Journal of Science Education and Management Business (JOSEAMB) Vol.
No.
1, tahun 2026, hlm.
ISSN: 2828-3031
SYSTEMATIK LITERATURE REVIEW TENTANG
EFEKTIVITAS ALGORITMA PENUGASAN MAKSIMUM
UNTUK PENGAMBILAN KEPUTUSAN MANAJERIAL
Rian Safitri1.
Zefri Yenni2 Universitas Putra Indonesia YPTK Padang.
Indonesia
Info Artikel
ABSTRAK
Sejarah artikel:
Penelitian ini bertujuan untuk menganalisis peran dan efektivitas algoritma penugasan maksimum dalam mendukung pengambilan keputusan manajerial berbasis data.
Di tengah kompleksitas dan dinamika bisnis modern, kemampuan mengalokasikan sumber daya secara optimal menjadi aspek penting bagi keberhasilan organisasi.
Dengan menggunakan metode Tinjauan Literatur Sistematis (Systematic Literature Review/SLR) yang mengikuti pedoman PRISMA, penelitian ini mengidentifikasi dan menelaah sejumlah studi yang membahas penerapan algoritma penugasan maksimum dalam konteks manajemen.
Dari hasil pencarian literatur melalui database Scopus, ditemukan enam artikel relevan yang mengkaji penerapan algoritma ini, termasuk model yang memanfaatkan machine learning, graph neural network (GNN), dan multi-objective optimization.
Hasil analisis menunjukkan bahwa algoritma penugasan maksimum efektif dalam meningkatkan efisiensi alokasi sumber daya, penjadwalan, serta perencanaan strategis organisasi dengan menghasilkan keputusan yang lebih cepat dan akurat.
Namun, tantangan seperti keterbatasan data real-time dan tingkat kompleksitas komputasi masih perlu diatasi.
Secara keseluruhan, penelitian ini menegaskan pentingnya integrasi antara algoritma penugasan maksimum dan teknologi kecerdasan buatan untuk mendukung pengambilan keputusan manajerial yang adaptif, efisien, dan cerdas di era digital.
Received: 6 Nov 2025 Revised: 20 Des 2025 Accepted: 12 Jan 2026 Published: 26 Jan 2026 Kata kunci:
Algoritma.
Penugasan Maksimum.
Pengambilan Keputusan Manajerial.
SLR.
Prisma Ini adalah artikel akses terbuka di bawah lisensi CC BY-SA.
Penulis yang sesuai:
Rian Safitri Departemen ekonomi.
Fakulty ekonomi dan bisnis Universitas Putra Indonesia YPTK Padang, indonesia Email: riansafitri48@gmail.
PENDAHULUAN
Di zaman digital yang penuh dengan persaingan bisnis yang rumit, perusahaan harus mampu membuat keputusan dengan cepat, tepat, dan berdasarkan data.
Salah satu kesulitan utama dalam membuat keputusan di level manajerial adalah cara mendistribusikan sumber daya dengan cara yang paling efisien termasuk tenaga kerja, proyek, fasilitas, dan waktu untuk mencapai sasaran perusahaan dengan baik.
Umumnya, masalah ini bisa digambarkan sebagai masalah penugasan atau assignment problem, yaitu langkah menentukkan penugasan terbaik antara sejumlah individu dan sejumlah tugas sambil mempertimbangkan batasan dan tujuan tertentu.
(Atak, 2.
Untuk mengatasi masalah tersebut, telah ada berbagai algoritma penugasan yang dirancang.
Di antara algoritma ini adalah algoritma Hungarian, algoritma KuhnAeMunkres, metode branch and Homepage jurnal: https://rcf-indonesia.
org/jurnal/index.
php/JOSEAMB/index A ISSN: 2828-3031 bound, serta pendekatan heuristik seperti genetic algorithm dan simulated annealing.
Salah satu jenis yang sering digunakan di bidang manajerial adalah algoritma penugasan maksimum, yang bertujuan untuk meningkatkan nilai atau utilitas total dari penugasan yang dilakukan.
Algoritma ini sangat relevan dalam banyak area manajemen, termasuk penjadwalan karyawan, alokasi proyek, perencanaan logistik, pengelolaan rantai pasok, dan pengambilan keputusan strategis yang didasarkan pada optimasi.
(Fakoya et al.
, 2.
Walaupun demikian, masih penting untuk menilai secara menyeluruh efektivitas algoritma penugasan maksimum dalam pengambilan keputusan manajerial.
