MAKALAH MANAJEMEN OPERASI

Operational Decision-Making Tools: Linear Programming

Dosen Pengampu: Dr.Sabihaini, SE.,M.Si
Drs. Agung Satmoko, ME

KELOMPOK 5:

1. Hayu Putri Utami (141170149)

2. Kevin Desgy Rachmawati (141170157)
3. Ayu Anisa Fitrilianti (141170201)
4. Amalia Prasetyowati (141170231)
5. Indah Puspo Rini (141170235)
Kelas : EM - A

PROGRAM STUDI MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” YOGYAKARTA
2019
A. Formulasi Model
Model pemrograman linier terdiri dari variable keputusan, fungsi objektif, dan batasan
model. Variabel keputusan adalah simbol matematika yang mewakili tingkat aktivitas suatu
operasi. Sebagai contoh, sebuah perusahaan manufaktur elektronik ingin memproduksi
radio, pemanggang roti, dan jam. Jumlah setiap item yang diproduksi diwakili oleh simbol,
x1, x2, dan x3. Jadi, x1 = jumlah radio, x2 = jumlah pemanggang, dan x3 j= umlah jam.
Nilai akhir x1, x2, dan x3, sebagaimana ditentukan oleh perusahaan, merupakan keputusan
(mis., Radio x1 10 adalah keputusan oleh perusahaan untuk menghasilkan 10 radio).
Fungsi objektif adalah hubungan matematis linier yang menggambarkan tujuan operasi
dalam hal variabel keputusan. Fungsi objektif selalu memaksimalkan atau meminimalkan
beberapa nilai (mis., Memaksimalkan keuntungan atau meminimalkan biaya produksi radio).
Misalnya, jika keuntungan dari radio adalah $ 6, keuntungan dari pemanggang adalah $ 4,
dan keuntungan dari jam adalah $ 2, maka total keuntungan (Z), adalah Z= $6x1 + 4x2 +
2x3.
Batasan model juga hubungan linier dari variabel keputusan; mereka mewakili batasan yang
ditempatkan pada situasi keputusan oleh lingkungan operasi. Pembatasan dapat berupa
sumber daya terbatas atau pedoman terbatas. Misalnya, jika diperlukan 2 jam kerja untuk
menghasilkan sebuah radio, 1 jam untuk menghasilkan sebuah pemanggang, dan 1,5 jam
untuk menghasilkan sebuah jam, dan hanya 40 jam kerja yang tersedia, sehingga. 2x 1 + 1x 2
+ 1.5X3 ≤ 40. Struktur umum model pemrograman linier adalah sebagai berikut:
The Highlands Craft Store adalah operasi kerajinan kecil yang mempekerjakan pengrajin
lokal untuk diproduksi mangkuk dan mug tanah liat berdasarkan desain dan warna dari
tahun 1700-an dan 1800-an. Dua primer sumber daya yang digunakan oleh perusahaan
adalah tanah liat tembikar khusus dan tenaga kerja terampil. Mengingat ini terbatas sumber
daya, perusahaan ingin tahu berapa mangkuk dan gelas untuk menghasilkan setiap hari
memaksimalkan keuntungan. Kedua produk memiliki persyaratan sumber daya berikut
untuk produksi dan penjualan harga per item yang diproduksi (mis., parameter model):

Ada 40 jam kerja dan 120 pon tanah liat tersedia setiap hari. Merumuskan masalah ini
sebagai model pemrograman linier. Larutan Keputusan manajemen adalah berapa banyak
mangkuk dan gelas untuk diproduksi yang diwakili oleh variabel keputusan berikut.
x 2 = jumlah mug untuk diproduksi
x 1 = jumlah mangkuk untuk diproduksi

Tujuan perusahaan adalah untuk memaksimalkan total pendapatan yang dihitung sebagai
jumlah dari keuntungan individu yang diperoleh dari setiap mangkuk dan cangkir

