Operation Research and Analysis

Matematika Komputasi : Pengertian, dan Bidang dalam Matematika Komputasi

Dipublikasikan oleh Dias Perdana Putra pada 16 April 2024


Matematika komputasional 

Matematika komputasi mencakup studi matematika dalam matematika serta bidang ilmiah di mana ilmu komputer memainkan peran sentral dan penting, menekankan algoritma, metode numerik, dan perhitungan simbolik.

Matematika komputasi terapan adalah penggunaan matematika untuk mengaktifkan dan meningkatkan perhitungan komputasi dalam matematika terapan. Matematika Komputasi juga dapat merujuk pada penggunaan komputer dalam matematika itu sendiri. Hal ini termasuk penggunaan komputer untuk perhitungan matematis (aljabar komputer), studi tentang apa yang dapat (dan tidak dapat) dikomputerisasi dalam matematika (metode efektif), perhitungan apa yang dapat dilakukan dengan teknologi saat ini (Teori Kompleksitas), dan demonstrasi apa yang diperlukan. mungkin dilakukan. diterima. dilakukan di komputer (tes asisten).

Bidang matematika komputasi

Matematika komputasi, sebagai cabang yang berkembang dari matematika terapan pada awal 1950-an, melibatkan beragam aspek yang mencakup ilmu komputasi atau komputasi ilmiah, yang mencakup pemecahan masalah matematika melalui simulasi komputer daripada metode analitik matematika terapan.

Disiplin ini mencakup penerapan metode numerik seperti aljabar linier numerik dan solusi numerik persamaan diferensial parsial, serta metode stokastik seperti metode Monte Carlo untuk mengatasi representasi ketidakpastian dalam konteks komputasi ilmiah.

Matematika komputasi juga mencakup analisis numerik dan teori metode numerik, kompleksitas komputasi, aljabar komputer, dan sistem aljabar komputer. Selain itu, penelitian berbantuan komputer diterapkan dalam berbagai bidang matematika, seperti logika, matematika diskrit, kombinatorik, teori bilangan, dan topologi aljabar komputasi.

Aspek kriptografi dan keamanan komputer, termasuk pengujian primalitas, faktorisasi, kurva eliptik, dan matematika blockchain, juga menjadi bagian dari matematika komputasi. Disiplin ini juga merambah ke linguistik komputasi, geometri aljabar komputasi, teori grup komputasi, geometri komputasi, teori bilangan komputasi, topologi komputasi, statistik komputasi, teori informasi algoritma, teori permainan algoritma, dan ekonomi matematika yang melibatkan penerapan matematika dalam ekonomi, keuangan, dan sebagian akuntansi. Ini juga mencakup eksplorasi matematika eksperimental.

Disadur dari : en.wikipedia.org

Selengkapnya
Matematika Komputasi : Pengertian, dan Bidang dalam Matematika Komputasi

Operation Research and Analysis

Optimasi kombinatorial : Pengertian, Aplikasi, Metode dan Masalah Optimasi

Dipublikasikan oleh Dias Perdana Putra pada 16 April 2024


Optimasi kombinatorial

Optimasi kombinatorial merupakan subbidang optimasi matematis yang terdiri dari pencarian objek yang optimal dari sekumpulan objek berhingga, dimana himpunan solusi fisibel adalah diskrit atau dapat direduksi menjadi himpunan diskrit. Masalah optimasi kombinatorial yang umum adalah masalah travelling salesman ("TSP"), masalah pohon merentang minimum ("MST"), dan masalah knapsack. Dalam banyak masalah seperti itu, seperti yang disebutkan sebelumnya, pencarian lengkap tidak dapat dilacak, sehingga algoritma khusus yang dengan cepat mengesampingkan sebagian besar ruang pencarian atau algoritma perkiraan harus digunakan sebagai gantinya.

Optimasi kombinatorial berkaitan dengan riset operasi, teori algoritma, dan teori kompleksitas komputasi. Ini memiliki aplikasi penting di beberapa bidang, termasuk kecerdasan buatan, pembelajaran mesin, teori lelang, rekayasa perangkat lunak, matematika terapan, dan ilmu komputer teoretis.

Beberapa literatur penelitian menganggap optimasi diskrit terdiri dari pemrograman integer bersama dengan optimasi kombinatorial (yang pada gilirannya terdiri dari masalah optimasi yang berhubungan dengan struktur grafik), meskipun semua topik ini memiliki literatur penelitian yang terkait erat. Ini sering melibatkan penentuan cara untuk secara efisien mengalokasikan sumber daya yang digunakan untuk menemukan solusi untuk masalah matematika.

Aplikasi

Logistik

  • Optimalisasi rantai pasokan
  • Mengembangkan jaringan jari-jari dan tujuan maskapai terbaik
  • Memutuskan taksi mana dalam armada yang akan dirutekan untuk mengambil tarif
  • Menentukan cara pengiriman paket yang optimal
  • Mengalokasikan pekerjaan kepada orang-orang secara optimal
  • Merancang jaringan distribusi air
  • Masalah ilmu kebumian (misalnya laju aliran reservoir)

Metode

Ada banyak literatur tentang algoritma waktu polinomial untuk kelas khusus tertentu dari optimasi diskrit. Sejumlah besar itu disatukan oleh teori pemrograman linier. Beberapa contoh masalah optimasi kombinatorial yang dicakup oleh kerangka kerja ini adalah jalur terpendek dan pohon jalur terpendek, aliran dan sirkulasi, pohon rentang, pencocokan, dan masalah matroid.

Untuk masalah optimasi diskrit lengkap NP, literatur penelitian saat ini mencakup topik-topik berikut:

  • waktu polinomial kasus khusus yang dapat dipecahkan secara tepat dari masalah yang dihadapi (misalnya, masalah yang dapat diselesaikan dengan parameter tetap)
  • algoritme yang berkinerja baik pada instans "acak" (mis. untuk masalah penjual keliling)
  • algoritma aproksimasi yang berjalan dalam waktu polinomial dan menemukan solusi yang mendekati optimal
  • memecahkan contoh dunia nyata yang muncul dalam praktik dan tidak selalu menunjukkan perilaku kasus terburuk dalam masalah NP-lengkap (misalnya contoh TSP dunia nyata dengan puluhan ribu node [6]).

