Program Studi Manajemen • FEB UNDIP

Manajemen Sains

Pertemuan 14 — TOPSIS & Refleksi Integrasi Mata Kuliah

Teknik pengambilan keputusan multi-kriteria terbaik secara sistematis — dan satu peta besar yang menghubungkan seluruh topik satu semester.

RPS Minggu 15 • Sub-CPMK 8 & 9 • Durasi 2 × 50 Menit

Selamat datang di pertemuan terakhir Manajemen Sains — Pertemuan 14. Hari ini kita menutup mata kuliah dengan dua hal besar: pertama, teknik TOPSIS (Technique for Order Preference by Similarity to Ideal Solution — teknik meranking pilihan berdasarkan kedekatan ke solusi ideal), yang merupakan cara sistematis untuk memilih satu alternatif terbaik dari banyak pilihan berdasarkan banyak kriteria secara bersamaan. Kedua, kita akan berdiri sejenak dan melihat seluruh mata kuliah ini sebagai satu peta yang utuh — bukan kumpulan teknik yang terpencar-pencar. Setelah pertemuan ini, Anda tidak hanya membawa satu teknik baru, tetapi juga memiliki gambaran menyeluruh tentang bagaimana ilmu manajemen sains bekerja dalam praktik nyata di dunia kerja. Bersiaplah untuk satu pertemuan yang padat dan memuaskan secara intelektual.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu: (Sub-CPMK 8 & 9)

Capaian 1 — Konsep TOPSIS

Menjelaskan logika ideal positif (A+), ideal negatif (A−), dan closeness index (C* — indeks kedekatan; nilai 0–1 yang menentukan ranking TOPSIS).

Capaian 2 — Hitung TOPSIS

Melaksanakan 7 langkah TOPSIS untuk decision matrix 4×5 secara lengkap tanpa kesalahan aritmetika.

Capaian 3 — AHP vs TOPSIS

Membandingkan AHP (Analytic Hierarchy Process — metode MCDM yang pakai perbandingan berpasangan) dan TOPSIS dari dimensi skala, konsistensi, dan output.

Capaian 4 — Integrasi

Menggambarkan peta koneksi semua topik Manajemen Sains dari LP hingga MCDM (Multi-Criteria Decision Making — pengambilan keputusan multi-kriteria).

Beli Smartphone Baru — Pilih yang Mana?

Anda punya Rp 5 juta, ingin beli HP untuk mendukung usaha. Ada 4 pilihan. Kriteria: harga, baterai, kamera, storage, kecepatan. Mana terbaik?

Model	Harga (juta)	Baterai (mAh)	Kamera (MP)
HP-A	3,0	4.000	12
HP-B	5,0	5.000	48
HP-C	4,5	4.500	32
HP-D	3,5	3.500	20

Masalahnya: HP-A termurah tapi kamera terburuk. HP-B baterai terbaik tapi termahal. HP-D terjangkau tapi baterai lemah. Tidak ada yang sempurna di semua kriteria $\to$ butuh metode sistematis.

Decision matrix (matriks keputusan — tabel yang memetakan m alternatif × n kriteria beserta nilainya) adalah langkah pertama TOPSIS.

Inilah yang diselesaikan TOPSIS — secara matematis, bukan tebak-tebakan.

Blok 1 dari 4

01TOPSIS — Konsep & Logika

Ideal positif, ideal negatif, dan closeness index

TOPSIS — Technique for Order Preference by Similarity to Ideal Solution

Sejarah

Dikembangkan oleh Hwang & Yoon (1981) dalam Multiple Attribute Decision Making. Metode MCDM yang paling banyak dipakai di dunia industri dan akademik selama lebih dari 40 tahun.

MCDM = Multi-Criteria Decision Making — pengambilan keputusan dengan banyak kriteria sekaligus.

