Program Studi Manajemen · FEB UNDIP

Manajemen Sains

Pertemuan 1 — Pengantar Manajemen Sains
& Pengambilan Keputusan Ilmiah

Bagaimana mengubah masalah manajerial yang kompleks menjadi keputusan berbasis data dan model yang terstruktur.

RPS Minggu 1 Sub-CPMK 1 Durasi 2 × 50 Menit

Selamat datang di Manajemen Sains — MS (singkatan dari Management Science, penerapan metode ilmiah dan matematis untuk mendukung pengambilan keputusan manajerial), salah satu mata kuliah paling aplikatif di program studi Manajemen FEB UNDIP. Hari ini kita mulai dari nol: apa sebenarnya Manajemen Sains itu, mengapa ia penting, dan bagaimana cara kerjanya. Mata kuliah ini bukan tentang menghafal rumus — ini tentang belajar berpikir secara terstruktur dan ilmiah ketika menghadapi masalah bisnis yang tidak punya jawaban jelas. Selama satu semester ke depan, Anda akan belajar melihat masalah manajemen sebagai sesuatu yang bisa dimodelkan, dianalisis, dan diselesaikan secara rasional — keterampilan yang akan Anda pakai sepanjang karier, baik di perusahaan swasta, BUMN, maupun jika Anda membangun usaha sendiri.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menjelaskan konsep Manajemen Sains, Pengambilan Keputusan Ilmiah, dan Pemikiran Sistem — Sub-CPMK (Sub-Capaian Pembelajaran Mata Kuliah) 1. Secara rinci:

Capaian 1 — Konsep Dasar

Mendefinisikan Manajemen Sains, menjelaskan sejarah & area aplikasinya: operasi, keuangan, pemasaran, rantai pasok (supply chain).

Capaian 2 — Tipologi Model

Membedakan model deskriptif, prediktif, dan preskriptif — dengan satu contoh konkret masing-masing dari konteks Indonesia.

Capaian 3 — Proses Keputusan

Menyebutkan 6 langkah proses keputusan ilmiah dan menerapkan Payoff Table + Decision Matrix dengan perhitungan lengkap.

Capaian 4 — Sistem & Bias

Mengenali bias kognitif dalam keputusan dan menjelaskan prinsip pemikiran sistem (systems thinking).

Kasus: Keputusan Rp 1 Triliun — Bagaimana Caranya?

Bayangkan Anda adalah analis di Kementerian BUMN. Ada anggaran Rp 1 triliun yang bisa dialokasikan ke salah satu dari tiga proyek strategis. Mana yang dipilih — dan bagaimana caranya memutuskan secara ilmiah?

Cara Lama — Intuisi

Rapat berjam-jam. Siapa yang paling keras bicara atau paling senior, dialah yang menang. Tidak ada analisis terstruktur, tidak ada kriteria yang eksplisit, tidak bisa diaudit.

Cara Manajemen Sains

Definisikan tujuan. Buat model. Kumpulkan data. Analisis skenario. Ambil keputusan berbasis bukti — transparan dan dapat dipertanggungjawabkan.

Itulah yang kita pelajari semester ini. Bukan mengganti intuisi — tapi melengkapinya dengan struktur ilmiah yang terverifikasi.

Bagian 1 dari 4

Apa & Mengapa
Manajemen Sains

Definisi, ruang lingkup, evolusi historis, dan area aplikasi di berbagai bidang bisnis.

Definisi Sejarah Aplikasi

Definisi & Ruang Lingkup Manajemen Sains

Manajemen Sains (MS) adalah penerapan pendekatan ilmiah — matematis, statistik, komputasional — untuk membantu manajer mengambil keputusan yang lebih baik.

Definisi Inti

Gunakan model (representasi sederhana dari sistem atau masalah nyata yang memungkinkan analisis dan prediksi) untuk merepresentasikan masalah nyata → analisis → tarik rekomendasi keputusan.

Nama Lain MS

Operations Research (OR/Riset Operasi), Decision Science, Quantitative Methods — substansinya sama. OR populer di literatur teknik & militer; QM di banyak kurikulum Indonesia.

Domain	Contoh Masalah
Operasi & Produksi	Berapa unit yang harus diproduksi tiap minggu?
Keuangan & Investasi	Portofolio mana yang optimal? (Relevan untuk nasabah BEI/OJK)
Pemasaran	Bagaimana mengoptimalkan anggaran iklan digital?
Rantai Pasok	Rute pengiriman mana yang paling efisien?

Evolusi Historis Manajemen Sains

"Dari kalkulasi manual di papan tulis tentara → model AI yang berjalan di cloud dalam milidetik." — George Dantzig menciptakan Simplex Method (1947), fondasi hampir semua software optimasi modern. Prescriptive analytics (analitik preskriptif — rekomendasi tindakan terbaik) adalah ujung terkini evolusi ini.

