Dalam lanskap dinamis rekayasa perangkat lunak, desain sistem berdiri sebagai fase penting yang meletakkan dasar bagi aplikasi yang kuat dan dapat diskalakan. Menguasai seni desain sistem melibatkan pemahaman konsep desain yang rumit yang mendorong inovasi dan memastikan fungsionalitas yang mulus. Dalam panduan komprehensif ini, kita akan mempelajari dunia desain sistem, menjelajahi konsep-konsep intinya, dan membekali Anda dengan pengetahuan untuk unggul dalam aspek penting rekayasa perangkat lunak ini

Apa itu desain sistem

Pada intinya, desain sistem adalah cetak biru yang mengubah konsep dan persyaratan menjadi struktur perangkat lunak yang nyata. Ini adalah proses strategis untuk mendefinisikan arsitektur, komponen, dan interaksi sistem perangkat lunak untuk memenuhi persyaratan fungsional dan non-fungsional tertentu. Ini melibatkan penerjemahan konsep tingkat tinggi ke dalam desain konkret yang dapat diimplementasikan dan dieksekusi secara efisien.

Konsep utama dalam desain sistem

• Modularitas dan abstraksi: Memecah sistem yang kompleks menjadi komponen-komponen modular mendorong penggunaan kembali, kemudahan pemeliharaan, dan kolaborasi yang efisien di antara para pengembang.
• Penggabungan dan kohesi: Mencapai keseimbangan yang tepat antara saling ketergantungan komponen (coupling) dan keterkaitan fungsional dalam komponen (kohesi) sangat penting untuk sistem yang terstruktur dengan baik.
• Pola arsitektur: Pola arsitektur yang berbeda, seperti dient-server, layanan mikro, dan monolitik, menawarkan panduan untuk mengatur komponen dan menangani interaksi
• Aliran data dan komunikasi: Merancang aliran data dan mekanisme komunikasi yang efektif memastikan pertukaran informasi yang lancar antar komponen sistem.
• Trade-off dan kendala: Perancang sistem sering kali menghadapi trade-off antara faktor-faktor seperti kinerja, biaya, dan waktu pengembangan. Memahami pertukaran ini sangat penting untuk membuat keputusan yang tepat.

Memahami komponen desain sistem

Sistem perangkat lunak yang dirancang dengan baik adalah komposisi komponen yang dibuat dengan cermat, masing-masing melayani tujuan tertentu dan berkolaborasi dengan mulus untuk mewujudkan visi digital. Setiap komponen dirancang dan ditempatkan secara tepat untuk memastikan kelancaran pengoperasian dan kinerja yang optimal. Komponen-komponen ini mencakup spektrum fungsi, mulai dari mengelola data dan interaksi pengguna hingga mengamankan informasi sensitif dan memfasilitasi komunikasi di antara berbagai bagian sistem.

^{_{Sumber: crio.do}}

• Komponen dan modul: Setiap komponen merangkum fungsionalitas tertentu, memungkinkan modularitas dan penggunaan kembali. Ini berarti bahwa pengembang dapat fokus pada penyempurnaan dan peningkatan masing-masing komponen tanpa mengganggu keseluruhan sistem.
• Manajemen data: Manajemen data melibatkan perancangan basis data, mendefinisikan skema, dan menerapkan strategi untuk penyimpanan, pengambilan, dan pemeliharaan data. Komponen manajemen data yang dirancang dengan baik memastikan bahwa informasi mengalir dengan lancar melalui sistem, memungkinkan pengambilan keputusan yang akurat dan tepat waktu.
• Antarmuka pengguna: Komponen antarmuka pengguna melibatkan pembuatan antarmuka yang intuitif, estetis, dan ramah pengguna yang memfasilitasi interaksi yang lancar. Dari tombol dan menu hingga formulir dan elemen visual, komponen antarmuka pengguna yang dirancang dengan baik akan meningkatkan pengalaman pengguna, sehingga memudahkan pengguna untuk menavigasi dan terlibat dengan aplikasi.
• Protokol komunikasi: Di dunia di mana sistem sering kali perlu berbicara satu sama lain, protokol komunikasi bertindak sebagai bahasa yang memungkinkan dialog yang efektif. Protokol ini mendefinisikan aturan dan konvensi untuk pertukaran data antara komponen yang berbeda atau bahkan antara sistem yang terpisah. Baik itu layanan web yang meminta informasi dari server atau dua modul yang berbagi data penting, protokol komunikasi yang kuat memastikan bahwa informasi ditransmisikan secara akurat dan efisien.
• Langkah-langkah keamanan: Dengan semakin pentingnya privasi data dan keamanan siber, komponen keamanan khusus sangat penting. Komponen ini mencakup enkripsi, autentikasi, kontrol akses, dan langkah-langkah lain untuk melindungi informasi sensitif dan mencegah akses yang tidak sah. Komponen keamanan yang dirancang dengan baik akan melindungi sistem perangkat lunak dari potensi ancaman dan kerentanan.

Proses desain sistem

Desain sistem adalah proses terstruktur yang melibatkan beberapa tahap. Ini melibatkan proses metodis konseptualisasi, penyempurnaan, dan konstruksi. Proses ini berfungsi sebagai cetak biru untuk mengubah ide abstrak menjadi sistem perangkat lunak yang nyata dan fungsional.

Sekarang, mari kita pelajari fase-fase yang membentuk proses desain sistem:

^{_{Sumber: crio.do}}

• Analisis kebutuhan: Ini adalah fondasi di mana seluruh struktur bertumpu. Hal ini melibatkan pemahaman kebutuhan pengguna, spesifikasi fungsional, dan tantangan potensial untuk memastikan bahwa desain selaras dengan tujuan proyek.
• Desain asitektur: Fase desain arsitektur membentuk struktur tingkat tinggi perangkat lunak. Di sini, desainer menentukan komponen utama, hubungannya, dan aliran informasi secara keseluruhan. Tahap ini meletakkan dasar untuk langkah-langkah desain selanjutnya.
• Desain komponen: Fase desain komponen menambah kedalaman narasi. Desainer mempelajari secara spesifik setiap modul, menentukan bagaimana modul-modul tersebut berfungsi dan berinteraksi. Hal ini melibatkan pendefinisian antarmuka, algoritme, dan mekanisme internal yang berkontribusi pada keseluruhan narasi perangkat lunak.
• Desain basis data: Fase desain basis data membentuk mekanisme penyimpanan dan pengambilan data. Desainer membuat cetak biru untuk mengatur data, mendefinisikan tabel, hubungan, dan metode akses. Langkah ini memastikan bahwa data dikelola secara efisien dan dapat diakses saat dibutuhkan.
• Desain ntarmuka pengguna: Desainer membuat antarmuka pengguna yang menarik secara visual dan ramah pengguna. Mereka membuat tata letak, memilih font, dan mendesain elemen interaktif yang meningkatkan pengalaman pengguna.
• Integrasi dan pengujian: Fase integrasi dan pengujian menyatukan semua komponen. Perancang sistem mengintegrasikan berbagai modul, menguji interaksinya, dan mengidentifikasi serta memperbaiki masalah apa pun. Langkah ini memastikan bahwa seluruh sistem berfungsi dengan mulus sebagai satu kesatuan.

Praktik terbaik untuk desain sistem yang efektif

• Pahami kebutuhan dan persyaratan pengguna secara menyeluruh sebelum terjun ke dalam desain.
• Buat komponen modular untuk meningkatkan penggunaan ulang dan pemeliharaan.
• Menyimpan dokumentasi yang komprehensif untuk membantu pemahaman dan pengembangan di masa depan.
• Kembangkan prototipe untuk memvalidasi konsep desain dan mengumpulkan umpan balik dari pengguna.
• Tetap sederhana. Upayakan kesederhanaan dalam desain untuk mengurangi kerumitan dan meningkatkan kejelasan sistem.

Studi kasus desain sistem yang berhasil

Mari selami beberapa contoh dunia nyata yang menarik yang menunjukkan bagaimana prinsip-prinsip desain sistem telah diterapkan untuk menciptakan pengalaman digital yang mengesankan dan berdampak. Studi kasus ini memberikan gambaran sekilas tentang bagaimana pilihan desain yang bijaksana dapat menghasilkan solusi revolusioner dan mengubah seluruh industri.

Layanan streaming netflix

Netflix, platform streaming terkemuka di dunia, adalah contoh utama desain sistem yang sukses. Di balik layar, Netflix menggunakan arsitektur berbasis layanan mikro. Bayangkan ini sebagai sebuah kota dengan lingkungan yang berbeda, masing-masing memiliki tujuan yang unik. Layanan mikro ini memungkinkan Netflix untuk mengirimkan konten dengan lancar ke jutaan pengguna di seluruh dunia. Sama seperti setiap lingkungan memiliki toko dan layanannya sendiri, setiap layanan mikro menangani tugas tertentu, seperti otentikasi pengguna atau streaming video. Pendekatan modular ini memastikan skalabilitas, pemeliharaan yang mudah, dan pembaruan yang cepat, yang berkontribusi pada pengalaman streaming yang lancar yang dinikmati jutaan orang setiap hari.

Pencocokan waktu nyata uber

Kesuksesan Uber dibangun di atas desain sistem yang kuat yang memungkinkan pencocokan pengemudi dan pengendara secara real-time. Bayangkan sebuah mantra perjodohan ajaib yang secara instan menghubungkan orang yang membutuhkan tumpangan dengan pengemudi yang tersedia. Sistem Uber menggunakan algoritme canggih dan data lokasi untuk mewujudkannya. Ini seperti memiliki GPS digital yang memandu pengemudi ke penumpang mereka secara real-time. Desain sistem yang efisien ini memastikan bahwa pengguna mendapatkan tumpangan yang dapat diandalkan dengan cepat, membuat transportasi perkotaan lebih nyaman dan mudah diakses.

