Nada atau gaya artikel ini mungkin tidak mencerminkan nada ensiklopedis yang digunakan di Wikipedia. Lihat panduan menulis artikel yang lebih baik di Wikipedia untuk mendapatkan saran. (Januari 2024) (Pelajari bagaimana dan kapan menghapus pesan ini)

Ilustrasi Penilaian dan Manajemen Risiko Pajanan yang terkait dengan antisipasi, pengenalan, evaluasi, pengendalian, dan konfirmasi

Higiene kerja (Amerika Serikat: industrial hygiene (IH)) adalah antisipasi, pengenalan, evaluasi, pengendalian, dan konfirmasi (ARECC) perlindungan dari risiko yang terkait dengan pajanan bahaya di, atau yang timbul dari, tempat kerja yang dapat mengakibatkan cedera, penyakit, gangguan, atau memengaruhi kesejahteraan pekerja dan anggota masyarakat. Bahaya atau pemicu stres ini biasanya dibagi ke dalam kategori biologis, kimiawi, fisik, ergonomis, dan psikososial.

1. Risiko dampak kesehatan dari pemicu stres tertentu adalah fungsi dari bahaya yang dikalikan dengan paparan individu atau kelompok.
2. Untuk bahan kimiawi, bahayanya dapat dipahami melalui profil respons dosis yang paling sering didasarkan pada studi atau model toksikologi. Ahli higiene lingkungan bekerja sama dengan ahli toksikologi (lihat Toksikologi) untuk memahami bahaya kimia, fisikawan (lihat Fisika) untuk bahaya fisik, dan dokter serta ahli mikrobiologi untuk bahaya biologis (lihat Mikrobiologi Infeksi obat tropis). Ahli higiene lingkungan dan pekerjaan dianggap sebagai ahli dalam ilmu pengetahuan tentang pajanan dan manajemen risiko pajanan.

Tergantung pada jenis pekerjaan seseorang, ahli higiene akan menerapkan keahlian ilmu pajanan mereka untuk melindungi pekerja, konsumen, dan/atau masyarakat.

Profesi ahli higiene kerja

British Occupational Hygiene Society (BOHS) mendefinisikan bahwa “higiene kerja adalah tentang pencegahan penyakit akibat kerja, dengan cara mengenali, mengevaluasi, dan mengendalikan risikonya. Asosiasi Higiene Kerja Internasional (IOHA) mengacu pada higiene kerja sebagai disiplin ilmu yang mengantisipasi, mengenali, mengevaluasi, dan mengendalikan bahaya kesehatan di lingkungan kerja dengan tujuan untuk melindungi kesehatan dan kesejahteraan pekerja serta melindungi masyarakat pada umumnya. 

Istilah “higiene kerja” (digunakan di Inggris dan negara-negara Persemakmuran serta sebagian besar Eropa) identik dengan higiene industri (digunakan di AS, Amerika Latin, dan negara-negara lain yang menerima dukungan teknis awal atau pelatihan dari sumber-sumber AS). Istilah “higiene industri” secara tradisional berasal dari industri konstruksi, pertambangan atau manufaktur, dan “higiene kerja” mengacu pada semua jenis industri seperti yang tercantum untuk “higiene industri” serta industri jasa keuangan dan jasa pendukung dan mengacu pada “pekerjaan”, “tempat kerja” dan “tempat kerja” secara umum.

Higiene lingkungan membahas isu-isu yang serupa dengan higiene kerja tetapi cenderung tentang industri yang luas atau isu-isu yang luas yang mempengaruhi masyarakat lokal, masyarakat yang lebih luas, wilayah atau negara.

Profesi higiene kerja menggunakan metodologi ilmiah yang ketat dan ketat dan sering kali membutuhkan penilaian profesional berdasarkan pengalaman dan pendidikan dalam menentukan potensi risiko paparan berbahaya di tempat kerja dan studi lingkungan. Aspek-aspek higiene kerja ini sering disebut sebagai “seni” higiene kerja dan digunakan dalam pengertian yang sama dengan “seni” kedokteran. Faktanya, “higiene kerja” merupakan aspek dari kedokteran pencegahan dan khususnya kedokteran kerja, karena tujuannya adalah untuk mencegah penyakit industri, dengan menggunakan ilmu manajemen risiko, penilaian paparan, dan keselamatan industri.