Masalah optimasi kombinatorial dapat dilihat sebagai pencarian elemen terbaik dari beberapa set item diskrit; oleh karena itu, pada prinsipnya, segala jenis algoritma pencarian atau metaheuristik dapat digunakan untuk menyelesaikannya. Mungkin pendekatan [kata musang] yang paling dapat diterapkan secara universal adalah cabang-dan-terikat (algoritma tepat yang dapat dihentikan kapan saja untuk berfungsi sebagai heuristik), cabang-dan-potong (menggunakan optimasi linier untuk menghasilkan batas), dinamis pemrograman (konstruksi solusi rekursif dengan jendela pencarian terbatas) dan pencarian tabu (algoritma swapping tipe serakah). Namun, algoritma pencarian generik tidak dijamin untuk menemukan solusi optimal terlebih dahulu, juga tidak dijamin berjalan cepat (dalam waktu polinomial). Karena beberapa masalah optimasi diskrit adalah NP-complete, seperti masalah travelling salesman (decision),[7] hal ini diharapkan kecuali P=NP.

Definisi formal

Secara formal, masalah optimisasi kombinatorial A adalah empat kali lipat(I,f,m,g), di mana

  • I adalah sekumpulan instance;
  • diberikan contoh x\in Iadalah himpunan hingga dari solusi layak;
  • diberikan contoh x dan solusi yang layak y dari x, m(x,y) menunjukkan ukuran y, yang biasanya real positif.
  • g adalah fungsi tujuan, dan merupakan \min atau \max .

Tujuannya adalah kemudian untuk menemukan beberapa contoh x solusi optimal, yaitu solusi yang layak y dengan

m(x,y)=g\{m(x,y')\mid y'\in f(x)\}.

Untuk setiap masalah optimasi kombinatorial, ada masalah keputusan terkait yang menanyakan apakah ada solusi yang layak untuk ukuran tertentu m_{0}. Misalnya, jika ada graf G yang berisi simpul u dan v, masalah pengoptimalan mungkin "menemukan jalur dari u ke v yang menggunakan tepi paling sedikit". Masalah ini mungkin memiliki jawaban, katakanlah, 4. Masalah keputusan yang sesuai adalah "apakah ada jalur dari u ke v yang menggunakan 10 sisi atau lebih sedikit?" Masalah ini dapat dijawab dengan sederhana 'ya' atau 'tidak'.

Bidang algoritme aproksimasi berkaitan dengan algoritme untuk menemukan solusi yang mendekati optimal untuk masalah sulit. Versi keputusan yang biasa kemudian merupakan definisi masalah yang tidak memadai karena hanya menentukan solusi yang dapat diterima. Meskipun kita dapat memperkenalkan masalah keputusan yang sesuai, masalah tersebut kemudian secara lebih alami dicirikan sebagai masalah optimasi.

Masalah optimasi NP

Masalah optimasi NP (NPO) adalah masalah optimasi kombinatorial dengan kondisi tambahan berikut.[9] Perhatikan bahwa polinomial yang dirujuk di bawah ini adalah fungsi dari ukuran input fungsi masing-masing, bukan ukuran beberapa set implisit dari instance input.

  • ukuran setiap solusi yang layak {\displaystyle y\in f(x)} dibatasi secara polinomial dalam ukuran instance yang diberikan x,
  • bahasa {\displaystyle \{\,x\,\mid \,x\in I\,\}} dan {\displaystyle \{\,(x,y)\,\mid \,y\in f(x)\,\}} dapat dikenali dalam waktu polinomial, dan
  • m adalah waktu polinomial yang dapat dihitung.

Ini menyiratkan bahwa masalah keputusan yang sesuai ada di NP. Dalam ilmu komputer, masalah optimasi yang menarik biasanya memiliki sifat-sifat di atas dan oleh karena itu merupakan masalah NPO. Masalah juga disebut masalah optimasi-P (PO), jika ada algoritma yang menemukan solusi optimal dalam waktu polinomial. Seringkali, ketika berhadapan dengan kelas NPO, seseorang tertarik pada masalah optimasi yang versi keputusannya adalah NP-complete. Perhatikan bahwa hubungan kekerasan selalu berkaitan dengan beberapa pengurangan. Karena hubungan antara algoritma aproksimasi dan masalah optimasi komputasi, reduksi yang mempertahankan aproksimasi dalam beberapa hal lebih disukai untuk subjek ini daripada reduksi Turing dan Karp biasa. Contoh pengurangan seperti itu adalah pengurangan-L. Untuk alasan ini, masalah optimasi dengan versi keputusan NP-complete tidak selalu disebut NPO-complete.

NPO dibagi menjadi beberapa subkelas berikut menurut perkiraannya:

  • NPO(I): Sama dengan FPTAS. Berisi masalah Knapsack.
  • NPO(II): Sama dengan PTAS. Berisi masalah penjadwalan Makespan.
  • NPO(III): :Kelas masalah NPO yang memiliki algoritma polinomial-waktu yang menghitung solusi dengan biaya paling banyak c kali biaya optimal (untuk masalah minimisasi) atau biaya paling sedikit {\displaystyle 1/c}1/c dari biaya optimal (untuk masalah maksimisasi). Dalam buku Hromkovi[yang mana?], yang dikecualikan dari kelas ini adalah semua masalah NPO(II) kecuali jika P=NP. Tanpa pengecualian, sama dengan APX. Berisi MAX-SAT dan metrik TSP.
  • NPO(IV): :Kelas masalah NPO dengan algoritma waktu polinomial yang mendekati solusi optimal dengan rasio polinomial dalam logaritma dari ukuran input. Dalam buku Hromkovi, semua masalah NPO(III) dikeluarkan dari kelas ini kecuali P=NP. Berisi masalah set cover.
  • NPO(V): :Kelas masalah NPO dengan algoritma waktu polinomial yang mendekati solusi optimal dengan rasio yang dibatasi oleh beberapa fungsi pada n. Dalam buku Hromkovic, semua masalah
  • NPO(IV) dikeluarkan dari kelas ini kecuali P=NP. Berisi masalah TSP dan klik.

Masalah NPO disebut berbatas polinomial (PB) jika, untuk setiap instance x dan untuk setiap solusi {\displaystyle y\in f(x)}, ukurannya {\displaystyle m(x,y)}dibatasi oleh fungsi polinomial dengan ukuran x. Kelas NPOPB adalah kelas masalah NPO yang berbatas polinomial.

