Riset Operasi Dasar
Program linear, transportasi, penugasan, jalur terpendek, antrean, sensitivitas, Monte Carlo, dan knapsack — dirumuskan sendiri, diselesaikan dengan scipy di browser.
Pelajaran pertama bisa dicoba tanpa akun. Selanjutnya pakai akun gratis agar progres, draft kode, dan sertifikatmu tersimpan.
Dua puluh pelajaran dalam lima modul mengubah keputusan bisnis menjadi model yang bisa dihitung: variabel keputusan, fungsi tujuan, dan kendala; daerah layak dan titik sudut pada program linear dua variabel; lalu scipy.optimize.linprog untuk soal yang lebih besar, termasuk cara memaksimumkan dengan negasi, membalik kendala ≥, membaca slack dan harga bayangan, serta mengenali soal tak layak, tak terbatas, dan bersolusi majemuk. Modul berikutnya membahas masalah transportasi, penugasan dengan linear_sum_assignment, dan pemrograman bilangan bulat dengan milp. Modul keempat membahas jalur terpendek (Dijkstra dengan heapq), antrean M/M/1, dan nilai harapan untuk memilih keputusan. Modul kelima menguji ketahanan rencana dengan analisis sensitivitas (menjalankan ulang linprog untuk mencari rentang koefisien tujuan dan batas berlakunya harga bayangan), memperkirakan nilai harapan dan peluang kehabisan stok dengan simulasi Monte Carlo ber-seed di numpy, dan menyelesaikan knapsack 0-1 dengan pemrograman dinamis. Semua kode dijalankan di Python sungguhan (Pyodide) dan diperiksa dengan test assert.
5,0 ★ (Belum ada ulasan) · 20 pelajaran · 5 modul · ±282 menit
Bawa pulang keterampilannya
Yang akan kamu bisa setelah kelas ini
- Merumuskan masalah keputusan menjadi variabel keputusan, fungsi tujuan, dan kendala, lalu menyelesaikan program linear dua variabel dengan metode titik sudut.
- Menyelesaikan program linear dengan scipy.optimize.linprog, membaca slack, kendala aktif, dan harga bayangan, serta mengenali soal tak layak, tak terbatas, dan bersolusi majemuk.
- Memodelkan masalah transportasi seimbang dan tak seimbang, menyelesaikan masalah penugasan dengan linear_sum_assignment, dan memakai milp bila variabelnya harus bulat.
- Mencari jalur terpendek dengan algoritma Dijkstra, menghitung ukuran kinerja antrean M/M/1, dan memilih alternatif keputusan dengan nilai harapan.
- Menguji ketahanan rencana optimum dengan menjalankan ulang linprog, memperkirakan nilai harapan dan peluang kehabisan stok dengan simulasi Monte Carlo ber-seed, dan menyelesaikan knapsack 0-1 dengan pemrograman dinamis.
Untuk siapa
Mahasiswa manajemen, teknik industri, dan logistik, serta staf operasional yang ingin menghitung keputusan produksi, pengiriman, penjadwalan, dan antrean dengan model, bukan dengan tebakan.
Prasyarat
Python Dasar (fungsi, list, dict, perulangan), Aljabar Linier (sistem persamaan dua variabel) atau pemahaman setara
Alat yang perlu disiapkan
- Browser modern di komputer. Python, numpy, dan scipy dimuat sekali (sekitar 17 MB) lalu tersimpan di cache.
Tempat berlatih
Coba, periksa, lalu lanjutkan.
65 latihan di 20 pelajaran. Jawaban diperiksa langsung di halaman materi; petunjuk dibuka bertahap.
Jalur belajar kelas ini
Kurikulum
5 modul · 20 pelajaran · ±282 menit
02Program linear dengan scipy.optimize.linprog4 pelajaran
05Sensitivitas, simulasi, dan pemrograman dinamis4 pelajaran
Urutan pelajaran tidak dikunci.
Sertifikat kelas
Selesaikan kelasnya, sertifikat ini atas namamu.
- Nama lengkapmu dan judul kelas tercetak di sertifikat.
- Kode dan QR yang bisa dicek siapa saja di kelasgratis.com/verifikasi.
- Sekali klik ke profil LinkedIn, atau unduh PNG dan PDF.
Bukti penyelesaian materi, bukan akreditasi atau sertifikasi kompetensi.
Pertanyaan yang sering muncul
Apakah kelas ini mengajarkan metode simpleks dengan tabel?
Tidak. Simpleks dikenalkan sebagai cara kerja solver yang berpindah dari satu titik sudut ke titik sudut lain. Hitungannya diserahkan kepada linprog, yang memakai solver HiGHS, sehingga waktu belajar dipakai untuk merumuskan model dan membaca hasilnya.
Kenapa tidak memakai Solver di Excel?
Mesin lembar kerja di situs ini tidak memiliki Solver. Kelas ini memakai scipy.optimize (linprog, linear_sum_assignment, milp) yang berjalan di Python peramban; cara merumuskan modelnya sama, sehingga bisa dibawa ke Solver atau alat optimasi lain.
Apakah jalur kritis proyek dibahas di sini?
Tidak. Jalur kritis sudah diajarkan di kelas Manajemen Proyek. Kelas ini membahas jalur terpendek dengan algoritma Dijkstra, yang menjawab pertanyaan berbeda: rute berjarak terkecil dari satu titik ke titik lain.
Apakah model persediaan EOQ dibahas di sini?
Tidak. EOQ dan titik pemesanan ulang sudah diajarkan di kelas Pengelolaan Persediaan. Soal persediaan di kelas ini memakai simulasi Monte Carlo untuk memperkirakan peluang kehabisan stok ketika permintaan harian acak.
Dari pengalaman belajar
Ulasan peserta
Apa yang membantu, dan apa yang masih bisa diperbaiki?
Ulasan berasal dari akun yang telah menyelesaikan setidaknya satu pelajaran. Bintang 1–3 ditinjau admin sebelum terbit; bintang 4–5 langsung terbit. Sebelum ada ulasan terbit, kelas menggunakan nilai awal admin 5,0. Setelahnya, rating mengikuti rata-rata ulasan yang sudah terbit.
Pengalamanmu bisa membantu peserta berikutnya.
Belum ada ulasan yang terbit untuk kelas ini.
Bagikan pengalaman belajarmu
Masuk dan selesaikan satu pelajaran untuk menulis ulasan. Masuk ke akun →
Setelah kelas ini
Jalur yang memuat kelas ini
Revisi materi terakhir: 28 Sep 2026. Laporan kesalahan bisa dikirim dari setiap halaman pelajaran.