Manajemen Sains lahir dalam situasi krisis yang sangat nyata — Perang Dunia II. Pasukan Sekutu menghadapi masalah logistik yang sangat kompleks: bagaimana mengatur jadwal ribuan kapal, pesawat, dan konvoi agar pasokan sampai tepat waktu. Para ilmuwan dipanggil — matematikawan, fisikawan, insinyur — dan dari sinilah Operations Research atau OR lahir sebagai disiplin. George Dantzig menciptakan Simplex Method pada tahun 1947, algoritma yang sampai sekarang menjadi jantung dari hampir semua software optimasi. Dari papan tulis para peneliti militer, ilmu ini masuk ke lantai pabrik dan ruang rapat, lalu ke spreadsheet di laptop setiap manajer via Excel Solver, dan kini berpadu dengan kecerdasan buatan. Kita hidup di era paling menarik dari evolusi ini — dan Anda memulai belajar MS di momen yang sangat tepat.

Di Mana Manajemen Sains Digunakan?

Operasi & Produksi

Penjadwalan produksi, manajemen inventori (inventory — stok/persediaan barang), pengendalian kualitas.
Contoh: PT Astra International merencanakan kapasitas pabrik di Karawang.

Keuangan & Investasi

Optimasi portofolio, penilaian risiko, stress-testing.
Contoh: OJK (Otoritas Jasa Keuangan) menggunakan simulasi skenario untuk menguji ketahanan bank.

Pemasaran

Segmentasi pelanggan, optimasi anggaran iklan, prediksi permintaan.
Contoh: GoTo mengoptimalkan anggaran promosi digital harian.

Rantai Pasok

Vehicle routing (penentuan rute kendaraan optimal), lokasi gudang, risiko pemasok.
Contoh: JNE/SiCepat merancang rute last-mile (segmen pengiriman terakhir ke pelanggan) di Jawa.

Layanan Publik

Penjadwalan tenaga medis, alokasi APBD, tarif infrastruktur.
Contoh: BPJT (Badan Pengatur Jalan Tol) merancang pola tarif berbasis model permintaan.

SDM & HR

Penjadwalan karyawan, penugasan proyek, perencanaan kapasitas.
Contoh: Garuda Indonesia menjadwalkan awak kabinnya setiap bulan secara optimal.

Bagian 2 dari 4

Model & Proses
Keputusan Ilmiah

Tiga tipologi model yang harus Anda bedakan, dan enam langkah yang memandu setiap pengambilan keputusan berbasis sains.

Tipologi Proses Analisis

Tiga Tipologi Model dalam Manajemen Sains

Deskriptif — "Apa yang terjadi?"

Model deskriptif merepresentasikan atau meringkas situasi nyata. Tidak merekomendasikan tindakan.

Contoh: Laporan penjualan per wilayah; peta distribusi pelanggan Alfamart.

Prediktif — "Apa yang akan terjadi?"

Model prediktif meramalkan kondisi masa depan berdasarkan data historis & statistik.

Contoh: Prediksi permintaan bulanan; model skor kredit OJK.

Preskriptif — "Apa yang harus dilakukan?"

Model preskriptif merekomendasikan keputusan/tindakan terbaik. Ini inti MS.

Contoh: Jadwal produksi optimal; rute distribusi terpendek; portofolio saham efisien.

Ketiga tipe sering bekerja berurutan: Deskripsikan → Prediksi → Preskripsi. MS berkonsentrasi pada tahap ketiga — rekomendasi tindakan.

Enam Langkah Proses Pengambilan Keputusan Ilmiah

Identifikasi & definisi masalah — formulasikan dengan jelas: tujuan, variabel keputusan (variabel yang nilainya bisa dipilih pengambil keputusan), dan batasan.

Pengumpulan & analisis data — data apa yang dibutuhkan? Dari mana? Seberapa andal? Bias apa yang mungkin ada?

Pengembangan model — pilih/bangun representasi matematis atau logis dari masalah sesuai tipologinya.

Pencarian solusi — jalankan model; cari nilai variabel keputusan yang memaksimalkan/meminimalkan tujuan secara feasible (layak, memenuhi semua batasan).

Validasi & pengujian — apakah model masuk akal? Apakah solusinya feasible di dunia nyata? Uji dengan skenario alternatif.

Implementasi & pemantauan — terapkan keputusan; pantau hasilnya; revisi model bila perlu (proses iteratif — diulang dengan perbaikan).

Langkah 1 (definisi masalah) paling sering dilewati karena tampak sepele — padahal salah mendefinisikan masalah = solusi untuk masalah yang salah.

Enam langkah ini terlihat sederhana di atas kertas, tetapi dalam praktik masing-masing memiliki jebakan tersendiri. Langkah pertama, mendefinisikan masalah, sering dianggap sepele padahal ini yang paling kritis. Bayangkan Garuda Indonesia memiliki masalah "penumpang tidak puas" dan langsung memutuskan membeli pesawat baru, padahal masalah sebenarnya adalah jadwal yang selalu terlambat karena manajemen slot bandara yang buruk — itu solusi tepat untuk masalah yang salah. Langkah kedua, pengumpulan data, kini semakin mudah dengan Big Data tetapi juga semakin penuh jebakan: data bisa bias, tidak lengkap, atau tidak relevan. Langkah ketiga sampai kelima adalah inti teknis MS yang akan kita pelajari sepanjang semester. Dan langkah keenam sering terlupakan: implementasi adalah tempat di mana model indah di atas kertas bertemu kenyataan lapangan yang jauh lebih kompleks.

