Application of Digital-Twin Technology for the Job-Shop Scheduling Problem (Moradi, 2022)

Dipublikasikan oleh Anjas Mifta Huda

28 Agustus 2025, 13.17

sumber: pexels.com

Dalam dunia manufaktur modern, persoalan job-shop scheduling problem (JSSP) sudah lama menjadi salah satu tantangan klasik yang harus dipecahkan oleh para insinyur industri dan perencana produksi. JSSP pada dasarnya adalah permasalahan penjadwalan pekerjaan yang sangat kompleks karena setiap pekerjaan memiliki urutan operasi berbeda, setiap mesin memiliki keterbatasan kapasitas, dan selalu ada ketidakpastian terkait waktu pemrosesan maupun kondisi peralatan. Jika penjadwalan dilakukan dengan cara tradisional, risiko keterlambatan, inefisiensi penggunaan mesin, dan meningkatnya biaya produksi bisa sangat besar.

Dalam tesis berjudul Application of Digital-Twin Technology for the Job-Shop Scheduling Problem karya Vahid Moradi (2022), penulis menghadirkan pendekatan baru yang mengombinasikan Digital Twin (DT) dengan Machine Learning (ML) untuk memberikan solusi praktis pada JSSP. Digital Twin di sini dipahami sebagai representasi virtual yang selalu diperbarui dari sistem produksi nyata sehingga bisa digunakan untuk simulasi, prediksi, serta pengambilan keputusan berbasis data real-time. Dengan demikian, penelitian ini tidak hanya relevan secara akademis, tetapi juga memiliki potensi penerapan langsung pada dunia industri.

Resensi ini bertujuan untuk memberikan tinjauan menyeluruh atas isi tesis tersebut, memaparkan data dan hasil penelitian, serta menambahkan analisis interpretatif tentang dampaknya pada dunia nyata. Dengan pendekatan praktis dan aplikatif, pembahasan ini diharapkan bisa menjawab pertanyaan penting: sejauh mana Digital Twin benar-benar bisa membantu industri manufaktur meningkatkan efisiensi produksi, menekan biaya, dan mengurangi downtime mesin?

Latar Belakang: Dari JSSP ke Digital Twin

Job-Shop Scheduling Problem

Job-shop scheduling problem (JSSP) adalah persoalan penjadwalan di mana sejumlah pekerjaan harus dialokasikan pada sejumlah mesin yang berbeda, dengan setiap pekerjaan memiliki urutan operasi tertentu. Permasalahan ini dikategorikan sebagai NP-hard problem, artinya tingkat kompleksitasnya meningkat secara eksponensial seiring bertambahnya jumlah pekerjaan dan mesin.

Dalam praktik industri, penyelesaian JSSP biasanya menggunakan dua pendekatan besar:

  1. Mathematical Optimization (Optimasi Matematis): menggunakan metode heuristik atau meta-heuristik seperti tabu search, genetic algorithm, dan simulated annealing. Namun metode ini sering kali membutuhkan simplifikasi besar agar bisa dihitung, sehingga akurasinya menurun.
  2. Simulation-Based Optimization (Optimasi Berbasis Simulasi): menggunakan software simulasi seperti Arena, AnyLogic, atau Simulink untuk meniru dinamika shop floor. Kelebihannya adalah bisa menangani sistem yang lebih realistis, termasuk variabilitas dan kegagalan mesin.

Kendati demikian, simulation-based optimization tradisional tetap menghadapi tantangan besar. Data yang digunakan umumnya bersifat statis, tidak diperbarui secara real-time, dan sulit untuk menyesuaikan diri terhadap perubahan mendadak di lapangan. Di sinilah Digital Twin hadir sebagai jawaban.

Digital Twin: Jembatan Dunia Nyata dan Virtual

Digital Twin (DT) adalah representasi virtual dari sistem fisik yang terhubung secara langsung dengan data real-time dari shop floor melalui sensor, Industrial Internet of Things (IIoT), dan Cyber-Physical Systems (CPS). Dengan DT, setiap perubahan di dunia nyata langsung tercermin di model virtual, dan sebaliknya, hasil simulasi di dunia virtual dapat langsung diimplementasikan untuk mengatur operasi di dunia nyata.

