SETIAP organisasi, baik perusahaan manufaktur, jasa, pemerintahan, maupun nirlaba, selalu menghadapi permasalahan mendasar yang sama: bagaimana mengalokasikan sumber daya yang terbatas secara paling efisien untuk mencapai tujuan yang telah ditetapkan. Permasalahan ini semakin kompleks seiring dengan meningkatnya skala operasi, keragaman produk, dan ketidakpastian lingkungan bisnis yang terus berubah.
Dalam konteks inilah Riset Operasi hadir sebagai disiplin ilmu yang menawarkan pendekatan kuantitatif dan sistematis untuk mendukung pengambilan keputusan yang lebih baik, lebih terukur, dan dapat dipertanggungjawabkan secara ilmiah.
Riset Operasi, yang dalam literatur internasional lebih dikenal dengan sebutan Operations Research (OR) atau Management Science (MS), merupakan penerapan metode-metode ilmiah dalam menyelesaikan masalah yang kompleks.
Menurut Operation Research Society of Great Britain sebagaimana dikutip oleh Wijaya (2012), riset operasi adalah penerapan metode ilmiah dalam masalah yang kompleks dan suatu pengelolaan sistem manajemen yang besar, baik yang menyangkut manusia, mesin, bahan, maupun uang, dalam industri, bisnis, pemerintahan, dan pertahanan.
Pendekatan ini menggabungkan dan menerapkan metode ilmiah yang kompleks dengan memanfaatkan faktor-faktor produksi yang ada secara efisien dan efektif untuk membantu pengambilan keputusan dalam kebijakan perusahaan.
Salah satu teknik dalam riset operasi yang paling banyak digunakan dan paling dikenal adalah Program Linear (Linear Programming/LP). Teknik ini menggunakan model matematika linear untuk mengoptimalkan suatu fungsi tujuan—baik memaksimalkan keuntungan maupun meminimalkan biaya—di bawah serangkaian batasan atau kendala yang dinyatakan dalam bentuk pertidaksamaan atau persamaan linear. Kehandalan dan kemudahan penerapan LP dalam berbagai bidang menjadikannya alat analisis yang tak tergantikan dalam dunia manajemen modern (Mas’ud & Halim, 2023; Jurnal RIMBA, 2022).
Artikel ini disusun untuk memberikan pemahaman yang komprehensif dan mengalir tentang konsep-konsep dasar riset operasi dan program linear, mulai dari latar belakang sejarahnya, manfaat praktisnya, jenis-jenis model yang digunakan, tahapan proses riset operasi, hingga cara memformulasikan berbagai jenis permasalahan nyata ke dalam model matematika program linear yang siap untuk dipecahkan. Tiga contoh kasus disajikan untuk memperkuat pemahaman konseptual dengan aplikasi nyata yang kontekstual.
SEJARAH DAN PERKEMBANGAN RISET OPERASI
Riset Operasi tidak dapat dipisahkan dari konteks historis Perang Dunia II, yang menjadi titik kelahiran sekaligus momen perkembangan pesat disiplin ilmu ini. Situasi perang memunculkan kebutuhan mendesak untuk menempatkan sumber daya yang sangat terbatas—mulai dari personel militer, amunisi, bahan bakar, hingga waktu—secara paling efektif di setiap lini operasi. Menghadapi tantangan besar ini, para pemimpin perang mulai meminta masukan dan ide dari para ilmuwan untuk dapat memecahkan permasalahan operasional dengan pendekatan ilmiah yang strategis (Wijaya, 2012).
