Analisis sensitivitas
description
Transcript of Analisis sensitivitas
TUGAS
Pemrograman Linier
Oleh :
Purba Tua Pasaribu (1108605012)
I Gede Edy Maha Putra (1108605052)
I Dewa Gede Agung Ary Dvijayanta (1108605054)
I Wayan Indra Adhi Suputra (1108605056)
Ida Bagus Putu Trisnayana (1108605057)
Jurusan Ilmu Komputer
Program Studi Teknik Informatika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Udayana
201
Peran Analisis Sensitifitas Pada Solusi Optimal
Sesudah solusi optimal telah ditentukan, pertanyaan muncul tentang seberapa
sensitif solusi optimal untuk mengalami perubahan dalam satu atau lebih inputan
parameter atau perubahan lain, seperti penambahan atau penghapusan kendala atau
variabel. Efek dari perubahan ini dikenal sebagai sensitivitas atau pasca-analisis
optimal. Para pembuat keputusan di Industri Galaxy mungkin tertarik dalam analisis
sensitivitas untuk alasan berikut.
1. Beberapa parameter input mungkin belum diketahui dengan pasti, tetapi
adalah perkiraan atau estimasi terbaik.
Koefisien keuntungan mungkin telah berdasarkan perkiraan dari biaya
produksi untuk ruang Sinarruang dan Zapper.
40 jam produksi mungkin telah diasumsikan tidak ada libur, penyakit,
gangguan listrik, dan sebagainya
Waktu produksi untuk menghasilkan sinar ruang dan zapper semungkin
perkiraan atau rata-rata.
2. Model ini mungkin telah dirumuskan dalam lingkungan yang dinamis di mana
beberapa parameter dapat berubah.
Ketersediaan plastik yang diperlakukan khusus mungkin terganggu
oleh, diantara faktor-faktor lainnya, cuaca atau stok produsen yang
terbatas .
Harga tenaga kerja dan bahan bisa berubah.
Suku bungayang lebih tinggiatau lebih rendah bisa mengubah
profitabilitas setiap produk.
3. Manajer mungkin hanya ingin melakukan"Bagaimana-jika" analisis yang
dihasilkan dari perubahan beberapa parameter masukan.
"Bagaimana-jika" lembur dijadwalkan?
"Bagaimana-jika" departemen pemasaran memodifikasi
rekomendasinya?
"Bagaimana-jika" item lain yang ditambahkan ke line produk?
Tentu saja, jika perubahan dibuat untuk model pemrograman linier, masalah bisa
kembali di pecahkan. Ini bisa menjadi proses yang memakan waktu, bagaimanapun,
bahwa dalam banyak kasus bahkan mungkin tidak diperlukan. Sebaliknya, sensitivitas
laporan yang dihasilkan oleh paket perangkat lunak program linear dapat memberitahu
kita sekilas konsekuensi perubahan tertentu pada fungsi tujuan dan koefisiensisi
dari sisi kanan.
Analisis Sensitivitas Pada Koefisien Fungsi Tujuan
Setelah solus ioptimal untuk model pemrograman linear ditemukan, pembuat
keputusan mungkin khawatir tentang bagaimana perubahan salah satu dari koefisien
fungsi tujuan mempengaruhi solusi optimal. Seperti ditunjukkan dalam Bagian 2.3,
solusi optimal dapat berubah tergantung pada nilai-nilai koefisien fungsi tujuan.
Jarak Optimalitas
Sensitivitas analisis koefisien fungsi objektif berfokus pada menjawab
pertanyaan berikut: "Menjaga semua faktor lainnya sama, bisa berapa banyak koefisien
fungsi tujuan berubah tanpa mengubah solusi optimal?"
Mari kita lihat apa yang terjadi ketika koefisien fungsi tujuan per lusin Sinar
Angkasa (yang kita tunjuk sebagai C1) mengalami perubahan dari nilai saat ini $ 8.