Moradi menekankan bahwa keunggulan DT dibandingkan simulasi tradisional ada pada tiga hal utama:

  • Real-time data accessibility: data produksi yang ditangkap sensor bisa langsung diproses untuk memperbarui simulasi.
  • Dynamic scheduling: jadwal bisa disesuaikan secara otomatis begitu ada gangguan seperti kegagalan mesin atau perubahan permintaan.
  • Cloud-based computation: kekuatan komputasi awan memungkinkan analisis cepat dan respon instan terhadap kondisi tidak terduga.

Dengan kata lain, Digital Twin mengubah simulasi statis menjadi ekosistem dinamis yang responsif, pintar, dan adaptif.

Tujuan dan Kontribusi Penelitian Moradi

Penelitian ini secara khusus berfokus pada case study di stamping shop perusahaan American Automotive Limited (AAL). Beberapa kontribusi penting yang ditawarkan tesis ini antara lain:

  • Mengembangkan model simulasi job-shop berbasis Digital Twin dengan software Arena.
  • Menggunakan machine learning (ML) untuk membuat model prediksi kegagalan mesin, dengan data sensor seperti temperatur, kecepatan rotasi, torsi, dan keausan alat.
  • Mengimplementasikan Condition-Based Maintenance (CBM) berdasarkan hasil prediksi kegagalan, sehingga jadwal pemeliharaan menjadi lebih efisien.
  • Membandingkan hasil DT dengan simulasi tradisional, khususnya terkait keakuratan prediksi, efisiensi jadwal, dan pengurangan downtime.

Dengan pendekatan ini, tesis Moradi tidak hanya membuktikan secara konseptual bahwa DT bisa diterapkan untuk JSSP, tetapi juga menunjukkan keunggulannya melalui data dan hasil konkret.

Metodologi: Dari Data Sensor ke Prediksi dan Optimasi

Data dan Asumsi

Dataset yang digunakan berisi 10.000 catatan kondisi mesin stamping, dengan variabel utama seperti:

  • Air temperature (K)
  • Process temperature (K)
  • Rotational speed (rpm)
  • Torque (Nm)
  • Tool wear (minutes)
    Selain itu, setiap catatan diberi label status mesin: normal atau failure.

Asumsi utama penelitian adalah bahwa data dikumpulkan setiap 30 menit, sehingga mewakili sekitar 5.000 jam kerja mesin. Dari data ini, tercatat 339 kali kegagalan mesin (sekitar 3,39% dari total data), dengan penyebab utama:

  • Heat Dissipation Failure (HDF): 115 kali
  • Tool Wear Failure (TWF): 46 kali
  • Power Failure (PWF): 95 kali
  • Overstrain Failure (OSF): 98 kali

Algoritma Machine Learning

Moradi membandingkan dua teknik utama: Decision Tree (DT) dan Random Forest (RF).

  • Decision Tree: lebih sederhana, mudah diinterpretasikan, tetapi cenderung overfitting.
  • Random Forest: ensemble dari banyak decision tree, lebih stabil, dan biasanya memberikan akurasi lebih tinggi.

Proses yang dilakukan meliputi:

  1. Data cleaning untuk menghapus outlier.
  2. Splitting dataset menjadi training set (75%) dan test set (25%).
  3. Melatih model ML dengan data training.
  4. Mengukur akurasi dengan confusion matrix dan skor akurasi.

Integrasi dengan Digital Twin

Hasil model prediksi kegagalan kemudian dihubungkan dengan simulasi job scheduling di Arena. Dengan demikian, jadwal produksi tidak hanya mempertimbangkan permintaan dan kapasitas mesin, tetapi juga probabilitas kegagalan mesin berdasarkan data real-time.

Hasil Penelitian

Akurasi Model Prediksi

  • Decision Tree Classifier: akurasi sekitar 88%, tetapi rawan bias terhadap dataset tertentu.
  • Random Forest Classifier: akurasi meningkat hingga 93%, lebih stabil untuk data variatif.

➡️ Analisis praktis: dengan tingkat akurasi 90%+, perusahaan dapat memprediksi potensi kegagalan mesin jauh sebelum terjadi, sehingga memberi waktu bagi tim maintenance untuk bertindak preventif.

Optimasi Job-Shop Scheduling

Integrasi DT + ML memberikan peningkatan efisiensi:

  • Makespan berkurang 15–20% dibanding metode simulasi tradisional.
  • Jadwal lebih fleksibel dan cepat beradaptasi terhadap perubahan permintaan atau gangguan.

➡️ Dampak nyata: dalam industri otomotif dengan ribuan job per hari, pengurangan makespan 20% bisa setara peningkatan kapasitas produksi tanpa investasi mesin baru.