Maximize Z = $40x 1 + 50x 2

The model contains the constraints for labor and clay, which are
x 1 + 2x 2 … 40 hr
4x 1 + 3x 2 … 120 lb

Kurang dari atau sama dengan ketimpangan (≤) digunakan sebagai ganti kesetaraan (=)
karena 40 jam persalinan adalah maksimal yang dapat digunakan, bukan jumlah yang harus
digunakan. Namun, kendala bisa berupa persamaan (=), lebih besar dari atau sama dengan
ketidaksetaraan ( ≥ ), atau kurang dari atau sama untuk ketidaksetaraan ( ≤ ). Model
pemrograman linier lengkap untuk masalah ini sekarang dapat diringkas sebagai berikut:
 Solusi dari model ini akan menghasilkan nilai numerik untuk x 1 dan x 2 yang
memaksimalkan total untung, Z, tanpa melanggar kendala. Solusi yang mencapai tujuan ini
adalah x 1 = 24 mangkuk dan mug x 2 = 8, dengan pendapatan yang sesuai sebesar $ 1.360.
Kami akan membahas bagaimana kami menentukan nilai-nilai ini selanjutnya.

B. Metode Solusi Grafis

Model pemrograman linier pada bagian sebelumnya memiliki karakteristik yang sama untuk
semua model pemrograman linier. Hubungan matematikanya adalah aditif; parameter model
diasumsikan diketahui dengan pasti; nilai variabel kontinu (tidak terbatas pada bilangan
bulat); dan hubungannya linear. Karena linearitas, model dengan dua variabel keputusan
(sesuai dengan dua dimensi) dapat diselesaikan dengan grafik. Meskipun solusi grafis rumit,
ini berguna karena memberikan gambaran bagaimana solusi berasal.

Langkah-langkah dasar dalam metode solusi grafis adalah memplot batasan model pada set
koordinat dalam sebuah pesawat dan mengidentifikasi area pada grafik yang memenuhi
semua kendala secara bersamaan. Titik pada batas ruang ini yang memaksimalkan (atau
meminimalkan) fungsi objektif adalah solusinya. Contoh berikut menggambarkan langkah-
langkah ini.
Solusi:
Grafik kendala model ditunjukkan pada gambar berikut dari solusi yang layak ruang. Grafik
diproduksi di kuadran positif karena kedua variabel keputusan harus positif atau nol; itu
adalah, :

Langkah pertama adalah memplot kendala pada grafik. Ini dilakukan dengan
memperlakukan kedua kendala sebagai persamaan (atau garis lurus) dan plot setiap garis
pada grafik. Cara mudah untuk memetakan garis adalah untuk menentukan di mana ia
memotong sumbu horizontal dan vertikal dan menggambar garis lurus yang menghubungkan
poin. Area yang diarsir pada gambar sebelumnya adalah area yang umum untuk kedua
kendala model. Oleh karena itu, ini adalah satu-satunya area pada grafik yang berisi titik
(mis., Nilai untuk x1 dan x2) yang akan memenuhi kedua kendala secara bersamaan. Area
ini adalah ruang solusi yang layak, karena memang demikian satu-satunya area yang berisi
nilai untuk variabel yang layak, atau tidak melanggar kendala. Langkah kedua dalam metode
solusi grafis adalah menemukan titik dalam solusi yang layak area yang mewakili total
pendapatan terbesar. Kami akan memplot garis fungsi tujuan untuk tingkat pendapatan yang
dipilih secara sewenang-wenang. Misalnya, jika pendapatan, Z, adalah $ 800, fungsi
tujuannya adalah

$800 = 40x 1 + 50x 2

Memplot garis ini sama seperti kita memplot hasil garis kendala pada grafik yang
menunjukkan penentuan titik optimal pada gambar berikut. Setiap titik pada baris ini berada
di area solusi yang layak dan akan menghasilkan pendapatan sebesar $ 800 (mis., Setiap
kombinasi x1 dan x2 pada baris ini akan memberikan nilai Z $ 800). Ketika nilai Z
meningkat, garis fungsi tujuan bergerak keluar melalui ruang solusi yang layak jauh dari asal
sampai mencapai yang terakhir titik layak pada batas ruang solusi dan kemudian
meninggalkan ruang solusi.

