Lima Kesalahan Umum dalam Proyek Simulasi dan Cara Menghindarinya

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

Kesalahan dalam proyek simulasi membuang waktu dan menggerus kepercayaan. Pelajari lima kesalahan umum, mulai dari pertanyaan yang kabur hingga validasi yang dilewati, lengkap dengan contoh kasus dan daftar periksa.

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

Kesalahan dalam proyek simulasi sebagian besar dapat dihindari, dan kebanyakan terjadi sebelum model pertama dibangun. Panduan ini ditujukan bagi manajer pabrik yang menjadi sponsor proyek simulasi manufaktur, serta para insinyur yang membangun model, ketika mereka ingin pekerjaan tersebut berujung pada sebuah keputusan. Anda akan mempelajari lima kesalahan umum yang diambil dari dua makalah karya pakar simulasi Averill Law dan dari praktik lapangan, sebuah contoh kasus dengan angka yang menunjukkan mengapa satu kali run tidak cukup, serta daftar periksa untuk proyek simulasi pabrik Anda berikutnya.

Poin Penting

• Lima kesalahan berulang dalam proyek simulasi: tidak ada pertanyaan yang jelas, tingkat detail yang keliru, data yang lemah, tanpa validasi, dan hanya mempercayai satu kali run.
• Model tanpa pertanyaan yang jelas dan pengambil keputusan yang berhubungan secara rutin akan memecahkan masalah yang keliru, seberapapun bagusnya model tersebut.
• Mulailah dengan sederhana dan tambahkan detail hanya ketika pertanyaan membutuhkannya; detail yang tidak perlu memakan waktu dan menyembunyikan faktor yang penting.
• Validasi model terhadap sistem yang ada sebelum Anda menggunakannya untuk prakiraan, dan simpan asumsi tertulis untuk ditinjau.
• Kejadian acak membutuhkan banyak replikasi: satu kali run dapat membuat urutan dua opsi menjadi terbalik.

Kesalahan proyek simulasi: dari mana asalnya

Proyek simulasi bukanlah latihan pemrograman. Averill Law, dalam makalahnya tentang cara melakukan studi simulasi yang sukses pada Winter Simulation Conference 2003, mencantumkan 17 jebakan dalam empat kelompok: pemodelan dan validasi, perangkat lunak, keacakan, serta desain eksperimen. Pada 2024 ia memperluas daftar tersebut menjadi 23 jebakan dalam makalah untuk konferensi yang sama. Ia mencatat bahwa pemrograman hanya 25 hingga 50 persen dari pekerjaan dalam studi yang baik.

Law bekerja di konsultan simulasinya sendiri, Averill M. Law & Associates, sehingga daftarnya mencerminkan satu sudut pandang pakar. Daftar tersebut sejalan dengan makalah praktis karya J. Michael Knoll dan Joseph Heim dari Genie Industries tentang adopsi simulasi peristiwa diskret di lingkungan manufaktur, yang didasarkan pada satu produsen berskala menengah dan tidak melaporkan penghematan yang terukur.

Dari sumber-sumber ini dan dari praktik umum, kami memilih lima kesalahan yang paling penting bagi sebuah pabrik. Pemilihan ini merupakan pilihan kami sendiri, bukan peringkat dari makalah-makalah tersebut.

Kesalahan 1: Tidak ada pertanyaan yang jelas dan tidak ada komunikasi dengan pengambil keputusan

Kesalahan pertama adalah memulai dengan alat, bukan dengan pertanyaan. Law mencantumkan tujuan yang tidak didefinisikan dan minimnya komunikasi rutin dengan pengambil keputusan sebagai jebakan. Ia mengutip peringatan bahwa model terbaik untuk masalah yang keliru tidak akan berguna bagi pengambil keputusan. Dalam salah satu contohnya, seorang analis bekerja selama berbulan-bulan tanpa berkonsultasi dengan jenderal yang meminta analisis tersebut; sang jenderal meninggalkan pengarahan akhir setelah lima menit dengan mengatakan bahwa ini bukan masalah yang ia minati.

Knoll dan Heim menambahkan aturan praktis: model yang keluarannya tidak akan digunakan sebaiknya tidak dibangun.

Cara menghindarinya. Tuliskan pertanyaannya sebagai sebuah keputusan. "Dari dua tata letak, mana yang menghasilkan 3.000 unit per shift?" adalah sebuah pertanyaan. "Mari kita simulasikan pabriknya" bukan. Adakan rapat kick-off dengan semua pihak yang terdampak, tetapkan siapa yang memutuskan dan kapan, lalu sepakati rapat tinjauan rutin selama proyek berjalan.

