Journal of Science Education and Management Business (JOSEAMB) Vol.
No.
1, tahun 2026, hlm.
ISSN: 2828-3031
ANALISIS SISTEMATIS PENELITIAN TERKAIT MODEL
OPTIMASI PENUGASAN MAKSIMUM MENGGUNAKAN
METODE SYSTEMATIC LITERATURE REVIEW
Naimah Al Hafizah1.
Zefriyenni2 Universitas Putra Indonesia YPTK Padang.
Indonesia
Info Artikel
ABSTRAK
Sejarah artikel:
Penelitian ini bertujuan untuk menganalisis perkembangan model optimasi penugasan maksimum melalui pendekatan Systematic Literature Review (SLR) berdasarkan panduan PRISMA 2020.
Data diperoleh dari basis data Scopus dengan kata kunci maximum assignment problem, optimal task assignment, dan task allocation optimization pada periode 2022Ae2025.
Dari total 351 artikel yang diidentifikasi, sebanyak 161 dihapus karena tidak memenuhi kriteria kelayakan otomatis, dan 40 artikel dikeluarkan karena tidak termasuk dalam jurnal bereputasi Q1AeQ2.
Setelah proses screening dan penilaian kelayakan, diperoleh 8 artikel utama yang dianalisis lebih lanjut.
Hasil kajian menunjukkan bahwa penelitian terkini banyak mengintegrasikan algoritma klasik seperti Hungarian dengan pendekatan metaheuristik dan pembelajaran berbasis graf, guna meningkatkan efisiensi serta akurasi penugasan dalam sistem multi-agen.
Selain itu, penggunaan Watase UAKE terbukti efektif membantu proses seleksi literatur secara transparan dan Secara keseluruhan, tren penelitian mengarah pada pengembangan model optimasi yang lebih adaptif, terotomasi, dan relevan dengan kebutuhan sistem cerdas modern.
Received: 7 Nov 2025 Revised: 7 Jan 2026 Accepted: 12 Jan 2026 Published: 26 Jan 2026 Kata kunci:
Maximum Assigment Problem Optimal Task Assignment Task Allocation Optimization Ini adalah artikel akses terbuka di bawah lisensi CC BY-SA.
Penulis yang sesuai:
Naimah Al Hafizah Departemen ekonomi.
Fakulty ekonomi dan bisnis Universitas Putra Indonesia YPTK Padang, indonesia Email: naimahalhafizah63@gmail.
PENDAHULUAN
Optimasi penugasan maksimum .
aximum assignment proble.
merupakan bagian penting dari berbagai bidang seperti penjadwalan sumber daya, alokasi tugas multi-robot, dan manajemen sistem cerdas.
Dalam lima tahun terakhir, pendekatan terhadap masalah ini telah mengalami perkembangan pesat melalui penerapan metode optimasi klasik yang dikombinasikan dengan teknik pembelajaran mesin dan algoritma berbasis jaringan graf (Aironi et al.
, 2.
Pendekatan tersebut memungkinkan proses pencarian solusi optimal menjadi lebih cepat dan adaptif terhadap lingkungan yang kompleks serta dinamis, khususnya pada sistem berskala besar seperti penginderaan jauh dan robotika kolaboratif (M.
Zhou et al.
, 2.
Selain kemajuan dalam algoritma, penelitian terkini juga menekankan pentingnya integrasi pendekatan metaheuristic dan machine learning dalam optimasi penugasan.
Penerapan algoritma Hungarian yang dimodifikasi, misalnya, terbukti meningkatkan efisiensi dalam task scheduling untuk data penginderaan jauh (S.
Zhang et al.
, 2.
, sementara strategi berbasis jaringan Homepage jurnal: https://rcf-indonesia.
org/jurnal/index.
php/JOSEAMB/index A ISSN: 2828-3031 graf menawarkan keunggulan dalam mempelajari pola hubungan antar-entitas secara langsung (Aironi et al.
, 2.
Pada konteks sistem multi-robot, adaptasi algoritma Hungarian dengan strategi global menghasilkan peningkatan dalam koordinasi dan efisiensi pemilihan target (Zhou et al.
, 2.
Namun, meskipun banyak kemajuan telah dicapai, literatur terkait model optimasi penugasan maksimum masih terfragmentasi.
Oleh karena itu, diperlukan pendekatan Systematic Literature Review (SLR) untuk mengidentifikasi tren, kesenjangan, dan arah riset di masa mendatang secara lebih komprehensif (Sahu & others, 2.
