Dasbor KPI Manufaktur: Apa yang Ditampilkan dan Cara Membangunnya

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 · 2026-11-12

Dasbor KPI manufaktur berfungsi ketika setiap angka memiliki pemilik dan tindakan. Pelajari KPI mana yang perlu dipilih, cara mendefinisikannya, dan cara membangunnya di Power BI.

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

Dasbor KPI manufaktur adalah satu layar yang menampilkan beberapa angka yang dibutuhkan tim untuk memutuskan langkah berikutnya: kirim, perbaiki, rencanakan ulang, atau biarkan. Dasbor ini bukan arsip pelaporan. Panduan ini ditujukan bagi manajer operasional di manufaktur yang harus memutuskan KPI mana yang masuk ke dasbor, cara mendefinisikannya, dan cara membangunnya, dengan Power BI sebagai contoh alat.

Poin Penting

• Dasbor KPI manufaktur sebaiknya menampilkan beberapa angka yang dibutuhkan tim untuk memutuskan langkah berikutnya, masing-masing dengan pemilik, target, dan tindakan yang jelas ketika berada di luar target.
• ISO 22400-1 menawarkan kerangka yang netral terhadap industri untuk mendefinisikan dan menggunakan KPI dalam manajemen operasi manufaktur, yang membantu Anda menulis satu definisi yang dapat digunakan oleh setiap pabrik.
• Buat satu tampilan untuk setiap peran. Supervisor membutuhkan shift saat ini, manajer pabrik membutuhkan tren mingguan, dan mencampur keduanya akan mengaburkan keduanya.
• Hitung persentase dari jumlah mentah atau waktu, jangan dengan merata-ratakan persentase harian, karena jika tidak, shift yang singkat akan dihitung sama dengan shift yang panjang.
• Data alert Power BI hanya bekerja pada data yang sudah di-refresh dan hanya pada gauge, KPI, dan card, jadi pilihlah beberapa angka saja yang boleh memicu sebuah pesan.

Apa yang seharusnya ada di dasbor KPI manufaktur?

Mulailah dari keputusan, bukan dari data. Untuk setiap angka yang Anda pertimbangkan, tanyakan: siapa yang melihat ini, apa yang akan mereka lakukan jika angkanya menjadi merah, dan seberapa cepat? Jika tidak ada yang bisa menjawab, hapus angka tersebut. Indikator kinerja utama hanya berguna jika disertai pemilik, target, dan respons.

Sebagian besar pabrik akhirnya memiliki sekumpulan inti dalam lima kelompok:

• Pengiriman. Pengiriman tepat waktu kepada pelanggan, dan pencapaian jadwal di dalam pabrik (seberapa dekat output aktual mengikuti rencana).
• Alur. Lead time, work in process, backlog pesanan.
• Peralatan. OEE dan alasan downtime di baliknya.
• Kualitas. Tingkat scrap, rework, first-pass yield.
• Biaya dan persediaan. Biaya per unit, tingkat persediaan, tetapi biasanya hanya pada tampilan manajer pabrik.

OEE perlu catatan tersendiri. FAQ OEE di oee.com menjelaskannya sebagai ketersediaan dikali kinerja dikali kualitas, yaitu rasio waktu produktif penuh terhadap waktu produksi yang direncanakan. Halaman yang sama menyebut angka 85% kelas dunia yang sering dikutip sebagai "sepenuhnya artifisial" sebagai tolok ukur universal, dan memperingatkan bahwa membandingkan OEE antarmesin atau antarpabrik hanya tepat jika produk, peralatan, dan kondisinya serupa. Gunakan OEE sebagai tren untuk aset yang sama, dan waspadai peringkat antarpabrik.

Bagaimana cara mendefinisikan setiap KPI agar semua orang membacanya dengan cara yang sama?

Dua orang dapat membangun "pengiriman tepat waktu" dan mendapatkan dua angka yang berbeda. Satu menghitung terhadap tanggal yang dijanjikan, yang lain terhadap tanggal yang diminta. Dasbor kemudian memicu perdebatan, bukan keputusan.