Analisis Biaya-Manfaat — Fondasi Keputusan Rasional

Sebelum memilih opsi apa pun, tanyakan: apakah manfaat yang diperoleh melebihi biaya yang harus dikeluarkan?

Nilai Bersih = Total Manfaat − Total Biaya

Komponen	Tipe	Cara Mengukur
Biaya langsung	Kuantitatif	Nilai moneter eksplisit (Rp)
Biaya tidak langsung	Semi-kuantitatif	Estimasi (produktivitas hilang, dll.)
Manfaat langsung	Kuantitatif	Pendapatan, penghematan (Rp)
Manfaat tidak langsung	Kualitatif	Reputasi, kepuasan, dampak sosial

Analisis biaya-manfaat bukan hanya tentang uang — faktor non-finansial (lingkungan, etika, risiko sosial) harus diperhitungkan secara eksplisit.

Analisis biaya-manfaat adalah cara paling mendasar untuk mengevaluasi suatu keputusan, dan variasinya muncul di hampir semua konteks: mulai dari memilih apakah membeli atau menyewa gedung kantor, hingga keputusan pemerintah apakah membangun jalan tol atau memprioritaskan transportasi umum. Prinsipnya sederhana: hitung manfaat, hitung biaya, kalau manfaatnya lebih besar silakan dilanjutkan. Tetapi tantangannya ada di sana — menghitung "manfaat" dan "biaya" itu tidak selalu mudah, terutama untuk komponen yang tidak punya harga pasar, seperti dampak lingkungan, kepuasan karyawan, atau risiko reputasi. Justru salah satu keterampilan utama yang akan Anda bangun di mata kuliah ini adalah mengubah hal-hal kualitatif menjadi sesuatu yang bisa dibandingkan secara lebih terstruktur — dan itulah yang akan kita lakukan di Decision Matrix nanti.

Bagian 3 dari 4

Alat Keputusan
Kuantitatif

Dari teori ke angka: Payoff Table, Expected Monetary Value, Decision Tree, Decision Matrix, dan SWOT — alat yang langsung bisa Anda pakai.

Payoff Table Decision Matrix SWOT

Payoff Table & Expected Monetary Value (EMV)

Ketika keputusan memiliki beberapa alternatif dan hasilnya bergantung pada kondisi alam (state of nature — skenario eksternal yang tidak bisa dikendalikan, mis. kondisi pasar) yang tidak pasti, gunakan Payoff Table.

	Kondisi Alam S1	Kondisi Alam S2	Kondisi Alam S3
Alternatif A1	Payoff(A1,S1)	Payoff(A1,S2)	Payoff(A1,S3)
Alternatif A2	Payoff(A2,S1)	Payoff(A2,S2)	Payoff(A2,S3)

EMV(Ai) = Σ [ P(Sj) × Payoff(Ai, Sj) ]

P(Sj) = probabilitas kondisi alam Sj; Σ = jumlahkan untuk semua kondisi j. Syarat: P(S1)+P(S2)+…=1.

Pilih alternatif dengan EMV tertinggi bila tujuan adalah memaksimalkan hasil moneter. EMV = rata-rata tertimbang payoff (payoff = hasil/imbal balik) dari semua skenario.

Hitung dari Nol — HDN-1: Memilih Proyek A atau B

Sebuah perusahaan memilih antara Proyek A (konservatif) vs Proyek B (agresif). Tiga skenario pasar dengan probabilitas diketahui — hitung EMV dan tentukan pilihan terbaik.

	Pasar Cerah (P=0,30)	Pasar Normal (P=0,50)	Pasar Buruk (P=0,20)
Proyek A	Rp 800 jt	Rp 500 jt	Rp 100 jt
Proyek B	Rp 1.200 jt	Rp 450 jt	Rp −200 jt

Langkah	Perhitungan	Nilai (juta Rp)
A — Cerah	0,30 × 800	240
A — Normal	0,50 × 500	250
A — Buruk	0,20 × 100	20
EMV(A)	240 + 250 + 20	510
B — Cerah	0,30 × 1.200	360
B — Normal	0,50 × 450	225
B — Buruk	0,20 × (−200)	−40
EMV(B)	360 + 225 + (−40)	545

EMV Proyek B (Rp 545 jt) > Proyek A (Rp 510 jt) → berdasarkan EMV, Proyek B lebih baik. Namun Proyek B berisiko rugi Rp 200 jt di skenario buruk — keputusan akhir bergantung pada toleransi risiko (seberapa besar kerugian yang bersedia ditanggung) perusahaan.