Filosofi Inti

Definisikan solusi ideal positif (A+) = alternatif hipotetis terbaik di semua kriteria.
Definisikan solusi ideal negatif (A−) = alternatif hipotetis terburuk di semua kriteria.
Pilih alternatif yang paling dekat ke A+ dan paling jauh dari A−.

Kunci: TOPSIS tidak hanya memilih yang paling dekat ke sempurna — ia juga mempertimbangkan seberapa jauh dari yang terburuk. Kombinasi keduanya menghasilkan ranking yang lebih seimbang.

TOPSIS diciptakan oleh dua peneliti — Hwang dan Yoon — pada tahun 1981, dan sampai hari ini masih menjadi salah satu teknik MCDM yang paling sering dikutip dalam literatur ilmiah. Nama lengkapnya dalam Bahasa Inggris adalah Technique for Order Preference by Similarity to Ideal Solution, yang bisa diterjemahkan sebagai "teknik mengurutkan preferensi berdasarkan kedekatan ke solusi ideal." Ide dasarnya sangat intuitif: kita terlebih dahulu mendefinisikan dua titik ekstrem — titik terbaik yang mungkin (A+) dan titik terburuk yang mungkin (A−). Kemudian kita memilih alternatif yang posisinya paling baik secara relatif terhadap kedua titik itu, yaitu yang paling dekat ke A+ sekaligus paling jauh dari A−. Ini lebih canggih dibanding sekadar memilih yang terbagus secara mutlak, karena TOPSIS mempertimbangkan konteks seluruh alternatif.

Dua Titik Acuan: A+ dan A−

Alternatif	Harga (Rp juta)	Kualitas (skor)
HP-A	3,0	80
HP-B	5,0	90
HP-C	4,0	70

A+ (ideal positif): Harga = 3,0 (min) • Kualitas = 90 (max)

A− (ideal negatif): Harga = 5,0 (max) • Kualitas = 70 (min)

A+ dan A− adalah hipotetis (tidak nyata ada — hanya acuan perhitungan) — belum tentu ada satu alternatif yang memiliki semua nilai A+.

Kriteria benefit (↑ lebih baik) & cost (↓ lebih baik) menentukan cara memilih A+/A−.

Closeness Index C* — Jantung TOPSIS

Bayangkan timbangan: satu sisi menyimpan jarak ke yang TERBAIK $(S^{+})$, satu sisi menyimpan jarak ke yang TERBURUK $(S^{-}). C*$ adalah porsi “dekat ke yang terburuk” dibanding total jarak — makin besar porsi itu, makin bagus alternatifnya.

$$C*_{i} = S^{-}_{i} / (S^{+}_{i} + S^{-}_{i})$$

$S^{+}_{i} =$ jarak alternatif i ke A+ • $S^{-}_{i} =$ jarak alternatif i ke A-

$C* \to 1$

Alternatif sangat dekat ke A+ dan sangat jauh dari $A- \to$ pilihan terbaik.

$C* \to 0$

Alternatif sangat jauh dari A+ dan sangat dekat $ke A- \to$ pilihan terburuk.

Ranking: urutkan C* dari terbesar ke terkecil. Alternatif dengan C* terbesar = Peringkat 1.

Blok 2 dari 4

02Tujuh Langkah TOPSIS

Decision matrix $\to$ normalisasi $\to$ bobot $\to A+/A- \to$ jarak $\to C* \to$ ranking

1 Matrix

2 Norm.

3 Bobot

4 A+/A−

5 S+/S−

6 C*

7 Rank

Langkah 1 & 2: Decision Matrix $\to$ Normalisasi

Langkah 1 — Decision Matrix

Susun tabel m alternatif (baris) $\times n$ kriteria (kolom) dengan nilai $x_{ij} =$ nilai alternatif i pada kriteria j.

