Sesi 14 – Validasi & Stress-Test Model BDM | Aurinoworks

📘 Sesi 14 Business Decision Modeling

Validasi Model & Human-in-the-Loop

Panduan praktis menguji, memodifikasi, dan memverifikasi model optimasi — bukan membangun dari nol, tapi memastikannya masuk akal di dunia nyata.

🎯 Filosofi Sesi Ini: “Trust, but Verify”

Model matematis (LP, simulasi, dll.) itu selalu benar secara aritmatika, tapi belum tentu benar secara operasional. UAS BDM bukan menguji kemampuan Anda membangun model — tapi menguji kemampuan Anda menjadi “wasit” atas model.

4 Kompetensi yang Diuji:

Validasi Konseptual — Apakah struktur modelnya masuk akal?
Stress-Test — Bagaimana model bereaksi terhadap guncangan?
Verifikasi Manual — Apakah hasilnya “masuk akal” di lapangan?
Integritas Keputusan — Apakah optimal secara angka = optimal secara etika?

🏭 Studi Kasus Paralel: “Batik Nusantara”

📌 Konteks: Batik Nusantara adalah UMKM di Pekalongan yang memproduksi 3 jenis batik: Batik Tulis (X₁), Batik Cap (X₂), dan Batik Printing (X₃). Perusahaan ingin memaksimalkan keuntungan bulanan dengan keterbatasan tenaga kerja, kain, dan kapasitas pewarnaan.

📊 Data Produksi per Unit

Parameter	Batik Tulis (X₁)	Batik Cap (X₂)	Batik Printing (X₃)	Kapasitas
Jam Kerja (jam/unit)	40	8	2	1.600 jam
Kain (meter/unit)	3	3	3	300 meter
Kapasitas Pewarna (jam)	5	1	0.5	150 jam
Keuntungan (Rp ribu)	800	150	50	—

🧮 Model LP (File yang Diberikan di E-Learning)

‘ === BATIK NUSANTARA – OPTIMASI PRODUKSI ===
MAXIMIZE: 800*X1 + 150*X2 + 50*X3
SUBJECT TO:
  Tenaga:  40*X1 +  8*X2 +  2*X3 <= 1600
  Kain:     3*X1 +  3*X2 +  3*X3 <=  300
  Pewarna:  5*X1 +  1*X2 + 0.5*X3 <=  150
  Non-neg: X1, X2, X3 >= 0
    

💡 Output Solver Awal: X₁ = 20, X₂ = 50, X₃ = 0 | Z* = Rp 23.500 ribu

1Validasi Konseptual — “Bedah Anatomi Model”

Tujuan: Memastikan struktur model merepresentasikan realitas bisnis, bukan sekadar asumsi matematis.

🔍 Checklist Validasi

Elemen	Pertanyaan Kritis	Temuan di Kasus
Variabel Keputusan	Apakah semua produk/proses penting sudah terwakili?	✅ 3 produk utama sudah lengkap. Namun, apakah ada produk bundle yang terlewat?
Fungsi Objektif	Mengapa maximize profit? Apakah ini selaras dengan strategi perusahaan?	⚠️ UMKM biasanya cash-flow driven. Mungkin seharusnya maximize revenue atau minimize cycle time.
Kendala (Constraints)	Apakah kendala mencerminkan bottleneck nyata atau hanya asumsi?	⚠️ Kendala “kain 300m” — apakah ini batas gudang atau batas modal beli kain? Dua hal berbeda!
Linearitas	Apakah koefisien tetap di semua level produksi?	⚠️ Batik Tulis: 40 jam/unit. Jika X₁ = 100, apakah pengrajin tetap produktif? (Ada fatigue effect)

🚨 Kritik Teknis: Model ini mengasumsikan proportionality dan additivity — dua asumsi LP yang sering gagal di UMKM. Contoh: biaya setup mesin cap tidak linear terhadap jumlah produksi.