Setiap algoritma memiliki ciri khas yang berbeda terkait dengan kecepatan pemrosesan, ketepatan hasil, kemampuan beradaptasi terhadap ketidakpastian data, serta kemampuannya untuk beradaptasi dengan situasi nyata dalam Karena itu, diperlukan penelitian yang sistematis untuk menemukan, menganalisis, dan menilai bagaimana algoritma penugasan maksimum telah digunakan secara efektif dalam konteks pengambilan keputusan manajerial.
(Gaspars-wieloch, 2.
Melalui penelitian ini yang menggunakan Tinjauan Literatur Sistematis (SLR), peneliti bertujuan untuk merangkum temuan dari studi-studi sebelumnya terkait penggunaan algoritma penugasan maksimum di berbagai sektor manajemen.
SLR diterapkan untuk memastikan bahwa tinjauan literatur dilaksanakan dengan cara yang teratur, jelas, dan dapat diulang, sehingga menghasilkan pemahaman yang lebih baik mengenai seberapa efektif algoritma tersebut dalam mendukung proses pengambilan keputusan.
Diharapkan bahwa hasil dari kajian ini dapat memberikan sumbangan teoritis pada pengembangan ilmu manajemen yang berfokus pada analisis kuantitatif, serta memberi kontribusi praktis bagi para pengambil keputusan dalam memilih metode optimasi yang paling sesuai untuk kebutuhan organisasi.
(Sauer & Seuring, 2.
TINJAUAN LITERATUR Efektivitas Algoritma Penugasan Maksimum Masalah alokasi maksimum dalam bidang manajemen dan operasi menjadi semakin relevan karena kemampuannya untuk mengoptimalkan penggunaan alokasi antara agen dan tugas, serta untuk membantu proses pengambilan keputusan secara efisien.
Sebagai ilustrasi, penelitian mengenai Masalah Penugasan dalam Manajemen Proyek Sumber Daya Manusia di Tengah Ketidakpastian menjelaskan cara penerapan model penugasan yang meningkatkan efisiensi total dalam konteks manajemen proyek sumber daya manusia, terutama dalam situasi ketidakpastian lingkungan seperti proyek inovatif atau situasi yang berubah-ubah.
(Gaspars-wieloch, 2.
Pengambilan Keputusan Manajerial bagian penting dari manajemen yang bertujuan untuk memilih pilihan terbaik demi mencapai tujuan organisasi dengan cara yang efektif dan efisien.
Proses ini melibatkan langkah-langkah seperti mengidentifikasi masalah, mengumpulkan data, menganalisis pilihan, memilih solusi yang paling tepat, dan menerapkan keputusan yang diambil.
Karena keterbatasan dalam informasi dan waktu, sering kali keputusan manajerial tidak sepenuhnya rasional.
Oleh sebab itu, pengambilan keputusan saat ini tidak hanya mengandalkan insting, tetapi juga menggunakan sistem informasi dan analisis data untuk meningkatkan objektivitas dan kualitas keputusan yang diambil.
Dengan begitu, proses pengambilan keputusan manajerial menunjukkan kemampuan manajer untuk menggabungkan rasionalitas, data, dan konteks organisasi dalam menetapkan arah strategis.
(Erica et al.
, 2.
Systematic Literature Review (SLR) Tinjauan Sistematis Literatur Review (SLR) adalah pendekatan penelitian yang dibuat untuk menemukan, menilai, dan menggabungkan semua penelitian yang berkaitan dengan tema atau pertanyaan penelitian dengan cara yang teratur, jelas, dan bisa diulang (Page et al.
, 2.
Berbeda dengan tinjauan literatur naratif biasa.
SLR mengikuti langkah-langkah terstruktur dalam pencarian dan pemilihan literatur, serta menggunakan alat seperti PRISMA (Item Pelaporan yang Diprioritaskan untuk Tinjauan Sistematis dan Meta-Analisi.
untuk menjamin bahwa proses dan hasilnya dapat diukur dan bebas dari bias.
Metode Prisma Metode PRISMA, yang merupakan singkatan dari Preferensi Laporan Pilihan untuk Ulasan Sistematis dan Meta-Analisis, digunakan untuk melakukan Tinjauan Literatur Sistematis (SLR) secara JOSEAMB Vol.
No.
