TUGAS KULIAH

MATA KULIAH : PEMODELAN MATEMATIKA

TUGAS KE- : 10(SEPULUH)

TANGGAL : 20 MEI 2020

DEADLINE : 23 MEI 2020 PKL 12.00WIB

MATERI : 13.1 sampai 13.4

DISUSUN OLEH

NAMA : MELISSA HERERA

NIM : 1703113366

KELAS : A

PROGRAM STUDI S1 MATEMATIKA/STATISTIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS RIAU
2020
 BAB 13 : OPTIMISASI DARI MODEL KONTINU
Pendahuluan
Pada chapter ini kita mempertimbangkan masalah optimisasi pada fungsi objektif f
kontinu tapi nonlinear, Selanjutnya , batasan fungsi gi mungkin juga nonlinear, dan mereka
adalah persamaan
gi ( X )=bi untuk semua i di I
KITA membatasi perhatian kami pada masalah yang X tidak memiliki lebih dari dua
komponen. Ini adalah model pengoptimalan yang dipelajari dalam kalkulus

13.1 Masalah Inventaris : Meminimalkan Biaya Pengiriman dan

Penyimpanan.
Skenario Rangkaian stasiun bensin telah menyewa kita sebagai konsultan untuk menghitung
seberapa sering dan berapa banyak bensin harus dikirim ke berbagai stasiun. Setelah
beberapa pertanyaan, kita memutuskan bahwa setiap kali bensin diantarkan, stasiun-stasiun
dikenai biaya d dolar, selain biaya bensin dan tidak bergantung pada jumlah yang diantarkan.
Biaya juga dikeluarkan bila bensin disimpan. Salah satu biaya seperti itu adalah
modal yang ditabung dalam inventaris — uang yang diinvestasikan dalam bensin yang
tersimpan sehingga tidak dapat digunakan di tempat lain. Biaya ini biasanya dihitung dengan
mengalikan biaya bensin ke perusahaan dengan suku bunga saat ini untuk jangka waktu
bensin disimpan. Biaya lainnya mencakup amortisasi tangki dan peralatan yang diperlukan
untuk menyimpan bensin, asuransi, pajak, dan langkah-langkah keamanan.
Stasiun-stasiun bensin terletak di dekat jalan raya antarnegara, yang tuntutannya
cukup konstan sepanjang minggu. Catatan yang mengindikasikan galon yang dijual setiap
hari tersedia untuk setiap stasiun.

Identifikasi Masalah Asumsikan bahwa keinginan perusahaan untuk memaksimalkan

keuntungan dan permintaan dan harga yang konstan dalam jangka pendek. Dengan demikian.
Karena pendapatan konstan jumlah keuntungan dapat dimaksimalkan dengan meminimalkan
biaya total. Terdapat banyak komponen dari total biaya, seperti biaya overhead dan
karyawan. Jika biaya ini dipengaruhi oleh jumlah dan waktu pengiriman, mereka harus
dipertimbangkan. Mari kita asumsikan bahwa biayanya tidak terlalu mempengaruhi dan
memfokuskan perhatian kita pada masalah berikut: mengurangi rata-rata biaya pengiriman
setiap hari dan menyimpan energi yang cukup di setiap stasiun untuk memenuhi permintaan
konsumen dengan sendirinya. Jika biaya pengiriman sangat tinggi dan biaya penyimpanan
sangat rendah, kita akan berharap pemesanan besar dari frekuensi pengiriman

Asumsi Dalam presentasi berikut, kita mempertimbangkan beberapa faktor penting dalam
mengungkap seberapa besar inventaris untuk dipertahankan. Faktor-faktor yang jelas untuk
dipertimbangkan adalah biaya pengiriman, biaya penyimpanan, dan tingkat permintaan untuk
produk. Pada kasus bensin, pengaruh kondensasi dapat semakin mudah terlihat seraya tingkat
bensin semakin rendah dalam tangki. Juga, perhatikan stabilitas pasar dari harga jual produk
dan biaya bahan mentah. Misalnya, jika harga pasar produk itu mudah naik, para penjual
enggan menyimpan produk itu dalam jumlah besar. Di pihak lain, kenaikan harga bahan
mentah yang diharapkan dalam waktu dekat ini membuktikan adanya persediaan yang besar.
Stabilitas permintaan konsumen atas produk itu merupakan faktor lain. Mungkin ada
fluktuasi musiman dalam permintaan akan produk, atau terobosan teknologi dapat
menyebabkan produk menjadi usang. Dan juga bisa sangat penting. Dalam jangka pendek,
kontrak akan ditandatangani untuk ruang gudang, beberapa yang akan berguna dalam jangka
panjang. Pertimbangan lain adalah pentingnya bagi pemilik dari permintaan yang tidak
terpuaskan sesekali (stock out). Beberapa pemilik akan memilih strategi untuk berinvestasi
yang lebih mahal guna memastikan bahwa mereka tidak akan pernah kehabisan stok. Dari
pembahasan ini kita dapat melihat bahwa keputusan inventaris bukanlah perkara mudah, dan
tidak sulit untuk membangun rencana di mana salah satu dari faktor-faktor sebelumnya
mungkin menyatakan suatu strategi khusus. Kami membatasi model awal kami di sini untuk
variabel berikut:

Biaya rata-rata harian = f (biaya penyimpanan, biaya pengiriman, tingkat permintaan)