Masalah khusus

Ini adalah daftar dinamis dan mungkin tidak akan pernah dapat memenuhi standar kelengkapan tertentu. Anda dapat membantu dengan menambahkan item yang hilang dengan sumber terpercaya.

Tur wiraniaga keliling yang optimal melalui 15 kota terbesar di Jerman. Ini adalah tur terpendek di antara 43.589.145.600 kemungkinan tur yang mengunjungi setiap kota tepat satu kali.

  • Masalah tugas
  • Masalah penutupan
  • Masalah kepuasan kendala
  • Masalah pemotongan stok
  • Masalah himpunan yang mendominasi
  • Pemrograman bilangan bulat
  • Masalah ransel
  • Variabel relevan minimum dalam sistem linier
  • Pohon merentang minimum
  • Masalah penjadwalan perawat
  • Setel masalah penutup
  • Penjadwalan toko kerja
  • Masalah penjual keliling
  • Masalah penjadwalan ulang kendaraan
  • Masalah perutean kendaraan
  • Masalah penugasan target senjata
  • Masalah pengepakan tempat sampah

Disadur dari: en.wikipedia.org

Selengkapnya
Optimasi kombinatorial : Pengertian, Aplikasi, Metode dan Masalah Optimasi

Operation Research and Analysis

Benchmarking : Pengertian, Sejarah, Biaya dan Jenis

Dipublikasikan oleh Dias Perdana Putra pada 16 April 2024


Benchmarking

Benchmarking melibatkan perbandingan proses bisnis dan metrik kinerja dengan praktik terbaik industri dan praktik perusahaan lain. Dimensi yang biasa diukur meliputi kualitas, waktu dan biaya. Proses ini menggunakan metrik tertentu seperti biaya per unit, produktivitas per unit, waktu siklus per unit, atau cacat per unit untuk memperoleh indikator kinerja utama yang kemudian dibandingkan dengan kinerja perusahaan lain.

Benchmarking, juga dikenal sebagai "benchmarking praktik terbaik" atau "benchmarking proses", digunakan dalam manajemen di mana organisasi mengevaluasi aspek-aspek tertentu dari proses mereka terhadap proses praktik terbaik industri perusahaan lain, biasanya dalam satu kelompok rekan terpelajar untuk tujuan perbandingan. Hal ini memungkinkan perusahaan untuk merencanakan perbaikan atau mengadopsi praktik terbaik untuk meningkatkan kinerja mereka. Meskipun merupakan peristiwa yang terisolasi, benchmarking sering dipandang sebagai proses berkelanjutan dimana perusahaan terus berupaya untuk meningkatkan praktik mereka.

Dalam manajemen proyek, benchmarking juga dapat mendukung pemilihan, perencanaan dan pelaksanaan proyek. Dalam pembandingan praktik terbaik, manajemen mengidentifikasi perusahaan terbaik di industrinya atau industri serupa dengan membandingkan hasil dan proses yang diperiksa dengan hasil dan proses perusahaannya sendiri. Tujuannya adalah untuk memahami kinerja perusahaan yang paling sukses dan mengidentifikasi proses bisnis yang menjelaskan kesuksesan mereka. Benchmarking dapat digunakan sebagai alat penilaian berkelanjutan untuk membantu organisasi terus meningkatkan praktik mereka berdasarkan standar industri atau praktik terbaik yang teridentifikasi.

Sejarah

Analisis komparatif yang berawal dari sejarah senjata dan amunisi memiliki tujuan yang sesuai dengan kondisi perekonomian, yaitu perbandingan dan peningkatan kinerja. Pengenalan senjata mesiu secara historis telah mengubah dinamika pertempuran, seperti halnya benchmarking yang telah mengubah pendekatan terhadap bisnis. Analogi ini dibuat dengan peralihan dari busur dan anak panah ke senjata, yang mengubah peran pemanah menjadi penembak jitu. Seiring berkembangnya industri senjata api di abad ke-19, produksi massalamunisi menggantikan pemuatan tangan, sehingga menciptakan kebutuhan untuk menemukan kombinasi senapan dan amunisi terbaik.

Pada tahun 2008, studi mendalam yang dilakukan oleh Global Benchmarking Network menemukan bahwa alat perbaikan yang paling umum digunakan adalah misi dan visi, survei pelanggan, analisis SWOT, dan benchmarking informal.Tolok ukur kinerja dan praktik terbaik juga digunakan dan tren ini akan terus semakin populer di masa depan. Analisis ini menjelaskan secara rinci penggunaan benchmarking dalam berbagai alat manajemen serta menjelaskan perkembangan dan perkiraan penggunaannya.

Prosedur

Tidak ada proses benchmarking tunggal yang telah diadopsi secara universal. Daya tarik yang luas dan penerimaan benchmarking telah menyebabkan munculnya metodologi benchmarking. Satu buku mani adalah Benchmarking Boxwell untuk Keunggulan Kompetitif (1994). Buku pertama tentang benchmarking, ditulis dan diterbitkan oleh Kaiser Associates, adalah panduan praktis dan menawarkan pendekatan tujuh langkah. Robert Camp (yang menulis salah satu buku paling awal tentang benchmarking pada tahun 1989) mengembangkan pendekatan 12-tahap untuk benchmarking.

Metodologi 12 tahap terdiri dari:

  1. Pilih subjek
  2. Tentukan prosesnya
  3. Identifikasi mitra potensial
  4. Identifikasi sumber data
  5. Kumpulkan data dan pilih semua mitra
  6. Tentukan kesenjangan
  7. Tetapkan perbedaan proses
  8. Targetkan kinerja masa depan
  9. Menyampaikan
  10. Sesuaikan tujuan
  11. Melaksanakan
  12. Tinjau dan kalibrasi ulang

Berikut ini adalah contoh metodologi benchmarking yang khas:

  • Identifikasi area masalah: Karena benchmarking dapat diterapkan pada proses atau fungsi bisnis apa pun, berbagai teknik penelitian mungkin diperlukan. Mereka termasuk percakapan informal dengan pelanggan, karyawan, atau pemasok; teknik penelitian eksplorasi seperti kelompok fokus; atau riset pemasaran mendalam, riset kuantitatif, survei, kuesioner, analisis rekayasa ulang, pemetaan proses, laporan varians kontrol kualitas, analisis rasio keuangan, atau sekadar meninjau waktu siklus atau indikator kinerja lainnya. Sebelum memulai perbandingan dengan organisasi lain, penting untuk mengetahui fungsi dan proses organisasi; kinerja lapisan dasar memberikan titik di mana upaya peningkatan dapat diukur.
  • Identifikasi industri lain yang memiliki proses serupa: Misalnya, jika seseorang tertarik untuk meningkatkan hand-off dalam pengobatan kecanduan, ia akan mengidentifikasi bidang lain yang juga memiliki tantangan hand-off. Ini dapat mencakup kontrol lalu lintas udara, peralihan telepon seluler antar menara, pemindahan pasien dari operasi ke ruang pemulihan.
  • Identifikasi organisasi yang menjadi pemimpin di bidang ini: Carilah yang terbaik di industri mana pun dan di negara mana pun. Konsultasikan dengan pelanggan, pemasok, analis keuangan, asosiasi perdagangan, dan majalah untuk menentukan perusahaan mana yang layak dipelajari.
  • Perusahaan survei untuk tindakan dan praktik: Perusahaan menargetkan proses bisnis tertentu menggunakan survei terperinci tentang tindakan dan praktik yang digunakan untuk mengidentifikasi alternatif proses bisnis dan perusahaan terkemuka. Survei biasanya ditutupi untuk melindungi data rahasia oleh asosiasi dan konsultan netral.
  • Kunjungi perusahaan "praktik terbaik" untuk mengidentifikasi praktik terdepan: Perusahaan biasanya setuju untuk saling bertukar informasi yang bermanfaat bagi semua pihak dalam kelompok pembanding dan berbagi hasil di dalam kelompok.
  • Menerapkan praktik bisnis baru dan lebih baik: Ambil praktik terdepan dan kembangkan rencana implementasi yang mencakup identifikasi peluang spesifik, mendanai proyek, dan menjual ide kepada organisasi dengan tujuan mendapatkan nilai yang ditunjukkan dari proses tersebut.

Biaya

Tiga jenis biaya utama dalam benchmarking adalah:

  • Biaya Kunjungan - Ini termasuk kamar hotel, biaya perjalanan, makan, hadiah token, dan waktu kerja yang hilang.
  • Biaya Waktu - Anggota tim benchmarking akan menginvestasikan waktu untuk meneliti masalah, menemukan perusahaan luar biasa untuk dipelajari, dikunjungi, dan diimplementasikan. Ini akan menjauhkan mereka dari tugas rutin mereka untuk sebagian dari setiap hari sehingga staf tambahan mungkin diperlukan.
  • Benchmarking Biaya Basis Data - Organisasi yang melembagakan benchmarking ke dalam prosedur harian mereka merasa berguna untuk membuat dan memelihara basis data praktik terbaik dan perusahaan yang terkait dengan setiap praktik terbaik sekarang.

Biaya benchmarking secara substansial dapat dikurangi dengan memanfaatkan banyak sumber daya internet yang bermunculan selama beberapa tahun terakhir. Ini bertujuan untuk menangkap tolok ukur dan praktik terbaik dari organisasi, sektor bisnis, dan negara untuk membuat proses pembandingan lebih cepat dan lebih murah.

Pembandingan teknis/produk

Teknik yang awalnya digunakan untuk membandingkan strategi perusahaan yang ada dengan pandangan untuk mencapai kinerja terbaik dalam situasi baru (lihat di atas), baru-baru ini diperluas ke perbandingan produk teknis. Proses ini biasanya disebut sebagai “technical benchmarking” atau “product benchmarking”. Penggunaannya dikembangkan dengan baik dalam industri otomotif ("pembandingan otomotif"), di mana sangat penting untuk merancang produk yang sesuai dengan harapan pengguna yang tepat, dengan biaya minimal, dengan menerapkan teknologi terbaik yang tersedia di seluruh dunia. Data diperoleh dengan sepenuhnya membongkar mobil yang ada dan sistemnya. Analisis tersebut awalnya dilakukan di rumah oleh pembuat mobil dan pemasok mereka. Namun, karena analisis ini mahal, mereka semakin banyak dialihdayakan ke perusahaan yang berspesialisasi dalam bidang ini. Outsourcing telah memungkinkan penurunan drastis dalam biaya untuk setiap perusahaan (dengan pembagian biaya) dan pengembangan alat yang efisien (standar, perangkat lunak).

Jenis

Benchmarking dapat bersifat internal (membandingkan kinerja antara kelompok atau tim yang berbeda dalam suatu organisasi) atau eksternal (membandingkan kinerja dengan perusahaan dalam industri tertentu atau lintas industri). Dalam kategori yang lebih luas ini, ada tiga jenis pembandingan khusus: 1) Pembandingan proses, 2) Pembandingan kinerja, dan 3) Pembandingan strategis. Hal-hal tersebut dapat dirinci lebih lanjut sebagai berikut:

  • Proses benchmarking - perusahaan yang memulai memfokuskan pengamatan dan penyelidikan proses bisnis dengan tujuan mengidentifikasi dan mengamati praktik terbaik dari satu atau lebih perusahaan benchmark. Analisis aktivitas akan diperlukan jika tujuannya adalah untuk membandingkan biaya dan efisiensi; semakin diterapkan pada proses back-office di mana outsourcing dapat menjadi pertimbangan. Pembandingan adalah tepat di hampir setiap kasus di mana proses desain ulang atau perbaikan akan dilakukan selama biaya studi tidak melebihi manfaat yang diharapkan.
  • Pembandingan keuangan - melakukan analisis keuangan dan membandingkan hasilnya dalam upaya menilai daya saing dan produktivitas Anda secara keseluruhan.
  • Benchmarking dari perspektif investor- memperluas dunia benchmarking untuk juga dibandingkan dengan perusahaan sejenis yang dapat dianggap sebagai peluang investasi alternatif dari perspektif investor.
  • Pembandingan di sektor publik - berfungsi sebagai alat untuk perbaikan dan inovasi dalam administrasi publik, di mana organisasi negara menginvestasikan upaya dan sumber daya untuk mencapai kualitas, efisiensi dan efektivitas layanan yang mereka berikan.
  • Pembandingan kinerja - memungkinkan perusahaan pemrakarsa untuk menilai posisi kompetitif mereka dengan membandingkan produk dan layanan dengan perusahaan target.
  • Pembandingan produk - proses merancang produk baru atau meningkatkan ke yang sekarang. Proses ini terkadang dapat melibatkan rekayasa balik yang membongkar produk pesaing untuk menemukan kekuatan dan kelemahan.
  • Benchmarking strategis - melibatkan mengamati bagaimana orang lain bersaing. Jenis ini biasanya tidak spesifik industri, artinya yang terbaik adalah melihat industri lain, yaitu Benchmarking Strategis dengan bantuan PIMS (Dampak laba dari strategi pemasaran).
  • Pembandingan fungsional - perusahaan akan memfokuskan pembandingannya pada satu fungsi untuk meningkatkan pengoperasian fungsi tertentu. Fungsi kompleks seperti Sumber Daya Manusia, Keuangan dan Akuntansi serta Teknologi Informasi dan Komunikasi tidak mungkin dapat dibandingkan secara langsung dalam hal biaya dan efisiensi dan mungkin perlu dipisahkan ke dalam proses untuk membuat perbandingan yang valid.
  • Pembandingan terbaik di kelasnya - melibatkan mempelajari pesaing terkemuka atau perusahaan yang paling baik menjalankan fungsi tertentu.
  • Pembandingan operasional mencakup segala hal mulai dari staf dan produktivitas hingga aliran kantor dan analisis prosedur yang dilakukan.
  • Pembandingan energi - proses pengumpulan, analisis, dan hubungan data kinerja energi dari aktivitas yang sebanding dengan tujuan mengevaluasi dan membandingkan kinerja antara atau di dalam entitas. Entitas dapat mencakup proses, bangunan, atau perusahaan. Pembandingan mungkin bersifat internal antara entitas dalam satu organisasi, atau - tunduk pada pembatasan kerahasiaan - eksternal antara entitas yang bersaing.