📝 Cara Menulis Jawaban:
“Model telah mengidentifikasi 3 variabel keputusan dengan tepat, namun fungsi objektif maximize profit kurang cocok untuk UMKM yang lebih sensitif terhadap cash flow. Kendala kain juga ambigu — perlu klarifikasi apakah ini batas fisik atau batas anggaran.”

2Simulasi & Stress-Test — “Uji Ketahanan Model”

Tujuan: Melihat seberapa robust model ketika dunia nyata berubah.

🌪️ Skenario Gangguan

Skenario: Harga kain naik 20% + 1 pengrajin batik tulis sakit (kapasitas tenaga turun 15%).

🔧 Modifikasi Model

‘ === MODEL SETELAH GANGGUAN ===
‘ Kain naik 20%: koefisien kain per unit naik dari 3 → 3.6
‘ Tenaga turun 15%: 1600 → 1360
MAXIMIZE: 800*X1 + 150*X2 + 50*X3
SUBJECT TO:
  Tenaga:  40*X1 +  8*X2 +  2*X3 <= 1360  ‘ turun dari 1600
  Kain:   3.6*X1 + 3.6*X2 + 3.6*X3 <=  300  ‘ koefisien naik
  Pewarna:  5*X1 +  1*X2 + 0.5*X3 <=  150
    

📊 Perbandingan Hasil

❌ Sebelum Gangguan
X₁ = 20, X₂ = 50, X₃ = 0
Z* = Rp 23.500 ribu
Status: Semua kendala binding

✅ Setelah Gangguan
X₁ = 15, X₂ = 45, X₃ = 20
Z* = Rp 19.650 ribu
Penurunan profit: 16.4%

📈 Analisis Prinsip 1% Progress

Dengan gangguan 20% harga kain + 15% tenaga, profit hanya turun 16.4%. Artinya model cukup robust karena:

Solver menggeser produksi ke Batik Printing (X₃) yang lebih efisien bahan
Ada substitusi produk yang menjaga bisnis tetap jalan

📝 Template Jawaban:
“Setelah simulasi gangguan, profit turun 16.4% — lebih kecil dari besaran gangguan (20%+15%). Model menunjukkan resiliensi karena Solver melakukan realokasi ke produk berintensitas rendah. Ini sesuai prinsip 1% Progress: perbaikan kecil yang berkelanjutan lebih baik daripada perubahan drastis.”

3Verifikasi Manual — “Human-in-the-Loop”

Tujuan: Menginterupsi solusi “optimal secara matematis” tapi mustahil secara operasional.

🚨 Kasus Intervensi:
Misalkan Solver memberikan solusi: X₁ = 0, X₂ = 0, X₃ = 300 dengan Z* = Rp 15.000 ribu.
Artinya: Hanya produksi Batik Printing 300 unit, hentikan Batik Tulis & Cap!

🤔 Apakah Masuk Akal?

Aspek Operasional	Cek Realitas	Keputusan
Kapasitas Pewarna	300 × 0.5 jam = 150 jam ✅ (pas batas)	Valid
Permintaan Pasar	Pasar batik printing jenuh! Maksimal serap 150 unit/bulan	❌ INVALID
Brand Identity	Batik Nusantara dikenal sebagai produsen batik tulis. Jika X₁ = 0, brand rusak!	❌ INVALID
Keterampilan Pengrajin	10 pengrajin batik tulis akan menganggur → PHK massal	❌ INVALID

✋ Intervensi Manual

‘ === TAMBAHKAN KENDALA OPERASIONAL ===
‘ Minimum produksi batik tulis (brand & SDM)
X1 >= 10
‘ Maksimum pasar batik printing
X3 <= 150
    

Hasil setelah intervensi: X₁ = 10, X₂ = 60, X₃ = 30 | Z* = Rp 18.500 ribu
Profit turun 10% dari solusi “matematis murni”, tapi solusi layak operasional.

