Tugas Riset Operasi

“ Integer Programming “

KELOMPOK 6 MANAJEMEN K :

Ade Irma Damayanti 1802612010611

I Made Mahendra Putra 1802612010629

Ni Made Priska Setiawati 1802612010640

Ni Kadek Erna Sintia Dewi 1802612010437

FAKULTAS EKONOMI MANAJEMAN

UNIVERSITAS MAHASARASWATI

DENPASAR

2020
A. Pengantar Integer Programing

Salah satu asumsi teknik LP adalah divisibility atau fractionality. Dengan kata lain,
setiap variabel model dapat terjadi pada semua nilai non negative, suatu nilai solusi yang
kontinu. Dalam situasi keputusan tertentu, asumsi ini tidak realistic dan tak dapat diterima.
Misalnya, suatu solusi yang memerlukan 2,29 kapal selam dalam suatu sistem pertahanan
adalah tidak mempunyai makna praktis. Dalam kasus ini, 2 atau 3 indutri dan bisnis yang
memerlukan nilai bulatuntuk variable modelnya. Integer Programing adalah suatu LP dengan
tambahan persyaratan bahwa parameter model juga bernilai bulat non negative, tetapi tidak
perlu bahwa parameter model juga bernilai bulat.
Ada banyak kasus dalam masalah Integer Programing yang membatasi variabel
model bernilai nol atau satu. Dalam kasus demikian, pengambil keputusan hanya memiliki
dua pilihan yaitu menerima atau menolak suatu usulan kegiatan. Penerimaan atau penolakan
yang sifatnya parsial tidak diperbolehkan. Jika variabel keputusan bernilai satu, kegiatan
diterima, dan jika variabel bernilai nol, kegiatan ditolak.
Dalam masalah Integer Programing, jika model mengharapkan semua variabel basis
bernilai integer ( bulat positif atau nol ), dinamakan pure ( all ) Integer Programing. Jika
model hanya mengharapkan variabel – variabel tertentu bernilai integer, dinamakan mixed
Integer Pograming. Dan jika model hanya mengharapkan nilai nol atau satu untuk
variabelnya, dinamakan zero one Integer Programing.
Tampaknya cukup untuk mendapatkan solusi bulat dari masalah LP, dengan
menggunakan metode simplek biasa dan kemudian membulatkan nilai – nilai pecah solusi
optimum. Bukan tugas mudahuntuk membulatkan nilai – nilai pecah variabel basis yang
menjamin tetap memenuhi semua kendala dan tidak menyimpang cukup jauh dari solusi
bulat yang tepat. Karena itu perlu prosedur yang sistematis untuk mendapatkan solusi bulat
optimum terhadap masalah itu. Ada beberapa metode solusi yang terdapat pada masalah
Integer Programing yaitu :

1. Pendekatan Pembulatan

Suatu pendekatan yang sederhana dan kadang – kadang praktis untuk

menyelesaikan masalah integer programming adalah dengan membulatkan nilai variabel
keputusan yang diperoleh melalui LP. Pendekatan ini mudah dan praktis dalam hal usaha,
waktu, dan biaya yang diperlukan untuk memperoleh suatu solusi. Bahkan, pendekatan
pembulatan dapat merupakan cara yang sangat efektif untuk masalah integer
programming yang besar dimana biaya perhitungan sangat tinggi atau untuk masalah
dimana nilai – nilai solusi variabel keputusan sangat besar. Contohnya, pembulatan nilai
solusi jumlah pensil yang harusnya diproduksi dari 14.250,2 menjadi 14.250,0
semestinya dapat diterima. Namun demikian, sebab utama kegagalan pendekatan ini
adalah bahwa solusi yang diperoleh melalui metode ini mungkin bukan solusi integer
optimum yang sesungguhnya. Dengan kata lain, solusi pembulatan dapat lebih buruk
dibanding solusi solusi integer optimum yang sesungguhnya atau mungkin merupakan
solusi tidak layak. Ini membawa konsekuensi besar jika jumlah produk – produk seperti
pesawat angkut komersial atau kapal perang yang harus diproduksi dibulatkan ke
bilangan bulat terdekat.