Mari kerjakan dari nol — ini adalah contoh hitung pertama yang wajib ada di pertemuan ini, jadi ikuti setiap langkahnya. Kita punya dua pilihan proyek: A yang konservatif dan B yang agresif. Ada tiga skenario pasar: cerah dengan probabilitas tiga puluh persen, normal lima puluh persen, dan buruk dua puluh persen. Perhatikan bahwa tiga probabilitas itu jumlahnya satu — ini syarat wajib. Untuk EMV Proyek A: nol koma tiga kali delapan ratus sama dengan dua ratus empat puluh; nol koma lima kali lima ratus sama dengan dua ratus lima puluh; nol koma dua kali seratus sama dengan dua puluh. Totalnya lima ratus sepuluh juta. Untuk Proyek B: tiga ratus enam puluh tambah dua ratus dua puluh lima tambah negatif empat puluh, totalnya lima ratus empat puluh lima juta. Tetapi saya minta Anda perhatikan catatan penting: Proyek B berisiko rugi dua ratus juta di skenario buruk — apakah perusahaan sanggup menanggung itu? Itu pertanyaan tentang toleransi risiko yang akan kita perdalam di pertemuan-pertemuan selanjutnya.

Decision Tree — Visualisasi Keputusan Bercabang

Decision Tree (pohon keputusan — representasi grafis dari serangkaian keputusan dan kondisi yang bercabang) memvisualisasikan urutan keputusan dan kondisi alam — berguna saat keputusan bersifat sekuensial.

Rollback (backward induction — menyelesaikan pohon dari ujung ke akar): mulai dari ujung kanan, hitung EMV tiap node peluang (○), pilih cabang terbaik di node keputusan (□), bergerak ke kiri hingga akar.

Decision Matrix — Keputusan Multi-Kriteria

Ketika pilihan dinilai berdasarkan lebih dari satu kriteria dengan bobot (weight) berbeda, gunakan Decision Matrix (Weighted Scoring Matrix / matriks keputusan tertimbang).

Kriteria	Bobot (%)	Alternatif 1	Alternatif 2	Alternatif 3
Kriteria 1	w₁	Skor 1-1	Skor 2-1	Skor 3-1
Kriteria 2	w₂	Skor 1-2	Skor 2-2	Skor 3-2
Skor Tertimbang	100%	Σwᵢ·Sᵢ₁	Σwᵢ·Sᵢ₂	Σwᵢ·Sᵢ₃

Skor Tertimbang(Aj) = Σ [ wᵢ × Skor(i, Aj) ]

wᵢ = bobot kriteria ke-i; Σ = jumlahkan untuk semua kriteria i. Normalisasi skor ke skala seragam (mis. 1–10) sebelum mengalikan.

Langkah kritis: normalisasi skor tiap kriteria ke skala yang sama sebelum mengalikan dengan bobot — jangan membandingkan apel dengan jeruk. Verifikasi Σwᵢ = 100%.

Decision Matrix sangat berguna dalam situasi yang sangat umum di dunia manajemen: harus memilih antara beberapa opsi yang masing-masing unggul di kriteria berbeda. Misalnya perusahaan memilih sistem ERP baru: sistem A murah tapi kurang fitur, sistem B mahal tapi sangat canggih, sistem C menengah di semua aspek. Tidak ada yang jelas-jelas terbaik di semua dimensi sekaligus. Decision Matrix memaksa kita untuk pertama-tama menentukan apa saja kriteria yang relevan dan seberapa penting masing-masing, lalu menilai setiap alternatif di tiap kriteria secara terpisah, dan baru kemudian menggabungkannya menjadi satu skor tertimbang. Hasilnya adalah keputusan yang eksplisit, transparan, dan bisa didiskusikan — bahkan kalau ada yang tidak setuju, mereka bisa menantang asumsi bobot atau skor, bukan sekadar berdebat soal preferensi pribadi.

Hitung dari Nol — HDN-2: Memilih Lokasi Pabrik

Sebuah perusahaan memilih lokasi pabrik di antara 3 kota berdasarkan 4 kriteria. Skor skala 1–10.

Langkah	Perhitungan	Nilai
Semarang — Biaya tanah 35%, Logistik 30%, TK 20%, Insentif Pemda 15%
Biaya tanah (skor 8)	0,35 × 8	2,80
Akses logistik (skor 7)	0,30 × 7	2,10
Tenaga kerja / TK (skor 8)	0,20 × 8	1,60
Insentif Pemda (skor 9)	0,15 × 9	1,35
Total Semarang	2,80 + 2,10 + 1,60 + 1,35	7,85
Surabaya & Bekasi (ringkas)
Total Surabaya	2,10 + 2,70 + 1,60 + 0,90	7,30
Total Bekasi	1,40 + 2,40 + 1,80 + 1,05	6,65

Semarang meraih skor tertimbang tertinggi (7,85) — terutama karena unggul di biaya tanah (kriteria terberat 35%) dan insentif Pemda (insentif pemerintah daerah — keringanan pajak/fasilitas khusus). Surabaya unggul logistik tapi tertinggal di biaya; Bekasi kuat di TK tapi lemah biaya tanah. Verifikasi bobot: 0,35 + 0,30 + 0,20 + 0,15 = 1,00 ✓