Peralatan

Perangkat lunak benchmarking dapat digunakan untuk mengatur sejumlah besar dan kompleks informasi. Paket perangkat lunak dapat memperluas konsep pembandingan dan analisis kompetitif dengan memungkinkan individu untuk menangani jumlah atau strategi yang begitu besar dan kompleks. Alat tersebut mendukung berbagai jenis pembandingan (lihat di atas) dan dapat mengurangi biaya di atas secara signifikan.

Teknologi mesin benchmarking yang muncul mengotomatiskan tahap beralih dari data ke wawasan komparatif yang patut diperhatikan, kadang-kadang bahkan mengungkapkan wawasan dalam kalimat bahasa Inggris.

Pembandingan metrik

Pendekatan lain untuk membuat perbandingan melibatkan penggunaan informasi biaya atau produksi yang lebih agregat untuk mengidentifikasi unit berkinerja kuat dan lemah. Dua bentuk analisis kuantitatif yang paling umum digunakan dalam benchmarking metrik adalah data envelopment analysis (DEA) dan analisis regresi. DEA memperkirakan tingkat biaya yang harus dapat dicapai oleh perusahaan yang efisien di pasar tertentu. Dalam regulasi infrastruktur, DEA dapat digunakan untuk memberi penghargaan kepada perusahaan/operator yang biayanya mendekati batas efisien dengan keuntungan tambahan. Analisis regresi memperkirakan apa yang rata-rata perusahaan harus dapat capai. Dengan analisis regresi, perusahaan yang berkinerja lebih baik dari rata-rata dapat diberi penghargaan sementara perusahaan yang berkinerja lebih buruk dari rata-rata dapat dihukum. Studi benchmarking tersebut digunakan untuk membuat perbandingan tolok ukur, yang memungkinkan pihak luar untuk mengevaluasi kinerja operator dalam suatu industri. Teknik statistik canggih, termasuk analisis garis batas stokastik, telah digunakan untuk mengidentifikasi kinerja tinggi dan lemah dalam industri, termasuk aplikasi ke sekolah, rumah sakit, utilitas air, dan utilitas listrik.

Salah satu tantangan terbesar untuk benchmarking metrik adalah berbagai definisi metrik yang digunakan di antara perusahaan atau divisi. Definisi dapat berubah dari waktu ke waktu dalam organisasi yang sama karena perubahan dalam kepemimpinan dan prioritas. Perbandingan yang paling berguna dapat dibuat ketika definisi metrik sama antara unit yang dibandingkan dan tidak berubah sehingga perbaikan dapat diubah.

Disadur dari : en.wikipedia.org

Selengkapnya
Benchmarking : Pengertian, Sejarah, Biaya dan Jenis

Operation Research and Analysis

Heuristik ketersediaan : Penjelasan, Sejarah, Ikhtisar, dan Penelitian

Dipublikasikan oleh Dias Perdana Putra pada 16 April 2024


Heuristik ketersediaan

Heuristik ketersediaan atau bias ketersediaan adalah jalan pintas mental yang mengandalkan contoh langsung yang terlintas dalam pikiran saat mengevaluasi topik, konsep, metode, atau keputusan tertentu. Heuristik ini didasarkan pada gagasan bahwa informasi yang mudah diingat dipandang lebih penting atau bermakna dibandingkan solusi alternatif yang sulit diingat. Ada bias yang melekat terhadap informasi yang baru diakses ketika mengambil keputusan. Ketersediaan mental atas konsekuensi suatu tindakan berhubungan positif dengan persepsi konsekuensi tersebut; Semakin mudah diingat, semakin besar pula dampak yang dirasakan. Orang cenderung mempercayai isi ingatan mereka, terutama ketika implikasinya tidak dipertanyakan, karena kesulitan mengingat informasi dapat mempengaruhi penilaian mereka.

Sejarah dan Ikhtisar

Pada akhir tahun 1960an dan awal tahun 1970an, Amos Tversky dan Daniel Kahneman mengembangkan konsep “heuristik dan bias” untuk penilaian dalam kondisi ketidakpastian. Bertentangan dengan pandangan sebelumnya tentang manusia sebagai aktor rasional, mereka menunjukkan bahwa penilaian dalam kondisi ketidakpastian sering kali mengandalkan penyederhanaan heuristik daripada pemrosesan algoritmik yang komprehensif.

