untuk setiap fasilitas.

Model pemrograman linier adalah representasi statis dari situasi masalah, dan dunia nyata selalu
berubah. Dengan demikian, model pemrograman linier harus digunakan dengan cara yang dinamis.
Misalnya, ketika tuntutan permintaan berubah, model dapat digunakan untuk menentukan pengaruh
perubahan pada beban dunia. Anggaplah bahwa mata uang negara A naik dibandingkan dengan mata
uang negara B. Bagaimana seharusnya beban dunia dimodifikasi? Selain menggunakan model
pemrograman linier dalam mode "bagaimana-bereaksi", model ini berguna dalam mode yang lebih
aktif dengan mempertimbangkan pertanyaan seperti berikut: Apakah bermanfaat untuk fasilitas F
untuk membelanjakan d dolar untuk menurunkan unit biaya produksi produk P dari x ke y? Model
pemrograman linier membantu Kodak mengevaluasi efek keseluruhan dari kemungkinan perubahan
di fasilitas apa pun.
 Dalam analisis terakhir, manajer mengakui bahwa mereka tidak dapat menggunakan model hanya
dengan menyalakannya, membaca hasil, dan mengeksekusi solusi. Rekomendasi model yang
dikombinasikan dengan penilaian manajerial memberikan keputusan akhir.

Analisis kepekaan dan interpretasi solusi optimal adalah aspek-aspek penting dalam penerapan
linear programming. Ilmu Manajemen dalam Tindakan, Menetapkan Produk ke Fasilitas Seluruh Dunia
di Eastman Kodak, menunjukkan beberapa analisis sensitivitas dan masalah interpretasi yang ditemui
di Kodak dalam menentukan penugasan produk yang optimal. Kemudian di bab ini, artikel Science
Science in Action lainnya menggambarkan bagaimana Performance Analysis Corporation
menggunakan analisis kepekaan sebagai bagian dari model evaluasi untuk rantai gerai makanan cepat
saji, bagaimana GE Plastics menggunakan model pemrograman linier yang melibatkan ribuan variabel
dan kendala untuk menentukan jumlah produksi optimal, bagaimana Pusat Koordinasi Nutrisi
Universitas Minnesota menggunakan model pemrograman linier untuk memperkirakan jumlah gizi
dalam produk makanan baru, dan bagaimana model pemrograman linier Duncan Industries Limited
untuk distribusi teh meyakinkan manajemen manfaat menggunakan teknik analisis kuantitatif untuk
mendukung proses pengambilan keputusan.

PENGENALAN ANALISIS SENSITIVITAS

Analisis sensitivitas penting bagi pengambil keputusan karena masalah dunia nyata ada dalam
lingkungan yang berubah. Harga bahan baku berubah, permintaan produk berubah, perusahaan
membeli mesin baru, harga saham berfluktuasi, perputaran karyawan terjadi, dan seterusnya. Jika
model pemrograman linier telah digunakan dalam lingkungan seperti itu, kita dapat mengharapkan
beberapa koefisien berubah seiring waktu. Kami kemudian akan ingin menentukan bagaimana
perubahan ini mempengaruhi solusi optimal untuk masalah pemrograman linear asli. Analisis
sensitivitas memberi kita informasi yang diperlukan untuk menanggapi perubahan tersebut tanpa
memerlukan solusi lengkap dari program linier yang direvisi.

Ingat masalah Par, Inc.,:

Max 10S + 9D
s.t.
⁷⁄₁₀S + 1D ≤ 630 Cutting and dyeing
1⁄₂ S + ⁵⁄₆D ≤ 600 Sewing
1S + 2⁄₃D ≤ 708 Finishing
1⁄₁₀S + 1⁄₄D ≤ 135 Inspection and packaging
S, D ≥ 0

Solusi optimal, S| 540 tas standar dan D| 252 tas mewah, didasarkan pada angka kontribusi laba $ 10
per tas standar dan $ 9 per tas mewah. Misalkan kita kemudian belajar bahwa penurunan harga
menyebabkan kontribusi laba untuk tas standar jatuh dari $ 10 menjadi $ 8,50. Analisis sensitivitas
dapat digunakan untuk menentukan apakah jadwal produksi menyerukan 540 tas standar dan 252 tas
mewah masih yang terbaik. Jika ya, memecahkan masalah pemrograman linear yang dimodifikasi
dengan 8,50? 9D sebagai fungsi obyektif baru tidak akan diperlukan.

