Apa itu riset operasi dalam manajemen proyek?

Asumsikan area manajemen proyek yang sibuk dengan bagan, jadwal, dan tim yang fokus pada tenggat waktu yang semakin dekat. Di tengah kekacauan yang teratur ini, saya mendapati diri saya memikirkan tentang teknik membuat pilihan dan mengoptimalkan, mencari keseimbangan ideal antara produktivitas dan kemanjuran. Ini adalah perjalanan pertama saya ke dalam Riset Operasi (OR) dalam Manajemen Proyek—sebuah sektor di mana strategi bertemu dengan analisis, dan pemecahan masalah yang kompleks menjadi sebuah terobosan.  

Pencarian cara untuk mengoptimalkan prosedur, mengalokasikan sumber daya secara cerdas, dan mengelola kesulitan dalam manajemen proyek seringkali tampak seperti tantangan yang berisiko tinggi. Di sinilah Riset Operasi berperan, dengan alat pilihannya yang terdiri dari struktur matematika, algoritma, dan metode statistik. Ini bukan semata-mata tentang membuat pilihan; ini tentang mengambil keputusan terbaik dan memanfaatkan wawasan berbasis data untuk mengungkap hambatan yang menghambat pertumbuhan dan kesuksesan.

Izinkan saya memandu Anda melalui artikel berikut, di mana Anda akan belajar tentang hubungan bermanfaat antara Riset Operasi dan Manajemen Proyek. Juga, pelajari bagaimana teknik pendekatan Riset Operasi dapat membantu dalam pemilihan, alokasi sumber daya, evaluasi risiko, dan hasil proyek

Apa itu riset operasi dalam manajemen proyek?

Riset operasi adalah bidang matematika dan ilmu statistik yang telah mendapatkan popularitas dan kepentingan luar biasa di setiap bidang bisnis, termasuk disiplin manajemen proyek. Riset operasi melibatkan penggunaan teknik matematika dan statistik untuk memecahkan masalah bisnis. Analis atau konsultan riset operasi meninjau operasi bisnis, masalah, dan celah serta melakukan analisis terhadap pola dan tren untuk merumuskan model guna membantu menekan tombol dan memberikan wawasan untuk memecahkan masalah.

Riset manajemen operasi yang mencakup manajemen proyek dalam riset operasi, bertujuan untuk mendorong tim menggunakan alat dan teknik analitis tingkat lanjut untuk mensintesis keputusan yang terinformasi dan menghasilkan keputusan berdasarkan data kuantitatif, juga membantu memitigasi beberapa risiko dan tantangan proyek. 

Teknik riset operasi umumnya diterapkan untuk meredakan tantangan terkait perencanaan proyek, penjadwalan, rincian kerja, manajemen operasi, logistik, dan manajemen rantai pasokan, serta beberapa fungsi tambahan lainnya yang didukung dan bergantung pada strategi riset operasi. 

Mengapa riset operasi penting?

Bisnis saat ini jauh berbeda dari toko-toko yang dulunya terbatas karena setiap bisnis dalam sistem saat ini beroperasi di banyak ruang digital berbeda yang menghadirkan banyak peluang dan kemungkinan namun bukannya tanpa tantangan besar yang dapat menyebabkan banyak keributan jika tidak. dirasakan dengan benar. Ruang lingkup riset operasi adalah untuk menghindari kekacauan ini dan memberikan solusi hebat terhadap cara kerja.

Riset operasi penting bagi para pemimpin dan profesional manajemen untuk menghilangkan bias subjektif dan memungkinkan proses pengambilan keputusan menjadi lebih efisien dan efektif. Hal ini membantu meningkatkan prediktabilitas dan wawasan mengenai probabilitas dan ketidakpastian dalam mendorong keputusan bisnis yang penting.

Manfaat riset operasi dalam manajemen proyek

Dengan pemahaman awal tentang apa itu riset operasi, mari kita lihat beberapa manfaat penting yang ditawarkan fungsi penting ini dalam bidang manajemen proyek:

• Keputusan yang dapat dihitung - Riset operasional mendorong keterlibatan bisnis berdasarkan model yang menafsirkan data empiris dan melakukan perhitungan sesuai analisis pemodelan dan teori untuk menghasilkan solusi terbaik.
• Bukti empiris - Riset operasi melibatkan studi dan pemahaman proses bisnis yang ada, model tata kelola, tantangan, dan peluang untuk membuat keputusan yang paling sesuai untuk memenuhi kebutuhan yang ada.
• Perencanaan dan penjadwalan penuh - khusus untuk manajemen proyek, riset operasi membantu mensimulasikan pemahaman situasi proyek secara real-time untuk merancang perencanaan proyek dan penjadwalan kegiatan yang sangat mudah. Hal ini membantu meminimalkan varians, menghemat biaya, dan menjaga kemajuan proyek sesuai jalur dan jadwal.
• Meningkatkan produktivitas - Manajer proyek dapat membantu memfasilitasi keterlibatan tim yang lebih baik dengan memahami model yang membantu rincian kerja dan pemanfaatan sumber daya secara efektif, sehingga meminimalkan kekurangan alokasi serta kehabisan sumber daya proyek.
• Mendorong inovasi - Dengan analisis prediktif dan metrik kuantitatif yang dapat dilihat oleh manajer proyek dan pemangku kepentingan, terdapat fokus pada inovasi cara kerja sehari-hari serta mencari peluang untuk beradaptasi dengan hasil yang lebih menjanjikan.

Selain hal di atas, riset operasi juga memberikan beberapa manfaat bagi manajer proyek untuk memantau proyek, meringankan masalah, dan mendorong hasil yang menarik baik bagi bisnis maupun pemangku kepentingan sehingga menghasilkan proyek yang dikelola dengan baik dengan pembaruan dan transparansi yang tepat waktu, sehingga membantu proyek yang efektif. manajemen dan pengambilan keputusan berdasarkan data.

Apa saja komponen riset operasi?

Menurut Alex Vasegaard, riset operasi menggabungkan teknik analisis statistik, pemodelan matematika, optimasi, dan pembelajaran mesin sambil menonjolkan antarmuka manusia-teknologi. Komponen utama bidang ini meliputi:

Pemodelan matematika dan analisis statistik

Analisis post-mortem atas contoh dan solusi riset operasi menetapkan bahwa hal itu melibatkan penerapan metode statistik untuk menganalisis dan memperoleh algoritma matematika dari pemecahan masalah. Hal ini melibatkan penerapan data untuk menggali lebih dalam, menarik kesimpulan, dan menghasilkan algoritme yang memberikan wawasan dan solusi dalam skenario bisnis. 

Pendekatan optimasi

Pendekatan optimasi berguna ketika ada trade-off antara opsi-opsi potensial atau pilihan-pilihan yang perlu diambil oleh suatu bisnis. Teknik optimasi juga mencakup pemberian solusi terhadap masalah bisnis, dengan mempertimbangkan kendala proyek yang ada. Kendala bisa berupa segala sesuatu yang menghambat pengambilan keputusan atau menimbulkan keterbatasan ketika mencoba membuat pilihan terbaik.

Teknik simulasi

Simulasi adalah langkah kedua dari belakang dalam proses riset operasi di mana algoritma, model, atau pendekatan yang disarankan dicoba dan diuji sebelum diimplementasikan. Simulasi melibatkan evaluasi hasil metode riset operasi, penyesuaian faktor atau kendala untuk menyesuaikan solusi dengan kebutuhan bisnis, melakukan analisis implementasi, dan akhirnya menyarankan solusi dengan bobot tertinggi dari faktor-faktor tersebut.

Riset operasi melibatkan tiga fase luas, yaitu fase penilaian dimana masalah dipahami; fase penelitian di mana model ditentukan dan dievaluasi dan terakhir, fase tindakan, yang melibatkan saran solusi untuk memecahkan masalah. Komponen riset operasi dapat diterapkan secara berurutan atau digunakan bersama-sama sesuai masalah/skenario yang mungkin memerlukan analisis dan solusi yang tepat. Riset operasi juga melibatkan empat M penting – juga dikenal sebagai 4M yaitu, Tenaga Kerja, Metode, Bahan dan Mesin. 

Pentingnya riset operasi dalam manajemen proyek

Riset Operasi memainkan peran penting dalam manajemen proyek, yang berdampak pada berbagai aspek penting yang diperlukan untuk pelaksanaan proyek yang efektif. Pentingnya riset operasi dalam banyak aspek diberikan di bawah ini:

Alokasi sumber daya yang efisien  

Model riset operasi membuat alokasi sumber daya yang optimal dapat dicapai. Mereka memastikan bahwa sumber daya digunakan secara efektif dan sesuai dengan persyaratan dan batasan proyek, menghilangkan pemborosan dan meningkatkan produktivitas.

Penjadwalan proyek  

Algoritma riset operasional membantu dalam pembuatan jadwal proyek yang tepat. Teknik seperti Metode Jalur Kritis (CPM) dan Teknik Evaluasi dan Tinjauan Program (PERT) mengidentifikasi aktivitas yang paling signifikan dan hubungan di antara keduanya. Hal ini menghindari penundaan dan memungkinkan manajemen untuk fokus pada aktivitas yang memiliki dampak terbesar pada jangka waktu proyek.

Manajemen risiko  

Alat OR memberikan penilaian risiko menyeluruh dan teknik mitigasi risiko. Kemungkinan bahaya dikenali dan dikendalikan secara efektif melalui evaluasi dan pengujian skenario, sehingga mengurangi dampak ketidakpastian terhadap hasil proyek.

Pengambilan keputusan  

OR memberikan kerangka sistematis untuk membuat pilihan yang menggunakan evaluasi kuantitatif. Hal ini memungkinkan evaluasi beberapa kemungkinan, mempertimbangkan berbagai standar, dan memilih tindakan yang paling tepat, sehingga meningkatkan kualitas keputusan.

Optimalisasi biaya

Penggunaan model riset operasi membantu dalam mengidentifikasi pendekatan ekonomi. Hal ini membantu mencapai keseimbangan kinerja biaya yang optimal, baik itu mengoptimalkan prosedur pembelian atau mengurangi biaya operasional. Manajer proyek dapat membuat pilihan hemat biaya dan mengelola sumber daya untuk memaksimalkan laba atas investasi ekonomi proyek dengan menggunakan pendekatan seperti analisis biaya-manfaat dan pemrograman linier.

Pengukuran kinerja

OR mempermudah pengukuran dan evaluasi keberhasilan proyek berdasarkan metrik yang telah ditetapkan. Metrik dan Indikator Kinerja Utama (KPI) dapat diatur dan dilacak untuk menjaga tugas tetap pada jalurnya. Evaluasi komprehensif ini mengungkapkan keuntungan dan area yang perlu ditingkatkan dalam pelaksanaan proyek, sehingga memungkinkan perbaikan berkelanjutan.

Penerapan riset operasi dalam manajemen proyek

Kegunaan Riset Operasi dalam Manajemen Proyek mencakup berbagai topik yang membantu menyederhanakan proses dan meningkatkan proses pengambilan keputusan.

Analisis resiko  

Metode OR sangat penting dalam penilaian risiko dalam manajemen proyek. Model ini mengkaji kemungkinan bahaya, peluang terjadinya, dan kemungkinan konsekuensi dengan menggunakan pendekatan seperti skenario Monte Carlo atau keputusan berbasis pohon. Studi ini membantu manajer proyek membangun metode mitigasi risiko yang kuat, memprediksi hambatan, dan menangani ketidakpastian yang dapat memengaruhi jadwal dan kinerja proyek.

Alokasi sumber daya

Penerapan penting lainnya dari riset operasi dalam manajemen proyek adalah alokasi sumber daya yang efektif. Metode OR membantu penggunaan sumber daya secara efektif seperti tenaga kerja, dana, dan persediaan. Penggunaan pemrograman linier atau model jaringan yang dioptimalkan membantu dalam menentukan pendekatan perencanaan sumber daya yang paling efisien, dengan ketentuan bahwa sumber daya digunakan dengan sebaik-baiknya di berbagai aktivitas proyek, meningkatkan produktivitas dan mengurangi pemborosan.

Penjadwalan proyek

Pendekatan OR memberikan kontribusi yang signifikan terhadap penjadwalan proyek dengan memanfaatkan metodologi seperti analisis jalur kritis dan PERT. Model-model ini membantu pengembangan kerangka waktu proyek yang akurat namun efektif dengan mempertimbangkan ketergantungan proyek, keterbatasan sumber daya, dan ketidakpastian. Hasilnya, manajer proyek dapat mengembangkan tenggat waktu yang layak, mengelola operasi proyek secara efisien, dan menjamin penyelesaian tepat waktu.

Sistem pendukung keputusan

Model riset operasi memudahkan pembuatan sistem pendukung keputusan dalam manajemen proyek. Platform ini menggabungkan beberapa sumber data dan menggunakan pendekatan optimasi atau simulasi untuk membantu manajer membuat pilihan yang masuk akal. Sistem pendukung keputusan yang didorong oleh OR memberikan wawasan yang signifikan untuk meningkatkan pengambilan keputusan, baik itu alokasi sumber daya, penilaian risiko, atau pengurangan biaya.

Contoh riset operasi dalam manajemen proyek

Menurut sebuah studi yang dilakukan pada proyek riset operasi, bidang studi ini menggabungkan pertimbangan berbagai topik dari suatu masalah tertentu secara individual, menganalisis dan memodelkannya untuk menyelesaikan masalah yang sama menggunakan serangkaian langkah yang ditentukan. Beberapa contoh riset operasi dapat dilihat digunakan oleh para profesional proyek, yaitu:

• Memanfaatkan algoritma untuk menentukan jumlah staf yang ideal untuk mendukung proyek
• Memperluas algoritme penempatan staf untuk mengoptimalkan perekrutan dan menghindari kumpulan sumber daya yang besar
• Mengelola RoQ - Menyusun ulang kuantitas secara optimal untuk mengelola proses pengadaan secara efisien
• Mengelola jadwal produksi untuk barang-barang dengan umur simpan lebih pendek untuk menghindari pemborosan sumber daya
• Mengoptimalkan fasilitas pemanfaatan pabrik dalam proses manufaktur untuk pemanfaatan sumber daya secara efisien
• Merencanakan dan menjadwalkan aktivitas menggunakan algoritma yang ditentukan untuk mengurutkan tugas secara optimal
• Metode pengurutan digunakan dalam berbagai model proses - Kanban, Manajemen layanan, dan antrian
• Metode pemilihan proyek dan penggunaan Jalur Kritis, Evaluasi Program, dan Teknik Tinjauan (PERT) yang didasarkan pada model riset operasi

Meskipun daftar di atas belum lengkap, tidak ada batasan riset operasi dalam manajemen proyek untuk membantu bisnis mendorong solusi yang efektif, terlibat dalam pengambilan keputusan, menghilangkan bias kognitif, dan mempertimbangkan model kuantitatif.

Kesimpulan

Riset operasi menawarka kemungkinan tak terbatas bagi bisnis, terutama di era kecerdasan buatan, pembelajaran mesin, dan pemrosesan bahasa alami. Aliran bisnis itulah yang menghilangkan perselisihan untuk menyelesaikan masalah dengan menggunakan data subjektif, yang disaring melalui model matematika dan statistik dan memberikan solusi optimal. Tidak ada bisnis di era sekarang yang dapat meremehkan pentingnya dan manfaat riset operasi karena penelitian ini bertujuan tidak hanya untuk menghemat biaya namun juga untuk meningkatkan perolehan pendapatan, meningkatkan visibilitas dan transparansi di seluruh organisasi.

Konsultan riset operasi dipekerjakan sebagai bagian dari tim intelijen bisnis atau analisis data di berbagai tingkatan yang mendukung fungsi bisnis internal, sehingga berkontribusi terhadap peningkatan indikator kinerja utama dan perluasan operasi bisnis. Meskipun mungkin ada beberapa keterbatasan dalam riset operasi, ini adalah disiplin ilmu yang diterapkan secara luas dan ditanamkan dalam setiap bisnis di industri, geografi, atau domain apa pun.

Pertanyaan yang sering diajukan (FAQ)

• Apa tujuan utama riset operasi?