Titik penyelesaian selalu pada batas ini, karena batas berisi titik-titik terjauh dari asalnya
(yaitu, poin yang sesuai dengan laba terbesar). Apalagi itu titik solusi tidak hanya akan
berada di batas area solusi yang layak, tetapi juga akan berada di salah satu sudut batas di
mana dua garis kendala berpotongan. Sudut-sudut ini (diberi label A, B, dan C pada gambar
berikut) adalah tonjolan yang disebut titik ekstrim. Telah terbukti secara matematis bahwa
solusi optimal dalam model pemrograman linier akan selalu terjadi pada titik ekstrim. Oleh
karena itu, dalam contoh masalah kita, poin solusi yang mungkin adalah terbatas pada tiga
titik ekstrim A, B, dan C. Titik solusi optimal, atau "satu yang terbaik," adalah B, karena
fungsi objektif menyentuhnya terakhir sebelum meninggalkan area solusi yang layak
Solusi optimal pada titik B pada gambar sebelumnya adalah mangkuk x 1 = 24 dan gelas x 2
= 8 mugs. Mengganti nilai-nilai ini ke dalam fungsi objektif memberikan pendapatan
maksimum,
Z = $40(24) + $50(8)
= $1360

Mengingat bahwa solusi optimal akan berada di salah satu titik sudut ekstrem A, B, atau C,
Anda dapat menemukan solusinya dengan menguji masing-masing dari tiga poin untuk
melihat mana yang menghasilkan pendapatan terbesar daripada dengan membuat grafik
fungsi objektif dan melihat titik mana yang terakhir disentuh saat itu keluar dari area solusi
yang layak. Gambar berikut menunjukkan nilai solusi untuk semua tiga poin A, B, dan C
dan jumlah pendapatan, Z, di setiap titik:
Fungsi objektif menentukan titik ekstrim mana yang optimal, karena objektif fungsi
menunjuk pendapatan yang akan bertambah dari setiap kombinasi nilai x1 dan x2 di poin
ekstrim. Jika fungsi objektif memiliki koefisien yang berbeda (mis., Beda x1 dan nilai laba
x2), salah satu poin ekstrem selain B mungkin sudah optimal. Asumsikan sejenak bahwa
pendapatan untuk mangkuk adalah $ 70, bukan $ 40 dan pendapatan untuk mug adalah $ 20
bukannya $ 50. Nilai-nilai ini menghasilkan fungsi objektif baru, Z $ 70x1 20x2. Jika
kendala model untuk tenaga kerja atau tanah liat tidak berubah, area solusi yang layak tetap
menjadi sama, seperti yang ditunjukkan pada gambar berikut. Namun, lokasi fungsi obyektif
dalam hal ini angka berbeda dari fungsi tujuan asli pada gambar sebelumnya karena
koefisien laba baru memberi fungsi objektif linier kemiringan baru. Titik C menjadi optimal,
dengan Z = $ 2.100. Ini menunjukkan salah satu fungsi berguna dari pemrograman linear —
dan analisis model secara umum — disebut analisis sensitivitas: pengujian perubahan dalam
parameter model yang mencerminkan lingkungan operasi yang berbeda untuk menganalisis
dampak pada solusi.
Toko Perangkat Keras dan Makanan Petani sedang menyiapkan campuran pupuk untuk
petani yang sedang menyiapkan ladang untuk menanam tanaman. Toko akan menggunakan
dua merek pupuk, Gro-Plus dan Crop-Fast, untuk membuat campuran yang tepat untuk
petani. Setiap merek menghasilkan jumlah nitrogen dan fosfat tertentu, sebagai berikut:

Ladang petani membutuhkan setidaknya 16 pon nitrogen dan 24 pon fosfat. GroPlus biaya
$ 6 per kantong, dan Tanaman-Cepat biaya $ 3. Toko ingin tahu berapa kantong setiap
merek dibeli untuk meminimalkan total biaya pemupukan. Merumuskan model
pemrograman linier untuk masalah ini, dan menyelesaikannya dengan menggunakan grafis
metode. Larutan Masalah ini dirumuskan sebagai berikut:

Solusi grafis masalah ditunjukkan pada gambar berikut. Perhatikan bahwa solusi optimal,
titik A, terjadi pada titik ekstrem terakhir yang disentuh fungsi objektif bergerak menuju titik
asal (titik 0,0).
C. Solusi Model Pemrograman Linear
1. Metode Simplex
Menentukan solusi untuk model pemrograman linier dengan grafik dapat
memberikan wawasan tentang bagaimana solusi berasal, tetapi itu umumnya tidak efektif
atau efisien. Pendekatan matematika tradisional untuk memecahkan masalah
pemrograman linier adalah prosedur yang disebut metode simpleks. Dalam metode
simpleks, model dimasukkan ke dalam bentuk tabel, dan kemudian sejumlah langkah
matematika dilakukan di atas meja. Langkah-langkah matematika ini sama dengan
bergerak dari satu titik ekstrim pada batas solusi ke yang lain. Namun, tidak seperti
metode grafis, di mana kita hanya mencari melalui semua titik untuk menemukan solusi
yang terbaik, metode simpleks bergerak dari satu solusi yang lebih baik ke yang lain
sampai yang terbaik ditemukan.
Metode simpleks untuk memecahkan masalah pemrograman linier didasarkan,
setidaknya sebagian pada solusi persamaan yang simultan dan aljabar matriks. Ini adalah
pendekatan yang rumit secara matematis yang sangat memakan waktu bahkan untuk
masalah yang sangat kecil dari dua atau tiga variabel dan beberapa kendala. Ini mencakup
sejumlah langkah matematika dan membutuhkan banyak perhitungan aritmatika, yang
sering menghasilkan kesalahan aritmatika sederhana ketika dilakukan dengan manual.
Bergantung pada perangkat lunak yang digunakan, solusi untuk masalah pemrograman
linier mungkin dalam bentuk yang sama dengan solusi simpleks.
2. Variable Slack dan Surplus
Solusi untuk masalah pemrograman linier terjadi pada titik ekstrem di mana garis
persamaan kendala berpotongan satu sama lain atau dengan sumbu. Dengan demikian,
kendala model semua harus dalam bentuk persamaan (=) daripada ketidaksetaraan (≥ atau
≤). Prosedur untuk mengubah batasan ketimpangan ke dalam persamaan adalah dengan
menambahkan variabel baru, yang disebut variabel kendur, ke setiap kendala. Untuk
Beaver Creek Pottery Company, penambahan variabel slack unik (Si) ke setiap
ketidaksetaraan kendala menghasilkan persamaan berikut:

Variabel slack, s1 dan s2, akan mengambil nilai apa pun yang diperlukan untuk membuat
sisi kiri persamaan sama dengan sisi kanan. Jika variabel slack memiliki nilai dalam
solusi, itu mewakili sumber daya yang tidak digunakan. Karena sumber daya yang tidak
digunakan tidak akan berkontribusi apa pun terhadap total pendapatan, sumber daya
tersebut memiliki koefisien nol dalam fungsi tujuan:

Grafik pada Gambar S14.1 menunjukkan semua titik solusi dalam contoh Beaver Creek
Pottery Company kami dengan nilai-nilai untuk variabel keputusan dan slack.
Contoh ini adalah masalah maksimalisasi dengan semua ≤ kendala. Masalah minimisasi
dengan ≥ kendala memerlukan penyesuaian yang berbeda. Dengan ≥ batasan, alih-alih
menambahkan variabel kendur, malah mengurangi variabel surplus. Sementara variabel
slack ditambahkan dan mencerminkan sumber daya yang tidak digunakan, variabel
surplus dikurangi dan mencerminkan kelebihan di atas tingkat kebutuhan sumber daya
minimum. Seperti halnya variabel slack, variabel surplus diwakili secara simbolis oleh Si
dan harus tidak bernilai negatif. Misalnya, pertimbangkan kendala berikut dari masalah
campuran pupuk kami dalam Contoh S14.3:
Mengurangi variabel surplus menghasilkan:

Grafik pada Gambar S14.2 menunjukkan semua titik solusi dengan nilai untuk variabel
hasil dan surplus untuk masalah minimisasi dalam Contoh S14.3.
D. Memecah Masalah Pemrograman Linear Dengan Excel
Pada bagian ini kami akan menunjukkan cara menggunakan Excel untuk menyelesaikan
model Highlands Craft Store dari Contoh S14.1. Tampilan S14.1 menunjukkan layar Excel
spreadsheet untuk Contoh S14.1 untuk Highlands Craft Store. Nilai untuk mangkuk, mug,
dan laba maksimum terkandung dalam sel B10, B11, dan B12. Mereka saat ini kosong
karena masalahnya belum terpecahkan. Fungsi objektif untuk laba yang tertanam dalam sel
B12 ditunjukkan pada bilah rumus di bagian atas layar. Rumus serupa untuk kendala untuk
tenaga kerja dan tanah liat tertanam dalam sel F6 dan F7.

Untuk mengatasi masalah ini, pertama-tama kalahkan jendela "Tools" dari bilah alat di
bagian atas layar dan kemudian pilih "Solver" dari daftar item menu. (Jika Solver tidak
ditampilkan pada menu Alat, itu dapat diaktifkan dengan mengklik "Add-in" pada menu
Tools dan kemudian "Solver." Jika Solver tidak tersedia dari menu Add-in, itu harus diinstal
pada menu Add-in langsung dari Office atau perangkat lunak Excel.) Awalnya semua
jendela pada layar kosong, dan kita harus memasukkan sel fungsi tujuan, sel-sel yang
mewakili variabel keputusan, dan sel-sel yang membentuk kendala model.

Saat memasukkan parameter solver seperti yang ditunjukkan pada Tampilan S14.2, pertama-
tama akan memasukkan "sel target" yang berisi fungsi tujuan, yaitu B12 sebagai contoh.
(Excel secara otomatis memasukkan tanda "$" di sebelah alamat sel; Anda tidak boleh
mengetikkannya.) Selanjutnya kami menunjukkan bahwa kami ingin memaksimalkan sel
target dengan mengklik "Max." Kami mencapai tujuan kami "Dengan Mengubah Sel" B10
dan B11, yang mewakili variabel keputusan model kami. Penunjukan "B10: B11" berarti
semua sel antara B10 dan B11 inklusif. Kami selanjutnya memasukkan batasan model kami
dengan mengklik "Tambah," yang akan mengakses jendela untuk menambahkan kendala.
Setelah semua kendala ditambahkan, ada satu langkah lagi yang diperlukan sebelum
melanjutkan untuk menyelesaikan masalah. Pilih “Pilihan” dari layar “Solver Parameters”
dan kemudian ketika “Options” muncul, klik “Assume Linear Models”, kemudian “OK”.
Anda juga dapat mengklik “Assume Non –negatif” ntuk menetapkan kondisi non-negatif
untuk variabel keputusan. Ini akan memungkinkan Anda untuk menghilangkan kendala,
 B10: B11 > = 0. Setelah model lengkap dimasukkan, klik "Solve" di sudut kanan atas layar
"Parameter Parameter". Pertama, layar akan muncul berjudul "Hasil Solver," yang akan
memberi Anda kesempatan untuk memilih beberapa laporan yang berbeda dan kemudian
dengan mengklik "OK" layar solusi yang ditunjukkan pada Gambar S14.3 akan muncul.
Jika ada kelonggaran yang tersisa untuk tenaga kerja atau tanah liat, itu akan muncul di
kolom G pada spreadsheet kami di bawah judul "Sisa." Dalam hal ini tidak ada sumber daya
kendur yang tersisa. Kami juga dapat membuat beberapa laporan yang merangkum hasil
model. Ketika Anda mengklik "OK" dari layar "Solver", layar perantara akan muncul
sebelum spreadsheet asli dengan hasil solusi. Layar ini berjudul "Hasil Solver" dan
memberikan Anda kesempatan untuk memilih beberapa laporan, termasuk laporan "Jawab".
Laporan ini memberikan ringkasan hasil solusi.