Analisis sensitivitas juga dapat digunakan untuk menentukan koefisien mana dalam model
pemrograman linear sangat penting. Sebagai contoh, anggaplah bahwa manajemen percaya bahwa
kontribusi laba $ 9 untuk tas mewah hanya perkiraan kasar dari kontribusi laba yang sebenarnya akan
diperoleh. Jika analisis sensitivitas menunjukkan bahwa 540 tas standar dan 252 tas mewah akan
menjadi solusi optimal selama kontribusi laba untuk tas mewah adalah antara $ 6,67 dan $ 14,29,
manajemen harus merasa nyaman dengan perkiraan $ 9 per kantong dan jumlah produksi yang
disarankan. . Namun, jika analisis sensitivitas menunjukkan bahwa 540 tas standar dan 252 tas mewah
akan menjadi solusi optimal hanya jika kontribusi laba untuk tas mewah adalah antara $ 8,90 dan $
9,25, manajemen mungkin ingin meninjau keakuratan perkiraan $ 9 per kantong. Manajemen
terutama ingin mempertimbangkan bagaimana jumlah produksi optimal harus direvisi jika kontribusi
laba per tas mewah menurun.

Aspek lain dari analisis sensitivitas menyangkut perubahan nilai sisi kanan dari kendala. Ingat
bahwa dalam Par, Inc., masalah solusi optimal menggunakan semua waktu yang tersedia di
departemen pemotongan dan pencelupan dan departemen finishing. Apa yang akan terjadi pada
solusi optimal dan total kontribusi laba jika Par bisa mendapatkan jumlah tambahan dari salah satu
sumber daya ini? Analisis kepekaan dapat membantu menentukan berapa banyak setiap jam
tambahan waktu produksi bernilai dan berapa jam dapat ditambahkan sebelum pengembalian
berkurang.

ANALISIS SENSITIVITAS GRAFIS

Untuk masalah pemrograman linier dengan dua variabel keputusan, metode solusi grafis dapat
digunakan untuk melakukan analisis sensitivitas pada koefisien fungsi obyektif dan nilai sisi kanan
untuk kendala.

Koefisien Fungsi Tujuan

Mari kita perhatikan bagaimana perubahan dalam koefisien fungsi tujuan dapat mempengaruhi solusi
optimal untuk masalah Par, Inc.,. Kontribusi saat ini untuk keuntungan adalah $ 10 per unit untuk tas
standar dan $ 9 per unit untuk tas mewah. Tampaknya jelas bahwa peningkatan kontribusi laba untuk
salah satu tas mungkin menyebabkan manajemen untuk meningkatkan produksi tas itu, dan
penurunan kontribusi laba untuk salah satu tas mungkin menyebabkan manajemen untuk mengurangi
produksi tas itu. Tidak begitu jelas, bagaimanapun, berapa banyak kontribusi laba harus berubah
sebelum manajemen ingin mengubah jumlah produksi.

Solusi optimal saat ini untuk masalah ini memerlukan produksi 540 tas golf standar dan 252 tas golf
mewah. Rentang optimalitas untuk setiap koefisien fungsi tujuan menyediakan rentang nilai di mana
solusi saat ini akan tetap optimal. Perhatian manajerial harus difokuskan pada koefisien fungsi obyektif
yang memiliki kisaran sempit optimalitas dan koefisien dekat titik akhir kisaran. Dengan koefisien ini,
perubahan kecil dapat mengharuskan memodifikasi solusi optimal. Mari kita hitung rentang
optimalitas untuk masalah ini.