Kesalahan 2: Tingkat detail yang keliru

Kesalahan kedua adalah memodelkan terlalu banyak atau terlalu sedikit. Law menyebut tingkat detail yang tidak tepat sebagai salah satu kesalahan paling umum, terutama bagi analis baru. Sarannya adalah menyertakan detail secukupnya untuk menjawab pertanyaan yang relevan, mulai dari yang sederhana, dan menambah detail hanya bila diperlukan. Knoll dan Heim sependapat: jaga ruang lingkup tetap ketat, dan jangan memperluas model hanya karena hal itu memungkinkan.

Terlalu banyak detail memperlambat proyek dan menyembunyikan faktor yang penting di antara banyaknya parameter. Terlalu sedikit membuat Anda melewatkan efek yang ingin diuji, seperti waktu pergantian produk (changeover) atau buffer.

Cara menghindarinya. Untuk setiap elemen dan setiap parameter input model, tanyakan apakah hal itu mengubah jawaban atas pertanyaan Anda. Jika tidak, tinggalkan atau gunakan aturan sederhana. Tuliskan asumsi dalam model konseptual yang singkat. Law menyebutnya aktivitas yang sangat krusial namun sering dilewatkan. Telusuri model tersebut bersama orang-orang yang memahami lini produksi.

Kesalahan 3: Pengumpulan data simulasi yang lemah

Kesalahan ketiga berkaitan dengan data. Law mencantumkan pengumpulan data sistem yang buruk sebagai salah satu jebakan, dan ia juga memperingatkan dua kesalahan umum dalam pemodelan input. Pertama, mengganti input acak dengan rata-ratanya. Dalam contoh antrean yang ia berikan, penggunaan waktu konstan yang sama dengan rata-rata menghilangkan antrean sepenuhnya, sehingga model tidak menunjukkan waktu tunggu padahal sistem nyata mengalaminya. Kedua, memilih distribusi tertentu, seperti distribusi normal, karena kebiasaan. Dalam salah satu contohnya, distribusi normal untuk waktu layanan menghasilkan kesalahan keluaran sebesar 39 persen dibandingkan distribusi yang lebih sesuai.

Data lini produksi itu sendiri perlu perhatian. Apakah alasan henti di manufacturing execution system sesuai dengan catatan pemeliharaan? Jika tersedia digital twin, yaitu representasi digital dari sumber daya fisik yang dipelihara dan diperbarui berdasarkan hasil pengamatan, data terkini dapat diperoleh darinya. Jika tidak, alokasikan waktu untuk pengukuran.

Cara menghindarinya. Daftarkan data yang dibutuhkan untuk menjawab pertanyaan, cari sumber dan pemilik setiap item, dan kumpulkan variasinya, bukan hanya rata-ratanya. Gunakan minimal dua ahli untuk bagian penting dari proses, karena sebagian yang disampaikan orang akan keliru.

Kesalahan 4: Melewatkan validasi model simulasi

Kesalahan keempat adalah mempercayai model yang belum pernah dibandingkan dengan kenyataan. Law menyebut perbandingan keluaran model dengan sistem yang ada sebagai teknik validasi yang paling penting, dan ia menyatakan bahwa hal itu juga mendukung kredibilitas. Dalam makalahnya tahun 2024, ia memberikan contoh industri pulp dan kertas, dengan selisih throughput antara model dan sistem hanya 0,4 dan 1,1 persen. Ia juga menganjurkan penelusuran terstruktur atas asumsi bersama semua pemangku kepentingan, karena kesalahan dan kelalaian model akan terungkap.

Cara menghindarinya. Bangun baseline terlebih dahulu, lalu periksa terhadap output, henti, dan lead time lini produksi yang sebenarnya. Minta para ahli meninjau hasil simulasi agar masuk akal, dan uji parameter input mana yang paling memengaruhi hasil. Baru setelah itu gunakan model untuk membandingkan opsi. Jika lini tersebut belum ada, bandingkan model dengan lini serupa atau dengan perhitungan, dan nyatakan hal itu secara terbuka.

Kesalahan 5: Menganggap satu kali run sebagai kebenaran

Kesalahan kelima bersifat statistik. Simulasi dengan kejadian acak menghasilkan hasil yang berbeda di setiap run. Law memperingatkan agar keluaran dari satu run tidak dianggap sebagai performa sebenarnya dari model. Dalam contohnya tentang kantor layanan kendaraan bermotor, rata-rata keterlambatan berkisar antara 1,83 hingga 10,37 menit di antara replikasi. Ia juga mencatat kesalahan berupa tidak adanya periode pemanasan (warm-up), ketika kondisi awal kosong dan tidak representatif, serta membandingkan opsi tanpa interval kepercayaan.