Langkah 2 — Normalisasi Euclidean

$$r_{ij} = x_{ij} / \sqrt{\sum_{i} x_{ij}^{2}}$$

›Indeks i = baris (alternatif); j = kolom (kriteria).
›$\sum_{i} =$ jumlahkan ke bawah satu kolom (semua alternatif pada kriteria yang sama).
›Setelah normalisasi: jumlah kuadrat semua nilai dalam satu kolom = 1 (norma vektor = 1).

Jangan campurkan normalisasi Euclidean ini dengan normalisasi min-max! Rumusnya berbeda. TOPSIS pakai akar jumlah kuadrat, bukan rentang (max−min).

Mengapa normalisasi? Tiap kriteria punya satuan berbeda (harga dalam jutaan Rp, baterai dalam mAh, kamera dalam MP). Tanpa normalisasi, kriteria dengan angka besar mendominasi secara tidak adil. Setelah normalisasi Euclidean, semua kolom berada pada skala yang setara.

Langkah 3: Weighted Normalized Matrix

$$v_{ij} = w_{j} \times r_{ij}$$

Definisi & Syarat

$w_{j}$ = bobot kriteria ke-j (ditetapkan oleh pengambil keputusan)

Syarat wajib: $\sum_{j} w_{j} = 1$ (total bobot = 100%)

$v_{ij}$ = nilai ternormalisasi berbobot

Contoh bobot: $w = [0,25; 0,20; 0,25; 0,15; 0,15] \to$ total = 1,00 ✓

Langkah	Nilai $r_{ij}$	$w_{j}$	$v_{ij}$
T, C1	0,539	0,25	0,135
S, C1	0,431	0,25	0,108
L, C1	0,647	0,25	0,162
B, C1	0,323	0,25	0,081

Bobot mencerminkan prioritas pengambil keputusan. Bisa ditetapkan langsung atau diturunkan dari AHP.

Langkah 4: Ideal Positif A+ dan Negatif A−

Aturan Penentuan A+ dan A−

Jenis Kriteria	$v^{+}_{j} (A+)$	$v^{-}_{j} (A-)$
Benefit (↑ lebih baik)	max	min
Cost (↓ lebih baik)	min	max

Benefit criterion: semakin besar nilai semakin baik, mis. kualitas, baterai, fitur.
Cost criterion: semakin kecil nilai semakin baik, mis. harga, waktu tunggu, komisi.

⚠ Sumber kesalahan terbanyak! Membalik A+ dan A− untuk kriteria cost adalah kesalahan paling fatal dalam TOPSIS. Simpan tabel aturan ini di depan Anda saat mengerjakan soal.

Ilustrasi Cepat

Kriteria “Komisi%” (cost): A+ = nilai terendah (komisi terkecil = terbaik untuk UMKM)

Kriteria “Fitur Promosi” (benefit): A+ = nilai tertinggi (fitur terlengkap = terbaik)

Langkah 5 & 6: Separation Measures & Closeness C*

Langkah 5 — Jarak Euclidean n-dimensi

$$S^{+}_{i} = \sqrt[ \sum_{j} (v_{ij} - v^{+}_{j})^{2} ]$$

$$S^{-}_{i} = \sqrt[ \sum_{j} (v_{ij} - v^{-}_{j})^{2} ]$$

Seperti teorema Pythagoras di banyak dimensi (sebanyak jumlah kriteria n).

Langkah 6 — Relative Closeness C*

$$C*_{i} = S^{-}_{i} / (S^{+}_{i} + S^{-}_{i})$$

$C*_{i}$ ∈ [0, 1] • Semakin besar $C*_{i}$, semakin baik peringkatnya.

Langkah 7 — Ranking: Urutkan semua $C*_{i}$ dari besar ke kecil. Alternatif dengan $C*_{i}$ tertinggi = Peringkat 1.

Hitung dari Nol — Platform E-Commerce UMKM (Bagian I)

Alternatif: Tokopedia (T), Shopee (S), Lazada (L), Bukalapak (B) • 5 kriteria.