Tahun 2026
JOSEAMB
ISSN: 2828-3031
terstruktur dan jelas.
Dengan PRISMA, setiap langkah mulai dari pencarian sumber, pemilihan artikel, penilaian kelayakan, hingga penyusunan hasil dicatat dengan cara yang sistematis agar peneliti lain dapat mengulanginya.
(Page et al.
, 2.
Dengan cara ini, peneliti dapat memilih literatur berkualitas tinggi, menemukan kekurangan dalam penelitian, dan menghasilkan sintesis teoretis yang dapat dipercaya untuk mendukung keputusan strategis dan operasional yang berbasis bukti.
Watase Uake Watase UAKE merupakan sebuah website yang berfungsi sebagai mesin pencari untuk pengetahuan akademik, dirancang untuk membantu mahasiswa dan peneliti dalam menemukan literatur ilmiah dengan cara yang terorganisir dan terintegrasi.
Platform ini diciptakan untuk memberikan dukungan dalam penulisan ilmiah yang berbasis bukti, pemetaan literatur, dan analisis kata kunci, yang sangat penting dalam menyusun Systematic Literature Review, sesuai dengan panduan PRISMA 2020.
Versi terbaru ini menawarkan panduan yang lebih mendetail tentang strategi pencarian literatur, penggunaan diagram alur dalam pemilihan studi, metode ekstraksi data, penilaian risiko bias, serta prosedur untuk melaporkan hasil kajian.
(Page et al.
, 2.
METODE
Studi ini adalah tinjauan pustaka sistematis yang meneliti efektivitas algoritma penugasan maksimum untuk pengambilan keputusan manajerial.
Metode yang digunakan dalam penelitian ini adalah Tinjauan Sistematik Literatur Review dan disusun mengikuti kerangka kerja PRISMA, yang berfungsi sebagai pedoman pelaporan untuk tinjauan sistematis dan meta-analisis.
Secara metodologis, studi ini meliputi beberapa langkah utama:
Penentuan konsep utama dan strategi pencarian, yang mencakup penyusunan istilah kunci serta metode pencarian yang tepat untuk mengumpulkan literatur relevan dari basis data Scopus, dan mengklasifikasikan jurnal dari kuartil Q1 sampai Q4.
Pemilihan studi berlandaskan kriteria PRISMA, yaitu menyaring artikel berdasarkan standar yang ditetapkan untuk inklusi dan eksklusi.
Pengambilan informasi penting, termasuk data mengenai penulis, tahun terbit, metode yang digunakan, dan temuan utama dari studi yang dipilih.
Penilaian kualitas studi, melalui peninjauan terhadap kelayakan metodologis dan kontribusi keseluruhan dari setiap artikel dengan menggunakan panduan evaluasi yang terukur.
Sintesis hasil penelitian, yang memberikan ringkasan naratif dan deskriptif dari temuan utama yang terdapat dalam literatur yang dianalisis.
Dengan cara ini, kajian literatur bisa dilakukan secara lengkap, terstruktur, dan sistematis.
Ini memungkinkan penggabungan bukti yang berkaitan dengan Efektivitas Algoritma Penugasan Maksimum dan Pengambilan Keputusan Manajerial.
Penerapan metode PRISMA memberi kejelasan dan organisasi dalam menyampaikan proses serta hasil kajian literatur.
(Page et al.
, 2.
Untuk mengumpulkan referensi, studi ini memanfaatkan aplikasi Watase UAKE, sebuah alat yang mencari literatur dan terhubung dengan API Scopus.
Dengan cara ini, hasil pencarian diambil dari sumber akademis yang handal dan mencakup jurnal dalam kategori Q1-Q4.
Dalam proses tersebut, sembilan artikel yang sesuai diidentifikasi dengan periode publikasi antara tahun 2022 hingga 2025, yang kemudian menjadi dasar untuk menganalisis topik penelitian ini.
ISSN: 2828-3031
HASIL DAN PEMBAHASAN
Gambar 1.
SLR dengan metode Prisma Sumber.
diolah penulis .
Gambar tersebut menampilkan alur PRISMA yang menjelaskan tahapan seleksi literatur dalam penelitian Systematic Literature Review tentang Efektivitas Algoritma Penugasan Maksimum untuk Pengambilan Keputusan Manajerial.
Pada tahap identifikasi, pencarian dilakukan melalui database Scopus dengan kata kunci terkait dan menghasilkan 225 artikel.
