Pembukaan: Ketika Saya Sadar, Dunia Sudah Berubah
Beberapa tahun lalu, saya mengalami momen yang cukup menampar. Saat itu saya sedang berada di sebuah rapat, dengan bangga mempresentasikan analisis yang saya susun berhari-hari. Data saya kumpulkan manual, saya olah dengan rumus-rumus andalan, dan saya sajikan dalam grafik yang cantik. Saya merasa pekerjaan saya sudah maksimal. Lalu, seorang kolega yang lebih muda bertanya, "Ini datanya sudah di-scrape otomatis dan divisualisasikan real-time? Kalau belum, coba saya tarik datanya pakai script Python sebentar."
Dalam lima belas menit, dia menyajikan analisis yang lebih dalam dari apa yang saya kerjakan selama tiga hari.
Di momen itulah saya sadar: dunia sudah berubah, dan saya sedikit tertinggal. Perasaan itu—campuran antara kagum, sedikit iri, dan cemas—pasti pernah dirasakan banyak orang. Entah itu saat melihat profesi kita mulai digantikan AI, atau saat menyadari skill yang dulu kita banggakan kini menjadi standar biasa. Kita hidup di zaman di mana relevansi adalah mata uang yang harus terus diperjuangkan.
Kecemasan inilah yang membuat saya iseng membaca sebuah jurnal ilmiah dengan judul yang terdengar sangat spesifik: "Teaching Programming to Chemical Engineering Students". Awalnya saya tidak berharap banyak. Paling isinya hanya rumus-rumus rumit dan jargon teknis. Tapi, semakin dalam saya membaca, saya semakin terkejut. Paper yang ditulis oleh Riezqa Andika dan Zulfan Adi Putra ini ternyata bukan sekadar panduan teknis. Ini adalah sebuah peta harta karun. Sebuah strategi brilian yang menyajikan cara menjinakkan skill paling rumit sekalipun dengan pendekatan yang luar biasa manusiawi.
Paper ini tidak hanya bicara tentang coding. Ia bicara tentang psikologi belajar. Ia bicara tentang bagaimana membangun jembatan di atas jurang ketakutan kita terhadap hal-hal baru. Dan di dalamnya, saya menemukan sebuah metode tiga langkah yang begitu elegan, yang saya yakin bisa diterapkan untuk belajar skill apapun, tidak hanya pemrograman.
Dilema Tersembunyi di Balik Jas Laboratorium: Kenapa Insinyur Perlu Ngoding?
Sebelum kita membedah metodenya, penting untuk mengerti masalah yang coba dipecahkan oleh para penulis. Bayangkan seorang koki kelas dunia yang telah menguasai semua teknik memasak klasik Prancis. Tiba-tiba, restoran paling inovatif di dunia tidak lagi memakai wajan dan panci, melainkan alat-alat gastronomi molekuler. Keterampilan sang koki masih sangat berharga, tapi ada "celah keahlian" (skill gap) yang menghalanginya mencapai level berikutnya.
Inilah dilema yang dihadapi para insinyur kimia di era Revolusi Industri 4.0. Selama puluhan tahun, kurikulum mereka berfokus pada termodinamika, mekanika fluida, dan reaksi kimia. Namun, industri modern kini menuntut lebih. Mereka butuh insinyur yang bisa menganalisis data dari ribuan sensor pabrik secara
real-time, membuat model prediksi untuk efisiensi, dan bahkan merancang sistem kontrol berbasis kecerdasan buatan (AI).
Paper ini menyoroti sebuah fakta yang mengkhawatirkan: banyak universitas dengan kurikulum tradisional belum menyiapkan mahasiswanya untuk tuntutan ini. Ada
skill gap besar antara apa yang diajarkan di kampus dan apa yang dibutuhkan industri. Studi dari Kamaruzaman et al. (2019) yang dikutip dalam paper ini bahkan menyimpulkan bahwa pemrograman adalah salah satu celah terbesar, yang bisa berujung pada masalah pengangguran di kalangan sarjana teknik.
Ini bukan masalah sepele. Ini adalah pergeseran fundamental. Paper ini menyebutkan bagaimana institusi sekelas TU Delft di Belanda berencana mengajarkan AI kepada semua mahasiswanya, bukan hanya jurusan komputer. Pesannya jelas: di masa depan,
coding bukanlah skill khusus, melainkan literasi dasar, sama seperti membaca dan menulis.
Para penulis paper ini tidak hanya mengidentifikasi masalah, mereka menawarkan solusi yang sangat pragmatis. Mereka sadar bahwa merombak total kurikulum universitas adalah proses yang lambat dan birokratis. Jadi, alih-alih menunggu revolusi, mereka mengusulkan sebuah "tambalan" cerdas: integrasikan pengajaran pemrograman ke dalam mata kuliah yang sudah ada. Ini adalah sebuah bentuk pemberontakan senyap melawan kelembaman institusional, sebuah cara untuk memberikan skill masa depan kepada mahasiswa
hari ini, tanpa harus menunggu persetujuan komite selama bertahun-tahun.