Pengingat: cost = makin kecil makin baik (↓); benefit = makin besar makin baik (↑). Label ini menentukan cara menentukan A+ dan A− di Langkah 4.

Langkah 1 — Decision Matrix $x_{ij}$

Altr	C1 Komisi% (cost,w=0,25)	C2 Fitur (benefit,w=0,20)	C3 UI (benefit,w=0,25)	C4 Jangkauan (benefit,w=0,15)	C5 Iklan (cost,w=0,15)
T	5	8	7	9	6
S	4	9	8	10	7
L	6	7	6	7	5
B	3	6	7	6	4

Langkah 2 — Penyebut Normalisasi $\sqrt{\sum x^{2}}$ per kolom

Langkah	Perhitungan	Nilai
$C1: \sum x^{2}$	25+16+36+9	86
$C1: \sqrt86$	penyebut C1	9,274
$C2: \sum x^{2}$	64+81+49+36	230
$C2: \sqrt230$	penyebut C2	15,166
$C3: \sqrt198$	$\sqrt{49+64+36+49}$	14,071
$C4: \sqrt266$	$\sqrt{81+100+49+36}$	16,310
$C5: \sqrt126$	$\sqrt{36+49+25+16}$	11,225

Hitung dari Nol — Bobot, A+, A−, C*, Ranking (Bagian II)

Matriks Ternormalisasi $r_{ij}$

Altr	C1	C2	C3	C4	C5
T	0,539	0,528	0,498	0,552	0,534
S	0,431	0,594	0,569	0,613	0,624
L	0,647	0,462	0,427	0,429	0,445
B	0,323	0,396	0,498	0,368	0,356

A+: [0,0809; 0,1187; 0,1422; 0,0920; 0,0534]
A−: [0,1617; 0,0791; 0,1066; 0,0552; 0,0935]

$S^{+}, S^{-}, C*$, Ranking — Terverifikasi Lampiran A

Langkah	Perhitungan	Nilai
$S^{+}$ Shopee	$\sqrt[(0,0269)^{2}+(0,0401)^{2}]$	0,0483
$S^{-}$ Shopee	$\sqrt[(0,0539)^{2}+...+(0,0368)^{2}]$	0,0842
C* Shopee	0,0842/(0,0483+0,0842)	0,635
C* Bukalapak	0,0920/(0,0569+0,0920)	0,618
C* Tokopedia	0,0517/(0,0648+0,0517)	0,444
C* Lazada	0,0312/(0,0971+0,0312)	0,243

Keputusan: Shopee (Rank 1, C*=0,635) $\to$ Bukalapak $(2) \to$ Tokopedia $(3) \to$ Lazada (4)

Coba Sendiri: Jalankan TOPSIS Langkah demi Langkah

Ubah nilai decision matrix atau bobot kriteria, lalu amati normalisasi, titik ideal A+/A−, closeness C*, dan ranking berubah otomatis di setiap langkah.

🧪 Buka kalkulator penuh (AHP pairwise (MCDM terkait))

Blok 3 dari 4

03AHP vs TOPSIS & Studi Kasus Indonesia

Kapan masing-masing dipakai? Aplikasi digital banking Indonesia.

Ingat dari Pertemuan 13: AHP membandingkan kriteria sepasang-sepasang (mana lebih penting — harga atau kualitas?) lalu mengubah jawaban itu menjadi angka bobot. CR (Consistency Ratio) mengukur apakah jawaban kita konsisten — tidak saling bertentangan satu sama lain.

Coba Sendiri: Bandingkan dengan Pairwise AHP

Sebelum memutuskan TOPSIS atau AHP, coba kembali isi matriks pairwise AHP dan lihat apakah hasil rangkingnya konsisten dengan TOPSIS pada kasus yang sama.