📝 Logika Human-in-the-Loop:
“Model mengabaikan dua realitas: (1) batas serap pasar batik printing, dan (2) strategi brand yang mensyaratkan produksi batik tulis minimum. Intervensi manual menambahkan kendala X₁ ≥ 10 dan X₃ ≤ 150. Profit turun 10%, tapi solusi menjadi implementable.”

4Integritas Keputusan — “Profit vs Nurani”

Tujuan: Menghadapi dilema ketika solusi optimal merugikan stakeholder.

🎭 Dilema:
Model menunjukkan profit maksimal jika Batik Nusantara memindahkan produksi ke mesin otomatis (printing massal). Namun, 15 pengrajin tradisional akan kehilangan pekerjaan.

⚖️ Opsi Modifikasi Fungsi Objektif

Pendekatan	Formulasi	Filosofi
Multi-Objective	Max: 800X₁ + 150X₂ + 50X₃ + α·(jumlah pengrajin dipertahankan)	Profit + bobot sosial
Goal Programming	Target profit Rp 18.000 ribu, subject to X₁ ≥ 15	Cari solusi “cukup baik” dengan jaminan sosial
Constraint Hard	Tambah kendala: X₁ ≥ 15 (minimum produksi tulis)	Jangan tawar-menawar soal SDM

💬 Meyakinkan Stakeholder

Gunakan narasi “Jangka Panjang vs Jangka Pendek”:

📉 Opsi “Profit Maksimal”
• Tahun 1: Profit +40%
• Tahun 2: Pengrajin senior pergi → tacit knowledge hilang
• Tahun 3: Brand “batik autentik” rusak → pasar premium hilang
• Profit jangka panjang: TURUN

📈 Opsi “Keseimbangan”
• Tahun 1: Profit +15% (lebih rendah)
• Tahun 2: Pengrajin tetap, regenerasi terjaga
• Tahun 3: Brand premium + efisiensi mesin = hybrid model
• Profit jangka panjang: NAIK

📝 Template Jawaban Etis:
“Keputusan ‘kurang menguntungkan secara angka’ namun ‘benar secara nurani’ adalah langkah strategis jangka panjang karena: (1) melestarikan tacit knowledge pengrajin yang tidak tergantikan mesin, (2) menjaga diferensiasi brand di pasar premium, dan (3) memenuhi tanggung jawab sosial sebagai UMKM yang tumbuh bersama komunitas. Modifikasi fungsi objektif dengan menambahkan bobot pada variabel sosial, atau menambahkan kendala minimum produksi batik tulis.”

📋 Cheat Sheet: Pola Jawaban UAS

Tipe Soal	Kata Kunci Jawaban	Jebakan
Validasi Konseptual	“Variabel keputusan sudah/curang merepresentasikan…”, “Fungsi objektif selaras/tidak dengan strategi karena…”, “Kendala mencerminkan realitas/asumsi matematis”	Jangan hanya deskripsi — harus kritik
Stress-Test	Screenshot sebelum-sesudah, hitung % perubahan, hubungkan dengan “1% Progress” (perbaikan kecil & berkelanjutan)	Jangan lupa screenshot! Jangan hanya angka — jelaskan mengapa
Verifikasi Manual	“Secara matematis valid, TAPI secara operasional…”, “Intervensi: tambah kendala X ≥ …”, “Logika: …”	Jangan terima hasil Solver mentah-mentah!
Integritas	“Multi-objective / Goal Programming / Hard constraint”, “Jangka panjang vs pendek”, “Stakeholder: karyawan, brand, komunitas”	Jangan jawab “yang penting etis” — harus teknis (modifikasi model-nya apa)

⚠️ Checklist Akhir Sebelum Submit:

✅ File model Excel terlampir
✅ Log Proses (step-by-step) terdokumentasi
✅ Log Verifikasi AI (jika menggunakan AI assistant)
✅ Setiap modifikasi disitasi: (Aurinoworks, 2026, Sesi X)
✅ Screenshot perbandingan hasil (soal stress-test)

Aurinoworks.com · Business Decision Modeling · Sesi 14

“Model yang baik bukan yang paling canggih, tapi yang paling jujur tentang asumsinya.”

