1.5 Riset Operasi Di Dunisa Nyata

Dipublikasikan oleh Syayyidatur Rosyida

10 Mei 2024, 07.12

sumber: pinterest.com

Pada bagian ini, beberapa contoh aplikasi riset operasi yang sukses di dunia nyata diberikan. Hal ini akan memberikan apresiasi kepada pembaca terhadap beragam jenis masalah yang dapat diatasi oleh O.R., dan juga besarnya penghematan yang dapat dilakukan. Tidak diragukan lagi, sumber terbaik untuk studi kasus dan rincian aplikasi yang berhasil adalah jurnal Interfaces, yang merupakan publikasi dari Institute for Operations Research and the Management Sciences (INFORMS). Jurnal ini berorientasi pada praktisi dan sebagian besar penjelasannya menggunakan istilah awam; pada titik tertentu, setiap insinyur industri yang berpraktik harus mengacu pada jurnal ini untuk menghargai kontribusi yang dapat diberikan oleh O.R.. Semua aplikasi yang ada di bawah ini diambil dari edisi terbaru Interfaces. 

Sebelum menjelaskan aplikasi-aplikasi ini, beberapa kata akan menjelaskan posisi riset operasi di dunia nyata. Kenyataan yang tidak menguntungkan adalah bahwa O.R. telah menerima lebih dari sekadar publisitas negatif. Kadang-kadang dianggap sebagai ilmu esoterik yang tidak memiliki relevansi dengan dunia nyata, dan beberapa kritikus bahkan menyebutnya sebagai kumpulan teknik untuk mencari masalah yang harus dipecahkan! Jelas, kritik ini tidak benar dan ada banyak bukti yang terdokumentasi bahwa ketika diterapkan dengan benar dan dengan fokus pada masalah, O.R. dapat menghasilkan manfaat yang cukup spektakuler; contoh-contoh yang ada di bagian ini dengan jelas membuktikan fakta ini.

Di sisi lain, ada juga bukti yang menunjukkan bahwa (sayangnya) kritik yang dilontarkan terhadap O.R. tidak sepenuhnya tidak berdasar. Hal ini dikarenakan O.R. sering kali tidak diterapkan sebagaimana mestinya - orang sering kali berpandangan bahwa O.R. merupakan metode yang spesifik, bukan sebuah proses yang lengkap dan sistematis. Secara khusus, ada banyak sekali penekanan pada pemodelan dan langkah-langkah solusi, mungkin karena hal ini jelas menawarkan tantangan intelektual yang paling besar. Namun, sangat penting untuk mempertahankan fokus yang digerakkan oleh masalah - tujuan akhir dari studi O.R. adalah untuk mengimplementasikan solusi untuk masalah yang sedang dianalisis. Membangun model kompleks yang pada akhirnya tidak dapat dipecahkan, atau mengembangkan prosedur solusi yang sangat efisien untuk model yang tidak memiliki relevansi dengan dunia nyata mungkin baik sebagai latihan intelektual, tetapi bertentangan dengan sifat praktis dari riset operasi! Sayangnya, fakta ini terkadang dilupakan. Kritik lain yang valid adalah kenyataan bahwa banyak analis yang terkenal buruk dalam mengkomunikasikan hasil proyek O.R. dalam hal yang dapat dipahami dan dihargai oleh praktisi yang mungkin tidak memiliki banyak kecanggihan matematika atau pelatihan formal dalam O.R. Intinya adalah bahwa proyek O.R. dapat berhasil hanya jika perhatian yang cukup diberikan pada masing-masing dari tujuh langkah proses dan hasilnya dikomunikasikan kepada pengguna akhir dalam bentuk yang dapat dimengerti.

Beberapa contoh proyek O.R. yang sukses sekarang disajikan.