Amazon web services (AWS)

Amazon Web Services (AWS) adalah contoh desain sistem yang mengubah dunia komputasi awan. Bayangkan memiliki kotak peralatan dan sumber daya digital yang sangat besar yang dapat Anda akses dari mana saja. AWS menyediakan hal ini dengan menawarkan berbagai macam layanan, seperti penyimpanan, daya komputasi, dan basis data. melalui awan. Ini seperti memiliki bengkel virtual di mana pengembang dapat membangun dan menerapkan aplikasi tanpa mengkhawatirkan perangkat kerasnya. Desain sistem AWS yang dapat diskalakan dan fleksibel telah mengubah cara bisnis mengelola infrastruktur TI mereka, memungkinkan perusahaan rintisan dan perusahaan besar untuk berinovasi dan tumbuh dengan cepat.

Kesimpulan

Desain sistem adalah tulang punggung rekayasa perangkat lunak, yang membentuk cara aplikasi berfungsi, berskala, dan memberikan nilai kepada pengguna. Dengan memahami konsep-konsep inti, mengikuti proses desain yang sistematis, dan mempertimbangkan faktor-faktor utama, pengembang dapat membuat sistem perangkat lunak yang memenuhi harapan pengguna dan beradaptasi dengan lanskap teknologi yang terus berubah. Desain sistem pembelajaran memberdayakan insinyur perangkat lunak untuk menciptakan solusi yang inovatif, andal, dan efisien untuk mendorong dunia digital ke depan.

Disadur dari: crio.do

Teori

Permasalahan sederhana dalam program linier adalah permasalahan yang memerlukan pencarian nilai maksimum (atau minimum) suatu fungsi sederhana dengan batasan tertentu. Contohnya adalah sebuah pabrik yang memproduksi dua komoditas. Dalam setiap proses produksi, pabrik memproduksi x 1 untuk tipe pertama dan x 2 untuk tipe kedua. Jika keuntungan pada tipe kedua adalah dua kali lipat keuntungan pada tipe pertama, maka x 1 + 2 x 2 mewakili total keuntungan. Fungsi x 1 + 2 x 2 disebut fungsi tujuan.

Tentu saja keuntungannya akan paling besar jika pabrik mencurahkan seluruh kapasitas produksinya untuk memproduksi komoditas jenis kedua tersebut. Namun dalam situasi praktis, hal ini mungkin tidak dapat dilakukan; serangkaian kendala disebabkan oleh faktor-faktor seperti ketersediaan waktu mesin, tenaga kerja, dan bahan mentah. Misalnya, jika jenis barang dagangan yang kedua memerlukan bahan baku yang terbatas sehingga tidak lebih dari lima yang dapat dibuat dalam satu batch, maka x 2 harus kurang dari atau sama dengan lima; yaitu, x 2 ≤ 5. Jika komoditas pertama memerlukan jenis bahan lain yang membatasinya menjadi delapan per batch, maka x 1 ≤ 8. Jika x 1 dan x 2 memerlukan waktu pembuatan yang sama dan waktu mesin yang tersedia memungkinkan maksimal 10 untuk dibuat secara batch, maka x 1 + x 2 harus lebih kecil atau sama dengan 10; yaitu x 1 + x 2 ≤ 10.

^{_{Sumber: Britannica, Inc}}

Masalah pengoptimalan

Himpunan batasan dibatasi oleh lima garis x 1 = 0, x 2 = 0, x 1 = 8, x 2 = 5, dan x 1 + x 2 = 10. Garis-garis ini melingkupi titik-titik yang jumlahnya tak terhingga yang mewakili solusi layak.(lagi)

Dua batasan lainnya adalah x 1 dan x 2 masing-masing harus lebih besar atau sama dengan nol, karena tidak mungkin membuat bilangan negatif dari keduanya; yaitu x 1 ≥ 0 dan x 2 ≥ 0. Soalnya adalah mencari nilai x 1 dan x 2 yang menghasilkan keuntungan maksimum. Solusi apa pun dapat dilambangkan dengan sepasang angka ( x 1 , x 2 ); misalnya x 1 = 3 dan x 2 = 6 maka penyelesaiannya adalah (3, 6). Angka-angka ini dapat direpresentasikan dengan titik-titik yang diplot pada dua sumbu, seperti terlihat pada gambar . Pada grafik ini jarak sepanjang sumbu horizontal melambangkan x 1 dan jarak sepanjang sumbu vertikal melambangkan x 2 . Karena kendala yang diberikan di atas, makasolusi yang layak harus berada dalam wilayah grafik tertentu yang terdefinisi dengan baik. Misalnya, batasan x 1 ≥ 0 berarti titik-titik yang mewakili solusi layak terletak pada atau di sebelah kanan sumbu x 2 . Demikian pula, batasan x 2 ≥ 0 berarti bahwa batasan tersebut juga terletak pada atau di atas sumbu x 1 . Penerapan seluruh himpunan kendala menghasilkan himpunan solusi layak, yang dibatasi oleh poligon yang dibentuk oleh perpotongan garis x 1 = 0, x 2 = 0, x 1 = 8, x 2 = 5, dan x 1 + x 2 = 10. Misalnya, produksi tiga jenis barang dagangan x 1 dan empat jenis barang x 2 merupakan penyelesaian yang layak karena titik (3, 4) terletak di daerah ini. Namun, untuk mencari solusi terbaik, fungsi tujuan x 1 + 2 x 2 = k diplot pada grafik untuk beberapa nilai k , katakanlah k = 4. Nilai ini ditunjukkan dengan garis putus-putus pada gambar. Ketika k diperbesar, dihasilkan sekumpulan garis sejajar dan garis untuk k = 15 hanya menyentuhbatasan yang ditetapkan pada titik (5, 5). Jika k dinaikkan lagi, nilai x 1 dan x 2 akan berada di luar himpunan solusi layak. Oleh karena itu, solusi terbaik adalah dengan memproduksi setiap komoditas dalam jumlah yang sama. Bukan suatu kebetulan bahwa solusi optimal terjadi pada suatu titik, atau “titik ekstrim,” di wilayah tersebut. Hal ini selalu berlaku untuk permasalahan linier, meskipun solusi optimal mungkin tidak unik . Oleh karena itu, penyelesaian permasalahan tersebut direduksi menjadi pencarian titik (atau titik-titik) ekstrem mana yang menghasilkan nilai terbesar untuk fungsi tujuan.

Itu metode simpleks

Metode penyelesaian grafis yang diilustrasikan oleh contoh di bagian sebelumnya hanya berguna untuk sistem pertidaksamaan yang melibatkan dua variabel. Dalam praktiknya, soal sering kali melibatkan ratusan persamaan dengan ribuan variabel, yang dapat menghasilkan titik ekstrem yang jumlahnya sangat banyak. Pada tahun 1947 George Dantzig , penasihat matematika Angkatan Udara AS, merancang metode simpleks untuk membatasi jumlah titik ekstrem yang harus diperiksa. Metode simpleks adalah salah satu metode yang paling berguna dan efisienalgoritma yang pernah ditemukan, dan ini masih menjadi metode standar yang digunakan pada komputer untuk memecahkan masalah optimasi. Pertama, metode ini mengasumsikan bahwa titik ekstrim telah diketahui. (Jika tidak ada titik ekstrem yang diberikan, varian dari metode simpleks, yang disebut Tahap I, digunakan untuk menemukan solusi yang layak atau untuk menentukan bahwa tidak ada solusi yang layak .) Selanjutnya, dengan menggunakan spesifikasi aljabar dari masalah tersebut, pengujian menentukan apakah titik tersebut titik ekstrim adalah optimal. Jika uji optimalitas tidak lulus, titik ekstrim yang berdekatan dicari sepanjang tepi ke arah dimana nilai fungsi tujuan meningkat pada tingkat tercepat. Kadang-kadang seseorang dapat bergerak sepanjang suatu tepi dan membuat nilai fungsi tujuan meningkat tanpa batas. Jika hal ini terjadi, prosedur diakhiri dengan menentukan tepi sepanjang tujuan menuju ke tak terhingga positif . Jika tidak, titik ekstrem baru akan dicapai dengan nilai fungsi objektif yang setidaknya sama tinggi dengan pendahulunya. Urutan yang dijelaskan kemudian diulangi. Penghentian terjadi ketika titik ekstrim optimal ditemukan atau terjadi kasus yang tidak terbatas. Meskipun pada prinsipnya langkah-langkah yang diperlukan dapat bertambah secara eksponensial dengan jumlah titik ekstrem, dalam praktiknya metode ini biasanya menyatu pada solusi optimal dalam sejumlah langkah yang hanya merupakan kelipatan kecil dari jumlah titik ekstrem.

Untuk mengilustrasikan metode simpleks, contoh dari bagian sebelumnya akan diselesaikan lagi. Permasalahan pertama-tama dimasukkan ke dalam bentuk kanonik dengan mengubah pertidaksamaan linier menjadi persamaan dengan memperkenalkan “variabel slack” x 3 ≥ 0 (sehingga x 1 + x 3 = 8), x 4 ≥ 0 (sehingga x 2 + x 4 = 5), x 5 ≥ 0 (sehingga x 1 + x 2 + x 5 = 10), dan variabel x 0 untuk nilai fungsi tujuan (sehingga x 1 + 2 x 2 − x 0 = 0). Permasalahan tersebut kemudian dapat dinyatakan kembali sebagai masalah menemukan besaran non-negatif x 1 , …, x 5 dan kemungkinan terbesar x 0 yang memenuhi persamaan yang dihasilkan. Salah satu solusi yang jelas adalah dengan menetapkan variabel tujuan x 1 = x 2 = 0, yang sesuai dengan titik ekstrim di titik asal. Jika salah satu variabel objektif dinaikkan dari nol sementara variabel lainnya ditetapkan nol, nilai objektif x 0 akan meningkat sesuai keinginan (tergantung pada variabel slack yang memenuhi batasan kesetaraan). Variabel x 2 menghasilkan kenaikan x 0 terbesar per satuan perubahan; jadi dipakai dulu. Peningkatannya dibatasi oleh persyaratan non-negatif pada variabel. Khususnya, jika x 2 dinaikkan melebihi 5, x 4 menjadi negatif.