Submodel
Biaya Penyimpanan Kita perlu mempertimbangkan bagaimana biaya penyimpanan per unit
bervariasi dengan jumlah unit yang sedang disimpan. Apakah kita menyewa ruang dan
menerima diskon ketika penyimpanan melampaui tingkat tertentu, seperti yang disarankan
dalam gambar 13.1a? Atau apakah kita menyewa penyimpanan paling murah terlebih dahulu
(menambah lebih banyak ruang sewaktu diperlukan), sebagaimana disarankan oleh gambar
13.1b? Apakah kita perlu menyewa seluruh gudang atau lantai? Jika demikian, harga per unit
kemungkinan akan berkurang ketika jumlah yang disimpan meningkat sampai gudang lain
atau lantai perlu disewa, sebagaimana disarankan dalam gambar 13.1c. Apakah perusahaan
memiliki fasilitas penyimpanannya sendiri? Jika demikian, alternatif apa yang dapat
digunakan?
Dalam model ini kita mengambil penyimpanan per unit sebagai konstan

Biaya Pengiriman Dalam banyak kasus biaya pengiriman tergantung pada jumlah yang
diantarkan. Misalnya, jika dibutuhkan truk yang lebih besar atau mobil ekstra, ada muatan
tambahan. Dalam model ini, kita menganggap biaya pengiriman yang konstan terlepas dari
jumlah yang disampaikan.

Permintaan Jika kita merencanakan permintaan harian untuk bensin di stasiun tertentu, kita
akan sangat mungkin mendapatkan grafik yang sama dengan yang diperlihatkan dalam
gambar 13.2a. Jika kita memetakan frekuensi setiap tingkat permintaan selama periode waktu
yang tetap (misalnya, 1 tahun), kita mungkin mendapatkan plot yang sama dengan yang
ditunjukkan dalam gambar 13.2b. Jika permintaan yang cukup padat mengenai permintaan
yang paling sering terjadi, maka kita menerima permintaan harian sebagai konstan. Kita akan
menganggap bahwa itulah yang terjadi pada model kita. Akhirnya, meskipun kita menyadari
bahwa permintaan terjadi pada periode waktu yang berbeda, untuk tujuan penyederhanaan
kita mengambil submodel berkelanjutan untuk permintaan. Submodel yang berkelanjutan ini
digambarkan dalam gambar 13.2c, dimana kemiringan garis mewakili tingkat permintaan
yang konstan. Perhatikan pentingnya asumsi kita dalam memproduksi submodel linear. Juga,
seperti yang disarankan dalam gambar 13.2b, sekitar setengah permintaan waktu melampaui
nilai rata-rata. Kami akan memeriksa pentingnya asumsi ini pada tahap implementasi ketika
kita mempertimbangkan kemungkinan permintaan yang tidak terpuaskan.
Formulasi Model Kita menggunakan notasi berikut untuk mengkonstruksi model kita:
s = biaya penyimpanan per galon per hari
d = biaya pengiriman dalam dolar per pengiriman
r = tingkat permintaan dalam galon per hari
Q = jumlah bensin dalam galon
T = waktu dalam hari
Sekarang misalkan jumlah bensin, katakanlah Q = q, dikirim pada waktu T = 0, dan
bensin digunakan setelah T = t hari. Siklus yang sama kemudian diulangi, sebagaimana
diilustrasikan dalam gambar 13.3. Kemiringan pada setiap segmen baris dalam gambar 13.3
adalah -r (negatif dari tingkat permintaan). Masalahnya adalah untuk menentukan kuantitas
perintah Q* dan waktu antara pemesanan T* yang meminimalkan biaya pengiriman dan
penyimpanan.

Kita mencari ekspresi untuk biaya rata-rata harian, sehingga mempertimbangkan

biaya pengiriman dan penyimpanan untuk siklus selama t hari. Biaya pengiriman adalah
konstan d karena hanya satu pengiriman dilakukan selama periode waktu tunggal. Untuk
menghitung biaya penyimpanan, hitung rata-rata inventaris q/2 harian, kalikan dengan jumlah
hari dalam penyimpanan t, dan kalikan dengan biaya penyimpanan per barang per hari s.
Dalam notasi kita diberikan
q
Biaya per siklus = d + s t
2
Yang mana, bagian pembagian dengan t, menghasilkan rata-rata biaya harian:
d sq
c= +
t 2

Solusi Model Ternyata, fungsi biaya untuk meminimalisir memiliki dua variabel independen,
q dan t. Akan tetapi, dari gambar 13.3 perhatikan bahwa kedua variabel tersebut terkait.
Untuk satu periode sikllik, jumlah yang dikirimkan sama dengan jumlah yang diminta. Ini
diterjemahkan keq=rt. Disubstitusikan menjadi rata-rata perhitungan biaya harian
d srt
c= + (13,2)
t 2
Persamaan (13,2) adalah jumlah hiperbola dan fungsi linear. Situasinya digambarkan dalam
gambar 13.4.

Mari kita cari waktu antara pesanan T ¿ yang meminimalkan biaya sehari-hari.
Mendiferensiasikan c dengan t dan pengaturan c' = 0 menjadi
d sr
c ' = 2 + =0
t 2
Persamaan ini memberikan (positif) titik kritis:
2d 1 /2
¿
T =( ) (13.3)
sr
Titik kritis ini menyediakan minimum relatif untuk fungsi biaya karena turunan kedua
 2d
c' '=
t3
selalu positif untuk nilai positif t. Jelas dari gambar 13.4 bahwa T ¿memberikan minimum
¿ ¿
global. Juga, perhatikan dari persamaan (13.3) yang d /T =( sr /2) T sehingga T ¿adalah titik
di mana fungsi linear dan hiperbola berpotongan dalam gambar 13.4.

