Pemetaan Aliran Nilai Berbasis Data: Gunakan Data ERP, Bukan Stopwatch

Disclosure: M365.FM host Mirko Peters works at iFAKT GmbH. This page describes the company factually; paid partnerships and links are labelled as advertising.

By Mirko Peters · 2026-11-11

Pemetaan aliran nilai digital membangun peta dari data ERP dan data lantai produksi. Ketahui data yang Anda butuhkan, langkah-langkahnya, batasannya, serta contoh kasus untuk manajer.

Automatically translated with AI from the original post. Read the English original

Pemetaan aliran nilai digital membangun peta aliran nilai dari data yang tercatat, bukan dari stopwatch dan satu hari observasi. Pesanan, rute produksi, catatan stok, dan umpan balik produksi memberi Anda waktu siklus, waktu tunggu, dan stok untuk banyak pesanan sekaligus. Panduan ini ditujukan bagi manajer pabrik yang memiliki data ERP dan ingin mengetahui seberapa jauh data tersebut dapat menggantikan pemetaan manual. Panduan ini menjelaskan data yang dibutuhkan, cara membangun peta langkah demi langkah, apa yang ditunjukkan oleh contoh kasus, serta di mana data saja dapat menyesatkan.

Poin Penting

• Pemetaan aliran nilai digital membangun peta dari data yang tercatat, seperti pesanan, rute produksi, stok, dan umpan balik produksi, alih-alih dari stopwatch dan satu hari observasi.
• Peta klasik hanya merupakan potret sesaat. Data menunjukkan bagaimana waktu dan stok bervariasi dari satu pesanan ke pesanan lain, yang tidak dapat ditunjukkan oleh satu kali kunjungan lapangan.
• Data ERP biasanya menyediakan permintaan, pesanan, rute produksi, dan stok. Sistem di lantai produksi menambahkan waktu mulai dan selesai aktual serta jumlah per operasi.
• Data hanya sebaik pencatatan di baliknya. Telusuri alur kerja untuk memeriksa makna angka-angka tersebut sebelum Anda mempercayainya.
• Gunakan data untuk menemukan area yang perlu diperiksa dan untuk sering memperbarui peta. Gunakan gemba walk untuk memahami penyebabnya, dan sepakati tindakan bersama tim.

Mengapa stopwatch dan potret sesaat tidak memadai?

Pemetaan aliran nilai (value stream mapping) adalah metode pemetaan proses ramping (lean). Metode ini menggambarkan aliran material dan informasi yang membawa produk atau layanan kepada pelanggan, biasanya untuk satu keluarga produk dalam satu waktu. Sebuah pabrik memiliki beberapa aliran nilai, satu untuk setiap keluarga produk, dan masing-masing memerlukan peta aliran nilai sendiri. Metode klasik bekerja dengan baik di lantai produksi, tetapi memiliki keterbatasan. Institut Manajemen Produksi, Teknologi, dan Perkakas Mesin (PTW) di TU Darmstadt mencantumkannya di halaman mereka tentang metode aliran nilai berbasis data:

• Peta aliran nilai bersifat statis. Peta ini bertumpu pada potret sesaat dan perkiraan, dan tidak menangkap variabilitas.
• Mencatat waktu, persediaan, dan indikator kunci secara manual membuat pengulangan pemetaan sangat memakan waktu.
• Bahasa pemodelan cocok untuk alur linear sederhana, sehingga alur bercabang dan beberapa keluarga produk sulit ditangkap.
• Pemilihan langkah proses dan pencatatan data yang benar bergantung pada pengalaman pengguna.

PTW juga melaporkan dari proyek industri pertama mereka bahwa permintaan pelanggan, porsi volume suatu keluarga produk, dan alokasi mesin untuk sumber daya bersama masing-masing harus dikoreksi lebih dari 20 persen dibandingkan dengan estimasi awal para ahli. Ini adalah hasil dari proyek riset dan mungkin tidak sesuai dengan pabrik Anda. Namun, hal ini menunjukkan bahwa estimasi layak diperiksa terhadap data.

Pemetaan manual juga memiliki kelemahan lain. Christoph Roser dari AllAboutLean memperingatkan bahwa jika Anda hanya bertanya kepada karyawan, Anda akan mendapatkan kondisi ideal, bukan kenyataan, padahal penyimpangan dari standar justru yang penting. Ia menyarankan agar Anda menggambarkan kondisi saat ini di lantai produksi dan memverifikasi informasinya sendiri. Artikelnya Practical Tips for Value Stream Mapping juga menunjukkan, dalam sebuah komentar pembaca, bahwa data dari pengamatan langsung perlu dicocokkan dengan MES atau sistem pelaporan lainnya. Pengecekan ini berlaku dua arah: data menguji pengamatan, dan pengamatan menguji data.