Tiga masalah berikut disajikan untuk mengilustrasikan prosedur pembulatan

Masalah 1 :
Maksimumkan Z = 100 X1 + 90 X2
Dengan syarat : 10 X1 + 7 X2 ≤ 70
5 X1 + 10 X2 ≤ 50
X1, X2, ≥ 0

Masalah 2 :
Maksimumkan Z = 200 X1 + 400 X2
Dengan syarat : 10 X1 + 25 X2 ≤ 100
3 X1 + 2 X2 ≤ 12
X1, X2, ≥ 0

Masalah 3 :
Maksimumkan Z = 80 X1 + 100 X2
Dengan syarat : 4 X1 + 2 X2 ≤ 70
X1 + 5 X2 ≤ 50
X1, X2, ≥ 0

Perbandingan antara solusi dengan metode simpleks tanpa pembatasan bilangan

bulat, pembulatan kebilangan bulat terdekat dan solusi integer optimum yang
sesungguhnya untuk ketiga masalah tersebut dapat disajikan dalam tabel sebagai berikut :

Masalah Solusi dengan Solusi pembulatan ke Solusi bulat optimum

metode simpleks bilangan bulat sesungguhnya
1 X1 = 5,38 X1 = 5 X1 = 7
X2 = 2,31 X2 = 2 X2 = 0
Z = 746,15 Z = 746 Z = 700
2 X1 = 1,82 X1 = 2 X1 + 3, X2 =3 atau
X2 = 3,27 X2 = 3 X1 = 5, X2 = 2
Z = 3,27 Tak layak Z = 1800
3 X1 = 2,14 X1 = 2 X1 = 0
X2 = 1,71 X2 = 2 X2 = 3
Z = 343 Tak layak Z = 300
 Penjelasan :
1. masalah pertama adalah masalah maksimisasi, dimana solusi pembulatan
menhasilkan keputusan 680, hanya lebih kecil 20 dibanding yang
dihasilkan solusi pembulatan optimum, 700.
2. Masalah kedua adalah masalah minimisasi dimana pembulatan adalah
sederhana, ia kadang – kadang menyebabbkan solusi tidak layak. Untuk
mencegah ketidaklayakan, nilai solusi simpleks dalam masalah minimisasi
harus dibulatkan ke atas. Contohnya pada masalah kedua, jika solusi
dibulatkan keatas diperoleh X1 = 2 dan X2 = 4 dan merupakan solusi layak.
Sebaliknya, pada masalah maksimisasi nilai solusi simpleks semestinya
dibulatkan ke bawah.
3. Pada masalah ketiga, solusi pembulatan juga tak layak. Namun, seperti
ditunjukkan dalam masalah miimisasi, jika nilai solusi simpleks masalah
ketiga X1 = 2,14 dan X2 = 1,71 dibulatkan kebawah menjadi X1 = 2 dan X2
= 1, solusi ini menjadi layak. Ini dapat dibuktikan dengan meneliti masing
– masing kendala model dengan nilai variabel keputusan yang telah
dibulatkan ke bawah.

Nialai fungsi tujuan melalui motode simpleks tanpa pembatasan bilangan bulat
akan selalu lebih baik dibanding solusi integer optimum karena ia terletak pad titik pojok
dari batas ruang solusi layak.