Interpretasi dari Model Diberikan sebuah permintaan (konstan) r, persamaan (13.3)

menyarankan proporsionalitas antara periode yang optimal T ¿ dan (d / s)1/ 2. Secara intuitif,
kita mengharapkan T ¿ untuk meningkat sebagai biaya pengiriman meningkat dan untuk
mengurangi peningkatan biaya penyimpanan s. Dengan demikian, model kita setidaknya
masuk akal. Namun, sifat hubungan itu (13.3) menarik.
Untuk submodel kami tingkat permintaan, biaya penyimpanan, dan biaya pengiriman, kami
mengasumsikan hubungan yang sangat sederhana. Untuk menganalisis model yang memiliki
submodel yang lebih kompleks, kita perlu menganalisis apa yang kita lakukan secara
matematis. Perhatikan bahwa untuk menentukan jumlah penyimpanan barang, kami
menghitung daerah di bawah kurva untuk satu siklus. Jadi, biaya penyimpanan untuk satu
siklus dapat dihitung sebagai integral:
t
r t 2 sqt
0
(
s∫ ( q−rx ) dx=s qt−
2 ) =
2
Kesetaraan terakhir dalam persamaan ini mengikuti dari substitusi r =q /t dan setuju dengan
hasil sebelumnya untuk biaya penyimpanan per siklus. Hal ini penting untuk mengenali
struktur matematika yang mendasari untuk memfasilitasi generalisasi pada asumsi lain.
Seperti yang akan kita lihat, hal itu juga membantu dalam menganalisis sensitivitas model
untuk membuat perubahan dalam asumsi.

Implementasi Model Pertimbangkan kembali grafik dalam gambar 13.3. Sekarang asumsi
model adalah seluruh persediaan yang digunakan dalam setiap periode cyclic, namun semua
permintaan seharusnya langsung terpenuhi. Perhatikan bahwa asumsi ini didasarkan pada
permintaan rata-rata harian dari r galon per hari. Asumsi ini berarti bahwa selama jangka
waktu yang panjang, sekitar setengah dari siklus waktu stasiun akan kehabisan stok sebelum
akhir periode dan waktu pengiriman berikutnya. dan untuk setengah lainnya dari waktu
pengiriman masih memiliki sebagian bensin yang tersisa di tangki penyimpanan ketika
pengiriman berikutnya tiba. Catatan di gambar 13.5 bahwa periode waktu yang optimal T ¿
dan urutan pemesanan yang optimal Q¿ ¿ r T ¿ ditunjukkan dalam persamaan (13.3).
 Mari kita periksa efek stok penyangga pada strategi inventaris kita. Kita telah
mengamati bahwa biaya penyimpanan untuk satu siklus diberikan oleh daerah di bawah
kurva atas satu periode dikalikan oleh konstan s. Sekarang, efek dari stok penyangga adalah
menambahkan tambahan konstan q b t ke daerah sebelumnya di bawah kurva. Jadi, jumlah
konstanta ditambahkan ke biaya rata-rata harian dan oleh karena itu nilai T ¿ tidak berubah
dari apa yang tanpa stok penyangga. Dengan demikian, stasiun terus memesan Q¿ ¿ r T ¿
¿
seperti sebelumnya, meskipun persediaan maksimum sekarang menjadi Q + qb.
Gunakan turunan untuk menentukan bentuk rata-rata kurva biaya sehari-hari yang
lebih umum. Kita tahu bahwa rata-rata kurvanya setiap hari adalah minimal di T ¿=t . Turunan
pertama dari biaya harian rata-rata mewakili rata-rata biaya, atau biaya marjinal, dan dari

−d sr
persamaan (13,2) yaitu + . Turunan dari biaya marjinal adalah 2 d / t 3 , dimana untuk t
t2 2
positif selalu positif dan menurunkan peningkatan t. Dengan demikian, di sebelah kiri T ¿
biaya marjinal adalah negatif dan menjadi stepeer dan steeper sebagai t mendekati nol.
Disebelah kanan T ¿ biaya marginal mendekati nilai konstan sr /2. Hubungkan hasil ini
dengan grafik yang digambarkan dalam gambar 13.4 dan menafsirkannya secara ekonomi.

13.2 Metode untuk Mengoptimisasikan Fungsi dari Beberapa Variabel

Dalam banyak model, kita dituntut untuk mengoptimalkan fungsi dari beberapa
variabel independen. Di bagian ini, kita menyajikan dua skenario dengan dua variabel
independen itu tidak dibatasi: pembuatan dua produk dan non-linear kuadrat terkecil y
sebagai fungsi dari dua variabel. Dalam skenario pembuatan, kita menemukan solusi optimal
dengan dua metode: kalkulus multivariabel yang biasa menyelesaikan persamaan ketika
turunan parsial sama dengan nol dan kemudian dengan menerapkan algoritma pencarian
gradien. Dalam skenario nonlinier kuadrat-terkecil, kita tidak dapat menyelesaikan
persamaan ketika turunan parsial sama dengan nol dalam bentuk tertutup dan harus
bergantung pada metode pencarian gradien.

Contoh 1 : Memaksimalkan Keuntungan dalam Memproduksi Produk yang Bersaing

Skenario : Suatu perusahaan yang memproduksi komputer berencana untuk

memperkenalkan dua produk baru. Kedua komputer berisi chip pemrosesan mikro yang
sama, tetapi satu sistem dilengkapi dengan 27-in. monitor dan sistem lainnya dengan 31-in.
monitor. Selain $ 400.000 dalam biaya tetap, perusahaan mengeluarkan biaya $ 1950 untuk
menghasilkan 27-in. sistem dan $ 2250 untuk menghasilkan sistem 31-in.Produsen
menyarankan harga eceran $ 3390 untuk sistem 27-in.sistem dan $ 3990 untuk 31-in. sistem.
Di pasar yang bersaing di mana sistem akan dijual, staf pemasaran memperkirakan bahwa
untuk setiap sistem tambahan dari jenis tertentu yang dijual, harga jual akan turun $ 0.10.
Selanjutnya, penjualan jenis kapal sistem yang melindungi penjualan dari pihak lain.
komputer dijual, dan harga jual masing-masing 31-in. sistem dikurangi $ 0,04 untuk setiap
27-in. komputer dijual. Dengan asumsi ia dapat menjual semua komputer yang dibuatnya,
berapa banyak sistem dari masing-masing jenis yang harus dibuat perusahaan untuk
memaksimalkan keuntungannya?