Ringkasan Materi Sesi 08-13 | Business Decision Modeling

📘 Sesi 08-13 Business Decision Modeling

Ringkasan Materi: 4 Pilar Kuantitatif

Decision Analysis · Queuing · Forecasting · Inventory — dari teori ke keputusan UMKM.

1Decision Analysis — “Memilih di Tengah Ketidakpastian”

Bab 8

Inti: memilih alternatif terbaik ketika masa depan tidak pasti. Bukan menebak, tapi menggunakan struktur matematis.

📌 Contoh UMKM: Warung “Kopi Senja” di Yogyakarta ingin membuka cabang baru. Ada 3 lokasi: Malioboro (A), Prawirotaman (B), Seturan (C). Kondisi pasar bisa Ramai, Sedang, atau Sepi.

🎲 Dua Lingkungan Keputusan

Under Uncertainty
Probabilitas TIDAK diketahui

Maximax — Optimis: pilih max dari max
Maximin — Pesimis: pilih max dari min (paling aman)
Hurwicz (α) — Gabungan optimis-pesimis
Minimax Regret — Minimal penyesalan

Under Risk
Probabilitas DIKETAHUI

EMV — Expected Monetary Value (pilih tertinggi)
EOL — Expected Opportunity Loss (pilih terendah)
EVPI — Harga info sempurna
EVPI = EOL_min = EV_PI − Max EMV

🌳 Decision Trees

Simbol	Arti	Contoh di Kopi Senja
■ Square Node	Titik keputusan (pilihan kita)	Pilih lokasi A, B, atau C
● Circle Node	State of nature (kejadian acak)	Pasar Ramai/Sedang/Sepi

💡 Tips UAS: Untuk Decision Tree, kerjakan dari kanan ke kiri (backward induction). Hitung EMV di setiap circle node, lalu pilih max di square node.

2Queuing Theory — “Seni Mengelola Antrean”

Bab 9

Inti: menyeimbangkan biaya layanan (tambah server) vs biaya menunggu (kehilangan pelanggan).

📌 Contoh UMKM: Toko oleh-oleh “Bakpia Murni” di Pathuk. Pelanggan datang untuk dilayani kasir. Pertanyaan klasik: perlu tambah kasir atau tidak?

🔤 Notasi Kendall: M/M/s

Simbol	Arti	Distribusi
λ (Lambda)	Laju kedatangan	Poisson
μ (Mu)	Laju pelayanan per server	Eksponensial
s	Jumlah server	—

📊 5 Metrik Operasional

Metrik	Arti	Logika
L	Rata-rata unit dalam sistem	Yang antre + yang dilayani
L_q	Rata-rata unit dalam antrean	Hanya yang menunggu
W	Rata-rata waktu dalam sistem	W = W_q + 1/μ
W_q	Rata-rata waktu menunggu	Yang bikin pelanggan komplain
P₀	Probabilitas sistem kosong	Kasir menganggur

🧩 5 Model Penting

M/M/1
Single server, layanan acak
Kasir tunggal toko kelontong

M/M/s
Multi-server
3 kasir di minimarket

M/D/1
Waktu layanan KONSTAN
Mesin cuci otomatis, ATM
L_q & W_q = ½ dari M/M/1

M/G/1
Layanan umum (pakai σ)
Bengkel dengan variasi waktu

Finite Population
Sumber terbatas · 5 mesin di pabrik yang bisa rusak

🚨 Syarat Stabilitas: ρ = λ/(s·μ) harus < 1. Jika λ ≥ μ → antrean meledak (tak terhingga). Ini soal “quick check” favorit!