Setelah dilakukan penyaringan awal, sebanyak 183 artikel dihapus karena berada di luar rentang waktu publikasi 2022Ae 2025, dan 5 artikel lainnya dieliminasi karena tidak termasuk dalam jurnal bereputasi.
Dengan demikian, tersisa 37 artikel untuk proses seleksi berikutnya.
Selanjutnya, pada tahap penyaringan, terdapat 22 artikel yang dinilai tidak relevan sehingga tersisa 15 artikel.
Dari jumlah tersebut, 10 artikel tidak dapat diakses, dan hanya 5 artikel yang memenuhi kriteria serta dimasukkan ke dalam ulasan akhir.
Secara ringkas, diagram ini menggambarkan proses seleksi literatur yang dilakukan secara sistematis, transparan, dan sesuai dengan standar PRISMA 2020, sehingga hanya penelitian yang relevan dan berkualitas yang dijadikan dasar dalam ulasan sistematis ini.
Oleh karena itu, analisis akhir mencakup 5 artikel ilmiah yang relevan, berkualitas tinggi, dan selaras dengan tema penelitian.
Tabel 1.
Artikel Yang Lolos Seleksi Berdasarkan Kriteria No (Autors.
Title Journal Citation Journal Hasil Penelitian Year.
Rank 1 (Savchy Relative-interior Annals solution for the of pendekatan matematis .
Mathem atics and Artificial mengembangkan serta with Intellige menguji metode baru applications to nce problem yang tidak Penelitian ini JOSEAMB Vol.
No.
Tahun 2026
JOSEAMB
(Valenci arodrygue Coello.
A ISSN: 2828-3031 novel TOP construct quality indicators using berbasis relative-interior meningkatkan stabilitas dan efisiensi algoritma Hasil dikembangkan mampu yang lebih akurat dan algoritma konvensional, terutama saat diterapkan yang kompleks.
Secara keseluruhan, penelitian relative-interior menjadi alternatif efektif kompleksitas tinggi.
Peneliti kerangka baru bernama IFLAP (Indicator Framework based on Linear Assignment Proble.
menghasilkan indikator kualitas yang lebih efisien dalam menilai Hasil
penelitian menunjukkan bahwa dua indikator PLAP
DLAP,
baru MOEA-kAP yang menggunakan kerangka ini terbukti lebih unggul
dibandingkan algoritma
NSGA-i
MOEA/D-DE
(Aironi A Graph-Based .
Neural Approach to Linear Sum Assignment Problems JOSEAMB Vol.
No.
Tahun 2026
ISSN: 2828-3031
Internati Journal
Neural
Systems Penelitian ini menyimpulkan bahwa penggunaan pendekatan meningkatkan akurasi
algoritma optimasi dan pengembangan indikator kualitas baru di masa Graph Neural Network
(GNN)
menyelesaikan Linear Sum Assignment Problem (LSAP) secara Melalui pemodelan graf bipartit dan mekanisme message passing, penelitian ini model GNN mampu memberikan hasil yang dengan akurasi tinggi dan waktu komputasi Hungarian.
MLP, dan CNN.
Hasil meskipun solusi yang dihasilkan bersifat suboptimal.
GNN tetap efektif dalam menekan biaya total .
ismatch probabilit.
dan sangat efisien untuk masalah berskala besar, terutama penjadwalan akses smart meter dalam sistem jaringan listrik pintar.
Kesimpulannya, metode GNN terbukti efisien, skalabel, dan berpotensi JOSEAMB
ISSN: 2828-3031
(Jiang et A Multi- Biomime Objective Optimization Problem Solving Method Based on Improved Golden Jackal Optimization Algorithm and Its Application penugasan kompleks di pengambilan keputusan berbasis data menggunakan metode penelitian eksperimental algoritma baru bernama SCMGJO (SineAeCosine and Cauchy Mutation Golden Jackal Optimizatio.
memperbaiki kelemahan GJO konvensional dalam hal kecepatan konvergensi Melalui penerapan pada tiga kasus rekayasa nyataAi desain pegas tekan, rangka tiga batang, dan UAVAihasilnya SCMGJO unggul dalam stabilitas, kecepatan, dan algoritma pembanding seperti WOA.
ACO.
GWO.
ALO.
Penelitian menyimpulkan bahwa penggabungan strategi sineAecosine dan mutasi Cauchy secara efektif kemampuan eksplorasi menyelesaikan masalah optimasi multiobjektif kompleks di bidang teknik dan kecerdasan A (Hristov The integration , between management and conceptual model decision-making JOSEAMB Vol.
