C.

Landasan Teori
Analisis sensitivitas merupakan pengujian dari sebuah keputusan (misalnya keputusan investasi)
untuk mencari seberapa besar ketidaktepatan penggunaan suatu asumsi yang dapat ditoleransi
tanpa mengakibatkan tidak berlakunya keputusan tersebut. Tujuan penggunaan analisis
sensitivitas adalah untuk melihat apa yang akan terjadi pada hasil analisis proyek jika terjadi
suatu kesalahan atau perubahan dalam dasar perhitungan biaya. Oleh karena itu, fungsi utama
dari analisis sensitivitas adalah sebagai berikut:
1. Memperbaiki cara pelaksanaan proyek yang sedang dilaksanakan.
2. Memperbaiki desain dari proyek sehingga dapat meningkatkan NPV (Net Present Value).
3. Mengurangi risiko kerugian dengan menunjukkan sejumlah langkah pencegahan yang harus
diambil.
Oleh karena itu, penggunaan Analisis Sensivitas dapat menjawab beberapa pertanyaan, misalnya
tingkat perubahan koefisien dari fungsi objektif untuk tetap dapat menghasilkan solusi yang
optimal, seberapa besar perubahan-perubahan pada sisi kanan batasan-batasan yang ada di dalam
pemrograman linear sehingga merubah solusi optimal (Dwijono, 2016).
Adapun pengelompokan Analisis Sensitivitas berdasarkan perubahan- perubahan parameternya
dapat dikelompokkan sebagai berikut: (Hendri, 2009)
• Perubahan koefisien fungsi tujuan (Cj).
• Perubahan Koefisien teknis (aij) atau koefisien input-output, menunjukkan perubahan koefisien
di mana menampilkan berapa banyak bagian dari kapasitas sumber yang “dikonsumsi” oleh satu
satuan kegiatan.
• Perubahan Nilai-Sebelah-Kanan (NSK) fungsi kendala (bi), menunjukkan perubahan dari
keterbatasan kapasitas sumber daya.
• Adanya penambahan fungsi kendala baru (perubahan nilai m).
• Adanya penambahan variabel pengambilan keputusan (Xj) (perubahan nilai n).
Pada jenis-jenis perhitungan tersebut, Analisis Sensitivitas dapat dibagi menjadi beberapa
kelompok perhitungan, yaitu:
1. Perubahan pada Koefisien Fungsi Tujuan (Cj)
Contoh soal:
Maks : Z = 15X1 + 10X2
Kendala : X1+ X2 ≤ 6
2X1+ X2 ≤ 10
Pada gambar grafik hasil linear programming di atas didapat solusi optimal yang ditunjukkan
pada titik (4,2). Titik terakhir tersebut digambarkan dengan garis putus-putus yang menjauhi
daerah feasible (arsir biru).
Tujuan dilakukannya analisis sensitivitas pada perubahan koefisien fungsi tujuan (Cj) adalah
untuk menentukan jarak dari nilai suatu koefisien fungsi tujuan di mana titik solusi optimal (X1,
X2) tersebut tetap berada pada posisi yang sama (4,2). Analisis sensitivitas pada kasus ini
digunakan untuk menentukan dua jarak sensitivitas dari koefisien X1 yang disebut sebagai C1.
Contoh sederhana yang dapat dilakukan untuk menentukan sensitivitas koefisien X1 adalah
meninjau kembali grafik pada Gambar 1 dengan perhitungan sebagai berikut:

Bentuk persamaan di atas dapat dilandasi dengan bentuk persamaan garis lurus, y = a + bx,
sehingga diperoleh titik potongnya adalah Z/10dan kemiringan – 15/10 atau – 3/2. Apabila
kemiringan meningkat
menjadi -1, maka garis fungsi tujuan akan secara tepat mencapai garis batasan (X1 + X2 = 6).
Lalu, cara yang dapat dilakukan untuk mengetahui berapa nilai koefisien X1 yang diperlukan
untuk mengubah kemiringan
fungsi tujuan menjadi -1 adalah sebagai berikut:
-C1/10 = -1/1, maka diperoleh C1 = 10 (range batas bawah) Apabila kemiringan meningkat
menjadi -2, maka garis fungsi tujuan akan secara tepat mencapai garis batasan (2X1 + X2 = 6).
Lalu, cara yang dapat dilakukan untuk mengetahui berapa nilai koefisien X1 yang diperlukan
untuk mengubah kemiringan fungsi tujuan menjadi -2 adalah sebagai berikut:
-C1/10 =-2/1, maka diperoleh C1 = 20 (range batas atas) Berdasarkan hasil tersebut diperoleh
jarak sensitivitas untuk koefisien X1 yang dapat dinyatakan dengan 10 ≤ C1 ≥ 20. Hal tersebut
menunjukkan bahwa keuntungan perusahaan dari penjualan produk dapat berubah antara 10
hingga 20. Sedangkan, posisi titik solusi optimal, X1 = 4 dan X2 = 2, tidak akan berubah.
Informasi yang diperoleh dari analisis sensitivitas berguna bagi seorang manajer perusahaan
ketika hendak mengubah jadwal produksi dengan mengatur ulang detail jumlah unit barang yang
akan diproduksi. Perubahan tersebut berpotensi memberikan beberapa implikasi pada
operasional perusahaan. Sebagai contoh, terdapat kasus kebutuhan pengepakan pada perusahaan
A sehingga perlu adanya perubahan pada bagian logistik dan pemasaran produk tersebut.
Permasalahan tersebut tentu berpeluang meningkatkan pengeluaran modal produksi. Akan tetapi,
dengan mengetahui jarak sensitivitas, manajer tersebut dapat mengetahui seberapa jauh
keuntungan dan harga jual serta biaya yang dapat diubah tanpa menyebabkan perubahan
produksi (kerugian). Analisis grafik yang dilakukan dengan cara yang sama akan memberikan
jarak sensitivitas untuk koefisien fungsi tujuan X2 atau C2, yakni 7,5 dan 15. Hal tersebut
mengindikasikan bahwa keuntungan produk 2 dapat berada antara 7,5 hingga 15 dan memiliki
titik solusi optimal (4,2) yang bersifat tetap (tidak akan berubah). Berdasarkan hasil tersebut
diperoleh jarak sensitivitas untuk koefisien X2 yang dapat dinyatakan dengan 7,5 ≤ C2 ≥ 15.
3. Change Vector dan Dampak Perubahan Secara Parsial sisi Kanan
Fungsi Kendala pada Solusi Optimal Perubahan secara parsial sisi kanan fungsi kendala
dapatdiasumsikan bahwa hanya terpadat perubahan pada salah satu kendalanya, sedangkan
kapasitas kendala yang lain dianggap konstan. Misalkan bagian yang berubah hanya kapasitas
proses pemolesan saja, sementara bagian perakitan dan pengemasan bersifat tetap. Atau bagian
pengemasan saja yang berubah, sementara bagian perakitan dan pemolesan adalah tetap. Atau
bagian perakitan saja yang berubah, sementara bagian pemolesan dan pengemasan adalah tetap.
Kapasitas sisi kanan fungsi kendala bisa saja berubah. Perubahan tersebut dapat
disebabkan oleh adanya karyawan yang lembur atau sakit sehingga mengurangi atau manambah
kapasitas sisi kanan fungsi kendala. Adanya perubahan sisi kanan fungsi kendala, baik berupa
penambahan jam kerja maupun pengurangan jam kerja tentu akan berdampak pada solusi
optimal.
Adapun cara untuk mengetahui dampak dari perubahan kapasitas kanan fungsi kendala
ini terhadap solusi optimal adalah dengan menggunakan change vector. Change vector
merupakan suatu angka yang mengukur perubahan nilai optimal basic variable karena adanya
penambahan suatu unit sisi kanan fungsi kendala. Change vector dapat dilihat pada baris basic
variable (variable yang berada pada kolom product mix) kolom slack variable. Secara matematis,
change vector dapat dinyatakan sebagai berikut:
Change Vector =Perubahan dalam nilai optimal basic variable
Penambahan satu unit sisi kanan fungsi kendala Terdapat langkah yang dapat dilakukan untuk
lebih memahami permasalahan tersebut, yakni dengan meninjau kembali kasus di PT Jaya
Abadi. Seandainya ada penambahan 1 jam kerja pada proses perakitan. Dampak penambahan 1
jam kerja pada proses perakitan terhadap solusi optimal dapat diketahui dengan memperhatikan
Tabel 2 di bawah ini.

S1, P dan S3 yang berada pada baris pertama gambar 2 adalah product mix, sedangkan angka
yang berada pada baris kedua adalah kuantitas untuk setiap variabel keputusan, dan angka pada
baris ketiga adalah perkalian antara besarnya perubahan dengan setiap change vector S2 (angka
yang berada pada kolom S2). Karena yang berubah pada perakitan, maka angka yang kita
gunakan angka pada kolom S2.
Dengan adanya penambahan satu jam kerja pada proses perakitan, maka akan menambah
jumlah P yang diproduksi menjadi 7. Sehingga total keuntungan = (7 × 67,9997) = 475,9979
Perubahan keuntungan = 475,9979 – 466,6667= 9,33 atau 9 1/3. Artinya dengan bertambahnya 1
jam kerja pada proses perakitan akan menambah keuntungan sebesar $9,33. Angka ini sama
dengan shadow price pada proses perakitan. Bagaimana jika pada proses pemolesan berkurang 1
jam. Bagaimana dampak pengurangan penguranga jam kerja ini pada solusi optimal?
Berdasarkan Tabel 3 di atas didapat informasi bahwa pengurangansebesar 1 jam di bagian
perakitan menyebabkan jumlah P yang diproduksi turun menjadi 65,3337 unit, sedangkan
kapasitas pemolesan naik menjadi 24,3337 jam dan pengemasan naik sebesar 60,4 jam. Pada
tingkat produksi ini keuntungan yang diperoleh = (7 × 65,3337) = 457,3359. Perubahan
keuntungannya adalah = 457,3359 – 466,6667 = - 9,33. Artinya, jika jam kerja pada proses
perakitan berkurang 1 jam, maka keuntungan akan berkurang sebesar $9,33. Bagaimana jika
perubahan sisi kanan fungsi kendala lebih dari 1 jam kerja. Sebagai contoh berikut akan kita
bahas jika ada penambahan jam kerja pada proses perakitan sebesar 5 jam. Bagaimana dampak
perubahan ini terhadap solusi optimalnya? Untuk menyawab pertanyaan ini, kita tinggal
mengalikan besarnya penambahan jam kerja proses perakitan dengan koefisien pada kolom S2.
Perhitungannya dapat dilihat pada tabel berikut ini.

Berdasarkan Tabel 4 di atas didapat informasi bahwa perubahan sebesar 5 jam kerja pada proses
perakitan akan menambah jumlah P yang diproduksi menjadi 73,3317 unit sehingga total
keuntungannya adalah (7×73,3317) = 513,3219. Kenaikan keuntungannya adalah sebesar
513,3219 - 466,6667 = 46,6552. Jika diperhatikan besarnya penambahan, maka keuntungannya
sama dengan 5 kali besarnya shadow price.