Simulated Annealing

Simulated Annealing (SA) adalah teknik probabilistik untuk memperkirakan maksimum global suatu fungsi tertentu. Secara khusus, ini adalah metaheuristik untuk memperkirakan optimasi global dalam ruang pencarian masalah optimasi yang besar. Untuk sejumlah besar optima lokal, SA dapat menemukan optima global. Ini sering digunakan ketika ruang pencariannya terpisah (misalnya masalah penjual keliling, masalah kepuasan logis, prediksi struktur protein, dan perencanaan lokakarya). Untuk permasalahan di mana menemukan perkiraan optimal global lebih penting daripada menemukan optimal lokal yang tepat pada waktu yang tetap, simulasi anil bisa lebih baik daripada algoritma yang tepat seperti penurunan gradien atau cabang dan batas.

Nama algoritme ini berasal dari anil dalam metalurgi, suatu teknik di mana suatu material dipanaskan dan didinginkan secara terkendali untuk mengubah sifat fisiknya. Keduanya merupakan sifat material yang bergantung pada energi bebas termodinamikanya. Bahan pemanas dan pendingin mempengaruhi suhu dan energi bebas termodinamika, atau energi Gibbs. Simulasi anil dapat diterapkan pada masalah optimasi yang sulit secara komputasi di mana algoritma yang tepat gagal; Meskipun pendekatan ini umumnya menghasilkan solusi yang mendekati nilai minimum global, namun pendekatan ini cukup untuk memecahkan banyak permasalahan praktis.Masalah yang dipecahkan oleh SA saat ini dirumuskan menggunakan fungsi tujuan multivariabel, yang tunduk pada banyak batasan matematis.Dalam praktiknya, batasan ini dapat dipandang sebagai bagian dari fungsi tujuan.

Teknik serupa telah diperkenalkan secara independen beberapa kali, termasuk Pincus (1970), Khachaturyan et al. (1979,  1981), Kirkpatrick, Gelatt dan Vecchi (1983) dan Cerny (1985). Pada tahun 1983, Kirkpatrick, Gelatt Jr., Vecchi, menggunakan pendekatan ini untuk memecahkan masalah penjual. Mereka juga menyarankan nama saat ini Simulated Annealing.

Gagasan pendinginan lambat yang diterapkan dalam algoritma simulasi anil ditafsirkan sebagai penurunan perlahan dalam kemungkinan menerima solusi yang lebih buruk seiring dengan eksplorasi ruang solusi.Menerima solusi yang lebih buruk memungkinkan pencarian solusi optimal global yang lebih komprehensif. Secara umum, algoritma simulasi anil bekerja sebagai berikut. Suhu turun dari nilai positif awal menjadi nol.

Pada setiap langkah waktu, algoritme secara acak memilih solusi yang mendekati solusi saat ini, mengukur kualitasnya, dan bergerak ke arah solusi tersebut sesuai dengan probabilitas yang bergantung pada suhu untuk memilih solusi yang lebih baik atau lebih buruk daripada tetap pada angka 1 selama pencarian
masing-masing solusi. (atau positif). ) dan menurun menuju nol.

Simulasi dapat dilakukan dengan menyelesaikan persamaan kinetik fungsi kepadatan probabilitas atau menggunakan metode stochastic sampling. Metode ini merupakan adaptasi dari algoritma Metropolis-Hastings, metode Monte Carlo untuk menghasilkan keadaan pola sistem termodinamika, yang diterbitkan oleh N. Metropolis et al. pada tahun 1953.

Gambaran umum

Keadaan suatu sistem fisik dan fungsi E(s) yang harus diminimalkan adalah analog dengan energi dalam sistem dalam keadaan tersebut. Tujuannya adalah untuk membawa sistem dari keadaan awal yang berubah-ubah ke keadaan dengan energi serendah mungkin.

Iterasi dasar
Pada setiap langkah, heuristik anil yang disimulasikan memperhitungkan beberapa keadaan tetangga s* dari keadaan s saat ini dan memutuskan secara probabilistik apakah sistem dipindahkan ke keadaan s* atau tetap dalam keadaan s. Kemungkinan ini pada akhirnya menyebabkan sistem bertransisi ke keadaan energi yang lebih rendah. Biasanya, langkah ini diulangi hingga sistem mencapai kondisi yang cukup baik untuk aplikasi atau hingga anggaran komputasi tertentu habis.