Pada x 2 = 5, situasi ini menghasilkan solusi baru—( x 0 , x 1 , x 2 , x 3 , x 4 , x 5 ) = (10, 0, 5, 8, 0, 5)—yang sesuai dengan titik ekstrim (0, 5) pada gambar. Sistem persamaan tersebut dimasukkan ke dalam bentuk ekuivalen dengan menyelesaikan variabel bukan nol x 0 , x 2 , x 3 , x 5 dengan variabel-variabel tersebut sekarang bernilai nol; yaitu, x 1 dan x 4 . Jadi, fungsi tujuan yang baru adalah x 1 − 2 x 4 = −10, sedangkan kendalanya adalah x 1 + x 3 = 8, x 2 + x 4 = 5, dan x 1 − x 4 + x 5 = 5. Fungsi tersebut sekarang jelas bahwa peningkatan x 1 sambil menahan x 4 sama dengan nol akan menghasilkan peningkatan lebih lanjut pada x 0 . Pembatasan nonnegatif pada x 3 mencegah x 1 melampaui 5. Solusi baru—( x 0 , x 1 , x 2 , x 3 , x 4 , x 5 ) = (15, 5, 5, 3, 0, 0 )—sesuai dengan titik ekstrem (5, 5) pada gambar. Akhirnya, karena menyelesaikan x 0 dalam variabel x 4 dan x 5 (yang saat ini bernilai nol) menghasilkan x 0 = 15 − x 4 − x 5 , dapat dilihat bahwa setiap perubahan lebih lanjut pada variabel slack ini akan mengurangi nilai obyektif. Oleh karena itu, solusi optimal ada pada titik ekstrim (5, 5).

Formulasi standar

Dalam praktiknya, masalah optimasi dirumuskan dalam bentuk matriks —sebuah simbolisme kompak untuk memanipulasi batasan dan menguji fungsi tujuan secara aljabar. Masalah optimasi asli (atau "primal") diberikan formulasi standarnya oleh von Neumann pada tahun 1947. Dalammasalah utama tujuan digantikan oleh produk (px) dari vektor x = ( x 1 , x 2 , x 3 , …, x n ) ^T , yang komponennya adalah variabel tujuan dan di mana simbol “transpose” superskrip menunjukkan bahwa vektor tersebut harus ditulis secara vertikal, dan vektor lainnya p = ( p 1 , p 2 , p 3 , …, p n ), yang komponennya merupakan koefisien dari masing-masing variabel tujuan. Selain itu, sistem batasan pertidaksamaan digantikan oleh Ax ≤ b, dimana matriks A x m kali n menggantikan batasan m pada n variabel tujuan, dan b = ( b 1 , b 2 , b 3 , …, b m ) ^T adalah vektor yang komponen-komponennya merupakan batas pertidaksamaan.

Pemrograman nonlinier

Meskipun model pemrograman linier berfungsi dengan baik untuk banyak situasi, beberapa masalah tidak dapat dimodelkan secara akurat tanpa menyertakan komponen nonlinier. Salah satu contohnya adalah soal isoperimetri : menentukan bentuk kurva bidang tertutup yang mempunyai panjang tertentu dan mempunyai luas maksimum. Solusinya, tapi bukan bukti , diketahui olehPappus dari Aleksandria c. 340 M :

Maka, lebah mengetahui fakta yang berguna bagi mereka, bahwa segi enam lebih besar daripada persegi dan segitiga dan akan menampung lebih banyak madu dengan pengeluaran bahan yang sama untuk membangun masing-masing segi enam. Namun kami, yang mengklaim memiliki lebih banyak kebijaksanaan daripada lebah, akan menyelidiki masalah yang lebih luas, yaitu bahwa, dari semua bangun datar sama sisi dan sama sudut yang mempunyai keliling yang sama, bangun datar yang mempunyai jumlah sudut lebih banyak selalu lebih besar, dan jumlah sudutnya lebih besar. semuanya adalah lingkaran yang kelilingnya sama dengan lingkaran tersebut.

Cabang matematika yang dikenal dengan nama kalkulus variasi dimulai dengan upaya untuk membuktikan solusi ini, bersamaan dengan tantangan pada tahun 1696 oleh ahli matematika Swiss Johann Bernoulli menemukan kurva yang meminimalkan waktu yang diperlukan suatu benda untuk meluncur, hanya di bawah gaya gravitasi, antara dua titik nonvertikal. (Solusinya adalah brachistochrone). Selain Johann Bernoulli, saudaranya Jakob Bernoulli , Gottfried Wilhelm Leibniz dari Jerman , dan Isaac Newton dari Inggris semuanya memberikan solusi yang benar. Secara khusus, pendekatan Newton terhadap solusi memainkan peran mendasar dalam banyak algoritma nonlinier . Pengaruh lain pada pengembangan pemrograman nonlinier, seperti analisis cembung , teori dualitas, dan teori kontrol , sebagian besar berkembang setelah tahun 1940. Untuk permasalahan yang mencakup batasan serta fungsi tujuan , kondisi optimalitas ditemukan oleh ahli matematika Amerika William Karush dan lain-lain. pada akhir tahun 1940an menjadi alat penting untuk mengenali solusi dan mendorong perilaku algoritma.

Algoritma awal yang penting untuk menyelesaikan program nonlinier diberikan oleh ekonom Norwegia pemenang Hadiah NobelRagnar Frisch pada pertengahan tahun 1950an. Anehnya, pendekatan ini tidak lagi disukai selama beberapa dekade, dan baru muncul kembali sebagai pendekatan yang layak dan kompetitif pada tahun 1990an. Pendekatan algoritmik penting lainnya termasuk pemrograman kuadrat sekuensial, di mana masalah perkiraan dengan tujuan kuadrat dan batasan linier diselesaikan untuk mendapatkan setiap langkah pencarian; dan metode hukuman, termasuk “metode pengganda,” di mana titik-titik yang tidak memenuhi batasan akan dikenakan ketentuan penalti dengan tujuan untuk mencegah algoritme mengunjungi titik tersebut.

Ekonom Amerika pemenang Hadiah NobelHarry M. Markowitz memberikan dorongan untuk optimasi nonlinier pada tahun 1958 ketika ia merumuskan masalah pencarian portofolio investasi yang efisien sebagai masalah optimasi nonlinier dengan fungsi tujuan kuadrat. Teknik optimasi nonlinier sekarang banyak digunakan di bidang keuangan, ekonomi , manufaktur, pengendalian, pemodelan cuaca, dan semua cabang teknik.

Teori

Suatu permasalahan optimasi bersifat nonlinier jika fungsi tujuan f (x) atau salah satu batasan pertidaksamaan c i (x) ≤ 0, i = 1, 2, …, m , atau batasan persamaan d j (x) = 0, j = 1, 2, …, n , adalah fungsi nonlinier dari vektor variabel x. Misalnya, jika x memuat komponen x 1 dan x 2 , maka fungsi 3 + 2 x 1 − 7 x 2 linier, sedangkan fungsi ( x 1 ) ³ + 2 x 2 dan 3 x 1 + 2 x 1 x 2 + x 2 adalah nonlinier.

Masalah nonlinier muncul ketika tujuan atau batasan tidak dapat dinyatakan sebagai fungsi linier tanpa mengorbankan beberapa fitur nonlinier penting dari sistem dunia nyata. Misalnya, konformasi lipatan molekul protein diyakini meminimalkan fungsi nonlinier tertentu dari jarak antara inti atom komponennya—dan jarak ini sendiri merupakan fungsi nonlinier dari posisi inti. Di bidang keuangan, risiko yang terkait dengan portofolio investasi, yang diukur dengan varians pengembalian portofolio, merupakan fungsi nonlinier dari jumlah yang diinvestasikan pada setiap sekuritas dalam portofolio. Dalam kimia, konsentrasi masing-masing bahan kimia dalam suatu larutan sering kali merupakan fungsi waktu yang nonlinier, karena reaksi antar bahan kimia biasanya berlangsung menurut rumus eksponensial.

Masalah nonlinier dapat dikategorikan menurut beberapa sifat. Terdapat permasalahan yang tujuan dan batasannya merupakan fungsi mulus, dan terdapat permasalahan tidak mulus yang kemiringan atau nilai suatu fungsi dapat berubah secara tiba-tiba. Terdapat permasalahan tak terbatas yang tujuannya adalah meminimalkan (atau memaksimalkan) fungsi tujuan f (x) tanpa batasan pada nilai x, dan terdapat permasalahan terbatas yang komponen x harus memenuhi batasan tertentu atau batasan lain. hubungan timbal balik yang lebih kompleks. Di dalamsoal cembung, grafik fungsi tujuan dan himpunan layak keduanya cembung (di mana suatu himpunan dikatakan cembung jika suatu garis yang menghubungkan dua titik mana pun dalam himpunan tersebut terdapat di dalam himpunan tersebut). Kasus khusus lainnya adalahpemrograman kuadratik, yang batasannya linier tetapi fungsi tujuannya bersifat kuadrat; yaitu berisi suku-suku yang merupakan kelipatan hasil kali dua komponen x. (Misalnya, fungsi 3( x 1 ) ² + 1,4 x 1 x 2 + 2( x 2 ) ² adalah fungsi kuadrat dari x 1 dan x 2 .) Cara lain yang berguna untuk mengklasifikasikan soal nonlinier adalah berdasarkan banyaknya variabel (yaitu, komponen x). Secara sederhana, sebuah permasalahan dikatakan “besar” jika permasalahan tersebut mempunyai lebih dari seribu variabel atau lebih, meskipun ambang “kebesaran” terus meningkat seiring dengan semakin canggihnya kemampuan komputer. Perbedaan lain yang berguna adalah antara permasalahan yang secara komputasi “mahal” untuk dievaluasi dan permasalahan yang relatif murah, seperti halnya dalam pemrograman linier.