Pada akhirnya, para profesional berusaha menerapkan sistem, prosedur atau metode yang “aman” untuk diterapkan di tempat kerja atau lingkungan. Pencegahan paparan jam kerja yang panjang telah diidentifikasi sebagai fokus untuk higiene kerja ketika sebuah studi penting Perserikatan Bangsa-Bangsa memperkirakan bahwa bahaya pekerjaan ini menyebabkan sekitar 745.000 kematian akibat kerja per tahun di seluruh dunia, beban penyakit terbesar yang dikaitkan dengan bahaya pekerjaan tunggal.

Higiene Industri mengacu pada ilmu untuk mengantisipasi, mengenali, mengevaluasi, dan mengendalikan tempat kerja untuk mencegah penyakit atau cedera pada pekerja (Geigle Safety Group, Inc., 2020). Ahli higiene industri menggunakan berbagai metode pemantauan dan analisis lingkungan untuk menentukan bagaimana pekerja terpapar.

Selanjutnya, mereka menggunakan teknik seperti teknik dan kontrol praktik kerja untuk mengendalikan potensi bahaya kesehatan. Antisipasi melibatkan identifikasi potensi bahaya di tempat kerja sebelum bahaya tersebut muncul. Ketidakpastian bahaya kesehatan berkisar dari ekspektasi yang masuk akal hingga spekulasi belaka. Namun, hal ini menyiratkan bahwa ahli higiene industri harus memahami sifat perubahan dalam proses, produk, lingkungan, dan tenaga kerja di tempat kerja dan bagaimana hal tersebut dapat mempengaruhi kesejahteraan pekerja.

Pengenalan teknik, praktik kerja, dan kontrol administratif adalah cara utama untuk mengurangi paparan pekerja terhadap bahaya kerja. Pengenalan bahaya secara tepat waktu dapat meminimalkan paparan pekerja terhadap bahaya dengan menghilangkan atau mengurangi sumber bahaya atau mengisolasi pekerja dari bahaya.

Evaluasi tempat kerja merupakan langkah penting yang membantu ahli higiene industri untuk menentukan pekerjaan dan tempat kerja yang berpotensi menimbulkan masalah. Selama evaluasi, ahli higiene industri mengukur dan mengidentifikasi tugas-tugas yang bermasalah, paparan, dan tugas-tugas. Penilaian tempat kerja yang paling efektif mencakup semua pekerjaan, aktivitas kerja, dan operasi. Ahli higiene industri memeriksa penelitian dan evaluasi tentang bagaimana bahaya fisik atau kimiawi yang ada mempengaruhi kesehatan pekerja.

Jika tempat kerja mengandung bahaya kesehatan, ahli higiene industri merekomendasikan tindakan perbaikan yang tepat. Langkah-langkah pengendalian termasuk membuang bahan kimia beracun dan mengganti bahan beracun berbahaya dengan bahan yang tidak terlalu berbahaya. Hal ini juga mencakup membatasi operasi kerja atau menutup proses kerja dan memasang sistem ventilasi umum dan lokal. Pengendalian mengubah cara pelaksanaan tugas.

Beberapa kontrol praktik kerja dasar meliputi: mengikuti prosedur yang ditetapkan untuk mengurangi paparan saat berada di tempat kerja, memeriksa dan memelihara proses secara teratur, dan menerapkan prosedur tempat kerja yang wajar.

Higiene industri di Amerika Serikat mulai terbentuk pada awal abad ke-20. Sebelumnya, banyak pekerja yang mempertaruhkan nyawa mereka setiap hari untuk bekerja di lingkungan industri seperti manufaktur, pabrik, konstruksi, dan tambang.

Saat ini, statistik keselamatan kerja biasanya diukur dengan jumlah cedera dan kematian setiap tahunnya. Sebelum abad ke-20, statistik semacam ini sulit didapat karena tampaknya tidak ada yang cukup peduli untuk menjadikan pelacakan cedera dan kematian akibat kerja sebagai prioritas. Profesi higiene industri mulai dikenal pada tahun 1700 ketika Bernardino Ramazzini menerbitkan sebuah buku yang komprehensif tentang kedokteran industri.