Tetangga suatu negara
Optimalisasi solusi melibatkan evaluasi tetangga dari keadaan masalah, yang merupakan keadaan baru yang diciptakan oleh perubahan konservatif pada keadaan tertentu. Misalnya, dalam masalah penjual, setiap negara bagian biasanya didefinisikan sebagai permutasi kota-kota yang akan dikunjungi, dan tetangga suatu negara bagian adalah himpunan permutasi yang dibuat dengan menukarkan kedua kota tersebut. Cara-cara perubahan negara-negara bagian yang terdefinisi dengan baik untuk menciptakan negara-negara tetangga disebut “pergerakan”, dan pergerakan yang berbeda menghasilkan kumpulan negara-negara tetangga yang berbeda. Langkah-langkah ini umumnya menghasilkan perubahan minimal pada keadaan akhir dalam upaya untuk meningkatkan solusi secara bertahap melalui perbaikan berulang pada bagian-bagiannya (misalnya koneksi kota dalam masalah penjual).

Tidak ada jaminan bahwa heuristik sederhana seperti pendakian bukit, yang bergerak mencari satu demi satu tetangga terbaik dan berhenti ketika mereka telah mencapai solusi yang tidak ada tetangganya, akan menjadi solusi yang lebih baik, tidak dapat dijamin akan mengarah pada solusi yang lebih baik. solusi terbaik yang ada; Hasilnya mungkin hanya berupa optimum lokal, sedangkan solusi terbaik sebenarnya adalah optimum global, yang mungkin berbeda-beda.

Metaheuristik menggunakan tetangga suatu solusi untuk mengeksplorasi ruang solusi. Meskipun mereka lebih memilih tetangga yang lebih baik, mereka juga menerima tetangga yang lebih buruk agar tidak terjebak dalam optimal lokal. Mereka dapat menemukan titik optimal global jika dijalankan dalam jangka waktu yang cukup lama.

Jadwal Annealing

suatu algoritma yang memerlukan integrasi fungsi-fungsi yang berkaitan dengan fluktuasi suhu ke dalam karakteristik operasinya. Algoritma ini memerlukan penurunan suhu secara bertahap selama simulasi, dimulai dari suhu tinggi dan kemudian menurun pada setiap langkah sesuai dengan jadwal anil yang dapat ditentukan pengguna. Pendekatan ini memungkinkan sistem untuk pertama-tama menjelajahi wilayah ruang pencarian yang luas, mengabaikan
fitur kecil dari fungsi energi, kemudian bergerak menuju wilayah energi rendah yang semakin sempit, dan akhirnya turun sesuai dengan heuristik penurunan paling curam.

Meskipun bersifat teoritis, kemungkinan algoritma ini mencapai solusi optimal global meningkat hingga mendekati 1 seiring dengan perluasan program anil untuk setiap permasalahan yang terbatas. Namun, hasil teoritis ini penggunaannya terbatas karena waktu yang diperlukan untuk mencapai keberhasilan yang signifikan kemungkinan besar melebihi waktu yang diperlukan untuk melakukan pencarian menyeluruh dalam ruang solusi.

Disadur dari: en.wikipedia.org

Tesis sarjana karya Vladimir Koskin dan Thi Thuy Van Nguyen yang berjudul "The Impact of Industry 4.0 on Supply Chain Management" membahas dampak revolusi industri keempat dan teknologi terkait pada manajemen rantai pasok (SCM). Penelitian ini bertujuan untuk mengidentifikasi dan menganalisis dampak Industri 4.0 pada SCM serta memberikan rekomendasi bagi usaha kecil dan menengah (UKM).

 

 Latar Belakang dan Motivasi Penelitian

Koskin dan Nguyen memulai dengan menggambarkan evolusi industri dari masa lalu hingga era Industri 4.0. Mereka menyoroti bagaimana setiap revolusi industri membawa perubahan signifikan dalam cara barang diproduksi dan didistribusikan. Motivasi penelitian ini berakar pada pengakuan bahwa Industri 4.0, dengan teknologi-teknologi canggihnya, memiliki potensi untuk mengubah secara fundamental cara SCM beroperasi.

Penelitian ini relevan karena SCM menjadi semakin kompleks dan penting dalam ekonomi global. Perusahaan-perusahaan yang dapat mengoptimalkan rantai pasok mereka memiliki keunggulan kompetitif yang signifikan. Industri 4.0 menawarkan alat dan teknologi yang dapat membantu perusahaan mencapai optimasi ini, tetapi implementasinya memerlukan pemahaman yang mendalam tentang implikasi dan tantangan yang terlibat.