3Forecasting — “Membaca Masa Depan dari Data Masa Lalu”

Bab 11

Inti: memprediksi masa depan untuk perencanaan stok, produksi, dan anggaran.

📌 Contoh UMKM: Batik “Sekar Jagad” ingin meramal penjualan bulan depan untuk persiapan stok kain.

🗂️ 3 Kategori Metode

Kategori	Metode	Kapan Dipakai
Kualitatif	Delphi, Jury of Executive Opinion	Data historis tidak ada (produk baru)
Time Series (pola masa lalu)	Moving Average	Data stabil, tanpa tren
	Weighted MA	Beri bobot lebih pada data terbaru
	Exponential Smoothing	Pakai α (0.1–0.3 umum)
	Trend Projection	Ada pola linear naik/turun
Causal (sebab-akibat)	Simple/Multiple Regression	Ada variabel penjelas (iklan, harga, dll)

📐 Regresi: 3 Angka Keramat

Output Excel Regression yang WAJIB dipahami:

R² (R-Square) — Seberapa besar variasi Y dijelaskan oleh X. Contoh: R² = 0.82 artinya 82% variasi penjualan dijelaskan oleh iklan.
Significance F — Jika < 0.05 → model signifikan secara keseluruhan.
P-value per variabel — Jika < 0.05 → variabel tersebut berpengaruh terhadap Y.

📏 2 Pengukur Akurasi (Error)

MAD
Σ|Actual − Forecast| / n
Lebih intuitif, satuan sama dengan data

MSE
Σ(Actual − Forecast)² / n
Lebih sensitif terhadap error besar

💡 Tips UAS: Jika soal memberi Significance F = 0.0003 dan R² = 0.87, jawab: “Model valid dan kuat menjelaskan variasi Y.”

4Inventory Control — “Berapa Banyak Harus Dipesan?”

Bab 12

Inti: menyeimbangkan biaya simpan vs biaya pesan — terlalu banyak = gudang penuh, terlalu sedikit = stockout.

📌 Contoh UMKM: Toko online “Sepatu Brader” di Tangerang menjual 2.400 pasang/tahun. Biaya pesan Rp 50.000/order, biaya simpan Rp 6.000/pasang/tahun.

🎯 Model EOQ (Economic Order Quantity)

Q* = √(2DS / H)

Simbol	Arti	Contoh Sepatu Brader
D	Permintaan tahunan	2.400 pasang
S	Biaya pesan per order	Rp 50.000
H	Biaya simpan per unit/tahun	Rp 6.000

Hitung: Q* = √(2 × 2400 × 50000 / 6000) = 200 pasang/order

🔔 Reorder Point (ROP)

ROP = (Permintaan harian × Lead time) + Safety Stock

Kapan harus pesan lagi? Saat stok menyentuh angka ROP.

🛡️ Safety Stock & Service Level

Stok pengaman untuk antisipasi fluktuasi permintaan. Menggunakan Z-score distribusi normal:

Service Level	Z	Arti
90%	1.28	10% risiko stockout
95%	1.65	5% risiko stockout
99%	2.33	1% risiko stockout

🏷️ ABC Analysis

A — Kritis
20% barang, 80% nilai $
Contoh: batik tulis premium

B — Menengah
30% barang, 15% nilai $
Contoh: batik cap

C — Rendah
50% barang, 5% nilai $ · Contoh: gantungan kunci batik

💡 Logika EOQ: Jika H naik → Q* turun (H di penyebut). Jika S naik → Q* naik (S di pembilang). Hafalkan arah ini!

🎯 Strategi Persiapan UAS: 4 Langkah Taktis

🔍 Langkah 1: Diagnosis Jenis Soal

Kata kunci = petunjuk metode. Jangan terjebak!