Algoritme pemrograman nonlinier biasanya dilanjutkan dengan membuat rangkaian tebakan vektor variabel x (dikenal sebagai iterasi dan dibedakan dengan superskrip x ¹ , x ² , x ³ , …) dengan tujuan untuk mengidentifikasi nilai x yang optimal. Seringkali tidak praktis untuk mengidentifikasi nilai x yang optimal secara global. Dalam kasus ini, kita harus memilih optimum lokal—nilai terbaik di beberapa wilayah solusi yang layak. Setiap iterasi dipilih berdasarkan pengetahuan tentang batasan dan fungsi tujuan yang dikumpulkan pada iterasi sebelumnya. Kebanyakan algoritma pemrograman nonlinier ditargetkan pada subkelas masalah tertentu. Sebagai contoh, beberapa algoritma secara khusus ditargetkan untuk masalah-masalah yang besar dan tidak dibatasi dengan halus dimana matriks turunan kedua dari f (x) mengandung sedikit entri bukan nol dan mahal untuk dievaluasi, sementara algoritma-algoritma lainnya ditujukan khusus untuk masalah-masalah pemrograman kuadrat cembung, dan sebagainya. pada.

Perangkat lunak untuk memecahkan masalah optimasi tersedia secara komersial dan dalam domain publik. Selain program optimasi komputer, sejumlah bahasa pemodelan optimasi juga tersedia yang memungkinkan pengguna untuk menggambarkan masalah dalam istilah intuitif , yang kemudian secara otomatis diterjemahkan ke dalam bentuk matematika yang diperlukan oleh perangkat lunak optimasi.

Disadur dari: britannica.com

Pengantar: Di Balik Hype Big Data dan Inovasi

Dalam dunia bisnis modern, istilah “big data” seringkali digaungkan sebagai kunci kesuksesan. Tapi seberapa dalam sebenarnya teknologi ini mempengaruhi proses inovasi? Berat Ilkay dalam tesisnya menyisir lebih dari 40 studi untuk menjawab pertanyaan krusial ini: bagaimana data besar memengaruhi setiap tahap dari proses pengembangan produk baru (NPD – New Product Development)?

Tesis ini menawarkan lebih dari sekadar gambaran umum. Ilkay menyusun framework konkret yang dapat dijadikan pedoman oleh perusahaan dalam memilih sumber data big data yang tepat untuk setiap fase inovasi.

 

Metodologi Kritis: Di Balik Sistematikanya

Berbasis systematic literature review (SLR), Ilkay mengkaji 45 artikel akademik, di mana 24 di antaranya memiliki kontribusi langsung terhadap pemetaan hubungan antara input big data dan fase inovasi. Pendekatannya mengandalkan:

• Pencarian literatur melalui Scopus dan Google Scholar
• Seleksi berdasarkan relevansi dengan pertanyaan riset
• Pengorganisasian temuan menjadi framework konseptual

Ini bukan sekadar review naratif, tapi upaya serius untuk membangun jembatan antara teori dan praktik.

 

Menyingkap Tahapan Proses Inovasi Produk

Menurut Ilkay, proses inovasi produk tidak terjadi dalam ruang hampa. Ia mengikuti tahapan yang relatif konsisten:

1. Idea Generation
2. Idea Screening
3. Concept Development
4. Marketing Strategy Development
5. Business Analysis
6. Product Development
7. Market Testing
8. Commercialization (dihapus dari model karena produk dianggap sudah matang)

Tugas utama tesis ini adalah memetakan co-creation data dari pelanggan ke dalam tiap tahap tersebut.

 

Lima Sumber Big Data Kunci

Ilkay membagi input big data dari sisi pelanggan ke dalam lima sumber utama:

1. Customer Voice

Data berasal dari ulasan, forum, media sosial, dan survei digital. Sangat berguna untuk:

• Ide awal produk (Ben & Jerry’s “Suggest a Flavor”)
• Pengembangan produk berbasis umpan balik nyata
• Tren desain melalui analisis teks ulasan produk (Amazon, Yelp)

2. Customer Engagement

Lebih dari sekadar mendengar, ini soal melibatkan pelanggan sebagai co-creator. Studi kasus Starbucks dengan platform MyStarbucksIdea mengumpulkan lebih dari 200.000 ide pelanggan, 1.000 di antaranya diimplementasikan.

3. Internet of Things (IoT)

Sensor dan perangkat pintar mengumpulkan data pengguna secara real-time. Contohnya:

• Data penggunaan sepeda pintar memberi insight terhadap desain ergonomis
• Feedback otomatis untuk penyempurnaan produk versi berikutnya

4. Neuromarketing

Mengukur aktivitas otak dan respons emosional terhadap iklan atau prototipe produk. Meski data yang dihasilkan belum selalu masuk kategori “big data” dalam volume, ia memberi nilai strategis di fase:

• Pengembangan konsep
• Pengujian pemasaran
• Segmentasi emosional

5. Search Data

Data dari mesin pencari seperti Google Trends membantu:

• Memprediksi minat pasar
• Merancang strategi produk berdasarkan pola pencarian konsumen

 

Membangun Framework Big Data-Inovasi

Tesis ini menyusun sebuah framework penting: Big Data Innovation Model, yang memetakan sumber data ke tahapan NPD. Hasilnya, bisa disimpulkan sebagai berikut:

• Customer Voice = efektif di fase awal hingga pengembangan produk
• Customer Engagement = mendukung hingga fase prototipe
• IoT = dominan di fase pengujian dan pengembangan produk
• Neuromarketing = sangat strategis dalam pengujian pasar
• Search Data = penting untuk analisis bisnis dan prediksi

 

Studi Kasus Nyata: Dari Ducati hingga Lego

Beberapa perusahaan besar telah mempraktikkan integrasi big data dalam NPD:

• Ducati menggunakan komunitas daring untuk menyaring dan menguji ide motor baru.
• Lego mengajak konsumen ikut merancang kit mainan baru lewat platform Lego Ideas.
• Adidas dan BMW memiliki platform crowdsourcing untuk menjaring ide produk dari fans setia.

Perusahaan-perusahaan ini tidak hanya mendengarkan, tapi secara aktif mempekerjakan data pelanggan dalam inovasi.

 

Nilai Tambah: Transformasi dari “Innovation from Data” ke “Innovation as Data”

Ilkay menyentuh perubahan paradigma penting: dari sekadar menggunakan data sebagai referensi, menuju menjadikan data sebagai bagian inti dari proses inovasi itu sendiri. Ini mengarah pada model “continuous innovation” yang terintegrasi dengan alur digital perusahaan.

 

Kritik Konstruktif terhadap Tesis

Walaupun tesis ini unggul dalam pemetaan konseptual dan menggabungkan berbagai literatur penting, ada beberapa celah:

• Minimnya validasi empiris melalui wawancara industri atau studi lapangan
• Tidak semua data “customer-generated” tergolong big data dalam definisi teknis
• Belum menyentuh aspek legal dan etika penggunaan data pelanggan secara mendalam

Namun demikian, tesis ini memberikan fondasi yang kuat untuk riset lanjutan dan bisa diterjemahkan ke dalam kebijakan inovasi di perusahaan.

 

Implikasi Nyata untuk Dunia Industri

Bagi pelaku bisnis, tesis ini menyarankan:

• Gunakan co-creation: Jangan hanya bertanya pada pelanggan, tapi libatkan mereka langsung.
• Segmentasi data: Sesuaikan sumber data dengan fase inovasi.
• Bangun infrastruktur data: Platform internal dan eksternal harus siap menerima dan mengolah big data.
• Berdayakan desainer dengan data: Bukan hanya data scientist yang perlu data, tapi juga product developer.

 

Penutup: Data Bukan Lagi Sekadar Bahan Bakar, Tapi Navigator Inovasi

Berat Ilkay menunjukkan bahwa big data bukan hanya mempercepat inovasi, tapi juga mendemokrasikannya—melibatkan pelanggan sebagai bagian dari tim inovator. Dengan pendekatan sistematis dan pemetaan yang rapi, tesis ini menyumbang pemahaman mendalam tentang bagaimana big data dapat diorkestrasi menjadi alat strategis dalam menciptakan produk yang lebih cepat, lebih baik, dan lebih relevan.

 

Sumber

Ilkay, B. (2020). Big Data and the Innovation Process: A Systematic Review. Master’s Thesis, University of Twente.

 

Prinsip-prinsip rekayasa keandalan untuk insinyur pabrik

Semakin banyak manajer dan insinyur yang bertanggung jawab atas manufaktur dan kegiatan industri lainnya memasukkan fokus keandalan ke dalam rencana dan inisiatif strategis dan taktis mereka. Tren ini memengaruhi berbagai area fungsional, termasuk desain dan pengadaan mesin/sistem, operasi pabrik, dan pemeliharaan pabrik.

Dengan asal-usulnya di industri penerbangan, rekayasa keandalan, sebagai sebuah disiplin ilmu, secara historis difokuskan terutama untuk memastikan keandalan produk. Kini, metode ini digunakan untuk memastikan keandalan produksi pabrik dan peralatan manufaktur - sering kali sebagai pendorong lean manufacturing. Artikel ini memberikan pengantar tentang metode yang paling relevan dan praktis untuk rekayasa keandalan pabrik, termasuk:

• Perhitungan keandalan dasar untuk tingkat kegagalan, MTBF, ketersediaan, dll.
• Pengenalan distribusi eksponensial - landasan metode keandalan.
• Mengidentifikasi ketergantungan waktu kegagalan dengan menggunakan sistem Weibull yang serbaguna.
• Mengembangkan sistem pengumpulan data lapangan yang efektif.

Sejarah rekayasa keandalan

Asal-usul bidang rekayasa keandalan, setidaknya permintaan untuk itu, dapat ditelusuri kembali ke titik di mana manusia mulai bergantung pada mesin untuk mata pencahariannya. Noria, misalnya, adalah pompa kuno yang dianggap sebagai mesin canggih pertama di dunia. Memanfaatkan energi hidrolik dari aliran sungai atau aliran air, Noria menggunakan ember untuk memindahkan air ke palung, jembatan, dan perangkat distribusi lainnya untuk mengairi ladang dan menyediakan air bagi masyarakat.

Jika komunitas Noria gagal, masyarakat yang bergantung pada Noria untuk pasokan makanan akan terancam. Kelangsungan hidup selalu menjadi sumber motivasi yang besar untuk keandalan dan ketergantungan.