ISO 22400-1 membantu di sini. ISO menjelaskannya sebagai kerangka kerja yang netral terhadap industri untuk mendefinisikan, menyusun, mempertukarkan, dan menggunakan KPI dalam manajemen operasi manufaktur, yang mencakup industri batch, kontinu, dan diskret. Standar ini menjelaskan apa itu KPI, cara menyusunnya, dan istilah apa yang harus digunakan. Bagian 2 dari seri ini mendefinisikan sejumlah KPI terpilih, masing-masing dengan rumus, elemennya, perilaku waktu, dan satuannya. Anda tidak harus disertifikasi terhadap standar ini. Menggunakannya sebagai templat untuk definisi Anda sendiri akan menghemat banyak perdebatan.

Buat satu kartu definisi satu halaman untuk setiap KPI:

1. Nama dan tujuan dalam satu kalimat.
2. Rumus, termasuk apa yang dihitung dan apa yang tidak (henti terencana, uji coba, pengerjaan ulang).
3. Sumber data dan waktu penyegaran.
4. Dasar waktu: per jam, per shift, per minggu.
5. Satuan dan target, serta siapa yang menetapkan target tersebut.
6. Pemilik, dan tindakan yang diharapkan ketika capaian menyimpang dari target.

Mengapa rata-rata persentase menyesatkan?

Karena rata-rata tersebut memperlakukan proses produksi singkat sama dengan proses yang panjang. Berikut contoh fiktif. Lini 1 beroperasi delapan jam dengan efektivitas peralatan 80%. Lini 2 beroperasi dua jam dengan 50%. Rata-rata sederhananya adalah 65%. Jika dibobot berdasarkan waktu produksi terencana, hasilnya (8 × 0,8 + 2 × 0,5) ÷ 10 = 74%. Halaman oee.com merekomendasikan pembobotan seperti ini untuk angka tingkat pabrik, berdasarkan waktu produksi terencana atau nilai tambah. Aturan umumnya juga berlaku untuk scrap, yield, dan pencapaian: jumlahkan dahulu hitungan atau waktunya, lalu hitung persentasenya satu kali.

Untuk siapa dasbor ini?

Buat satu tampilan untuk setiap peran. Satu "dasbor pabrik" yang mencoba melayani semua orang akan berakhir dengan 30 kotak, dan tidak ada yang membacanya.

• Supervisor shift. Shift saat ini: output terhadap rencana per jam, henti saat ini beserta alasannya, scrap, dan pesanan berikutnya. Diperbarui selama shift berjalan.
• Manajer pabrik. Tren mingguan dan bulanan: pengiriman, OEE, scrap, backlog, dan biaya. Pembaruan harian biasanya sudah memadai.
• Perencana. Pencapaian jadwal, pesanan terlambat, dan beban kapasitas untuk beberapa hari ke depan.
• Pemeliharaan. Waktu henti menurut penyebab dan mesin, work order yang masih terbuka, dan kegagalan berulang.

Tips desain dasbor dari Microsoft sejalan dengan pendekatan ini. Halaman tersebut meminta Anda mempertimbangkan bagaimana audiens menggunakan dasbor dan metrik mana yang membantu mereka mengambil keputusan. Halaman itu merekomendasikan tata letak yang bersih dan tidak berantakan, dengan semua kotak berada dalam satu layar, data tingkat tertinggi di pojok kiri atas, serta visual kartu berukuran besar untuk angka-angka yang penting. Halaman itu juga menyarankan untuk menghindari visual yang sulit dibaca, seperti bagan 3D, dan menjaga skala sumbu serta warna tetap konsisten. Dasbor yang ditujukan untuk tablet atau ponsel memerlukan lebih sedikit kotak dibandingkan dasbor di monitor besar.

Jika sebagian orang tidak boleh melihat data biaya atau data personalia, atur hal itu di model data. Power BI mendukung keamanan tingkat baris (row-level security), yaitu peran yang memfilter baris mana yang dapat dilihat pengguna. Perlu diingat bahwa fitur ini berlaku untuk pemirsa ruang kerja, bukan untuk orang yang dapat mengedit model, jadi periksa siapa yang memiliki peran ruang kerja apa.

