Data Model Simulasi: Dari Mana Asalnya dan Seberapa Baik Harus Dibuat

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

Data untuk model simulasi berasal dari sistem, pengukuran, dan para ahli. Simak sumbernya, celah kualitas yang lazim terjadi, dan seberapa baik data input simulasi harus dibuat.

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

Data untuk membangun model simulasi berasal dari tiga tempat: sistem bisnis dan sistem lantai produksi, pengukuran langsung, serta orang-orang yang memahami lini produksi. Seberapa baik data itu harus dibuat bergantung pada pertanyaan yang ingin dijawab, bukan pada standar umum. Panduan ini ditujukan bagi manajer perbaikan berkelanjutan yang diminta menyediakan data untuk simulasi pabrik. Anda akan mempelajari apa yang dibutuhkan model, dari mana setiap item berasal, apa yang biasanya salah, sebuah contoh kerja dengan angka, serta rencana enam langkah untuk memperoleh data yang cukup baik.

Poin Penting

• Model simulasi membutuhkan produk dan rute proses, waktu proses, sumber daya, henti, pesanan, dan aturan penugasan personel; setiap item berasal dari sistem, pengukuran, atau pakar.
• Data berasal dari sumber primer, seperti studi stopwatch dan observasi, serta dari sumber sekunder, seperti sistem ERP, MES, dan CAD, serta peramalan.
• Celah yang umum terjadi adalah waktu preset di ERP yang berbeda dengan waktu aktual, catatan ganda, data yang tertinggal dari kondisi nyata, dan variasi yang tidak tercatat.
• Input harus cukup baik untuk pertanyaan yang ingin dijawab: periksa input mana yang paling mengubah hasil dan fokuskan upaya Anda di sana.
• Gunakan distribusi dan catatan aktual, bukan hanya rata-rata, karena variasi menciptakan waktu tunggu yang ingin Anda uji.

Data untuk membangun model simulasi: apa yang dibutuhkan model

Model aliran sebuah lini membutuhkan enam jenis input. Daftar ini merupakan ringkasan kami sendiri dari praktik yang lazim, bukan sebuah standar.

• Produk dan rute proses. Produk mana mengunjungi stasiun mana, dan dalam urutan apa.
• Waktu. Waktu proses per produk dan per stasiun, waktu pergantian, serta variasi keduanya.
• Sumber daya. Mesin, perkakas, dan personel, beserta kapasitas dan ketersediaannya, termasuk kegagalan dan henti terencana.
• Pesanan dan permintaan. Ukuran pesanan, komposisi produk, dan pola kedatangan, baik dari buku pesanan maupun dari peramalan.
• Aturan. Model shift, waktu istirahat, aturan urutan dan batch, serta cara operator berpindah antarstasiun.
• Kualitas. Tingkat scrap dan pengerjaan ulang, serta lokasi cacat ditemukan.

Model tidak membutuhkan setiap angka di pabrik. Yang dibutuhkan adalah angka-angka yang bergantung pada pertanyaan Anda, dan variasinya, karena variasi menciptakan antrean yang ingin Anda simulasikan dan uji. Model hanya dapat memprediksi apa yang diizinkan oleh datanya.

Dari mana data input simulasi berasal: pengumpulan data dalam praktik

Sebuah makalah karya Maja Bärring dan rekan-rekannya pada Winter Simulation Conference 2018 menjelaskan sumber-sumber tersebut dalam dua kelompok, mengikuti karya sebelumnya oleh Anders Skoogh dan rekan-rekannya.

• Data primer dikumpulkan khusus untuk studi: pengukuran, studi stopwatch, dan observasi di lini produksi.
• Data sekunder sudah tersedia sebelumnya. Data ini mencakup referensi eksternal seperti standar industri dan pakar domain, sistem bisnis perusahaan seperti ERP, MES, PDM, dan CAD, serta data khusus proyek seperti perkiraan volume produksi.

Bagi seorang continuous improvement manager, pengumpulan data dalam praktiknya terlihat seperti ini. Sistem eksekusi manufaktur menyimpan waktu siklus aktual, kejadian berhenti, dan jumlah produksi per stasiun. ERP menyimpan pesanan, routing, dan waktu rencana. Sistem CAD atau PDM menyimpan struktur produk. Rencana shift biasanya berada di tangan tim perencanaan atau HR. Waktu changeover dan cara operator bekerja sebenarnya sering hanya bisa diketahui melalui observasi dan dengan bertanya kepada shift leader.