Tujuan utama riset operasi adalah untuk menambah intelijen bisnis, pengambilan keputusan, dan pemecahan masalah dengan data kuantitatif yang kuat dan menghilangkan subjektivitas sambil memasukkan analisis pola dan tren untuk mendapatkan hasil, solusi, dan keputusan.

• Apa tiga fase riset operasi?
  • Ketiga fase riset operasi dapat dijelaskan sebagai berikut:
  • Fase penilaian- Pemahaman masalah
  • Fase penelitian- Pengumpulan data dan pembuatan model
  • Fase tindakan- Implementasi model yang optimal.
• Apa saja 4M manajemen operasi?

Manajemen operasi 4 M meliputi Tenaga Kerja, Metode, Bahan, dan Mesin.

Disadur dari: knowledgehut.com

Riset operasi dan ilmu data adalah dua bidang yang memanfaatkan metode analitis dan pemodelan statistik untuk memecahkan masalah bisnis yang kompleks dan mendorong pengambilan keputusan berdasarkan data. Di permukaan, keduanya mungkin terlihat sangat mirip – namun ada beberapa perbedaan utama antara disiplin ilmu ini yang penting untuk dipahami.

Jika Anda kekurangan waktu, inilah jawaban cepatnya: Riset operasi berfokus pada optimalisasi operasi bisnis dan sumber daya melalui analisis kuantitatif dan pemodelan matematis . Ilmu data memanfaatkan metode statistik dan pembelajaran mesin untuk mengekstrak wawasan dan memprediksi hasil dari kumpulan data yang besar dan kompleks.

Mendefinisikan riset operasi

Riset Operasi (OR) adalah bidang studi yang menggabungkan pemodelan matematika, analisis statistik, dan teknik optimasi untuk memecahkan masalah kompleks di berbagai industri. Hal ini melibatkan penerapan metode kuantitatif dalam proses pengambilan keputusan, dengan tujuan meningkatkan efisiensi dan efektivitas operasional.

Pemodelan dan optimasi matematika

Salah satu aspek kunci dari Riset Operasi adalah penggunaan model matematika untuk mewakili sistem dunia nyata. Model-model ini membantu dalam memahami proses yang mendasarinya dan mengidentifikasi cara paling efisien untuk mengalokasikan sumber daya, menjadwalkan tugas, dan membuat keputusan.

Teknik optimasi kemudian diterapkan pada model ini untuk menemukan solusi terbaik, dengan mempertimbangkan berbagai kendala dan tujuan.

Fokus pada efisiensi operasional

Riset Operasi terutama berfokus pada peningkatan efisiensi operasional, yang melibatkan memaksimalkan output sambil meminimalkan biaya, waktu, dan sumber daya lainnya. Dengan menganalisis data dan membuat keputusan yang tepat, para profesional OR berupaya mengoptimalkan proses, meningkatkan produktivitas, dan mengurangi pemborosan.

Hal ini dapat menghasilkan penghematan biaya yang signifikan dan peningkatan profitabilitas bagi bisnis.

Analisis preskriptif

Analisis preskriptif adalah cabang Riset Operasi yang lebih dari sekadar analisis deskriptif dan prediktif. Meskipun analisis deskriptif berfokus pada analisis data historis, dan analisis prediktif bertujuan untuk memperkirakan hasil di masa depan, analisis preskriptif memberikan rekomendasi mengenai tindakan terbaik untuk mencapai tujuan tertentu.

Hal ini mempertimbangkan berbagai skenario, kendala, dan tujuan untuk memberikan wawasan yang dapat ditindaklanjuti kepada pengambil keputusan.

Riset Operasi adalah bidang multidisiplin yang diambil dari matematika, statistik, ilmu komputer, ekonomi, dan disiplin ilmu lainnya. Ini memiliki aplikasi di berbagai industri, termasuk logistik, manajemen rantai pasokan, perawatan kesehatan, keuangan, dan transportasi.

Dengan menggunakan teknik analisis tingkat lanjut, peneliti operasi membantu organisasi membuat keputusan berdasarkan data dan meningkatkan kinerja secara keseluruhan.

Mendefinisikan ilmu data

Ilmu Data adalah bidang multidisiplin yang menggabungkan berbagai teknik dan metodologi untuk mengekstrak wawasan dan pengetahuan berharga dari sejumlah besar data. Ini melibatkan penggunaan analisis statistik, pembelajaran mesin, dan analisis prediktif untuk mengungkap pola, tren, dan hubungan dalam kumpulan data.

Ilmuwan Data menggunakan berbagai alat dan bahasa pemrograman seperti Python dan R untuk memanipulasi dan menganalisis data, dan mereka sering kali bekerja dengan kumpulan data besar yang memerlukan keterampilan komputasi tingkat lanjut.

Analisis statistik dan pembelajaran mesin

Analisis statistik memainkan peran penting dalam ilmu data karena membantu memahami pola dan hubungan yang mendasari data. Ilmuwan Data menggunakan teknik statistik untuk mengidentifikasi korelasi, menguji hipotesis, dan membuat prediksi berdasarkan data.

Mereka juga menggunakan algoritme pembelajaran mesin untuk mengembangkan model yang dapat secara otomatis belajar dari data dan membuat prediksi atau keputusan tanpa diprogram secara eksplisit.

Algoritme pembelajaran mesin dirancang untuk belajar dari data dan meningkatkan kinerjanya seiring waktu. Mereka dapat digunakan untuk memecahkan berbagai masalah, seperti pengenalan gambar, pemrosesan bahasa alami, dan sistem rekomendasi.

Dengan memanfaatkan kekuatan pembelajaran mesin, Data Scientist dapat mengekstrak wawasan dan prediksi berharga dari kumpulan data yang besar dan kompleks.

Fokus Pada Analisis Prediktif

Ilmu Data terutama berfokus pada analisis prediktif, yang melibatkan penggunaan data historis untuk membuat prediksi tentang peristiwa atau tren di masa depan. Dengan menganalisis pola dan tren masa lalu, Data Scientist dapat mengembangkan model yang dapat memprediksi hasil di masa depan dengan tingkat akurasi tertentu.

Prediksi ini dapat digunakan untuk membuat keputusan yang tepat dan mendorong strategi bisnis.

Salah satu keunggulan utama analisis prediktif adalah kemampuannya mengidentifikasi potensi peluang dan risiko. Misalnya, dalam industri keuangan, analisis prediktif dapat digunakan untuk mendeteksi penipuan, mengidentifikasi potensi peluang investasi, atau menilai kelayakan kredit.

Dalam layanan kesehatan, ini dapat digunakan untuk memprediksi pola wabah penyakit atau mengidentifikasi pasien yang berisiko mengalami kondisi medis tertentu.

Analisis deskriptif dan prediktif

Meskipun Ilmu Data terutama berfokus pada analisis prediktif, ia juga melibatkan analisis deskriptif. Analisis deskriptif melibatkan merangkum dan memvisualisasikan data untuk mendapatkan pemahaman yang lebih baik tentang keadaan saat ini. Ini bertujuan untuk menjawab pertanyaan seperti “Apa yang terjadi?”

dan “Mengapa itu terjadi?”. Dengan menganalisis data historis, Data Scientist dapat mengidentifikasi tren, pola, dan outlier yang dapat memberikan wawasan berharga untuk pengambilan keputusan.

Teknik analisis deskriptif mencakup visualisasi data, analisis data eksplorasi, dan statistik ringkasan. Teknik-teknik ini membantu Data Scientist untuk memahami karakteristik data, mengidentifikasi outlier dan anomali, serta memperoleh wawasan awal sebelum beralih ke teknik pemodelan prediktif yang lebih canggih.

Persamaan antara riset operasi dan ilmu data

• Memanfaatkan metode kuantitatif dan analitis

Baik Riset Operasi maupun Ilmu Data sangat bergantung pada metode kuantitatif dan analitis untuk memecahkan masalah yang kompleks. Riset Operasi, juga dikenal sebagai OR, menggunakan model matematika dan teknik optimasi untuk menemukan solusi paling efisien terhadap permasalahan di berbagai bidang seperti logistik, manajemen rantai pasokan, dan alokasi sumber daya.

Ilmu Data, di sisi lain, menggunakan analisis statistik, algoritme pembelajaran mesin, dan teknik visualisasi data untuk mengekstrak wawasan dan membuat prediksi dari kumpulan data besar.

• Andalkan data untuk mendorong keputusan

Kedua disiplin ilmu ini sangat bergantung pada data untuk mendorong proses pengambilan keputusan. Riset Operasi menggunakan data historis dan real-time untuk mengembangkan model matematika yang dapat membantu perusahaan membuat keputusan berdasarkan informasi tentang alokasi sumber daya, perencanaan produksi, dan manajemen inventaris.

Demikian pula, Ilmu Data mengandalkan penambangan dan analisis data untuk mengungkap pola, tren, dan korelasi yang dapat digunakan untuk membuat keputusan berdasarkan data. Baik itu mengoptimalkan rute transportasi atau memprediksi perilaku pelanggan, Riset Operasi dan Ilmu Data menggunakan data sebagai landasan pengambilan keputusan.

Dapat menginformasikan strategi bisnis

Riset Operasi dan Ilmu Data dapat memainkan peran penting dalam menentukan strategi bisnis. Dengan memanfaatkan metode kuantitatif dan analitis, disiplin ilmu ini dapat memberikan wawasan dan rekomendasi yang membantu perusahaan mengoptimalkan operasi mereka, mengurangi biaya, dan meningkatkan efisiensi.

Riset Operasi dapat membantu perusahaan mengidentifikasi hambatan dalam rantai pasokan mereka, mengoptimalkan jadwal produksi, dan meminimalkan biaya transportasi. Demikian pula, Ilmu Data dapat membantu perusahaan mengidentifikasi peluang pasar baru, memahami preferensi pelanggan, dan meningkatkan kampanye pemasaran.

Pada akhirnya, Riset Operasi dan Ilmu Data dapat berkontribusi pada pengembangan strategi bisnis berbasis data.

Menurut studi yang dilakukan oleh Institute for Operations Research and the Management Sciences (INFORMS), perusahaan yang secara efektif memanfaatkan teknik Riset Operasi dan Ilmu Data dapat mengalami peningkatan signifikan dalam efisiensi operasional dan profitabilitasnya.

Perbedaan utama

• Riset operasi menekankan optimasi, ilmu data menekankan prediksi

Salah satu perbedaan utama antara riset operasi dan ilmu data terletak pada fokus utamanya. Riset operasi terutama berkaitan dengan optimasi, yaitu menemukan solusi terbaik terhadap masalah tertentu.

Hal ini bertujuan untuk meminimalkan biaya, memaksimalkan efisiensi, dan meningkatkan proses pengambilan keputusan. Di sisi lain, ilmu data lebih fokus pada prediksi. Ini melibatkan analisis data dalam jumlah besar untuk mengidentifikasi pola, tren, dan wawasan yang dapat digunakan untuk membuat prediksi akurat tentang peristiwa atau hasil di masa depan.

• Riset operasi menggunakan model matematika, ilmu data menggunakan model statistik

Perbedaan signifikan lainnya antara riset operasi dan ilmu data adalah jenis model yang digunakan. Riset operasi sangat bergantung pada model matematika, yang melibatkan penggunaan persamaan matematika, algoritma, dan teknik optimasi untuk memecahkan masalah yang kompleks.

Model-model ini sering kali didasarkan pada asumsi deterministik dan memberikan solusi yang tepat. Sebaliknya, ilmu data terutama menggunakan model statistik. Model-model ini didasarkan pada teori probabilitas dan analisis statistik, dan memungkinkan adanya ketidakpastian dan variabilitas dalam data. Model statistik sangat berguna ketika menangani kumpulan data besar dan membuat prediksi.

• Riset operasi lebih bersifat preskriptif, ilmu data lebih deskriptif

Riset operasi sering digambarkan sebagai bidang preskriptif karena bertujuan untuk memberikan rekomendasi dan solusi yang dapat ditindaklanjuti terhadap permasalahan dunia nyata. Ini membantu pengambil keputusan mengoptimalkan proses mereka dan membuat pilihan yang tepat. Ilmu data, di sisi lain, lebih bersifat deskriptif.

Ini berfokus pada pemahaman dan analisis data untuk mengungkap wawasan dan pola. Meskipun dapat memberikan informasi berharga untuk pengambilan keputusan, ilmu data tidak serta merta memberikan rekomendasi atau solusi eksplisit.

Sebaliknya, hal ini bertujuan untuk memberikan pemahaman yang lebih mendalam tentang data dan implikasinya.

Kapan Menggunakan Setiap Pendekatan

• Gunakan riset operasi untuk mengoptimalkan proses bisnis

Riset operasi adalah pendekatan ampuh yang memanfaatkan pemodelan matematika dan teknik optimasi untuk meningkatkan pengambilan keputusan dan menyederhanakan proses bisnis. Hal ini sangat berguna ketika menghadapi masalah kompleks yang memerlukan pencarian solusi terbaik dalam batasan tertentu.

Misalnya, jika perusahaan ingin mengoptimalkan manajemen rantai pasokannya, riset operasi dapat membantu menentukan rute transportasi yang paling efisien, meminimalkan biaya inventaris, dan mengoptimalkan jadwal produksi.

Dengan menggunakan model dan algoritma matematika, riset operasi dapat memberikan wawasan dan rekomendasi berharga untuk mengoptimalkan operasi bisnis.

• Gunakan ilmu data untuk mengungkap wawasan dan memprediksi hasil

Ilmu data, di sisi lain, berfokus pada penggalian pengetahuan dan wawasan dari data dalam jumlah besar. Ini melibatkan pengumpulan, pembersihan, dan analisis data menggunakan berbagai teknik statistik dan pembelajaran mesin.

Ilmu data dapat digunakan untuk mengungkap pola, tren, dan korelasi dalam data, yang kemudian dapat digunakan untuk membuat keputusan dan prediksi yang tepat.

Misalnya, dalam industri kesehatan, ilmu data dapat digunakan untuk menganalisis data pasien dan mengidentifikasi faktor risiko penyakit tertentu. Dengan menganalisis kumpulan data yang besar, ilmuwan data dapat mengungkap pola tersembunyi dan mengembangkan model prediktif yang dapat membantu penyedia layanan kesehatan membuat diagnosis yang lebih akurat dan mengembangkan rencana perawatan yang dipersonalisasi.

• Mereka bisa saling melengkapi

Meskipun riset operasi dan ilmu data merupakan pendekatan yang berbeda, keduanya juga dapat saling melengkapi dalam banyak hal. Riset operasi dapat memberikan kerangka kerja yang kuat untuk mengoptimalkan proses bisnis, sementara ilmu data dapat memberikan wawasan dan prediksi yang diperlukan berdasarkan data dunia nyata.

Misalnya, riset operasi dapat membantu mengidentifikasi alokasi sumber daya yang optimal di pabrik manufaktur, sementara ilmu data dapat memberikan wawasan tentang pola permintaan dan membantu memprediksi perilaku pelanggan di masa depan.

Dengan menggabungkan kekuatan kedua pendekatan tersebut, bisnis dapat mengambil keputusan yang lebih tepat dan mencapai hasil yang lebih baik.

Kesimpulan

Meskipun riset operasi dan ilmu data memiliki beberapa kesamaan, keduanya merupakan disiplin ilmu yang berbeda dengan bidang fokus yang berbeda. Riset operasi memanfaatkan model matematika untuk mengoptimalkan operasi bisnis, sementara ilmu data lebih bergantung pada statistik dan pembelajaran mesin untuk mengekstrak wawasan dari data.

Memahami perbedaan inti antara kedua bidang ini dapat membantu bisnis menentukan kapan harus menerapkan metode riset operasi versus teknik ilmu data untuk mendapatkan hasil terbaik. Seringkali, menggabungkan perspektif dari kedua disiplin ilmu menghasilkan hasil yang paling kuat.

Disadur dari: jamiefosterscience.com

Pendahuluan

Komunitas ilmu komputer dan riset operasi telah berupaya memecahkan masalah dunia nyata yang kompleks dan berskala besar. Pada artikel sebelumnya (Musim Gugur 2020), saya menjelaskan algoritma dasar yang mengubah komputasi ilmiah dalam matematika, ilmu komputer, dan riset operasi. Saat memecahkan masalah berskala besar, penting untuk menemukan solusi yang layak dan meningkatkan solusi agar menyatu dengan solusi global yang optimal. Namun, menemukan solusi yang tepat sulit dilakukan karena sumber daya terbatas, dan sebagian besar masalah optimasi bersifat kompleks. Metaheuristik dapat mengatasi kesulitan ini dengan menawarkan solusi perkiraan .