Gambar 2.9 menggambarkan efek dari peningkatan dan penurunan koefisien ini. Seperti
C1 berkurang dari $ 8, garis fungsi tujuan, C1X1 + 5x2, menjadi lebih horisontal. Titik
optimal, bagaimanapun, tetap (320,360) sampai garis menjadi sejajar dengan (memiliki
kemiringan yang sama seperti ) kendala waktu produksi, 3X1 + 4x2 = 2400. Ingatlah
bahwa kemiringan garis lurus dinyatakan oleh (-Koefisien X1/koefisien X2). Dengan
demikian, kemiringan kendala waktu produksi adalah -3 / 4, dan kemiringan garis
fungsi tujuan adalah -C1 / 5 .Kemiringan ini sama ketika C1 / 5 = -3 / 4 atau C1 = 3,75.
Seperti C1 meningkat dari $ 8, garis fungsi tujuan, C1X1+5x2menjadilebih
vertikal,tapi titik optimal(320,360) sampai garis menjadi sejajar dengan (memiliki
kemiringan yang sama seperti) kendala plastik, 2X1+1X2= 1000. Sejak kemiringan
kendala plastik adalah -2/ 1 dan kemiringan dari garis fungsi tujuan adalah -C1
/5,kemiringannya adalah sama ketikaC1/5= -2/ 1 atauC1=10.
Rentang nilai untuk C1, dari $ 3,75ke$ 10,00disebut rentang optimalitas
untukC1, koefisien fungsi tujuan dari Ruang sinar . Ini merupakan kenaikan yang
diijinkan pada $ 10- $ 8= $ 2dan Penurunan yang diijinkan pada $ 8 - $3.75 =$ 4,25
GAMBAR 2.9 Rentang optimalitas diperoleh dari memutar garis fungsi tujuan melalui
titik optimal sampai ia menjadi paralel ke hambatan-hambatan.
Ini merupakan Kenaikan diijinkan sebesar $ 10 - $ 8 = $ 2 dan Penurunan
diijinkan dari $ 8 - $ 3.75 = $ 4,25 dari nilai koefisien fungsi tujuan asli dari C1 = $ 8.
(Kita akan lihat di bagian berikutnya bahwa Excel mengungkapkan kisaran optimal
dalam hal Peningkatan diijinkan dan Penurunan diijinkan.) .Kami selanjutnya amati
pada Gambar 2.9 bahwa jika C1 turun di bawah $ 3,75, titik (0,600) menjadi solusi
optimal baru , sedangkan jika C1 meningkat di atas $ 10.00, titik (450.100) menjadi
optimal.
Perhatikan bahwa dalam kisaran optimalitas, meskipun solusi optimal tetap X1 =
320, X2 = 360, nilai fungsi tujuan akan berubah dengan perubahan C1. Misalnya, jika
keuntungan per lusin Sinar Ruang menurun dari $ 8 sampai $ 6, keuntungan yang
optimal sekarang akan menjadi $ 6 (320) 4 - $ 5 (360) = $ 3720. Penting untuk dicatat
bahwa analisis ini didasarkan pada asumsi bahwa tidak ada perubahan lain terjadi,
selain untuk C2.
“Rentang optimalitas”
Dengan asumsi bahwa tidak ada perubahan lain pada parameter masukan:
1. Kisaran optimalitas adalah kisaran nilai koefisien fungsi tujuan dimana solusi
optimal tetap tidak berubah.
2. Nilai fungsi tujuan akan berubah jika koefisien ini mengalikan variabel yang
nilainya positif.
Kisaran optimalitas untuk C2, koefisien fungsi tujuan dari Zappers, juga sama
dihitung. Kali ini persamaan garis fungsi tujuan adalah 8X1+ C2X2, yang kemiringannya
-8/C2. Kisaran optimalitas untuk C2 lagi dibatasi oleh kemiringan hambatan-hambatan
dari -3 / 4 untuk kendala waktu produksi dan -2 untuk kendala plastik. Dengan
demikian, kita mendapatkan batas rangkaian optimalitas by: -8/C2 = -3 / 4 atau C2 =
10,67 dan -8/C2 = -2 / 1 atau C2 = 4.