Salah satu heuristik yang dipelajari Tversky dan Kahneman adalah “heuristik ketersediaan”, yang melibatkan pembuatan penilaian berdasarkan contoh yang mudah diingat. Heuristik ini digunakan ketika orang menilai frekuensi suatu peristiwa berdasarkan kemampuan mereka mengingat peristiwa serupa. Meskipun banyak penelitian telah dilakukan mengenai heuristik ketersediaan, masih terdapat perdebatan tentang proses yang mendasarinya.Penelitian menunjukkan bahwa memanipulasi pengalaman subjektif dapat mempengaruhi tingkat ingatan, dan sulit untuk membedakan apakah penilaian didasarkan pada pengalaman fenomenal partisipan atau hanya pada sampel informasi yang diingat yang bias. Beberapa tafsir menekankan bahwa penilaian seseorang selalu didasarkan pada apa yang terlintas dalam pikirannya, seperti ketika ditanya tentang kata bahasa Inggris yang mengandung huruf “at” atau “ak”.

Penelitian

Chapman (1967) mengidentifikasi bias dalam menilai frekuensi terjadinya dua peristiwa yang dikenal sebagai korelasi ilusi. Tversky dan Kahneman menjelaskan bahwa ketersediaan memberikan penjelasan alami atas efek korelasi ilusi. Mereka menunjukkan bahwa kekuatan hubungan antara dua peristiwa dapat menjadi dasar untuk mengevaluasi frekuensi terjadinya dua peristiwa secara bersamaan.

Dalam studi pertama heuristik ketersediaan Tversky dan Kahneman,peserta melebih-lebihkan jumlah kata yang dimulai dengan huruf "K" dan meremehkan jumlah kata yang memiliki huruf ketiga "K". Studi mereka juga mencakup temuan bahwa peserta cenderung memilih struktur visual dengan jalur yang tersedia lebih jelas, meremehkan hasil akhir dalam tugas estimasi, dan memperkirakan hasil perkalian berdasarkan urutan angka yang disajikan.Akibatnya, orang menjawab pertanyaan dengan membandingkan ketersediaan kedua kategori tersebut dan menilai seberapa mudah mereka mengingat peristiwa tersebut, yang terkadang menyebabkan kesalahan penilaian.

Penjelasan

Banyak penelitian telah berusaha untuk mengidentifikasi proses psikologis yang menghasilkan heuristik ketersediaan. Tversky dan Kahneman berpendapat bahwa jumlah contoh yang diambil dari ingatan digunakan untuk menyimpulkan frekuensi terjadinya suatu peristiwa. Dalam percobaan untuk menguji penjelasan tersebut, peserta mendengarkan daftar nama-nama terkenal dan diminta mengingat atau memprediksi jenis kelamin yang paling sering muncul.

Hasilnya menunjukkan bahwa nama orang terkenal lebih mudah diingat dan sebagian besar peserta salah menilai seberapa sering gender muncul. Schwarz dan rekannya mengusulkan akun kemudahan mengingat yang menggunakan kemudahan mengingat contoh, bukan jumlah contoh, untuk menyimpulkan frekuensi kelas tertentu.

Studi mereka menunjukkan bahwa kemudahan mengingat konten mempengaruhi penilaian; Lebih mudah mengingat 6 contoh dibandingkan 12. Penelitian yang dilakukan Vaughn (1999) melibatkan siswa yang diminta membuat daftar metode pembelajaran. Hasil penelitian menunjukkan bahwa siswa menggunakan heuristik ketersediaan berdasarkan jumlah metode pembelajaran yang mereka ikuti untuk memprediksi kinerja mereka tergantung pada tingkat ketidakpastian selama semester tersebut.

Disadur dari : en.wikipedia.org

Selengkapnya
Heuristik ketersediaan : Penjelasan, Sejarah, Ikhtisar, dan Penelitian

Operation Research and Analysis

Optimasi Koloni Semut : Algoritma, Gambaran Umum dan Sistem Feromom Buatan

Dipublikasikan oleh Dias Perdana Putra pada 16 April 2024


Algoritma optimasi koloni semut

Dalam dunia ilmu komputer dan riset operasi, algoritma Ant Colony Optimization (ACO) menonjol sebagai teknik probabilistik untuk memecahkan masalah komputasi yang dapat direduksi menjadi menemukan jalur optimal dalam grafik. Inspirasi utama ACO berasal dari perilaku semut biologis, dimana komunikasi berbasis feromon sering dijadikan paradigma utama. Kombinasi semut buatan dan algoritma pencarian lokal telah menjadi pilihan pertama untuk berbagai tugas optimasi termasuk perutean kendaraandan perutean Internet.

Misalnya, optimasi koloni semut adalah suatu kelas algoritma yang terinspirasi oleh tindakan koloni semut. Semut buatan bertindak sebagai agen simulasi untuk menjelajahi ruang parameter guna menemukan solusi optimal, mirip dengan semut biologis yang mengeluarkan feromon untuk memandu semut lain menuju sumber daya.Dalam simulasi, semut buatan mencatat posisi dan kualitas solusi sehingga semut dapat menemukan solusi yang lebih baik pada iterasi berikutnya. Varian dari pendekatan ini adalah algoritma lebah, yang mencerminkan pola mencari makan lebah madu dan serangga sosial lainnya.

ACO pertama kali diusulkan oleh Marco Dorigo pada tahun 1992 dan pada awalnya dirancang untuk menemukan jalur optimal dalam grafik berdasarkan perilaku semut biologis. Seiring waktu, ide dasar ini berkembang untuk memecahkan berbagai masalah numerik dengan memanfaatkan berbagai aspek perilaku semut. Sebagai anggota keluarga algoritma koloni semut, metode kecerdasan gerombolan, dan optimasi metaheuristik, ACO melakukan pencarian berbasis model dan memiliki kesamaan dengan algoritma distribusi.

Gambaran Umum

Di alam, semut dari beberapa spesies awalnya berkeliaran tanpa pandang bulu dan, setelah menemukan makanan, kembali ke koloninya, meninggalkan jejak feromon. Jejak kaki ini menjadi petunjuk saat mencari semut lain; Jika mereka menemukan jejak, kemungkinan besar mereka akan mengikuti jejak feromon tersebut, kembali dan memperkuatnya ketika mereka akhirnya menemukan makanan (lihat komunikasi semut). Namun, seiring berjalannya waktu, jejak feromon tersebut menghilang sehingga mengurangi daya tariknya.Semakin lama semut menempuh jalur tersebut, semakin banyak waktu yang dimiliki feromon untuk menguap.