Memahami kompleksitas komputasi sangat penting untuk mendapatkan manfaat metaheuristik. Dalam teori kompleksitas komputasi, kita hanya mengetahui beberapa algoritma yang dijamin akan menyatu ke optimalitas dalam waktu proses yang wajar (algoritma waktu polinomial). Namun, banyak permasalahan dunia nyata yang bersifat NP (non-deterministik). yaitu, dengan adanya solusi terhadap masalah tersebut, kita dapat memverifikasi solusi tersebut dalam jangka waktu yang wajar. Apakah P ≠ NP? Pencarian algoritma waktu polinomial untuk permasalahan NP-complete masih dalam proses. Masalah NP-complete adalah yang tersulit di NP. Jika ada masalah NP-complete yang dapat diselesaikan dalam waktu P, maka semua masalah dalam NP dapat diselesaikan dalam waktu p.

Artikel ini terinspirasi dari artikel sebelumnya tentang "Algoritma yang mengubah dunia" pada edisi Musim Gugur 2020. Melanjutkan ini, saya membagikan lima algoritma meta-heuristik teratas (Algoritma Genetika, Simulated Annealing, Tabu Search, Swarm Intelligence Algorithm, Variable Neighborhood Search) untuk menyelesaikan masalah optimasi kompleks yang sulit diselesaikan secara optimal menggunakan teknik optimasi tradisional.

Algoritma metaheuristik

Algoritma metaheuristik adalah prosedur pencarian yang dirancang untuk menemukan, solusi yang baik terhadap masalah optimasi yang kompleks dan sulit diselesaikan secara optimal. Sangat penting untuk menemukan solusi yang mendekati optimal berdasarkan informasi yang tidak sempurna atau tidak lengkap di dunia nyata dengan sumber daya yang terbatas (misalnya, daya dan waktu komputasi). Munculnya metaheuristik untuk memecahkan masalah optimasi tersebut adalah salah satu pencapaian paling menonjol dalam dua dekade terakhir dalam riset operasi.

Terdapat tantangan yang memerlukan perhatian untuk mengembangkan solusi yang lebih baik dibandingkan pendekatan tradisional yang ada. Algoritma metaheuristik yang berbeda dijelaskan oleh penulis yang cukup luas untuk berbagai aplikasi untuk menyelesaikan masalah optimasi non-linier non-cembung. Dalam optimasi kombinatorial, tidak mungkin untuk memecahkan masalah spesifik yang bersifat NP-hard (yaitu, dalam jangka waktu yang wajar). Dengan demikian, metaheuristik seringkali dapat menemukan solusi yang baik dengan upaya komputasi yang lebih sedikit dibandingkan algoritma optimasi, metode iteratif, dan heuristik serakah sederhana. Ada berbagai jenis masalah yang tidak praktis untuk diselesaikan menggunakan algoritma optimasi menuju optimalitas global. Misalnya, masalah optimasi menjadi kompleks ketika terdapat variabel acak stokastik dalam tujuan atau batasan. Oleh karena itu, tidak mudah untuk menyelesaikan program stokastik skala besar menggunakan pemrograman stokastik atau teknik optimasi yang kuat.

Metaheuristik dapat memainkan peran kunci dalam domain yang berbeda. Intinya, banyak masalah optimasi yang merupakan fungsi multi-tujuan dengan batasan non-linier. Misalnya, sebagian besar masalah optimasi teknik sangat non-linier sehingga memerlukan solusi terhadap masalah multi-tujuan. Di sisi lain, masalah kecerdasan buatan dan pembelajaran mesin sangat bergantung pada kumpulan data yang besar, dan sulit untuk merumuskan masalah pengoptimalan yang harus diselesaikan agar optimal. Oleh karena itu, metaheuristik memainkan peran penting dalam memecahkan masalah praktis yang sulit diselesaikan dengan metode optimasi konvensional.

Algoritme metaheuristik diklasifikasikan berdasarkan cara mereka beroperasi pada ruang pencarian [3] seperti pencarian yang terinspirasi dari alam vs. yang terinspirasi dari alam, pencarian berbasis populasi vs. titik tunggal, fungsi tujuan dinamis vs. statis, struktur satu vs. berbagai lingkungan. , penggunaan memori vs. metode tanpa memori. Tujuan artikel ini bukan untuk membandingkan teknik pencarian dan optimasi. Namun demikian, penting untuk mempertanyakan apakah metode pencarian konvensional memenuhi persyaratan ketahanan. Metaheuristik cocok untuk eksploitasi dan eksplorasi ruang solusi.

Sekarang, mari kita jelajahi beberapa algoritma metaheuristik. Selain perspektif algoritmiknya, skenario kehidupan nyata dari alokasi tanggap darurat kecelakaan laut dan penerapan metaheuristik akan dicontohkan.

Algoritma genetika

Algoritma Genetika (GA) merupakan suatu metaheuristik yang dimotivasi oleh proses evolusi seleksi alam dan genetika alam. Algoritma [9] menggabungkan kelangsungan hidup yang terkuat di antara struktur string dengan pertukaran informasi yang terstruktur namun acak untuk membentuk algoritma pencarian. Aspek kunci dari algoritma genetika adalah keseimbangan antara efisiensi dan kemanjuran yang diperlukan untuk bertahan hidup dalam berbagai lingkungan persaingan yang keras.

Algoritma genetika terbukti secara teoritis dan empiris memberikan pencarian yang kuat dalam ruang yang kompleks. Di GA, kumpulan rangkaian solusi awal dihasilkan dan disimpan dalam kumpulan populasi. Urutan ini mewakili representasi genetik dari domain solusi. Fungsi kebugaran yang menggambarkan nilai solusi dari fungsi tujuan ditentukan. Dengan menggunakan operator seleksi, solusi dua orang tua dari populasi menjalani operator genetik seperti persilangan dan mutasi dengan probabilitas yang terkait. Kromosom induk menghasilkan kromosom keturunan melalui operator crossover untuk mewakili solusi anak, yaitu anak1 dan anak2. Kromosom keturunan ini mengalami mutasi (pertukaran alel) operator. Fungsi kesesuaian (objektif) dievaluasi untuk solusi anak-anak, dan populasi diperbarui berdasarkan keunggulan (Elitisme) dari fungsi kesesuaian. Algoritma ini diulangi hingga generasi maksimum atau hingga kondisi berhenti. Umumnya, urutan solusi dikodekan dalam struktur biner atau bit string untuk mewakili solusi.

Perhatikan contoh pengalokasian wadah respons (misalnya r v ₁ , r v ₂ , r v ₃ , r v ₄ , dan r v ₅ ) pada beberapa lokasi kecelakaan, misalnya s ₁ , s ₂ , s ₃ , s ₄ dan hal ₅ . Representasi kromosom urutannya adalah [ s ₁  −  s ₃  −  s ₄  −  s ₂  −  s ₅ ] . " Anak " mewakili usulan "Adegan Kecelakaan" untuk menetapkan "Kapal Respons". Ada beberapa jenis operator crossover yang digunakan di GA. Operator crossover seperti crossover titik tunggal, crossover dua titik, crossover k-point, pengkodean berbasis prioritas, dan crossover seragam banyak digunakan. Contoh persilangan satu titik ditunjukkan di bawah ini yang dapat membelah kromosom induk pada titik tertentu.

Kapal Responr v ₁r v ₂r v ₃r v ₄r v ₅
Induk (Adegan Kecelakaan)hal ₁hal ₂hal ₃hal ₄hal ₅
Anakhal ₄hal ₅hal ₁hal ₂hal ₃(Persilangan)Anakhal ₄hal ₅hal ₃hal ₂hal ₁(Mutasi)

Dalam mutasi, salah satu urutan anak ditukar, misalnya s ₁ ditukar dengan s ₃ . Kondisi penghentian bergantung pada jenis masalah optimasi kombinatorial. Umumnya, generasi maksimum dan waktu berjalan maksimum dianggap sebagai kriteria penghentian. Namun, kondisi penghentian dapat didasarkan pada waktu penghentian dan generasi penghentian maksimum. Alur proses umum pengembangan Algoritma Genetika ditunjukkan pada Algoritma 1.
Beberapa penerapan GA adalah pemilihan fitur dan penyetelan hyperparameter dalam pembelajaran mesin, aplikasi teori permainan, masalah penjadwalan, optimasi struktur molekul, pemrograman non-linier, dan matematika keuangan. Model alokasi kapal respons menggunakan GA diusulkan pada [14] untuk mendukung rencana kontinjensi tumpahan minyak.

Algoritma 1: Algoritma genetika

^{_{Sumber:https://www.informs.org}}

Simulated annealing

Simulated annealing (SA) [12] terutama terinspirasi oleh anil: operasi pemanasan dan pendinginan terkontrol dalam metalurgi.
Alur proses umum dari algoritma SA ditunjukkan pada Algoritma 2. Solusi lingkungan dihasilkan menggunakan prosedur pencarian lokal menggunakan benih awal ( s ₀ ) dan suhu. Nilai kesesuaian fungsi tujuan dievaluasi untuk solusi benih dan lingkungan ini. Misalkan δ adalah selisih antara nilai fungsi kebugaran. Jika δ  < 0 , solusi tetangga diterima, jika tidak, solusi tetangga diterima dengan kepadatan probabilitas Boltzmann $e^{(\frac{-\delta}{T})}$ . Dengan demikian, eksploitasi (pencarian ekstensif dalam ruang pencarian yang telah diketahui sebelumnya) dan eksplorasi (menjelajahi peluang baru dalam ruang pencarian yang lebih luas) diterapkan pada ruang pencarian. Dalam proses pendinginan, algoritma dikonvergensi ke solusi perkiraan, keluar dari local optima untuk menemukan solusi yang mendekati optimal. Pendinginan lambat yang diimplementasikan dalam algoritma SA diinterpretasikan sebagai proses eksplorasi yang melibatkan sedikit penurunan kemungkinan menerima solusi yang lebih buruk ketika ruang solusi dieksplorasi. Singkatnya, algoritma SA berperilaku seperti heuristik pendakian bukit tetapi dengan kekuatan lebih besar untuk tidak terjebak dalam local optima [19].

Algoritma 2: Algoritma Simulasi Annealing

^{_{Sumber:https://www.informs.org}}

Meskipun SA biasanya mencapai solusi perkiraan minimum global, SA mungkin cukup untuk menyelesaikan banyak masalah praktis dan implementasi. Penerapan SA mencakup masalah penjual keliling, masalah pewarnaan grafik, perutean dan perluasan kendaraan, integrasi skala sangat besar dan desain komputer, serta masalah penjadwalan. Beberapa varian SA yang dikemukakan penulis adalah quantum annealing, dual-phase Evolution, stochastic tunneling, dan parallel tempering. Perutean kapal yang optimal dapat diusulkan dengan menggunakan SA [13] yang meminimalkan waktu pelayaran dan memaksimalkan keselamatan pelayaran.

Tabu search
Tabu search (TS), algoritma metaheuristik lainnya, didasarkan pada struktur memori dan menggunakan metode pencarian lokal untuk menemukan solusi potensial dengan memeriksa tetangganya untuk menemukan solusi yang lebih baik [8]. Umumnya, metode pencarian lokal terjebak di wilayah suboptimal. TS meningkatkan proses pencarian dengan membatasi (selanjutnya disebut Tabu) pengulangan solusi yang sama agar tidak kembali ke solusi yang dikunjungi sebelumnya. TS memiliki banyak kesamaan dengan SA, dan keduanya melibatkan pendakian bukit dan kemungkinan eksplorasi. Struktur memori mendefinisikan seperangkat aturan yang digunakan untuk memfilter solusi dari pencarian lingkungan. Lebih umum lagi, daftar Tabu terdiri dari solusi yang ditentukan oleh tenurial Tabu (jumlah iterasi) dimana solusi tersebut tetap berada dalam keranjang solusi. Struktur memori yang digunakan dalam TS dapat dibagi menjadi tiga kategori [7]:

• Memori jangka pendek: Jika solusi potensial muncul dalam daftar Tabu, solusi tersebut tidak dapat ditinjau kembali hingga mencapai masa berlaku Tabu

• Memori perantara: Aturan intensifikasi digunakan untuk meningkatkan ruang pencarian

• Memori jangka panjang: Aturan diversifikasi yang mendorong pencarian ke wilayah baru. Penyetelan ulang diterapkan jika solusi terhenti di wilayah dataran tinggi atau sub-optimal

Algoritma pencarian lokal sederhana ditunjukkan di bawah ini dalam Algoritma 3. TS menggunakan pencarian lokal atau prosedur pencarian lingkungan terdekat (serakah) untuk berpindah dari satu solusi potensial secara iteratif, s ₀ ke solusi yang lebih baik s dengan operasi sederhana σ di lingkungan s ₀ , hingga beberapa kriteria penghentian terpenuhi. Banyak heuristik pencarian lokal yang tersedia dalam praktiknya, termasuk penurunan paling curam, 2-opt, 3-opt, R-opt, tetangga terdekat, dan penurunan acak.

Algoritma 3: Algoritma Pencarian Lokal [19]

 

^{_{Sumber:https://www.informs.org}}

 

Algoritme ini dimulai dengan inisialisasi dan solusi acak. Dalam setiap iterasi, solusi baru ditemukan dengan melakukan pergerakan lokal terhadap solusi saat ini. Solusi tetangga adalah yang terbaik di antara semua (atau sebagian) solusi yang mungkin dalam lingkungan tersebut dengan menggunakan operator N ( σ ) . Dalam proses eksplorasi, solusi yang baru-baru ini dikunjungi tidak boleh dikunjungi, sehingga mempertahankan daftar tabu untuk membatasi pergerakan solusi dalam proses pencarian lokal. Oleh karena itu, kami memiliki lingkungan dinamis dibandingkan dengan lingkungan statis yang diperoleh dari algoritma pencarian lokal lainnya. Biasanya, ada tiga jenis daftar tabu yang dikelola menggunakan struktur memori: 1) Memori jangka panjang yang menyimpan riwayat melalui seluruh proses eksplorasi dan mengatur ulang proses pencarian yang terjebak dalam optima lokal, 2) memori perantara untuk meningkatkan ruang pencarian dan 3) memori jangka pendek untuk menyimpan solusi yang paling baru dikunjungi sebagai gerakan tabu.

Pencarian Tabu sangat efisien dan keluar dari solusi lokal untuk menemukan solusi yang mendekati optimal. Beberapa aplikasi penyelesaian masalah kombinatorial menggunakan Tabu search adalah Penjadwalan, penetapan jalur komunikasi, pewarnaan graf, partisi graf, penjadwalan job shop, pengenalan pola jaringan syaraf tiruan, dan masalah perutean [7]. Alokasi tempat berlabuh yang optimal, mirip dengan tempat parkir mobil , untuk kapal diusulkan pada [4] menggunakan algoritma Tabu Search.

Algoritma 4: Algoritma Pencarian Tabu

 

^{_{Sumber:https://www.informs.org}}

 

Algoritma kecerdasan kawanan

Algoritma Kecerdasan Kawanan terinspirasi oleh perilaku sosial kawanan burung, penggembalaan hewan, pertumbuhan bakteri, dan kawanan ikan. Sistem intelijen gerombolan, awalnya dikembangkan dalam sistem robot seluler [1], biasanya terdiri dari populasi agen sederhana yang berinteraksi secara lokal satu sama lain dan dengan lingkungannya. Para peneliti mengusulkan beberapa algoritma kecerdasan gerombolan yang terinspirasi dari alam untuk memecahkan masalah kombinatorial hingga mencapai solusi yang mendekati optimal. Algoritma seperti optimasi koloni semut [5], optimasi kawanan partikel (PSO) [11], optimasi koloni lebah, pencarian kukuk adalah beberapa algoritma terkenal di bawah kecerdasan gerombolan.