Tiga Tangga Menuju Puncak: Metode Cerdas untuk Menaklukkan Dunia Pemrograman
Inilah bagian yang membuat saya paling bersemangat. Inti dari paper ini adalah sebuah metode pengajaran tiga langkah yang dirancang untuk membawa seorang pemula total dari nol menjadi percaya diri. Saya menyebutnya "Tiga Anak Tangga", sebuah jalur pendakian yang dikelola dengan sangat hati-hati untuk memastikan tidak ada yang terintimidasi dan menyerah di tengah jalan.
Setiap langkah tidak hanya memperkenalkan alat baru, tapi juga secara sadar mengelola beban kognitif dan membangun fondasi psikologis bagi pembelajar.
Anak Tangga Pertama: Berkenalan Lewat Excel, Si Sahabat Lama
Bayangkan Anda ingin belajar bahasa baru. Apakah Anda akan langsung mulai dengan membaca karya sastra klasik yang rumit? Tentu tidak. Anda akan mulai dengan kata-kata sederhana seperti "halo", "terima kasih", dan "siapa namamu?".
Inilah peran Microsoft Excel dalam metode ini. Excel adalah "halo" dalam dunia pemrograman. Para penulis memilih Excel sebagai titik awal karena perangkat lunak ini sangat intuitif dan hampir semua orang pernah menggunakannya. Tidak ada sintaks aneh yang harus dihafal, tidak ada layar hitam dengan teks hijau yang menakutkan. Semuanya visual.
Di sini, mahasiswa tidak diajari untuk menulis kode. Sebaliknya, mereka diajari untuk berpikir seperti programmer menggunakan alat yang sudah mereka kenal. Mereka belajar memecah masalah menjadi tiga komponen inti:
-
Variabel Keputusan (Decision Variables): Hal-hal yang bisa kita kontrol atau ubah.
-
Batasan (Constraints): Aturan main yang tidak boleh dilanggar.
-
Fungsi Tujuan (Objective Function): Target akhir yang ingin kita capai (misalnya, memaksimalkan keuntungan atau meminimalkan biaya).
Dengan menggunakan fitur "Solver" di Excel, mereka bisa mengatur ketiga komponen ini dalam sel-sel spreadsheet, lalu membiarkan Excel menemukan solusi optimalnya. Ini adalah langkah pertama yang krusial. Ia membangun kepercayaan diri dan menunjukkan bahwa logika di balik pemrograman sebenarnya sederhana dan bisa dipahami. Ia memisahkan
konsep dari sintaks, sebuah langkah pedagogis yang jenius.
Anak Tangga Kedua: GAMS, Bahasa Rahasia Para Ahli Optimisasi
Setelah nyaman dengan logika di Excel, saatnya naik ke anak tangga kedua. Di sini, kita diperkenalkan dengan GAMS (General Algebraic Modeling System). Jika Excel adalah belajar musik dengan telinga, maka GAMS adalah belajar membaca not balok. Musiknya (logikanya) masih sama, tapi sekarang kita belajar bahasa formal untuk menuliskannya.
GAMS adalah jembatan sempurna antara dunia visual Excel dan dunia teks murni pemrograman. Para penulis memilihnya karena sintaksnya didesain agar "sederhana dan mudah dimengerti". Ini adalah bahasa tingkat tinggi, yang berarti bahasanya lebih dekat ke bahasa manusia daripada bahasa mesin.
Coba lihat potongan kode GAMS dari paper tersebut :
SET i 'factories' / Tegal, Tasikmalaya / j 'markets' / Jakarta, Kebumen, Bandung /;
Anda tidak perlu jadi programmer untuk mengerti apa maksudnya. Kode ini hanya membuat daftar pabrik dan pasar. Konsep yang sama persis dengan yang dilakukan di kolom Excel, tapi kini diekspresikan dalam bentuk teks terstruktur.
Langkah ini secara perlahan menggeser pembelajar dari antarmuka grafis (WYSIWYG - what you see is what you get) ke representasi yang lebih abstrak. Mereka mulai terbiasa mendefinisikan masalah menggunakan bahasa formal, sebuah keterampilan fundamental dalam coding. GAMS menangani semua kerumitan algoritma di belakang layar, sehingga pembelajar bisa fokus sepenuhnya pada pemodelan masalah.
Anak Tangga Ketiga: Python, Sang Naga yang Siap Ditaklukkan
Sekarang kita tiba di puncak tangga: Python. Python adalah "naga" yang sesungguhnya. Ia adalah bahasa pemrograman yang sangat kuat, populer, dan serbaguna, terutama untuk aplikasi sains data dan AI yang menjadi tujuan akhir. Banyak kursus
coding yang langsung melemparkan pemula ke hadapan naga ini, dan hasilnya bisa ditebak: banyak yang kewalahan dan menyerah.