AHP vs TOPSIS — Tiga Dimensi Perbandingan

Dimensi	AHP	TOPSIS
Cara menentukan bobot	Perbandingan berpasangan (pairwise), dihitung dari eigenvector (cara matematis meringkas semua perbandingan menjadi satu set bobot)	Bobot ditetapkan langsung oleh pengambil keputusan
Uji konsistensi	Wajib (CR ≤ 0,10; CR = Consistency Ratio)	Tidak diperlukan (bobot sudah ditetapkan)
Output utama	Bobot prioritas tiap kriteria; ranking alternatif memerlukan pairwise tambahan	Ranking alternatif (menggunakan bobot yang sudah tersedia)
Kekuatan	Menurunkan bobot sistematis dari preferensi intuitif	Transparan, cepat, mudah diperluas ke banyak alternatif (scalable)
Kelemahan	Rumit jika banyak kriteria/alternatif; rentan inconsistency	Tidak membantu jika bobot belum diketahui
Kombinasi ideal	AHP menentukan bobot $\to$ TOPSIS melakukan ranking

Studi Kasus: UMKM Memilih Platform Digital Banking

Manajer UMKM Semarang memilih rekening bisnis digital. 4 platform (diawasi OJK), 5 kriteria.

Decision Matrix (nilai ilustrasi 1–10)

Platform	Admin (cost,0,20)	Limit (ben,0,25)	QRIS (ben,0,20)	Keandalan (ben,0,20)	Akses (ben,0,15)
BCA mobile	5	9	8	9	9
BRImo	4	8	9	8	8
Livin' Mandiri	6	9	8	8	8
BSI Mobile	3	7	7	7	8

QRIS = Quick Response Code Indonesian Standard — standar kode QR nasional untuk pembayaran, dikelola Bank Indonesia.

Hasil TOPSIS — Ranking

1 BRImo C*=0,637

2 BSI Mobile C*=0,578

3 BCA mobile C*=0,513

4 Livin' Mandiri C*=0,340

Data ilustrasi pedagogis — bukan data resmi bank. Dalam kasus nyata, gunakan data aktual dari laporan OJK atau survei pengguna.

Coba Sendiri: Jalankan Versi Sederhana — Skor Tertimbang Langsung

Sebelum full TOPSIS, banyak analis memakai skor tertimbang sederhana — bandingkan hasilnya dengan TOPSIS untuk kasus platform banking yang sama.

Panduan Praktis: Pilih Metode MCDM yang Tepat

Pakai AHP bila…

Bobot kriteria belum diketahui
Pengambil keputusan lebih dari 1 orang (perlu konsensus)
Jumlah kriteria relatif sedikit (≤7)
Perlu memvalidasi konsistensi logika penilaian
Contoh: menetapkan prioritas program kerja baru perusahaan

Pakai TOPSIS bila…

Bobot sudah tersedia (dari AHP atau ditetapkan langsung)
Jumlah alternatif banyak (TOPSIS sangat scalable — dapat diterapkan meski skala membesar)
Butuh hasil cepat dan proses transparan
Data bersifat kuantitatif dan terukur
Contoh: vendor selection, pemilihan lokasi, evaluasi karyawan

Kombinasi terbaik: AHP untuk bobot $w_{j} \to$ TOPSIS untuk ranking final

Blok 4 dari 4

04Refleksi Integrasi Mata Kuliah

Satu peta besar — 14 pertemuan, satu ekosistem alat kuantitatif.

Semua Topik Terhubung — Ekosistem Manajemen Sains

Dalam proyek nyata, Anda biasanya menggunakan beberapa alat ini secara berurutan — itulah integrasi. EOQ = Economic Order Quantity; PERT = Program Evaluation and Review Technique.

Coba Sendiri: Pilih Alat Mana? Decision Matrix Multi-Atribut

Saat memilih alat manajemen sains itu sendiri, gunakan decision matrix multi-atribut — latih metakognisi tentang kapan memakai alat apa.