Pada tahun 1940, riset operasi pertama kali digunakan secara resmi oleh McClosky dan Tretthen dari Inggris. Mereka mendapatkan mandat untuk menemukan suatu alat baru yang dapat mendeteksi kegiatan musuh secara lebih dini dan akurat. Dari penelitian intensif tersebut, lahirlah radar sebuah inovasi teknologi militer yang kemudian mengubah jalannya perang. Keberhasilan ini mendorong para ilmuwan untuk melanjutkan penelitian lebih jauh di bidang operasi militer, mencakup aspek logistik, strategi penempatan pasukan, dan optimalisasi jalur pasokan (Wijaya, 2012). Setelah Amerika Serikat terlibat dalam perang dunia pada tahun 1942-1943, dibentuklah divisi analisis khusus yang bertugas mengevaluasi setiap kegiatan operasi dari tiap angkatan bersenjata.
Keberhasilan riset operasi di bidang militer sesudah Perang Dunia II segera menarik perhatian dunia non-militer. Pada tahun 1947, George Dantzig, seorang matematikawan Amerika, mengembangkan metode simplex sebuah algoritma revolusioner untuk menyelesaikan masalah program linear secara sistematis. Inovasi ini membuka era baru penerapan riset operasi di sektor industri dan bisnis. Para ilmuwan dan industriawan mulai mempelajari secara luas teknik-teknik yang ada untuk kegiatan operasional perusahaan, sehingga permasalahan yang dihadapi dapat diselesaikan menggunakan model-model riset operasi, termasuk penggunaan metode program linear (Wijaya, 2012; Mas’ud & Halim, 2023).
Dalam perkembangannya, riset operasi terus berevolusi seiring dengan kemajuan teknologi komputasi. Pada era sekarang, penerapannya telah meluas jauh melampaui batas-batas militer, mencakup manajemen rantai pasok, perencanaan keuangan, penjadwalan transportasi, optimasi jaringan telekomunikasi, dan berbagai aplikasi kecerdasan buatan. Ketersediaan perangkat lunak seperti CPLEX, LINGO, MATLAB, dan solver berbasis Python telah memudahkan penerapan riset operasi bahkan untuk permasalahan dengan ribuan variabel dan batasan.
MANFAAT DAN RUANG LINGKUP RISET OPERASI
Riset Operasi memiliki cakupan aplikasi yang sangat luas dan beragam. Siang (2011) menyebutkan beberapa bidang masalah industri yang penyelesaiannya dapat dianalisis menggunakan riset operasi. Dalam bidang keuangan, riset operasi dapat diterapkan untuk manajemen arus kas (cash flow management) yang lebih optimal, termasuk perencanaan investasi dan pengelolaan portofolio aset. Dalam bidang pengadaan (purchasing), riset operasi membantu penentuan kuantitas dan waktu pembelian bahan baku yang paling efisien, yang erat kaitannya dengan model Economic Order Quantity (EOQ) dan manajemen persediaan.
Dalam perencanaan produksi (production planning), riset operasi digunakan untuk menentukan kombinasi produk yang paling menguntungkan dengan mempertimbangkan keterbatasan kapasitas mesin, tenaga kerja, dan bahan baku. Bidang distribusi dan logistik juga sangat diuntungkan dari penerapan riset operasi, khususnya dalam optimasi jalur pengiriman, alokasi kendaraan, dan perancangan jaringan distribusi yang efisien. Terakhir, dalam manajemen konstruksi, riset operasi memberikan alat untuk pengaturan proyek melalui metode seperti Critical Path Method (CPM) dan Program Evaluation and Review Technique (PERT).
Relevansi riset operasi dalam dunia bisnis kontemporer semakin meningkat. Penelitian terapan terkini menunjukkan bahwa penerapan program linear dalam optimasi produksi pada usaha kecil dan menengah (UMKM) terbukti mampu meningkatkan efisiensi alokasi bahan baku dan memaksimalkan keuntungan secara signifikan (Akbar & Mar’aini, 2022; Jurnal RIMBA, 2022). Lebih jauh, kajian literatur yang lebih komprehensif mengungkapkan bahwa pendekatan berbasis model kuantitatif dalam pengambilan keputusan manajemen terbukti menghasilkan keputusan yang lebih konsisten, dapat direplikasi, dan lebih mudah dikomunikasikan kepada berbagai pemangku kepentingan dibandingkan dengan pengambilan keputusan yang semata-mata mengandalkan intuisi (Firman, 2024).