Buku ini ditulis dalam bahasa Italia dan dikenal sebagai De Morbis Artificum Diatriba, yang berarti “Penyakit Pekerja” (Geigle Safety Group, Inc., 2020).

Buku ini merinci deskripsi akurat tentang penyakit akibat kerja yang diderita oleh sebagian besar pekerja pada masanya. Ramazzini sangat penting bagi masa depan profesi higiene industri karena ia menegaskan bahwa penyakit akibat kerja harus dipelajari di lingkungan tempat kerja dan bukan di bangsal rumah sakit.

Higiene industri menerima dorongan lain pada awal abad ke-20 ketika Dr. Alice Hamilton memimpin upaya untuk meningkatkan higiene industri. Dia memulai dengan mengamati kondisi industri terlebih dahulu dan kemudian mengejutkan pemilik tambang, manajer pabrik, dan pejabat negara lainnya dengan bukti bahwa ada korelasi antara penyakit pekerja dan paparan mereka terhadap racun kimia. Dia mengajukan proposal definitif untuk menghilangkan kondisi kerja yang tidak sehat. Sebagai hasilnya, pemerintah federal AS juga mulai menyelidiki kondisi kesehatan di industri tersebut. Pada tahun 1911, negara bagian mengesahkan undang-undang kompensasi pekerja yang pertama.

Peran sosial dari higiene kerja

Ahli higiene kerja secara historis telah terlibat dalam mengubah persepsi masyarakat tentang sifat dan tingkat bahaya serta mencegah paparan di tempat kerja dan masyarakat. Banyak ahli higiene kerja yang bekerja sehari-hari dengan situasi industri yang membutuhkan pengendalian atau perbaikan situasi tempat kerja.

Namun, masalah sosial yang lebih besar yang mempengaruhi seluruh industri telah terjadi di masa lalu, misalnya sejak tahun 1900, paparan asbes yang telah mempengaruhi kehidupan puluhan ribu orang. Ahli higiene kerja telah menjadi lebih terlibat dalam memahami dan mengelola risiko paparan terhadap konsumen dari produk dengan peraturan seperti REACh (Registrasi, Evaluasi, Otorisasi, dan Pembatasan Bahan Kimia) yang diberlakukan pada tahun 2006.

Masalah yang lebih baru yang mempengaruhi masyarakat luas adalah, misalnya pada tahun 1976, penyakit Legiuner atau legionellosis. Baru-baru ini lagi pada tahun 1990-an, radon, dan pada tahun 2000-an, efek jamur dari situasi kualitas udara dalam ruangan di rumah dan di tempat kerja. Pada akhir tahun 2000-an, muncul kekhawatiran tentang efek kesehatan dari nanopartikel.

Banyak dari masalah ini membutuhkan koordinasi tenaga medis dan paraprofesional dalam mendeteksi dan kemudian mengkarakterisasi sifat dari masalah tersebut, baik dari segi bahaya maupun dari segi risiko terhadap tempat kerja dan pada akhirnya terhadap masyarakat. Hal ini melibatkan ahli higiene kerja dalam penelitian, pengumpulan data, dan pengembangan metodologi pengendalian yang sesuai dan memuaskan.

Kegiatan umum

Ahli higiene kerja dapat terlibat dalam penilaian dan pengendalian bahaya fisik, kimia, biologi atau lingkungan di tempat kerja atau masyarakat yang dapat menyebabkan cedera atau penyakit. Bahaya fisik dapat mencakup kebisingan, suhu yang ekstrem, pencahayaan yang ekstrem, radiasi pengion atau non-pengion, dan ergonomi. Bahaya kimiawi yang terkait dengan barang berbahaya atau zat berbahaya sering kali diselidiki oleh ahli higiene kerja.

Area terkait lainnya termasuk kualitas udara dalam ruangan (IAQ) dan keselamatan juga dapat menerima perhatian ahli higiene kerja. Bahaya biologis dapat berasal dari potensi paparan legionella di tempat kerja atau investigasi cedera biologis atau efek di tempat kerja, seperti dermatitis dapat diselidiki.