Perumusan Model Definisikan variabel berikut untuk dua jenis sistem komputer (maka i=¿
1 atau 2)

x 1= jumlah 27−¿ . sistem

x 2= jumlah 31−¿ . sistem

pi=sistem harga jual

R=pendapatan yang diperolehdari penjualan komputer

C=untuk memproduksi komputer laba total

P= penjualan komputer

Dari pembahasan sebelumnya tentang manufaktur dan pemasaran pasar, kita mendapatkan
asumsi dan submodel berikut :

P I =3390−0.1 x 1−0.03 x 2

P2=3390−0.04 x 1−0.1 x 2
R=P 1 . x1 −P2 x 2

C=400,000+ 1950 x 1 +2250 x2

P=R−C

Dan

x1 , x2 ≥ 0

Tujuan kami adalah untuk memaksimalkan fungsi laba

p ( x 1 , x 2) =R−C

¿ 3390−0.1 x 1−0.03 x 2+ ( 3390−0.04 x1−0.1 x 2 ) x2 −¿

¿ 1440 x1 −0.1 x 21 +1740 x2 −0.1 x 22 +0.07 x 1 x 2−400,000

Kondisi yang diperlukan adalah

∂p
=1440−0.2 x 1−0.07 x 2=0
∂ x1

∂p
=1740−0.07 x1 −0.2 x 2=0
∂ x2

Solusi dari persamaan ini memberikan x 1 ≈ 4736 dan x 2 ≈ 7043 (keduanya dikelilingi). Itulah,
perusahaan harus memproduksi 473627-in. Sistem dan 704331 in. Sistem sistem untuk total
laba dari P(4736, 7043 ) = $ 9, 136, 410. 25. Gambar 13.9 menunjukkan bahwa loteng
pembalap ini dipresentasikan oleh p ¿ memverifikasi bahwa titik (4736, 7043) memang
merupakan nilai ekstrim maksimum. Fakta ini dapat tmenggunakan kedua-turunan kedua dari
multivariabel dibandingkan. Pada titik ekstrim (4736, 7043),

∂2 p
=−0.2< 0
∂ x 21
Dan

2
∂2 p ∂2 p ∂2 p
2 2 (
−
∂ x 1 ∂ x1 ∂ x 1 ∂ x 2 ) 2
=(−0.2 ) (−0.2 )− (−0.07 ) ≈ 0.04>0

Contoh 2: Kuadrat Terkecil Nonlinear

Pertimbangkan data berikut pada tapak rata-rata pada ban balap radial dari waktu ke
waktu. Variabel x akan menjadi jam dalam penggunaan balap berat, dan variabel y akan
menjadi tapak rata-rata ketebalan dalam sentimeter (cm). Plotnya terlihat seperti fungsi daya
peluruhan eksponensial (Gambar 13.11) Grafik pada Gambar 13.11 menunjukkan tren
penurunan yang cekung ke atas. Ini menunjukkan model bentuk y=a xb . Menggunakan
kuadrat terkecil, kita ingin meminimalkan jumlah kuadrat error:

2
SSE=∑ ( y i−a x bi )
13.3 Optimisasi Berkelanjutan Terbatas
Terkadang dalam memodelkan situasi optimisasi, kita perlu menemukan nilai
maksimum atau minimum dari fungsi ketika variabel independen dibatasi untuk berada di
dalam beberapa bagian tertentu dari bidang (seperti disk, sepanjang garis lurus, atau wilayah
segitiga tertutup). Di bagian ini kita menyajikan dua contoh masalah terkendala seperti itu
dan mengeksplorasi metode yang kuat untuk menemukan nilai ekstrem yang dikenal sebagai
metode pengali Lagrange.

Contoh 1 : Perusahaan Pengiriman Minyak

Pertimbangkan situasi di mana kita dipekerjakan sebagai konsultan untuk perusahaan

pengiriman minyak kecil. Manajemen menginginkan kebijakan biaya minimum karena ruang
penyimpanan tangki terbatas.

Identifikasi Masalah : Meminimalkan biaya yang terkait dengan pengeluaran dan

penyimpanan minyak untuk mempertahankan minyak yang cukup untuk memenuhi
permintaan sambil memenuhi penyimpanan tangki terbatas kendala ruang.

Asumsi : Banyak faktor yang menentukan total biaya transfer minyak. Untuk model ini, kita
memasukkan variabel berikut: biaya penyimpanan minyak dalam tangki penyimpanan,
tingkat penarikan dari minyak dari tangki per unit waktu, biaya minyak, dan ukuran tangki.

Formulasi Model :Kita nyatakan variabel berikut untuk dua jenis minyak (maka i = 1 atau 2)
 x i=¿ Jumlah jenis minyak i yang tersedia

a i=¿Biaya dari jenis minyak i

b i=¿ Tingkat penarikan per unit waktu dari jenis minyak i

hi =¿ Biaya penyimpanan per unit waktu untuk jenis minyak i

t i=¿Ruang dalam kaki kubik untuk menyimpan satu unit jenis minyak i\

T =¿ Total jumlah ruang penyimpanan yang tersedia

Catatan sejarah telah dipelajari dan formula telah diturunkan untuk menggambarkan biaya
sistem dalam hal variabel ini. Tujuannya adalah untuk meminimalkan jumlah biaya variabel:

a1 b1 h1 x1 a b h x

{ Minimalisasikan f ( x 1 , x 2 )= ( x1
+
2 )( + 2 2+ 2 2
x2 2
sehinggaa g ( x 1 , x 2 ) =t 1 x1 +t 2 x 2=T (Ruang Terbatas)
) (13.5)