Mari kerjakan dari nol lagi — ini adalah contoh hitung kedua yang wajib ada di pertemuan ini. Sebuah perusahaan manufaktur akan membangun pabrik baru dan harus memilih antara Semarang, Surabaya, dan Bekasi. Mereka menetapkan empat kriteria: biaya tanah diberi bobot terbesar tiga puluh lima persen, akses logistik tiga puluh persen, ketersediaan tenaga kerja dua puluh persen, dan insentif Pemda lima belas persen. Perhatikan bahwa jumlah semua bobot harus seratus persen — jika tidak, model kita salah. Untuk Semarang: nol koma tiga lima kali delapan sama dengan dua koma delapan; nol koma tiga kali tujuh sama dengan dua koma satu; nol koma dua kali delapan sama dengan satu koma enam; nol koma satu lima kali sembilan sama dengan satu koma tiga lima. Total tujuh koma delapan lima. Semarang menang terutama karena biaya tanahnya paling murah — skor delapan di kriteria berbobot terbesar sangat menentukan. Itulah keindahan Decision Matrix: keputusannya bisa didiskusikan dan dikritisi secara eksplisit.

SWOT — Alat Kualitatif Pelengkap Model Kuantitatif

SWOT (Strengths, Weaknesses, Opportunities, Threats) bukan pengganti model kuantitatif — ia adalah alat strukturisasi masalah pada Langkah 1 proses keputusan ilmiah.

Strengths — Kekuatan (Internal +)

Faktor internal positif

Mendukung tujuan: merek kuat, teknologi unggul, SDM terampil, posisi pasar dominan.

Weaknesses — Kelemahan (Internal −)

Faktor internal negatif

Menghambat: arus kas lemah, kapasitas produksi terbatas, reputasi merek yang belum kuat.

Opportunities — Peluang (Eksternal +)

Faktor eksternal positif

Bisa dimanfaatkan: regulasi baru yang mendukung, pasar tumbuh, teknologi baru tersedia.

Threats — Ancaman (Eksternal −)

Faktor eksternal negatif

Harus diantisipasi: pesaing baru, kenaikan bahan baku, perubahan regulasi yang merugikan.

Posisi SWOT dalam MS: gunakan SWOT untuk mendefinisikan masalah (Langkah 1) dan mengidentifikasi skenario, lalu lanjutkan ke Payoff Table / Decision Matrix untuk memilih keputusan secara kuantitatif.

Hampir pasti Anda sudah pernah belajar SWOT di Pengantar Manajemen, jadi saya tidak akan mengulang dasarnya. Yang ingin saya tekankan adalah posisi SWOT dalam kerangka Manajemen Sains — dan ini sering disalahpahami. SWOT bukan alat untuk membuat keputusan akhir. SWOT adalah alat untuk mendefinisikan masalah dan memahami konteksnya. Di enam langkah proses keputusan ilmiah yang kita bahas tadi, SWOT paling berguna di Langkah 1 — membantu Anda mengidentifikasi faktor-faktor apa saja yang relevan dan skenario apa yang mungkin terjadi. Setelah itu, SWOT seharusnya dioperasionalkan menjadi model kuantitatif: ancaman dan peluang menjadi skenario di Payoff Table, kekuatan dan kelemahan menjadi kriteria di Decision Matrix. Organisasi yang berhenti di analisis SWOT tanpa melanjutkannya ke keputusan kuantitatif adalah seperti sudah membuat peta tetapi tidak tahu cara menggunakannya untuk navigasi.

Bagian 4 dari 4

Bias, Pemikiran Sistem
& Teknologi

Model terbaik pun bisa gagal kalau pikiran yang memakainya penuh bias — dan kalau solusinya mengabaikan keterkaitan antar-bagian sistem.

Bias Sistem Teknologi

Bias Kognitif & Heuristik yang Mengancam Keputusan

Heuristik (heuristics — jalan pintas mental yang digunakan otak untuk membuat keputusan cepat, umumnya berguna tetapi bisa salah dalam situasi kompleks) sering berguna tapi kadang menjerumuskan. Kenali empat bias paling berbahaya:

Overconfidence Bias

Terlalu yakin pada estimasi sendiri.
Contoh: Manajer proyek meremehkan biaya dan waktu karena merasa "sudah pengalaman." Hampir tidak ada proyek infrastruktur besar Indonesia yang selesai tepat waktu sesuai anggaran awal.

Anchoring Bias

Terlalu terpengaruh angka pertama yang terdengar.
Contoh: Harga pembuka negosiasi mempengaruhi seluruh negosiasi, meskipun angka itu tidak relevan atau sengaja dilebihkan.

Confirmation Bias

Hanya mencari data yang mendukung keyakinan awal, mengabaikan yang bertentangan.
Bahaya: Analisis hanya jadi pembenaran (post-hoc rationalization), bukan pencarian kebenaran.

Sunk Cost Fallacy

Terus melanjutkan proyek gagal karena "sudah terlanjur bayar." Sunk cost (biaya yang sudah dikeluarkan dan tidak dapat dikembalikan) seharusnya tidak mempengaruhi keputusan ke depan.

