🔗 Alur: Uncertainty ← Halaman ini → (Akhir Alur)
Halaman Optimization Results menyajikan hasil optimisasi yang dilaksanakan dengan menerapkan bounded scalar optimization (scipy.optimize.minimize_scalar) untuk menemukan nilai parameter yang memenuhi target indikator keekonomian yang dipilih. Optimisasi merupakan tahap akhir dari alur analisis, setelah konfigurasi dasar, analisis sensitivitas, dan analisis ketidakpastian diselesaikan, yang bertujuan menghasilkan satu atau lebih konfigurasi optimal berdasarkan kriteria yang ditentukan, sehingga rekomendasi kuantitatif untuk pengambilan keputusan dapat diperoleh.
Optimisasi dilakukan secara sekuensial menggunakan bounded scalar optimization (scipy.optimize.minimize_scalar(method="bounded")). Untuk setiap parameter, algoritma pertama-tama menguji nilai batas (maksimum atau minimum tergantung jenis parameter). Jika target indikator keekonomian tercapai, optimisasi skalar dilanjutkan untuk menemukan nilai yang meminimalkan deviasi dari target. Proses berhenti setelah parameter pertama yang berhasil dioptimalkan.
Pengguna menentukan parameter-parameter yang akan dioptimasi serta batas pencarian (search bounds) untuk setiap parameter. Parameter yang umum dioptimasi adalah sebagai berikut:
Objective function yang tersedia untuk proses optimisasi adalah sebagai berikut:
| Fungsi Objektif | Deskripsi |
|---|---|
NPV |
Memaksimalkan Net Present Value |
IRR |
Memaksimalkan Internal Rate of Return |
PI |
Memaksimalkan Profitability Index |
POT |
Meminimalkan Payback Time |
Contractor Cashflow |
Memaksimalkan net cashflow kontraktor |
Government Share |
Memaksimalkan bagian pemerintah |
Hasil optimisasi disajikan dalam bentuk tabel dan grafik sebagai berikut:
Tabel Konfigurasi Optimal, menampilkan nilai setiap parameter pada titik optimal beserta nilai objective function yang berhasil dicapai. Apabila beberapa solusi ditemukan, misalnya melalui pendekatan multi-objective optimization, seluruh solusi ditampilkan dalam tabel, sehingga pengguna dapat membandingkan trade-off antar solusi yang diperoleh.
Grafik Konvergensi, menampilkan nilai objective function sebagai fungsi dari iterasi optimisasi. Grafik ini menunjukkan tingkat kecepatan algoritma dalam konvergen menuju solusi optimal, kurva yang mendatar mengindikasikan bahwa konvergensi telah tercapai.
🔗 Alur: Uncertainty ← Halaman ini → (Akhir Alur)