PSO [11] adalah algoritma evolusioner berbasis populasi di mana solusi terbaik dapat direpresentasikan sebagai vektor dalam ruang berdimensi n. Dalam setiap iterasi, kecepatan ( vi _j ) dan posisi ( xi ₎ partikel dikontrol agar menyatu ke solusi mendekati optimal yang memaksimalkan atau meminimalkan fungsi tujuan. Partikel bergerak melalui ruang solusi dan dievaluasi berdasarkan fungsi kebugaran. Pada setiap iterasi, partikel diupdate dengan dua nilai yaitu p _B e s t dan g _B e s t . p _B e s t ( y _i j ) adalah solusi terbaik yang dicapai sejauh ini, sedangkan g _B e s t ( ŷ _j ) adalah nilai terbaik kedua yang diperoleh partikel mana pun dalam populasi. Representasi skematis dari _{p Best dan g Best} ditunjukkan _pada Gambar _{1. Dengan demikian ,} eksplorasi terjadi _{dengan pencarian lingkungan dan mengurangi kerentanan PSO untuk masuk ke dalam local optima tetapi} memperlambat kecepatan konvergensi.

^{_{Sumber:https://www.informs.org}}

Gambar 1: Konstruksi komponen kecepatan segerombolan partikel

Posisi partikel diubah dengan menambahkan kecepatan, v _i ( t ) , ke posisi saat ini, seperti pada Persamaan di bawah, dengan x _i (0) ∼ U( x _m i n , x _m a x ).

x _saya ( t  + 1) =  x _saya ( t ₎ +  vi ( t  + 1)

Untuk g _B e s t PSO, kecepatan partikel i dihitung seperti pada Persamaan di bawah, dimana c ₁ dan c ₂ adalah konstanta percepatan. Algoritma PSO ditunjukkan di bawah ini pada Algoritma 5.

v _i j ( t  + 1) =  v _i j ( t ) +  c ₁ r _1 j ( t )[ y _i j ( t ) −  x _i j ( t )] +  c ₂ r _2 j ( t )[ ŷ _j ( t ) −  x _saya j ( t )]

Algoritma 5: Algoritma Particle Swarm Optimization

^{_{Sumber:https://www.informs.org}}

PSO dapat diterapkan pada berbagai masalah optimasi [20], termasuk sistem infrastruktur sipil, perkiraan kecelakaan lalu lintas, rekayasa struktural, modalitas multi-ambang batas untuk deteksi wilayah mencurigakan pada mammogram, konfigurasi ulang susunan fotovoltaik, sistem tenaga, dan perakitan sistem robot angkutan kereta api. Beberapa aplikasi menarik termasuk investigasi teknologi gerombolan NASA untuk pemetaan planet, film 'Batman Returns' yang menggunakan teknologi gerombolan untuk rendering, menggambarkan pergerakan penguin, dan trilogi film 'Lord of the Rings' yang memanfaatkan teknologi serupa selama adegan pertempuran .

Sebagai gambaran, dalam kasus sistem tanggap darurat tumpahan minyak di laut, alokasi dan pengerahan kapal tanggap (misalnya kapal penyelamat) dapat dioptimalkan dengan menggunakan PSO, seperti yang diusulkan dalam [21]. Dalam operasi pemulihan minyak, tujuan utamanya adalah mengumpulkan minyak sebanyak mungkin, dan ini merupakan operasi yang bergantung pada waktu. Rencana respons optimal (dengan mempertimbangkan alokasi sumber daya, perilaku pemulihan skimmer, ruang untuk membawa peralatan transportasi kapal, dan pemanfaatan sumber daya dari pusat respons) yang diusulkan dalam penelitian ini memulihkan sekitar 80,28% minyak yang tumpah dalam 48 jam respons pertama.

^{_{Sumber:https://www.informs.org}}

Gambar 2: Tanggap Darurat Kecelakaan Laut, menggunakan PSO [21]

 

Variable neighborhood search

Algoritma Variable Neighborhood Search (VNS) [16] mengeksplorasi lingkungan yang jauh dari solusi awal dan berpindah ke solusi baru yang lebih baik. Mirip dengan pencarian Tabu, metode pencarian lokal diterapkan berulang kali untuk mendapatkan solusi di lingkungan sekitar ke local optima dan keluar dari lembah yang menampung solusi tersebut. Karakteristik ini membantu VNS dalam menyelesaikan program linear, non-linear, integer, dan mixed-integer. VNS menggunakan pencarian lokal sederhana ditambah dengan algoritma heuristik perbaikan pertama dan perubahan lingkungan; ia memiliki proses eksploitasi dan eksplorasi yang mirip dengan metaheuristik lainnya.

Detail dari algoritma VNS ditunjukkan pada Algoritma 10. Mula-mula, heuristik perbaikan pertama dipanggil untuk mencari local optima, dengan mempertimbangkan wilayah solusi yang layak, seperti pada Algoritma 6. Kemudian, heuristik lingkungan dipanggil untuk keluar dari lokal. optima untuk menemukan solusi yang lebih baik di area kelayakan baru, seperti pada Algoritma 7. Algoritma ini diulangi hingga iterasi maksimum yang telah ditetapkan dan waktu pengoperasian CPU. Selain heuristik perbaikan pertama, pencarian lokal sederhana dapat digunakan untuk operasi pencarian lokal, seperti pada Algoritma 3.

Algoritma 6: Heuristik perbaikan pertama [10]

 

Algoritma 7: Heuristik perubahan lingkungan [10]

 

 

Algoritma 8: Algoritma Variable Neighborhood Search [10]

 

^{_{Sumber:https://www.informs.org}}

Varian dari VNS [6] menggunakan pencarian lingkungan deterministik, tidak seperti struktur lingkungan tunggal. 'Shaking' merupakan langkah tambahan yang dilakukan untuk mencari alternatif solusi terbaik dari ^{lingkungan k} secara acak. Demikian pula, VNS tereduksi, VNS miring, dekomposisi pencarian variabel, VNS paralel adalah teknik yang banyak digunakan untuk menyelesaikan masalah pemrograman matematika [10]. Secara keseluruhan, VNS sederhana dan dapat diterapkan secara luas. Lebih efisien untuk menghasilkan kualitas solusi yang baik dalam waktu CPU yang wajar. Penerapan VNS meliputi teori lokasi, desain jaringan, ukuran lot, masalah pengumpulan, keandalan, geometri, dan desain telekomunikasi.

Ringkasan ringkasnya

Metaheuristik digunakan untuk menemukan solusi yang cukup baik untuk masalah optimasi. Metaheuristik lebih sederhana untuk dirancang dan diimplementasikan [17]. Beberapa algoritma metaheuristik mapan yang dapat menyelesaikan masalah optimasi dalam jangka waktu yang wajar dijelaskan dalam artikel ini. Pengembangan algoritma yang efektif adalah proses perbaikan yang berkelanjutan. Beberapa prosedur pencarian, algoritma yang terinspirasi dari alam sedang dikembangkan untuk memecahkan berbagai masalah optimasi yang kompleks.

Mengingat kelebihannya, metaheuristik adalah strategi yang memandu proses pencarian. Ada teknik pencarian lokal sederhana hingga proses pembelajaran kompleks yang tersedia dalam bentuk algoritma berulang. Metaheuristik adalah metode solusi perkiraan dan biasanya bersifat non-deterministik [3]. Aspek penting dari metaheuristik bukanlah masalah yang spesifik, dan karenanya masalah optimasi apa pun dapat diselesaikan dengan mudah untuk dipahami. Namun demikian, meskipun popularitas dan kemanjuran praktisnya, metode metaheuristik memberikan kualitas solusi yang tidak memadai. Ini sangat bergantung pada implementasi yang tepat dan penyetelan hyperparameter, yang merupakan lanskap pengoptimalan lainnya [2].

Mempertimbangkan platform implementasi metaheuristik untuk memecahkan masalah dunia nyata, MATLAB [15] memiliki algoritma GA, SA, dan gerombolan partikel bawaan. Demikian pula, banyak paket dikembangkan menggunakan berbagai bahasa pemrograman seperti C  ++ , Java, dan Python (misalnya, [18]) untuk memecahkan masalah optimasi.

_{Disadur dari: informs.org}

Apakah Anda penasaran dengan ruang lingkup riset operasi pada tahun 2024? Jika ya, Anda berada di tempat yang tepat untuk mengeksplorasi pentingnya riset operasional pada tahun ini. Faktanya, profesional riset operasi memiliki peran krusial dalam meningkatkan proses pengambilan keputusan. Mereka mampu menyediakan akses ke seluruh kumpulan data yang relevan, mempertimbangkan berbagai opsi yang tersedia, dan melakukan prediksi serta estimasi risiko secara lebih akurat dibandingkan dengan perangkat lunak konvensional.

Ruang lingkup riset operasi 2024

Ruang lingkup riset operasi luas di sektor manajemen, administrasi, keuangan, pemerintahan, dan militer. Metode ini meningkatkan pengambilan keputusan organisasi.

Di sisi lain, Riset Operasi adalah pendekatan sistemik yang berakar pada ilmu komputer dan matematika. Oleh karena itu, ia hadir dengan cakupan yang sangat besar di semua sektor raksasa. Berikut lihat di bawah untuk pemahaman lebih dalam. 

• Manajemen pemasaran
• Penelitian dan pengembangan
• Telekomunikasi dan TI 
• Perencanaan keuangan, anggaran dan investasi 
• Manajemen produksi 
• Manajemen personalia 
• Operasi bisnis 
• Transportasi dan logistik
• Sumber daya manusia 
• Rencana pemerintah dan nasional 
• Pertanian dan lingkungan
• Sektor kesehatan 
• Bidang angkatan darat dan pertahanan 
• Energi dan utilitas

Apa Itu riset operasi?

Riset operasi adalah metode ilmiah pemecahan masalah dan pengambilan keputusan untuk manajemen organisasi swasta dan publik. Selain itu, penelitian operasional memungkinkan peneliti untuk memecah masalah menjadi beberapa bagian dan memberikan solusi nyata dengan menggunakan berbagai teknologi, metode matematika, analisis sistematis, dan pendekatan ilmiah. 

Definisi menurut para ahli

Berikut adalah beberapa definisi populer yang diberikan oleh para profesional industri. Harus memeriksanya. 

1. “Riset Operasi adalah studi sistematis dan berorientasi metode mengenai struktur dasar, karakteristik, fungsi, dan hubungan suatu organisasi untuk memberikan dasar yang masuk akal, ilmiah, dan kuantitatif bagi eksekutif dalam pengambilan keputusan.” – EL Arnoff dan MJ Netzorg

2. “Riset Operasi adalah pendekatan ilmiah untuk pemecahan masalah bagi manajemen eksekutif.” – HM Wagner

3. “Riset Operasi adalah bantuan bagi eksekutif dalam mengambil keputusan dengan menyediakan informasi kuantitatif yang dibutuhkan berdasarkan metode analisis ilmiah.” – C.Kittel

4. “Riset Operasi adalah penerapan metode, teknik, dan alat ilmiah terhadap masalah yang melibatkan pengoperasian suatu sistem sehingga dapat memberikan solusi optimal bagi mereka yang mengendalikan sistem tersebut.” – Pendeta CW

Pentingnya & kegunaan riset operasi

Di sini cari tahu pentingnya riset operasi dalam istilah awam. 

• Pengambilan keputusan, koordinasi, dan kontrol yang lebih baik 
• Solusi penuh realitas 
• Analisis yang ditingkatkan 
• Tingkatkan ROI dan maksimalkan keuntungan
• Memaksimalkan produktivitas 
• Sukses dalam persaingan dan pasar 

Sifat riset operasi

Anda dapat dengan mudah mengidentifikasi sifat riset operasi karena melibatkan hampir sama dengan ilmu manajemen. Oleh karena itu, ini mencakup pemecahan masalah, pengambilan keputusan, analisis sistematis, dan penerapan solusi yang lebih baik dalam situasi kehidupan nyata untuk pertumbuhan bisnis. 

Keterbatasan dalam riset operasi

Cari tahu keterbatasan dalam riset operasi yang disebutkan di bawah ini. 

• Berinvestasi pada alat dan teknologi canggih
• Sangat bergantung pada teknologi dan perangkat lunak 
• Membutuhkan tim ahli dan analis 
• Potensi mengambil keputusan yang salah

Karakteristik riset operasi

Berikut cari tahu daftar ciri-ciri riset operasi yang disebutkan di bawah ini. 

• Optimasi Implementasi : praktis
• Pendekatan interdisipliner : Penerapan
• Pendukung keputusan : Pendekatan obyektif 
• Memecahkan masalah yang kompleks : Pendekatan sistematis
•  Probabilitas dan statistik : Pemodelan & simulasi 

Fase dalam riset operasi

Ada beberapa fase utama dalam riset operasi yang dapat Anda temukan dalam daftar di bawah ini. 

• Fase penghakiman – Menentukan tujuan operasional dan mengidentifikasi masalah.
• Tahap penelitian – Mengamati dan menganalisis hipotesis dan model.
• Fase tindakan – Memberikan solusi termasuk asumsi, risiko, ruang lingkup, dan penerapan solusi dalam situasi kehidupan nyata. 

Model riset operasi

Berikut adalah model riset operasi yang dapat Anda temukan di bawah. 

• Model matematika : Model prediktif
• Model bahasa : Model dinamis
• Model fisik : Model statis 

Penerapan riset operasi

Temukan di bawah ini berbagai aplikasi dalam riset operasi. 

• Masalah distribusi 
• Pilihan portofolio terbaik 
• Campuran dan perencanaan produksi 
• Penugasan staf 
• Aplikasi keuangan

Metodologi dalam riset operasi 

Anda dapat mengetahui metodologi dalam riset operasi yang disebutkan di bawah ini. 

• Mengidentifikasi masalahnya
• Optimasi dan analisis 
• Menentukan solusi 
• Peramalan dan pemodelan prediktif
• Pengujian model dan solusi 
• Kontrol dan implementasi solusi 

Keterampilan yang dibutuhkan dalam riset operasi

Berikut adalah daftar keterampilan yang dibutuhkan dalam riset operasi yang disebutkan di bawah ini. 

• Keterampilan matematika : terbaik Analisis tren 
• Reduksi data : melakukan model simulasi
• Keterampilan pemecahan masalah yang kuat  : Berpikir analitis dan kritis 
• Kemampuan berorganisasi : Pengambilan keputusan yang penuh kekuatan 

Pekerjaan & gaji dalam riset operasi

Pekerjaan : Gaji rata-rata 

• Manajer proyek : INR 4-28 LPA
• Analis data : INR 5-11 LPA 
• Analis Operasi  : INR 4-8 LPA 
• Analis Penjaminan Mutu : INR 6-10 LPA 
• Analis Proyek : INR 7-13 LPA 
• Analis Riset : INR 4-9 LPA 
• Analis Riset Operasi : INR 6-12 LPA 
• Analis Bisnis : INR 9-15 LPA 
• Analis Sistem : INR 2-18 LPA 

Pertanyaan yang Sering Diajukan

Apa ruang lingkup riset operasi?

JAWABAN: Ruang lingkup riset operasi adalah di bidang kesehatan, manajemen keuangan, administrasi rumah sakit, dan sektor publik.

Apa sifat dan ruang lingkup riset operasi?

JAWABAN: Sifat riset operasi adalah tentang pengambilan keputusan rasional sambil mempertimbangkan semua situasi kompleks dan hasil prediktif di sektor-sektor seperti bisnis, layanan kesehatan, manajemen keuangan, administrasi rumah sakit, dll.

Apa ruang lingkup dan keterbatasan riset operasi?

JAWABAN: Cakupan riset operasi cukup luas di bidang administrasi bisnis, manajemen keuangan, dan TI namun membatasi spesialis dalam sangat bergantung pada teknologi, berinvestasi pada teknologi dan perangkat lunak berbiaya tinggi, dan risiko pengambilan keputusan yang salah. 

Apa saja tahapan riset operasi?

JAWABAN: Tahapan riset operasi meliputi formulasi, analisis, dan interpretasi.

_{Disadur dari: visagurukul.com}

Insinyur adalah profesi yang menerapkan prinsip-prinsip alam untuk membuat benda-benda yang berguna. Seorang insinyur mesin merancang mesin baru, atau suspensi mobil atau robot. Seorang insinyur sipil mendesain jembatan atau bangunan. Seorang insinyur kimia merancang menara penyulingan atau proses kimia. Seorang insinyur listrik merancang komputer atau sirkuit terpadu.