Model MS membantu melawan bias — karena model memaksa eksplisit, terstruktur, dan dapat diaudit. Tapi model pun bisa bias kalau asumsinya tidak dikritisi.

Salah satu temuan terbesar dari ekonomi perilaku — yang memenangkan Nobel Ekonomi bagi Daniel Kahneman pada 2002 — adalah bahwa manusia secara sistematis membuat kesalahan yang sama, berulang kali, bahkan setelah tahu tentangnya. Overconfidence adalah penyebab paling sering dari proyek yang molor dan membengkak. Anchoring terjadi di setiap negosiasi: angka pertama yang disebutkan, meski tidak masuk akal, menjadi titik referensi yang mengontaminasi negosiasi selanjutnya. Confirmation bias sangat berbahaya dalam penelitian dan analisis: analis yang sudah punya kesimpulan di kepala cenderung mencari data yang mendukung dan mengabaikan yang menentang. Dan sunk cost fallacy adalah keputusan untuk terus mengucurkan uang ke proyek yang jelas gagal hanya karena "sudah terlanjur investasi" — ini sangat umum di proyek BUMN dan startup. Manajemen Sains membantu melawan keempat bias ini karena ia memaksa kita eksplisit: tulis asumsinya, tulis datanya, tulis kalkulasinya, sehingga semuanya bisa dikritisi dan diaudit.

Pemikiran Sistem — Lihat Keseluruhan, Bukan Sepotong

Pemikiran sistem (systems thinking — pendekatan holistik yang memperhatikan keterkaitan dan umpan balik antar-elemen sistem) = kemampuan melihat keterkaitan itu, bukan hanya satu bagian secara terisolasi.

Umpan balik (feedback loop — output proses mempengaruhi inputnya sendiri di masa depan): setiap keputusan di satu bagian sistem mempengaruhi bagian lain, yang lalu kembali mempengaruhi bagian semula.

Bahaya reduksionisme (memecah masalah terlalu kecil tanpa melihat keterkaitan): mengoptimalkan satu bagian sistem sering memperburuk bagian lain. Mis: memangkas biaya distribusi → pengiriman terlambat → pelanggan kabur.

Pemikiran sistem adalah salah satu keterampilan berpikir paling penting yang bisa Anda kembangkan sebagai manajer, dan ironisnya ia jarang diajarkan secara eksplisit di pendidikan formal. Masalahnya adalah kita terbiasa berpikir secara linear — sebab lalu akibat — padahal sebagian besar sistem nyata bersifat siklis dan saling bergantung. Contoh klasik di Indonesia: pemerintah membangun jalan tol baru untuk mengatasi kemacetan di jalur arteri. Dalam jangka pendek kemacetan berkurang. Tetapi karena kini ada jalan cepat, lebih banyak orang membeli mobil dan pindah ke pinggir kota yang baru terhubung. Dua tahun kemudian, tol itu sendiri macet. Ini adalah umpan balik yang tidak diperkirakan karena solusinya dianalisis secara parsial tanpa melihat sistem secara keseluruhan. Dalam konteks MS, pemikiran sistem mengingatkan kita bahwa model kita — secanggih apa pun — hanyalah representasi sebagian dari realita.

Teknologi Pendukung: Excel Solver & Python

MS modern tidak bisa dipisahkan dari teknologi. Dua alat yang akan kita pakai di mata kuliah ini:

Microsoft Excel + Solver

Tersedia di hampir semua komputer kantor di Indonesia
Add-in Solver (add-in Excel yang menyelesaikan masalah optimasi secara otomatis): menyelesaikan masalah optimasi linear dan nonlinear
Dipakai oleh jutaan manajer non-teknis di seluruh dunia
Pertemuan ini: manual dulu. Solver mulai P3.

Python (scipy, PuLP, pandas)

Bahasa pemrograman gratis, open-source
scipy.optimize: optimasi numerik umum
PuLP (library Python untuk pemrograman linear dan integer): solusi MS skala lebih besar
pandas: analisis data dan simulasi
Tidak wajib di P1 — diperkenalkan bertahap

Prinsip: pahami konsep dan hitung manual dulu. Teknologi dipakai setelah Anda mengerti apa yang dihitung — bukan untuk menggantikan pemahaman. Solver bisa menghasilkan angka presisi yang benar-benar salah jika model Anda keliru.

Dua alat teknologi ini akan menemani kita sepanjang semester, tetapi perlu saya luruskan satu hal dari awal: teknologi bukan pengganti pemahaman. Saya selalu bertemu mahasiswa yang berpikir "kalau sudah ada Excel Solver, ngapain susah-susah hitung manual?" Jawabannya: karena kalau tidak tahu apa yang dihitung, Anda tidak akan tahu apakah hasilnya masuk akal atau tidak. Solver bisa saja menghasilkan angka yang tampak presisi tapi benar-benar salah karena model yang Anda masukkan keliru — dan kalau Anda tidak pernah menghitung manual, Anda tidak akan punya insting untuk menangkap kesalahan itu. Itulah mengapa kita mulai dengan tabel dan hitungan tangan, baru bertahap memperkenalkan Solver dan Python. Excel Solver adalah alat yang sangat demokratis — sudah ada di komputer hampir semua kantor dan cukup powerful untuk menyelesaikan masalah bisnis skala menengah.