Rute yang lebih pendek lebih menarik karena lebih sering dilalui, sehingga kepadatan feromon lebih tinggi pada rute yang lebih pendek dibandingkan dengan rute yang lebih panjang.Penguapan feromon juga bermanfaat untuk menghindari konvergensi menuju solusi optimal lokal. Tanpa penguapan, jalur yang dipilih semut pertama kemungkinan besar akan terlalu menarik bagi semut berikutnya, sehingga sulit menjelajahi ruang solusi. Meskipun pengaruh penguapan feromon dalam sistem semut alami masih belum jelas, namun hal ini penting dalam sistem buatan.

Ketika semut menemukan jalur yang baik dari koloni menuju sumber makanan, semut lain umumnya cenderung mengikuti jalur tersebut, dan umpan balik positif pada akhirnya menyebabkan banyak semut mengambil jalur yang sama. Ide di balik algoritma koloni semut adalah untuk meniru perilaku ini melalui “simulasi semut” yang dijalankan di sekitar grafik yang mewakili masalah yang sedang dipecahkan.

Jaringan ambien objek cerdas

Pada saat “kecerdasan” tidak lagi terpusat tetapi dapat ditemukan pada objek-objek yang sangat kecil, diperlukan suatu konsep baru. Kini perlu ditinjau kembali konsep antroposentris yang sebelumnya memusatkan pengolahan data dan perhitungan kekuatan di unit kendali. Model otak manusia telah menjadi visi utama dalam pengembangan komputer. Namun, konsep ini berubah secara signifikan dengan munculnya jaringan objek cerdas dan sistem informasi generasi baru berbasis nanoteknologi. Meskipun perangkat kecil tidak menghasilkan kecerdasan tinggi secara individual, namun jika dihubungkan bersama, perangkat tersebut dapat menghasilkan kecerdasan kolektif, mirip dengan koloni semut atau lebah.

Contoh dari alam menunjukkan bahwa organisme yang sangat kecil, jika mengikuti aturan dasar yang sama, dapat menciptakan kecerdasan kolektif pada tingkat makroskopis. Koloni serangga sosial, bekerja sama dengan unit independen yang berperilaku sederhana, mewakili model masyarakat yang berbeda dengan manusia. Mereka bergerak untuk melakukan tugas dengan sedikit informasi. Analoginya dapat ditemukan pada jaringan benda-benda disekitarnya, dimana fleksibilitas dan kemampuan beradaptasi terhadap perubahan lingkungan sangatlah penting. Sama seperti koloni semut yang memiliki kemampuan beradaptasi dan kekuatan kolektif, jaringan seluler yang berkembang juga dapat memperoleh manfaat dari fleksibilitas serupa.Paket informasi yang bergerak melalui jaringan objek dapat dibandingkan dengan pergerakan semut yang bergerak melalui node dengan tujuan mencapai tujuan akhirnya secepat mungkin. Oleh karena itu, penggunaan konsep-konsep ini dalam situasi tertentu dapat membuka pintu menuju kecerdasan yang lebih tinggi dibandingkan dengan sistem terpusat tradisional.

Sistem Feromom Buatan

Sistem feromon buatan telah menjadi fokus penelitian karena komunikasi berbasis feromon telah terbukti menjadi salah satu alat komunikasi paling efektif yang banyak digunakan di alam. Serangga sosial seperti lebah, semut, dan rayap menggunakan feromon untuk berkomunikasi antar agen dan dalam kawanan agen. Efektivitas komunikasi ini mendorong penggunaan feromon buatan dalam pengembangan sistem robot gerombolan dan multi-robot.

Penerapan komunikasi berbasis feromon dapat dilakukan dengan berbagai metode, baik kimia maupun fisika. Contohnya adalah penggunaan cahaya yang diproyeksikan, seperti yang dijelaskan dalam artikel IEEE oleh Garnier, Simon et al. dari tahun 2007.Studi ini menjelaskan pengaturan eksperimental dengan mikrorobot otonom untuk menyelidiki komunikasi berbasis feromon. Pendekatan lain adalah dengan menyebarkan feromon melalui layar LCD horizontal, dan robot dilengkapi dengan sensor cahaya yang menghadap ke bawah untuk merekam pola pada permukaan di bawahnya. Meskipun mereka berhasil menciptakan kembali beberapa aspek komunikasi feromon alami, aplikasi ini gagal mereplikasi sepenuhnya kompleksitas seluruh sistem feromonseperti yang terlihat di alam.

Disadur dari : en.wikipedia.org

Selengkapnya
Optimasi Koloni Semut : Algoritma, Gambaran Umum dan Sistem Feromom Buatan

Operation Research and Analysis

Anchoring Effect : Temuan, Pengertian dan Karakteristik

Dipublikasikan oleh Dias Perdana Putra pada 16 April 2024


Anchoring Effect

Efek penahan, juga dikenal sebagai "achoring effect," adalah fenomena psikologis di mana penilaian atau keputusan individu dipengaruhi oleh suatu titik acuan atau "jangkar" yang mungkin sama sekali tidak relevan. Fenomena ini melibatkan penanganan numerik dan non-numerik. Dalam konteks penanganan numerik, setelah nilai jangkar ditetapkan, argumen berikutnya, perkiraan, atau keputusan seseorang dapat mengalami perubahan dari apa yang seharusnya terjadi tanpa jangkar tersebut. Sebagai contoh, seseorang mungkin lebih cenderung membeli mobil jika ditempatkan bersama model yang lebih mahal sebagai jangkar. Meskipun harga yang dibahas dalam negosiasi lebih rendah dari harga yang ditetapkan, itu mungkin tampak masuk akal atau bahkan murah bagi pembeli, meskipun sebenarnya masih lebih tinggi dari nilai pasar sebenarnya. Fenomena ini pertama kali dideskripsikan dalam konteks psikofisika, dan contohnya mencakup penilaian orbit Mars dengan menggunakan orbit Bumi sebagai jangkar. Efek penahan dapat memainkan peran dalam penilaian dan keputusan manusia, meskipun jangkauan pengaruhnya dapat bervariasi.