Dari mana data berasal, dan seberapa sering data sebaiknya disegarkan?

Empat sumber berikut mencakup sebagian besar kebutuhan:

• Sistem ERP untuk pesanan, jumlah, tanggal jatuh tempo, dan biaya.
• Sistem manufacturing execution atau shop floor data capture untuk mulai, berhenti, hitungan, dan scrap.
• Sinyal mesin, jika tersedia, untuk status operasi dan jumlah siklus.
• Sistem kualitas untuk hasil inspeksi dan penahanan (hold).

Bagian yang sulit adalah sumber-sumber ini menggambarkan pesanan yang sama dengan cara berbeda. ERP mengenali pesanan melalui nomor dan tanggal jatuh tempo. Mesin mengenali jumlah part dan statusnya. Seseorang harus memetakan keduanya, dan orang itu perlu namanya tercantum dalam rencana proyek.

Tentukan frekuensi penyegaran berdasarkan keputusan yang didukung. Supervisor yang bereaksi di dalam shift membutuhkan data dalam hitungan menit. Manajer pabrik yang meninjau kinerja pengiriman cukup dengan penyegaran harian. Penyegaran yang lebih cepat lebih mahal untuk dibangun dan dipelihara, dan penyegaran cepat atas data yang salah hanyalah jawaban yang salah dengan lebih cepat.

Bisakah dasbor memberi tahu Anda ketika ada sesuatu yang tidak beres?

Peringatan data Power BI data alerts dapat digunakan. Menurut Microsoft Learn, peringatan ini berfungsi pada kartu gauge, KPI, dan card yang disematkan dari visual laporan, hanya dengan data numerik, dan hanya pada data yang sudah diperbarui. Notifikasi muncul di pusat notifikasi dan juga dapat dikirim melalui email, serta peringatan dapat diotomatisasi dengan Power Automate. Peringatan bersifat personal: peringatan tidak mendukung kepemilikan bersama, dan hanya orang yang membuatnya yang dapat melihatnya. Gunakan peringatan untuk dua atau tiga angka yang jika terlambat ditanggapi akan merugikan biaya, misalnya henti produksi di titik bottleneck. Jika lebih banyak dari itu, orang akan membisukannya.

Bagaimana cara membangun dashboard langkah demi langkah?

1. Pilih satu lini dan satu audiens. Tampilan untuk supervisor pada satu lini adalah target awal yang baik.
2. Tulis kartu definisi. Paling banyak enam sampai delapan KPI, yang disepakati dengan pihak yang bertanggung jawab atasnya.
3. Satukan data ke dalam satu model. Pesanan, peristiwa produksi, peristiwa downtime, dan scrap sebagai tabel bersih dengan kunci bersama, seperti nomor pesanan, lini, dan shift. Tetapkan kunci-kunci tersebut sebelum Anda merancang apa pun.
4. Buat setiap measure hanya sekali. Letakkan rumus di dalam model, bukan di masing-masing visual, agar setiap halaman menggunakan definisi yang sama.
5. Rancang halamannya. Angka tingkat tertinggi di kiri atas, kemudian detailnya. Gunakan aturan skala dan warna yang sama di semua tempat.
6. Tambahkan peringatan untuk beberapa angka saja. Uji bahwa peringatan tersebut terpicu pada data yang sudah diperbarui.
7. Uji coba selama dua sampai empat minggu pada satu shift. Tanyakan apa yang dilihat orang, apa yang mereka abaikan, dan apa yang mereka butuhkan tetapi tidak dapat ditemukan.
8. Tinjau setiap minggu. Lihat keputusan mana yang benar-benar berubah karena dashboard. Hapus kartu yang tidak pernah digunakan.

Baru setelah itu salin ke lini lain. Jangan menyalin begitu saja. Setiap lini memiliki henti produksinya sendiri, produknya sendiri, dan target sendiri.

