Digital Twin Value Stream: Uji Perubahan Sebelum Anda Menerapkannya

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

Digital twin value stream memodelkan sebuah keluarga produk dengan data langsung, sehingga Anda dapat menguji ukuran batch dan shift secara virtual. Termasuk contoh fiktif.

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

Digital twin value stream adalah model alur satu keluarga produk yang disinkronkan dengan data nyata, sehingga Anda dapat menguji perubahan pada model sebelum menerapkannya di lantai produksi. Artikel ini ditujukan bagi manajer pabrik yang memiliki peta value stream dan daftar ide, serta ingin mengetahui ide mana yang layak dicoba. Artikel ini menjelaskan apa itu twin, apa yang dibutuhkannya, cara kerja uji what-if, contoh fiktif dengan angka, dan batasan yang perlu diperhatikan.

Poin Penting

• Digital twin value stream adalah model satu keluarga produk yang disinkronkan dengan data, sehingga perubahan dapat diuji pada model sebelum diterapkan di lantai produksi.
• ISO 23247-1 mendefinisikan digital twin sebagai representasi digital yang sesuai dengan tujuannya dari elemen manufaktur yang dapat diobservasi, dengan sinkronisasi antara elemen tersebut dan representasinya.
• Sebuah studi simulasi pada fasilitas pemesinan tabung menggabungkan value stream mapping dengan discrete event simulation untuk memberikan bukti terukur bagi perubahan lean.
• Kalibrasi terlebih dahulu: model harus mereproduksi lead time dan throughput saat ini sebelum Anda mempercayai jawabannya tentang kondisi di masa depan.
• Jalankan skenario what-if, seperti batch yang lebih kecil, changeover yang lebih cepat, atau operator tambahan, satu per satu, lalu konfirmasi pilihan terbaik melalui uji coba di lantai produksi.

Apa itu digital twin value stream?

Peta value stream menunjukkan bagaimana material dan informasi mengalir melalui keluarga produk, dengan langkah proses, antrean, dan serah terima. Peta ini bersifat statis. Peta tidak dapat memberi tahu apa yang terjadi pada lead time jika ukuran batch dipangkas setengah, operator ditambah, atau changeover dipersingkat, karena peta tidak bergerak.

Model yang bergerak disebut simulasi. Model ini merepresentasikan langkah, sumber daya, pesanan, dan variasi normal, lalu memutar alur tersebut ke depan dalam waktu. Pertanyaan "bagaimana jika?" pun mendapat jawaban yang terukur. Halaman entitas tentang factory simulation menggambarkan hal ini sebagai model terkendali tentang bagaimana pekerjaan bergerak melalui sebagian pabrik, sehingga perubahan yang diusulkan dapat diuji sebelum diterapkan.

Digital twin melangkah lebih jauh, karena twin memungkinkan Anda memulai setiap pengujian dari kondisi nyata. Organisasi Internasional untuk Standardisasi mendefinisikannya dalam ISO 23247-1 sebagai representasi digital yang sesuai dengan tujuannya dari elemen manufaktur yang dapat diobservasi, dengan sinkronisasi antara elemen tersebut dan representasi digitalnya. Secara sederhana, digital twin adalah replika virtual yang diperbarui berdasarkan hasil observasi, dan digital twin value stream menerapkan gagasan tersebut pada alur satu keluarga produk. Elemen manufaktur yang dapat diobservasi meliputi personel, peralatan, material, proses, dan fasilitas. Untuk value stream, elemennya adalah alur itu sendiri: langkah, mesin, orang, material, dan pesanannya.

Ujinya sederhana. Jika model dimulai dari kondisi nyata saat ini, karena data menjaganya tetap terkini, digital twin berperilaku sebagai twin. Jika model hanya diisi secara manual sekali, model tersebut adalah simulasi.

Mengapa menguji perubahan secara virtual?