MODEL-MODEL DALAM RISET OPERASI
Dalam riset operasi, model adalah representasi abstrak atau penyederhanaan dari suatu sistem nyata yang kompleks, di mana hanya komponen-komponen yang relevan dengan masalah yang sedang dipecahkan yang dipertahankan. Penggunaan model memungkinkan para analis dan pengambil keputusan untuk memahami perilaku sistem, melakukan eksperimen secara virtual tanpa risiko, serta menemukan solusi optimal sebelum keputusan diimplementasikan di lapangan. Terdapat tiga jenis model utama dalam riset operasi yang memiliki karakteristik dan kegunaan yang berbeda-beda.
Model pertama adalah Model Iconic (Physical/Fisik), yaitu model yang penyajiannya berupa representasi fisik dari sistem nyata yang diwakili. Contoh-contoh model ini sangat mudah ditemukan dalam kehidupan sehari-hari, seperti maket bangunan, miniatur pesawat terbang, atau prototipe produk baru. Kelebihan model ini terletak pada kemudahan observasi dan pemahaman visualnya, namun kelemahannya adalah keterbatasan dalam manipulasi dan analisis kuantitatif (Wijaya, 2012).
Model kedua adalah Model Analog, yang mewakili suatu sistem dengan menggunakan properti atau karakteristik yang berbeda dari sistem aslinya namun berperilaku serupa. Jam dinding adalah contoh klasiknya: jarum pendek merepresentasikan jam, jarum panjang merepresentasikan menit, dan jarum kecil yang bergerak terus merepresentasikan detik. Model analog memiliki keunggulan dibandingkan model ikonik karena lebih mudah dimanipulasi dan dapat merepresentasikan variabel-variabel yang tidak kasat mata secara langsung (Wijaya, 2012).
Model ketiga dan yang paling relevan dalam riset operasi adalah Model Matematik, yaitu model yang menggunakan simbol-simbol dan persamaan matematika untuk merepresentasikan hubungan antarvariabel dalam suatu sistem. Model matematika terbagi menjadi dua subtipe: model deterministik, di mana semua parameter diasumsikan diketahui dengan pasti (misalnya persamaan 4 + 4 = 8 yang selalu menghasilkan nilai yang sama), dan model probabilistik, di mana nilai parameter tidak diketahui dengan pasti dan mengandung unsur ketidakpastian (misalnya perkiraan cuaca atau ramalan permintaan). Program linear merupakan contoh utama model deterministik dalam riset operasi (Taha, 1996; Wijaya, 2012).
TAHAPAN-TAHAPAN DALAM RISET OPERASI
Penyelesaian masalah menggunakan pendekatan riset operasi mengikuti alur yang sistematis dan terstruktur. Menurut Wijaya (2012), terdapat lima tahapan yang harus dilalui secara berurutan untuk memastikan bahwa model yang dikembangkan benar-benar merepresentasikan masalah nyata dan solusi yang dihasilkan dapat diimplementasikan secara efektif.
Tahapan pertama adalah Perumusan Masalah. Pada tahap ini, analis harus secara cermat mendefinisikan dan menggambarkan permasalahan yang tengah dihadapi. Tiga elemen utama yang harus diidentifikasi dalam perumusan masalah adalah: variabel keputusan (yaitu hal-hal yang dapat dikendalikan oleh perusahaan atau pengambil keputusan melalui sumber daya yang dimiliki), tujuan (yaitu apa yang ingin dicapai melalui variabel-variabel keputusan tersebut, misalnya memaksimumkan laba atau meminimumkan biaya), serta fungsi kendala (yaitu batasan-batasan yang membatasi ruang gerak pengambil keputusan dalam mencapai tujuan, misalnya kapasitas mesin, ketersediaan tenaga kerja, dan anggaran bahan baku). Kualitas perumusan masalah sangat menentukan relevansi dan keakuratan model yang akan dibangun (Wijaya, 2012).