Meskipun asal-usul permintaannya sudah ada sejak lama, rekayasa keandalan sebagai disiplin teknis benar-benar berkembang seiring dengan pertumbuhan penerbangan komersial setelah Perang Dunia II. Para manajer perusahaan industri penerbangan dengan cepat menyadari bahwa kecelakaan berdampak buruk bagi bisnis. Karen Bernowski, editor Quality Progress, mengungkapkan dalam salah satu editorialnya tentang penelitian tentang nilai media dari kematian melalui berbagai cara, yang dilakukan oleh profesor statistik MIT, Arnold Barnett, dan dilaporkan pada tahun 1994.

Barnett mengevaluasi jumlah artikel berita halaman depan New York Times per 1.000 kematian dengan berbagai cara. Dia menemukan bahwa kematian terkait kanker menghasilkan 0,02 artikel berita halaman depan per 1.000 kematian, pembunuhan menghasilkan 1,7 per 1.000 kematian, AIDS menghasilkan 2,3 per 1.000 kematian, dan kecelakaan terkait penerbangan menghasilkan 138,2 artikel per 1.000 kematian!

Biaya dan sifat kecelakaan terkait penerbangan yang tinggi membantu memotivasi industri penerbangan untuk berpartisipasi secara besar-besaran dalam pengembangan disiplin teknik keandalan. Demikian juga, karena sifat kritis peralatan militer dalam pertahanan, teknik rekayasa keandalan telah lama digunakan untuk memastikan kesiapan operasional. Banyak standar kami di bidang rekayasa keandalan adalah Standar MIL atau berasal dari kegiatan militer.

Apa itu rekayasa keandalan?

Rekayasa keandalan berhubungan dengan umur panjang dan ketergantungan suku cadang, produk, dan sistem. Lebih tepatnya, ini adalah tentang mengendalikan risiko. Rekayasa keandalan menggabungkan berbagai macam teknik analisis yang dirancang untuk membantu para insinyur memahami mode dan pola kegagalan suku cadang, produk, dan sistem ini. Secara tradisional, bidang rekayasa keandalan berfokus pada keandalan produk dan jaminan ketergantungan.

Dalam beberapa tahun terakhir, organisasi yang menggunakan mesin dan aset fisik lainnya dalam pengaturan produksi telah mulai menerapkan berbagai prinsip rekayasa keandalan untuk tujuan keandalan produksi dan jaminan ketergantungan.

Semakin banyak organisasi produksi yang menggunakan teknik rekayasa keandalan seperti Reliability-Centered Maintenance (RCM), termasuk analisis mode dan efek kegagalan (dan kekritisan) (FMEA, FMECA), analisis akar masalah (RCA), pemeliharaan berbasis kondisi, skema perencanaan kerja yang lebih baik, dll. Organisasi-organisasi yang sama mulai mengadopsi strategi desain dan pengadaan berbasis biaya siklus hidup, skema manajemen perubahan, serta alat dan teknik canggih lainnya untuk mengendalikan akar penyebab keandalan yang buruk.

Namun, adopsi aspek-aspek yang lebih kuantitatif dari rekayasa keandalan oleh komunitas jaminan keandalan produksi berjalan lambat. Hal ini sebagian disebabkan oleh kompleksitas teknik yang dirasakan dan sebagian lagi disebabkan oleh kesulitan memperoleh data yang berguna.

Aspek kuantitatif dari rekayasa keandalan mungkin, di permukaan, tampak rumit dan menakutkan. Namun pada kenyataannya, pemahaman yang relatif mendasar tentang metode yang paling mendasar dan dapat diterapkan secara luas dapat memungkinkan insinyur keandalan pabrik untuk mendapatkan pemahaman yang lebih jelas tentang di mana masalah terjadi, sifatnya, dan dampaknya terhadap proses produksi - setidaknya dalam pengertian kuantitatif.

Jika digunakan dengan benar, alat dan metode rekayasa keandalan kuantitatif memungkinkan rekayasa keandalan pabrik untuk menerapkan kerangka kerja yang disediakan oleh RCM, RCA, dll., Secara lebih efektif, dengan menghilangkan beberapa tebakan yang terlibat dalam penerapannya. Namun, para insinyur harus pandai dalam penerapan metode tersebut.

Mengapa? Konteks operasi dan lingkungan proses produksi menggabungkan lebih banyak variabel daripada dunia jaminan keandalan produk yang bersifat satu dimensi. Hal ini disebabkan oleh pengaruh gabungan dari rekayasa desain, pengadaan, produksi/operasi, pemeliharaan, dll., Dan kesulitan dalam menciptakan pengujian dan eksperimen yang efektif untuk memodelkan aspek multidimensi dari lingkungan produksi yang khas.

Meskipun ada peningkatan kesulitan dalam menerapkan metode keandalan kuantitatif di lingkungan produksi, tetap bermanfaat untuk mendapatkan pemahaman yang baik tentang alat bantu dan menerapkannya jika diperlukan. Data kuantitatif membantu mendefinisikan sifat dan besarnya masalah/peluang, yang memberikan visi keandalan dalam penerapan alat bantu rekayasa keandalan lainnya.

Artikel ini akan memberikan pengantar metode rekayasa keandalan paling dasar yang dapat diterapkan oleh insinyur pabrik yang tertarik dengan jaminan keandalan produksi. Ini mengandaikan pemahaman dasar tentang aljabar, teori probabilitas, dan statistik univariat berdasarkan distribusi Gaussian (normal) (misalnya ukuran kecenderungan sentral, ukuran dispersi dan variabilitas, interval kepercayaan, dll.).

Perlu dijelaskan bahwa makalah ini adalah pengantar singkat untuk metode reliabilitas. Ini sama sekali bukan survei komprehensif tentang metode rekayasa keandalan, dan juga bukan metode yang baru atau tidak konvensional. Metode yang dijelaskan di sini secara rutin digunakan oleh para insinyur keandalan dan merupakan konsep pengetahuan inti bagi mereka yang mengejar sertifikasi profesional oleh American Society for Quality (ASQ) sebagai insinyur keandalan (CRE).

Beberapa buku tentang rekayasa keandalan tercantum dalam daftar pustaka artikel ini. Penulis artikel ini telah menemukan Reliability Methods for Engineers oleh K.S. Krishnamoorthi dan Reliability Statistics oleh Robert Dovich sebagai referensi yang sangat berguna dan mudah digunakan tentang masalah metode rekayasa keandalan. Keduanya diterbitkan oleh ASQ Press.

Sebelum membahas metode, Anda harus membiasakan diri dengan nomenklatur rekayasa keandalan. Untuk kenyamanan, daftar istilah dan definisi kunci yang sangat ringkas disediakan di lampiran artikel ini. Untuk definisi yang lebih lengkap tentang istilah dan nomenklatur keandalan, lihat MIL-STD-721 dan standar terkait lainnya. Definisi yang terdapat dalam lampiran berasal dari MIL-STD-721.

Konsep matematika dasar dalam rekayasa keandalan

Banyak konsep matematika yang diterapkan pada rekayasa keandalan, terutama dari bidang probabilitas dan statistik. Demikian pula, banyak distribusi matematika dapat digunakan untuk berbagai tujuan, termasuk distribusi Gaussian (normal), distribusi log-normal, distribusi Rayleigh, distribusi eksponensial, distribusi Weibull, dan banyak lagi.

Untuk tujuan pengenalan singkat ini, kami akan membatasi diskusi kami pada distribusi eksponensial dan distribusi Weibull, dua distribusi yang paling banyak diterapkan pada rekayasa keandalan. Untuk kepentingan singkat dan sederhana, konsep matematika penting seperti distribusi goodness-of-fit dan interval kepercayaan telah dikecualikan.

Tingkat kegagalan dan waktu rata-rata antara/menuju kegagalan (MTBF/MTTF)

Tujuan pengukuran keandalan kuantitatif adalah untuk menentukan tingkat kegagalan relatif terhadap waktu dan untuk memodelkan tingkat kegagalan tersebut dalam distribusi matematis dengan tujuan untuk memahami aspek kuantitatif kegagalan. Blok bangunan yang paling dasar adalah laju kegagalan, yang diperkirakan menggunakan persamaan berikut:

Di mana:

• λ = Laju kegagalan (terkadang disebut sebagai laju bahaya)
• T = Total waktu berjalan/siklus/mil/dll. selama periode investigasi untuk item yang gagal dan yang tidak gagal.
• r = Jumlah total kegagalan yang terjadi selama periode investigasi.

Misalnya, jika lima motor listrik beroperasi selama total waktu kolektif 50 tahun dengan lima kegagalan fungsional selama periode tersebut, maka tingkat kegagalannya adalah 0,1 kegagalan per tahun.

Konsep lain yang sangat mendasar adalah waktu rata-rata antara/menuju kegagalan (MTBF/MTTF). Satu-satunya perbedaan antara MTBF dan MTTF adalah kami menggunakan MTBF ketika mengacu pada item yang diperbaiki ketika mengalami kegagalan. Untuk barang yang dibuang dan diganti begitu saja, kami menggunakan istilah MTTF. Perhitungannya sama.

Perhitungan dasar untuk memperkirakan waktu rata-rata antara kegagalan (MTBF) dan waktu rata-rata menuju kegagalan (MTTF), keduanya merupakan ukuran kecenderungan sentral, hanyalah kebalikan dari fungsi tingkat kegagalan. Hal ini dihitung dengan menggunakan persamaan berikut.

Di mana:

• θ = Waktu rata-rata antara/menuju kegagalan
• T = Total waktu berjalan/siklus/mil/dll. selama periode investigasi untuk item yang gagal dan yang tidak gagal.
• r = Jumlah total kegagalan yang terjadi selama periode investigasi.

MTBF untuk contoh motor listrik industri kami adalah 10 tahun, yang merupakan kebalikan dari tingkat kegagalan motor. Secara kebetulan, kami akan memperkirakan MTBF untuk motor listrik yang dibangun kembali setelah mengalami kegagalan. Untuk motor yang lebih kecil yang dianggap sekali pakai, kami akan menyatakan ukuran kecenderungan sentral sebagai MTTF.