Namun, dalam metode ini, pembelajar datang bukan dengan tangan kosong. Mereka sudah terlatih. Berkat Excel, mereka paham logika naga itu. Berkat GAMS, mereka mengerti bahasa yang digunakan naga itu. Menghadapi Python kini terasa seperti sebuah tantangan yang bisa dimenangkan, bukan misi bunuh diri.
Paper ini menunjukkan cara menyelesaikan masalah yang sama menggunakan Python dengan pustaka (library) bernama Pyomo. Yang menakjubkan adalah bagaimana struktur kode Python-nya secara konseptual mencerminkan kode GAMS. Ada bagian untuk mendefinisikan
sets, parameters, variables, constraints, dan objective.
Meskipun sintaksnya lebih kompleks, fondasi berpikirnya sudah tertanam kuat. Pembelajar bisa melihat koneksi langsung antara apa yang mereka lakukan di GAMS dan apa yang mereka tulis di Python. Ini mengubah proses belajar dari menghafal sintaks menjadi proses menerjemahkan logika yang sudah mereka kuasai ke dalam bahasa baru. Inilah kunci untuk membuka pintu menuju pembelajaran mandiri yang efektif, yang merupakan tujuan utama dari strategi pengajaran ini.
Memecahkan Misteri Logistik: Dari Tegal ke Bandung dengan Biaya Paling Efisien
Untuk membuktikan keampuhan metode ini, para penulis menyajikan sebuah studi kasus: masalah logistik klasik yang dimodifikasi agar relevan dengan konteks Indonesia.
Bayangkan Anda adalah direktur operasi sebuah perusahaan. Anda punya dua pabrik, satu di Tegal dan satu di Tasikmalaya. Anda harus mengirimkan produk ke tiga pasar utama: Jakarta, Kebumen, dan Bandung. Setiap pabrik punya kapasitas produksi (supply) dan setiap pasar punya tingkat permintaan (demand) yang harus dipenuhi. Biaya pengiriman dihitung per barang per kilometer.
Tugas Anda: rancang strategi pengiriman yang memenuhi semua permintaan dengan total biaya transportasi serendah mungkin.
Berikut adalah ringkasan puzzle logistiknya:
Asal/TujuanKapasitas Supply (unit)Kebutuhan Demand (unit)Pabrik Tegal350-Pabrik Tasikmalaya600-Pasar Jakarta-325Pasar Kebumen-300Pasar Bandung-275
Data jarak antar kota dan biaya pengiriman sebesar Rp 2.000 per unit per kilometer juga disediakan. Jika hanya mengandalkan intuisi, kita mungkin akan mencoba mengirim barang dari pabrik terdekat ke setiap pasar. Tapi apakah itu solusi yang paling efisien secara keseluruhan?
Di sinilah keajaiban komputasi terjadi. Dengan menerapkan masalah ini ke dalam Excel, GAMS, dan Python, para penulis mendapatkan jawaban yang presisi.
Dan inilah hasilnya:
-
🚀 Hasilnya luar biasa: Biaya transportasi minimum yang bisa dicapai adalah Rp 341.500.000.
-
🧠 Inovasinya: Ketiga perangkat lunak—Excel yang visual, GAMS yang semi-abstrak, dan Python yang merupakan kode murni—memberikan jawaban yang persis sama. Ini adalah validasi yang kuat bahwa alatnya boleh berbeda, tapi logika pemecahan masalah yang solid adalah kuncinya.
-
💡 Pelajaran: Solusi paling efisien seringkali berlawanan dengan intuisi. Hasil optimal menunjukkan bahwa pengiriman dari Tegal ke Bandung adalah 0 unit, dan dari Tasikmalaya ke Kebumen juga 0 unit. Sebaliknya, pabrik Tasikmalaya justru mengirim barang ke Jakarta dan Bandung, sementara Tegal fokus ke Jakarta dan Kebumen. Komputasi membantu kita melihat melampaui bias "jarak terdekat" dan menemukan pola optimal yang tersembunyi.
Opini Pribadi Saya: Apa yang Brilian (dan Apa yang Bisa Lebih Baik)
Setelah menelaah paper ini, saya benar-benar terkesan. Kejeniusannya tidak terletak pada penemuan algoritma baru atau teori yang rumit. Kejeniusannya terletak pada keanggunan pedagogisnya. Metode tiga langkah ini adalah sebuah kerangka kerja universal untuk belajar. Anda bisa mengganti "Excel, GAMS, Python" dengan "Memainkan Lagu Sederhana, Membaca Not Balok, Mengimprovisasi Jazz" untuk musik, atau "Mencatat Pengeluaran, Menggunakan Aplikasi Budgeting, Menganalisis Laporan Keuangan" untuk literasi finansial. Prinsipnya sama: mulai dari yang konkret dan familiar, bangun jembatan dengan alat terstruktur, lalu taklukkan abstraksi yang kompleks.