Sebagai bagian dari proses investigasi, ahli higiene kerja dapat diminta untuk berkomunikasi secara efektif mengenai sifat bahaya, potensi risiko, dan metode pengendalian yang tepat. Pengendalian yang tepat dipilih dari hirarki pengendalian: dengan eliminasi, substitusi, rekayasa, administrasi, dan alat pelindung diri (APD) untuk mengendalikan bahaya atau menghilangkan risiko.

Pengendalian tersebut dapat melibatkan rekomendasi sesederhana APD yang sesuai seperti masker debu partikulat 'dasar' hingga sesekali merancang sistem ventilasi ekstraksi debu, tempat kerja atau sistem manajemen untuk mengelola orang dan program untuk menjaga kesehatan dan kesejahteraan mereka yang masuk ke tempat kerja.

Contoh-contoh kebersihan kerja meliputi:

• Penyumbat telinga busa sekali pakai: keluar dari telinga dengan koin untuk skala (atas) dan dimasukkan ke dalam telinga pemakainya (bawah).
• Analisis bahaya fisik seperti kebisingan, yang mungkin memerlukan penggunaan penyumbat telinga dan/atau penutup telinga pelindung pendengaran untuk mencegah gangguan pendengaran.
• Mengembangkan rencana dan prosedur untuk melindungi dari paparan penyakit menular jika terjadi pandemi flu.
• Memantau udara dari kontaminan berbahaya yang berpotensi menyebabkan penyakit atau kematian pekerja.

Metode penilaian tempat kerja

Meskipun ada banyak aspek dalam pekerjaan higiene kerja, namun yang paling banyak diketahui dan dicari adalah dalam menentukan atau memperkirakan potensi atau paparan bahaya yang sebenarnya.

Untuk banyak bahan kimia dan bahaya fisik, batas paparan di tempat kerja telah diturunkan dengan menggunakan data toksikologi, epidemiologi, dan medis yang memungkinkan ahli higiene untuk mengurangi risiko dampak kesehatan dengan menerapkan “Hirarki Pengendalian Bahaya”. Beberapa metode dapat diterapkan dalam menilai tempat kerja atau lingkungan untuk mengetahui adanya paparan bahaya yang diketahui atau dicurigai. Ahli higiene kerja tidak bergantung pada keakuratan peralatan atau metode yang digunakan, tetapi dalam mengetahui dengan pasti dan tepat batas-batas peralatan atau metode yang digunakan dan kesalahan atau varians yang diberikan dengan menggunakan peralatan atau metode tertentu.

Metode-metode yang terkenal untuk melakukan penilaian paparan kerja dapat ditemukan dalam “Strategi untuk Menilai dan Mengelola Paparan Kerja.

Langkah-langkah utama yang diuraikan untuk menilai dan mengelola paparan kerja:

• Karakterisasi dasar (mengidentifikasi agen, bahaya, orang yang berpotensi terpapar, dan kontrol paparan yang ada)
• Penilaian pemaparan (pilih batas pemaparan di tempat kerja, pita bahaya, data toksikologi yang relevan untuk menentukan apakah pemaparan “dapat diterima”, “tidak dapat diterima”, atau “tidak pasti”)
• Kontrol pemaparan (untuk pemaparan yang “tidak dapat diterima” atau “tidak pasti”)
• Pengumpulan informasi lebih lanjut (untuk paparan yang “tidak pasti”)
• Komunikasi bahaya (untuk semua paparan)
• Penilaian ulang (sesuai kebutuhan)/Manajemen Perubahan
• Hirarki batas paparan kerja (OEL)

Karakterisasi dasar, identifikasi bahaya, dan survei langsung

^{_{Sumber: en.wikipedia.org}}

Langkah pertama dalam memahami risiko kesehatan yang terkait dengan paparan memerlukan pengumpulan informasi “karakterisasi dasar” dari sumber-sumber yang tersedia. Metode tradisional yang diterapkan oleh ahli higiene kerja untuk survei awal di tempat kerja atau lingkungan digunakan untuk menentukan jenis dan kemungkinan paparan bahaya (misalnya kebisingan, bahan kimia, radiasi).