Studi Kasus Integrasi: PT Ritel Nusantara Ekspansi ke 4 Kota

Catatan pedagogis: Ini studi kasus integrasi naratif — angka C*, jalur kritis, dan bobot AHP disajikan sebagai hasil jadi untuk menunjukkan alur integrasi antar alat, bukan melatih aritmetika dari-nol.

Proyeksikan
Peramalan demand 4 kota

Rencanakan
LP alokasi Rp 40 M

Atur
EOQ stok awal & reorder point

Jadwalkan
PERT $\to$ jalur kritis 14 minggu

Pilih
AHP bobot $\to$ TOPSIS ranking

AHP-TOPSIS — Langkah 5

Bobot AHP: Profit Potensial (0,30) • Risiko (0,25) • Infrastruktur (0,25) • Iklim Regulasi (0,20)

TOPSIS Ranking: Semarang (C*=0,71) $\to$ Surabaya $(0,65) \to$ Yogyakarta $(0,58) \to$ Solo (0,42)

Rekomendasi: Semarang Prioritas Pertama

Satu keputusan bisnis $\to 5$ alat Manajemen Sains $\to$ satu proses terintegrasi.
Reorder point = level stok di mana pesanan baru harus segera dilakukan; jalur kritis = urutan aktivitas yang tidak boleh terlambat.

Cheat Sheet — 8 Kelompok Alat Manajemen Sains

Blok	Alat	Pertanyaan yang Dijawab
Rencanakan	LP, Integer Programming, Transportasi, Penugasan	"Bagaimana alokasikan sumber daya terbatas agar optimal?"
Proyeksikan	Moving Average, Regresi, Dekomposisi	"Berapa permintaan/penjualan masa depan?"
Atur — Stok	EOQ, Safety Stock, Reorder Point	"Berapa dan kapan pesan ulang stok?"
Atur — Antrean	Model M/M/1, M/M/s	"Berapa kasir/server yang dibutuhkan?"
Jadwalkan	PERT, CPM	"Kapan proyek selesai? Apa jalur kritisnya?"
Simulasikan	Monte Carlo (Simulasi Monte Carlo — metode komputasional pakai angka acak)	"Apa yang terjadi jika banyak variabel tidak pasti?"
Pilih (MCDM)	AHP, TOPSIS	"Mana alternatif terbaik dengan banyak kriteria?"

Integer Programming = pemrograman bilangan bulat; M/M/1 = model antrean satu server dengan kedatangan dan layanan berdistribusi Poisson/eksponensial.

Di Mana Anda Akan Memakai Ini di Karir?

Manajemen Operasi & Rantai Pasok

LP & Transportasi untuk optimasi logistik
EOQ untuk manajemen inventaris FMCG (Fast Moving Consumer Goods) dan manufaktur
Peramalan untuk demand planning (perencanaan permintaan) di Unilever, Indofood, Wings

Konsultasi & Analitik

TOPSIS/AHP untuk vendor selection, due diligence
Simulasi Monte Carlo untuk analisis risiko proyek KPBU, BUMN
PERT untuk manajemen proyek konsultansi

Perbankan & Keuangan

Antrean untuk desain layanan teller/CS (BCA, BRI, BSI)
Simulasi untuk stress testing portofolio
MCDM untuk credit scoring multi-kriteria, seleksi nasabah prioritas

Banyak perusahaan besar Indonesia — Pertamina, Telkom TLKM, BCA BBCA, Astra — memiliki divisi Operations Research atau Business Analytics.