Karena berbagai alasan, tidak terkecuali karena pasar yang kompetitif, seorang insinyur mungkin tidak hanya tertarik pada desain yang bekerja pada tingkat nominal tertentu, tetapi juga desain terbaik dalam beberapa hal. Proses menentukan desain terbaik disebut optimasi. Dengan demikian, kita mungkin ingin mendesain penukar panas terkecil yang mencapai perpindahan panas yang diinginkan, atau kita mungkin ingin mendesain jembatan dengan biaya terendah untuk lokasi tersebut, atau kita mungkin ingin memaksimalkan beban yang dapat diangkat oleh robot.

Sering kali optimasi teknik dilakukan secara implisit. Dengan menggunakan kombinasi penilaian, pengalaman, pemodelan, pendapat orang lain, dll., insinyur membuat keputusan desain yang, dia berharap, mengarah pada desain yang optimal. Beberapa insinyur sangat ahli dalam hal ini. Namun, jika ada banyak variabel yang harus disesuaikan dengan beberapa tujuan dan/atau kendala yang saling bertentangan, jenis optimasi berbasis pengalaman ini dapat gagal dalam mengidentifikasi desain yang optimal.

Interaksi yang terjadi terlalu rumit dan variabelnya terlalu banyak untuk menentukan desain yang optimal secara intuitif.

Dalam tulisan ini kami membahas pendekatan berbasis komputer untuk optimasi desain. Dengan pendekatan ini, kita menggunakan komputer untuk mencari desain terbaik menurut kriteria yang kita tentukan. Kekuatan pemrosesan komputer yang luar biasa memungkinkan kita untuk mengevaluasi lebih banyak kombinasi desain daripada yang dapat kita lakukan secara manual. Lebih jauh lagi, kami menggunakan algoritme canggih yang memungkinkan komputer untuk mencari yang optimal secara efisien.

Sering kali kami memulai algoritme dari desain terbaik yang kami miliki berdasarkan pengalaman dan intuisi. Kami kemudian dapat melihat apakah ada perbaikan yang dapat dilakukan.

Disadur dari: apmonitor.com

Bab ini akan memberikan gambaran umum mengenai Riset Operasi (Operations Research/OR) dari sudut pandang seorang insinyur industri. Fokus bab ini adalah pada filosofi dasar di balik O.R. dan apa yang disebut “pendekatan O.R.” untuk memecahkan masalah desain dan operasional yang biasa dihadapi oleh para insinyur industri. Dalam bentuknya yang paling dasar, O.R. dapat dipandang sebagai pendekatan ilmiah untuk memecahkan masalah; pendekatan ini mengabstraksikan elemen-elemen penting dari masalah ke dalam sebuah model, yang kemudian dianalisis untuk menghasilkan solusi yang optimal untuk diimplementasikan. Rincian matematika dan teknik khusus yang digunakan untuk membangun dan menganalisis model-model ini dapat menjadi sangat rumit dan dibahas di bagian lain dalam buku ini; penekanan bab ini adalah pada pendekatannya. Tinjauan singkat mengenai asal-usul sejarah O.R. diikuti dengan penjelasan rinci mengenai metodologinya. Bab ini diakhiri dengan beberapa contoh aplikasi O.R. yang sukses di dunia nyata.

Bab ini akan memberikan gambaran umum mengenai Riset Operasi (Operations Research/OR) dari sudut pandang seorang insinyur industri. Fokus bab ini adalah pada filosofi dasar di balik O.R. dan apa yang disebut “pendekatan O.R.” untuk memecahkan masalah desain dan operasional yang biasa dihadapi oleh para insinyur industri. Dalam bentuknya yang paling dasar, O.R. dapat dipandang sebagai pendekatan ilmiah untuk memecahkan masalah; pendekatan ini mengabstraksikan elemen-elemen penting dari masalah ke dalam sebuah model, yang kemudian dianalisis untuk menghasilkan solusi yang optimal untuk diimplementasikan. Rincian matematika dan teknik khusus yang digunakan untuk membangun dan menganalisis model-model ini dapat menjadi sangat rumit dan dibahas di bagian lain dalam buku ini; penekanan bab ini adalah pada pendekatannya. Tinjauan singkat mengenai asal-usul sejarah O.R. diikuti dengan penjelasan rinci mengenai metodologinya. Bab ini diakhiri dengan beberapa contoh aplikasi O.R. yang berhasil di dunia nyata.

1.1 pendahuluan

Meskipun merupakan disiplin ilmu yang berdiri sendiri, Riset Operasi (Operations Research/OR) juga telah menjadi bagian integral dari profesi Teknik Industri (Industrial Engineering/IE). Hal ini tidak mengherankan jika kita mempertimbangkan bahwa keduanya memiliki banyak tujuan, teknik, dan area aplikasi yang sama. O.R. sebagai subjek formal berusia sekitar lima puluh tahun dan asal-usulnya dapat ditelusuri hingga paruh kedua Perang Dunia II. Sebagian besar teknik O.R. yang umum digunakan saat ini dikembangkan selama (kurang lebih) dua puluh tahun pertama setelah awal kemunculannya. Selama sekitar tiga puluh tahun berikutnya, laju pengembangan metodologi O.R. yang secara fundamental baru agak melambat. Namun, telah terjadi perluasan yang cepat dalam (1) luasnya area masalah yang telah diterapkan O.R., dan (2) besarnya masalah yang dapat ditangani dengan menggunakan metodologi O.R.. Saat ini, riset operasi adalah bidang yang matang dan berkembang dengan baik dengan serangkaian teknik canggih yang digunakan secara rutin untuk memecahkan masalah dalam berbagai bidang aplikasi.

Bab ini akan memberikan gambaran umum tentang O.R. dari sudut pandang seorang Insinyur Industri. Tinjauan singkat tentang asal-usul sejarahnya akan diberikan terlebih dahulu. Ini diikuti dengan diskusi terperinci tentang filosofi dasar di balik O.R. dan apa yang disebut “pendekatan O.R.”. Bab ini diakhiri dengan beberapa contoh aplikasi yang berhasil untuk masalah-masalah umum yang mungkin dihadapi oleh seorang Insinyur Industri. Secara garis besar, proyek O.R. terdiri dari tiga langkah: (1) membangun model, (2) menyelesaikannya, dan (3) mengimplementasikan hasilnya. Penekanan bab ini adalah pada langkah pertama dan ketiga. Langkah kedua biasanya melibatkan metodologi atau teknik tertentu, yang bisa jadi cukup canggih dan membutuhkan pengembangan matematika yang signifikan. Beberapa metode penting diulas di bagian lain dalam buku ini. Pembaca yang berminat untuk mempelajari lebih lanjut tentang topik-topik ini dapat merujuk ke salah satu dari sekian banyak teks yang sangat baik tentang O.R. yang tersedia saat ini dan yang terdaftar di bawah “Bacaan Lebih Lanjut” di akhir bab ini, misalnya, Hillier dan Lieberman (1995), Taha (1997) atau Winston (1994).

1.2 perspektif sejarah

Meskipun tidak ada tanggal yang jelas yang menandai kelahiran O.R., secara umum diterima bahwa bidang ini berasal dari Inggris selama Perang Dunia II. Dorongan untuk asal-usulnya adalah pengembangan sistem pertahanan radar untuk Angkatan Udara Kerajaan, dan penggunaan pertama kali dari istilah Riset Operasi dikaitkan dengan pejabat Kementerian Udara Inggris bernama A.P. Rowe yang membentuk tim untuk melakukan “penelitian operasional” pada sistem komunikasi dan ruang kontrol di stasiun radar Inggris. Penelitian ini berkaitan dengan peningkatan efisiensi operasional sistem (sebuah tujuan yang masih menjadi salah satu pilar O.R. modern). Pendekatan baru dalam memilih sistem “operasional” dan melakukan “penelitian” tentang cara membuatnya berjalan lebih efisien segera mulai berkembang ke arena perang lainnya. Mungkin kelompok yang paling terkenal yang terlibat dalam upaya ini adalah kelompok yang dipimpin oleh fisikawan bernama P. M. S. Blackett yang meliputi ahli fisiologi, matematikawan, astrofisikawan, dan bahkan surveyor. Fokus tim multifungsi dari kelompok proyek riset operasi ini adalah salah satu yang terus berlanjut hingga hari ini. Kontribusi terbesar Blackett adalah meyakinkan pihak berwenang tentang perlunya pendekatan ilmiah untuk mengelola operasi yang kompleks, dan memang dia dianggap oleh banyak kalangan sebagai analis riset operasi yang asli.

O.R. masuk ke Amerika Serikat beberapa tahun setelah berasal dari Inggris. Kehadiran pertamanya di AS adalah melalui Kelompok Riset Operasi Perang Ranjau Angkatan Laut AS; yang kemudian berkembang menjadi Kelompok Riset Operasi Perang Antikapal Selam yang dipimpin oleh Phillip Morse, yang kemudian dikenal dengan sebutan Kelompok Riset Operasi. Seperti Blackett di Inggris, Morse secara luas dianggap sebagai “bapak” O.R. di Amerika Serikat, dan banyak ilmuwan dan matematikawan terkemuka yang dia pimpin setelah perang berakhir menjadi pelopor O.R. di Amerika Serikat.

Pada tahun-tahun setelah berakhirnya Perang Dunia II, O.R. berkembang pesat karena banyak ilmuwan menyadari bahwa prinsip-prinsip yang mereka terapkan untuk memecahkan masalah militer juga dapat diterapkan pada banyak masalah di sektor sipil. Mulai dari masalah jangka pendek seperti penjadwalan dan kontrol inventaris hingga masalah jangka panjang seperti perencanaan strategis dan alokasi sumber daya. George Dantzig, yang pada tahun 1947 mengembangkan algoritma simpleks untuk Pemrograman Linier (LP), memberikan dorongan terpenting untuk pertumbuhan ini. Hingga saat ini, LP tetap menjadi salah satu teknik yang paling banyak digunakan dari semua teknik O.R. dan meskipun ada perkembangan yang relatif baru dari metode titik interior sebagai pendekatan alternatif, algoritma simpleks (dengan berbagai penyempurnaan komputasi) terus digunakan secara luas. Dorongan utama kedua untuk pertumbuhan O.R. adalah perkembangan pesat komputer digital selama tiga dekade berikutnya. Metode simpleks diimplementasikan pada komputer untuk pertama kalinya pada tahun 1950, dan pada tahun 1960, implementasi tersebut dapat menyelesaikan masalah dengan sekitar 1000 kendala. Saat ini, implementasi pada workstation yang kuat dapat secara rutin menyelesaikan masalah dengan ratusan ribu variabel dan batasan. Selain itu, volume data yang besar yang diperlukan untuk masalah seperti itu dapat disimpan dan dimanipulasi dengan sangat efisien.

Setelah metode simpleks ditemukan dan digunakan, pengembangan metode lain mengikuti dengan cepat. Dua puluh tahun berikutnya menjadi saksi perkembangan sebagian besar teknik O.R. yang digunakan saat ini termasuk pemrograman nonlinier, bilangan bulat dan dinamis, simulasi komputer, PERT / CPM, teori antrian, model inventaris, teori permainan, serta algoritma pengurutan dan penjadwalan. Para ilmuwan yang mengembangkan metode-metode ini berasal dari berbagai bidang, terutama matematika, teknik, dan ekonomi. Menariknya, dasar-dasar teori untuk banyak teknik ini telah dikenal selama bertahun-tahun, misalnya, rumus EOQ yang digunakan dengan banyak model inventaris dikembangkan pada tahun 1915 oleh Harris, dan banyak rumus antrian dikembangkan oleh Erlang pada tahun 1917. Namun, periode dari tahun 1950 hingga 1970 adalah saat rumus-rumus tersebut secara resmi disatukan ke dalam apa yang dianggap sebagai perangkat standar untuk analis riset operasi dan berhasil diterapkan pada masalah-masalah yang penting bagi industri. Bagian berikut ini menjelaskan pendekatan yang diambil oleh riset operasi untuk memecahkan masalah dan mengeksplorasi bagaimana semua metodologi ini cocok dengan kerangka kerja O.R.

1.3 apa itu riset operasi?

Kesalahpahaman umum yang dipegang oleh banyak orang adalah bahwa O.R. adalah kumpulan alat matematika. Meskipun benar bahwa O.R. menggunakan berbagai teknik matematika, riset operasi memiliki cakupan yang lebih luas. Riset operasi sebenarnya adalah pendekatan sistematis untuk memecahkan masalah, yang menggunakan satu atau lebih alat analisis dalam proses analisis. Mungkin satu-satunya masalah terbesar dengan O.R. adalah namanya; bagi orang awam, istilah “riset operasi” tidak memunculkan gambaran yang berarti! Ini adalah konsekuensi yang tidak menguntungkan dari fakta bahwa nama yang dikreditkan oleh A.P. Rowe yang pertama kali diberikan kepada bidang ini entah bagaimana tidak pernah diubah menjadi sesuatu yang lebih menunjukkan hal-hal yang sebenarnya dilakukan oleh O.R.. Kadang-kadang O.R. disebut sebagai Ilmu Manajemen (Management Science, M.S.) untuk lebih mencerminkan perannya sebagai pendekatan ilmiah untuk memecahkan masalah manajemen, tetapi tampaknya terminologi ini lebih populer di kalangan profesional bisnis dan orang-orang masih berdalih tentang perbedaan antara O.R. dan M.S. Yang memperparah masalah ini adalah kenyataan bahwa tidak ada konsensus yang jelas tentang definisi formal untuk O.R. Misalnya, C.W. Churchman yang dianggap sebagai salah satu pelopor O.R. mendefinisikannya sebagai penerapan metode, teknik, dan alat ilmiah untuk masalah-masalah yang melibatkan operasi suatu sistem sehingga dapat memberikan mereka yang memegang kendali atas sistem tersebut dengan solusi yang optimal untuk masalah-masalah tersebut. Ini memang definisi yang cukup komprehensif, tetapi ada banyak orang lain yang cenderung ke arah yang lebih ekstrem dan mendefinisikan riset operasi sebagai apa yang dilakukan oleh para peneliti operasi (definisi yang tampaknya paling sering dikaitkan dengan E. Naddor)! Terlepas dari kata-kata yang digunakan, mungkin aman untuk mengatakan bahwa julukan “riset operasi” akan terus digunakan dan oleh karena itu penting untuk memahami bahwa pada intinya, O.R. dapat dilihat sebagai pendekatan sistematis dan analitis untuk pengambilan keputusan dan pemecahan masalah. Kuncinya di sini adalah bahwa O.R. menggunakan metodologi yang obyektif dan diartikulasikan dengan jelas, dan dibangun berdasarkan filosofi bahwa pendekatan semacam itu lebih unggul daripada pendekatan yang hanya didasarkan pada subjektivitas dan pendapat “para ahli”, karena pendekatan ini akan menghasilkan keputusan yang lebih baik dan konsisten. Namun, O.R. tidak menghalangi penggunaan penilaian manusia atau penalaran yang tidak dapat dikuantifikasi; sebaliknya, hal tersebut dipandang sebagai pelengkap dari pendekatan analitis. Oleh karena itu, kita harus melihat O.R. bukan sebagai proses pengambilan keputusan yang absolut, tetapi sebagai alat bantu untuk membuat keputusan yang baik. O.R. memainkan peran sebagai penasihat dengan memberikan manajer atau pengambil keputusan dengan serangkaian alternatif yang baik dan ilmiah. Namun, keputusan akhir selalu diserahkan kepada manusia yang memiliki pengetahuan yang tidak dapat diukur secara tepat, dan yang dapat menyesuaikan hasil analisis untuk mendapatkan keputusan yang masuk akal.

1.4 pendekatan riset operasi

Mengingat bahwa O.R. merupakan sebuah kerangka kerja yang terintegrasi untuk membantu pengambilan keputusan, maka penting untuk memiliki pemahaman yang jelas mengenai kerangka kerja ini agar dapat diterapkan pada suatu masalah yang umum. Untuk mencapai hal ini, pendekatan yang disebut O.R. sekarang dirinci. Pendekatan ini terdiri dari tujuh langkah berurutan berikut ini:

1. Orientasi
2. Definisi masalah
3. Pengumpulan data
4. Perumusan model
5. Solusi
6. Validasi model dan analisis keluaran
7. Implementasi dan pemantauan.