2. Metode Grafik

Masalah integer programming yang hanya melibatkan dua variabel dapat

diselesaikan secara grafik. Pendekatan ini identik dengan metode grafik LP dalam semua
Aspek kecuali bahwa solusi optimum harus memenuhi persyaratan bilangan bulat.
Mungkin pendekatan yang termudah untuk menyelesaikan masalah integer programming
dua dimensi adalah dengan menggunakan kertas grafik dan menggambarkan sekumpulan
titik – titik integer dalam ruang solusi layak. Contohnya :

Maksimumkan Z = 100 X1 + 90 X2
Dengan syarat : 10 X1 + 7 X2 ≤ 70
5 X1 + 10 X2 ≤ 50
X1, X2, non negative integer
 Penjelasan :

Model ini serupa dengan model LP biasa. Perbedaannya hanya pada kendala
terakhir yang mengharapkan bahwa variabel terjadi pada nilai non negative integer.
Ruang solusi layak adalah OABC. Solusi optimum maslah LP ditunjukkan itik B, dengan
X1 = 5,38, X2 = 2,31 dan Z = 746,15. Untuk mencari solusi integer optimum masalah ini,
garis Z ( slope = -9/10 ) digeser secara sejajar dari titik B menuju titik asal. Solusi integer
optimum adalah titik integer pertama yang bersinggungan dengan garis Z. titik itu adalah
A, dengan X1 = 7, X2 = 0 dan Z = 700.

3. Metode Gomory ( Cuiting Plane Algorlthm )

Suatu prosedur sistematik untuk memperoleh solusi integer optimum terhadap pure
integer programming, pertama kali dikemukakan oleh R.E. Gomory pada tahun 1958. Ia
kemudian memperluas prosedur ini untuk menangani kasus yang lebih sulit, yaitu mixed
integer programming. Langkah – langkah prosedur Gomory seperti berikut :

a. Selesaikan masalah integer programming dengan menggunakan metode simpleks.

Jika maslahnya sederhana, ia dapat diselesaikan dengan pendekatan grafik,
sehingga pendekatan Gomory kurang efisien.
b. Periksa solusi optimum. Jika semua vaiabel basis memiliki nilai integer, solusi
optimum integer telah diperoleh dan diproses solusi berakhir. Jika satu atau lebih
variabel basis memiliki nilai pecah, teruskan ke tahap 3.
c. Buatlah suatu kendala Gomory ( suatu bidang pemotong atau cutting plane ) dan
cari solusi optimum melalui prosedur dual simpleks.
 Pembetukan kendala Gomory adalah begitu penting sehingga memerlukan perhatian
khusus. Misalkan tabel optimum masalah LP yang disajikan berikut adalah solusi
optimum kontinu.

Basis X1 …… Xm W1 …… Wn Solusi
Z 0 …… 0 C1 …… Cn b0
X1 1 …… a11 a1n a1n b1
. . . . . .
. . . . . .
. . . . . .
Xm 0 1 am1 amn b1

Variabel X1 ( I = 1,…,m ) menunjukkan variabel basis dan variabel Wj ( j = 1,…,n

) adalah variabel non basis. Variabel – variabel itu telah diatur sehingga terlihat enak.
Perhatikan persamaan ke i dimana variabel X 1 diasumsikan bernilai non integer. Xi = bi -
∑ aij Wj, dimana b non integer. Kemudian pisahkan b ij dan aij menjadi bagian yang bulat
dan bagian yang pecah non negative seperti berikut :

bi = bi- + fi jadi fi = bi – bi- dimana 0 < fi < 1

aij = aij- + fij jadi fij = aij – aij- dimana 0 < fij <1

Contoh :

bibi−fi aij aij−fij

3 1 −7 2
1 −3
2 2 3 3
7 7 −1−1 0
0
8 8 −2 3
−1
7 1 5 5
2
3 3

Kendala Gomory yang diinginkan adalah :

Sg - ∑fij Wj = -fi, Sg adalah variabel slavk Gomory ke-g.