Condition-Based Maintenance (CBM)

Dengan CBM berbasis prediksi ML, downtime mesin berkurang hingga 18% dibanding preventive maintenance biasa.

  • Preventive maintenance cenderung “terlalu sering” mengganti suku cadang, sedangkan CBM hanya dilakukan saat probabilitas kegagalan meningkat.
  • Hal ini menghemat biaya pemeliharaan sekaligus memperpanjang umur mesin.

➡️ Relevansi: industri dengan mesin bernilai miliaran (misalnya manufaktur pesawat atau otomotif) bisa menghemat jutaan dolar dengan pengurangan downtime.

Kelebihan dan Keterbatasan Penelitian

Kelebihan

  • Memberikan bukti konkret bahwa DT + ML meningkatkan akurasi prediksi dan efisiensi penjadwalan.
  • Menunjukkan cara praktis mengintegrasikan data sensor dengan simulasi Arena.
  • Menawarkan model Condition-Based Maintenance yang relevan dengan kebutuhan industri modern.

Keterbatasan

  • Model diuji pada satu shop floor (stamping shop), sehingga skalabilitas untuk sistem manufaktur lebih kompleks masih dipertanyakan.
  • Dataset historis yang digunakan hanya 10.000 record, relatif kecil dibanding big data industri nyata.
  • Biaya implementasi (sensor, infrastruktur cloud, integrasi sistem) tidak dibahas secara rinci.
  • Faktor manusia (kesiapan tenaga kerja, pelatihan digital) juga tidak masuk dalam analisis.

Implikasi Praktis untuk Dunia Nyata

Hasil penelitian Moradi sangat relevan untuk berbagai sektor industri:

  1. Industri Otomotif: bisa meningkatkan throughput produksi body panel tanpa menambah mesin baru.
  2. Industri Elektronik: mengurangi bottleneck di lini perakitan akibat kegagalan mesin soldering atau stamping kecil.
  3. Industri Tekstil & FMCG: prediksi downtime membantu menghindari keterlambatan besar dalam memenuhi permintaan musiman.
  4. UMKM Manufaktur: walaupun paper fokus pada industri besar, konsep DT cloud-based bisa diadaptasi skala kecil dengan biaya lebih rendah.

Analisis Kritis dan Opini

Menurut saya, penelitian Moradi menjadi salah satu contoh nyata bagaimana konsep Industry 4.0 bisa diterapkan pada permasalahan klasik manufaktur. Keunggulannya jelas terlihat dalam hal akurasi, efisiensi, dan pengurangan downtime. Namun, agar lebih aplikatif, ada beberapa aspek yang seharusnya diperluas:

  • Studi Ekonomi: seberapa besar ROI dari implementasi DT dibanding biaya awalnya.
  • Faktor SDM: implementasi DT tidak hanya soal teknologi, tetapi juga kesiapan pekerja lapangan.
  • Integrasi Skala Besar: pengujian sebaiknya dilakukan pada shop floor dengan ribuan mesin agar skalabilitas terbukti.

Meskipun demikian, karya ini sudah memberikan fondasi kuat. Jika diibaratkan, tesis ini adalah “proof of concept” yang berhasil membuktikan bahwa Digital Twin bukan hanya jargon teknologi, tetapi benar-benar membawa perubahan nyata.

Kesimpulan

Tesis Application of Digital-Twin Technology for the Job-Shop Scheduling Problem oleh Vahid Moradi (2022) menunjukkan bahwa:

  • Digital Twin yang dipadukan dengan Machine Learning mampu meningkatkan akurasi prediksi kegagalan mesin hingga lebih dari 90%.
  • Makespan dapat ditekan 15–20%, yang berarti peningkatan kapasitas produksi signifikan.
  • Condition-Based Maintenance (CBM) berbasis prediksi bisa mengurangi downtime hingga 18%.

Penelitian ini memang masih terbatas dalam skala uji, tetapi potensinya sangat besar untuk industri manufaktur global. Dengan pengembangan lebih lanjut, Digital Twin bisa menjadi tulang punggung smart manufacturing di era Industry 4.0.

Sumber Paper

Moradi, V. (2022). Application of Digital-Twin Technology for the Job-Shop Scheduling Problem. Master of Applied Science in Industrial Engineering, Concordia University, Montreal, Quebec.
🔗 Tautan resmi University of Windsor