Apa itu digital value stream mapping, dan data apa yang digunakannya?

Digital value stream mapping, yang juga disebut VSM berbasis data atau data-driven, membuat peta aliran nilai dari catatan di dalam sistem Anda. PTW menjelaskan bagaimana data transaksi dapat membentuk matriks produk-proses, dan bagaimana umpan balik produksi serta data kejadian memungkinkan process mining. Process mining merekonstruksi alur proses yang sebenarnya dan menurunkan metrik seperti throughput, waktu pemrosesan, dan waktu tunggu. Sebuah makalah tahun 2026 karya Paryanto, Faizin, dan Franke di Journal of Manufacturing and Materials Processing, Improving Manufacturing Line Design Efficiency Using Digital Value Stream Mapping, mengusulkan kerangka kerja dengan data operasional real-time, bukan data statis yang diagregasi secara manual.

Dua jenis sistem menyediakan sebagian besar data:

• Enterprise resource planning (ERP). Perangkat lunak bisnis yang menghubungkan pembelian, persediaan, pesanan, dan transaksi terkait di seluruh organisasi. Biasanya menyimpan data permintaan, pesanan, routing, dan stok.
• A manufacturing execution system (MES). Perangkat lunak di lantai produksi yang mencatat aktivitas produksi terhadap perintah kerja dan operasi, misalnya material aktual yang dikonsumsi di sebuah stasiun. Sistem ini menyediakan waktu dan jumlah aktual.

Sebagai aturan praktis, yang merupakan pemetaan saya sendiri dan bukan aturan dari sumber-sumber tersebut, data mengisi peta aliran nilai sebagai berikut:

• Kotak pelanggan: permintaan per hari atau per minggu dari riwayat pesanan.
• Keluarga produk: pesanan yang menggunakan routing dan peralatan yang sama.
• Kotak proses: operasi dari routing.
• Kotak data: cycle time, waktu pemrosesan, dan changeover dari umpan balik produksi.
• Segitiga persediaan: catatan stok, dikonversi menjadi hari persediaan dengan membaginya dengan permintaan harian.
• Aliran informasi: cara pesanan dan jadwal dilepaskan ke lantai produksi.

Bagaimana cara membuat peta aliran nilai berbasis data langkah demi langkah?

1. Pilih keluarga produk dan periodenya. Ambil cukup minggu untuk mencakup variasi normal, dan hindari minggu libur.
2. Ekstrak data. Tarik pesanan, routing, stok, dan umpan balik produksi untuk keluarga tersebut. Salah satu praktik terbaik adalah menyimpan ekspor mentah agar Anda dapat menelusuri setiap angka.
3. Bersihkan data. Hapus pesanan uji, duplikat, dan kesalahan pencatatan yang jelas. Tanyakan kepada orang yang mencatat data apa arti setiap kolom.
4. Hitung metriknya. Hitung waktu pemrosesan, waktu tunggu, dan lead time per pesanan. Laporkan median dan rentangnya, bukan hanya rata-rata.
5. Gambar petanya. Masukkan angka-angka ke dalam kotak data dan garis waktu yang biasa digunakan. Buatlah peta aliran nilai yang bisa dibaca dalam satu menit, dan simpan ekstraksi sebagai alur kerja yang dapat diulang sehingga Anda dapat memperbaruinya setiap bulan.
6. Telusuri alirannya. Periksa peta aliran nilai terhadap kondisi lantai produksi. Hitung sendiri persediaan di dua tahap dan amati beberapa siklus.
7. Sepakati tindakan. Gambarkan kondisi masa depan, pilih kesenjangan terbesar, tetapkan target yang terukur, tunjuk penanggung jawab, dan ulangi peta aliran nilai setelah perubahan. Bagikan kepada pemangku kepentingan di bidang produksi, perencanaan, dan logistik.

Contoh: apa yang dikatakan stopwatch dan data tentang satu tahap

Ini adalah contoh ilustratif dengan angka rekaan, bukan kasus yang diukur. Seorang manajer pabrik memetakan satu keluarga produk. Permintaannya 280 unit per hari, dan satu hari kerja memiliki 25.200 detik, sehingga takt time adalah 25.200 ÷ 280 = 90 detik.

Pengukuran dengan stopwatch. Saat berkeliling area produksi, tim mengukur stasiun pengelasan: 85 detik per unit, dari operator berpengalaman pada hari yang baik. Angka itu di bawah takt time, jadi pengelasan tampak baik-baik saja.

Datanya. Data umpan balik produksi selama empat minggu menunjukkan rata-rata 98 detik per unit. Angka ini mencakup henti singkat, siklus pengerjaan ulang, dan shift yang lebih lambat yang tidak terlihat pada hari pengamatan. Dengan 98 detik, pengelasan menghasilkan 25.200 ÷ 98 = sekitar 257 unit per hari kerja. Permintaannya 280, sehingga kekurangannya sekitar 23 unit per hari, atau 8 persen. Pengelasan berada di atas takt time dan merupakan bottleneck.