Tingkat kegagalan adalah komponen dasar dari banyak perhitungan keandalan yang lebih kompleks. Bergantung pada desain mekanik/listrik, konteks operasi, lingkungan dan/atau efektivitas pemeliharaan, laju kegagalan mesin sebagai fungsi waktu dapat menurun, tetap konstan, meningkat secara linier, atau meningkat secara geometris (Gambar 1). Pentingnya tingkat kegagalan vs. waktu akan dibahas secara lebih rinci nanti.

_{sumber: reliableplant.com}

Gambar 1. skenario tingkat kegagalan vs waktu yang berbeda kurva 'bak mandi'

Individu yang hanya menerima pelatihan dasar dalam probabilitas dan statistik mungkin paling akrab dengan distribusi Gaussian atau normal, yang dikaitkan dengan kurva kepadatan probabilitas berbentuk lonceng yang sudah dikenal. Distribusi Gaussian umumnya dapat diterapkan pada kumpulan data di mana dua ukuran tendensi sentral yang paling umum, mean dan median, kurang lebih sama.

Anehnya, terlepas dari keserbagunaan distribusi Gaussian dalam memodelkan probabilitas untuk berbagai fenomena mulai dari nilai tes standar hingga berat lahir bayi, distribusi ini bukanlah distribusi yang dominan yang digunakan dalam rekayasa keandalan. Distribusi Gaussian memiliki tempatnya dalam mengevaluasi karakteristik kegagalan mesin dengan mode kegagalan yang dominan, tetapi distribusi utama yang digunakan dalam rekayasa keandalan adalah distribusi eksponensial.

Ketika mengevaluasi keandalan dan karakteristik kegagalan mesin, kita harus mulai dengan kurva “bak mandi” yang sering difitnah, yang mencerminkan laju kegagalan vs waktu (Gambar 2). Dalam konsepnya, kurva bak mandi secara efektif menunjukkan tiga karakteristik laju kegagalan dasar mesin: menurun, konstan, atau meningkat. Sayangnya, kurva bak mandi telah dikritik keras dalam literatur teknik pemeliharaan karena gagal memodelkan secara efektif karakteristik laju kegagalan untuk sebagian besar mesin di pabrik industri, yang umumnya berlaku pada tingkat makro.

Sebagian besar mesin menghabiskan masa pakainya pada masa awal kehidupan, atau kematian bayi, dan/atau daerah laju kegagalan konstan dari kurva bak mandi. Kami jarang melihat kegagalan berbasis waktu yang sistemik pada mesin industri. Terlepas dari keterbatasannya dalam memodelkan tingkat kegagalan mesin industri pada umumnya, kurva bak mandi adalah alat yang berguna untuk menjelaskan konsep dasar rekayasa keandalan.

_{sumber: reliableplant.com}

Gambar 2. Kurva 'bak mandi' yang banyak difitnah

Tubuh manusia adalah contoh yang sangat baik dari sistem yang mengikuti kurva bak mandi. Manusia, dan spesies organik lainnya dalam hal ini, cenderung mengalami tingkat kegagalan yang tinggi (kematian) selama tahun-tahun pertama kehidupannya, terutama beberapa tahun pertama, tetapi angka ini menurun seiring bertambahnya usia. Dengan asumsi seseorang mencapai pubertas dan bertahan hidup hingga masa remajanya, tingkat kematiannya menjadi cukup konstan dan tetap di sana hingga penyakit yang bergantung pada usia (waktu) mulai meningkatkan tingkat kematian (keausan).

Banyak pengaruh yang memengaruhi tingkat kematian, termasuk perawatan prenatal dan nutrisi ibu, kualitas dan ketersediaan perawatan medis, lingkungan dan nutrisi, pilihan gaya hidup dan, tentu saja, kecenderungan genetik. Faktor-faktor ini dapat diibaratkan sebagai faktor-faktor yang memengaruhi usia mesin. Desain dan pengadaan analog dengan kecenderungan genetik; instalasi dan commissioning analog dengan perawatan prenatal dan nutrisi ibu; dan pilihan gaya hidup serta ketersediaan perawatan medis analog dengan efektivitas pemeliharaan dan kontrol proaktif atas kondisi operasi.

Distribusi eksponensial

Distribusi eksponensial, formula prediksi keandalan yang paling dasar dan banyak digunakan, memodelkan mesin dengan tingkat kegagalan konstan, atau bagian datar dari kurva bak mandi. Sebagian besar mesin industri menghabiskan sebagian besar masa pakainya dalam tingkat kegagalan konstan, sehingga dapat diterapkan secara luas. Di bawah ini adalah persamaan dasar untuk memperkirakan keandalan mesin yang mengikuti distribusi eksponensial, di mana laju kegagalannya konstan sebagai fungsi waktu.

Di mana

• R(t) = Perkiraan keandalan untuk suatu periode waktu, siklus, mil, dll. (t).
• e = Basis dari logaritma natural (2.718281828)
• λ = Tingkat kegagalan (1/MTBF, atau 1/MTTF)

Dalam contoh motor listrik kita, jika Anda mengasumsikan tingkat kegagalan yang konstan, kemungkinan menjalankan motor selama enam tahun tanpa kegagalan, atau keandalan yang diproyeksikan, adalah 55 persen. Ini dihitung sebagai berikut:

• R(6) = 2.718281828-(0.1* 6)
• R(6) = 0.5488 = ~ 55%

Dengan kata lain, setelah enam tahun, sekitar 45% dari populasi motor identik yang beroperasi dalam aplikasi yang identik secara probabilistik dapat diperkirakan akan mengalami kegagalan. Perlu ditegaskan kembali pada titik ini bahwa perhitungan ini memproyeksikan probabilitas untuk suatu populasi. Setiap individu tertentu dari populasi dapat gagal pada hari pertama operasi sementara individu lain dapat bertahan selama 30 tahun. Itulah sifat proyeksi keandalan probabilistik.

Karakteristik dari distribusi eksponensial adalah MTBF terjadi pada titik di mana keandalan yang dihitung adalah 36,78%, atau titik di mana 63,22% mesin telah gagal. Dalam contoh motor kami, setelah 10 tahun, 63,22% motor dari populasi motor identik yang melayani aplikasi yang sama dapat diperkirakan akan gagal. Dengan kata lain, tingkat kelangsungan hidup adalah 36,78% dari populasi.

Kami sering berbicara tentang umur bantalan yang diproyeksikan sebagai umur L10. Ini adalah titik waktu di mana 10% dari populasi bearing diperkirakan akan gagal (tingkat kelangsungan hidup 90%). Pada kenyataannya, hanya sebagian kecil dari bearing yang benar-benar bertahan hingga titik L10. Kami telah menerima itu sebagai umur obyektif untuk sebuah bearing ketika mungkin kita harus mengarahkan pandangan kita pada titik L63.22, yang menunjukkan bahwa bearing kita bertahan, rata-rata, hingga MTBF yang diproyeksikan - dengan asumsi, tentu saja, bearing mengikuti distribusi eksponensial. Kita akan membahas masalah itu nanti di bagian analisis Weibull dalam artikel ini.

Fungsi kepadatan probabilitas (pdf), atau distribusi umur, adalah persamaan matematika yang mendekati distribusi frekuensi kegagalan. Ini adalah pdf, atau distribusi frekuensi hidup, yang menghasilkan kurva berbentuk lonceng yang sudah dikenal dalam distribusi Gaussian, atau normal. Di bawah ini adalah pdf untuk distribusi eksponensial.

Dimana

• pdf(t) = Distribusi frekuensi hidup untuk waktu tertentu (t)
• e = Basis dari logaritma natural (2.718281828)
• λ = Laju kegagalan (1/MTBF, atau 1/MTTF)
• Dalam contoh motor listrik kita, kemungkinan kegagalan aktual pada tiga tahun dihitung sebagai berikut:
• pdf(3) = 01. * 2.718281828-(0.1* 3)
• pdf(3) = 0.1 * 0.7408
• pdf(3) = 0,7408 = ~ 7,4%.

Dalam contoh kita, jika kita mengasumsikan tingkat kegagalan konstan, yang mengikuti distribusi eksponensial, distribusi umur, atau pdf untuk motor listrik industri, dinyatakan dalam Gambar 3. Jangan bingung dengan sifat penurunan fungsi pdf. Ya, laju kegagalan konstan, tetapi pdf secara matematis mengasumsikan kegagalan tanpa penggantian, sehingga populasi yang dapat mengalami kegagalan terus berkurang - secara asimtotik mendekati nol.

_{sumber: reliableplant.com}

Gambar 3. fungsi kepadatan probabilitas (pdf)

Fungsi distribusi kumulatif (cdf) hanyalah jumlah kumulatif kegagalan yang mungkin terjadi selama periode waktu tertentu. Untuk distribusi eksponensial, tingkat kegagalan adalah konstan, sehingga tingkat relatif di mana komponen yang gagal ditambahkan ke cdf tetap konstan. Namun, ketika populasi menurun sebagai akibat dari kegagalan, jumlah aktual kegagalan yang diperkirakan secara matematis menurun sebagai fungsi dari populasi yang menurun. Sama seperti pdf yang secara asimtotik mendekati nol, cdf secara asimtotik mendekati satu (Gambar 4).

_{sumber: reliableplant.com}

Gambar 4. Laju kegagalan dan fungsi distribusi kumulatif

Bagian laju kegagalan yang menurun dari kurva bak mandi, yang sering disebut daerah kematian bayi, dan daerah keausan akan dibahas pada bagian berikut yang membahas distribusi Weibull serbaguna.

Distribusi weibull

Awalnya dikembangkan oleh Wallodi Weibull, seorang ahli matematika Swedia, analisis Weibull merupakan distribusi yang paling serbaguna yang digunakan oleh para insinyur keandalan. Meskipun disebut distribusi, ini sebenarnya adalah alat yang memungkinkan insinyur keandalan untuk pertama-tama mengkarakterisasi fungsi kepadatan probabilitas (distribusi frekuensi kegagalan) dari sekumpulan data kegagalan untuk mengkarakterisasi kegagalan sebagai awal masa pakai, konstan (eksponensial) atau aus (Gaussian atau log normal) dengan memplot data waktu ke kegagalan pada kertas plotting khusus dengan log waktu / siklus / mil ke kegagalan yang diplotkan pada sumbu X berskala log versus persen kumulatif populasi yang diwakili oleh setiap kegagalan pada sumbu Y berskala log (Gambar 5).