 

 Kerangka Teoretis

Tesis ini dibangun di atas kerangka teoretis yang menggabungkan konsep-konsep dari SCM dan Industri 4.0. Penulis membahas berbagai teknologi yang terkait dengan Industri 4.0, termasuk  robot, kecerdasan buatan (AI), big data, komputasi awan, augmented reality, cybersecurity, Internet of Things (IoT), dan additive manufacturing . Mereka menjelaskan bagaimana teknologi-teknologi ini dapat diterapkan dalam berbagai aspek SCM, mulai dari perencanaan dan pengadaan hingga manufaktur, pengendalian inventaris, pengiriman, dan layanan pelanggan.

 

 Metodologi Penelitian

Penelitian ini menggunakan pendekatan kuantitatif dengan memanfaatkan data sekunder dari artikel internet dan buku-buku. Pendekatan ini memungkinkan penulis untuk menganalisis tren dan pola yang lebih luas dalam implementasi Industri 4.0 di berbagai sektor dan perusahaan.

 

 Temuan Penelitian Utama

Salah satu temuan utama dari penelitian ini adalah bahwa  Industri 4.0 memiliki dampak signifikan pada rantai pasok , memungkinkan rantai pasok beroperasi secara *real-time* dengan gangguan manusia sesedikit mungkin. Namun, penulis mencatat bahwa implementasi Industri 4.0 saat ini masih dalam tahap awal, dan tingkat implementasinya masih relatif kecil.

Penelitian ini juga menyoroti bahwa  UKM dan perusahaan besar memiliki metode implementasi teknologi yang berbeda , yang disebabkan oleh perbedaan sumber daya yang tersedia. UKM seringkali menghadapi tantangan yang lebih besar dalam mengadopsi teknologi Industri 4.0 karena keterbatasan anggaran dan kurangnya keahlian internal.

 

 Studi Kasus dan Angka-Angka

Tesis ini menyajikan analisis tentang implementasi teknologi di dua perusahaan besar,  Amazon dan Walmart .

 

*    Amazon:  Koskin dan Nguyen menyoroti penggunaan robotika dan otomatisasi yang ekstensif di gudang Amazon. Amazon telah menginvestasikan banyak uang dalam robot untuk mempercepat proses pemenuhan pesanan dan mengurangi biaya tenaga kerja.

*    Walmart:  Penulis membahas penggunaan teknologi blockchain oleh Walmart untuk meningkatkan transparansi dan ketertelusuran dalam rantai pasok makanan mereka. Walmart dapat melacak asal dan pergerakan produk makanan dengan lebih akurat, yang membantu meningkatkan keamanan pangan dan mengurangi pemborosan.

Sayangnya, tesis ini tidak memberikan angka-angka spesifik mengenai dampak keuangan dari implementasi teknologi di Amazon dan Walmart. Namun, penulis mencatat bahwa kedua perusahaan telah mencapai peningkatan efisiensi dan pengurangan biaya yang signifikan berkat adopsi Industri 4.0.

 

 Analisis SWOT dan Pandemi COVID-19

Tesis ini juga menyertakan analisis SWOT (Strengths, Weaknesses, Opportunities, Threats) untuk mengevaluasi posisi Industri 4.0 dalam konteks SCM. Analisis ini menyoroti kekuatan Industri 4.0, seperti peningkatan efisiensi dan visibilitas, serta kelemahannya, seperti biaya implementasi yang tinggi dan risiko keamanan siber. Peluang yang diidentifikasi meliputi peningkatan kolaborasi dan inovasi, sementara ancaman termasuk gangguan rantai pasok dan perubahan regulasi.

 

Penulis juga membahas bagaimana pandemi COVID-19 telah mempercepat adopsi teknologi Industri 4.0 dalam SCM. Pandemi ini telah mengungkapkan kerentanan rantai pasok tradisional dan mendorong perusahaan untuk mencari solusi yang lebih tangguh dan fleksibel. Teknologi seperti IoT dan AI telah membantu perusahaan memantau dan mengelola rantai pasok mereka dari jarak jauh, mengurangi gangguan, dan merespons perubahan permintaan dengan lebih cepat.

 

 Rekomendasi Implementasi

Berdasarkan temuan mereka, Koskin dan Nguyen memberikan beberapa rekomendasi untuk UKM yang ingin mengimplementasikan teknologi Industri 4.0 dalam SCM mereka:

 

*    Fokus pada area yang paling berdampak:  UKM harus memprioritaskan implementasi teknologi di area-area yang menawarkan potensi pengembalian investasi (ROI) tertinggi. Misalnya, mereka dapat mulai dengan mengotomatiskan tugas-tugas rutin atau meningkatkan visibilitas inventaris.