Studi Kasus: BPJT Memilih Skema Jalan Tol Semarang–Demak

BPJT (Badan Pengatur Jalan Tol) harus memilih skema pendanaan ruas baru: User Pay (bayar tol langsung) vs Availability Payment / AP (pemerintah bayar per ketersediaan jalan). Bagaimana MS membantu?

Langkah MS yang Diterapkan

L1 Masalah: Maksimalkan kelayakan finansial + akses masyarakat.
L2 Data: Proyeksi trafik, biaya konstruksi, kemampuan bayar.
L3 Model: Proyeksi arus kas, sensitivitas trafik, simulasi skenario.
L4 Solusi: Hitung NPV, DSCR, IRR tiap skema di beberapa skenario.
L5 Validasi: Apakah feasible jika trafik 30% di bawah proyeksi?
L6 Implementasi: Perjanjian Konsesi KPBU, monitoring tahunan.

Alat MS yang Dipakai

Payoff Table (skenario trafik × skema pendanaan)
Analisis biaya-manfaat (Pemerintah vs pengguna vs kontraktor)
Pemikiran sistem (dampak ke kota, properti, kemiskinan akses)

BPJT KPBU Jawa Tengah

BPJT nyata menggunakan model simulasi dalam kajian kelayakan KPBU (Kerja Sama Pemerintah dan Badan Usaha — skema kemitraan PPP untuk infrastruktur). MS bukan teori — ini praktik yang sedang berjalan di sekitar Anda.

Studi kasus ini sangat nyata dan dekat secara geografis. Ketika pemerintah merencanakan jalan tol baru, pertanyaan fundamentalnya adalah: skema pendanaan mana yang terbaik? User Pay cocok jika volume lalu lintas tinggi dan pengguna mampu bayar, tetapi berisiko gagal secara finansial jika trafik mengecewakan. Availability Payment cocok untuk menanggung risiko trafik di pemerintah, tetapi membebani APBN jangka panjang. Untuk menjawab pertanyaan ini, BPJT tidak cukup hanya mengandalkan intuisi — mereka harus membangun model proyeksi arus kas, mensimulasikan berbagai skenario trafik, dan menganalisis kelayakan tiap skema secara kuantitatif. Catatan penting: NPV (Net Present Value), DSCR (Debt Service Coverage Ratio), dan IRR (Internal Rate of Return) yang disebut di langkah 4 adalah alat valuasi proyek yang akan dipelajari mendalam di mata kuliah Manajemen Keuangan — di sini cukup tahu bahwa ketiga angka itu adalah ukuran kelayakan finansial yang lazim dipakai BPJT. Inilah persis yang dimaksud dengan Manajemen Sains dalam praktik.

Kapan Kuantitatif Tidak Cukup? Batas Model

Model MS sangat powerful — tapi punya batas yang wajib dikenali setiap praktisi.

Keterbatasan Model

Model selalu penyederhanaan — ada faktor yang tidak termodelkan
Garbage in, garbage out (GIGO) — model bagus + data buruk = hasil buruk
Tidak semua yang penting bisa dikuantifikasi: nilai budaya, kepercayaan, etika
Model statis vs realita dinamis — dunia berubah lebih cepat dari asumsi model

Kapan Pertimbangan Lain Dominan

Keputusan etis: PHK massal yang "optimal" secara finansial tapi merusak komunitas
Ketidakpastian mendalam: pandemi, bencana alam, krisis geopolitik
Keputusan satu kali dengan konsekuensi ireversibel
Konteks politik dan sosial yang tidak bisa dimodelkan

Manajer terbaik tahu kapan harus mempercayai model dan kapan harus melampaui model. MS adalah alat bantu, bukan oracle (entitas yang selalu memberikan jawaban benar — tidak ada di dunia nyata).

Satu hal yang ingin saya pastikan sebelum kita tutup: saya tidak ingin Anda pulang dari kelas ini dengan kesan bahwa Manajemen Sains adalah obat untuk semua masalah bisnis. Itu berbahaya. Seorang analis MS yang baik justru sangat sadar tentang batas model yang ia bangun. Pertama, setiap model adalah penyederhanaan — ada hal-hal yang tidak dimodelkan, dan kadang hal-hal itulah yang justru menentukan. Kedua, dan ini sangat kritis: data yang bias atau tidak akurat akan menghasilkan rekomendasi yang sesat, tidak peduli secanggih apa pun algoritmanya. Ketiga, tidak semua yang penting bisa diukur dalam angka — kepercayaan pelanggan, loyalitas karyawan, reputasi merek adalah faktor nyata tetapi sangat sulit dikuantifikasi. MS adalah alat yang sangat powerful ketika digunakan oleh manajer yang bijak. Kebijaksanaan itu termasuk tahu kapan harus mempercayai model dan kapan harus melampaui model dengan pertimbangan kualitatif dan etis.