7 Langkah TOPSIS — Referensi Cepat

Langkah	Nama	Rumus / Tindakan
1	Decision Matrix	Susun tabel m alternatif $\times n$ kriteria $(x_{ij})$
2	Normalisasi	$r_{ij} = x_{ij} / \sqrt{\sum_{i} x_{ij}^{2}}$
3	Bobot	$v_{ij} = w_{j} \times r_{ij}$ ; $\sum w_{j} = 1$
4	Ideal A+/A−	Benefit: A+=max, A−=min ; Cost: A+=min, A−=max
5	Separation	$S^{+}_{i}=\sqrt\sum(v_{ij}-v^{+}_{j})^{2}$ ; $S^{-}_{i}=\sqrt\sum(v_{ij}-v^{-}_{j})^{2}$
6	Closeness	$C_{i} = S^{-}_{i} / (S^{+}_{i} + S^{-}_{i})$ ; C∈[0,1]
7	Ranking	Urutkan $C_{i}$ dari besar ke kecil; C terbesar = Rank 1

AHP $\to$ bobot $w_{j} \to$ TOPSIS $\to$ ranking final

Diskusi & Latihan — 15 Menit Terakhir

Latihan Cepat — Vendor Selection

Langkah	Perhitungan	Nilai
$C1: \sqrt\sum x^{2}$	$\sqrt{100^{2}+120^{2}+90^{2}}$	180,278
$C2: \sqrt\sum x^{2}$	$\sqrt{80^{2}+90^{2}+70^{2}}$	139,284
$C3: \sqrt\sum x^{2}$	$\sqrt{5^{2}+3^{2}+6^{2}}$	8,367

Vendor A/B/C • Harga (cost,w=0,40) • Kualitas (benefit,w=0,35) • Waktu (cost,w=0,25). Hitung $S^{+}, S^{-}, C*$ tiap vendor. Ranking akhir: $B (C*=0,607) \to A (C*=0,463) \to C (C*=0,393)$. Jawaban lengkap di Lampiran B.

Diskusi Kelas — 3 Pertanyaan

"Dalam bisnis keluarga atau UMKM yang Anda kenal, keputusan apa yang bisa diselesaikan dengan TOPSIS? Sebutkan alternatif dan kriterianya!"
"Jika bobot Harga dinaikkan dari 0,40 menjadi 0,60, apakah ranking berubah? Mengapa?"
"Apa keterbatasan TOPSIS yang perlu disadari seorang manajer?"

Selamat! Anda Telah Menyelesaikan Manajemen Sains

Yang Sudah Anda Capai

8 kelompok alat kuantitatif dari LP hingga TOPSIS
Minimal 2 studi kasus Indonesia per topik (BEI/OJK, UMKM, BUMN)
Kemampuan mengintegrasikan alat dalam satu masalah bisnis
Fondasi untuk analitik lanjutan (Python PuLP, R, Excel Solver)

Langkah Berikutnya

Pelajari Excel Solver / Python PuLP untuk LP skala besar
Pelajari R atau Python untuk peramalan & simulasi
Lihat penerapan di magang/kerja: tanya divisi ops/analitik
Pertimbangkan skripsi dengan topik MCDM, OR, atau Supply Chain

Manajemen Sains bukan hafalan rumus — ini cara berpikir terstruktur dalam ketidakpastian.
Gunakan sepanjang karir Anda.

Ini adalah slide terakhir mata kuliah Manajemen Sains kita — dan saya ucapkan selamat yang tulus kepada seluruh mahasiswa yang telah menyelesaikan perjalanan satu semester yang padat ini. Anda telah mempelajari delapan kelompok alat kuantitatif — dari Linear Programming yang mengoptimalkan sumber daya, hingga TOPSIS yang memilih alternatif terbaik secara sistematis. Ini bukan hafalan rumus yang akan Anda lupakan setelah ujian; ini adalah cara berpikir — terstruktur, berbasis data, dan transparan — yang akan menjadi keunggulan kompetitif Anda di pasar kerja. Langkah berikutnya adalah mengimplementasikan ini dalam konteks yang lebih besar: Excel Solver dan Python memberi Anda kecepatan komputasi; magang dan kerja memberi Anda konteks nyata. Terima Kasih telah menjadi mahasiswa yang penasaran dan tekun.

📖 Bacaan pendalaman: Studi Kelayakan Bisnis, Cost-Benefit Analysis, Lean Six Sigma.