Dalam penelitian ini, metode SLR dilakukan dengan mengacu pada pedoman pelaporan PRISMA 2020, yang menekankan transparansi, replikasi, serta kualitas bukti dalam setiap tahapan tinjauan sistematis (Page et al.
, 2.
Melalui pendekatan ini, diharapkan diperoleh pemetaan menyeluruh mengenai perkembangan algoritma optimasi penugasan maksimum dalam konteks teori maupun implementasinya pada sistem komputasi modern.
TINJAUAN LITERATUR
Analisis Sistematis Analisis sistematis adalah metode penelitian yang dilakukan secara rapi, transparan, dan berulang untuk mengidentifikasi, menilai, serta mensintesis seluruh literatur yang relevan terhadap suatu pertanyaan penelitian.
Pendekatan ini bertujuan menghasilkan gambaran komprehensif dan dapat direplikasi atas keadaan penelitian terdahulu (Pujiati, 2.
Model Optimasi Model optimasi mengacu pada penyusunan representasi matematis dari sebuah persoalan alokasi atau penugasan, dengan tujuan mencapai kondisi terbaikAiseperti memaksimalkan manfaat atau meminimalkan biayaAidengan mematuhi batasan yang ada.
Dalam literatur, model ini banyak dibahas dalam konteks alokasi agen-tugas dan telah dirumuskan ulang dalam berbagai varian modern (Alfaro et al.
, 2.
Penugasan Maksimum Penugasan maksimum merupakan varian khusus dari assignment problem, dimana tugastugas dialokasikan ke agen sedemikian rupa agar total keuntungan .
tau kinerj.
maksimal, dengan aturan bahwa tiap agen hanya mendapat satu tugas dan tiap tugas hanya satu agen.
Penerapannya berkembang cepat dalam sistem alokasi skala besar dan multi-agen (Aironi et al.
, 2.
Metode Systematic Literature Review (SLR) SLR adalah pendekatan sistematis dalam studi literatur yang meliputi identifikasi, seleksi, evaluasi, dan sintesis penelitian-penelitian terdahulu berdasarkan kriteria yang jelas.
Metode ini memberikan landasan berbasis bukti untuk peneliti selanjutnya (Rachmawati, 2.
Penggunaannya di Indonesia semakin luas, meskipun masih terbatas dalam publikasi nasional (Hidayat & Sari, 2.
Watase UAKE Watase UAKE adalah platform digital yang mendukung proses SLR dengan menyediakan fasilitas pencarian literatur, manajemen sitasi, penyaringan otomatis, dan dokumentasi alur PRISMA.
Platform ini membantu peneliti menjaga jejak audit .
udit trai.
proses review dan telah diadopsi pada beberapa pendidikan pascasarjana di Tanah Air (Mada, 2.
HASIL DAN PEMBAHASAN Melalui proses kajian literatur yang dilakukan dengan bantuan aplikasi Watase UAKE, diperoleh beberapa temuan penting sebagaimana ditunjukkan pada Gambar 1 berikut.
JOSEAMB Vol.
No.
Tahun 2026
JOSEAMB
ISSN: 2828-3031
Gambar 1 Output Watase UAKE (Metode Prism.
(Sumber: diolah sendiri 2.
Berdasarkan hasil kajian literatur yang telah dipaparkan pada bagian sebelumnya, ditemukan sebanyak 351 publikasi yang berhubungan dengan topik penelitian ini, yaitu Analisis Sistematis Penelitian Terkait Model Optimasi Penugasan Maksimum Menggunakan Metode Systematic Literature Review.
Seluruh publikasi tersebut berasal dari basis data Scopus dengan klasifikasi jurnal mulai dari kuartil Q1 hingga Q4.
Tahap selanjutnya adalah penyaringan awal berdasarkan kriteria inklusi dan eksklusi yang telah ditetapkan.
Pada proses ini, hanya artikel yang tergolong dalam jurnal Scopus Q1AeQ4 dan memiliki relevansi langsung dengan fokus penelitian yang dipertahankan untuk dianalisis lebih Dari proses seleksi tersebut, diperoleh 150 artikel yang memenuhi kriteria awal.
Kemudian dilakukan analisis mendalam terhadap 20 artikel utama, dan setelah melalui tahap evaluasi kualitas, tersisa 8 artikel yang dinilai paling relevan dan representatif terhadap fokus kajian dalam penelitian Tabel 1 Hasil pencarian untuk artikel yang memenuhi persyratan No Authors/Years Title Journal 1 (Wang, 2.