Jika Ada Kata…	Maka Pakai…
payoff probabilitas tree	Decision Analysis (Bab 8)
arrival waiting server	Queuing (Bab 9)
prediksi ramalan historis	Forecasting (Bab 11)
how much to order reorder point	Inventory (Bab 12)

📊 Langkah 2: Interpretasi Output Excel

UAS BDM bukan sekadar hitung manual! Anda harus membaca output software:

Regresi: Jangan hanya hitung Y — baca R², Significance F, P-value
Queuing: Bedakan L_q (yang antre) vs L (yang di sistem)
Sensitivity Report: Baca shadow price & allowable increase/decrease

⚖️ Langkah 3: Pahami “Trade-off”

Soal esai sering menanyakan “Mengapa?” — jawab dengan logika trade-off:

Queuing:
Tambah server → W_q turun ✅
Tapi biaya gaji naik ❌

Inventory:
Q besar → frekuensi pesan turun ✅
Tapi biaya simpan naik ❌

📝 Langkah 4: Latihan dengan File Excel

Urutan latihan yang disarankan:

Buka 8-1.xls → hitung manual EVPI, cocokkan dengan Excel
Buka 9-2.xls (M/M/s) → ubah s dari 1 ke 2, lihat dampak pada W_q
Buka file regresi → ubah α pada Exponential Smoothing, bandingkan MAD
Buka file EOQ → ubah H, lihat perubahan Q*

⚡ Quick Check: 3 Soal Pancingan Otak

Uji intuisi Anda sebelum buka Excel. Jawaban di bawah setiap soal.

❓ Q1 — Decision Analysis

Anda manajer yang risk averse (takut rugi besar). Metode apa yang cocok?

✓ Jawaban: Maximin (amankan skenario terburuk) atau Minimax Regret (minimal penyesalan). Keduanya konservatif.

❓ Q2 — Queuing

Toko Anda punya 1 kasir. λ = 12 pelanggan/jam, μ = 10 pelanggan/jam. Apa yang terjadi?

✓ Jawaban: ρ = 12/10 = 1.2 > 1 → antrean meledak (tak terhingga). Harus tambah server atau kurangi λ!

❓ Q3 — Inventory

Jika biaya simpan (H) naik 2x lipat, apa yang terjadi pada EOQ?

✓ Jawaban: Q* = √(2DS/H). Karena H di penyebut, Q* turun. Secara spesifik: turun menjadi 1/√2 ≈ 70.7% dari Q* awal. Intuisi: kalau simpan mahal, pesanlah lebih sering dalam jumlah kecil.

Aurinoworks.com · Business Decision Modeling · Sesi 08-13

“Kuantitatif tanpa intuisi = angka mati. Intuisi tanpa kuantitatif = tebakan.”

Sesi 14 BDM

Validasi Model & Human-in-the-Loop

📊 Data Produksi per Unit

🧮 Model LP (File yang Diberikan di E-Learning)

🔍 Checklist Validasi

🌪️ Skenario Gangguan

🔧 Modifikasi Model

📊 Perbandingan Hasil

📈 Analisis Prinsip 1% Progress

🤔 Apakah Masuk Akal?

✋ Intervensi Manual

⚖️ Opsi Modifikasi Fungsi Objektif

💬 Meyakinkan Stakeholder

Ringkasan Materi: 4 Pilar Kuantitatif

🎲 Dua Lingkungan Keputusan

🌳 Decision Trees

🔤 Notasi Kendall: M/M/s

📊 5 Metrik Operasional

🧩 5 Model Penting

🗂️ 3 Kategori Metode

📐 Regresi: 3 Angka Keramat

📏 2 Pengukur Akurasi (Error)

🎯 Model EOQ (Economic Order Quantity)

🔔 Reorder Point (ROP)

🛡️ Safety Stock & Service Level

🏷️ ABC Analysis

🔍 Langkah 1: Diagnosis Jenis Soal

📊 Langkah 2: Interpretasi Output Excel

⚖️ Langkah 3: Pahami “Trade-off”

📝 Langkah 4: Latihan dengan File Excel

Leave a Comment Cancel Reply