*    Membangun kemitraan strategis:  UKM dapat bermitra dengan penyedia teknologi atau konsultan untuk mendapatkan akses ke keahlian dan sumber daya yang mereka butuhkan.

*    Melatih karyawan:  UKM harus berinvestasi dalam pelatihan karyawan untuk memastikan bahwa mereka memiliki keterampilan dan pengetahuan yang diperlukan untuk menggunakan teknologi baru.

*    Mengadopsi pendekatan bertahap:  UKM harus mengimplementasikan teknologi Industri 4.0 secara bertahap, mulai dengan proyek-proyek kecil dan kemudian memperluasnya seiring waktu.

 

 Keterbatasan dan Penelitian Mendatang

Penulis mengakui bahwa penelitian mereka memiliki beberapa keterbatasan. Pertama, penelitian ini didasarkan pada data sekunder, yang mungkin tidak selalu akurat atau relevan. Kedua, penelitian ini hanya berfokus pada dua perusahaan besar (Amazon dan Walmart), sehingga temuan tersebut mungkin tidak dapat digeneralisasikan ke semua perusahaan.

Untuk penelitian mendatang, Koskin dan Nguyen merekomendasikan untuk melakukan studi kasus yang lebih mendalam di berbagai UKM untuk memahami tantangan dan peluang implementasi Industri 4.0 secara lebih rinci. Mereka juga merekomendasikan untuk menyelidiki dampak teknologi Industri 4.0 lainnya, seperti blockchain dan augmented reality, pada SCM.

 

 Kesimpulan

Secara keseluruhan, tesis "The Impact of Industry 4.0 on Supply Chain Management" memberikan kontribusi yang berharga bagi pemahaman kita tentang bagaimana teknologi Industri 4.0 mengubah SCM. Penelitian ini menyoroti potensi Industri 4.0 untuk meningkatkan efisiensi, visibilitas, dan ketahanan rantai pasok, tetapi juga mengakui tantangan yang terkait dengan implementasi teknologi baru. Rekomendasi yang diberikan oleh penulis dapat membantu UKM membuat keputusan yang lebih tepat mengenai investasi Industri 4.0 mereka.

 

 Sumber Artikel: Koskin, V., & Nguyen, T. T. V. (2021). The Impact of Industry 4.0 on supply chain management. LAB University of Applied Sciences.

 

Desain pembelajaran adalah praktik pengorganisasian media dan konten teknologi komunikasi untuk memfasilitasi komunikasi efektif antara guru dan siswa. Proses tersebut terdiri dari menentukan kondisi dasar pemahaman siswa, merumuskan tujuan pembelajaran, dan mengembangkan “perlakuan” berbasis media untuk memudahkan transisi. Idealnya, proses ini didasarkan pada teori pembelajaran yang telah teruji secara pedagogis dan dapat terjadi pada siswa secara individu, di bawah pengawasan guru, atau dalam masyarakat. Hasil pembelajaran ini dapat langsung diamati dan diukur secara ilmiah, atau disembunyikan sama sekali dan hanya berupa asumsi.

Perencanaan pembelajaran dapat dimaknai dari berbagai sudut pandang, sebagai suatu disiplin ilmu, sebagai ilmu pengetahuan, sebagai suatu sistem dan suatu proses. . Sebagai suatu ilmu, desain pembelajaran berkaitan dengan kajian dan teori tentang berbagai strategi serta proses pengembangan dan pelaksanaan pembelajaran. Sebagai ilmu, desain pembelajaran merupakan ilmu untuk menciptakan spesifikasi pengembangan, pelaksanaan, penilaian, serta pengelolaan situasi yang memberikan fasilitas pelayanan pembelajaran dalam skala makro dan mikro untuk berbagai mata pelajaran pada berbagai tingkatan. Sebagai sistem, desain pembelajaran merupakan pengembangan sistem pembelajaran dan sistem pelaksanaannya termasuk sarana serta prosedur untuk meningkatkan mutu belajar.

Sebagai suatu disiplin, desain pembelajaran secara historis dan tradisional berakar pada psikologi kognitif dan perilaku. Namun istilah ini sering dihubungkan dengan istilah yang berbeda dalam bidang lain, misalnya dengan istilah desain grafis. Walaupun desain grafis (dari perspektif kognitif) dapat memainkan peran penting dalam desain pembelajaran, tetapi keduanya adalah konsep yang terpisah.