Perencanaan Produksi di Harris Corporation - Bagian Semikonduktor: Untuk aplikasi pertama kami, kami melihat area yang mudah dihargai oleh setiap insinyur industri - perencanaan produksi dan kutipan tanggal jatuh tempo. Bagian semikonduktor Harris Corporation selama beberapa tahun merupakan bisnis yang cukup kecil yang melayani ceruk pasar di industri kedirgantaraan dan pertahanan di mana persaingannya sangat minim. Namun, pada tahun 1988, sebuah keputusan strategis dibuat untuk mengakuisisi lini produk semikonduktor dan fasilitas manufaktur General Electric. Hal ini segera meningkatkan ukuran operasi dan lini produk Harris Semiconductor sekitar tiga kali lipat, dan yang lebih penting lagi, melambungkan Harris ke area pasar komersial seperti mobil dan telekomunikasi yang persaingannya sangat ketat. Dengan adanya keragaman lini produk yang baru dan peningkatan yang luar biasa dalam kompleksitas perencanaan produksi, Harris mengalami kesulitan untuk memenuhi jadwal pengiriman dan untuk tetap kompetitif dari segi finansial; jelas, diperlukan sistem yang lebih baik.

Pada fase orientasi, ditentukan bahwa sistem jenis MRP yang digunakan oleh sejumlah pesaingnya tidak akan menjadi jawaban yang memuaskan dan keputusan dibuat untuk mengembangkan sistem perencanaan yang akan memenuhi kebutuhan unik Harris - hasil akhirnya adalah IMPReSS, sebuah sistem perencanaan produksi dan penawaran pengiriman otomatis untuk seluruh jaringan produksi. Sistem ini merupakan kombinasi yang mengesankan dari heuristik serta teknik berbasis optimasi. Sistem ini bekerja dengan memecah masalah keseluruhan menjadi masalah yang lebih kecil dan lebih mudah dikelola dengan menggunakan pendekatan dekomposisi heuristik. Model matematika dalam masalah diselesaikan dengan menggunakan pemrograman linier bersama dengan konsep-konsep dari perencanaan kebutuhan material. Seluruh sistem berinteraksi dengan basis data yang canggih yang memungkinkan untuk peramalan, penawaran dan entri pesanan, material dan informasi dinamis tentang kapasitas. Harris memperkirakan bahwa sistem ini telah meningkatkan pengiriman tepat waktu dari 75% menjadi 95% tanpa peningkatan persediaan, membantunya beralih dari kerugian sebesar $75 juta menjadi keuntungan sebesar $40 juta per tahun, dan memungkinkannya untuk merencanakan investasi modalnya dengan lebih efisien.

Pencampuran bensin di texaco: Untuk aplikasi lain dalam perencanaan produksi, tetapi kali ini dalam lingkungan produksi kontinu dan bukan produksi terpisah, kami melihat sistem yang digunakan di Texaco. Salah satu aplikasi utama O.R. adalah di bidang pencampuran bensin di kilang minyak bumi, dan hampir semua perusahaan minyak besar menggunakan model optimasi yang canggih di bidang ini. Di Texaco, sistem ini disebut StarBlend dan berjalan pada komputer mikro berjaringan. Sebagai latar belakang, penyulingan minyak mentah menghasilkan sejumlah produk yang berbeda pada suhu penyulingan yang berbeda. Masing-masing produk tersebut dapat dimurnikan lebih lanjut melalui perengkahan (di mana hidrokarbon yang kompleks dipecah menjadi hidrokarbon yang lebih sederhana) dan rekombinasi. Berbagai aliran keluaran ini kemudian dicampur bersama untuk membentuk produk akhir seperti berbagai jenis bensin (bertimbal, tanpa timbal, super tanpa timbal, dll.), bahan bakar jet, diesel, dan minyak pemanas. Masalah perencanaannya sangat kompleks, karena kualitas minyak mentah yang berbeda menghasilkan konsentrasi aliran keluaran yang berbeda dan menimbulkan biaya yang berbeda, dan karena produk akhir yang berbeda menghasilkan pendapatan yang berbeda dan menggunakan sumber daya kilang yang berbeda pula. Mempertimbangkan hanya satu produk - bensin - ada berbagai properti yang membatasi campuran yang dihasilkan. Ini termasuk angka oktan, kandungan timbal dan sulfur, volatilitas, dan tekanan uap Reid, untuk menyebutkan beberapa di antaranya. Selain itu, kendala regulasi juga memberikan batasan tertentu.