Temuan Experimental

Heuristik penahan, yang pertama kali diteorikan oleh Amos Tversky dan Daniel Kahneman, mencakup fenomena di mana penilaian atau keputusan seseorang dipengaruhi oleh titik acuan atau "jangkar" yang mungkin tidak relevan. Pada studi pertamanya, peserta diminta menghitung perkalian angka satu banding delapan dalam lima detik, dan hasilnya dipengaruhi oleh urutan perkalian awal. Penelitian lain menunjukkan bahwa referensi numerik, seperti B. Nomor jaminan sosial, tawaran atau perkiraan nilai suatu barang dapat terpengaruh. Contoh lainnya adalah efek penahan dalam memprediksi harga properti berdasarkan harga tertinggi pada suatu periode tertentu. Dalam perilaku pembelian saham, efek penahan ditemukan mempengaruhi harga pembelian saham pertama, yang menjadi acuan pembelian di masa depan.Efek penahan mencerminkan cara orang membuat perkiraan atau keputusan berdasarkan titik acuan yang mungkin tidak masuk akal namun tetap mempengaruhi persepsi terhadap nilai atau harga sesuatu.

Karakteristik

Kesulitan untuk menghidari

Berbagai penelitian menunjukkan bahwa efek penahan sulit dihindari. Misalnya, dalam sebuah penelitian, siswa diberi nomor palsu tentang Mahatma Gandhi dan diminta menebak kapan dia meninggal. Meskipun semua pernyataan yang dibuat salah, kedua kelompok membuat tebakan yang berbeda, sehingga menunjukkan adanya efek penahan.

Ada juga upaya untuk menghilangkan penyumbatan secara langsung. Dalam sebuah penelitian, peserta dihadapkan pada sebuah jangkar dan secara eksplisit diberitahu bahwa jangkar tersebut akan mempengaruhi respons mereka.Meskipun mereka menyadari adanya efek penahan, peserta masih melaporkan perkiraan yang lebih tinggi. Penelitian lebih lanjut menunjukkan bahwa meskipun ada insentif moneter, kebanyakan orang tidak dapat secara efektif mengurangi efek penahan tersebut.

Meskipun upaya telah dilakukan untuk mengurangi bias penahan, Strategi Pertimbangan Terbalik (COS) terbukti paling dapat diandalkan. COS mendorong individu untuk mempertimbangkan pilihan-pilihan yang bertentangan dengan persepsi dan keyakinan mereka, sehingga menghilangkan sikap-sikap sebelumnya dan membatasi dampak bias keputusan.

Daya Tahan Penahan

Daya tahan dari penahan, atau kegigihan dari efek penahan, telah terbukti cukup lama, menunjukkan bahwa pengaruhnya terhadap pengambilan keputusan terhadap suatu tujuan tidak berkurang seiring berjalannya waktu. Untuk menguji umur panjang efek penahan, serangkaian tiga percobaan dilakukan. Meskipun terdapat penundaan selama satu minggu pada sebagian populasi sampel, hasil serupa diperoleh untuk penilaian target yang bersifat segera dan tertunda. Hal ini menunjukkan bahwa informasi eksternal yang diperoleh selamauji coba yang tertunda memiliki pengaruh yang kecil dibandingkan dengan efek penahan yang dihasilkan sendiri, menunjukkan bahwa efek penahan mungkin mendahului durasi persiapan, terutama jika efek penahan terjadi selama penyelesaian tugas. Namun, penelitian selanjutnya yang meneliti ketahanan efek penahan yang efektif dalam jangka waktu yang lama menghasilkan hasil yang bertentangan.

Menahan Bias dalam Kelompok

Meskipun pepatah “dua kepala lebih baik daripada satu” sering kali mengarah pada asumsi bahwa kelompok pengambil keputusan lebih tidak memihak dibandingkan individu, hasil dalam hal ini tidak selalu konsisten. Beberapa kelompok mungkin memiliki kinerja yang lebih baik dibandingkan individu, namun kelompok juga mungkin memiliki bias yang sama atau lebih besar dibandingkan anggota individunya. Faktor-faktor seperti metode komunikasi, pemrosesan dan pengumpulan informasi yang diskriminatif dapat mengurangi kualitas proses pengambilan keputusan kelompok dan memperkuat bias yang sudah ada.

Alasan penangguhan kelompok tersebut belum sepenuhnya jelas. Penanda kelompok dapat muncul di tingkat kelompok atau sekadar mencerminkan penjangkar pribadi beberapa individu. Penelitian sebelumnya menunjukkan bahwa ketika diberikan jangkar sebelum percobaan, setiap anggota kelompok mengkonsolidasikan jangkarnya sendiri untuk mengambil keputusan tentang arah penempatan jangkar. Perbedaan antara bias penahan individu dan kelompok terletak pada kecenderungan kelompok untuk mengabaikan atau menolak informasi eksternal karena keyakinan terhadap proses pengambilan keputusan bersama.

Percobaan dilakukan untuk menguji bias penahan dalam kelompok dan mencari solusi untuk menghindari atau mengurangi efek penahan. Eksperimen menunjukkan bahwa kelompok memang dipengaruhi oleh jangkar, dan berbagai metode seperti: Pendekatan lain, seperti menggunakan kepemilikan proses dan motivasi melalui kompetisi daripada kerja sama, disarankan sebagai cara untuk mengurangi pengaruh jangkar dalam kelompok.

Intelijen bisnis

Tujuan dari penelitian ini adalah untuk menguji pengaruh sistem intelijen bisnis (BI) terhadap efek penahan dalam studi peer-review. BI mengacu pada seperangkat perangkat lunak dan layanan yang membantu perusahaan mengumpulkan informasi tentang kinerja bisnis. Pertanyaan utama penelitian ini adalah sejauh mana sistem BI dapat mengurangi bias kognitif, khususnya efek penahan, dalam proses pengambilan keputusan.

Variabel independen dalam penelitian ini adalah penggunaan sistem BI, sedangkan variabel dependennya adalah hasil proses pengambilan keputusan. Subyek diberikan jangkar yang dapat dipandang sebagai jangkar yang “masuk akal” dan “salah” ketika membuat keputusan prognostik.Hasil penelitian menunjukkan bahwa meskipun sistem BI mampu mengurangi dampak negatif dari false jangkar, namun tidak memberikan dampak yang signifikan terhadap dampak dari plausible jangkar. Hasil ini menunjukkan bahwa masyarakat masih rentan terhadap bias kognitif dalam konteks bisnis, bahkan ketika menggunakan teknologi canggih seperti sistem BI. Oleh karena itu, para peneliti merekomendasikan untuk mengintegrasikan peringatan dini mengenai efek penahan ke dalam sistem BI untuk mengurangi dampaknya terhadap pengambilan keputusan.

Disadur dari : en.wikipedia.org

Selengkapnya
Anchoring Effect : Temuan, Pengertian dan Karakteristik
« First Previous page 7 of 9 Next Last »