Mengapa data sering tidak cukup baik

Bärring dan rekan-rekannya meneliti dua perusahaan studi kasus dengan lima narasumber, sehingga temuannya bersifat indikatif, bukan umum. Dalam kasus yang mengumpulkan data secara manual dari ERP dan spreadsheet, mereka melaporkan masalah yang akan dikenali oleh banyak pabrik:

• Nilai ERP yang telah ditetapkan sebelumnya digunakan sebagai pengganti waktu aktual, sehingga tidak jelas waktu mana yang harus dipakai.
• Item yang sama disimpan baik di sistem ERP maupun di spreadsheet.
• Label tidak konsisten, dan antar-departemen berbeda.
• Kenyataan berubah, tetapi sistem tidak.

Para penulis juga mencatat bahwa sistem ERP lebih menekankan nilai deterministik dibandingkan nilai stokastik, sehingga variasi yang dibutuhkan simulasi sering tidak ada. Pada studi kasus kedua, akuisisi data otomatis menghindari lima dari delapan tantangan yang mereka daftarkan. Makalah tersebut antara lain merekomendasikan agar kepemilikan data ditetapkan kepada fungsi-fungsi di dalam perusahaan. Survei oleh Skoogh, Perera, dan Johansson dalam Simulation Modelling Practice and Theory menemukan bahwa sekitar 80 persen pengguna simulasi masih mengandalkan prosedur kerja yang sangat manual untuk data input.

Routing dan bill of materials dalam simulasi

Dua jenis master data sering menimbulkan masalah. Routing menjelaskan operasi apa saja yang dibutuhkan suatu produk, dalam urutan apa, pada resource apa, dan dengan waktu berapa. Bill of materials menjelaskan komponen apa saja yang masuk ke dalam produk. Untuk model aliran, routing biasanya menjadi tulang punggungnya, sedangkan bill of materials penting ketika komponen bisa kurang atau ketika suatu stasiun harus menunggu perakitan.

Routing di ERP sering berupa nilai perencanaan yang ditetapkan sekali dan jarang diperbarui, inilah masalah yang digambarkan Bärring dan rekan-rekannya. Sebelum Anda memuat routing ke dalam model, bandingkan waktunya dengan waktu aktual dari MES untuk produk dan stasiun yang sama. Pastikan urutan operasinya masih sesuai dengan kondisi lantai produksi, dan bahwa bill of materials menunjukkan varian yang benar-benar Anda produksi. Jangan mengisi kekosongan dengan data simulasi, yang juga disebut data sintetis, lalu lupa memberi label.

Seberapa baik kualitas data simulasi harus?

Jawabannya: cukup baik untuk keputusan yang diambil. Averill Law, dalam makalahnya tentang jebakan dalam pemodelan simulasi, meminta catatan distribusi input dan validasi, serta merekomendasikan pengumpulan data dari semua sumber kemungkinan keacakan sistem bila memungkinkan. Ia memperingatkan dua kesalahan: mengganti input acak dengan rata-ratanya, yang dalam contohnya justru menghilangkan antrean sepenuhnya, dan memilih distribusi normal karena kebiasaan, yang dalam salah satu contohnya menghasilkan kesalahan output sebesar 39 persen.

Cara praktis untuk memutuskan seberapa besar usaha yang perlu dikeluarkan adalah dengan mengurutkan input berdasarkan dampaknya dan berdasarkan ketidakpastian setiap parameter. Law juga merekomendasikan analisis sensitivitas untuk melihat faktor mana yang paling memengaruhi ukuran kinerja. Penilaian berjenjang ini adalah alat bantu perencanaan kami sendiri, bukan standar:

1. Grade A: diukur dan diperiksa. Gunakan untuk input yang paling memengaruhi hasil, misalnya waktu siklus di bottleneck dan pola berhenti sebelumnya.
2. Grade B: diambil dari sistem dan diperiksa pada sampel. Gunakan untuk input dengan dampak sedang.
3. Grade C: penilaian ahli. Gunakan untuk input dengan dampak kecil, dan catat asumsinya.

Terakhir, periksa seluruh rangkaian data melalui validasi: apakah model mereproduksi output lini produksi yang nyata? Jika tidak, periksa terlebih dahulu input grade A.