E. Analisia Sensitivitas
Solusi Excel juga menyediakan informasi tambahan yang berguna yang disebut "laporan
sensitivitas" seperti yang ditunjukkan dalam Tampilan S14.4. Perhatikan nilai 16 dan 6 di
bawah kolom berlabel "Harga Bayangan" untuk baris yang berlabel "Penggunaan tenaga
kerja" dan "Penggunaan tanah liat." Nilai-nilai ini adalah nilai marginal (juga disebut
sebagai

Bayangkan harga dan nilai ganda) tenaga kerja dan tanah liat dalam masalah kita. Nilai
marjinal adalah jumlah yang bersedia dibayarkan perusahaan untuk satu unit sumber daya
tambahan. Misalnya, nilai marjinal 16 untuk kendala tenaga kerja berarti bahwa jika satu
jam tambahan tenaga kerja dapat diperoleh oleh perusahaan, itu akan meningkatkan laba
sebesar $ 6. Demikian juga, jika satu pon tanah liat tambahan bisa diperoleh, itu akan
meningkatkan laba sebesar $ 6. Enam belas dolar dan $ 16 adalah nilai-nilai marginal dari
tenaga kerja dan tanah liat, masing-masing, untuk perusahaan. Nilai marjinal bukanlah harga
jual asli sumber daya; itu adalah berapa banyak perusahaan harus membayar untuk
mendapatkan lebih banyak sumber daya. Toko itu seharusnya tidak mau membayar lebih
dari $ 16 untuk satu jam kerja karena jika mendapat satu jam lagi, laba akan meningkat
hanya $ 16. Nilai marjinal bermanfaat bagi perusahaan dalam menentukan harga sumber
daya dan membuat keputusan tentang pengamanan sumber daya tambahan.

PERINGKAT SENSITIVITAS
Nilai marjinal, atau ganda tidak berlaku untuk pasokan tenaga kerja dan tanah liat yang tidak
terbatas. Ketika toko meningkatkan (atau mengurangi) jumlah tenaga kerja atau tanah liat
yang dimilikinya, kendala berubah, yang pada akhirnya akan mengubah solusi ke titik baru.
Dengan demikian, nilai ganda hanya baik dalam rentang nilai yang konsisten. Rentang ini
diberikan di bawah kolom yang berlabel "Peningkatan yang Diizinkan" dan "Penurunan
yang Diizinkan" dalam Tampilan S14.4.

Misalnya, jumlah tenaga kerja asli yang tersedia adalah 40 jam. Nilai ganda $ 16 untuk satu
jam kerja berlaku jika tenaga kerja yang tersedia adalah antara 30 dan 80 jam. Jika ada lebih
dari 80 jam kerja, maka titik solusi baru terjadi dan nilai ganda $ 16 tidak lagi valid.
Masalahnya harus dipecahkan lagi untuk melihat apa solusi baru dan nilai ganda baru. Ini
dapat diamati secara grafis pada Gambar S14.3. Jika jam kerja ditingkatkan dari 40 hingga
80 jam, garis kendala bergerak keluar dan naik. Ruang solusi baru adalah OA C, dan
campuran variabel solusi baru terjadi pada A, seperti yang ditunjukkan pada Gambar S14.3a.
Pada titik optimal asli, B, baik x1 dan x2 ada dalam solusi; namun, pada titik optimal baru,
A’, hanya x2 yang diproduksi (i.e., x1 = 0, x2 = 40, s1 = 0, s2 = 0).