Research
on Drones Dynamic Particle Swarm
Optimization Cita Journal
tion Rank
Hasil Penelitian Penelitian PSO
multi-objektif
dinamika bernama DCMPSO untuk alokasi tugas pengintaian oleh UAV
ISSN: 2828-3031
MultiObjective Reconnaissanc Task Allocation of UAVs 2 (Y.
Zhang et A Two-Stage , 2.
Optimization Framework for Drones UAV Fleet Sizing and Task Allocation in Emergency Logistics Using the GWO and CBBA 3 (Qin et al.
Deep Drones Reinforcement LearningDriven Seagull Optimization Algorithm for Solving MultiUAV Task Allocation Problem Plateau Ecological Restoration 4 (Han et .
Collaborative Drones Task Allocation Optimization Solution Unmanned Aerial Vehicles in Search and Rescue 5 (Y.
Zhou et al.
Multi-Agent Applied Cross-Domain Sciences Collaborative Task Allocation Problem Based MultiStrategy Improved Dung Beetle Optimization JOSEAMB Vol.
No.
Tahun 2026 dalam lingkungan yang berubahubah.
Penelitian ini mengusulkan kerangka optimasi dua tahap: tahap strategis memakai Grey Wolf Optimizer (GWO) untuk menentukan ukuran armada UAV yang optimal, dan ConsensusAcBased Bundle Algorithm (CBBA) untuk alokasi tugas secara desentralisasi real-time.
Penelitian ini membangun model multi-objektif & multi-kendala (MOMCCTAP) untuk alokasi tugas multi-UAV dalam konteks restorasi ekologi di dataran tinggi, termasuk kendala: jangkauan UAV, prioritas tugas, koordinasi UAV.
Kemudian .
eep reinforcement learnin.
dengan algoritma Seagull Optimization Algorithm (SOA).
20 Q1
Mengembangkan RMURPTW .
escue mission UAV routing with time window.
untuk Search & Rescue pascagempa, lalu mengusulkan PSO-GWO sebagai Simulasi rute/penugasan memenuhi batas daya tahan, kapasitas, & time windows, dan menunjukkan biaya penyelamatan & waktu misi menurun relatif terhadap baseline yang diuji.
Mengusulkan MSIDBO (MultiStrategy Improved Dung Beetle Optimizatio.
untuk task allocation lintas-domain terdistribusi, dengan empat strategi Rata-rata 32,5% dibanding PSO/DBO dan variannya.
memenuhi kebutuhan waktu nyata pada berbagai skala.
JOSEAMB
ISSN: 2828-3031
Algorithm 6 (Z.
Zhou et al.
A Tent-L vy- Applied Based Seagull Sciences Optimization Algorithm for the Multi-UAV Collaborative Task Allocation Problem Mengusulkan TLISOA (TentAeLyvy Improved Seagull Optimization Algorith.
multi-UAV collaborative task allocation .
asus Integrasi Tent chaos .
nisialisasi/populas.
Lyvy flight .
ase konvergensi & menghindari lokal unggul atas CAM-GA.
AQCDPSO.
SOA.
PSO-AWOA.
CESMA pada uji perbandingan.
7 (Liu et al.
Task Allocation Future 4 Q2 Improved SFOA (Sheep Flock Internet Optimizatio.
untuk sistem multiHeterogeneous unmanned heterogen.
Memakai Multiprior-knowledge set ganda yang Unmanned Systems Based rekonsolidasi di lokal optimum saat Improved hasil skenario tugas Sheep Flock menunjukkan lebih sering lolos dari Optimization lokal optimum dan lebih dekat ke Algorithm optimum global dibanding algoritma 8 (X.
Zhang et Joint Task Drones 3 Q1 Pada sistem IRCU (Integrated Radar , 2.
Allocation and & Communicatio.
multi-UAV.
Resource Optimization gabungan alokasi tugas daya Based on an transmisi lebar pita kanal.
Integrated Mengusulkan Loop Iterative Radar Optimization (LIO):
Communication mendekomposisi ke 3 sub-masalah Multi-UAV .
ivide-and-conquer.
SCA.
PSOSystem Simulasi menunjukkan lebih sedikit iterasi atau performa gabungan maksimum lebih tinggi daripada baseline.
Secara umum, temuan dari delapan penelitian tersebut memperlihatkan bahwa penggunaan algoritma optimasi berbasis kecerdasan buatan dan pendekatan metaheuristik modern memberikan dampak signifikan dalam meningkatkan efisiensi, akurasi, dan koordinasi sistem UAV pada berbagai konteks misi, seperti pengintaian, logistik darurat, pertanian cerdas, hingga sistem radar dan komunikasi terpadu.