Sebagai tanggapan awal terhadap masalah yang kompleks ini, pada awal hingga pertengahan tahun 1980-an, Texaco mengembangkan sebuah sistem yang disebut OMEGA. Inti dari sistem ini adalah model optimasi nonlinier yang mendukung sistem pendukung keputusan interaktif untuk pencampuran bensin secara optimal; sistem ini sendiri diperkirakan telah menghemat sekitar $30 juta per tahun bagi Texaco. StarBlend merupakan perluasan dari OMEGA ke lingkungan perencanaan multi periode di mana keputusan optimal dapat dibuat dalam jangka waktu perencanaan yang lebih panjang dibandingkan dengan satu periode. Selain kendala kualitas campuran, model optimasi juga memasukkan kendala inventaris dan keseimbangan material untuk setiap periode dalam horison perencanaan. Pengoptimal menggunakan bahasa pemodelan aljabar yang disebut GAMS dan solver nonlinier yang disebut MINOS, bersama dengan sistem basis data relasional untuk mengelola data. Keseluruhan sistem berada dalam antarmuka yang mudah digunakan dan selain untuk perencanaan campuran langsung, sistem ini juga dapat digunakan untuk menganalisis berbagai skenario “bagaimana-jika” untuk masa depan dan untuk perencanaan jangka panjang.

Penjadwalan FMS di caterpillar: Untuk aplikasi ketiga, kami melihat penggunaan model simulasi. Model ini diterapkan untuk mendapatkan jadwal untuk Sistem Manufaktur Fleksibel (FMS) di Caterpillar, Inc. Pembaca yang tertarik dapat merujuk ke teks apa pun tentang manufaktur terintegrasi komputer untuk mengetahui detail tentang FMS; biasanya, FMS adalah sistem mesin CNC tujuan umum yang dihubungkan bersama oleh sistem penanganan material otomatis dan sepenuhnya dikontrol oleh komputer. FMS yang dimaksud di Caterpillar memiliki tujuh mesin milling CNC, stasiun fiksasi dan stasiun alat, dengan penanganan material dan alat dilakukan oleh empat kendaraan berpemandu otomatis (AGV) yang berjalan di sepanjang jalur kawat berpemandu satu arah. FMS dapat memberikan peningkatan kapasitas dan produktivitas yang luar biasa karena tingkat otomatisasi yang tinggi yang melekat di dalamnya dan potensinya untuk memproduksi berbagai macam komponen. D

i sisi lain, hal ini ada harganya; sistem ini juga sangat kompleks dan proses perencanaan dan penjadwalan produksi pada FMS dan kemudian mengendalikan operasinya bisa menjadi sangat sulit. Efisiensi prosedur penjadwalan yang digunakan dapat sangat berpengaruh pada besarnya manfaat yang diperoleh.

Di Caterpillar, analisis awal menunjukkan bahwa FMS kurang dimanfaatkan dan tujuan proyek ini adalah untuk menentukan jadwal produksi yang baik yang akan meningkatkan pemanfaatan dan meluangkan lebih banyak waktu untuk memproduksi suku cadang tambahan. Pada tahap orientasi, ditentukan bahwa lingkungan terlalu kompleks untuk direpresentasikan secara akurat melalui model matematika, dan oleh karena itu simulasi dipilih sebagai pendekatan pemodelan alternatif. Juga ditentukan bahwa meminimalkan makespan (yaitu waktu yang dibutuhkan untuk memproduksi semua kebutuhan harian) akan menjadi tujuan terbaik karena hal ini juga akan memaksimalkan dan menyeimbangkan pemanfaatan mesin. Sebuah model simulasi yang terperinci kemudian dibangun dengan menggunakan bahasa khusus yang disebut SLAM. Selain rencana proses yang diperlukan untuk menentukan pemesinan aktual dari berbagai jenis suku cadang, model ini juga memperhitungkan sejumlah faktor seperti penanganan material, penanganan alat, dan fiksasi. Beberapa alternatif kemudian disimulasikan untuk mengamati bagaimana kinerja sistem dan ditentukan bahwa seperangkat aturan penjadwalan heuristik yang cukup sederhana dapat menghasilkan jadwal yang mendekati optimal dengan pemanfaatan mesin hampir 85%. Namun, yang lebih menarik adalah bahwa penelitian ini juga menunjukkan bahwa stabilitas jadwal sangat bergantung pada efisiensi alat potong yang digunakan oleh mesin.