Dengan demikian kisaran optimalitas untuk C2, koefisien fungsi tujuan dari
Zappers, kemudian antara $ 4,00 dan $ 10,67 (Peningkatan diijinkan sebesar $ 5.67 dan
sebuah Penurunan diijinkan sebesar $ 1,00).
Pengurangan Biaya
Solusi optimal pada model Industri Galaxy memiliki nilai yang positif untuk kedua
variabel keputusan. Tetapi, seperti argumen pada gambar 2.9 jika koefisien keuntungan
untuk Ruang Sinar sekitar $3.75, solusi optimalnya adalah X1 = 0, X2 = 600. Jadi, mari
kita perkirakan bahwa fungsi tujuan telah memiliki MAX 2X1 + 5X2. Saat solusi
optimal X1= 0, X2 = 600, nilai optimal fungsi tujuan adalah $2(0) + $5(600) = $3000.
Dalam kasus, X1 = 0 (tidak ada Ruang Sinar yang diproduksi) karena keuntungan
$2 untuk koefisien X1 tidak cukup besar untuk membenarkan produksi dari Ruang
Sinar. Inilah yang menjadi alasan untuk dipertanyakan, “Seberapa banyak koefisien
keuntungan bagi X1 harus meningkat sebelum X1 menjadi positif (contoh, untuk
membenarkan produksi dari beberapa Ruang Sinar) pada solusi optimal?”. Jawabannya
ditunjukkan dengan mengurangi biaya untuk koefisien keuntungan tersebut.
Kami melihat dari gambar 2.9, bahwa titik (0 , 600) adalah solusi optimal hingga
keuntungan per/dus Ruang Sinar meningkat lebih dari C1 = $3.75. Disamping nilai ini,
solusi optimal berubah menjadi (320 , 360). Demikian C1 harus dinaikkan $1.75, dari $2
menjadi $3.75 sebelum menjadi layak secara ekomomis untuk memproduksi Ruang
Sinar. Meningkatkan keuntungan $1.75, setara dengan mengurangi komponen biaya
dari koefisien $1.75, karenanya kami menyebut pengurangan biaya koefisien tersebut
adalah $1.75.
Pertanyaan lainnya yang mungkin akan muncul adalah, “Meskipun ini tidak layak
secara ekonomis untuk memproduksi Ruang Sinar, pada nilai ini dari $2 per/dus
(X1 = 0), berapa banyak keuntungan optimal akan berkurang jika kita terpaksa untuk
memproduksi setidak-tidaknya satu dus Ruang Sinar (X1 ≥ 1)?”. Jawabannya tetap
ditunjukkan dengan mengurangi biaya. Seperti yang ditunjukkan pada gambar 2.10,
dengan tambahan pada pembatas X1 ≥ 1, solusi optimal sekarang adalah
X1 = 1, X2 = 599.25, memberikan nilai fungsi tujuan dari $2998.25. Ini mewakili $1.75
pengurangan pada keuntungan dari $3000.
Jika variabel positif maka penurunan biaya adalah 0,maka nilai dari variabel tersebut 0
atau penurunan biaya 0.lewat 1 kalimat
Gambar 2.10.
Penurunan biaya untuk X ketika fungsi
tujuan 2X1 + 5X2 ditambah X1≥1 dan
bandingkan nilai fungsi tujuan
optimal.Penurunan biaya sama dengan
nilai setelah batasan – nilai aslinya
“Pengurangan Biaya”
Dengan asumsi bahwa tidak ada perubahan lain pada parameter masukan:
1. Biaya dikurangi untuk sebuah variabel yang memiliki nilai solusi dari 0 adalah
negative dari peningkatan koefisien fungsi tujuan yang diperlukan untuk
variable menjadi positif dalam solusi optimal.