Penerapan teknik seperti Particle Swarm Optimization (PSO).
Grey Wolf Optimizer (GWO).
Seagull Optimization Algorithm (SOA), serta kombinasi dengan metode deep learning, terbukti mampu mempercepat pencapaian solusi optimal, meminimalkan kesalahan perhitungan, dan meningkatkan kinerja UAV dalam kondisi lingkungan yang kompleks serta Secara keseluruhan, dapat disimpulkan bahwa pendekatan yang mengintegrasikan optimasi matematis, pembelajaran adaptif, dan algoritma cerdas menjadi kunci dalam pengembangan sistem UAV yang lebih responsif, kolaboratif, dan tangguh terhadap perubahan situasi lapangan.
Arah perkembangan penelitian ini menunjukkan kecenderungan menuju sinergi antara teknologi komputasi, sistem multi-agen, dan otonomi buatan, yang tidak hanya memperkuat efisiensi operasional, tetapi juga membuka peluang bagi penerapan inovatif di berbagai sektor berbasis otomasi dan kecerdasan buatan.
ISSN: 2828-3031
DISKUSI
Hasil analisis memperlihatkan bahwa optimasi penugasan maksimum menjadi tema riset yang semakin strategis dalam mendukung otomatisasi dan efisiensi sistem.
Perkembangan metode metaheuristik, seperti Improved Hungarian Algorithm.
Graph-Based Neural Optimization, hingga pendekatan hibrida berbasis reinforcement learning, menandakan adanya pergeseran dari sekadar algoritma deterministik menuju solusi adaptif dan cerdas (Aironi et al.
, 2.
Di Indonesia, adopsi metodologi SLR dan platform pendukung seperti Watase UAKE mulai membantu mahasiswa pascasarjana dan peneliti memperkuat transparansi serta replikasi penelitian ilmiah (Rachmawati, 2024.
Unair, 2.
Meskipun demikian, sinergi antara metodologi akademik dan kebutuhan praktis industri masih perlu diperkuat melalui kolaborasi lintas universitas, lembaga riset, dan sektor swasta.
Secara konseptual, penggabungan optimasi komputasional dengan pendekatan berbasis pembelajaran adaptif menjadi arah penting bagi pengembangan sistem penugasan masa depan.
Pendekatan ini tidak hanya meningkatkan efisiensi komputasi, tetapi juga memungkinkan sistem untuk beradaptasi terhadap perubahan konteks secara waktu nyataAisuatu aspek yang krusial dalam lingkungan teknologi 4.
0 dan kecerdasan buatan yang terus berkembang.
KESIMPULAN
Berdasarkan hasil telaah sistematis terhadap literatur lima tahun terakhir, dapat disimpulkan bahwa pengembangan model optimasi penugasan maksimum terus mengalami kemajuan signifikan seiring dengan penerapan algoritma komputasi modern.
Pendekatan klasik seperti Hungarian Algorithm masih relevan, tetapi kini banyak disempurnakan melalui integrasi dengan pembelajaran mesin dan jaringan graf (Graph Neural Networ.
untuk mengatasi kompleksitas skala besar dan dinamika sistem multi-agen (Alfaro et al.
, 2.
Di tingkat nasional, penggunaan Systematic Literature Review (SLR) mulai diterapkan secara lebih luas untuk memperkuat kualitas sintesis penelitian, terutama dengan dukungan platform digital seperti Watase UAKE yang memudahkan proses pencarian, penyaringan, dan dokumentasi literatur secara otomatis (Pujiati, 2.
Secara umum, tren penelitian terkini menunjukkan sinergi antara metode optimasi matematis dan teknologi pembelajaran adaptif, yang berpotensi menciptakan sistem penugasan yang lebih efisien, tangguh, dan cerdas.
BATASAN
Penelitian ini memiliki beberapa keterbatasan yang perlu diperhatikan.
Keterbatasan sumber literatur: meskipun telah dilakukan pencarian dari berbagai basis data nasional dan internasional, sebagian hasil penelitian berpotensi tidak terjangkau karena keterbatasan akses terhadap jurnal berbayar atau publikasi non-terindeks (Hidayat & Sari.
Rentang waktu penelitian dibatasi pada lima tahun terakhir .
0Ae2.
, sehingga inovasi sebelum periode tersebut mungkin belum terakomodasi secara menyeluruh.
Keterbatasan analisis kontekstual, sebab sebagian literatur tidak memaparkan data implementasi di lapangan secara detail, khususnya untuk studi di Indonesia yang masih minim penerapan praktis di sektor industri dan publik.
REFERENSI