Dalam konteks paper ini, insinyur kimia hanyalah sebuah proxy. Mereka mewakili setiap profesional modern yang dihadapkan pada tuntutan untuk mempelajari skill baru yang terasa mengintimidasi. Paper ini memberikan kita peta jalan yang jelas dan penuh empati.
Namun, jika ada satu kritik halus yang ingin saya sampaikan, itu adalah tentang "lompatan" terakhir ke Python. Paper ini, karena sifatnya yang akademis, menyajikan kode Python yang bersih dan siap pakai. Di dunia nyata, langkah ini menyembunyikan sebuah gunung es pekerjaan: menginstal Python, mengatur
environment, mengelola packages dan libraries seperti Pyomo, dan mengatasi berbagai pesan eror yang pasti muncul.
Ini bukan kelemahan paper itu sendiri, melainkan sebuah pengingat bahwa setiap model akademis yang elegan pasti akan berhadapan dengan kerumitan dunia nyata. Justru di sinilah letak pentingnya dua langkah pertama. Fondasi logika yang kuat yang dibangun melalui Excel dan GAMS adalah bekal yang akan membuat pembelajar tidak mudah frustrasi saat menghadapi kerumitan teknis di tahap akhir. Mereka tahu apa yang ingin mereka capai, sehingga mencari cara bagaimana melakukannya di Google atau Stack Overflow menjadi jauh lebih mudah.
Bagaimana Anda Bisa Menerapkan Ini Hari Ini (Serius!)
Hal terbaik dari metode ini adalah Anda tidak perlu menjadi insinyur kimia untuk menggunakannya. Mari kita coba terapkan pada sesuatu yang relevan bagi kita semua: mengelola keuangan pribadi.
-
Langkah 1 (Excel): Mulailah dengan melacak semua pemasukan dan pengeluaran Anda dalam sebuah spreadsheet sederhana selama sebulan. Jangan gunakan aplikasi canggih dulu. Lakukan secara manual. Tujuannya adalah untuk merasakan dan memahami alur uang Anda secara visual dan konkret.
-
Langkah 2 (GAMS-equivalent): Setelah Anda paham polanya, gunakan aplikasi budgeting khusus yang memiliki aturan dan struktur (misalnya, YNAB, Mint, atau aplikasi sejenis). Aplikasi ini memaksa Anda untuk berpikir dalam kategori, menetapkan batasan, dan mengikuti sebuah sistem—mirip seperti GAMS yang memberikan struktur pada pemodelan masalah.
-
Langkah 3 (Python-equivalent): Jika Anda sudah mahir dan ingin analisis yang lebih dalam, inilah saatnya untuk "naik level". Anda bisa belajar scripting dasar untuk mengunduh data transaksi dari bank Anda secara otomatis, menganalisis tren pengeluaran dari tahun ke tahun, dan bahkan membuat model proyeksi untuk tujuan keuangan jangka panjang Anda.
Untuk mendalami langkah ketiga ini, terutama jika Anda tertarik pada bagaimana data bisa diaplikasikan di dunia industri, platform seperti (https://www.diklatkerja.com/course/kursus-online/) bisa menjadi titik awal yang terstruktur dan relevan. Kursus semacam ini sejalan dengan tujuan akhir paper ini, yaitu memanfaatkan pemrograman untuk sains data.
Penutup: Panggilan untuk Para Pembelajar Seumur Hidup
Kita sering berpikir bahwa untuk menguasai skill yang sulit seperti coding, kita butuh bakat luar biasa atau kecerdasan tingkat dewa. Paper dari Andika dan Putra ini membuktikan bahwa anggapan itu salah. Rahasianya bukanlah kejeniusan bawaan, melainkan strategi belajar yang cerdas.
Strategi itu adalah tentang menghormati proses belajar manusia. Ia tentang membangun tangga, bukan menuntut kita untuk melompati jurang. Mulai dari yang kecil dan familiar, bangun jembatan pemahaman, dan hadapi naga itu hanya ketika kita sudah siap dengan perisai logika dan pedang pengetahuan.
Di dunia yang terus berubah dengan cepat, kemampuan untuk belajar adalah meta-skill terpenting yang bisa kita miliki. Dan berkat sebuah jurnal tentang insinyur kimia, kini kita punya peta yang jauh lebih baik untuk menavigasi perjalanan itu.
Jika Anda seorang pembelajar sejati dan penasaran dengan detail teknis di balik metode jenius ini, saya sangat merekomendasikan untuk membaca paper aslinya.