Survei ini dapat ditargetkan atau dibatasi pada bahaya tertentu seperti debu silika, atau kebisingan, untuk memusatkan perhatian pada pengendalian semua bahaya bagi pekerja. Survei menyeluruh sering kali digunakan untuk memberikan informasi dalam menetapkan kerangka kerja untuk investigasi di masa depan, memprioritaskan bahaya, menentukan persyaratan untuk pengukuran dan menetapkan beberapa pengendalian langsung terhadap potensi paparan. Program Evaluasi Bahaya Kesehatan dari Institut Nasional untuk Keselamatan dan Kesehatan Kerja adalah contoh dari survei langsung higiene industri.

Sumber informasi karakterisasi dasar lainnya termasuk wawancara pekerja, mengamati tugas-tugas pemaparan, lembar data keselamatan bahan, penjadwalan tenaga kerja, data produksi, peralatan dan jadwal perawatan untuk mengidentifikasi agen pemaparan potensial dan orang-orang yang mungkin terpapar.

Informasi yang perlu dikumpulkan dari sumber-sumber tersebut harus sesuai dengan jenis pekerjaan tertentu yang menjadi sumber bahaya. Seperti yang telah disebutkan sebelumnya, contoh sumber-sumber ini termasuk wawancara dengan orang-orang yang pernah bekerja di bidang bahaya tersebut, sejarah dan analisis insiden di masa lalu, dan laporan resmi tentang pekerjaan dan bahaya yang dihadapi.

Dari semua itu, wawancara personil mungkin merupakan yang paling penting dalam mengidentifikasi praktik-praktik yang tidak terdokumentasi, kejadian, pelepasan, bahaya dan informasi lain yang relevan. Setelah informasi dikumpulkan dari berbagai sumber, sebaiknya informasi tersebut diarsipkan secara digital (untuk memudahkan pencarian cepat) dan memiliki kumpulan fisik dari informasi yang sama agar lebih mudah diakses.

Salah satu cara inovatif untuk menampilkan informasi bahaya historis yang kompleks adalah dengan peta identifikasi bahaya historis, yang menyaring informasi bahaya ke dalam format grafis yang mudah digunakan.

Pengambilan sampel

^{_{Sumber: en.wikipedia.org}}

Pengukuran tingkat kebisingan menggunakan pengukur tingkat kebisingan adalah komponen dari penilaian higiene kerja.

Ahli higiene kerja dapat menggunakan satu atau beberapa alat pengukur elektronik yang tersedia secara komersial untuk mengukur kebisingan, getaran, radiasi pengion dan non-pengion, debu, pelarut, gas, dan sebagainya. Setiap perangkat sering kali dirancang khusus untuk mengukur jenis kontaminan tertentu atau khusus.

Perangkat elektronik perlu dikalibrasi sebelum dan sesudah digunakan untuk memastikan keakuratan pengukuran yang dilakukan dan sering kali memerlukan sistem sertifikasi ketepatan instrumen.

Mengumpulkan data pajanan di tempat kerja membutuhkan sumber daya dan waktu yang banyak, dan dapat digunakan untuk berbagai tujuan, termasuk mengevaluasi kepatuhan terhadap peraturan pemerintah dan untuk merencanakan intervensi pencegahan. Kegunaan data pajanan di tempat kerja dipengaruhi oleh beberapa faktor berikut ini:

• Penyimpanan data (misalnya penggunaan basis data elektronik dan terpusat dengan penyimpanan semua catatan)
• Standarisasi pengumpulan data
• Kolaborasi antara peneliti, profesional keselamatan dan kesehatan, dan perusahaan asuransi

Pada tahun 2018, dalam upaya untuk menstandarkan pengumpulan data kebersihan industri di antara perusahaan asuransi kompensasi pekerja dan untuk menentukan kelayakan pengumpulan data IH yang dikumpulkan, formulir survei udara dan kebisingan IH dikumpulkan.