Waktu tunggu. Pengamatan lapangan menemukan stok senilai 2 hari di depan pengelasan. Catatan pesanan untuk sepuluh pesanan menunjukkan waktu tunggu (dalam hari) sebagai berikut: 0,5; 0,5; 1; 1; 1,5; 2; 2; 2,5; 3; dan 6. Jumlahnya 20, sehingga rata-ratanya 2 hari, dan median-nya 1,75 hari. Satu dari sepuluh pesanan menunggu 6 hari. Pelanggan mengingat pesanan yang menunggu 6 hari, bukan rata-ratanya, sehingga rentang nilai sama pentingnya dengan nilai rata-rata.

Pelajarannya: stopwatch dan pengamatan lapangan memberikan gambaran yang masuk akal, tetapi data menunjukkan dua hal yang terlewat oleh keduanya. Menunggu adalah inefisiensi utama dalam alur ini, dan stok di depannya merupakan tanda overproduction di hulu. Data juga menunjukkan di mana harus mencari: pengelasan, dan pesanan yang paling lama menunggu. Pengamatan lapangan kemudian menjelaskan mengapa.

Apa batasan pemetaan berbasis data?

Data adalah catatan tentang apa yang dicatat orang, dan pencatatan tidak selalu sama dengan kejadian sebenarnya. Operator mungkin mencatat seluruh batch di akhir shift, sehingga waktu mulai dan waktu selesai menunjukkan waktu pencatatan, bukan waktu kerja. Catatan stok bisa tertinggal dari kondisi di lantai produksi. Beberapa operasi mungkin tidak memiliki catatan sama sekali, seperti perpindahan antargedung. Waktu tunggu sering tersembunyi di tempat yang tidak ada seorang pun mencatatnya.

Data juga tidak menjelaskan alasannya. Data tidak memberi tahu Anda bahwa operator harus berjalan 40 meter untuk mengambil karton atau bahwa fixture sulit dikunci. Untuk hal itu, Anda tetap membutuhkan gemba, yaitu tempat pekerjaan berlangsung. Anggaplah data sebagai panduan untuk menentukan tempat pertama yang harus diperiksa, serta sebagai cara untuk memperbarui value stream map secara rutin. Anggaplah pengamatan lapangan sebagai cara untuk memahami. Gunakan keduanya untuk mengidentifikasi pemborosan dan memilih langkah kaizen, yaitu perubahan kecil dalam perbaikan proses berkelanjutan. Tujuannya adalah mengoptimalkan alur, bukan menghasilkan peta yang sempurna. Ketika keduanya dijalankan bersama, masing-masing saling mengoreksi.

Kesalahan umum

• Mempercayai data begitu saja. Cari tahu bagaimana setiap field dicatat dan kapan. Pencatatan yang terlambat atau dilakukan secara batch akan mendistorsi waktu siklus.
• Melewatkan pengamatan lapangan. Peta yang hanya dibuat di meja kerja menunjukkan apa yang dicatat sistem, bukan apa yang sebenarnya dilakukan di pabrik.
• Hanya menggunakan rata-rata. Satu waktu tunggu yang panjang bisa tersembunyi di balik rata-rata yang baik. Tampilkan median dan rentangnya.
• Memetakan setiap famili produk sekaligus. Mulailah dari satu famili produk dan perluas kemudian.
• Melupakan aliran informasi. Data menunjukkan bagaimana material berpindah. Anda tetap perlu menanyakan bagaimana jadwal dan pesanan sampai ke lantai produksi.
• Membeli alat sebelum membersihkan data. Alat hanya akan menampilkan angka yang salah lebih cepat. Perbaiki pencatatannya terlebih dahulu.

Bagaimana perangkat lunak dapat membantu

Mengekstrak, membersihkan, dan menggabungkan data secara manual memakan waktu dan harus diulang. Polaris VSM dari iFAKT adalah modul iFAKT Polaris untuk value stream mapping berbasis data. Modul ini memodelkan aliran material dan informasi secara kolaboratif serta membuat pemborosan dan bottleneck terlihat. Apa pun alat yang Anda gunakan, periksa bagaimana data dicatat dan bandingkan peta pertama dengan yang Anda lihat di lantai produksi.

Langkah berikutnya

Daftarkan sistem yang menyimpan data permintaan, routing, stok, dan umpan balik produksi untuk satu famili produk, lalu tanyakan siapa yang mencatat setiap angka dan kapan. Setelah itu, coba digital value stream mapping untuk famili tersebut menggunakan data empat minggu, dan lakukan pengamatan lapangan untuk memeriksa hasilnya.