Tahapan kedua adalah Pembentukan Model Matematis. Setelah masalah dirumuskan dengan jelas, permasalahan tersebut direpresentasikan ke dalam model matematika yang tepat. Model ini menerjemahkan hubungan-hubungan kualitatif yang teridentifikasi pada tahap perumusan ke dalam bentuk persamaan dan pertidaksamaan yang dapat dihitung secara eksak. Model matematika yang baik harus mampu menangkap esensi dari permasalahan nyata secara memadai, tanpa terlalu sederhana sehingga kehilangan aspek penting, dan tanpa terlalu kompleks sehingga tidak bisa diselesaikan dalam waktu yang wajar (Jurnal JSSR, 2023).
Tahapan ketiga adalah Pencarian Penyelesaian Masalah. Dari berbagai alat analisis yang tersedia dalam riset operasi, dipilih metode yang paling sesuai dengan karakteristik model yang telah dibentuk. Untuk masalah program linear, metode yang lazim digunakan meliputi metode grafik (untuk dua variabel keputusan), metode simplex (untuk dua variabel atau lebih), dan metode dual simplex. Proses pencarian solusi mengikuti algoritma yang telah baku dan menghasilkan solusi optimal atau mendekati optimal berdasarkan kriteria yang telah ditetapkan.
Tahapan keempat adalah Pengujian (Validasi) Model. Sebelum solusi diimplementasikan, model harus divalidasi untuk memastikan bahwa ia benar-benar merepresentasikan permasalahan nyata dengan akurat. Proses validasi umumnya dilakukan dengan cara membandingkan prediksi model dengan data historis yang sudah diketahui hasilnya. Jika model mampu mereproduksi hasil masa lampau secara memadai, maka model tersebut dianggap valid dan dapat diandalkan untuk menghasilkan prediksi ke depan.
Tahapan kelima dan terakhir adalah Pelaksanaan Keputusan. Setelah model divalidasi dan solusi optimal ditemukan, tahap ini adalah penerjemahan solusi matematis ke dalam langkah-langkah tindakan konkret yang dapat dilaksanakan oleh organisasi. Tahapan ini sangat kritis karena memberikan kepastian bahwa permasalahan dapat diselesaikan secara nyata, bukan hanya di atas kertas. Selain itu, pelaksanaan keputusan juga menjadi momen untuk mengidentifikasi dan memperbaiki kekurangan-kekurangan yang mungkin belum terdeteksi pada tahap-tahap sebelumnya (Wijaya, 2012).
PROGRAM LINEAR PENGERTIAN DAN KOMPONEN DASAR
Program Linear (Linear Programming/LP) adalah salah satu teknik riset operasi yang paling banyak dipergunakan dalam praktik manajemen dan paling dikenal karena kemudahan pemahamannya. LP merupakan alat analisis berbasis model matematika linear yang dirancang untuk menemukan nilai optimum maksimum atau minimum dari suatu fungsi tujuan linear di bawah kondisi pembatasan-pembatasan tertentu yang juga bersifat linear (Mas’ud & Halim, 2023; Jurnal JSSR, 2023). Menurut Taha (1996), LP adalah sebuah alat deterministic yang berarti semua parameter model diasumsikan diketahui dengan pasti, sehingga ia merupakan alat pengambilan keputusan baik dari sudut pandang formulasi maupun pemecahan masalah dengan membuat rencana kegiatan-kegiatan untuk memperoleh hasil yang optimal.
Nilai optimal dalam konteks LP berarti nilai maksimum untuk ukuran-ukuran seperti keuntungan, jumlah produksi, atau penerimaan; dan nilai minimum untuk ukuran-ukuran seperti biaya produksi, penggunaan bahan baku, atau waktu penyelesaian. Program linear relevan digunakan ketika: (a) terdapat lebih dari satu alternatif tindakan yang dapat dipilih, (b) terdapat keterbatasan sumber daya yang membatasi kemampuan untuk mencapai tujuan, dan (c) hubungan antara variabel-variabel keputusan dengan fungsi tujuan serta kendala-kendala dapat dinyatakan dalam bentuk persamaan atau pertidaksamaan linear (Wijaya, 2012; Jurnal RIMBA, 2022).