Faktanya, ketika kualitas alat mulai menurun, sistem mulai menjadi semakin tidak stabil dan jadwal mulai tertinggal dari tanggal jatuh tempo. Untuk menghindari masalah ini, perusahaan harus menghentikan produksi selama akhir pekan dan mengganti alat yang sudah usang atau sesekali menggunakan waktu lembur untuk kembali ke jadwal. Poin utama yang perlu diperhatikan dari aplikasi ini adalah bahwa model simulasi dapat digunakan untuk menganalisis sistem yang sangat kompleks untuk sejumlah skenario bagaimana-jika dan untuk mendapatkan pemahaman yang lebih baik tentang dinamika sistem.

Penugasan armada di delta airlines: Salah satu area aplikasi O.R. yang paling menantang sekaligus bermanfaat adalah industri penerbangan. Kami menjelaskan secara singkat di sini salah satu aplikasi seperti itu di Delta Airlines. Masalah yang dipecahkan sering disebut sebagai masalah penugasan armada. Delta menerbangkan lebih dari 2500 penerbangan domestik setiap harinya dan menggunakan sekitar 450 pesawat dari 10 armada yang berbeda, dan tujuannya adalah untuk menugaskan pesawat ke dalam rute penerbangan sedemikian rupa sehingga pendapatan dari kursi dapat dimaksimalkan. Pengorbanannya cukup sederhana - jika sebuah pesawat terlalu kecil maka maskapai kehilangan potensi pendapatan dari penumpang yang tidak dapat ditampung di dalam pesawat, dan jika pesawat terlalu besar maka kursi yang tidak terisi merupakan pendapatan yang hilang (selain fakta bahwa pesawat yang lebih besar juga lebih mahal untuk dioperasikan).

Dengan demikian, tujuannya adalah untuk memastikan bahwa pesawat dengan ukuran yang “tepat” tersedia saat dibutuhkan dan di mana dibutuhkan. Sayangnya, memastikan bahwa hal ini dapat terjadi sangatlah rumit karena ada sejumlah masalah logistik yang membatasi ketersediaan pesawat pada waktu dan lokasi yang berbeda.

Masalah ini dimodelkan dengan program linear bilangan bulat campuran yang sangat besar - formulasi tipikal dapat menghasilkan sekitar 60.000 variabel dan 40.000 kendala. Horison perencanaan untuk setiap masalah adalah satu hari karena asumsinya adalah jadwal yang sama diulang setiap hari (pengecualian seperti jadwal akhir pekan ditangani secara terpisah). Tujuan utama dari masalah ini adalah untuk meminimalkan jumlah biaya operasional (termasuk biaya awak, biaya bahan bakar dan biaya pendaratan) dan biaya dari pendapatan penumpang yang hilang. Sebagian besar kendala bersifat struktural dan merupakan hasil dari pemodelan konservasi aliran pesawat dari armada yang berbeda ke lokasi yang berbeda di sekitar sistem pada waktu kedatangan dan keberangkatan yang berbeda.

Selain itu, terdapat kendala yang mengatur penugasan armada tertentu ke kaki tertentu dalam jadwal penerbangan. Ada juga kendala yang berkaitan dengan ketersediaan pesawat dalam armada yang berbeda, peraturan yang mengatur penugasan kru, persyaratan pemeliharaan terjadwal, dan pembatasan bandara. Seperti yang dapat dibayangkan oleh pembaca, tugas untuk mengumpulkan dan memelihara informasi yang diperlukan untuk menentukan secara matematis semua hal tersebut merupakan tugas yang luar biasa. Meskipun membangun model seperti itu sulit tetapi bukan tidak mungkin, kemampuan untuk menyelesaikannya hingga optimal adalah hal yang mustahil hingga beberapa waktu yang lalu. Namun, O.R. komputasi telah berkembang hingga mencapai titik di mana sekarang memungkinkan untuk menyelesaikan model yang begitu rumit; sistem di Delta disebut Coldstart dan menggunakan implementasi yang sangat canggih untuk memecahkan masalah pemrograman linier dan integer. Manfaat finansial dari proyek ini sangat besar; sebagai contoh, menurut Delta, penghematan selama periode 1 Juni hingga 31 Agustus 1993 diperkirakan mencapai sekitar $220.000 per hari dibandingkan dengan jadwal yang lama.