_{sumber: reliableplant.com}

Gambar 5. Plot Weibull Sederhana - Beranotasi

Setelah diplot, kemiringan linier dari kurva yang dihasilkan adalah variabel penting, yang disebut parameter bentuk, diwakili oleh â, yang digunakan untuk menyesuaikan distribusi eksponensial agar sesuai dengan sejumlah besar distribusi kegagalan. Secara umum, jika koefisien â, atau parameter bentuk, kurang dari 1,0, distribusi tersebut menunjukkan kegagalan kehidupan awal, atau kematian bayi. Jika parameter bentuk melebihi sekitar 3,5, data bergantung pada waktu dan mengindikasikan kegagalan keausan.

Kumpulan data ini biasanya mengasumsikan distribusi Gaussian, atau normal. Ketika koefisien â meningkat di atas ~ 3,5, distribusi berbentuk lonceng akan mengencang, menunjukkan peningkatan kurtosis (puncak di bagian atas kurva) dan deviasi standar yang lebih kecil. Banyak set data akan menunjukkan dua atau bahkan tiga wilayah yang berbeda.

Merupakan hal yang umum bagi para insinyur keandalan untuk memplot, misalnya, satu kurva yang mewakili parameter bentuk selama proses dan kurva lain untuk mewakili tingkat kegagalan yang konstan atau meningkat secara bertahap. Dalam beberapa kasus, kemiringan linier ketiga yang berbeda muncul untuk mengidentifikasi bentuk ketiga, yaitu daerah keausan.

Dalam kasus ini, pdf dari data kegagalan sebenarnya mengasumsikan bentuk kurva bak mandi yang sudah dikenal (Gambar 6). Namun, sebagian besar peralatan mekanis yang digunakan di pabrik, menunjukkan daerah kematian bayi dan daerah laju kegagalan yang konstan atau meningkat secara bertahap. Jarang sekali ada kurva yang menunjukkan keausan yang muncul. Umur karakteristik, atau η (huruf kecil Yunani “Eta”), adalah perkiraan Weibull dari MTBF. Ini selalu merupakan fungsi dari waktu, jarak tempuh atau siklus di mana 63,21% unit yang dievaluasi mengalami kegagalan, yang merupakan MTBF/MTTF untuk distribusi eksponensial.

Disadur dari: reliableplant.com

Era Big Data: Mengapa Penting Bagi Manajemen Proses?

Dalam dua dekade terakhir, revolusi digital menghadirkan perubahan masif dalam cara organisasi mengelola informasi dan proses bisnisnya. Salah satu teknologi yang paling transformatif adalah big data—sekumpulan data berskala masif, bervariasi, dan mengalir dengan sangat cepat (volume, variety, velocity).

Namun, seperti yang diungkapkan oleh Ephraim dan Sehic dalam tesis mereka, big data masih jauh dari kata optimal dalam konteks manajemen proses. Meskipun potensinya besar, adopsi nyata di perusahaan masih terbatas dan seringkali tidak menyentuh aspek proses secara holistik.

 

Tujuan Tesis: Menyatukan Dua Dunia yang Sering Terpisah

Tesis ini mencoba menjawab dua pertanyaan utama:

1. Bagaimana big data digunakan dalam manajemen proses menurut literatur?
2. Apa tujuan dan tantangan penggunaan big data di organisasi Swedia menurut survei?

Untuk menjawab ini, penulis menggabungkan studi literatur dengan survei dan wawancara di berbagai sektor industri. Pendekatan ini memperkaya perspektif teoretis dengan pengalaman nyata di lapangan.

 

3 Pilar Penggunaan Big Data dalam Manajemen Proses

Dalam studi ini, manajemen proses dibagi menjadi tiga aktivitas utama:

• Pengembangan & pemetaan proses
• Analisis & perbaikan proses
• Kontrol & kelincahan proses (agility)

Big data digunakan terutama untuk dua hal terakhir—analisis dan kontrol proses—sementara untuk pemetaan dan pengembangan masih minim eksplorasi.

Temuan utama:

• 80% aplikasi big data ditemukan dalam analisis dan kontrol proses.
• Kurang dari 20% digunakan untuk pengembangan awal proses.

Hal ini menunjukkan bahwa perusahaan cenderung menggunakan data untuk reaktif, bukan proaktif.

 

Studi Kasus: Industri Minyak dan Gas

Dalam tinjauan literatur, salah satu studi menarik berasal dari sektor minyak dan gas (Sumbal et al., 2019). Di sini, big data digunakan untuk:

• Mengembangkan katalis dalam proses likuifikasi gas, mempercepat waktu R&D dari beberapa tahun menjadi hanya 13 bulan.
• Maintenance prediktif melalui sensor pada turbin dan kompresor yang memotong biaya dan downtime.
• Deteksi otomatis kebocoran minyak lewat citra satelit.

Namun, tantangannya juga nyata:

• Kurangnya kompetensi data science
• Rendahnya integrasi antar database
• Keengganan manajemen puncak untuk berinvestasi besar pada teknologi yang belum familiar

 

Survei di Swedia: Jarak antara Potensi dan Realisasi

Survei terhadap organisasi di Swedia mengungkap hasil yang mengejutkan:

• Mayoritas responden mengakui big data bermanfaat, tapi tidak menggunakannya secara aktif.
• Tujuan utama penggunaan adalah untuk pengambilan keputusan yang lebih baik dan efisiensi proses.
• Tantangan terbesar? Kompleksitas pengelolaan data dan kurangnya komitmen dari manajemen atas.

Temuan menarik:

• Hanya 9 responden, namun mayoritas adalah manajer dan peneliti.
• Organisasi besar lebih cenderung mengadopsi big data dibandingkan perusahaan kecil.
• Banyak yang ingin menggunakan big data di masa depan tapi tidak tahu harus mulai dari mana.

 

Framework Praktis: Matriks Analisis Big Data

Penulis menyusun sebuah matriks yang memetakan dimensi manajemen proses dengan aplikasi big data. Ini menciptakan peta visual bagaimana data bisa digunakan di setiap tahapan:

• Process Mapping & Development: rendah
• Process Analysis & Improvement: tinggi
• Process Control & Agility: tinggi

Artinya, potensi penggunaan data secara strategis di tahap perencanaan masih terbuka lebar.

 

Kritik dan Refleksi: Apa yang Bisa Diperbaiki?

Meski tesis ini memberikan insight mendalam, ada beberapa keterbatasan:

• Survei hanya mendapat sedikit responden (9 orang), sehingga tidak bisa digeneralisasi.
• Fokus utama masih pada organisasi di Swedia, kurang mencerminkan global trend.
• Belum banyak eksplorasi tentang teknologi spesifik seperti AI, machine learning, atau data lake secara teknis.

Namun, kekuatan terbesar tesis ini adalah penggabungan teori dan praktik, yang masih langka di bidang ini.

 

Implikasi Praktis untuk Dunia Industri

Berikut adalah langkah-langkah konkret untuk organisasi yang ingin mengintegrasikan big data dalam manajemen proses:

1. Mulai dari Tujuan, Bukan Teknologi

Fokus pada value creation yang diinginkan. Misalnya: efisiensi waktu produksi, prediksi permintaan, atau pengurangan kegagalan proses.

2. Bangun Kompetensi Internal

Rekrut atau latih tim yang bisa menjembatani antara proses bisnis dan teknologi data.

3. Gunakan Data untuk Desain Proses, Bukan Hanya Monitoring

Manfaatkan big data dalam desain ulang proses (redesign) agar lebih adaptif sejak awal.

4. Ciptakan Budaya Berbasis Data

Kembangkan budaya kerja yang menghargai keputusan berbasis data, bukan intuisi atau hierarki semata.

 

Kesimpulan: Big Data adalah Mesin, Tapi Proses adalah Kendalinya

Big data memang menjanjikan transformasi besar bagi manajemen proses. Tapi tanpa integrasi yang matang, potensi tersebut bisa hilang sia-sia. Seperti yang ditunjukkan oleh Ephraim dan Sehic, perlu sinergi antara teknologi, strategi, dan budaya organisasi.

Tesis ini menjadi pengingat penting bahwa transformasi digital bukan hanya soal alat canggih, tetapi juga soal cara kita berpikir, merancang, dan menjalankan proses.

 

Sumber

Ephraim, E. E., & Sehic, S. (2021). The Use of Big Data in Process Management: A Literature Study and Survey Investigation. Master’s Thesis, Linköping University.

 

Apa yang dimaksud dengan analis riset operasi? 

Bisnis biasanya membutuhkan operasi yang optimal untuk memenuhi tujuan mereka. Mereka mempekerjakan para ahli dalam analisis riset operasi untuk meningkatkan praktik mereka dengan mempelajari kebutuhan sumber daya, efektivitas biaya, distribusi produk, dan faktor-faktor lain yang memengaruhi aktivitas bisnis sehari-hari. Mempelajari apa saja yang dibutuhkan dalam pekerjaan ini dapat membantu Anda menentukan apakah ini adalah pilihan karier yang tepat untuk Anda. Dalam artikel ini, kami mendefinisikan analis riset operasi, memberikan contoh perusahaan, membuat daftar tugas, keterampilan, dan lingkungan kerja, serta menjelaskan bagaimana cara mengejar peran ini. 

Apa yang dimaksud dengan analis riset operasi?

Seorang analis riset operasi mengumpulkan dan menganalisis data untuk memahami masalah operasional dan merancang cara untuk meningkatkan proses bisnis. Jabatan ini juga bisa disebut sebagai analis operasi, konsultan operasi, peneliti operasi, atau peneliti operasional. Peneliti operasional sering kali menggunakan teknik-teknik canggih untuk meningkatkan proses bisnis. Misalnya, mereka dapat menerapkan pemodelan matematika, analisis statistik, dan analisis data besar untuk meningkatkan operasi. Mereka meneliti dan mengoptimalkan praktik bisnis untuk membantu institusi beroperasi dengan baik dengan sumber daya yang lebih sedikit. Para analis ini dapat mengevaluasi data dari berbagai sumber, seperti basis data komputer, umpan balik pelanggan, atau riwayat penjualan. Mereka dapat menggunakan keahlian mereka untuk mengubah catatan tersebut menjadi aset intelijen untuk kiat atau solusi bisnis. Manajer, eksekutif, dan pengambil keputusan lainnya meninjau laporan, memo, dan catatan lainnya untuk mengumpulkan temuan. Penemuan dan rekomendasi mereka dapat membantu para manajer mempelajari berbagai alternatif atau tindakan. 