Gambar 3.1 menunjukkan solusi grafis. Pemeriksaan yang teliti terhadap grafik ini menunjukkan
bahwa sepanjang kemiringan garis fungsi obyektif berada di antara kemiringan garis A (yang
bertepatan dengan garis batas pemotongan dan pencelupan) dan kemiringan garis B (yang bertepatan
dengan garis batas penyelesaian ), titik ekstrim (3) dengan S| 540 dan D| 252 akan optimal. Mengubah
koefisien fungsi objektif untuk S atau D akan menyebabkan kemiringan garis fungsi obyektif berubah.
Pada Gambar 3.1 kita melihat bahwa perubahan tersebut menyebabkan garis fungsi obyektif berputar
di sekitar titik ekstrim (3). Namun, selama garis fungsi obyektif tetap dalam wilayah yang diarsir, titik
ekstrim (3) akan tetap optimal.

Memutar garis fungsi tujuan berlawanan arah jarum jam menyebabkan kemiringan menjadi kurang
negatif, dan kemiringan meningkat. Ketika garis fungsi obyektif berputar berlawanan arah jarum jam
(kemiringan meningkat) cukup bertepatan dengan garis A, kita memperoleh solusi optimal alternatif
antara titik ekstrim (3) dan (4). Rotasi berlawanan arah dari garis fungsi obyektif akan menyebabkan
 titik ekstrim (3) menjadi tidak optimal. Oleh karena itu, kemiringan garis A memberikan batas atas
untuk kemiringan garis fungsi obyektif.

Memutar garis fungsi tujuan searah jarum jam menyebabkan kemiringan menjadi lebih negatif,
dan kemiringan menurun. Ketika garis fungsi obyektif berputar searah jarum jam (kemiringan
menurun) cukup bertepatan dengan garis B, kita mendapatkan solusi optimal alternatif antara titik
ekstrim (3) dan (2). Rotasi searah jarum jam lebih lanjut dari garis fungsi obyektif akan menyebabkan
titik ekstrim menjadi tidak optimal. Oleh karena itu, kemiringan garis B memberikan batas bawah
untuk kemiringan garis fungsi obyektif.

Dengan demikian, titik ekstrim (3) akan menjadi solusi optimal selama

Kemiringan garis B ≤ kemiringan garis fungsi obyektif ≤ kemiringan garis A

Pada Gambar 3.1 kita melihat bahwa persamaan untuk garis A, garis batasan pemotongan dan
pencelupan, adalah sebagai berikut:
⁷⁄₁₀S +1D = 630

Dengan menyelesaikan persamaan ini untuk D, kita dapat menulis persamaan untuk garis A dalam
bentuk kemiringan-kemiringannya, yang menghasilkan
D=-⁷⁄₁₀ S + 630

Slope of Intercept of
line A line A on D
axis
Jadi, kemiringan untuk garis A adalah –⁷⁄₁₀, dan intersepnya pada sumbu D adalah 630.

3.2 Analisis Kepekaan Grafis

Persamaan untuk garis B pada Gambar 3.1 adalah

1S + 2⁄₃D = 70

Pemecahan untuk D menyediakan bentuk pemotongan-lereng untuk jalur B. Melakukan hal itu
menghasilkan

2⁄₃D= -1S + 708

D= - 3⁄₂S + 1062

Jadi, kemiringan garis B adalah -³⁄₂, dan interceptnya pada sumbu D adalah 1062.
Sekarang bahwa kemiringan garis A dan B telah dihitung, kita melihat bahwa untuk titik ekstrim
(3) agar tetap optimal kita harus memiliki

-³⁄₂ ≤ kemiringan fungsi obyektif ≤ -⁷⁄₁₀

Sekarang mari kita perhatikan bentuk umum kemiringan garis fungsi obyektif. Biarkan CS
menunjukkan keuntungan tas standar, CD menunjukkan laba tas mewah, dan P menunjukkan nilai
fungsi obyektif. Dengan menggunakan notasi ini, garis fungsi obyektif dapat ditulis sebagai

P = C S S + CD D

Menulis persamaan ini dalam bentuk pemotongan-lereng, kita dapatkan

CD D = -CS S + P
dan

𝐶𝑠 𝑃
𝐷=− 𝑆 +
𝐶𝑑 𝐶𝑑

Jadi, kita melihat bahwa kemiringan garis fungsi obyektif diberikan oleh -CS / CD. Mengganti -CS / CD
menjadi ekspresi (3.1), kita melihat bahwa titik ekstrim akan optimal selama ekspresi berikut dipenuhi:
𝑪𝒔
- ³⁄₂ ≤ - 𝑪𝒅 ≤ -⁷⁄₁₀