Menghubungkan setiap langkah ini menjadi sebuah mekanisme untuk umpan balik yang berkesinambungan.

Meskipun sebagian besar penekanan akademis adalah pada Langkah 4, 5 dan 6, pembaca harus mengingat fakta bahwa langkah-langkah lainnya juga sama pentingnya dari sudut pandang praktis. Memang, kurangnya perhatian pada langkah-langkah ini telah menjadi alasan mengapa O.R. terkadang secara keliru dianggap tidak praktis atau tidak efektif di dunia nyata.

Masing-masing langkah ini sekarang dibahas secara lebih rinci. Untuk mengilustrasikan bagaimana langkah-langkah tersebut dapat diterapkan, pertimbangkan skenario tipikal di mana sebuah perusahaan manufaktur merencanakan produksi untuk bulan yang akan datang. Perusahaan menggunakan berbagai sumber daya (seperti tenaga kerja, mesin produksi, bahan baku, modal, pemrosesan data, ruang penyimpanan, dan peralatan penanganan material) untuk membuat sejumlah produk berbeda yang bersaing untuk mendapatkan sumber daya ini. Produk-produk tersebut memiliki margin keuntungan yang berbeda dan membutuhkan jumlah yang berbeda dari setiap sumber daya. Banyak sumber daya yang ketersediaannya terbatas. Selain itu, terdapat faktor-faktor lain yang menyulitkan seperti ketidakpastian dalam permintaan produk, kerusakan mesin secara acak, dan perjanjian dengan serikat pekerja yang membatasi penggunaan tenaga kerja. Mengingat lingkungan operasi yang kompleks ini, tujuan keseluruhannya adalah merencanakan produksi bulan depan sehingga perusahaan dapat merealisasikan keuntungan semaksimal mungkin sekaligus berakhir di posisi yang baik untuk bulan berikutnya.

Sebagai ilustrasi tentang bagaimana seseorang dapat melakukan studi riset operasi untuk mengatasi situasi ini, pertimbangkan contoh yang sangat disederhanakan dari masalah perencanaan produksi di mana ada dua lini produk utama (widget dan gizmos, misalnya) dan tiga sumber daya pembatas utama (A, B dan C, misalnya) di mana masing-masing produk bersaing. Setiap produk membutuhkan jumlah yang berbeda-beda dari setiap sumber daya dan perusahaan mengeluarkan biaya yang berbeda (tenaga kerja, bahan baku, dll.) dalam membuat produk dan merealisasikan pendapatan yang berbeda saat produk tersebut dijual. Tujuan dari proyek O.R. adalah untuk mengalokasikan sumber daya ke dua produk secara optimal.

Orientasi: Langkah pertama dalam pendekatan O.R. disebut sebagai orientasi masalah. Tujuan utama dari langkah ini adalah untuk membentuk tim yang akan menangani masalah yang dihadapi dan memastikan bahwa semua anggotanya memiliki gambaran yang jelas tentang isu-isu yang relevan. Perlu dicatat bahwa karakteristik yang membedakan dari setiap studi O.R. adalah bahwa studi ini dilakukan oleh tim multifungsi. Sedikit menyimpang, menarik juga bahwa dalam beberapa tahun terakhir banyak hal yang telah ditulis dan dikatakan tentang manfaat tim proyek dan bahwa hampir semua proyek industri saat ini dilakukan oleh tim multifungsi. Bahkan dalam pendidikan teknik, kerja tim telah menjadi unsur penting dari materi yang diajarkan kepada siswa dan hampir semua program teknik akademis mengharuskan proyek tim siswa mereka. Pendekatan tim dari O.R. dengan demikian merupakan fenomena yang sangat alami dan diinginkan.

Biasanya, tim akan memiliki seorang pemimpin dan terdiri dari anggota dari berbagai area fungsional atau departemen yang akan terpengaruh atau memiliki efek pada masalah yang dihadapi. Pada fase orientasi, tim biasanya bertemu beberapa kali untuk mendiskusikan semua masalah yang ada dan untuk mendapatkan fokus pada masalah-masalah yang kritis. Fase ini juga melibatkan studi dokumen dan literatur yang relevan dengan masalah untuk menentukan apakah ada orang lain yang mengalami masalah yang sama (atau serupa) di masa lalu, dan jika ada, untuk menentukan dan mengevaluasi apa yang telah dilakukan untuk mengatasi masalah tersebut. Hal ini merupakan poin yang sering kali cenderung diabaikan, namun untuk mendapatkan solusi yang tepat waktu, sangat penting untuk tidak mengulang dari awal. Dalam banyak penelitian O.R., seseorang sebenarnya mengadaptasi prosedur solusi yang telah dicoba dan diuji, dibandingkan dengan mengembangkan prosedur yang sama sekali baru. Tujuan dari fase orientasi adalah untuk mendapatkan pemahaman yang jelas tentang masalah dan hubungannya dengan berbagai aspek operasional sistem, dan untuk mencapai konsensus tentang apa yang harus menjadi fokus utama proyek. Selain itu, tim juga harus memiliki apresiasi terhadap apa (jika ada) yang telah dilakukan di tempat lain untuk memecahkan masalah yang sama (atau serupa).

Dalam contoh perencanaan produksi hipotetis kami, tim proyek dapat terdiri dari anggota dari bidang teknik (untuk memberikan informasi tentang proses dan teknologi yang digunakan untuk produksi), perencanaan produksi (untuk memberikan informasi tentang waktu pemesinan, tenaga kerja, inventaris, dan sumber daya lainnya), penjualan dan pemasaran (untuk memberikan masukan tentang permintaan produk), akuntansi (untuk memberikan informasi tentang biaya dan pendapatan), dan sistem informasi (untuk menyediakan data terkomputerisasi). Tentu saja, insinyur industri bekerja di semua bidang ini. Selain itu, tim mungkin juga memiliki personel di lantai pabrik seperti mandor atau pengawas shift dan mungkin akan dipimpin oleh manajer tingkat menengah yang memiliki hubungan dengan beberapa area fungsional yang tercantum di atas. Pada akhir fase orientasi, tim mungkin memutuskan bahwa tujuan spesifiknya adalah untuk memaksimalkan keuntungan dari dua produknya selama satu bulan ke depan. Tim ini juga dapat menentukan hal-hal tambahan yang diinginkan, seperti tingkat persediaan minimum untuk kedua produk pada awal bulan berikutnya, tingkat tenaga kerja yang stabil, atau tingkat pemanfaatan mesin yang diinginkan.

Definisi masalah: Ini adalah langkah kedua, dan dalam banyak kasus, langkah tersulit dalam proses O.R.. Tujuannya di sini adalah untuk menyempurnakan pertimbangan lebih lanjut dari fase orientasi ke titik di mana ada definisi yang jelas tentang masalah dalam hal cakupannya dan hasil yang diinginkan. Fase ini tidak boleh disamakan dengan fase sebelumnya karena fase ini jauh lebih terfokus dan berorientasi pada tujuan; namun, orientasi yang jelas sangat membantu dalam memperoleh fokus ini. Sebagian besar insinyur industri yang berpraktik dapat memahami perbedaan ini dan kesulitan dalam beralih dari tujuan umum seperti “meningkatkan produktivitas” atau “mengurangi masalah kualitas” ke tujuan yang lebih spesifik dan terdefinisi dengan baik yang akan membantu dalam memenuhi tujuan ini.

Definisi yang jelas tentang masalah memiliki tiga komponen yang luas. Yang pertama adalah pernyataan tujuan yang jelas. Bersamaan dengan spesifikasi tujuan, penting juga untuk mendefinisikan cakupannya, yaitu menetapkan batasan untuk analisis yang akan dilakukan. Meskipun solusi tingkat sistem yang lengkap selalu diinginkan, hal ini sering kali tidak realistis ketika sistemnya sangat besar atau kompleks dan dalam banyak kasus, kita harus fokus pada bagian sistem yang dapat diisolasi dan dianalisis secara efektif. Dalam kasus seperti itu, penting untuk diingat bahwa ruang lingkup solusi yang diperoleh juga akan dibatasi. Beberapa contoh tujuan yang tepat adalah (1) “memaksimalkan keuntungan selama kuartal berikutnya dari penjualan produk kami,” (2) “meminimalkan rata-rata waktu henti di pusat kerja X,” (3) “meminimalkan total biaya produksi di Pabrik Y,” atau (4) “meminimalkan jumlah rata-rata pengiriman terlambat per bulan ke pelanggan.”

Komponen kedua dari definisi masalah adalah spesifikasi faktor-faktor yang akan mempengaruhi tujuan. Faktor-faktor tersebut harus diklasifikasikan lebih lanjut ke dalam alternatif tindakan yang berada di bawah kendali pengambil keputusan dan faktor-faktor yang tidak dapat dikendalikan yang tidak dapat dikontrol. Sebagai contoh, dalam lingkungan produksi, tingkat produksi yang direncanakan dapat dikontrol, tetapi permintaan pasar yang sebenarnya mungkin tidak dapat diprediksi (meskipun mungkin dapat diramalkan secara ilmiah dengan akurasi yang masuk akal). Idenya di sini adalah untuk membentuk daftar komprehensif dari semua tindakan alternatif yang dapat diambil oleh pengambil keputusan dan yang kemudian akan berdampak pada tujuan yang telah ditetapkan. Pada akhirnya, pendekatan O.R. akan mencari tindakan tertentu yang dapat mengoptimalkan tujuan.

Komponen ketiga dan terakhir dari definisi masalah adalah spesifikasi batasan-batasan tindakan, yaitu menetapkan batasan-batasan untuk tindakan spesifik yang dapat diambil oleh pengambil keputusan. Sebagai contoh, dalam lingkungan produksi, ketersediaan sumber daya dapat menentukan batasan tingkat produksi yang dapat dicapai. Ini adalah salah satu kegiatan di mana fokus tim multifungsi dari O.R. sangat berguna karena batasan yang dihasilkan oleh satu area fungsional sering kali tidak terlihat jelas oleh orang-orang di area lain. Secara umum, merupakan ide yang baik untuk memulai dengan daftar panjang dari semua kendala yang mungkin terjadi dan kemudian mempersempitnya menjadi kendala yang secara jelas berpengaruh pada tindakan yang dapat dipilih. Tujuannya adalah untuk menjadi komprehensif namun tetap sederhana ketika menentukan batasan.

Melanjutkan ilustrasi hipotetis kita, tujuannya mungkin untuk memaksimalkan keuntungan dari penjualan kedua produk. Alternatif tindakannya adalah jumlah masing-masing produk yang akan diproduksi bulan depan, dan alternatif tersebut mungkin dibatasi oleh fakta bahwa jumlah masing-masing dari ketiga sumber daya yang diperlukan untuk memenuhi produksi yang direncanakan tidak boleh melebihi ketersediaan sumber daya yang diharapkan. Asumsi yang dapat dibuat di sini adalah bahwa semua unit yang diproduksi dapat dijual. Perhatikan bahwa pada titik ini seluruh masalah dinyatakan dalam kata-kata; nantinya pendekatan O.R. akan menerjemahkannya ke dalam model analitis.

Pengumpulan data: Pada tahap ketiga dari proses O.R., data dikumpulkan dengan tujuan untuk menerjemahkan masalah yang telah didefinisikan pada tahap kedua ke dalam sebuah model yang kemudian dapat dianalisis secara obyektif. Data biasanya berasal dari dua sumber, yaitu observasi dan standar. Yang pertama berhubungan dengan kasus di mana data benar-benar dikumpulkan dengan mengamati sistem yang sedang beroperasi dan biasanya, data ini cenderung berasal dari teknologi sistem. Sebagai contoh, waktu operasi dapat diperoleh melalui studi waktu atau analisis metode kerja, penggunaan sumber daya atau tingkat sisa dapat diperoleh dengan melakukan pengukuran sampel selama beberapa interval waktu yang sesuai, dan data tentang permintaan dan ketersediaan dapat diperoleh dari catatan penjualan, pesanan pembelian, dan basis data inventaris. Data lainnya diperoleh dengan menggunakan standar; banyak informasi terkait biaya yang cenderung termasuk dalam kategori ini. Sebagai contoh, sebagian besar perusahaan memiliki nilai standar untuk item biaya seperti tingkat upah per jam, biaya penyimpanan inventaris, harga jual, dan lain-lain; standar ini kemudian harus dikonsolidasikan dengan tepat untuk menghitung biaya berbagai aktivitas. Kadang-kadang, data juga dapat diminta secara tegas untuk masalah yang sedang dihadapi melalui penggunaan survei, kuesioner atau instrumen psikometrik lainnya.

Salah satu kekuatan pendorong utama di balik pertumbuhan O.R. adalah pertumbuhan yang cepat dalam teknologi komputer dan pertumbuhan yang bersamaan dalam sistem informasi serta penyimpanan dan pengambilan data secara otomatis. Hal ini merupakan keuntungan besar, karena analis O.R. sekarang memiliki akses siap pakai ke data yang sebelumnya sangat sulit diperoleh. Pada saat yang sama, hal ini juga menyulitkan karena banyak perusahaan yang berada dalam situasi kaya data namun miskin informasi. Dengan kata lain, meskipun semua data ada di “suatu tempat” dan dalam “beberapa bentuk”, mengekstrak informasi yang berguna dari sumber-sumber ini seringkali sangat sulit. Inilah salah satu alasan mengapa spesialis sistem informasi sangat berharga bagi tim yang terlibat dalam proyek O.R. yang tidak sepele. Pengumpulan data dapat memiliki efek penting pada langkah sebelumnya yaitu definisi masalah dan juga pada langkah selanjutnya yaitu perumusan model.

Untuk menghubungkan pengumpulan data dengan contoh produksi hipotetis kami, berdasarkan biaya variabel produksi dan harga jual masing-masing produk, dapat ditentukan bahwa keuntungan dari penjualan satu alat adalah $ 10 dan satu widget adalah $ 9. Dapat ditentukan berdasarkan pengukuran waktu dan pekerjaan bahwa setiap alat dan setiap widget masing-masing membutuhkan 7/10 unit dan 1 unit sumber daya 1, 1 unit dan 2/3 unit sumber daya 2, serta 1/10 unit dan 1/4 unit sumber daya 3. Akhirnya, berdasarkan komitmen sebelumnya dan data historis tentang ketersediaan sumber daya, dapat ditentukan bahwa pada bulan berikutnya akan ada 630 unit sumber daya 1, 708 unit sumber daya 2, dan 135 unit sumber daya 3 yang tersedia untuk digunakan dalam memproduksi kedua produk tersebut.

Perlu ditekankan bahwa ini hanyalah contoh ilustrasi yang sangat disederhanakan dan angka-angka di sini serta metode pengumpulan data yang disarankan juga sangat disederhanakan. Dalam praktiknya, angka-angka seperti ini sering kali sangat sulit untuk didapatkan dengan tepat, dan nilai akhir biasanya didasarkan pada analisis sistem yang ekstensif dan mewakili kompromi yang disetujui oleh semua orang dalam tim proyek. Sebagai contoh, seorang manajer pemasaran mungkin mengutip data produksi historis atau data dari lingkungan yang serupa dan cenderung memperkirakan ketersediaan sumber daya dalam istilah yang sangat optimis. Di sisi lain, seorang perencana produksi mungkin mengutip tingkat skrap atau waktu henti mesin dan menghasilkan estimasi yang jauh lebih konservatif untuk hal yang sama. Perkiraan akhir mungkin akan mewakili kompromi di antara keduanya yang dapat diterima oleh sebagian besar anggota tim.