Pada umumnya, persamaan kendala yang berhubungan dengan solusi pecah

dipilih untuk menghasilkan suatu kendala Gomory. Namun, sebagai aturan main biasanya
dipilih persamaan yang memiliki fi maksimum.
 Basis X1 ……. Xm W1 …….. Wn Sg Solusi
Z 0 …….. 0 C1 …….. Cn 0 b0
X1 1 …….. 0 a11 ……. a1n b1
. . . . . .
. . . . . .
. . . . . .
Xm 0 1 am1 amn b1
Sg 0 ……. 0 -fi1 ……. -fin 1 -fi

Karena diperoleh solusi primal optimum tetapi tidak layak maka digunakan
netode dual simpleks. Proses pembentukan kendala Gomory brakhir jika solusi baru
semua berupa bilangan bulat. Jika tidak, suatu kendala Gomory baru dibuat lagi dari tabel
yang dihasilkan dan metode dual simpleks menunjukkan bahwa tak ada solusi layak,
berarti masalah itu tidak memiliki solusi integer yang layak. Contohnya :

Maksimumkan Z = 7 X1 + 9 X2
Dengan syarat : - X1 + 3 X2 ≤ 70
7 X1 + X2 ≤ 50
X1, X2, non negative integer
Kemudian, solusi kontinu optimumnya diberikan seperti tabel berikut :

Basis X1 X2 S1 S2 Solusi
Z 0 0 28/11 15/11 63
X1 0 1 7/22 1/22 7/2
X2 1 0 -1/22 3/22 9/2

Karena solusi tidak bulat, suatu kendala Gomory ditambahkan pada tabel tersebut.
Kedua persamaan ( X1 dan X2 ) pada masalah ini memiliki nilai fi yang sama, yaitu f1 = f2
= ½ sehingga salah satu dapat digunakan. Misalkan digunakan persamaan X 2, ini
menghasilkan :

X2 + 7/22 S1 + 1/22 S2 = 7/2 atau,

X2 + ( 0 + 7/22 ) S1 + ( 0 + 1/22 ) S2 = ( 3 + ½ )

Sehingga kendala Gomory nya adalah :

Sg1 – 7/2 S1 – 1/22 S2 = -½

Dan tabel baru setelah penambahan kendala Gomory menjadi

Basis X1 X2 S1 S2 Sg1 Sisi Kanan

Z 0 0 28/11 15/11 0 63
X1 0 1 7/22 1/22 0 7/2
X2 1 0 -1/22 3/22 0 9/2
Sg1 0 0 -7/22 -1/22 1 -1/2

Dengan metode dual simpleks dihasilkan :

Basis X1 X2 S1 S2 Sg1 Solusi

Z 0 0 0 1 8 59
X1 0 1 0 0 1 3
X2 1 0 0 1/7 -1/7 32/7
Sg1 0 0 1 1/7 -22/7 11/2

Karena solusi baru masih pecah, suatu kendala Gomory baru ditambahkan.
Karena persamaan X1 memiliki f1 terbesar ( f1 = 4/7 ), kemudian dituliskan dalam
bentuk :

X1 + ( 0 + 1/7 ) S2 + ( -1 + 6/7 ) Sg1 = ( 4 + 4/7 )

Yang menghasilkan kendala Gomory kedua :

Sg2 – 1/7 S2 – 6/7 Sg1 = -4/7

Dan kemudian tambahkan kendala ini kedalam tabel sebagai berikut :

Basis X1 X2 S1 S2 Sg1 Sg2 Sisi

Kanan
Z 0 0 0 1 8 0 59
X2 0 1 0 0 1 0 3
X1 1 0 0 1/7 -1/7 0 32/7
Sg1 0 0 1 1/7 -22/7 0 11/7
Sg2 0 0 0 -1/7 -6/7 1 -4/7
 Kemudian digunakan metode dual simpleks dan diperoleh :

Basis X1 X2 S1 S2 Sg1 Sg2 Sisi

Kanan
Z 0 0 0 1 2 7 55
X2 0 1 0 0 1 0 3
X1 1 0 0 1/7 -1 1 4
Sg1 0 0 1 1/7 -4 1 1
Sg2 0 0 0 -1/7 -6 -7 4

Yang menghasilkan, solusi bulat optimum X1 = 4, X2 = 3, dan Z = 55

Banyak yang membayangkan bahwa ukuran tabel simpleks dapat menjadi sangat
besar jika kendala – kendala Gomory baru ditambahkan pada masalah tersebut namun,
pada kenyataannya hal tersebut tidak benar. Kenyataannya, banyak kendala pada masalah
baru tidak dapat melebihi banyaknya banyaknya variabel pada masalah awal yaitu m + n.
Karena, jika masalah baru memiliki lebih dari m + n kendala, satu atau lebih variabel
slack Gomory yang berhubungan dengan kendala. Gomory akan menjadi basis. Dalam
hal ini, Persamaan – persamaan itu menjadi berlebihan dan dapat dihapus dari tabel.