Diberikan data berikut

Jenis Minyak a i( $) bi hi ( $) t i (f t 3)
1 9 3 0.50 2
2 4 5 0.20 4
3
Kita mengukur tangki penyimpanan dan menemukan hanya 24 f t ruang yang
tersedia. Setelah substitusi dari data ke dalam Persamaan (13.5), rumusan untuk masalah kita
adalah :

27 20
Minimalisirkan f ( x 1 , x 2 ) = +0.25 x 1+ +0.10 x 2
x1 x2

Sedemikian hingga

2 x1 + 4 x 2=24

Model Solusi : Metode yang biasa digunakan untuk memecahkan masalah optimasi nonlinier
dengan kendala kesetaraan dikenal sebagai metode pengali Lagrange. Itu Metode melibatkan
memperkenalkan variabel baru (disebut pengali Lagrange) dan pengaturan fungsi

L ( x1 , x 2 , λ ) =f ( x 1 , x 2 ) + λ [g( x1 , x2 )−T ]

Untuk masalah kita fungsi ini menjadi

 27 20
L ( x1 , x 2 , λ ) = + 0.25 x 1 + +0.10 x 2 + λ(2 x 1+ 4 x 2−24) (13.6)
x1 x2

Metodologi penyelesaian adalah dengan melakukan turunan parsial pada persamaan (13.6)
dengan mengacu pada variabel x 1 , x 2 dan λ dan atur mereka sama dengan nol, sehingga

∂ L −27
= 2 +0.25+2 λ=0
∂ x1 x1

∂ L −20
= 2 + 0.10+4 λ=0
∂ x2 x2

∂L
=2 x 1+ 4 x 2−24=0
∂λ

Dengan menggunakan sistem komputer aljabar. Kita temukan solusi x 1 = 5.0968, x 2 =

3.4516, λ = 0.3947, dan f (x 1 , x 2) = $12.71. Kita temukan f (x 1 , x 2) meningkat. Maka solusi
ini minimum.

Sensitivitas Model : Variabel λ memiliki signifikansi khusus dan disebut harga bayangan.
Nilai λ mewakili jumlah fungsi objektif akan berubah untuk 1 unit peningkatan kendala yang
diwakili oleh λ. Oleh karena itu, dalam masalah ini λ = 0.3947 berarti jika batasan ruang
penyimpanan diubah dari 24 menjadi 25 f t 3, nilai dari fungsi tujuan akan berubah dari $
12,71 menjadi sekitar 12:71 + (1)(0.3947) atau $ 13,10. Interpretasi ekonomi adalah bahwa
kaki kubik lain dari kapasitas tangki penyimpanan meningkatkan pengeluaran dan biaya
penyimpanan sekitar $ 0,40.

Contoh 2 : Wadah Air Pesawat Ruang Angkasa

Pertimbangkan wadah air pesawat ruang angkasa yang disimpan di dalam dinding
pesawat ruang angkasa. Air wadah dibentuk mirip dengan silo dalam bentuk silinder atasnya
dengan kerucut (lihat Gambar 13.14). Jika radius masing-masing adalah 6 m, dan luas
permukaan total dibatasi hingga 450 m 2, menentukan ketinggian silinder dan kerucut yang
memaksimalkan volume yang dilingkupi oleh silo.
Identifikasi Masalah : Maksimalkan volume wadah air untuk para astronot sambil
memenuhi batasan desain.

Asumsi : Ada banyak faktor yang dapat mempengaruhi desain wadah air. Untuk model ini,
kita menyertakan bentuk dan dimensi, volume, luas permukaan, dan jari-jari silinder dan
kerucut yang sesuai dengan Gambar 13.14. Kita akan mengabaikan efek gravitasi atau
kurangnya gravitasi.

Formulasi Model :

V cy =¿ Volume bagian yang silinder, atau sama dengan

π R 2 h1

V c =¿ Volume bagian kerucut, atau sama dengan

1
π R2h2
3

V w =V cy +V c =¿Volume dari wadah air

Scy =¿ luas permukaan silinder, atau sama dengan

2 πR h 1

Sc =¿ Luas permukaan kerucut, atau sama dengan

πR √ R 2+ h22

ST =Scy + Sc =¿Total luas permukaan

Kita ingin memaksimalkan volume V w dari wadah. Total luas permukaan ST membatasi
volume wadah. Dengan demikian , masalahnya adalah

2 1 2
Maksimalkan f ( x 1 , x 2 ) =π R h1 + π R h2
3

Mengacu pada

2 πR h 1+ πR √ R2 +h22=450

Model Solusi : Kita menggunakan metode pengganda Lagrange untuk menyelesaikan

persamaan ini masalah optimasi terkendala. Atur fungsinya :

1
L ( h1 , h2 ; λ )=π R2 h1+ π R2 h2−λ [ 2 πR h1 + πR √ R2 +h 22−450 ]
3

Kita substitusikan R = 6 dan π = 3.14 kedalam persamaan untuk menyederhanakan

persamaan

113.04 h1+ 37.68 h2−λ (37.68 h1−18.81 √ 36+ h22−450)

Gunakan turunan parsial terhadap h1 , h2 ,dan λ.

∂L
=113.04+ 37.68 λ=0
∂ h1

∂L 18.84 λ h2
=37.68+ =0
∂ h2 √ 36+h22
∂L
=−450+37.68 h1 +18.84 √ 36+h 22=0
∂λ

Dengan menggunakan sistem komputer aljabar , kita temukan solusi untuk ketepatan tiga
desimal h1 =¿ 7.918, h2 =¿5.367, λ=¿ 3.000, yang menyebabkan f ( h1 , h 2) =¿1097.11 m3.
Dengan mengganggu nilai h1 dan h2 sedikit pada salah satu arah (tapi memenuhi batasan ).