Formulasi model: Ini adalah fase keempat dari proses O.R.. Fase ini juga merupakan fase yang perlu mendapat banyak perhatian karena pemodelan adalah karakteristik yang menentukan dari semua proyek riset operasi. Istilah “model” disalahpahami oleh banyak orang, dan oleh karena itu dijelaskan secara rinci di sini. Sebuah model dapat didefinisikan secara formal sebagai abstraksi selektif dari realitas. Definisi ini menyiratkan bahwa pemodelan adalah proses menangkap karakteristik yang dipilih dari suatu sistem atau proses dan kemudian menggabungkannya ke dalam representasi abstrak dari aslinya. Gagasan utama di sini adalah bahwa biasanya jauh lebih mudah untuk menganalisis model yang disederhanakan daripada menganalisis sistem aslinya, dan selama model tersebut merupakan representasi yang cukup akurat, kesimpulan yang diambil dari analisis semacam itu dapat diekstrapolasi secara valid kembali ke sistem aslinya.

Tidak ada satu cara yang “benar” untuk membangun sebuah model dan seperti yang sering dicatat, pembangunan model lebih merupakan seni daripada ilmu pengetahuan. Poin penting yang perlu diingat adalah bahwa sering kali terdapat trade-off alami antara keakuratan model dan traktabilitasnya. Di satu sisi, dimungkinkan untuk membangun model yang sangat komprehensif, rinci dan tepat dari sistem yang ada; ini memiliki fitur yang jelas diinginkan sebagai representasi yang sangat realistis dari sistem asli. Meskipun proses pembuatan model yang begitu rinci sering kali dapat membantu dalam memahami sistem dengan lebih baik, model ini mungkin tidak berguna dari perspektif analitis karena konstruksinya mungkin sangat memakan waktu dan kerumitannya menghalangi analisis yang berarti. Di sisi lain, seseorang dapat membangun model yang kurang komprehensif dengan banyak asumsi penyederhanaan sehingga dapat dianalisis dengan mudah. Namun, bahayanya di sini adalah bahwa model tersebut mungkin kurang akurat sehingga ekstrapolasi hasil dari analisis kembali ke sistem asli dapat menyebabkan kesalahan yang serius. Jelasnya, kita harus menarik garis di suatu tempat di tengah-tengah di mana model merupakan representasi yang cukup akurat dari sistem asli, namun tetap dapat digunakan. Mengetahui di mana harus menarik garis tersebut adalah hal yang menentukan pemodel yang baik, dan ini adalah sesuatu yang hanya dapat diperoleh dengan pengalaman. Dalam definisi formal model yang diberikan di atas, kata kuncinya adalah “selektif”. Memiliki definisi masalah yang jelas memungkinkan seseorang untuk lebih menentukan aspek-aspek penting dari suatu sistem yang harus dipilih untuk direpresentasikan oleh model, dan tujuan utamanya adalah untuk sampai pada model yang menangkap semua elemen kunci dari sistem sambil tetap cukup sederhana untuk dianalisis.

Model dapat diklasifikasikan secara luas ke dalam empat kategori:

Model fisik: Model ini merupakan versi aktual yang diperkecil dari model aslinya. Contohnya termasuk bola dunia, model mobil berskala, atau model garis aliran yang dibuat dengan elemen-elemen dari perangkat konstruksi mainan. Secara umum, model-model seperti ini tidak terlalu umum dalam riset operasi, terutama karena mendapatkan representasi yang akurat dari sistem yang kompleks melalui model fisik sering kali tidak mungkin.

Model analog: Ini adalah model yang merupakan langkah mundur dari kategori pertama karena mereka juga merupakan model fisik, tetapi menggunakan analog fisik untuk menggambarkan sistem, bukan versi yang diperkecil. Mungkin contoh paling terkenal dari model analog adalah model ANTIAC (singkatan dari anti-automatic-computation) yang menunjukkan bahwa seseorang dapat melakukan analisis riset operasi yang valid tanpa menggunakan komputer. Dalam masalah ini, tujuannya adalah untuk menemukan cara terbaik untuk mendistribusikan pasokan di depot militer ke berbagai titik permintaan. Masalah seperti ini dapat diselesaikan secara efisien dengan menggunakan teknik-teknik dari analisis aliran jaringan. Namun prosedur aktual yang digunakan menggunakan pendekatan yang berbeda. Sarang semut di atas platform yang ditinggikan dipilih sebagai analogi untuk depot dan gundukan kecil gula di platform masing-masing dipilih untuk mewakili setiap titik permintaan. Jaringan jalan yang menghubungkan berbagai titik tersebut dibangun dengan menggunakan potongan-potongan tali dengan panjang masing-masing proporsional dengan jarak yang sebenarnya dan lebarnya sesuai dengan kapasitas di sepanjang jalur tersebut. Sepasukan semut kemudian dilepaskan di sarang semut dan jalur yang mereka pilih untuk mencapai gundukan gula kemudian diamati. Setelah model mencapai kondisi tunak, ditemukan bahwa semut-semut tersebut berdasarkan kecenderungan mereka sendiri telah menemukan jalur yang paling efisien ke tujuan mereka! Kita bahkan dapat melakukan beberapa analisis postoptimality. Sebagai contoh, berbagai kapasitas transportasi di sepanjang setiap jalur dapat dianalisis dengan memvariasikan lebar jalur secara proporsional, dan skenario di mana jalur tertentu tidak dapat digunakan dapat dianalisis hanya dengan menghapus jalur yang sesuai untuk melihat apa yang semut akan lakukan. Hal ini mengilustrasikan sebuah model analog. Lebih penting lagi, hal ini juga menggambarkan bahwa meskipun O.R. biasanya diidentikkan dengan analisis matematis, penggunaan model inovatif dan prosedur pemecahan masalah seperti yang baru saja dijelaskan merupakan cara yang sah untuk melakukan studi O.R..

Model simulasi komputer: Dengan pertumbuhan daya komputasi, model-model ini telah menjadi sangat populer selama sepuluh hingga lima belas tahun terakhir. Model simulasi adalah model di mana sistem diabstraksikan ke dalam program komputer. Meskipun bahasa komputer tertentu yang digunakan bukanlah karakteristik yang menentukan, sejumlah bahasa dan sistem perangkat lunak telah dikembangkan semata-mata untuk tujuan membangun model simulasi komputer; sebuah survei tentang sistem yang paling populer dapat ditemukan di OR / MS Today (Oktober 1997, hal. 38-46). Biasanya, perangkat lunak semacam itu memiliki sintaks serta konstruksi bawaan yang memungkinkan pengembangan model yang mudah. Sering kali mereka juga memiliki ketentuan untuk grafik dan animasi yang dapat membantu seseorang memvisualisasikan sistem yang sedang disimulasikan. Model simulasi dianalisis dengan menjalankan perangkat lunak selama beberapa waktu yang mewakili periode yang sesuai ketika sistem asli beroperasi dalam kondisi tunak. Input untuk model tersebut adalah variabel keputusan yang berada di bawah kendali pengambil keputusan. Variabel-variabel tersebut diperlakukan sebagai parameter dan simulasi dijalankan untuk berbagai kombinasi nilai untuk parameter-parameter tersebut. Pada akhir simulasi, statistik dikumpulkan untuk berbagai ukuran kinerja dan kemudian dianalisis dengan menggunakan teknik standar. Pengambil keputusan kemudian memilih kombinasi nilai untuk variabel keputusan yang menghasilkan kinerja yang paling diinginkan.

Model simulasi sangat kuat dan memiliki satu fitur yang sangat diinginkan: model ini dapat digunakan untuk memodelkan sistem yang sangat kompleks tanpa perlu membuat terlalu banyak asumsi penyederhanaan dan tanpa perlu mengorbankan detail. Di sisi lain, kita harus sangat berhati-hati dengan model simulasi karena simulasi juga mudah disalahgunakan. Pertama, sebelum menggunakan model, model tersebut harus divalidasi dengan benar. Meskipun validasi diperlukan untuk model apa pun, validasi sangat penting dalam simulasi. Kedua, analis harus terbiasa dengan cara menggunakan model simulasi dengan benar, termasuk hal-hal seperti replikasi, run length, pemanasan, dan sebagainya; penjelasan rinci mengenai konsep-konsep ini berada di luar cakupan bab ini, namun pembaca yang tertarik dapat merujuk pada teks yang baik mengenai simulasi. Ketiga, analis harus terbiasa dengan berbagai teknik statistik agar dapat menganalisis hasil simulasi dengan cara yang bermakna. Keempat, membangun model simulasi yang kompleks pada komputer sering kali merupakan tugas yang menantang dan relatif memakan waktu, meskipun perangkat lunak simulasi telah berkembang hingga menjadi lebih mudah dari hari ke hari. Alasan mengapa masalah ini ditekankan di sini adalah karena model simulasi modern dapat terlihat sangat mencolok dan menarik, tetapi nilai sebenarnya terletak pada kemampuannya untuk menghasilkan wawasan ke dalam masalah yang sangat kompleks. Namun demikian, untuk mendapatkan wawasan semacam itu, diperlukan keterampilan teknis yang cukup tinggi.

Hal terakhir yang perlu diingat dengan simulasi adalah bahwa simulasi tidak memberikan indikasi strategi yang optimal. Dalam beberapa hal, ini adalah proses coba-coba karena seseorang bereksperimen dengan berbagai strategi yang tampaknya masuk akal dan melihat hasil obyektif yang diberikan oleh model simulasi untuk mengevaluasi manfaat dari setiap strategi. Jika jumlah variabel keputusan sangat banyak, maka seseorang harus membatasi diri pada beberapa bagian dari variabel-variabel tersebut untuk dianalisis, dan ada kemungkinan bahwa strategi akhir yang dipilih bukanlah strategi yang optimal. Namun, dari sudut pandang praktisi, tujuannya sering kali adalah untuk menemukan strategi yang baik dan bukan yang terbaik, dan model simulasi sangat berguna dalam memberikan solusi yang baik bagi pengambil keputusan.

Model matematika: Ini adalah kategori model terakhir, dan yang secara tradisional paling sering diidentikkan dengan O.R. Dalam jenis model ini, seseorang menangkap karakteristik sistem atau proses melalui serangkaian hubungan matematis. Model matematis dapat bersifat deterministik atau probabilistik. Pada jenis yang pertama, semua parameter yang digunakan untuk menggambarkan model diasumsikan diketahui (atau diestimasi dengan tingkat kepastian yang tinggi). Pada model probabilistik, nilai pasti untuk beberapa parameter mungkin tidak diketahui, namun diasumsikan bahwa parameter tersebut dapat dikarakterisasi dengan cara yang sistematis (misalnya, melalui penggunaan distribusi probabilitas). Sebagai ilustrasi, Metode Jalur Kritis (CPM) dan Teknik Evaluasi dan Peninjauan Program (PERT) adalah dua teknik O.R. yang sangat mirip yang digunakan dalam bidang perencanaan proyek. Namun, CPM didasarkan pada model matematika deterministik yang mengasumsikan bahwa durasi setiap aktivitas proyek adalah konstanta yang diketahui, sedangkan PERT didasarkan pada model probabilistik yang mengasumsikan bahwa setiap durasi aktivitas bersifat acak tetapi mengikuti beberapa distribusi probabilitas tertentu (biasanya, distribusi Beta). Secara garis besar, model deterministik cenderung lebih mudah dianalisis daripada model probabilistik; namun, hal ini tidak berlaku secara universal.

Sebagian besar model matematika cenderung dicirikan oleh tiga elemen utama: variabel keputusan, batasan, dan fungsi objektif. Variabel keputusan digunakan untuk memodelkan tindakan spesifik yang berada di bawah kendali pengambil keputusan. Analisis model akan mencari nilai spesifik untuk variabel-variabel ini yang diinginkan dari satu atau beberapa perspektif. Sering kali terutama pada model-model yang besar juga umum untuk mendefinisikan variabel-variabel “kemudahan” tambahan untuk tujuan menyederhanakan model atau membuatnya lebih jelas. Sebenarnya, variabel-variabel tersebut tidak berada di bawah kendali pengambil keputusan, tetapi disebut juga sebagai variabel keputusan. Kendala digunakan untuk menetapkan batasan pada rentang nilai yang dapat diambil oleh setiap variabel keputusan, dan setiap kendala biasanya merupakan terjemahan dari beberapa batasan tertentu (misalnya, ketersediaan sumber daya) atau persyaratan (misalnya, kebutuhan untuk memenuhi permintaan yang telah dikontrak). Jelasnya, batasan menentukan nilai yang dapat diberikan pada variabel keputusan, yaitu keputusan spesifik pada sistem atau proses yang dapat diambil. Komponen ketiga dan terakhir dari model matematika adalah fungsi tujuan. Ini adalah pernyataan matematis dari beberapa ukuran kinerja (seperti biaya, keuntungan, waktu, pendapatan, pemanfaatan, dll.) dan dinyatakan sebagai fungsi dari variabel keputusan untuk model. Biasanya diinginkan untuk memaksimalkan atau meminimalkan nilai fungsi tujuan, tergantung pada apa yang diwakilinya. Sering kali, seseorang mungkin secara bersamaan memiliki lebih dari satu fungsi objektif untuk dioptimalkan (misalnya, memaksimalkan keuntungan dan meminimalkan perubahan tingkat tenaga kerja). Dalam kasus seperti ini, ada dua pilihan. Pertama, kita dapat fokus pada satu tujuan dan menurunkan tujuan yang lain ke status sekunder dengan memindahkannya ke dalam himpunan batasan dan menentukan nilai minimum atau maksimum yang diinginkan. Ini cenderung menjadi pilihan yang lebih sederhana dan yang paling sering digunakan. Pilihan lainnya adalah dengan menggunakan teknik yang dirancang khusus untuk beberapa tujuan (seperti goal programming).

Dalam menggunakan model matematika, idenya adalah pertama-tama menangkap semua aspek penting dari sistem dengan menggunakan tiga elemen yang baru saja dijelaskan, dan kemudian mengoptimalkan fungsi tujuan dengan memilih (dari semua nilai untuk variabel keputusan yang tidak melanggar batasan yang ditentukan) nilai spesifik yang juga menghasilkan nilai yang paling diinginkan (maksimum atau minimum) untuk fungsi tujuan. Proses ini sering disebut pemrograman matematis. Meskipun banyak model matematis cenderung mengikuti bentuk ini, hal ini tentu saja tidak menjadi keharusan; sebagai contoh, sebuah model dapat dibuat untuk mendefinisikan hubungan antara beberapa variabel dan pengambil keputusan dapat menggunakan model ini untuk mempelajari bagaimana satu atau beberapa variabel terpengaruh oleh perubahan nilai variabel lainnya. Pohon keputusan, rantai Markov, dan banyak model antrian dapat dimasukkan ke dalam kategori ini.

Sebelum mengakhiri bagian formulasi model ini, kita kembali ke contoh hipotetis dan menerjemahkan pernyataan yang dibuat pada tahap pendefinisian masalah ke dalam model matematika dengan menggunakan informasi yang dikumpulkan pada tahap pengumpulan data. Untuk melakukan hal ini, kami mendefinisikan dua variabel keputusan G dan W untuk mewakili jumlah gizmos dan widget yang akan dibuat dan dijual bulan depan. Kemudian tujuannya adalah untuk memaksimalkan keuntungan total yang diberikan oleh 10G + 9W. Ada kendala yang terkait dengan masing-masing dari tiga sumber daya terbatas, yang harus memastikan bahwa produksi G gizmos dan W widget tidak menggunakan lebih banyak sumber daya yang sesuai daripada yang tersedia untuk digunakan. Jadi untuk sumber daya 1, hal ini dapat diterjemahkan ke dalam pernyataan matematika berikut ini 0,7G + 1,0W £ 630, di mana sisi kiri pertidaksamaan menunjukkan penggunaan sumber daya dan sisi kanan menunjukkan ketersediaan sumber daya. Selain itu, kita juga harus memastikan bahwa setiap nilai G dan W yang dipertimbangkan adalah bilangan bulat non-negatif, karena nilai lain tidak ada artinya dalam definisi G dan W. Model matematis lengkapnya adalah:

Maksimalkan {Laba = 10G + 9W}, dengan syarat

• 0,7G + 1,0W £ 630
• 1.0G + (2/3) W £ 708
• 0.1G + 0.25W £ 135
• G, W ³ 0 dan bilangan bulat.

Program matematika ini mencoba memaksimalkan keuntungan sebagai fungsi dari jumlah produksi (G dan W), sambil memastikan bahwa jumlah tersebut sedemikian rupa sehingga produksi yang sesuai dapat dilakukan dengan sumber daya yang tersedia.