Contoh: satu tampilan supervisor (angka fiktif)

Ini adalah ilustrasi fiktif tentang bagaimana sebuah tampilan dapat diatur, bukan hasil yang diukur.

Tampilan supervisor untuk lini pengemasan memiliki enam kartu. Di kiri atas ada output dibandingkan rencana untuk shift sejauh ini. Di sebelahnya ada status lini saat ini (berjalan, berhenti, changeover) beserta alasan henti. Di bawahnya ada scrap sejak awal shift, OEE untuk shift penuh terakhir, tiga alasan downtime teratas minggu ini, dan tiga pesanan berikutnya.

Pada pukul 10.15, kartu output menunjukkan lini tertinggal 40 unit dari rencana, dan kartu henti menunjukkan macet yang sudah terjadi tiga kali minggu ini. Supervisor menghubungi tim pemeliharaan dan memajukan pesanan kecil. Angka itu tidak memperbaiki apa pun. Kartu tersebut menunjukkan apa yang harus dilakukan dan siapa yang harus dihubungi.

Kesalahan umum

• Terlalu banyak KPI. Jika sebuah layar memerlukan legenda, berarti terlalu banyak yang ditampilkan di sana.
• Tidak ada pemilik dan tidak ada tindakan. Kartu merah yang tidak ada yang bertanggung jawab akan menjadi sekadar hiasan dinding.
• Merata-ratakan persentase. Jumlahkan angkanya terlebih dahulu, baru hitung persentasenya.
• Mengubah definisi tanpa pemberitahuan. Jika sebuah rumus berubah, umumkan, beri tanggal, dan tandai garis tren.
• Menyalin target dari pabrik lain. Produk dan peralatan yang berbeda memerlukan target yang berbeda.
• Entri data manual sebagai sumber utama. Cara ini lambat, dan lama-kelamaan akan menyimpang dari kenyataan.
• Satu dashboard untuk semua peran. Bangun tampilan sesuai audiensnya.
• Mengabaikan kualitas data. Dashboard yang indah dengan kode henti yang salah hanya menampilkan informasi yang keliru dengan rapi.

Posisi Polaris

Jika KPI Anda seharusnya membandingkan rencana dan realisasi, iFAKT Polaris adalah salah satu opsi yang layak dipertimbangkan. iFAKT menggambarkan Polaris sebagai AI ditambah digital twin untuk produksi. Modul Polaris Analyzer-nya menggabungkan KPI dari seluruh modul Polaris dalam dashboard, termasuk lead time, utilisasi, bottleneck, dan status proyek, serta membandingkan skenario, rencana, dan kinerja aktual. Modul ini memanfaatkan data dari modul lain, sehingga paling cocok jika Anda juga membuat rencana atau simulasi di Polaris. Untuk dashboard Power BI sederhana dengan data Anda sendiri, langkah-langkah di atas tetap berlaku.

Topik terkait untuk dijelajahi

• KPI prediktif. Peramalan downtime atau OEE memerlukan riwayat yang panjang dan andal terlebih dahulu. Pastikan dashboard dasar akurat sebelum Anda menambahkan prediksi.
• Peringatan anomali. Tentukan lonjakan scrap atau waktu siklus mana yang layak dikirimi pesan, dan siapa yang menanganinya.
• Menetapkan target dan benchmark. Gunakan tren Anda sendiri dan pabrik sejenis sebelum menggunakan angka "kelas dunia" apa pun.
• Pabrik diskrit versus pabrik proses. Lini perakitan memperhatikan waktu siklus dan pergantian produk (changeover). Pabrik batch dan kontinu memperhatikan hasil produksi (yield) dan konsistensi batch.

Langkah berikutnya

Dashboard KPI manufaktur yang baik dimulai dari definisi, bukan dari grafik. Pilih satu lini yang paling Anda kuasai, tulis kartu definisi untuk tiga KPI terpenting dari lini tersebut, dan sepakati pemilik serta tindakan untuk masing-masing KPI sebelum Anda membuka Power BI.