Untuk menghitung kisaran optimalitas untuk kontribusi laba tas standar, kami pegang kontribusi laba
untuk tas mewah tetap pada CD nilai awalnya CD = 9. Melakukannya dalam ekspresi (3.2), kita
dapatkan
𝑪𝒔
- ³⁄₂ ≤ - 𝟗
≤ -⁷⁄₁₀

Dari ketidaksetaraan tangan kiri, kita punya

𝑪𝒔 𝑪𝒔
- ³⁄₂ ≤ - atau - ³⁄₂ ≥
𝟗 𝟗

Demikian,
⁄ ≥ CS atau CS ≤ 2⁷⁄₂ = 13.5
2⁷ ₂
Dari ketidakadilan tangan kanan, kami punya
𝐶𝑠 7 𝐶𝑠 7
− ≤ − 𝑎𝑡𝑎𝑢 ≥
9 10 9 10
Demikian,
63
𝐶𝑠 ≥ 𝑎𝑡𝑎𝑢 𝐶𝑠 ≥ 6.3
10
Menggabungkan batas-batas yang dihitung untuk CS menyediakan kisaran optimalitas berikut untuk
kontribusi laba tas standar:

6.3 ≤ 𝐶𝑠 ≤ 13.5
Dalam masalah asli untuk Par, Inc., tas standar memiliki kontribusi laba sebesar $ 10. Solusi optimal
yang dihasilkan adalah 540 tas standar dan 252 tas mewah. Rentang optimalitas untuk Cs
memberitahu manajemen Par bahwa, dengan koefisien lain tidak berubah, kontribusi laba untuk tas
standar dapat berkisar antara $ 6,30 dan $ 13,50 dan kuantitas produksi 540 tas standar dan 252 tas
mewah akan tetap optimal. Namun, perlu dicatat bahwa meskipun jumlah produksi tidak akan
berubah, total kontribusi laba (nilai fungsi obyektif) akan berubah karena perubahan dalam kontribusi
laba per kantong standar.

Perhitungan ini dapat diulang, memegang kontribusi laba untuk tas standar konstan di Cs=10.
Dalam hal ini, kisaran optimalitas untuk kontribusi laba deluxe-bag dapat ditentukan. Periksa untuk
melihat bahwa rentang ini adalah 6,67 ≤ CD ≤ 14.29.

Dalam kasus di mana rotasi garis fungsi obyektif tentang titik ekstrim yang optimal menyebabkan
garis fungsi obyektif menjadi vertikal, tidak akan ada batas atas atau tidak ada batas bawah untuk
kemiringan seperti yang muncul dalam bentuk ekspresi (3.2). Untuk menunjukkan bagaimana situasi
khusus ini dapat terjadi, anggaplah bahwa fungsi obyektif untuk Par, Inc., masalah adalah 18CS + 9CD;
dalam hal ini, titik ekstrim (2) pada Gambar 3.2 memberikan solusi optimal. Memutar garis fungsi
tujuan berlawanan arah jarum jam di sekitar titik ekstrim (2) memberikan batas atas untuk lereng
ketika garis fungsi obyektif bertepatan dengan garis B. Kami menunjukkan sebelumnya bahwa
kemiringan garis B adalah -³⁄₂, jadi batas atas untuk kemiringan garis fungsi obyektif harus -³⁄₂. Namun,
memutar garis fungsi tujuan searah jarum jam menghasilkan kemiringan menjadi lebih dan lebih
negatif, mendekati nilai minus tak terhingga sebagai garis fungsi obyektif menjadi vertikal; dalam hal
ini, kemiringan fungsi tujuan tidak memiliki batas yang lebih rendah. Menggunakan batas atas -³⁄₂, kita
bisa menulis
𝐶𝑠 3
− ≤ −
𝐶𝑑 2