Solusi model: Fase kelima dari proses O.R. adalah solusi dari masalah yang diwakili oleh model. Ini adalah area di mana sejumlah besar penelitian dan pengembangan di bidang O.R. telah difokuskan, dan ada banyak sekali metode untuk menganalisis berbagai macam model. Tidak mungkin untuk membahas secara rinci berbagai teknik ini dalam satu bab pengantar seperti ini; namun, gambaran umum dari beberapa metode yang lebih penting dapat ditemukan di bagian lain dalam buku ini. Secara umum, beberapa pelatihan formal dalam riset operasi diperlukan untuk memahami bagaimana metode-metode ini bekerja dan pembaca yang tertarik disarankan untuk membaca dengan seksama teks pengantar tentang O.R.; bagian “Bacaan Lebih Lanjut” pada akhir bab ini mencantumkan beberapa buku yang bagus. Perlu juga disebutkan bahwa dalam beberapa tahun terakhir ini sejumlah sistem perangkat lunak telah muncul yang (setidaknya secara teori) merupakan “kotak hitam” untuk memecahkan berbagai model. Namun, beberapa pendidikan formal dalam metode O.R. masih diperlukan (atau setidaknya sangat disarankan) sebelum menggunakan sistem tersebut. Dari sudut pandang praktisi, hal yang paling penting adalah untuk dapat mengenali mana dari sekian banyak teknik yang tersedia yang sesuai untuk model yang dibangun. Biasanya, hal ini bukanlah tugas yang sulit bagi seseorang yang memiliki pelatihan dasar dalam riset operasi. Teknik-teknik itu sendiri terbagi dalam beberapa kategori.

Pada tingkat yang paling rendah, seseorang mungkin dapat menggunakan teknik grafis sederhana atau bahkan mencoba-coba. Namun, terlepas dari kenyataan bahwa perkembangan spreadsheet telah membuat hal ini jauh lebih mudah dilakukan, ini biasanya merupakan pendekatan yang tidak dapat dilakukan untuk sebagian besar masalah yang tidak sepele. Sebagian besar teknik O.R. bersifat analitis, dan masuk ke dalam salah satu dari empat kategori besar. Pertama, ada teknik simulasi, yang jelas digunakan untuk menganalisis model simulasi. Sebagian besar dari teknik ini adalah program komputer yang menjalankan model dan metode yang digunakan untuk melakukannya dengan benar. Namun, bagian yang lebih menarik dan menantang adalah teknik yang digunakan untuk menganalisis volume output yang besar dari program-program tersebut; biasanya, hal ini mencakup sejumlah teknik statistik. Pembaca yang tertarik dapat merujuk pada buku yang bagus tentang simulasi untuk melihat bagaimana kedua bagian ini saling melengkapi. Kategori kedua terdiri dari teknik-teknik analisis matematis yang digunakan untuk menangani model yang tidak memiliki fungsi tujuan atau batasan yang jelas, namun merupakan representasi matematis dari sistem yang dimaksud. Contohnya termasuk teknik statistik umum seperti analisis regresi, inferensi statistik dan analisis varians, serta yang lainnya seperti antrian, rantai Markov dan analisis keputusan. Kategori ketiga terdiri dari teknik pencarian optimal, yang biasanya digunakan untuk menyelesaikan program matematika yang dijelaskan di bagian sebelumnya untuk menemukan nilai optimal (yaitu, terbaik) untuk variabel keputusan. Teknik-teknik spesifik termasuk pemrograman linier, nonlinier, dinamis, bilangan bulat, tujuan, dan stokastik, serta berbagai metode berbasis jaringan. Penjelasan rinci mengenai hal ini berada di luar cakupan bab ini, tetapi ada sejumlah teks yang sangat baik dalam pemrograman matematika yang menjelaskan banyak metode ini dan pembaca yang tertarik dapat merujuk ke salah satunya. Kategori terakhir dari teknik-teknik ini sering disebut sebagai heuristik. Ciri khas dari teknik heuristik adalah bahwa teknik ini tidak menjamin bahwa solusi terbaik akan ditemukan, tetapi pada saat yang sama tidak serumit teknik pencarian optimal. Meskipun heuristik dapat berupa teknik yang sederhana, masuk akal, dan bersifat rule-of-thumb, teknik ini biasanya merupakan metode yang mengeksploitasi fitur-fitur masalah tertentu untuk mendapatkan hasil yang baik. Perkembangan yang relatif baru di bidang ini adalah apa yang disebut meta-heuristik (seperti algoritme genetika, pencarian tabu, pemrograman evolusioner, dan simulated annealing) yang merupakan metode tujuan umum yang dapat diterapkan pada sejumlah masalah yang berbeda. Metode-metode ini secara khusus semakin populer karena kesederhanaannya yang relatif dan fakta bahwa peningkatan daya komputasi telah meningkatkan efektivitasnya.

Dalam menerapkan teknik tertentu, hal yang penting untuk diingat dari sudut pandang praktisi adalah bahwa teknik tersebut sering kali cukup untuk mendapatkan solusi yang baik meskipun tidak dijamin sebagai solusi yang terbaik. Jika ketersediaan sumber daya maupun waktu tidak menjadi masalah, tentu saja seseorang akan mencari solusi yang optimal. Namun, hal ini jarang terjadi dalam praktiknya, dan ketepatan waktu merupakan hal yang penting dalam banyak kasus. Dalam konteks ini, sering kali lebih penting untuk mendapatkan solusi yang memuaskan dengan cepat daripada mengeluarkan banyak usaha untuk menentukan solusi yang optimal, terutama ketika keuntungan marjinal dari hal tersebut kecil. Ekonom Herbert Simon menggunakan istilah “memuaskan” untuk menggambarkan konsep ini - seseorang mencari yang optimal tetapi berhenti di tengah jalan ketika solusi yang cukup baik telah ditemukan.

Pada titik ini, beberapa kata tentang aspek komputasi sudah sesuai. Ketika diterapkan pada masalah dunia nyata yang tidak sepele, hampir semua teknik yang dibahas dalam bagian ini memerlukan penggunaan komputer. Memang, dorongan terbesar untuk peningkatan penggunaan metode O.R. adalah peningkatan yang cepat dalam daya komputasi. Meskipun masih ada masalah skala besar yang solusinya membutuhkan penggunaan komputer mainframe atau workstation yang kuat, banyak masalah besar saat ini yang dapat diselesaikan pada sistem komputer mikro desktop. Ada banyak paket komputer (dan jumlahnya terus bertambah dari hari ke hari) yang telah menjadi populer karena kemudahan penggunaannya dan biasanya tersedia dalam berbagai versi atau ukuran dan antarmuka yang mulus dengan sistem perangkat lunak lain; tergantung pada kebutuhan spesifik mereka, pengguna akhir dapat memilih konfigurasi yang sesuai. Banyak vendor perangkat lunak juga menawarkan layanan pelatihan dan konsultasi untuk membantu pengguna mendapatkan hasil maksimal dari sistem. Beberapa teknik khusus yang tersedia untuk implementasi perangkat lunak komersial saat ini termasuk optimasi/pemrograman matematis (termasuk pemrograman linier, nonlinier, bilangan bulat, dinamis, dan tujuan), aliran jaringan, simulasi, analisis statistik, antrian, peramalan, jaringan syaraf tiruan, analisis keputusan, dan PERT / CPM. Saat ini juga tersedia sistem perangkat lunak komersial yang menggabungkan berbagai teknik O.R. untuk menangani area aplikasi spesifik termasuk transportasi dan logistik, perencanaan produksi, kontrol inventaris, penjadwalan, analisis lokasi, peramalan, dan manajemen rantai pasokan. Beberapa contoh sistem perangkat lunak O.R. yang populer antara lain CPLEX, LINDO, OSL, MPL, SAS, dan SIMAN. Meskipun jelas tidak mungkin untuk menjelaskan di sini fitur-fitur dari semua perangkat lunak yang tersedia, majalah seperti OR/MS Today dan IE Solutions secara teratur menerbitkan survei terpisah dari berbagai kategori sistem dan paket perangkat lunak. Publikasi-publikasi ini juga menyediakan petunjuk untuk berbagai jenis perangkat lunak yang tersedia; sebagai contoh, OR/MS Today edisi Desember 1997 (halaman 61-75) menyediakan direktori sumber daya yang lengkap untuk perangkat lunak dan konsultan. Pembaruan untuk direktori tersebut disediakan secara berkala. Poin utama di sini adalah bahwa kemampuan untuk memecahkan model/masalah yang kompleks jauh lebih sedikit menjadi masalah saat ini dibandingkan satu atau dua dekade yang lalu, dan ada banyak sumber daya yang tersedia untuk mengatasi masalah ini.

Kami menyimpulkan bagian ini dengan memeriksa solusi dari model yang telah dibuat sebelumnya untuk masalah produksi hipotetis. Dengan menggunakan pemrograman linier untuk menyelesaikan model ini, solusi optimal yang dihasilkan adalah G = 540 dan W = 252, yaitu rencana produksi yang memaksimalkan keuntungan untuk data yang ada adalah produksi 540 gizmos dan 252 widget. Pembaca dapat dengan mudah memverifikasi bahwa hal ini menghasilkan keuntungan sebesar $7668 dan sepenuhnya menggunakan dua sumber daya pertama dan menyisakan 18 unit sumber daya terakhir yang tidak terpakai. Perhatikan bahwa solusi ini tentu saja tidak jelas dengan hanya melihat model matematisnya - pada kenyataannya, jika seseorang “serakah” dan mencoba membuat sebanyak mungkin gizmos (karena menghasilkan keuntungan yang lebih tinggi per unit daripada widget), ini akan menghasilkan G = 708 dan W = 0 (di mana pada titik ini semua sumber daya kedua habis terpakai). Namun, keuntungan yang dihasilkan sebesar $7080 adalah sekitar 8% lebih kecil dari yang diperoleh melalui rencana optimal. Alasannya tentu saja karena rencana ini tidak memanfaatkan sumber daya yang tersedia secara efektif dan tidak memperhitungkan interaksi antara keuntungan dan pemanfaatan sumber daya. Meskipun perbedaan yang sebenarnya kecil untuk contoh hipotetis ini, manfaat menggunakan teknik O.R. yang baik dapat menghasilkan perbaikan yang sangat signifikan untuk masalah dunia nyata yang besar.

Validasi dan analisis: Setelah solusi diperoleh, ada dua hal yang perlu dilakukan sebelum seseorang mempertimbangkan untuk mengembangkan kebijakan akhir atau tindakan untuk implementasi. Yang pertama adalah memverifikasi bahwa solusi itu sendiri masuk akal. Seringkali, hal ini tidak terjadi dan alasan yang paling umum adalah bahwa model yang digunakan tidak akurat atau tidak menangkap beberapa masalah utama. Proses untuk memastikan bahwa model tersebut merupakan representasi yang akurat dari sistem disebut validasi dan ini adalah sesuatu yang (jika memungkinkan) harus dilakukan sebelum solusi yang sebenarnya. Namun, terkadang perlu untuk menyelesaikan model untuk menemukan ketidakakuratan di dalamnya. Kesalahan umum yang mungkin ditemukan pada tahap ini adalah bahwa beberapa kendala penting diabaikan dalam formulasi model - ini akan mengarah pada solusi yang secara jelas dikenali sebagai tidak dapat dilakukan dan analis kemudian harus kembali dan memodifikasi model dan menyelesaikannya kembali. Siklus ini terus berlanjut sampai kita yakin bahwa hasilnya masuk akal dan berasal dari representasi sistem yang valid.

Bagian kedua dari langkah ini dalam proses O.R. disebut sebagai analisis postoptimality, atau dalam istilah awam, analisis “bagaimana-jika”. Ingatlah bahwa model yang menjadi dasar dari solusi yang diperoleh adalah (a) abstraksi selektif dari sistem asli, dan (b) dibangun dengan menggunakan data yang dalam banyak kasus tidak 100% akurat. Karena validitas solusi yang diperoleh dibatasi oleh keakuratan model, pertanyaan alami yang menarik bagi seorang analis adalah: “Seberapa kuatkah solusi yang diperoleh sehubungan dengan penyimpangan dalam asumsi yang melekat pada model dan nilai parameter yang digunakan untuk membangunnya?” Untuk mengilustrasikan hal ini dengan masalah produksi hipotetis kita, contoh beberapa pertanyaan yang mungkin ingin ditanyakan oleh seorang analis adalah, (a) “Akankah rencana produksi optimal berubah jika keuntungan yang terkait dengan widget ditaksir terlalu tinggi sebesar 5%, dan jika ya, bagaimana caranya?” atau (b) “Jika sejumlah tambahan Sumber Daya 2 dapat dibeli dengan harga premium, apakah layak dibeli dan jika ya, berapa banyak?” atau (c) “Jika ketidakandalan mesin mengurangi ketersediaan Sumber Daya 3 sebesar 8%, apa pengaruhnya terhadap kebijakan optimal?” Pertanyaan-pertanyaan seperti itu sangat menarik bagi para manajer dan pengambil keputusan yang hidup di dunia yang penuh ketidakpastian, dan salah satu aspek terpenting dari proyek O.R. yang baik adalah kemampuan untuk menyediakan tidak hanya tindakan yang direkomendasikan, tetapi juga rincian tentang jangkauan penerapannya dan sensitivitasnya terhadap parameter model.

Sebelum mengakhiri bagian ini, perlu ditekankan bahwa mirip dengan proyek Teknik Industri tradisional, hasil akhir dari proyek O.R. bukanlah solusi pasti untuk suatu masalah. Sebaliknya, ini adalah jawaban obyektif untuk pertanyaan yang diajukan oleh masalah dan yang menempatkan pengambil keputusan di “lapangan bola” yang benar. Oleh karena itu, sangat penting untuk menyelaraskan solusi analitis yang diperoleh dengan akal sehat dan penalaran subjektif sebelum menyelesaikan rencana implementasi. Dari sudut pandang praktisi, rencana yang baik, masuk akal dan dapat diterapkan jauh lebih diinginkan daripada peningkatan bertahap dalam kualitas solusi yang diperoleh. Ini adalah penekanan dari fase kedua dari belakang dari proses O.R. ini.

Implementasi dan Pemantauan: Langkah terakhir dalam proses O.R. adalah mengimplementasikan rekomendasi akhir dan membangun kontrol terhadapnya. Implementasi memerlukan pembentukan sebuah tim yang kepemimpinannya terdiri dari beberapa anggota tim O.R. yang asli. Tim ini biasanya bertanggung jawab untuk mengembangkan prosedur operasi atau manual dan jadwal waktu untuk menerapkan rencana tersebut. Setelah implementasi selesai, tanggung jawab untuk memantau sistem biasanya diserahkan kepada tim operasional. Dari perspektif O.R., tanggung jawab utama tim operasi adalah untuk mengakui bahwa hasil yang diimplementasikan hanya valid selama lingkungan operasi tidak berubah dan asumsi yang dibuat oleh penelitian tetap valid. Jadi, ketika ada penyimpangan radikal dari dasar yang digunakan untuk mengembangkan rencana, seseorang harus mempertimbangkan kembali strateginya. Sebagai contoh sederhana dalam masalah produksi, jika pemogokan mendadak oleh tenaga kerja menyebabkan penurunan drastis dalam ketersediaan tenaga kerja (Sumber Daya 1, misalnya), maka kita harus mempertimbangkan kembali rencana tersebut secara menyeluruh untuk mendapatkan tindakan alternatif. Sebagai kata terakhir tentang implementasi, harus ditekankan bahwa tanggung jawab utama analis riset operasi adalah menyampaikan hasil proyek kepada manajemen dengan cara yang efektif. Hal ini adalah sesuatu yang sayangnya tidak cukup ditekankan, dan ada banyak contoh studi yang sukses tidak diimplementasikan karena rincian dan manfaatnya tidak disampaikan secara efektif kepada manajemen. Meskipun hal ini tentu saja berlaku untuk setiap proyek secara umum, hal ini sangat penting dalam O.R. karena konten matematisnya dan potensinya untuk tidak sepenuhnya dipahami oleh manajer tanpa latar belakang kuantitatif yang kuat.

Disadur dari: sites.pitt.edu