Kita temukan nilai dari f ( h1 , h 2) menurun. Dengan demikian , kita temukan maksimumnya.

Sensitivitas Model : Nilai pengali lagrange dari λ=¿ 3.000 artinya jika total luas permukaan
meningkat dari 1 unit, maka volume wadah air akan meningkat oleh aproksimasi 3 m3.
13.4 Mengelolah Sumber Daya Terbaharui: Industri Perikanan

Pertimbangkan masalah paus baleen Antartika, yang menghasilkan puncak penangkapan 2,8
juta ton pada tahun 1937 tetapi hanya 50.000 ton pada tahun 1978. Atau kasus anchoveta
Peru, yang menghasilkan 12,3 juta ton pada tahun 1970 tetapi hanya 500.000 ton untuk 8
tahun kemudian. Perikanan Anchoveta adalah industri terbesar di Peru dan perikanan paling
produktif di dunia. Keseriusannya berdampak pada ekonomi diwujudkan ketika seseorang
bahwa ahli biologi memperkirakan bahwa bahkan tanpa memancing, akan dibutuhkan
beberapa tahun, atau bahkan puluhan tahun dalam kasus paus baleen, bagi industri perikanan
untuk mencapai tingkat produktivitas biologis maksimum semula.

Sumber daya seperti anchoveta dan baleen disebut renewabel (sebagai lawan dari
sumber daya yang dapat habis). Sumber daya yang habis hanya dapat menghasilkan jumlah
total yang terbatas, sedangkan sumber daya terbaharui dapat (secara teoritis) menghasilkan
jumlah total tak terbatas dan dipertahankan pada tingkat positif. Pengelolaan sumber daya
terbarukan, seperti perikanan, melibatkan beberapa pertimbangan kritis.

Scenario Pertimbangkan pemanenan ikan biasa, seperti haddock, dalam industri

penangkapan ikan besar yang kompetitif. Mengingat tingkat populasi ikan pada suatu waktu,
apa yang terjadi pada tingkat populasi ikan di masa depan? Tingkat populasi ikan di masa
depan tergantung pada, di antara faktor-faktor lain, faktor tingkat panen ikan dan tingkat
reproduksi alami ikan (kelahiran dikurangi kematian per unit waktu). Mari kita kembangkan
submodels untuk panen dan reproduksi secara terpisah.

Sub-Model Panen Mari kita merujuk pada teori klasik perusahaan seperti yang disajikan
di Bab 2. Model grafis untuk laba total dan laba marginal direproduksi dalam Gambar 13.15.
Dari Gambar 13.15a kita dapat melihat bahwa sebuah perusahaan jatuh bahkan hanya ketika
perusaaan itu bisa menghasilkan setidaknya q 1 item, di mana total pendapatan sama dengan
total biaya. Untuk memaksimalkan keuntungan perusahaan harus terus memproduksi barang-
barang selama pendapatan marginal melebihi biaya marginal— yaitu, menghasilkan hingga
kuantitas q 2 seperti yang digambarkan pada Gambar 13.15b.
 Selanjutnya, mari pertimbangkan biaya yang ditemui perusahaan perikanan. Ini
termasuk gaji, bahan bakar, modal terikat dalam peralatan, pemrosesan, dan pendinginan.
Seperti biasa, waktu selected(dipilih), biaya-biaya ini dapat dibagi menjadi dua kategori:
biaya tetap (seperti biaya modal), yang tidak tergantung pada hasil panen, dan biaya variabel
(seperti pemrosesan), yang tergantung pada ukuran hasil. Prinsip dasar yang mendasari teori
perusahaan berlaku cukup baik. Sebagai contoh, kita berharap bahwa perusahaan perikanan
yang khas harus memanen beberapa hasil minimum pada tingkat upaya tertentu (jumlah
kapal, jam kerja orang, dan sebagainya) untuk mencapai titik impas.

Ada kondisi menarik dengan industri perikanan: Biaya panen memiberikan jumlah
ikan tergantung pada ukuran populasi ikan. Tentunya sedikit upaya yang diperlukan untuk
menangkap sejumlah ikan tertentu ketika berlimpah, jadi pada tingkat upaya tertentu
diarapkan untuk menangkap lebih banyak ikan ketika berlimpah. Jadi, kita mengasumsikan
rata-rata biaya panen unit c (N ) berkurang dengan bertambahnya populasi ikan N. Asumsi ini
digambarkan pada Gambar 13.16, di mana biaya panen per ikan ditunjukkan sebagai fungsi
penurunan ukuran populasi ikan. Penting untuk dicatat bahwa variabel bebas N adalah
ukuran populasi ikan, bukan ukuran hasil. Harga pasar p ikan juga ditunjukkan dalam
gambar.
 Submodel diwakili oleh Gambar 13.16 menunjukkan bahwa tidak akan
menguntungkan untuk spesies ikan tertentu kecuali tingkat populasi setidaknya N L, di mana
biayanya panen setiap ikan sama dengan harga yang dibayarkan oleh konsumen. Dalam
contoh yang layak secara ekonomis untuk memanen spesies, panen adalah kekuatan yang
mendorong tingkat populasi ke N L. Jika tingkat populasi berada jauh di atas N L, maka
kelebihannya potensi keuntungan menyebabkan penangkapan spesies menjadi intensif. Di sisi
lain, jika populasi ikan jatuh di bawah N L, penangkapan ikan berhenti (secara teoritis),
menyebabkan tingkat populasi meningkat.