2. Pengurangan biaya juga jumlah fungsi tujuan akan berubah per unit
peningkatan variable ini.
SENSITIVITAS ANALISIS KANAN
SIDE KOEFISIEN
Setiap perubahan nilai sisi kanan dari kendala yang mengikat akan berubah menjadi
solusi optimal. contoh adalah jumlah plastik yang tersedia meningkat 1000-1001 pounds
solusi optimal baru ditemukan dengan memecahkan:
2X1 + 1X2 = 1.002
3X1 + 4x2 = 2400
Anda dapat memverifikasi bahwa perubahan solusi untuk ini sepasang persamaan di X1
= 320,8, X2 = 359,4
Harga Bayangan
Ketika solusi optimal berubah menjadi X1=320.8, X2=359.4 nilai fungsi tujuan optimal
juga berubah menjadi $8(320.8) + $5(359.4)= $4363.40. Ini adalah selisih dari
$4363.40-$4360.00=$3.40. Jika 1002 pounds (2 pounds tambahan) plastik tersedia
solusi optimal ditemukan dengan pemecahan
2X1 + 1X2 = 1002
3X1 + 4X2 = 2400
Gambar 2.11.
Harga bayangan dihitung dengan selisih
nilai fungsi tujuan ketika RHS batasan
ditambah 1
Solusi dari pasangan persamaan ini, X1=321.6, X2=358.8, memberikan sebuah nilai
fungsi tujuan optimal dari $8(321.6) + $5(358.8)= $4366.80. Hal ini merupakan
peningkatan sebesar $6.80, atau $6.80/2= $3.40 peningkatan per pounds, dari nilai
fungsi tujuan asli. Demikian pula bisa ditujukan bahwa terdapat hanya 999 pounds dari
plastik tersedia (kurang 1 pounds), hasil solusi optimal dari X1=319.2, X2=360.6,
memberikan sebuah nilai fungsi tujuan optimal dari $8(319.2) + $5(360.6)= $4356.60,
penurunan $3.40 per pounds! Inilah perubahan $3.40 terhadap nilai optimal perunit
pada jumlah plastik yang disebut shadow prices untuk satu pound plastik
Rentang Kelayakan
Ini harga bayangan $ 3,40 hanya berlaku pada rentang tertentu nilai untuk
ketersediaan plastik, namun. jika kita terus mengubah nilai sisi kanan kendala untuk
plastik dan kendala waktu produksi menentukan titik ekstrim yang optimal. tetapi jika
perubahan jumlah plastik terlalu besar, apakah itu terlalu besar peningkatan atau
penurunan terlalu besar, ada bisa datang suatu titik ketika kendala yang berbeda
menentukan titik optimal.
Rentang kelayakan untuk plastik memberikan batasan pada nilai kanan sisi
untuk plastik, antara kedua kendala, kendala plastik dan kendala waktu produksi, terus
menentukan titik optimal. itu diberi nama ini karena, selama rentang nilainya, solusi
untuk set saat persamaan kendala yang mengikat adalah solusi yang layak.
angka 2.12a dan 2.12b menggambarkan bagaimana berbagai kelayakan untuk
plastik dapat ditentukan. Perhatikan bahwa peningkatan nilai sisi kanan untuk plastik
dari 1000 memperluas daerah layak, sedangkan kontrak daerah layak jika nilainya
menurun. Dalam setiap kasus, kemiringan kendala plastik tetap sama, namun X2-
sumbunya berubah. Dengan demikian, perubahan kanan nilai samping menciptakan
garis kendala baru yang sejajar dengan garis kendala asli untuk plastic.