Dengan demikian, batas atas rentang sensitivitas untuk kendala tenaga kerja adalah 80 jam.
Pada nilai ini campuran larutan berubah sehingga mangkuk tidak lagi diproduksi. Lebih
lanjut, saat tenaga kerja meningkat melewati 80 jam, s1 meningkat (mis., Jam kendur
dibuat). Demikian pula, jika jam kerja dikurangi menjadi 30 jam, garis kendala bergerak
turun dan masuk. Ruang solusi layak baru adalah OA C, seperti yang ditunjukkan pada
Gambar S14.3b. Titik optimal baru adalah di C, di mana tidak ada mug (x2) yang
diproduksi. Solusi baru adalah x1 = 30, x2 = 0, s1 = 0, s2 = 0, dan Z = $ 1200. Sekali lagi,
campuran variabel diubah. Ringkasnya, rentang sensitivitas untuk nilai kuantitas kendala
untuk jam kerja adalah antara 30 dan 80 jam seperti yang ditunjukkan dalam lembar kerja
Excel di Tampilan S14.4
Rentang nilai yang serupa ada untuk kendala tanah liat. Nilai solusi baik untuk turun hingga
60 lb dan hingga 160 lb seperti yang ditunjukkan dalam Tampilan S14.4. Ada juga rentang
sensitivitas untuk koefisien fungsi tujuan: "$ 40" untuk mangkuk dan "$ 50" untuk mug.
Titik solusi optimal akan tetap sama jika laba untuk mangkuk tetap dalam $ 25 dan $ 66,67,
atau jika laba untuk mug tetap antara $ 30 dan $ 80, seperti yang ditunjukkan dalam lembar
bentang Excel di Tampilan S14.4. Ini juga dapat diamati secara grafis pada Gambar S14.4.

Jika laba untuk mangkuk meningkat dari $ 40 ke $ 66,67, garis fungsi tujuan berputar ke
lokasi baru di mana ia sejajar dengan garis kendala untuk tanah liat seperti yang ditunjukkan
pada Gambar S14.4a. (Di lokasi baru ini, garis fungsi tujuan dan garis kendala untuk tanah
liat memiliki kemiringan yang sama). Kedua titik B dan C sekarang optimal. Jika laba untuk
mangkuk meningkat lebih besar dari $ 66,67, maka hanya titik C yang akan optimal dan
kami akan memiliki campuran solusi baru. Demikian pula, jika laba untuk mangkuk
berkurang menjadi $ 25 seperti yang ditunjukkan pada Gambar S14.4b, titik A dan B
keduanya optimal. Jika laba untuk mangkuk berkurang menjadi kurang dari $ 25, hanya titik
A yang akan optimal dan ada solusi baru. Dengan demikian, kisaran untuk laba untuk
mangkuk adalah antara $ 25 dan $ 66,67 seperti yang ditunjukkan dalam lembar kerja Excel
di Tampilan S14.4. Selama rentang ini, campuran solusi saat ini akan tetap optimal, dan
nilai-nilai marginal valid.
Rentang sensitivitas ini untuk nilai-nilai kendala dan nilai-nilai fungsi obyektif memberi
para manajer sarana yang nyaman untuk menganalisis penggunaan sumber daya. Nilai
marjinal dari sumber daya memungkinkan manajer mengetahui nilai sumber daya mereka
saat mereka membuat keputusan, dan rentang sensitivitas menunjukkan rentang di mana
nilai-nilai marjinal itu valid. Saat menggunakan perangkat lunak seperti Excel, seringkali
mudah mengubah nilai yang berbeda dalam model pemrograman linier dan melihat apa yang
terjadi. Dalam kedua kasus, ini menunjukkan fitur yang sangat berguna dari pemrograman
linier; itu tidak hanya memberi Anda solusi atau keputusan yang mungkin, tetapi juga
memungkinkan Anda untuk "bereksperimen" dengan model untuk menguji berbagai
skenario operasional.