Banyak dasar dari bidang desain pembelajaran yang diletakan saat Perang Dunia II, saat militer Amerika Serikat merasakan adanya kebutuhan untuk melatih dengan cepat sejumlah besar orang untuk melakukan tugas teknis yang rumit dalam bidang kemiliteran. Berdasarkan penelitian dan teori dari B.F. Skinner tentang operant conditioning, program pelatihan difokuskan pada perilaku yang tampak. Latihan dibagi menjadi beberapa bagian, dan setiap bagian latihan diperlakukan sebagai tujuan pembelajaran tersendiri. Pelatihan dirancang untuk memberi penghargaan pada tampilan yang benar dan memberikan koreksi untuk tampilan yang salah. Semua siswa diharapkan mampu memperoleh keterampilan jika diberi kesempatan pengulangan yang cukup dan umpan balik yang memadai. Setelah perang, keberhasilan model pendidikan masa perang terulang kembali dalam pendidikan komersial dan industri, pada tingkat lebih rendah di kelas dasar dan menengah.

1955. Benjamin S. Bloom menerbitkan taksonomi tiga bidang studi. Sasaran: Kognitif (apa yang kita ketahui atau pikirkan), afektif (apa yang kita rasakan atau sikap yang kita miliki), dan psikomotorik (apa yang kita lakukan). Taksonomi ini masih berpengaruh terhadap desain pembelajaran.

Dalam pertengahan kedua pada abad ke-20, teori belajar mulai dipengaruhi oleh perkembangan komputer digital.

Dalam tahun 1970-an, banyak pembuat teori mulai mengadopsi pendekatan "pemrosesan informasi" dalam desain pembelajaran. David Merrill misalnya mengembangkan Component Display Theory (CDT). Teori tersebut berkonsentrasi pada cara mempresentasikan materi pembelajaran (teknik presentasi).

Sumber: id.wikipedia.org

Tabu Search

Tabu Search (TS) adalah metode pencarian metaheuristik yang menggunakan metode pencarian lokal untuk optimasi matematis. Metode ini diciptakan oleh Fred W. Glover pada tahun 1986 dan diformalkan pada tahun 1989.

Pencarian lokal mengambil solusi potensial untuk suatu masalah dan memeriksa tetangga-tetangganya secara langsung (solusi yang mirip kecuali beberapa detail kecil) dengan harapan menemukan solusi yang lebih baik. Metode pencarian lokal memiliki kecenderungan untuk terjebak di wilayah suboptimal atau di dataran tinggi di mana banyak solusi memiliki tingkat kecocokan yang sama.

Tabu Search meningkatkan kinerja pencarian lokal dengan melonggarkan aturan dasarnya. Pertama, pada setiap langkah, gerakan yang memperburuk solusi dapat diterima jika tidak ada gerakan yang memperbaiki yang tersedia (seperti ketika pencarian terjebak pada minimum lokal yang ketat). Selain itu, larangan (dari situlah istilah "tabu" berasal) diberlakukan untuk mencegah pencarian kembali ke solusi yang sudah dikunjungi sebelumnya.

Implementasi dari Tabu Search menggunakan struktur memori yang menggambarkan solusi yang telah dikunjungi atau aturan-aturan yang diberikan oleh pengguna. Jika solusi potensial telah dikunjungi dalam periode waktu tertentu atau telah melanggar suatu aturan, maka solusi tersebut ditandai sebagai "tabu" (dilarang), sehingga algoritma tidak mempertimbangkan kemungkinan tersebut secara berulang-ulang.

Latar Belakang

Tabu Search adalah algoritma metaheuristik untuk memecahkan masalah optimasi kombinatorial (masalah yang memerlukan konfigurasi optimal dan pemilihan opsi).Aplikasi Tabu Search saat ini mencakup bidang-bidang seperti perencanaan sumber daya, telekomunikasi, desain VLSI, analisis keuangan, penjadwalan, perencanaan ruang, distribusi energi, teknik molekuler, logistik, pemilahan pola, manufaktur fleksibel, pengelolaan limbah, eksplorasi mineral, analisis biomedis, dan lingkungan.

Konservasi alam dan banyak lagi. Dalam beberapa tahun terakhir, jurnal dari berbagai bidang telah menerbitkan artikel tutorial dan studi komputasi yang mendokumentasikan keberhasilan Tabu Search dalam memperluas batas-batas masalah yang dapat diatasi secara efektif dan menghasilkan solusi yang kualitasnya seringkali jauh melebihi metode yang digunakan sebelumnya. Daftar lengkap penerapannya, termasuk penjelasan singkat tentang manfaat yang dihasilkan dari penerapan praktis.