Angka 2.12a menunjukkan apa yang terjadi sebagai ketersediaan plastik
meningkat. Plastik dan kendala produksi terus menentukan titik optimal hingga garis
kendala plastik melewati pikir persimpangan waktu produksi dan kendala produksi total
(400.300). Hal ini ditentukan dengan memecahkan 3X1 +4 = X2 2400 dan X1 + X2 =
700 di (400,300) sisi kanan kendala plastik adalah 2 (400) +1 (300) = 1100. untuk nilai-
nilai di atas 1100 waktu produksi kendala dan kendala campuran total sekarang akan
menentukan titik optimal, sementara persimpangan garis waktu plastik dan produksi
menghasilkan titik tidak layak luar daerah layak baru. Dengan demikian, batas atas dari
berbagai kelayakan untuk plastik adalah 1100. Ini merupakan peningkatan yang
diijinkan 1100-1000 = 100 pon. sama, angka 2.12b, menunjukkan bahwa ketersediaan
plastik menurun plastik dan kendala waktu produksi terus untuk menentukan titik
optimal sampai kendala plastik melewati pf persimpangan batas waktu produksi dan
sumbu X2 pada (0,600), pada (0,600) sisi kanan kendala plastik adalah 2 (0) + 1 (600) =
600. Untuk nilai-nilai belw plastik 600 solusi optimal ditentukan oleh kendala plastik
dan sumbu X2, sementara persimpangan plastik dan lini produksi waktu vields titik
tidak layak luar daerah feasible baru. Dengan demikian, batas bawah kisaran nilai yang
harga bayangan $ 3,40 untuk plastik berlaku, adalah antara 600 dan 1100 pound. Dalam
rentang ini, nilai fungsi tujuan akan berubah dengan $ 3,40 untuk setiap perubahan unit
ketersediaan plastik.
Gambar2.12a
batas atas dari rangeof feasibility untuk
plastik, kendala plastik dan kendala
waktu produksi terus menentukan solusi
optimal sampai RHS melebihi 1100.
Bayangan Harga dan Kisaran Kelayakan untuk Kendala lain
Harga bayangan untuk menit produksi dapat ditemukan dengan cara yang sama
dengan cara menyelesaikan :
2X1 + X2 = 1000
3X1 + 4X2 = 2401
Solusi untuk persamaan ini adalah : X1 = 319,8, X2 = 360,4. Solusi ini
memberikan keuntungan $ 4.360,40, naik $ 0,40 atas nilai optimal asli dari fungsi
tujuan. Dengan demikian, harga bayangan untuk menit produksi adalah $ 0,40 atau 60
($ 0,40) = $ 24 per jam.
Anda dapat pastikan bahwa, seiring dengan peningkatan ketersediaan produksi
menit, kendala plastik dan waktu produksi terus menentukan titik optimal sampai
Gambar 2.12b
batas bawah dari range of feasibility
untuk plastik, kendala plastik dan kendala
waktu produksi terus menentukan solusi
optimal sampai RHS kurang dari 600.
Rentang kelayakan
Dengan asumsi bahwa tidak ada perubahan lain untuk parameter input:
1. Kisaran kelayakan adalah kisaran nilai untuk nilai sisi kanan di mana
harga bayangan untuk kendala tetap tidak berubah.
2. Dalam berbagai kelayakan, nilai fungsi tujuan akan berubah dengan
jumlah kali bayangan harga perubahan nilai sisi kanan.
kendala waktu produksi melewati perpotongan kendala plastik dan kendala produksi
total pada X1 = 300, X2 = 400. Pada saat itu, nilai dari sisi kanan kendala waktu
produksi adalah 3 (300) + 4 (400) = 2500, peningkatan yang diijinkan 2500 – 2400 =
100.
Seiring ketersediaan menit produksi menurun, plastik dan kendala waktu produksi
terus menentukan titik optimal sampai kendala waktu produksi melewati perpotongan
titik kendala plastik dan kendala produk campuran di X1 = 450, X2 = 100. Pada saat itu,
nilai dari sisi kanan kendala waktu produksi adalah 3 (450) + 4 (100) = 1750, penurunan
yang diijinkan dari 2400 – 1750 = 650.