4. Metode Branch dan Bound

Metode branch dan bound telah menjadi kode computer standar untuk integer
programming, dan penerapan – penerapan dalam tampaknya menyarankan bahwa metode
ini lebih efisien dibanding pendekatan Gomory. Metode branch dan bound pertama kali
diperkenalkan oleh Land dan Doig, dan dikembangkan lebih lanjut oleh little dan peneliti
– peneliti lain. Teknik ini dapat diterapkan baik untuk masalah pure maupun mixed
integer programming. Langkah – langkah metode branch dan bound untuk masalah
maksimisasi dapat diringkas sebagai berikut :

a. Selesaikan masalah LP dengan metode simpleks biasa tanpa pembatasan

bilangan bulat.
b. Teliti solusi optimumnya. Jika variabel basis yang diharapkan bulat adalah
bulat, solusi optimum bulat telah tercapai. Jika satu atau lebih variabel basis
yang diharapkan bulat ternyata tidak bulat, lanjutkan ke langkah 3.
c. Nilai solusi pecah yang layak dibandingkan ke dalam sub – sub masalah.
Tujuannya adalah untuk menghilangkan solusi kontinu yang tidak memenuhi
persyaratan bulat dari masalah itu. Pencabangan itu dilakukan melalui kendala
 – kendala mutually exclusive yang perlu untuk memenuhi persyaratan bulat
dengan jaminan tak ada solusi bulat layak yang tak diikutsertakan.
d. Untuk setiap sub masalah, nilai solusi optimum kontinu fungsi tujuan
ditetapkan ≤ sebagai batas atas. Solusi bulat terbaik menjadi batas bawah
( pada awalnya, ini adalah solusi kontinu yang dibulatkan ke bawah ). Sub –
sub masalah yang memiliki batas atas kurang dari batas bawah yang ada tak
diikutsertakan pada analisis selanjutnya. Suatu solusi bulat layak adalah sama
baik atau lebih baik dari batas atas untuk setiap sub masalah yang dicari. Jika
solusi demikian ada, suatu sub masalah dengan batas atas terbaik dipilih untuk
dicabangkan dan kembali ke langkah 3.

Untuk memperjelas metode branch dan bound, ikuti masalah berikut :

Maksimumkan Z = 3 X1 + 5 X2
Dengan syarat : 2 X1 + 4 X2 ≤ 25
X1 ≤8
2 X2 ≤ 10
X1, X2, non negative integer

Solusi optimum kontinu masalah ini adalah X1 = 8, X2 = 2,25 dan Z = 34,25.

Solusi ini menunjukkan batas atas awal. Batas bawah adalah solusi yang dibulatkan ke
bawah X1 = 8, X2 = 2 dan Z = 34. Dalam metode branch dan bound, masalah itu dibagi ke
dalam dua bagian untuk mencari nilai solusi bulat yang mungkin bagi X 1 dan X2. Untuk
melakukan ini, variabel dengan nilai solusi pecah yang memiliki bagian pecah terbesar
dipilih. Karena pada solusi ini hanya X2 yang punya bagian pecah, ia dipilih. Untuk
menghilangkan bagian pecah dari nilai X2 = 2,25, dua kendala baru diciptakan. Kendala –
kendala ini mewakili dua bagian baru dari masalah tersebut. Dalam hal ini, dua nilai bulat
terdekat terhadap 2,25 adalah 2 dan 3. Sehingga diperoleh dua masalah baru melalui dua
kendala mutually exclusive X2 ≤ 2 dan X3 ≥ 3, yang akan diuraikan berikut ini sebagai
bagian A dan B. kendala – kendala inin secara efektif menhilangkan semua nilai pecah
yang mungkin bagi X2, antara 2 dan 3. Pengaruhnya mereka mengurangi ruang solusi
layak sedemikian hingga angka solusi bulat yang dievaluasi pada masalah ini semakin
sedikit.

