Analisis Sensitivitas Pertemuan 8 : (Off Class)

Slides:



Advertisements
Presentasi serupa
Pertemuan 3– Menyelesaikan Formulasi Model Dengan Metode Simpleks
Advertisements

BENTUK PRIMAL DAN DUAL Dalam analisis Program Linear (PL) terdapat 2 bentuk, yaitu : 1. Bentuk Primal, yaitu bentuk asli dari pers. Program linear. 2.
KASUS KHUSUS METODE SIMPLEKS
PEMROGRAMAN LINIER Pertemuan 2.
Kasus-kasus Khusus Permasalahan Program Linier
Integer Programming (IP) Pertemuan 19 :
Algoritma Pemotongan Algoritma Gomory Langkah 1 x3* = 11/2 x2* = 1
TEKNIK RISET OPERASIONAL
KASUS MINIMISASI Ir. Indrawani Sinoem, MS
LINEAR PROGRAMMING METODE SIMPLEX
BAHAN AJAR M.K. PROGRAM LINEAR T.A. 2011/2012
Emirul Bahar - Metode Simplex4-1 METODE SIMPLEX ( Pendahuluan ) BAB 2.
LINEAR PROGRAMMING Pertemuan 05
Operations Management
Penerapan Int.Programming (IP) Pertemuan 20 :
Metode Simpleks Metode simpleks merupakan prosedur iterasi yang bergerak step by step dan berulang-ulang Jumlah variabel tidak terbatas Penyelesaian masalah.
LINEAR PROGRAMING (Bagian 2)
KASUS KHUSUS PROGRAM LINEAR
D0104 Riset Operasi I Kuliah VIII - X
METODE SIMPLEKS MINIMALISASI. METODE SIMPLEKS MINIMALISASI.
Metode Simpleks Dyah Darma Andayani.
ALGORITMA PEMOTONGAN Algoritma Gomory.
Dualitas dan Analisa Sensivitas
LINEAR PROGRAMING (Bagian 3)
Pert.3 Penyelesaian Program Linier Metode Simpleks
Metode simpleks yang diperbaiki menggunakan
PERTEMUAN 8-9 METODE GRAFIK
METODE BIG M DAN DUAL SIMPLEKS
Masalah PL dgn Simpleks Pertemuan 3:
Metode Simpleks Free Powerpoint Templates.
Metode Simpleks Free Powerpoint Templates.
LINEAR PROGRAMMING Pertemuan 06
METODE SIMPLEKS Pertemuan 2
TEORI DUALITAS.
MANEJEMEN SAINS METODE SIMPLEKS.
PEMROGRAMAN LINIER Tujuan : Memahami prinsip dan asumsi model LP
Manajemen Sains Kuliah ke-4
PEMOGRAMAN LINEAR ALGORITMA SIMPLEKS
Metode Simpleks Dual dan Kasus Khusus Metode Simpleks
Metode Simpleks Free Powerpoint Templates.
Pertemuan ke-5 25 Oktober 2016 PARANITA ASNUR
METODA SIMPLEX.
Metode Simpleks Rachmat Gunawan, SE, MSi Manajemen Kuantitatif
Analisis Sensitivitas Pertemuan 6
Metode Simpleks Free Powerpoint Templates.
Indrawani Sinoem/TRO/V/07-08
PEMOGRAMAN LINEAR TABEL SIMPLEKS
Program Linear dengan Metode Simpleks
PROGRAM LINIER : ANALISIS DUALITAS, SENSITIVITAS DAN POST- OPTIMAL
PROGRAM LINEAR DENGAN METODE SIMPLEKS PERTEMUAN 3
METODE BIG M.
(REVISED SIMPLEKS).
METODE BIG-M LINEAR PROGRAMMING
Pertemuan 4 Penyelesaian PL Metode Simpleks (2) Big M dan Dua Fasa
DegenerasY KASUS KHUSUS PROGRAM LINEAR
METODE DUAL SIMPLEKS Oleh Choirudin, M.Pd
TEKNIK RISET OPERASI MUH.AFDAN SYARUR CHAPTER.1
TEKNIK RISET OPERASI DUALITAS.
PROGRAM LINIER : ANALISIS POST- OPTIMAL
PROGRAM LINIER METODE SIMPLEKS
METODE BIG M.
Destyanto Anggoro Industrial Engineering
Metode Simpleks Metode simpleks merupakan prosedur iterasi yang bergerak step by step dan berulang-ulang Jumlah variabel tidak terbatas Penyelesaian masalah.
Metode Simpleks Free Powerpoint Templates.
METODE SIMPLEX LINEAR PROGRAMMING (LP)
BAB III METODE SIMPLEKS(1).
Program Linier – Simpleks Kendala
Program Linier – Bentuk Standar Simpleks
Oleh : Siti Salamah Ginting, M.Pd. PROGRAM LINIER METODE SIMPLEKS.
METODA SIMPLEKS (Prosedur Simpleks)
Transcript presentasi:

Analisis Sensitivitas Pertemuan 8 : (Off Class) Mata kuliah :K0164-Pemrograman Matematika Tahun : 2008 Analisis Sensitivitas Pertemuan 8 : (Off Class)

Learning Outcomes Mahasiswa dapat menghitung analisis sensitivitas dalam beberapa kasus PL serta memberikan alternatif solusi..