Submodel Reproduksi : Pertimbangkan bagaimana spesies ikan tumbuh tanpa adanya

penangkapan ikan. Di antara banyak faktor yang mempengaruhi tingkat bersihnya
pertumbuhan adalah tingkat kelahiran, tingkat kematian, dan kondisi lingkungan. Masing-
masing faktor ini dikembangkan secara rinci di Bab 11, yang kita bangun beberapa model
populasi. Untuk keperluan kita di sini, model grafik kualitatif sederhana sudah cukup.
Misalkan N (t ) menunjukkan ukuran populasi ikan setiap t waktu, dan misalkan g( N )
mewakili laju pertumbuhan fungsi (t) . Asumsikan g(N ) adalah didekati dengan model
kontinu g ( N )=dN /dt. Ketika N=0, tidak ada kelahiran atau kematian. Sekarang asumsikan
ada tingkat populasi maksimum N u yang dapat didukung oleh lingkungan. Tingkat ini
mungkin ditentukan oleh ketersediaan makanan, efek dari predator, atau penghambat serupa.
Pada N u kita asumsikan kelahiran sama dengan kematian, atau g ( N u )=0. Dengan demikian,
berdasarkan asumsi kita, g(N ) nol pada N=0dan N=N u dan nilai positif diantaranya.
Representasi grafis g digambarkan pada Gambar 13.17.

Sebelum melanjutkan, kita menawarkan satu submodel analitik untuk reproduksi

sebagai ilustrasi. Fungsi kuadrat sederhana yang memiliki nol saat N=0 dan N=N u adalah
g ( N )=aN (N u−N ), di mana a adalah konstanta positif. Perhatikan bahwa kuadratik positif

untuk 0< N < N u dan negatif untuk N > N u sesuai kebutuhan. Karena g' ( N )=a(N u−2 N ),
N=N u /2 adalah titik kritis pada g. Juga, g' ' ( N )=−2 a yang memenuhi adalah setiap g
cekung ke bawah, seperti yang digambarkan dalam Gambar 13.17.

Mari kita lihat submodel apa yang disarankan untuk reproduksi tingkat populasi.
Misalkan tingkat populasi saat ini berada pada level N 1 (Gambar 13.17). Karena g ( N 1 ) >0 dan
g( N )=dN /dt, fungsi N meningkat. Ketika N meningkat, g( N )=dN /dt meningkat

juga sampai mencapai maksimum pada N=N b. Untuk N > N b , turunannya tetap positif tetapi
menjadi lebih kecil dan mendekati nol ketika N semakin dekat ke N u. Jadi, populasi
pendekatan N=N u seperti yang disarankan pada Gambar 13.18. Yakinkan diri bahwa kurva
yang disarankan untuk populasi awal N=N 2 dan N=N 3 secara kualitatif benar dalam
Gambar 13.18, di mana N 1 < N b < N 2 < N u < N 3. Perhatikan bahwa ordinat pada Gambar 13.17
adalah kemiringan kurva pada Gambar 13.18. Dalam Bab 11 kita mengembangkan model
analitik menggunakan persamaan diferensial untuk mewakili pertumbuhan populasi pada
Gambar 13.18, yaitu disebut pertumbuhan logistik.

Tingkat Populasi Biologis Optimal : Kita sekarang menafsirkan submodel kita untuk
diproduksi kembali. Dengan tidak adanya penangkapan ikan, populasi selalu mendekati N u,
yang disebut daya dukung lingkungan. Selain itu, ada tingkat populasi di mana jaring
pertumbuhan biologis maksimal. Tingkat populasi ini disebut populasi biologis optimum dan
dilambangkan dengan N b . Dalam submodel khusus kita, N b =N u /2, seperti yang ditetapkan
sebelumnya dan digambarkan pada Gambar 13.17. (Kita menetapkan hasil ini lebih tepatnya
di Bab 11).

Lapangan Sosial Optimum Sekarang kita telah mengembangkan submodel untuk

reproduksi, mari kembali ke submodel panen kita. Asumsikan bahwa industri perikanan
berupaya untuk memaksimalkan total laba, adalah produk dari hasil dan laba rata-rata per
ikan. Keuntungan rata-rata per ikan adalah perbedaan antara harga p dan biaya rata-rata c (N )
untuk memanen ikan. Jadi, ekspresi untuk TP laba total adalah

TP= ( yield ) ×[ p−c (N )] (13.7)

Pertama, bagaimana hasil konstan diperoleh dari tahun ke tahun? Salah satu caranya
adalah melihat perbedaan antara kelahiran dan kematian seiring waktu. Karena fungsi g( N )
mengaproksimasi perbedaan ini untuk populasi tertentu N ikan, ide ini menunjukkan bahwa
g(N ) sama dengan hasil. Untuk mengilustrasikan ide tersebut, pertimbangkan Gambar 13.19.
Misalkan populasi ikan saat ini di N 2. Jika tepatnya jumlah ikan g( N 2 ) dipanen, populasi
akan tetap pada N 2 (pertumbuhan bersih nol) dan operasi penangkapan dapat diulang setiap
tahun tanpa batas. Meyakinkan sendiri bahwa setiap tingkat populasi N dengan 0< N < N u
dapat dipertahankan dengan memanen jumlah g( N ) per tahun.

Perhatikan bahwa N b , tingkat populasi yang pertumbuhan biologisnya maksimum,

adalah dari kepentingan khusus di bawah interpretasi hasil yang berkelanjutan. Ini benar
karena N b tingkat populasi yang memungkinkan hasil berkelanjutan terbesar, g( N ¿¿ b) ¿
Karena level populasi ini memiliki implikasi sosial yang penting, kami menyebut N b sebagai
tingkat populasi optimal sosial. Perhatikan bahwa level optimal sosial dan biologis bertepatan
dalam contoh ini.