Bagian A :
Maksimumkan Z = 3 X1 + 5 X2
Dengan syarat : 2 X1 + 4 X2 ≤ 25
X1 ≤8
2 X2 ≤ 10 ( berlebih )
X2 ≤2
X1, X2 ≥ 0
Bagian B :
Maksimumkan Z = 3 X1 + 5 X2
Dengan syarat : 2 X1 + 4 X2 ≤ 25
X1 ≤8
2 X2 ≤ 10
X2 ≥3
X1, X2 ≥ 0

Bgian A dan B diselesaikan tanpa pembatasan bilangan bulat dengan metode

simpleks. Solusi grafik kedua bagian itu ditunjukkan pada tabel tersebut. Solusi
simpleksnya adalah :

Bagian A : X1 = 8, X2 = 2 dan Z = 34
Bagian B : X1 = 8, X2 = 2,25 dan Z = 34,25

Bagian A menghasilkan suatu solusi yang semuanya bulat. Untuk bagian A batas
atas dan batas bawah adalah Z = 34. Solusi pecah bagian B membenarkan pencarian lebih
lanjut karena menghasilkan nilai fungsi tujuan yang lebih besar dari pada batas atas
bagian A. sangat mungkin bahwa pencarian lebih lanjut dapat menghasilkan suatu solusi
yang semuanya bulat dengan nilai fungsi tujuan melebihi batas bagian A = 34.

Bagian B dicabangkan ke dalam dua sub bagian, B1 dan B2, pertama dengan
kendala X1 ≤ 6 dan yang lain dengan X1 ≥ 7. Kedua sub masalah dinyatakan seperti
berikut :

Sub Bagian B1 :

Maksimumkan Z = 3 X1 + 5 X2
Dengan syarat : 2 X1 + 4 X2 ≤ 25
X1 ≤8
2 X2 ≤ 10
 X2 ≥3
X1 ≤6
X1, X2 ≥ 0

Sub Bagian B2 :
Maksimumkan Z = 3 X1 + 5 X2
Dengan syarat : 2 X1 + 4 X2 ≤ 25
X1 ≤8
2 X2 ≤ 10
X2 ≥3
X1 ≥7
X1, X2 ≥ 0

Solusi grafik untuk kedua sub masalah ditunjukkan pada tabel berikut, sementara solusi
simpleksnya adalah :

Sub Bagian B1 : X1 = 6, X2 = 3,25 dan Z = 34,25

Sub Bagian B2 : tak layak

Karena sub bagian B1 menghasilkan nilai fungsi tujuan yang lebih besar dari pada
34 ( batas atas bagian A ), ia harus dicabangkan lagi ke dalam dua sub masalah, dengan
kendala X2 ≤ 3 dan X2 ≥ 4. Kedua sub masalah diberi nama bagian B1a dan B1b.

Bagian B1a :
Maksimumkan Z = 3 X1 + 5 X2
Dengan syarat : 2 X1 + 4 X2 ≤ 25
2 X2 ≤ 10 ( berlebih )
X2 ≤3
X1 ≤6
X2 ≥3
X1, X2 ≥ 0

Sub Bagian B1b :

Maksimumkan Z = 3 X1 + 5 X2
Dengan syarat : 2 X1 + 4 X2 ≤ 25
2 X2 ≤ 10
X2 ≥ 3 ( berlebih )
X1 ≤6
X2 ≥4
X1, X2 ≥ 0

Solusi optimum dengan metode simpleks adalah :

Bagian B1a : X1 = 6, X2 = 3 dan Z = 33
Bagian B1b : X1 = 4,25 X2 = 4 dan Z = 33,5

Kedua solusi itu memiliki batas atas ( Z = 33 dan Z = 33,5 ) yang lebih buruk dibanding
solusi yang dihasilkan oleh bagian A. karena itu, solusi bulat optimum adalah X 1 = 8, X2
= 2 dan Z = 34 yang dihasilkan oleh bagian A.