Sistem manajemen keunggulan layanan keycorp: Untuk aplikasi terakhir kami, kami beralih ke sektor jasa dan industri yang mempekerjakan banyak insinyur industri - perbankan. Aplikasi ini menunjukkan bagaimana riset operasi digunakan untuk meningkatkan produktivitas dan kualitas layanan di KeyCorp, sebuah perusahaan induk bank yang berkantor pusat di Cleveland, Ohio. Dihadapkan pada persaingan yang semakin meningkat dari sumber-sumber nontradisional dan konsolidasi yang cepat di dalam industri perbankan, tujuan KeyCorp adalah untuk menyediakan serangkaian produk dan layanan keuangan kelas dunia dibandingkan dengan menjadi bank tradisional. Elemen kunci untuk dapat melakukan hal ini secara efektif adalah layanan pelanggan berkualitas tinggi dan pertukaran alami yang dihadapi oleh manajer adalah dalam hal staf dan layanan - layanan yang lebih baik dalam bentuk waktu tunggu yang lebih singkat membutuhkan staf tambahan yang membutuhkan biaya lebih tinggi. Tujuan dari proyek ini adalah untuk menyediakan sistem pendukung keputusan yang lengkap bagi para manajer yang dijuluki SEMS (Sistem Manajemen Keunggulan Layanan).

Langkah pertama adalah pengembangan sistem terkomputerisasi untuk mengumpulkan data kinerja. Sistem ini merekam waktu awal dan akhir dari semua komponen transaksi teller, termasuk waktu respons host, waktu respons jaringan, waktu yang dikendalikan teller, waktu yang dikendalikan nasabah dan waktu perangkat keras cabang. Data yang dikumpulkan kemudian dapat dianalisis untuk mengidentifikasi area-area yang perlu ditingkatkan. Teori antrian digunakan untuk menentukan kebutuhan staf untuk tingkat layanan yang telah ditentukan. Analisis ini menghasilkan peningkatan jumlah staf yang diperlukan yang tidak mungkin dilakukan dari sudut pandang biaya, dan oleh karena itu dibuat perkiraan pengurangan waktu pemrosesan yang diperlukan untuk memenuhi tujuan layanan dengan tingkat staf maksimum yang memungkinkan. Dengan menggunakan sistem pencatatan kinerja, KeyCorp kemudian dapat mengidentifikasi strategi untuk mengurangi berbagai komponen waktu layanan. Beberapa di antaranya melibatkan peningkatan teknologi, sementara yang lainnya berfokus pada peningkatan prosedural, dan hasilnya adalah pengurangan waktu pemrosesan transaksi sebesar 27%. Setelah lingkungan operasi stabil, KeyCorp memperkenalkan dua komponen utama SEMS untuk membantu para manajer cabang meningkatkan produktivitas.

Yang pertama, sistem Produktivitas Teller, memberikan ringkasan statistik dan laporan kepada manajer untuk membantu penempatan staf, penjadwalan, dan mengidentifikasi teller yang memerlukan pelatihan lebih lanjut. Yang kedua, sistem Waktu Tunggu Nasabah, memberikan informasi mengenai waktu tunggu nasabah per cabang, per hari dan per interval setengah jam di setiap cabang. Sistem ini menggunakan konsep-konsep dari statistik dan teori antrian untuk mengembangkan algoritma untuk menghasilkan informasi yang dibutuhkan. Dengan menggunakan SEMS, manajer cabang dapat secara mandiri memutuskan strategi untuk meningkatkan layanan. Sistem ini secara bertahap diluncurkan ke semua cabang KeyCorp dan hasilnya sangat mengesankan. Sebagai contoh, secara rata-rata, waktu pemrosesan pelanggan berkurang hingga 53% dan waktu tunggu pelanggan menurun secara signifikan dengan hanya empat persen pelanggan yang menunggu lebih dari lima menit. Penghematan yang dihasilkan selama periode lima tahun diperkirakan mencapai $98 juta.

Ringkasan

Bab ini memberikan gambaran umum tentang riset operasi, asal-usulnya, pendekatannya dalam memecahkan masalah, dan beberapa contoh aplikasi yang berhasil. Dari sudut pandang seorang insinyur industri, O.R. adalah alat yang dapat melakukan banyak hal untuk meningkatkan produktivitas. Perlu ditekankan bahwa O.R. tidak bersifat esoterik atau tidak praktis, dan para insinyur yang tertarik untuk mempelajari topik ini lebih lanjut untuk teknik dan aplikasinya; potensi imbalannya bisa sangat besar.

Disadur dari: sites.pitt.edu