Analisis Sensitivitas

Analisis Sensitivitas (Ingg. Sensitivity analysis) — adalah metode penelitian terhadap model matematis atau model simulasi yang memungkinkan penilaian tentang bagaimana perubahan pada data masukan, parameter, atau asumsi model memengaruhi hasil keluarannya (misalnya, solusi optimal, nilai fungsi tujuan, atau indikator kunci lainnya).

Analisis Sensitivitas merupakan alat penting dalam riset operasi, optimisasi, teori pengambilan keputusan, manajemen risiko, analisis ekonomi, dan analisis sistem.

Esensi dan Tujuan

Tujuan utama analisis sensitivitas adalah memahami seberapa andal (robust) hasil pemodelan atau optimisasi terhadap ketidakpastian atau variasi data awal. Analisis ini membantu menjawab pertanyaan-pertanyaan seperti:

• "Apa yang akan terjadi pada solusi optimal jika biaya sumber daya berubah sebesar 10%?"
• "Seberapa besar perubahan keuntungan akibat fluktuasi permintaan pasar?"
• "Parameter model mana yang memberikan pengaruh terbesar pada hasil akhir?"
• "Seberapa andal prediksi yang dihasilkan oleh model?"

Tugas-tugas utama analisis sensitivitas:

• Penilaian robustness: Menentukan apakah optimalitas atau kelayakan solusi tetap terjaga ketika parameter berubah.
• Identifikasi parameter kritis: Mengidentifikasi data masukan atau parameter model yang perubahan kecilnya menyebabkan perubahan signifikan pada hasil keluaran.
• Peningkatan kepercayaan terhadap model: Menunjukkan bahwa model berperilaku secara dapat diprediksi dan logis sebagai respons terhadap perubahan data masukan.
• Dukungan pengambilan keputusan: Memberikan informasi kepada pengambil keputusan mengenai rentang hasil yang mungkin dan risiko yang terkait dengan ketidakpastian data awal.
• Penentuan arah penelitian lebih lanjut: Menunjukkan pengumpulan data mana atau penyempurnaan parameter model mana yang paling penting.

Metode Analisis Sensitivitas

Terdapat berbagai metode pelaksanaan analisis sensitivitas, dari yang sederhana hingga yang kompleks:

• Analisis Lokal (One-at-a-Time, OAT/OFAT): Satu parameter masukan diubah pada satu waktu, sementara parameter lainnya tetap. Ini adalah metode paling sederhana, namun tidak memungkinkan penilaian efek interaksi antar parameter.
• Analisis berbasis turunan (sensitivitas lokal): Mengevaluasi pengaruh perubahan kecil parameter melalui turunan parsial variabel keluaran terhadap parameter masukan.
• Analisis skenario: Beberapa skenario diskret dipertimbangkan (misalnya, optimistis, pesimistis, paling mungkin), yang sesuai dengan berbagai kumpulan nilai parameter masukan.
• Analisis sensitivitas global: Menyelidiki pengaruh perubahan simultan seluruh (atau banyak) parameter dalam rentang ketidakpastiannya. Metode statistik sering digunakan:
• Metode Monte Carlo: Menghasilkan sejumlah besar kumpulan parameter masukan acak untuk mengevaluasi distribusi hasil keluaran.
• Analisis regresi: Membangun model regresi yang menghubungkan hasil keluaran dengan parameter masukan.
• Analisis varians (ANOVA) dan metode berbasis varians: Memungkinkan kuantifikasi kontribusi setiap parameter (dan interaksinya) terhadap total varians (ketidakpastian) hasil keluaran.

Peran dalam Riset Operasi dan Optimisasi

Dalam riset operasi, analisis sensitivitas merupakan tahap standar setelah ditemukannya solusi optimal. Analisis ini memungkinkan penentuan:

• Batas stabilitas solusi optimal: Dalam rentang berapa parameter fungsi tujuan atau kendala dapat berubah agar solusi optimal yang ditemukan tetap optimal.
• Harga bayangan (penilaian dual): Seberapa besar nilai fungsi tujuan berubah dengan adanya perubahan kecil (pelonggaran) kendala (misalnya, dengan penambahan satu unit sumber daya yang langka). Harga bayangan menunjukkan nilai sumber daya.
• Interval perubahan parameter yang diizinkan: Rentang perubahan koefisien fungsi tujuan atau ruas kanan kendala, di mana struktur solusi optimal saat ini (kumpulan variabel basis dalam pemrograman linear) tetap terjaga.

Hasil-hasil ini membantu pengambil keputusan memahami seberapa kritis data awal dan sumber daya mana yang paling berharga ("titik kemacetan").

Peran dalam Pemodelan dan Pengambilan Keputusan

Dalam konteks pemodelan dan pengambilan keputusan yang lebih luas, analisis sensitivitas membantu:

• Menilai risiko: Mengidentifikasi faktor-faktor yang memberikan ketidakpastian terbesar pada hasil.
• Memvalidasi model: Memeriksa kecukupan perilaku model ketika kondisi berubah.
• Membandingkan alternatif: Menilai alternatif mana yang lebih andal terhadap perubahan kondisi eksternal.
• Meningkatkan pemahaman sistem: Mengidentifikasi kekuatan pendorong utama dan hubungan dalam sistem yang dimodelkan.

Interpretasi Hasil

• Sensitivitas tinggi terhadap suatu parameter berarti bahwa bahkan kesalahan kecil dalam estimasinya atau variabilitasnya dapat sangat memengaruhi hasil. Parameter semacam itu memerlukan perhatian khusus.
• Sensitivitas rendah menunjukkan bahwa hasil model atau solusi hanya sedikit bergantung pada perubahan parameter tertentu dalam rentang yang dipertimbangkan, yaitu solusi bersifat robust terhadap parameter tersebut.

Keunggulan

• Meningkatkan keandalan dan validitas model serta solusi.
• Membantu mengidentifikasi risiko dan ketidakpastian.
• Meningkatkan pemahaman tentang sistem dan model.
• Mengarahkan upaya pengumpulan data dan penyempurnaan model.

Keterbatasan

• Dapat memerlukan komputasi yang intensif, terutama dengan jumlah parameter yang besar (analisis global).
• Metode sederhana (OAT) mungkin tidak mengungkap efek interaksi parameter.
• Hasil bergantung pada rentang perubahan parameter yang dipilih dan asumsi model.

Literatur

• Saltelli, A., et al. Global Sensitivity Analysis: The Primer. — Wiley, 2008.
• Hillier, Frederick S.; Lieberman, Gerald J. Introduction to Operations Research. — McGraw-Hill Education. (11th ed., 2021) (Memuat bagian mengenai analisis sensitivitas dalam pemrograman linear)
• Taha, Hamdy A. Operations Research: An Introduction. — Pearson. (10th ed., 2017) (Memuat bagian mengenai analisis sensitivitas dalam pemrograman linear)

Lihat Juga

• Riset Operasi
• Optimisasi
• Pemodelan Matematis
• Pemodelan Simulasi
• Teori Pengambilan Keputusan
• Manajemen Risiko
• Ketidakpastian
• Pemrograman Linear