Jika pencarian telah dirampungkan, solusi bulat dengan nilai fungsi tujuan tertinggi
( dalam masalah maksimisasi ) dipilih sebagai solusi optimum. Seluruh prosedur branch
dan bound untuk masalah ini ditunjukkan pada grafik berikut :
 Suatu kelemahan dasar dari metode ini adalah bahwa diperlukan pemecahan maslah
LP untuk setiap percabangan. Dalam masalah besar, dapat memakan banyak waktu.
Karena itu dalam prosedur pencabangan dan pencarian analisis selanjutnya dihentikan
jika :
a. Hasil dari sub nasalah lebih buruk dibanding dengan batas atas yang sudah
diidentifikasikan.
b. Percabangan selanjutnya menhasilkan solusi tak layak.

B. Analisis Sensitivitas

Seorang analis jarang dapat menemukan paramenter model LP seperti ( Cj, bi, Aij )
dengan pasti karena nilai paramenter ini adalah fungsi dari beberapa uncortrolable variabel.
Misalnya, permintaan masa depan, biaya bahan mentah dan harga energy sebagai sumber
daya tidak dapat diperkirakan dengan tepat sebelum masalah diselesaikan. Sementara itu
solusi optimum model LP didasarkan pada paramenter ini. Akibatnya analis perlu mengamati
pengaruh perubahan paramenter terhadap solusi optimum. Analisis perubahan parameter dan
pengaruhnya terhadap solusi LP dinamakan post optimality analyst. Istilah post optimality
menunjukan bahwa analis ini terjadi setelah diperoleh solusi optimum, dengan
mengasumsikan seperangkat nilai parameter yang digunakan dalam model.

Perubahan atau variasi dalam suatau masalah LP yang biasanya dipelajari melalui
post optimality analys dapat dipisahkan ke dalam tiga kelompok umum yaitu :

a. Analis yang berkaitan dengan perubahan diskrit parameter untuk melihat berapa
besar perubahan dapat ditolerir sebelum solusi optimum mulai optimalitasnya, ini
dinamakan analis sensitivitas. Jika suatu perubahan kecil dalam parameter
menyebabkan perubahan drastis dalam solusi, dikatakan bahwa solusi adalah
 sangat sensitif terhadap nilai parameter itu. Sebaliknya, jika perubahan parameter
tidak mempunyai pengaruh besar terhadap nilai parameter itu.
b. Analisis yang berkaitan dengan perubahan struktural. Masalah ini muncul bila
masalah LP dirumuskan kembali dengan menambahkan atau menghilangkan
kendala atau variabel untuk menunjukkan operasi model alternatif.
c. Analisis yang berkaitan dengan perubahan kontinu parameter untuk menentukan
urutan solusi dasar yang menjadi optimum jika perubahan ditambah lebih jauh, ini
dinamakan Parametric Programming.

Melalui analisa sensitivitas dapat dievaluasi pengaruh perubahan – perubahan

parameter dengan sedikit tambahan perhitungan berdasarkan tabel simpleks optimum.
Namun, jika perubahan – perubahan terlalu banyak, perhitungan post optimum dapat menjadi
meletihkan sehingga lebih efisien jika menyelesaikan kembali masalah LP dengan metode
simpleks. Dalam membicarakan analisis sensitivitas, perubahan – perubahan parameter dapat
dikelompokkan menjadi :

a. Perubahan koefisien fungsi tujuan ( cj )

b. Perubahan konstan sisi kanan ( bi )
c. Perubahan kendala atau koefisien matriks A
d. Penambahan variabel baru
e. Penambahan kendala baru