Peta Konsep: Apa yang Kita Pelajari Hari Ini

Semua metode di semester ini adalah implementasi dari kerangka yang Anda pelajari hari ini. LP (Pemrograman Linear/Linear Programming) dimulai di Pertemuan 2.

Inilah gambaran utuh pertemuan pertama kita. Di pusat segalanya adalah Manajemen Sains sebagai cara berpikir. Dari sana, lima cabang besar: fondasi sejarah dan definisi, tipologi model, enam langkah proses keputusan ilmiah, tiga alat kuantitatif konkret yang kita latih hari ini, dan dua peringatan penting tentang batas model — bias kognitif dan pemikiran sistem. Semua metode yang akan kita pelajari di pertemuan dua hingga empat belas adalah implementasi spesifik dari kerangka ini. LP (Linear Programming) adalah metode optimasi untuk masalah dengan fungsi tujuan dan batasan linear — ini adalah topik utama Pertemuan 2 sampai 4. Kalau Anda paham kerangka ini, belajar metode-metode spesifik itu akan terasa jauh lebih mudah karena Anda tahu posisinya di peta besar. Simpan slide ini sebagai referensi sepanjang semester.

Persiapan Pertemuan 2 & Tugas Mandiri

Persiapan P2 — Pemrograman Linear

Baca: Anderson et al. Ch. 2 (Pengantar LP) atau Albright & Winston Bab 3
Aktifkan Excel Solver: File → Options → Add-ins → Solver Add-in → Go → centang
Preview: formulasi LP, fungsi tujuan, batasan linear

Tugas Mandiri Sebelum P2

Tulis satu contoh masalah keputusan nyata di sekitar Anda (mis. memilih kos, memilih magang). Identifikasi: alternatif, kondisi alam, payoff-nya.
Aktifkan Excel Solver dan buat Payoff Table sederhana dari soal Latihan B-1.

Ringkasan Sub-CPMK 1: Anda telah mengenal Manajemen Sains, tipologi model (deskriptif/prediktif/preskriptif), enam langkah keputusan ilmiah, Payoff Table (EMV: A = Rp 510 jt, B = Rp 545 jt), Decision Matrix (Semarang 7,85 > Surabaya 7,30 > Bekasi 6,65), bias kognitif, dan pemikiran sistem. Ini adalah fondasi seluruh mata kuliah.

Sub-CPMK 1 Selesai

Kita menutup pertemuan pertama. Sebelum berpisah, ada dua hal yang saya minta Anda lakukan sebelum pertemuan kedua. Pertama, coba aktifkan Excel Solver di laptop Anda hari ini juga — kalau ada yang kesulitan, datang ke saya atau tanya teman yang sudah berhasil, karena Solver akan kita pakai mulai Pertemuan 3. Kedua, kerjakan tugas mandiri kecil: identifikasi satu masalah keputusan nyata di kehidupan Anda — bisa sesederhana memilih antara dua tawaran kerja paruh waktu, atau memilih kos untuk semester depan. Coba rumuskan: apa alternatifnya, kondisi alam apa yang mempengaruhi, dan kira-kira apa payoff-nya di tiap kombinasi. Ini latihan supaya Anda mulai melihat kehidupan sehari-hari dengan kacamata Manajemen Sains. Di Pertemuan 2 kita masuk ke Pemrograman Linear — metode optimasi paling fundamental dalam MS. Sampai jumpa minggu depan.

Manajemen Sains

Pertemuan 1 — Pengantar Manajemen Sains& Pengambilan Keputusan Ilmiah

Tujuan Pembelajaran Hari Ini

Kasus: Keputusan Rp 1 Triliun — Bagaimana Caranya?

Definisi & Ruang Lingkup Manajemen Sains

Evolusi Historis Manajemen Sains

Di Mana Manajemen Sains Digunakan?

Tiga Tipologi Model dalam Manajemen Sains

Enam Langkah Proses Pengambilan Keputusan Ilmiah

Analisis Biaya-Manfaat — Fondasi Keputusan Rasional

Payoff Table & Expected Monetary Value (EMV)

Hitung dari Nol — HDN-1: Memilih Proyek A atau B

Decision Tree — Visualisasi Keputusan Bercabang

Decision Matrix — Keputusan Multi-Kriteria

Hitung dari Nol — HDN-2: Memilih Lokasi Pabrik

SWOT — Alat Kualitatif Pelengkap Model Kuantitatif

Bias Kognitif & Heuristik yang Mengancam Keputusan

Pemikiran Sistem — Lihat Keseluruhan, Bukan Sepotong

Teknologi Pendukung: Excel Solver & Python

Studi Kasus: BPJT Memilih Skema Jalan Tol Semarang–Demak

Kapan Kuantitatif Tidak Cukup? Batas Model

Peta Konsep: Apa yang Kita Pelajari Hari Ini

Persiapan Pertemuan 2 & Tugas Mandiri

Pertemuan 1 — Pengantar Manajemen Sains
& Pengambilan Keputusan Ilmiah