Karena kendala X1 + X2 ≤ 700 dan X1 – X2 ≤ 350 tidak menentukan titik optimal
(yaitu, ada terdapat kelonggaran pada masing-masing kendala), ini dikatakan kendala
yang tidak mengikat (nonbinding). Harga bayangan keduanya akan menjadi 0, karena
terdapat sedikit perubahan kecil dalam koefisien, semua perubahan dalam solusi
optimal adalah jumlah kelonggaran pada kendala, titik optimal tetap sama di X1 = 320,
X2 = 360. Meningkatkan nilai sisi kanan dari salah satu dari dua kendala tidak akan
mengubah solusi optimal.
Titik optimal tidak akan berubah sampai koefisien sisi kanan kendala nonbinding
cukup menurun sehingga melewati titik Optimal! Dengan demikian, batas bawah dari
kisaran kelayakan untuk total kendala produksi adalah 1 (320) + 1 (360) = 680
(penurunan yang diijinkan dari 700 – 680 = 20), dan batas bawah untuk kendala produk
campuran adalah 1 (320) – 1 (360) = –40 (penurunan yang diijinkan dari 350 – (–40) =
390.) ini mengarah ke faktor kelonggaran untuk nilai kanan. Harga bayangan untuk
sumber daya adalah 0 jika ada kelonggaran pada kendala, jika harga bayangan tidak 0
maka tidak ada kelonggaran.
Perkiraan yang benar dari harga bayangan
Karena harga bayangan untuk plastik adalah $ 3,40 per pon, tampaknya
manajemen yang harus bersedia membayar, tapi tidak lebih dari, $ 3,40 untuk setiap
pon plastik. Namun, seperti yang terlihat di bawah ini, ini akan menjadi benar hanya
jika biaya plastik tidak termasuk dalam perhitungan koefisien keuntungan dari variabel
keputusan. Mari kita mempertimbangkan dua kasus.
Kasus 1: biaya terpendam
Misalkan 1000 pon plastik secara otomatis dikirimkan ke galaxy setiap minggu dengan
biaya sebesar $ 3 per pon atau $ 3000 per minggu, dan waktu produksi dijadwalkan
untuk $40 jam per minggu pada $20 per jam ($ 0,3333 per menit), untuk total biaya
sebesar $ 800. Karena $ 3000 untuk plastik dan $ 800 untuk waktu produksi harus
dibayar terlepas dari jumlah plastik dan waktu produksi benar-benar digunakan selama
seminggu, maka dinamakan biaya terpendam.. Dengan demikian, kita tidak
akanmemasukkann biaya plastik waktu produksi dalam menentukan koefisien fungsi
tujuan untuk Space Rays dan Zappers.
Laba bersih untuk masalah dapat diperoleh dengan mengurangi total biaya biaya
terpendam dari $ 3000 + $ 800 = $ 3800 dari nilai fungsi tujuan opsional model. Karena
tambahan plastik menambahkan $ 3.40, dan menit tambahan beberapa pon pada waktu
produksi bertambah $ 0,40 dengan nilai fungsi tujuan opsional, harga-harga penafsiran
tersebut, pada kenyataannya, mewakili dan batas atas bahwa manajemen akan rela
untuk membayar beberapa pon plastik tambahan dan tambahan beberapa menit waktu
produksi masing-masing.
Kasus 2: biaya yang dimasukkan
Misalkan sebagai gantinya, manajemen yang bisa memesan setiap jumlah plastik itu
ingin hingga 1000 pon per minggu dengan $ 3 per pon, dan itu bisa menjadwalkan
setiap jumlah waktu produksi, hingga 2400 menit. Manajemen kemudian akan memesan
hanya waktu produksi yang cukup diperlukan untuk solusi opsional.