Bidang data dievaluasi berdasarkan tingkat kepentingannya dan daftar studi bidang inti dikembangkan, dan diserahkan kepada panel ahli untuk ditinjau sebelum finalisasi. Daftar studi inti akhir dibandingkan dengan rekomendasi yang diterbitkan oleh American Conference of Governmental Industrial Hygienists (ACGIH) dan American Industrial Hygiene Association (AIHA).12 Bidang data yang penting untuk menstandarkan pengumpulan data IH diidentifikasi dan diverifikasi. Bidang data “esensial” tersedia dan dapat berkontribusi pada peningkatan kualitas data dan pengelolaannya jika dimasukkan ke dalam sistem manajemen data IH.

Kanada dan beberapa negara Eropa telah bekerja untuk membangun basis data pajanan pekerjaan dengan elemen data standar dan kualitas data yang lebih baik. Basis data ini termasuk MEGA, COLCHIC, dan CWED.

Pengambilan sampel debu

Debu yang mengganggu dianggap sebagai total debu di udara termasuk fraksi yang dapat dihirup dan terhirup.

Terdapat berbagai metode pengambilan sampel debu yang diakui secara internasional. Debu yang dapat terhirup ditentukan dengan menggunakan alat ukur modern yang setara dengan monitor Institute of Occupational Medicine (IOM) MRE 113A (lihat bagian tentang pemaparan, pengukuran & pemodelan di tempat kerja).

Debu yang dapat terhirup dianggap sebagai debu berdiameter kurang dari 100 mikrometer setara diameter aerodinamis (AED) yang masuk melalui hidung dan atau mulut. Lihat Paru-Paru

Debu yang dapat terhirup diambil sampelnya dengan menggunakan desain pengambil sampel debu siklon untuk mengambil sampel fraksi debu AED tertentu pada laju aliran yang ditetapkan. Fraksi debu yang dapat terhirup adalah debu yang masuk ke dalam 'paru-paru dalam' dan dianggap kurang dari 10 mikrometer AED.

Fraksi debu yang mengganggu, yang dapat dihirup, dan yang dapat dihirup semuanya diambil sampelnya dengan menggunakan pompa volumetrik konstan untuk periode pengambilan sampel tertentu. Dengan mengetahui massa sampel yang dikumpulkan dan volume udara yang disampel, konsentrasi untuk fraksi yang disampel dapat diberikan dalam miligram (mg) per meter kubik (m3). Dari sampel tersebut, jumlah debu yang dapat terhirup atau terhirup dapat ditentukan dan dibandingkan dengan batas paparan kerja yang relevan.

Dengan menggunakan alat pengambil sampel yang dapat dihirup, terhirup, atau alat pengambil sampel lain yang sesuai (7 lubang, 5 lubang, dan sebagainya), metode pengambilan sampel debu ini juga dapat digunakan untuk menentukan paparan logam di udara. Hal ini memerlukan pengumpulan sampel pada filter metil-selulosa ester (MCE) dan pencernaan asam pada media pengumpul di laboratorium yang diikuti dengan pengukuran konsentrasi logam melalui spektrofotometri serapan atom (atau emisi). Laboratorium Kesehatan dan Keselamatan Kerja Inggris dan NIOSH Manual.

Metode Analitik memiliki metodologi khusus untuk berbagai macam logam di udara yang ditemukan dalam pemrosesan industri (peleburan, pengecoran, dan lain-lain).

Metode lebih lanjut tersedia untuk penentuan asbes, fiberglass, serat mineral sintetis, dan debu serat mineral keramik di udara. Metode ini adalah metode filter membran (MFM) dan memerlukan pengumpulan debu pada filter yang dilapisi untuk memperkirakan paparan dengan menghitung serat yang 'sesuai' dalam 100 bidang melalui mikroskop. Hasilnya dikuantifikasi berdasarkan jumlah serat per mililiter udara (f/ml). Banyak negara secara ketat mengatur metodologi yang diterapkan pada MFM.