Outline Materi: Pengertian danTujuan Contoh-contoh Kasus Soal studi kasus yg lain..

Tujuan Analisis Sensitivitas Tujuan: Melihat sejauh mana solusi optimal akan berubah, jika terjadi perubahan pada koefisien (fungsi tujuan, koefisien teknis), kendala dan penambahan variabel keputusan. Kemungkinan perubahan : 1). Pada koefisien fungsi tujuan cj 2). Koefisien teknis/matriks kendala (aij). 3). Koefisien pembatas/kendala bj. 4). Penambahan variable baru Xn+1, Xn+2. 5). Penambahan persamaan kendala baru.

Contoh Kasus : Kasus 1A : Perubahan koefisien pd variabel non basis pd fungsi tujuan. Masalah : 1). Apakah solusi optimal pada tabel akhir berubah ? 2). Berapa batas perubahan cj sehingga solusi optimal tidak berubah ? Prosedur : 1). Hitung cj (baru). Bila berganti tanda berarti tabel akhir menjadi titik optimal lagi. 2). Bila belum optimal, update sampai optimal..

Contoh Kasus. Misal Model PL Fungsi objektif : Z = 5X1 + 12X2 + 4 X3 Kendala : X1 + 2X2 + X3 ≤ 5 2 X1- X2 + 3 X3 = 2 X1 , X2 ≥ 0

Tabel optimal / Tabel akhir Koefisien non basis X3 berubah 48

Kasus 1B : Perubahan koefisien var.basis pd fungsi tujuan . Prosedur : 1). Ganti cB dengan cB baru (karena salah satu elemennya berubah). 2). Hitung semua Cj untuk variable non basis. Bila ada yang berganti tanda,tidak optimal lagi. 3). Bila belum optimal, update sampai optimal..

Koefisien X1, X2 di basis berubah dari (5,12)  (4,10) Contoh : Koefisien X1, X2 di basis berubah dari (5,12)  (4,10) Kasus 1C Perubahan koefisien variabel basis dan non basis pada fungsi tertentu . Prosedur : 1). Ganti C1, C2, dan C3 dengan CB1, CB2, dan CB3 baru, hitung nilai Z = Cj baru. Bila berganti tanda berarti tabel akhir menjadi tidak optimal lagi. Bila belum optimal, update sampai optimal .

Dengan fungsi batasan yang sama. Koefisien matriks (aij ) berubah. Contoh : Z = 5X1 + 12 X2 + 4 X3 menjadi ZB = 4 X1 + 10X2 + 8 X3 Dengan fungsi batasan yang sama. Kasus 2 : Koefisien matriks (aij ) berubah. Dalil : A(I) Kj(1) = kj(I) dimana A(1) = matriks tranformasi pada tabel ke I. I = iterasi atau tabel ke I.

Prosedur : 1). Tentukan kj. akhir baru = A. kj(1) 2) Prosedur : 1). Tentukan kj * akhir baru = A * kj(1) 2). Hitung kembali Cj = Cj -CBK*j ( baru ) 3). Jika Cj berubah tanda, tabel akhir tidak optimal lagi  update sampai optimal..

Contoh : Dari contoh didepan,ubahlah koefisien matriks x3 dari ( 1,3 ) menjadi (- 5,2) dan selanjutnya selesaikan. Kasus 3 : Perubahan koefisien pembatas / ruas kanan Dalil : A(i) b = S(i) S(i) = solusi / ruas kanan pada tabel ke i Prosedur : 1). Tentukan A (*) 2). Hitung S (*) baru = A(*)b (baru) jika < 0, tidak layak. 3). Hitung Z* baru.

Andaikan pembatas (bi) berubah dari (5,2) menjadi (7,2). Contoh : Andaikan pembatas (bi) berubah dari (5,2) menjadi (7,2). Kasus 4 : Menambah variabel baru. Prosedur : 1. Tentukan A(*) 2. Hitung k* n+1 = A*k1n+1 3. Hitung Cn+1 = Cn+1 - CBKn+1 ,dimana Cn+1dari Z = …. + CnXn +Cn+1Xn+1 Bila Cn+1 Positif (untuk soal maksimisasi ) atau Cn+1 Negeatif (untuk soal minimisasi )

solusi belum optimal update s/d optimal Contoh : Andaikan pada contoh didepan ditambahkan variabel X4 dalam fungsi objektif, dengan koefisien batasan pertama 5 dan batasan kedua 7. KASUS 5 : Menambah persamaan kendala baru untuk mengetahui pengaruhnya ter-hadap solusi optimal.

Apakah solusi optimal memenuhi pertidaksamaan kendala baru ?. Jika ya, solusi optimal tidak ber-ubah Jika tidak, solusi optimal berubah, dan update sampai optimal..

Prosedur : Variabel basis bertambah Variabel slack mungkin bertambah dan ada kemungkinan jadi basis. Tentukan / Tambahkan CB. Hitung semua Cj (baru ). Belum optimal , update dgn dual simpleks .

Contoh : Andaikan pada contoh didepan ditambah batasan baru 5 X1 + 5 X2 + 3X3  0 pada persoalan PL dan selesaikan!

Terima kasih, Semoga berhasil