Tipe Memory

Tabu Search, sebuah algoritma metaheuristik untuk optimasi kombinatorial, membawa inovasi dalam penanganan masalah kompleks dengan memanfaatkan metode pencarian lokal. Struktur memori Tabu Search, terbagi menjadi memori jangka pendek, menengah, dan panjang, memberikan keunggulan dalam mengatasi kendala-kendala yang umumnya dihadapi oleh metode pencarian lokal tradisional. Memori jangka pendek mencatat solusi-solusi terkini, melarang revisi hingga kadaluwarsa, sementara memori jangka menengah dan panjang menentukan aturan intensifikasi dan diversifikasi untuk membimbing pencarian ke arah yang optimal.

Implementasinya mencakup struktur memori yang merinci solusi-solusi yang sudah dikunjungi atau aturan-aturan pengguna. Keberhasilan Tabu Search terlihat dalam berbagai aplikasi, termasuk perencanaan sumber daya, desain VLSI, logistik, dan sektor lainnya, sering kali menghasilkan solusi yang melampaui kualitas metode-metode sebelumnya. Dengan penekanan pada struktur memori yang adaptif, Tabu Search memberikan kontribusi berharga dalam penyelesaian efisien masalah optimasi kompleks.

Contoh : Traveling Salesman Problem

Pencarian Tabu digunakan untuk menyelesaikan masalah traveling salesman (TSP). TSP sendiri adalah pertanyaan sederhana: Apa rute terpendek yang mengunjungi semua kota dalam daftar kota? Misalnya, jika Kota A dan Kota B berdekatan sedangkan Kota C berjauhan, maka total jarak perjalanan akan lebih pendek jika kota A dan B dikunjungi secara berurutan sebelum mengunjungi Kota C. Karena mencari solusi optimal sangatlah sulit (NP-hard),menggunakan metode pendekatan heuristik seperti pencarian lokal untuk mendapatkan solusi mendekati optimal.Untuk mendapatkan solusi TSP yang baik, penting untuk memanfaatkan struktur grafis.Pencarian Tabu sangat cocok sebagai metode metaheuristik untuk memecahkan masalah ini.

Ada strategi khusus yang terkait dengan pencarian Tabu, yang disebut metode rantai penggusuran, yang memungkinkan diperolehnya solusi TSP berkualitas tinggi secara efisien.Di sisi lain, pencarian tabu sederhana dapat digunakan untuk menemukan solusi yang memuaskan di TSP. Artinya solusi ini memenuhi kriteria cukup, meskipun belum seoptimal solusi yang memanfaatkan struktur grafik dengan baik. Proses pencarian dimulai dengan solusi awal, yang dapat dihasilkan secara acak atau dengan suatu algoritma.Untuk menciptakan solusi baru, kami menukar urutan kunjungan kedua kota tersebut dengan solusi potensial.

Total jarak yang ditempuh digunakan untuk mengevaluasi keunggulan suatu solusi dibandingkan dengan solusi lainnya. Untuk menghindari terjebak dalam pola kunjungan berulang atau solusi lokal yang lebih baik, solusi ditambahkan ke daftar tabu ketika solusi tersebut diterima dalam wilayah solusi tertentu.Proses pencarian berlanjut hingga kriteria penghentian tercapai, misalnya sejumlah iterasi tertentu. Setelah pencarian tabu sederhana dihentikan, hasil akhir akan mengembalikan solusi terbaik yang ditemukan selama proses eksekusi.

Disadur dari : en.wikipedia.org

Desain Instruksional (DI), juga dikenal sebagai Desain Sistem Instruksional dan awalnya dikenal sebagai Pengembangan Sistem Instruksional (PSI), adalah praktik merancang, mengembangkan, dan menyampaikan materi dan pengalaman pengajaran digital dan fisik secara sistematis dengan cara yang koheren dan konsisten. dapat diandalkan untuk memberikan informasi yang efektif, efisien, menarik, menghibur dan menginspirasi. Proses tersebut biasanya melibatkan penentuan keadaan dan kebutuhan siswa, menentukan tujuan akhir pengajaran, dan menciptakan “intervensi” yang memfasilitasi transisi. Hasil dari instruksi ini dapat diamati secara langsung dan diukur secara ilmiah, atau sepenuhnya disembunyikan dan diasumsikan. Ada banyak model desain pembelajaran, namun banyak juga yang didasarkan pada model ADDIE, yang memiliki lima tahap: analisis, desain, pengembangan, implementasi, dan evaluasi.