Sebuah model program linear terdiri dari dua komponen utama yang saling melengkapi, yaitu fungsi tujuan dan fungsi kendala. Pemahaman yang mendalam tentang kedua komponen ini merupakan syarat mutlak untuk dapat memformulasikan permasalahan nyata ke dalam model LP yang valid dan dapat diselesaikan.
FUNGSI TUJUAN
Fungsi tujuan (objective function) adalah ekspresi matematika yang merepresentasikan apa yang ingin dicapai oleh pengambil keputusan. Fungsi ini menggambarkan tujuan dari variabel-variabel keputusan yang ada, apakah akan memaksimumkan sesuatu (misalnya laba, penerimaan, atau jumlah produksi) atau meminimumkan sesuatu (misalnya biaya, waktu, atau penggunaan energi). Secara konvensional, fungsi tujuan diberi notasi Z dan dinyatakan sebagai kombinasi linear dari variabel-variabel keputusan, di mana setiap variabel dikalikan dengan koefisiennya yang merepresentasikan kontribusi per unit variabel tersebut terhadap nilai Z (Wijaya, 2012). Bentuk umum fungsi tujuan program linear untuk n variabel keputusan adalah:
Maks/Min Z = c₁X₁ + c₂X₂ + … + cₙXₙ
di mana cᵢ adalah koefisien fungsi tujuan (kontribusi per unit dari variabel keputusan Xᵢ terhadap nilai Z), dan Xᵢ adalah variabel keputusan ke-i yang nilainya ingin ditentukan secara optimal. Koefisien cᵢ dapat berupa keuntungan per unit produk (untuk kasus maksimasi) atau biaya per unit sumber daya (untuk kasus minimasi) (Mas’ud & Halim, 2023).
FUNGSI KENDALA
Fungsi kendala (constraint function) menggambarkan batasan-batasan nyata yang dihadapi perusahaan atau pengambil keputusan dalam upaya mencapai tujuannya. Batasan-batasan ini dapat berupa kapasitas mesin yang terbatas, jumlah tenaga kerja yang tersedia, anggaran bahan baku, permintaan pasar, atau standar kualitas minimum yang harus dipenuhi. Untuk kasus program linear, fungsi kendala selalu berjumlah lebih dari satu dan dinyatakan dalam bentuk pertidaksamaan linear (Wijaya, 2012).
Perbedaan mendasar antara kasus maksimasi dan minimasi dalam program linear terletak pada tanda pertidaksamaan yang digunakan. Untuk kasus maksimasi, kendala umumnya ditulis dengan tanda lebih kecil atau sama dengan (≤), yang bermakna bahwa penggunaan sumber daya tidak boleh melebihi kapasitas yang tersedia. Sebaliknya, untuk kasus minimasi, kendala umumnya ditulis dengan tanda lebih besar atau sama dengan (≥), yang bermakna bahwa pemenuhan standar minimum tertentu harus terjamin (Taha, 1996). Selain itu, terdapat juga kendala non-negativitas, yang menyatakan bahwa nilai setiap variabel keputusan tidak boleh negatif (Xᵢ ≥ 0 untuk semua i), karena produksi dalam jumlah negatif tidak memiliki makna nyata. Tanda pertidaksamaan (≤ atau ≥) dipilih, bukan persamaan (=), karena pertidaksamaan memberikan keluwesan: ia mengizinkan kondisi di mana tidak seluruh kapasitas sumber daya harus dihabiskan, yang dalam kasus-kasus tertentu justru dapat menghasilkan solusi yang lebih optimal (Wijaya, 2012).