Pengambilan sampel kimia

Dua jenis tabung penyerap kimia digunakan untuk mengambil sampel untuk berbagai macam zat kimia. Secara tradisional, 'tabung' penyerap bahan kimia (tabung kaca atau baja tahan karat berdiameter internal antara 2 hingga 10 mm) yang diisi dengan silika penyerap yang sangat halus (hidrofilik) atau karbon, seperti arang kelapa (lifosilik), digunakan dalam jalur pengambilan sampel di mana udara dialirkan melalui bahan penyerap antara empat jam (sampel tempat kerja minimum) hingga 24 jam (sampel lingkungan). Bahan hidrofilik mudah menyerap bahan kimia yang larut dalam air dan bahan lifofilik menyerap bahan yang tidak larut dalam air.

Bahan penyerap kemudian diekstraksi secara kimiawi atau fisika dan pengukuran dilakukan dengan menggunakan berbagai metode kromatografi gas atau spektrometri massa. Metode tabung penyerap ini memiliki keuntungan karena dapat digunakan untuk berbagai macam potensi kontaminasi. Namun, metode ini relatif mahal, memakan waktu dan membutuhkan keahlian yang signifikan dalam pengambilan sampel dan analisis kimia. Keluhan yang sering muncul dari para pekerja adalah keharusan untuk memakai pompa pengambilan sampel (hingga 1 kg) selama beberapa hari kerja untuk menyediakan data yang memadai untuk penentuan kepastian statistik yang diperlukan untuk menentukan paparan.

Dalam beberapa dekade terakhir, kemajuan telah dicapai dalam teknologi pengukur pajanan 'pasif'. Sampler ini sekarang dapat dibeli untuk mengukur satu bahan kimia (misalnya formaldehida) atau jenis bahan kimia (misalnya keton) atau spektrum bahan kimia yang luas (misalnya pelarut). Alat ini relatif mudah diatur dan digunakan. Namun, biaya yang cukup besar masih dapat dikeluarkan untuk analisis 'lencana'. Beratnya 20 hingga 30 gram dan para pekerja tidak mengeluhkan keberadaannya.

Sayangnya, 'lencana' mungkin tidak tersedia untuk semua jenis pengambilan sampel di tempat kerja yang mungkin diperlukan, dan metode arang atau silika terkadang harus diterapkan.

Dari metode pengambilan sampel, hasilnya dinyatakan dalam miligram per meter kubik (mg/m3) atau bagian per juta (PPM) dan dibandingkan dengan batas paparan kerja yang relevan.

Ini adalah bagian penting dari penentuan paparan bahwa metode pengambilan sampel untuk paparan kontaminan tertentu secara langsung terkait dengan standar paparan yang digunakan. Banyak negara mengatur standar pemaparan, metode yang digunakan untuk menentukan pemaparan, dan metode yang akan digunakan untuk analisis kimiawi atau analisis lain dari sampel yang dikumpulkan.

Pengambilan sampel kebisingan

Ada dua jenis kebisingan, yaitu Kebisingan Lingkungan, yang merupakan suara yang tidak diinginkan yang terjadi di luar ruangan, dan Kebisingan Kerja, yaitu suara yang diterima karyawan saat mereka berada di tempat kerja. Kebisingan lingkungan dapat berasal dari berbagai sumber tergantung pada aktivitas, lokasi, dan waktu. Kebisingan lingkungan dapat dihasilkan dari transportasi seperti lalu lintas jalan raya, kereta api, dan udara, atau layanan konstruksi dan bangunan, dan bahkan aktivitas rumah tangga dan rekreasi.

Terdapat batas legal untuk kebisingan yaitu Kebisingan Lingkungan adalah 70 dB(A) selama 24 jam paparan rata-rata.[21] Demikian pula, batas Kebisingan Kerja adalah 85 dB(A) menurut NIOSH, atau 90 dB(A) menurut OSHA untuk periode kerja 8 jam. [22] Untuk menegakkan batas-batas ini, berikut adalah metode untuk mengukur kebisingan, termasuk Sound Level Meter (SLM), Aplikasi Pengukur Tingkat Suara, Pengukur Tingkat Suara Terintegrasi (ISLM), Pengukur Tingkat Suara Impuls (SLM Impuls), Dosimeter Kebisingan, dan Pengukur Paparan Suara Pribadi (PSEM).