No.
Tahun 2026
ISSN: 2828-3031
Producti Planning Control
menggunakan metode semiterstruktur terhadap 75
perusahaan di Italia
bagaimana Enterprise Risk
Management (ERM) diintegrasikan dengan Performance Management System
(PMS)
pengambilan keputusan Hasil penelitian menunjukkan dimensi risiko utama keuangan, operasional, pemangku kepentingan, budaya sebagai faktor Berdasarkan temuan ini, peneliti mengembangkan model konseptual dengan lima Key Risk Indicators (KRI.
dan satu indeks baru bernama Corporate Risk Perception (CRP) perusahaan memantau, mengintegrasikan risiko dalam siklus PMS.
Studi
bahwa integrasi antara ERM
PMS
meningkatkan efisiensi, efektivitas, serta kualitas pengambilan keputusan memperkuat daya saing dan nilai jangka panjang JOSEAMB
ISSN: 2828-3031
Kelima artikel yang ada bersama-sama memberikan kontribusi pada pengembangan metode optimasi dan pengambilan keputusan manajerial yang didasarkan pada data, dengan cara yang berbeda tetapi saling mendukung.
Artikel pertama membahas tentang penggunaan pendekatan matematis dan eksperimen komputasional untuk memperkenalkan metode baru yang berdasar pada relative-interior approach, yang bertujuan menyelesaikan masalah penugasan linier yang tidak Temuan menunjukkan bahwa ada peningkatan stabilitas dan efisiensi dalam menemukan penugasan yang optimal, terutama untuk masalah penugasan kuadratik yang rumit.
Di artikel kedua, sebuah kerangka baru, yang disebut IFLAP (Indicator Framework based on Linear Assignment Proble.
, diperkenalkan untuk menghasilkan indikator kualitas PLAP dan DLAP guna mengukur konvergensi dan keragaman solusi.
Penelitian ini juga menciptakan algoritma baru.
MOEA-kAP, yang terbukti lebih baik daripada algoritma NSGA-i dan MOEA/D-DE, serta memberikan fondasi untuk perkembangan indikator evaluasi algoritma optimasi di masa depan.
Artikel ketiga memaparkan pendekatan yang berbasis Graph Neural Network (GNN) untuk menyelesaikan Linear Sum Assignment Problem (LSAP) dengan cara yang sangat efisien.
Temuan menunjukkan bahwa model GNN dapat memberikan solusi mendekati optimal dengan waktu komputasi yang jauh lebih singkat dibanding metode tradisional, sehingga sangat cocok untuk diterapkan dalam sistem penjadwalan cerdas seperti smart meter networks.
Algoritma baru yang disebut SCMGJO (SineAeCosine and Cauchy Mutation Golden Jackal Optimizatio.
diusulkan dalam artikel keempat.
Algoritma ini memperbaiki GJO tradisional dengan menggabungkan strategi mutasi Cauchy dan sine-cosine.
Pengujian terhadap fungsi benchmark dan kasus teknik nyata menunjukkan bahwa SCMGJO lebih cepat, lebih stabil, dan lebih akurat dibanding algoritma lain seperti WOA.
ACO.
GWO, dan ALO.
Artikel kelima melakukan penelitian kualitatif eksploratif melalui wawancara dengan manajer perusahaan untuk menggabungkan Enterprise Risk Management (ERM) dengan Performance Management System (PMS) demi mendukung pengambilan keputusan strategis.
Hasil penelitian ini adalah model konseptual yang berbasis lima Key Risk Indicators (KRI.
dan indeks Corporate Risk Perception (CRP) yang diharapkan dapat meningkatkan efisiensi, efektivitas, dan kualitas keputusan strategis dalam Secara keseluruhan, kelima studi ini menunjukkan bahwa kemajuan dalam algoritma optimasi, pembelajaran mesin, serta integrasi manajerial sangat penting untuk meningkatkan akurasi, efisiensi, dan efektivitas dalam proses pengambilan keputusan di berbagai bidang.
DISKUSI
Hasil kajian literatur menunjukkan bahwa algoritma penugasan maksimum memiliki kontribusi besar dalam meningkatkan efektivitas pengambilan keputusan manajerial, terutama dalam hal alokasi sumber daya dan optimalisasi proses kerja.