Perubahan di lantai produksi memakan waktu dan mengganggu output. Pengujian pada model memakan waktu hitungan jam dan tidak menghentikan lini produksi. Wei Xia dan Jiwen Sun membahas hal ini dalam studi kasus pada fasilitas pemesinan tabung, yang diterbitkan di Journal of Industrial Engineering and Management pada 2013. Mereka memadukan value stream mapping dengan discrete event simulation, yaitu metode yang memodelkan sistem sebagai urutan kejadian dari waktu ke waktu. Abstraknya menyatakan bahwa simulasi memberikan bukti yang dapat diukur untuk pendekatan lean, menurunkan ketidakpastian, dan membangun kesepakatan di antara para pemangku kepentingan. Abstrak tersebut juga melaporkan bahwa hasil simulasi sesuai dengan data produksi nyata, dan bahwa skenario digunakan untuk mengidentifikasi kondisi masa depan. Abstrak ini tidak mencantumkan angka, sehingga sebaiknya dibaca sebagai referensi metode, bukan sebagai bukti besarnya manfaat.

Dalam praktik, ada tiga manfaat:

• Risiko lebih rendah. Anda melihat ide yang buruk sebelum mengeluarkan biaya untuknya.
• Peringkat yang lebih baik. Dengan beberapa ide, model menunjukkan mana yang paling besar memengaruhi lead time atau throughput.
• Pemahaman bersama. Perencanaan, produksi, dan keuangan dapat melihat kasus uji yang sama dan menyepakati angkanya.

Apa yang dibutuhkan model?

Model hanya sebaik masukannya. Untuk versi pertama, kumpulkan:

• Routing: langkah-langkah dan urutannya untuk setiap produk dalam keluarga produk.
• Waktu: cycle time, waktu setup dan changeover, yang diukur di lantai produksi dan tidak hanya diambil dari sistem ERP.
• Ketersediaan: kalender shift, jeda terjadwal, kerusakan, dan perkiraan durasinya.
• Permintaan: ukuran pesanan dan pola kedatangan, termasuk komposisi varian.
• Aturan: ukuran batch, aturan pelepasan, prioritas, dan batas buffer.
• Sumber daya manusia: operator per langkah dan kualifikasinya.
• Variasi: sebaran waktu, bukan hanya rata-rata, karena antrean berasal dari variasi.

Sensor dan koneksi mesin (Internet of Things) dapat menyediakan data waktu nyata tentang cycle time dan downtime, serta mengurangi pencatatan manual. Hal ini membantu, tetapi digital twin pertama dapat berjalan dengan data ERP dan studi waktu menggunakan stopwatch. Tambahkan data mesin di tempat keputusan memerlukannya.

Bagaimana cara menjalankan uji what-if?

1. Bangun baseline. Modelkan kondisi saat ini untuk satu keluarga produk.
2. Kalibrasi. Jalankan model dan bandingkan lead time, throughput, dan antreannya dengan nilai terukur. Jika selisihnya besar, cari penundaan yang terlewat atau waktu yang keliru. Jangan lanjut sebelum model mereproduksi kondisi hari ini.
3. Tentukan satu perubahan. Misalnya batch yang lebih kecil, changeover yang lebih singkat, tambahan operator, batas buffer, atau aturan pelepasan baru.
4. Jalankan berkali-kali. Karena ada variasi, satu kali jalan hanyalah satu sampel, jadi jalankan uji beberapa kali dan lihat rentangnya.
5. Bandingkan. Lihat lead time, throughput, panjang antrean, dan pemanfaatan bottleneck.
6. Gabungkan. Coba opsi terbaik secara bersamaan, karena efeknya saling memengaruhi.
7. Uji coba di lantai produksi. Konfirmasi pemenangnya dalam uji coba terbatas dan bandingkan hasil nyata dengan prakiraan.
8. Perbarui model dengan apa yang Anda pelajari.

Contoh: satu lini, tiga uji, angka rekaan

Contoh ini bersifat rekaan. Angkanya bukan berasal dari pabrik atau model nyata.

Sebuah keluarga produk memiliki permintaan 480 unit per hari. Model yang sudah dikalibrasi mereproduksi lead time 9,0 hari dan throughput 480 unit per hari. Menurut Hukum Little, yang menyatakan bahwa work in process sama dengan throughput dikali lead time, berarti ada 4.320 unit di dalam lini. Bottleneck beroperasi pada 96 persen kapasitasnya.