Cara menghindarinya. Jalankan banyak replikasi independen, buang periode pemanasan, rencanakan analisis sebelum menjalankan simulasi, dan bandingkan opsi menggunakan rentang atau interval kepercayaan, bukan angka tunggal.

Contoh: satu run dibandingkan lima replikasi

Ini adalah contoh ilustratif dengan angka yang diasumsikan, bukan kasus hasil pengukuran. Sebuah pabrik membandingkan dua desain buffer, A dan B, dalam model lini pengemasan. Keluaran per shift untuk setiap desain dalam model adalah:

• Desain A, lima kali replikasi: 412, 389, 401, 395, dan 393 unit. Rata-ratanya adalah 1.990 ÷ 5 = 398 unit.
• Desain B, lima kali replikasi: 405, 399, 408, 402, dan 406 unit. Rata-ratanya adalah 2.020 ÷ 5 = 404 unit.

Jika tim hanya menjalankan replikasi pertama untuk masing-masing desain, A akan mencetak 412 dan B 405, sehingga A tampak 7 unit lebih baik. Dengan lima kali replikasi, B rata-rata 6 unit lebih baik, dan rentangnya, dari 399 sampai 408, lebih sempit dibandingkan A, yang berkisar dari 389 sampai 412. Hasil run pertama justru membalik peringkat kedua desain.

Lima kali replikasi adalah jumlah minimum untuk sebuah ilustrasi. Proyek nyata sebaiknya menjalankan lebih banyak replikasi dan menghitung interval kepercayaan. Langkah validasi menggunakan gagasan yang sama: jika model dasar menghasilkan rata-rata 391 unit sementara lini nyata rata-rata 380 unit per shift selama 20 shift, maka model tersebut 11 unit, atau sekitar 3 persen, lebih tinggi. Tim memutuskan apakah selisih itu cukup dekat untuk pertanyaan yang diajukan, dan mencatat keputusannya.

Cara menghindari lima kesalahan: daftar periksa

1. Rumuskan pertanyaannya sebagai sebuah keputusan, lengkap dengan pengambil keputusan dan tanggalnya.
2. Adakan kick-off dengan semua pemangku kepentingan dan sepakati rapat tinjauan. Perlakukan pekerjaan ini sebagai iterasi dengan titik tinjauan, bukan sebagai alur kerja satu arah.
3. Mulailah sederhana. Susun model konseptual singkat beserta asumsinya, dan telusuri bersama para ahli sebelum membuat program.
4. Rencanakan datanya. Tentukan sumber dan pemilik setiap item data, dan kumpulkan variasinya.
5. Validasi model dasar terhadap lini nyata sebelum Anda menguji opsi.
6. Replikasi. Jalankan replikasi dalam jumlah yang memadai, buang periode pemanasan (warm-up), dan laporkan rentangnya.

Kesalahan umum

• Memperlakukan proyek sebagai pemrograman. Menurut Law, pemrograman hanyalah sebagian kecil dari pekerjaan.
• Membiarkan animasi yang memutuskan. Melihat sekilas animasi bukanlah eksperimen.
• Memilih alat simulasi semata-mata berdasarkan harga. Sesuaikan alat dengan masalah dan dengan keterampilan tim Anda, serta jangan memperlakukan perangkat lunak simulasi sebagai kotak hitam.
• Tanpa dokumentasi. Model tanpa asumsi tertulis tidak dapat ditinjau ulang atau digunakan kembali.
• Tanpa pemilik setelah proyek selesai. Model yang tidak ada yang memperbarui akan usang setelah perubahan pertama.

Bagaimana perangkat lunak dapat membantu

Polaris Simulator dari iFAKT adalah modul iFAKT Polaris yang menguji sistem produksi secara virtual, misalnya skenario kapasitas, penugasan staf, dan buffer, serta mengungkap bottleneck sebelum perubahan dilakukan. Apa pun alat yang Anda pilih, dan sebelum menggunakan simulasi untuk sebuah keputusan, periksa bagaimana alat itu menangani replikasi dan warm-up, bagaimana Anda mengimpor data nyata, serta bagaimana Anda dapat mendokumentasikan dan meninjau asumsi. Perangkat lunak tidak dapat menggantikan pertanyaan maupun validasi.

Langkah berikutnya

Ambil proyek simulasi manufaktur Anda berikutnya, atau yang sedang berjalan saat ini, dan periksa dengan daftar periksa di atas. Jika ada jawaban yang belum tersedia, Anda telah menemukan kemungkinan penyebab kesalahan dalam proyek simulasi, dan Anda dapat memperbaikinya sebelum model dibangun.