Pemberi kerja yang umum

Berikut adalah beberapa institusi yang mungkin mempekerjakan mereka:

Layanan penelitian operasional pemerintah (Government Operational Research Service/GORS)

Lembaga ini dapat mempekerjakan analis operasi untuk berbagai departemen yang menentukan dan melaksanakan strategi pemerintah. Mereka dapat membantu entitas pemerintah meramalkan permintaan untuk layanan tertentu atau membuat model dampak dari undang-undang yang diusulkan.

Lembaga jasa keuangan

Lembaga ini dapat mempekerjakan analis operasi untuk membantu mereka meningkatkan proses bisnis atau meminimalkan risiko keuangan atau investasi. Sebagai contoh, mereka dapat membantu bank-bank besar atau lembaga keuangan untuk meningkatkan layanan pelanggan atau keputusan investasi.

Fasilitas kesehatan

Entitas ini mempekerjakan analis operasi untuk mengoptimalkan layanan atau proses perawatan kesehatan mereka. Peneliti operasional dapat membantu mengurangi waktu tunggu pasien, menurunkan biaya, dan meningkatkan efisiensi.

Entitas manufaktur

Lembaga-lembaga ini dapat mempekerjakan analis operasional untuk mengoptimalkan proses manufaktur atau menyelesaikan tantangan manufaktur. Peneliti operasional dapat membantu mereka meningkatkan efisiensi manufaktur, mengoptimalkan investasi modal, dan mengurangi biaya produksi.

Entitas pertahanan

Lembaga-lembaga ini dapat mempekerjakan analis operasi untuk menganalisis misi, seperti intervensi bencana. Peneliti operasional juga dapat memberi saran kepada pengambil keputusan tentang alokasi sumber daya misi.

Konsultan manajemen

Para analis ini dapat membantu konsultan manajemen dalam riset operasi, pemodelan bisnis, atau analisis statistik. Hasil kerja peneliti operasional dapat memberikan mereka wawasan atau rekomendasi untuk klien.

Institusi ritel

Entitas ini dapat mempekerjakan peneliti operasi untuk menganalisis informasi pelanggan dan pasar. Analis operasi dapat membantu organisasi-organisasi ini memahami pola permintaan, meningkatkan layanan pelanggan, dan mengurangi biaya ritel.

Universitas dan organisasi penelitian

Entitas ini dapat mempekerjakan analis operasi untuk mengajar atau memandu program mereka. Sebagai contoh, peneliti operasi dapat meninjau kurikulum universitas dan merekomendasikan modifikasi atau penggantian untuk mengoptimalkan sumber daya.

Tugas dan tanggung jawab

Peneliti operasional dapat memiliki berbagai tanggung jawab organisasi tergantung pada kualifikasi, posisi, atau pengalaman mereka. Berikut adalah beberapa tugas umum mereka:

• Mengumpulkan dan menganalisis kumpulan data dari sistem operasi perusahaan untuk mendukung pengambilan keputusan
• Mengembangkan proses dan metode bisnis, seperti solusi logistik atau jadwal produksi
• Menggunakan pemodelan statistik untuk menganalisis data, menentukan tantangan prosedural, dan menyajikan solusi potensial
• Mendukung para pemimpin dan pengambil keputusan dengan intelijen dan alternatif untuk membantu mereka membuat keputusan yang tepat
• Mengumpulkan pandangan dan saran dari pihak-pihak yang berkepentingan untuk meningkatkan operasi
• Menulis laporan dan presentasi yang dapat membantu pihak-pihak yang berkepentingan untuk memahami rekomendasi atau temuan mereka
• Membuat jaringan biaya dan waktu untuk mengelola proyek
• Menguji model untuk memastikan model tersebut akurat dan bermanfaat
• Menggunakan model matematika untuk menentukan atau memahami masalah operasional
• Mendefinisikan kebutuhan data perusahaan, memvalidasi catatan, dan mengevaluasi potensi rekomendasi pemecahan masalah menggunakan analisis statistik
• Meneliti praktik industri dan merekomendasikan ide pengembangan bisnis yang potensial
• Melibatkan manajer, departemen, dan tim untuk memahami masalah dan tujuan mereka
• Menguraikan batasan dan kekuatan analisis mereka untuk memandu para pengambil keputusan dan pihak-pihak lain yang berkepentingan

Keterampilan utama

Berikut adalah beberapa keterampilan penting untuk pekerjaan ini:

Riset operasi

Peneliti operasional dapat menggunakan kompetensi riset operasi untuk mengevaluasi proses kelembagaan dan menentukan program potensial, prioritas investasi, dan area pengeluaran. Mereka juga dapat menggunakan keahlian ini untuk menemukan tren atau praktik-praktik pesaing yang dapat meningkatkan operasi organisasi. Para eksekutif dan pemimpin lainnya dapat menggunakan temuan dan laporan mereka untuk memandu pengambilan keputusan. 

Analisis statistik

Analis operasi dapat menggunakan simulasi atau analisis statistik untuk mengevaluasi informasi dan mengembangkan solusi untuk tantangan bisnis. Sebagai contoh, mereka dapat menggunakan model atau program statistik untuk menganalisis informasi yang dikumpulkan. Pekerjaan mereka dapat menghasilkan solusi potensial atau menguji hipotesis. 

Analisis data

Bisnis dapat mengumpulkan banyak data dari berbagai sumber. Peneliti operasional dapat mengumpulkan data dan menganalisisnya untuk menentukan informasi yang relevan. Sebagai contoh, mereka dapat menggunakan perangkat lunak pembersih data untuk menyortir catatan. Informasi yang relevan dapat mendukung pengambilan keputusan dan meningkatkan operasi organisasi. Analis operasi juga dapat menganalisis data untuk mengembangkan kesimpulan atau rekomendasi. 

Visualisasi

Analis operasi dapat mengambil manfaat dari kemampuan visualisasi saat mempresentasikan temuan atau proses mereka. Mereka dapat memprediksi kebutuhan pihak-pihak yang berkepentingan dan menggunakan bagan, grafik, atau program visualisasi komputer untuk memenuhinya. Eksekutif atau pemimpin dapat meninjau laporan mereka untuk menemukan tantangan organisasi dan solusi potensial. 

Matematika

Peneliti operasi menggunakan keterampilan matematika untuk menghitung berbagai persamaan. Sebagai contoh, kompetensi ini dapat membantu mereka memahami biaya atau kemajuan. Model matematika, simulasi, dan instrumentasi dapat membantu mereka melakukan analisis kuantitatif. Perhitungan dan proses ini dapat menghasilkan informasi yang lebih bermanfaat dan wawasan yang dapat ditindaklanjuti bagi para pengambil keputusan.

Berpikir kritis

Peneliti operasional menggunakan keterampilan berpikir kritis untuk menemukan tantangan yang dihadapi organisasi. Mereka juga dapat menerapkan kemahiran ini untuk mengembangkan dan mengevaluasi solusi potensial. Manajer dan eksekutif dapat menggunakan saran mereka untuk membuat keputusan yang dapat meningkatkan operasi bisnis atau mengatasi tantangan: Apa itu keterampilan berpikir kritis dan bagaimana penggunaannya?

Lingkungan kerja

Perusahaan dapat mempekerjakan peneliti operasi secara penuh waktu, ad hoc, atau kontrak. Mereka sering bekerja di kantor, tetapi dapat melakukan perjalanan untuk bertemu klien atau menghadiri konferensi. Mereka menggunakan program komputer untuk mengumpulkan dan menganalisis data. Para analis ini biasanya bekerja dengan jam kerja standar yang dapat diperpanjang untuk memenuhi tenggat waktu atau memberikan solusi yang mendesak. Setelah mendapatkan pengalaman, mereka dapat bekerja sebagai konsultan lepas yang mungkin melibatkan perjalanan ke luar negeri.

Bagaimana menjadi seorang analis riset operasi

Berikut adalah empat langkah yang bisa Anda tinjau untuk mengetahui bagaimana cara menekuni pekerjaan ini:

Dapatkan pendidikan yang relevan

Gelar sarjana di bidang matematika, riset operasional, atau bidang terkait lainnya diperlukan untuk masuk ke dalam peran ini. Pendidikan ini mempersiapkan Anda untuk aspek-aspek kunci dari pekerjaan ini, seperti ekonomi, statistik, atau komputasi. Beberapa perusahaan lebih memilih kandidat dengan kualifikasi pascasarjana dalam ilmu manajemen atau riset operasional. 

Dapatkan pengalaman kerja

Memiliki pengalaman kerja yang relevan dapat meningkatkan peluang Anda untuk mendapatkan pekerjaan peneliti operasional. Pertimbangkan program magang atau job shadowing untuk mempelajari peran dan industri untuk mengembangkan keterampilan Anda. 

Pertimbangkan pengembangan profesional

Selesaikan kursus pelatihan atau hadiri konferensi untuk menikmati kemajuan karier. Program-program ini dapat membantu Anda mengikuti perkembangan profesi. Program-program ini juga memungkinkan Anda untuk membangun jaringan dan menemukan peluang kerja. Individu dalam jaringan Anda dapat memberi tahu orang lain tentang keterampilan atau ketersediaan Anda.

Melamar peluang kerja

Periksa papan lowongan kerja dan situs web perusahaan untuk menemukan pekerjaan analis operasi. Tinjau rekomendasi dari kontak jaringan Anda tentang peluang kerja. Jelajahi deskripsi pekerjaan peran tersebut dan sesuaikan dokumen lamaran Anda. Tunjukkan keahlian dan kualifikasi Anda yang relevan untuk posisi tersebut.

Disadur dari: indeed.com