Slope of objective
function line
 Mengikuti prosedur sebelumnya memegang CD konstan pada nilai aslinya, CD? 9, kita punya
𝐶𝑆 3 𝐶𝑆 3
− 9
≤ − 2 𝑎𝑡𝑎𝑢 9
≥2

Pemecahan untuk CS memberikan hasil berikut kita punya :

27
𝐶𝑠 ≥ = 13.5
2
Dalam meninjau Gambar 3.2 kami mencatat bahwa titik ekstrim (2) tetap optimal untuk semua nilai
CSnabove 13.5. Dengan demikian, kami memperoleh kisaran optimalitas berikut untuk CS pada titik
ekstrim (2):

13.5 ≤ 𝐶𝑠 < ∞
Perubahan Serentak Rentang optimalitas untuk koefisien fungsi obyektif hanya berlaku untuk
perubahan yang dilakukan pada satu koefisien pada suatu waktu. Semua koefisien lainnya
diasumsikan tetap pada nilai awal mereka. Jika dua atau lebih fungsi objektif koefisien diubah secara
bersamaan, analisis lebih lanjut diperlukan untuk menentukan apakah solusi optimal akan berubah.
Namun, ketika memecahkan dua masalah variabel secara grafis, ekspresi (3.2) menunjukkan cara
mudah untuk menentukan apakah perubahan simultan dalam kedua fungsi koefisien fungsi akan
menyebabkan perubahan dalam solusi optimal. Cukup hitung kemiringan fungsi obyektif (-Cs / CD)
untuk nilai koefisien baru. Jika rasio ini lebih besar dari atau sama dengan batas bawah pada
kemiringan fungsi tujuan dan kurang dari atau sama dengan batas atas, maka perubahan yang
dilakukan tidak akan menyebabkan perubahan dalam solusi optimal.
Pertimbangkan perubahan pada kedua koefisien fungsi obyektif untuk masalah Par, Inc.,. Misalkan
kontribusi laba per tas standar meningkat menjadi $ 13 dan kontribusi laba per tas mewah secara
bersamaan dikurangi menjadi $ 8. Ingat bahwa rentang optimalitas atau Csdan CD (keduanya dihitung
dalam cara satu saat) adalah

6.3 ≤ 𝐶𝑠 ≤ 13.5
6.67 ≤ 𝐶𝑑 ≤ 14.29
Untuk rentang optimalitas ini, kita dapat menyimpulkan bahwa mengubah Cs menjadi $ 13 atau CD
menjadi $ 8 (tetapi tidak keduanya) tidak akan menyebabkan perubahan dalam solusi optimal S = 540
dan D = 252. Tetapi kita tidak dapat menyimpulkan dari rentang optimalitas bahwa mengubah kedua
koefisien secara bersamaan tidak akan menghasilkan perubahan dalam solusi optimal.

Dalam ekspresi (3.2) kami menunjukkan bahwa titik ekstrim (3) tetap optimal selama
3 𝐶𝑠 7
− ≤− ≤ −
2 𝐶𝑑 10
Jika Cs diubah menjadi 13 dan secara bersamaan CD diubah menjadi 8, kemiringan fungsi obyektif baru
akan diberikan oleh
𝐶𝑠 13
− = − = −1.625
𝐶𝑑 8
Karena nilai ini kurang dari batas bawah -³⁄₂, solusi terkini dari S = 540 dan D = 252 tidak akan lagi
optimal. Dengan menyelesaikan masalah dengan Cs = 13 dan CD = 8, kita akan menemukan bahwa titik
ekstrim (2) adalah solusi optimal baru.

Melihat rentang optimalitas, kami menyimpulkan bahwa mengubah Cs menjadi $ 13 atau CD

menjadi $ 8 (tetapi tidak keduanya) tidak akan menyebabkan perubahan dalam solusi optimal. Tetapi
dalam mengkomputasi ulang kemiringan fungsi tujuan dengan perubahan simultan untuk Cs dan CD,
kami melihat bahwa solusi optimal berubah. Hasil ini menekankan fakta bahwa berbagai optimalitas,
dengan sendirinya, hanya dapat digunakan untuk menarik kesimpulan tentang perubahan yang dibuat
untuk satu koefisien fungsi objektif pada suatu waktu.