Robert M. Gagné dianggap sebagai salah satu pendiri PSI karena kehebatannya pengaruh. . karyanya "Kondisi pembelajaran" terhadap disiplin ilmu tersebut.

Asal usul

Sebagai sebuah bidang, desain pendidikan memiliki akar sejarah dan tradisional dalam psikologi kognitif dan perilaku, meskipun baru-baru ini konstruktivisme telah memengaruhi pemikiran di bidang tersebut. Hal ini karena ia lahir pada saat psikologi Amerika didominasi oleh paradigma perilaku. Ada juga yang menyatakan bahwa selain psikologi perilaku, asal muasal konsep ini juga dapat ditemukan pada rekayasa sistem. Meskipun pengaruh bidang-bidang ini sulit diukur, ada argumen bahwa bahasa dan “tampilan dan nuansa” bentuk awal desain kurikulum dan penerusnya berasal dari bidang teknologi ini. Secara khusus, hal ini berkaitan dengan model pengembangan pelatihan militer AS, yang didasarkan pada pendekatan sistem, yang digambarkan sebagai "gagasan untuk melihat suatu masalah atau situasi secara keseluruhan, dengan segala implikasinya, semua interaksi internalnya, semua dampaknya." hubungan eksternal, dan sepenuhnya menyadari tempatnya dalam konteks."
1950-an. tahun

Artikel oleh B.F. Skinner tahun 1954, "The Science of Learning and the Art of Teaching" merekomendasikan bahwa materi pembelajaran yang efektif, yang disebut materi pembelajaran terprogram, mencakup langkah-langkah kecil, pertanyaan berulang, dan umpan balik langsung; dan harus memungkinkan penyesuaian kecepatan sendiri. Robert F. Mager mempopulerkan penggunaan tujuan pembelajaran dalam artikelnya tahun 1962, "Mempersiapkan Tujuan untuk Pengajaran Terprogram." Artikel ini menjelaskan cara menulis tujuan, termasuk perilaku yang diinginkan, kondisi pembelajaran, dan evaluasi.

1960. tahun

Robert Glaser memperkenalkan "penelitian komparatif" pada tahun 1962. Berbeda dengan tes yang mengacu pada norma, yang mana kinerja individu dibandingkan dengan kelompok. , tes yang mengacu pada norma dirancang untuk menguji perilaku individu dalam kaitannya dengan norma objektif. Hal ini dapat digunakan untuk menilai perilaku dasar pembelajar dan seberapa besar pembelajar telah mengembangkan penguasaannya melalui pengajaran.

2010 - 2020

Pembelajaran online sudah menjadi hal sehari-hari. Kemajuan teknologi memungkinkan simulasi tingkat lanjut dengan pengalaman pembelajaran yang otentik dan realistis.

Pada tahun 2008, Asosiasi Komunikasi dan Teknologi Pendidikan (AECT) mengubah definisi teknologi pendidikan menjadi “penelitian dan praktik etis yang memfasilitasi pembelajaran dan meningkatkan kinerja melalui penciptaan. , penggunaan dan pengelolaan proses dan sumber daya teknologi."

Disadur dari Artikel : en.wikipedia.org

KOMPAS.com - Lembaga pemeringkatan universitas Times Higher Ecucation World University Rankings atau THE WUR merilis daftar universitas tebaik tahun 2022.

Dikutip dari THE WUR, penilaian tersebut mencakup 1.600 universitas di 99 negara di beragam wilayah, termasuk di Indonesia. Sebagai salah satu lembaga pemeringkatan universitas yang dipercaya oleh civitas pendidikan, THE WUR menganalisa peringkat universitas terbaik 2022 dengan memakai 13 indikator kerja. Melaui 13 indikator ini dipergunakan untuk mengukur kinerja lembaga universitas di 4 bidang, yaitu pengajaran, penelitian, transfer pengetahuan, dan pandangan internasional.

Pada peringkat pertama terdapat University of Oxford di Ingrris dengan overall score (skor keseluruhan) 95,7. Sementara di Indonesia, THE WUR menempatkan Universitas Indonesia (UI) di peringkat pertama sebagai universitas terbaik di Indonesia pada 2022. Lalu, mana saja universitas terbaik di Indonesia pada 2022 yang dirilis oleh THE WUR?

Daftar universitas terbaik di Indonesia 2022. Berikut ini ialah daftar universitas-universitas terbaik di Indonesia pada 2022 versi THE WUR:

1. Universitas Indonesia (UI) 

UI yang lokasinya di Kota Depok, Jawa Barat menduduki posisi pertama sebagai kampus terbaik di Indonesia pada 2022 dengan mempunyai nilai skor keseluruhan 27,2-31,9.