Tim menguji tiga perubahan:

• Batch lebih kecil: batch dipangkas separuh, dari 80 menjadi 40 unit, yang menambah changeover. Hasil model: lead time 6,5 hari, throughput 470 unit per hari, karena changeover tambahan mengurangi output.
• Operator tambahan di bottleneck: hasil model: lead time 7,8 hari, throughput 480 unit per hari.
• Keduanya sekaligus: batch lebih kecil dan operator tambahan. Hasil model: lead time 5,4 hari, throughput 480 unit per hari, sehingga work in process adalah 5,4 kali 480, atau 2.592 unit.

Skenario gabungan memangkas lead time sebesar 40 persen tanpa kehilangan output, sedangkan batch yang lebih kecil saja mengurangi output 10 unit per hari. Tim memulai uji coba empat minggu dengan perubahan gabungan dan membandingkan lead time nyata dengan prakiraan 5,4 hari.

Bagaimana ini cocok dengan gambaran digital twin yang lebih luas?

Teknologi digital twin digunakan di banyak sektor, mulai dari satu mesin hingga seluruh lokasi produksi. Sebagian besar deskripsi menyebut digital twin sebagai replika virtual dari objek fisik atau aset fisik, yang didukung oleh sensor dan konektivitas, serta digunakan untuk analitik, pengambilan keputusan, dan misalnya pemeliharaan prediktif. Beberapa menambahkan machine learning atau kecerdasan buatan di atas model tersebut.

Value stream twin memiliki cakupan yang lebih sempit. Objeknya adalah aliran dari satu keluarga produk, bukan satu mesin. Sumber datanya berupa pesanan, routing, pencatatan (booking), dan waktu yang diukur, sedangkan pertanyaannya bersifat operasional: bagaimana meningkatkan produktivitas, lead time, dan efisiensi operasional dengan mengubah alur kerja. Anda dapat mengoptimalkan pabrik secara bertahap dengan model berbasis data dari aliran tersebut, jauh sebelum Anda memodelkan setiap aset.

Apa batasannya?

• Garbage in, garbage out. Waktu yang salah menghasilkan jawaban yang salah, meski tampil dalam grafik yang rapi.
• Sesuai tujuan. Model untuk satu keluarga produk dan satu pertanyaan sudah cukup. Twin untuk seluruh pabrik jarang dibutuhkan di awal.
• Biaya pemeliharaan. Twin harus terus disinkronkan, atau akan menyimpang dan kembali menjadi sekadar simulasi.
• Orang dan aturan. Model menangani aturan dengan baik, tetapi menangani kebiasaan dan cara-cara pintas dengan buruk. Turunlah ke lantai produksi dan bandingkan.
• Penggunaan lain. Twin juga digunakan untuk manajemen aset dan pemeliharaan prediktif. Artikel ini hanya membahas aliran dari satu keluarga produk.

Kesalahan umum

• Melewati kalibrasi. Model yang tidak diverifikasi memberikan hasil yang meyakinkan tetapi keliru.
• Memodelkan segalanya. Detail yang lebih banyak memakan waktu dan belum tentu meningkatkan kualitas jawaban.
• Hanya menggunakan rata-rata. Variasi itulah yang menciptakan antrean.
• Menguji lima perubahan sekaligus. Anda tidak bisa mengetahui perubahan mana yang berhasil.
• Lebih percaya model daripada kondisi lapangan. Selalu konfirmasi dengan uji coba.
• Membangun twin tanpa pertanyaan. Mulailah dari keputusan yang harus Anda ambil.

Bagaimana perangkat lunak dapat membantu

Membangun model simulasi secara manual membutuhkan waktu berminggu-minggu. Perangkat lunak yang membaca routing dan pesanan dari sistem ERP dan memodelkan aliran tersebut dapat memangkas waktu itu. Polaris Simulator dari iFAKT adalah modul iFAKT Polaris yang menguji sistem produksi secara virtual, misalnya skenario kapasitas, penempatan staf, dan buffer, serta mengungkap bottleneck sebelum perubahan dilakukan. Kalibrasi setiap model terhadap pengukuran Anda sendiri terlebih dahulu.

Langkah berikutnya

Digital twin dari value stream memberikan manfaat ketika menjawab satu pertanyaan nyata, misalnya perubahan mana yang paling memangkas lead time. Minggu ini, pilih satu keluarga produk dan satu keputusan, lalu daftarkan routing, waktu, dan aturan yang dibutuhkan model untuk aliran tersebut.