Tingkat Populasi Optimal Ekonomi Dengan asumsi hasil menjadi g( N ), Persamaan (13,8)
untuk total laba menjadi

TP=g ( N ) [ p−c(N )] (13.8)

Industri perikanan ingin memaksimalkan TP. Berapa tingkat populasi ikan yang
memungkinkan keuntungan terbesar? Karena g(N ) mencapai maksimum pada N=N b, kita
mungkin tergoda untuk menyimpulkan bahwa keuntungan dimaksimalkan di sana juga.
Bagaimanapun, hasil terbesar terjadi di sana. Namun, laba rata-rata terus meningkat seiring
meningkatnya N, berdasarkan submodel kita digambarkan pada Gambar 13.16. Jadi, dengan
memilih N > N b , kami dapat meningkatkan laba sementara

secara bersamaan menangkap lebih sedikit ikan karena g ( N ) < g( N b ). Mari kita lihat apakah
kemungkinan ini memang demikian.

Seperti apa grafik dari fungsi laba total TP? Faktor g( N ) memiliki nol saat N=0 dan
N=N u, dan faktor [ p−c (N )] memiliki nol pada N=N L. Satu representasi fungsi kontinu
yang memenuhi persyaratan ini ditunjukkan pada Gambar 13.20 dan menunjukkan bahwa
tingkat populasi memang ada di mana keuntungan dapat dimaksimalkan. Kita menyebut
populasi itu tingkat populasi optimal ekonomi dan menyatakannya dengan N p.
Hubungkan Semua Tingkat Populasi Optimal Hingga saat ini titik beberapa tingkat
populasi untuk diperkenalkan. Mereka diringkas sebagai berikut:

N L= tingkat populasi minimum untuk kelayakan ekonomi

N b =¿ tingkat populasi optimal sosial dan biologis

N p=¿tingkat populasi optimum ekonomi

N u=¿populasi maksimum yang berkelanjutan oleh lingkungan (daya dukung lingkungan)

Selanjutnya, kita menghubungkan tingkat populasi ini. Agar bermanfaat untuk

memancing spesies pada basis yang berkepanjangan, itu harus menjadi kasus bahwa N L < N u,
dengan N b dan N p. Namun, bagaimana N b dan N p terkait? Jika kita percaya bahwa industri
perikanan akan melakukannya pada akhirnya menemukan tingkat populasi yang
memaksimalkan keuntungan, kita berharap, untuk sosial dan pertimbangan biologis, bahwa
N p=N b.

Pertimbangkan Gambar 13.21. Untuk kasus N L < N p < N u , tiga lokasi yang mungkin
untuk N b ditunjukkan pada grafik untuk fungsi laba total TP. Pelajari grafiknya dari situasi
berikut:

'
1. N b < N p jika dan hanya jika T P ( N b ) >0.

'
2. N b =N p jika dan hanya jika T P ( N b )=0.

'
3. N b > N p jika dan hanya jika T P ( N b ) <0.

Sekarang, dengan mengambil turunan dari Persamaan (13.9), kita punya

T P' =g' ( N ) [ p−c ( N ) ]−g(N )c ' (N ) (13.9)

biaya rata-rata yang ditunjukkan pada Gambar 13.16, c ' ( N )< 0 untuk semua N. Substitusi N b
'
ke dalam persamaan (13.10) menghasilkan T P ( N b ) >0, yang menyiratkan bahwa N b < N p dari
Gambar 13.21. Jadi, berdasarkan asumsi kami, dengan memungkinkan populasi ikan
melebihi N b perusahaan perikanan dapat menangkap lebih sedikit ikan tetapi menuai
keuntungan lebih besar dari yang mungkin di N b ! Mari kita tafsirkan model kita untuk
membantu manajemen dalam menentukan alternatif untuk mengendalikan lokasi berbagai
tingkat populasi N L , N b, dan N p.

Interpretasi Model Seperti yang kita lihat di Bab 11, asumsi yang mendasari submodel
reproduksi sangat sederhana, sehingga kita tidak bisa berharap untuk menarik kesimpulan
yang tepat dari model grafis yang dikembangkan di sini. Namun, tujuan kita dalam
membangun model adalah untuk mengidentifikasi dan menganalisis secara kualitatif
beberapa masalah utama dalam mengelola energi terbaharui sumber. Pertimbangkan lagi paus
baleen dan Anchoveta Peruvian ikan dalam hal model kita telah kembangkan.

Beberapa pertimbangan harus diambil kedalam perhitungan paus. Pertama, populasi

paus menunjukkan tingkat pertumbuhan alami yang rendah (biasanya hanya 5-10% per
tahun), dan bahkan kecil panen dapat menghasilkan tingkat pertumbuhan bersih negatif
ketika populasi rendah. Kedua, banyak konservasionis berpendapat bahwa ada populasi
minimum N s untuk spesies paus di bawah ini tidak akan bertahan hidup. Jika panen atau
bencana alam menyebabkan populasi paus jatuh di bawah N s , spesies akan didorong ke
kepunahan. Gagasan ini tergabung dalam representasi grafis yang digambarkan pada Gambar
13.22, menunjukkan reproduksi dan submodel populasi.
 Perhatikan dari Gambar 13.22 seberapa sensitif populasi paus di masa depan terhadap
level di sekitar N s . Harga pasar yang relatif tinggi untuk paus menyebabkan populasi
minimum N L untuk kelayakan ekonomi menjadi sangat rendah (Gambar 13.16) sehingga N L
bisa cukup dekat tingkat N s . Dengan demikian, lokasi N L menjadi kritis. (Berdebat bahwa
dalam kasus ikan paus, N L bisa lebih kecil dari N s . Manajemen perikanan dalam kasus seperti
itu membutuhkan pemisahan N s dan N L. Idealnya, seseorang ingin N L dan N b bertepatan.
Perpajakan dan pendirian kuota adalah dua alternatif yang dibahas dalam set masalah berikut.