Pengajaran: 38,6

Penelitian: 20,7

Citations: 14,5

Pendapatan industri: 80,7

Pandangan internasional: 52,9

2. Institut Teknologi Bandung (ITB)

ITB yang lokasinya di Kota Bandung, Jawa Barat menduduki posisi kedua sebagai kampus terbaik di Indonesia pada 2022 dengan mempunyai nilai skor keseluruhan 22,4-27,1.

Pengajaran: 23,1

Penelitian: 20,7

Citations: 16,3

Pendapatan industri: 97,5

Pandangan internasional: 29,1

3. Universitas Pendidikan Indonesia (UPI)

UPI yang lokasinya di Kota Bandung menduduki posisi ketiga sebagai kampus terbaik di Indonesia pada 2022 dengan mempunyai nilai skor keseluruhan 22,4-27,1.

Pengajaran: 17,2

Penelitian: 9,3

Citations: 44,1

Pendapatan industri: 35,6

Pandangan internasional: 17,5.  

4. Universitas Airlangga (Unair)

Unair yang lokasinya di Kota Surabaya, Jawa Timur menempati posisi keempat sebagai kampus terbaik di Indonesia pada 2022 dengan mempunyai nilai skor keseluruhan 10,6-22,3.

Pengajaran: 21,5

Penelitian: 10,7

Citations: 18,3

Pendapatan industri: 36,5

Pandangan internasional: 34,5

5. Universitas Bina Nusantara (Binus)

Binus yang lokasinya di Kota Jakarta Barat menduduki posisi kelima sebagai kampus terbaik di Indonesia pada 2022 dengan mempunyai nilai skor keseluruhan 10,6-22,3.

Pengajaran: 17,7

Penelitian: 12,5

Citations: 13,3

Pendapatan industri: 38,6

Pandangan internasional: 35,3

6. Universitas Brawijaya (Unibraw)

Unibraw yang lokasinya di Kota Malang berada di posisi keenam sebagai kampus terbaik di Indonesia pada 2022 dengan mempunyai nilai skor keseluruhan 10,6,-22,3.

Pengajaran: 18,9

Penelitian: 9,6

Citations: 7,8

Pendapatan industri: 37,8

Pandangan internasional: 21,9

7. Universitas Diponegoro (Undip)

Undip yang lokasinya di Kota Semarang, Jawa Tengah menduduki posisi ketujuh sebagai kampus terbaik di Indonesia pada 2022 dengan mempunyai skor keseluruhan 10,6-22,3.

Pengajaran: 21,6

Penelitian: 10,5

Citations: 11,7

Pendapatan industri: 43,4

Pandangan internasional: 26,6

8. Universitas Gadjah Mada (UGM)

UGM yang lokasinya di Yogyakarta menduduki posisi kedelapan sebagai kampus terbaik di Indonesia pada 2022 dengan mempunyai skor keseluruhan 10,6-22,3.

Pengajaran: 23,4

Penelitian: 14,8

Citations: 12,5

Pendapatan industri: 67,5

Pandangan internasional: 39,6.

9. Universitas Hasanuddin (Unhas)

Unhas yang lokasinya di Kota Makassar menduduki posisi kesembilan sebagai kampus terbaik di Indonesia pada 2022 dengan mempunyai skor keseluruhan 10,6-22,3.

Pengajaran: 18,7

Penelitian: 10,1

Citations: 29,5

Pendapatan industri: 44,3

Pandangan internasional: 26,4

10. Institut Pertanian Bogor (IPB)

IPB yang lokasinya di Kota Bogor menduduki posisi kesepuluh sebagai kampus terbaik di Indonesia pada 2022 dengan mempunyai skor keseluruhan 10,6-22,3.

Pengajaran: 25,2

Penelitian: 10,3

Citations: 14,6

Pendapatan industri: 56,9

Pandangan internasional: 42,6

Selain 10 universitas tersebut, THE WUR juga merilis daftar universitas terbaik di Indonesia hingga urutan ke 19. Berikut daftar lanjutannya:

11. Universitas Padjadjaran (Unpad)
12. Universitas Sebelas Maret (UNS)
13. Institut Teknologi Sepuluh November (ITS)
14. Universitas Telkom
15. Universitas Bakrie
16. Universitas Kristen Satya Wacana (UKSW)
17. Universitas Sumatera Utara (USU)
18. Universitas Negeri Surabaya (Unesa)
19. Universitas Negeri Yogyakarta (UNY)

Disadur dari sumber kompas.com