Contoh: routing time dibandingkan dengan waktu aktual

Ini adalah contoh ilustratif dengan angka asumsi, bukan kasus yang diukur. Sebuah lini memproduksi satu produk. Routing di ERP menyebutkan 42 detik per part di stasiun bottleneck. MES menunjukkan median waktu siklus aktual 47 detik selama empat minggu.

• Output per jam dengan waktu routing: 3.600 ÷ 42 = 85,7 part.
• Output per jam dengan waktu aktual: 3.600 ÷ 47 = 76,6 part.
• Routing tersebut melebih-lebihkan laju sebesar 85,7 ÷ 76,6 = sekitar 12 persen. Selama shift 8 jam, itu berarti sekitar 686 melawan 613 part, selisih 73 part.

Model yang diberi data routing akan membuat prediksi yang belum pernah dicapai lini tersebut, dan setiap peningkatan yang diukur terhadap model itu akan terlihat lebih buruk daripada kenyataannya.

Logika yang sama berlaku untuk henti. Misalkan MES mencatat tujuh henti dengan durasi 2, 3, 3, 4, 5, 6 dan 40 menit. Jumlahnya 63 menit, sehingga rata-ratanya 9 menit, sedangkan median-nya 4 menit. Model dengan henti konstan 9 menit tidak pernah menunjukkan henti 40 menit yang mengosongkan buffer, dan model itu menampilkan lebih banyak henti menengah daripada yang sebenarnya terjadi di lini. Plot durasi yang tercatat, hitung sebarannya, dan gunakan secara langsung atau gunakan distribusi statistik yang dicocokkan dengannya. Estimasi parameternya dari data pencatatan.

Memanfaatkan data dengan baik: rencana dalam enam langkah

1. Susun daftar pertanyaan. Pertanyaanlah yang menentukan input apa yang Anda butuhkan.
2. Susun daftar item dalam enam kelompok di atas, dan tandai item mana yang paling bergantung pada pertanyaan tersebut.
3. Tentukan sumber dan pemilik untuk setiap item, misalnya MES untuk henti, ERP untuk pesanan, dan pengamat untuk pergantian produk.
4. Bandingkan sumber. Periksa waktu routing terhadap MES, dan pastikan pengenal serta satuan cocok antarsistem.
5. Ukur celahnya dengan metode kelas A untuk input yang penting, dan catat asumsi untuk input lainnya.
6. Validasi dan simpan data. Bandingkan model dengan lini yang sebenarnya, simpan kumpulan data beserta tanggalnya, dan tunjuk pemilik yang bertugas memperbaruinya.

Kesalahan umum

• Memuat routing ERP tanpa pemeriksaan. Nilai rencana bukanlah nilai aktual.
• Hanya menggunakan rata-rata. Setiap input adalah variabel dengan sebaran, bukan satu angka tunggal. Variasi menciptakan waktu tunggu, dan rata-rata justru menghilangkannya.
• Mengumpulkan segalanya. Upaya tanpa pertanyaan membuang waktu yang tidak dimiliki proyek, dan jumlah data yang sangat banyak menyembunyikan hal yang benar-benar penting.
• Mencampuradukkan definisi. Henti, pergantian produk, atau siklus bisa memiliki arti yang berbeda di setiap sistem.
• Tidak ada pemilik. Angka yang tidak ada yang memeliharanya akan usang pada perubahan berikutnya.
• Melewati validasi. Tanpa perbandingan dengan lini yang sebenarnya, Anda tidak tahu apakah input sudah cukup baik.

Bagaimana perangkat lunak dapat membantu

Knowledge graph yang menghubungkan produk, langkah proses, dan sumber daya dapat mengurangi data ganda dan data yang saling bertentangan, karena setiap fakta disimpan hanya sekali. Polaris Designer dari iFAKT adalah modul iFAKT Polaris yang membangun knowledge graph product-process-resource (PPR) sebagai sumber kebenaran tunggal untuk produk, langkah proses, dan sumber daya. Perangkat ini tidak menggantikan pemeriksaan terhadap waktu aktual, pemilik data, atau validasi model. Apa pun alat yang Anda gunakan, tanyakan bagaimana alat tersebut mengimpor data dari ERP dan MES Anda, serta bagaimana perubahan dilacak.

Langkah berikutnya

Ambil stasiun penghambat (bottleneck) dari satu lini dan bandingkan waktu routing di ERP dengan waktu siklus aktual di MES selama empat minggu terakhir. Jika keduanya berbeda, Anda sudah menemukan celah data pertama untuk membangun model simulasi, dan Anda tahu dari mana harus memulai.