Dalam kasus ini, biaya plastik yang dibutuhkan dan waktu produksi (dan mungkin
sumber daya lainnya) harus dimasukkan dalam derivasi dari koefisien keuntungan
Space Rays dan Zappers. Misalnya, bahwa harga jual adalah $ 17 per lusin Space Rays
dan $ 11 per lusin Zappers dan biaya produksi lainnya sebesar $ 2 per lusin Space Rays
dan $ 1,67 per lusin Zappers. Tabel 2.5
Tabel 2.5. Fungsi Tujuan Koefisien
Space Rays (per lusin) Zappers (per lusin)
Pendapatan
Harga Penjualan $17.00 $ 11.00
Pengeluaran
Plastik (@ $ 3/lembar) $ 6.00 (2 lembar) $ 3.00 (1 lembar)
WaktuProduksi (@ $ 20/jam) $ 1.00 (3 menit) $ 1.33 (4 menit)
Lainnya $ 2.00 $ 1.67
TotalPengeluaran $ 9.00 $ 6.00
Unit Laba $ 8.00 $ 5.00
Tabel 2.5 di atas menunjukkan perhitungan yang diperlukan untuk menentukan masing-
masing $ 8 dan $ 5 koefisien fungsi tujuan per Sinar Angkasa lusin dan Zappers.
Solusi optimal dari 320 Rays lusin Ruang dan Zappers lusin 360 menggunakan
semua, 1000 pon plastik dan semua 2400 menit dari waktu produksi. Nilai fungsi tujuan
dari $ 4360 adalah laba bersih, yang meliputi $ 3000 (= $ 3/lb X (1000 lbs.).)
Dihabiskan untuk plastik dan $ 800 (= $ 20/hr X (40 jam)., Atau $ 0.3333/min.
X (2400 min.)) menghabiskan waktu produksi.
Jika £ 1001 dari plastik yang tersedia, nilai objektif optimal fungsi akan
meningkat sebesar $ 3,40 untuk $ 4363,40, ini termasuk $ 3.003
(= $ 3/Ib X (1001 lbs)..) Dihabiskan untuk plastik. Dengan demikian, harga bayangan
$ 3,40 merupakan premi di atas $ 3,00 yang manajemen harus bersedia untuk membayar
pound ekstra dari plastik, yaitu, Galaxy harus bersedia membayar sampai
$ 6,40 (= $ 3,40 + $ 3,00) untuk ekstra pound dari plastik. Demikian pula, Galaxy akan
bersedia membayar hingga $ 0,7333 (= $ 0,40 + $ 0,3333) untuk menit tambahan
produksi.
Biaya yang terpendam dan biaya yang dimasukkan
Biaya terpendam--biaya sumber daya tidak termasuk dalam perhitungan koefisien
fungsi tujuan - harga bayangan adalah nilai dari unit tambahan sumber daya. Biaya yang
dimasukkan--biaya sumber daya disertakan dalam perhitungan koefisien fungsi tujuan--
harga bayangan adalah nilai premium atas nilai unit yang ada untuk sumber
IMBALAN PASCA – OPTIMALITAS PERUBAHAN
Penambahan atau penghapusan kendala, penambahan atau penghapusan variabel,
dan perubahan Ieft-tangan koefisien sisi model pemrograman linier adalah addi ¬
nasional pasca-optimalitas analisis yang mungkin menarik bagi pengambil keputusan.
Typi ¬ Cally, perubahan tersebut dilakukan langsung ke formulasi model, dan mati
hanya masalah diselesaikan. Namun, there'are beberapa pengamatan layak
dipertimbangkan dalam kasus ini.
PENAMBAHAN SEBUAH CONSTRAINT
Ketika kendala ditambahkan ke model pemrograman linear, langkah pertama
adalah untuk menentukan apakah kendala ini dipenuhi oleh solusi optimal saat ini. Jika
ya, maka tidak perlu kembali memecahkan masalah, solusi saat ini akan tetap optimal.
Jika kendala baru dilanggar, namun masalahnya harus kembali dipecahkan. Tentu saja,
nilai objektif optimal fungsi tidak akan lebih baik daripada aslinya optimal nilai (lebih
kecil untuk masalah maksimisasi, yang lebih besar untuk masalah minimisasi) karena
masalah ini sekarang lebih dibatasi.