Berdasarkan hasil penelitian yang ditinjau, algoritma ini mampu menghasilkan solusi terbaik dengan mempertimbangkan berbagai variabel seperti waktu, biaya, dan produktivitas, sehingga membantu manajer mengambil keputusan yang lebih cepat, efisien, dan berbasis data Perkembangan penerapannya terlihat dari penggunaan model linear assignment problem (LAP) hingga metode yang lebih modern berbasis machine learning dan graph neural network (GNN), yang menawarkan akurasi serta kecepatan lebih tinggi dibandingkan metode tradisional seperti Hungarian algorithm.
Beberapa penelitian juga memadukan algoritma ini dengan multiobjective optimization untuk menangani permasalahan yang lebih kompleks, seperti penjadwalan kerja, perencanaan proyek, dan logistik.
Efektivitas algoritma ini tidak hanya ditentukan oleh ketepatan perhitungannya, tetapi juga oleh kemampuannya dalam menyesuaikan diri terhadap ketidakpastian dan dinamika organisasi.
Implementasinya terbukti mampu meningkatkan efisiensi operasional, menekan risiko, dan memperkuat pengambilan keputusan strategis.
Namun, masih terdapat tantangan seperti keterbatasan data real-time dan tingginya kompleksitas komputasi.
Secara keseluruhan, algoritma penugasan maksimum merupakan pendekatan kuantitatif yang efektif, dan penggabungannya dengan kecerdasan buatan berpotensi memperkuat kemampuan organisasi dalam mengambil keputusan strategis di era digital A ISSN: 2828-3031
KESIMPULAN
Dari hasil kajian literatur dapat disimpulkan bahwa algoritma penugasan maksimum merupakan pendekatan yang efektif dalam mendukung proses pengambilan keputusan manajerial, khususnya dalam hal distribusi sumber daya dan optimalisasi kinerja organisasi.
Algoritma ini mampu menghasilkan keputusan terbaik dengan mempertimbangkan berbagai aspek seperti waktu, biaya, dan efisiensi operasional, sehingga membantu manajer membuat keputusan yang lebih rasional, cepat, dan berbasis data.
Perkembangan metode ini, dari model matematis tradisional hingga penerapan machine learning dan graph neural network (GNN), menunjukkan peningkatan signifikan dalam akurasi serta kecepatan pengolahan data.
Namun, efektivitas algoritma ini masih dipengaruhi oleh faktor seperti ketersediaan data real-time dan kompleksitas perhitungannya.
Oleh karena itu, penting bagi organisasi untuk mengintegrasikan algoritma penugasan dengan teknologi kecerdasan buatan agar lebih responsif terhadap perubahan dan ketidakpastian lingkungan bisnis.
Secara keseluruhan, penerapan algoritma
penugasan maksimum tidak hanya meningkatkan efisiensi dan efektivitas keputusan manajerial, tetapi juga memperkuat pondasi bagi pengembangan sistem
BATASAN
Penelitian ini memiliki beberapa batasan yang perlu diperhatikan.
Pertama, studi ini menggunakan metode Tinjauan Literatur Sistematis (SLR) yang sangat bergantung pada kualitas serta ketersediaan artikel yang terbit dalam periode tertentu, sehingga hasilnya belum tentu mencerminkan seluruh penelitian terkait algoritma penugasan maksimum.
Kedua, sumber literatur hanya diambil dari database Scopus, sehingga kemungkinan masih ada penelitian relevan dari sumber lain yang belum terakomodasi.
Selain itu, pembahasan dalam penelitian ini bersifat konseptual dan deskriptif, sehingga belum memberikan bukti empiris mengenai hubungan langsung antara penerapan algoritma penugasan maksimum dan efektivitas keputusan manajerial.
Keterbatasan lainnya adalah minimnya kajian yang membahas penerapan algoritma ini dalam konteks organisasi secara nyata, baik di sektor publik maupun bisnis.
Oleh sebab itu, penelitian berikutnya disarankan menggunakan pendekatan empiris seperti studi kasus atau eksperimen langsung untuk menguji efektivitas algoritma dalam praktik manajerial.
Penelitian lanjutan juga diharapkan mengintegrasikan algoritma penugasan dengan kecerdasan buatan dan data real-time, agar hasil optimasi yang diperoleh lebih akurat, aplikatif, dan sesuai dengan kebutuhan organisasi di era digital.
REFERENSI