PENGHAPUSAN SEBUAH CONSTRAINT
Jika kendala yang akan dihapus dari model ini tidak mengikat, solusi optimal saat
ini tidak akan berubah. Jika mengikat, namun, masalahnya harus kembali dipecahkan
Karena masalahnya adalah kurang membatasi, solusi optimal baru akan menghasilkan
Optimal fungsi tujuan setidaknya sebaik yang ke model asli.
PENGHAPUSAN SEBUAH VARIABLE
Jika variabel yang akan dihapus adalah nol dalam solusi optimal, menghapusnya
tidak akan mempengaruhi solusi optimal. Jika nilai variabel tidak nol dalam solusi
optimal, masalah harus kembali dipecahkan. Menghapus variabel yang nol dalam solusi
optimal asli akan menghasilkan nilai fungsi tujuan buruk atau salah satu yang terbaik
tidak lebih baik dari nilai fungsi tujuan aslinya.
PENAMBAHAN SEBUAH VARIABLE
Ketika variabel yang ditambahkan, dalam banyak kasus, masalah harus kembali
dipecahkan. Ada, bagaimanapun, prosedur laba bersih marjinal yang dapat menentukan
apakah penambahan variabel baru akan memiliki efek pada solusi optimal. Laba
marjinal bersih adalah perbedaan antara koefisien fungsi tujuan dan biaya marjinal total
sumber daya '(dihitung dengan menggunakan nilai saat ini harga bayangan).
Untuk mengilustrasikan, anggaplah bahwa produk baru, menyemprotkan Big,
membutuhkan tiga pon plastik dan lima menit dari waktu produksi, dapat diproduksi,
menghasilkan laba sebesar $ 10 per lusin. Model baru adalah :
MEMAKSIMALKAN 8X1 + 5X2 + 10X3
ST 2X1 + X2 + 3X3 ≤ 1000 (plastik)
3X1 + 4X2 + 5X3 ≤ 2400 (waktu Produksi)
X1 + X2 + X3 ≤ 700 (unit total)
Xl – X2 ≤ 350 (Space Ray / Zapper campuran)
X1, X2, X3≥ 0
Harga bayangan untuk kendala berubah menjadi $ 3,40, $ 0,40, $ 0, dan $ 0, masing-
masing. Dengan demikian, laba bersih marjinal untuk produksi mati dari selusin
menyemprotkan Big adalah :
$ 10 – (($ 3.40X3) + ($ 0,40) (5) + (S0) (I) + (S0) (0)) = –$ 2,20
Oleh karena itu, itu tidak akan menguntungkan untuk menghasilkan
menyemprotkan Big, dan solusi saat ini memproduksi 320 Rays Ruang lusin dan 360
Zappers selusin tetap optimal. Jika keuntungan per lusin menyemprotkan Big sudah $
15, namun, mati keuntungan marjinal bersih akan menjadi $ 2,80. Ini akan
menunjukkan bahwa ada solusi yang optimal baru, yang meliputi produksi
menyemprotkan Big, menghasilkan keuntungan yang optimal yang lebih tinggi.
PERUBAHAN DI KIRI-TANGAN KOEFISIEN SIDE
Bila koefisien sisi kiri berubah, daerah feasible seluruh dibentuk kembali. Jika
perubahan itu dibuat untuk koefisien dalam kendala mengikat, the.first langkah, adalah
untuk memastikan apakah solusi optimal saat memenuhi kendala dimodifikasi. Jika
tidak, itu tetap menjadi solusi optimal untuk model direvisi, jika tidak, atau jika
perubahan tersebut dibuat dalam koefisien kendala yang mengikat, baik solusi optimal
dan bayangan perubahan harga dengan cara yang lebih kompleks untuk menghitung
dibandingkan perubahan yang dihasilkan dari modifikasi koefisien fungsi tujuan atau
kanan nilai side. Dalam hal ini, model harus kembali dipecahkan.