Sound Level Meter (SLM) mengukur tingkat suara pada satu titik waktu dan oleh karena itu memerlukan beberapa pengukuran yang harus dilakukan pada waktu yang berbeda dalam satu hari. SLM terutama digunakan untuk mengukur tingkat suara yang relatif stabil; ada peningkatan kesulitan dalam mengukur paparan suara rata-rata jika tingkat kebisingan sangat bervariasi.

Aplikasi Pengukur Tingkat Suara adalah program yang dapat diunduh ke perangkat seluler. Aplikasi ini menerima suara melalui mikrofon internal atau eksternal ponsel dan menampilkan pengukuran tingkat suara dari pengukur tingkat suara dan dosimeter kebisingan aplikasi.

Pengukur Tingkat Suara Terintegrasi (ISLM) mengukur tingkat suara yang setara dalam periode pengukuran. Karena ISLM mengukur kebisingan di area tertentu, maka sulit untuk mengukur paparan pribadi pekerja saat mereka bergerak di seluruh ruang kerja.

Pengukur Tingkat Suara Impuls (Impulse Sound Level Meter/ISLM) mengukur puncak dari setiap impuls suara. Kondisi yang paling optimal untuk mengukur puncak terjadi ketika hanya ada sedikit kebisingan latar belakang.

Dosimeter Kebisingan mengumpulkan tingkat suara untuk titik waktu tertentu, serta tingkat suara yang berbeda dari waktu ke waktu. Dosimeter kebisingan dapat mengukur tingkat paparan pribadi dan dapat digunakan di area dengan risiko kebakaran yang tinggi.

Personal Sound Exposure Meter (PSEM) dikenakan oleh karyawan saat mereka bekerja. Keuntungan dari PSEM adalah bahwa hal ini menghilangkan kebutuhan penilai kebisingan untuk menindaklanjuti dengan pekerja ketika penilai mengukur tingkat kebisingan di area kerja.

Kebisingan yang berlebihan dapat menyebabkan Gangguan Pendengaran Akibat Kerja. 12% pekerja melaporkan mengalami kesulitan pendengaran, menjadikannya penyakit kronis paling umum ketiga di A.S. Di antara para pekerja ini, 24% mengalami kesulitan pendengaran yang disebabkan oleh kebisingan di tempat kerja, dengan 8% dipengaruhi oleh tinitus, dan 4% mengalami kesulitan pendengaran dan tinitus.

Bahan kimia ototoksik termasuk pelarut, logam, senyawa, asfiksia, nitril, dan obat-obatan, dapat berkontribusi lebih jauh terhadap gangguan pendengaran.

Manajemen dan pengendalian pajanan

Hirarki pengendalian mendefinisikan pendekatan yang digunakan untuk mengurangi risiko paparan guna melindungi pekerja dan masyarakat. Metode-metode ini meliputi eliminasi, substitusi, kontrol teknik (isolasi atau ventilasi), kontrol administratif, dan alat pelindung diri. Ahli higiene kerja, insinyur, pemeliharaan, manajemen, dan karyawan harus diajak berkonsultasi untuk memilih dan merancang kontrol yang paling efektif dan efisien berdasarkan hierarki kontrol.

Masyarakat profesional

Perkembangan masyarakat higiene industri berasal dari Amerika Serikat, dimulai dengan pertemuan pertama para anggota untuk Konferensi Ahli Higiene Industri Pemerintah Amerika pada tahun 1938, dan pembentukan Asosiasi Higiene Industri Amerika pada tahun 1939. Di Inggris, British Occupational Hygiene Society dimulai pada tahun 1953. Selama bertahun-tahun, masyarakat pekerjaan profesional telah terbentuk di berbagai negara, yang mengarah pada pembentukan Asosiasi Higiene Perusahaan Internasional pada tahun 1987, untuk mempromosikan dan mengembangkan higiene perusahaan di seluruh dunia melalui organisasi-organisasi anggotanya. 

IOHA telah berkembang menjadi 29 organisasi anggota, yang mewakili lebih dari 20.000 ahli higiene perusahaan di seluruh dunia, dengan representasi dari negara-negara yang ada di setiap benua.

Literatur yang ditinjau oleh rekan sejawat

Ada beberapa jurnal akademik yang secara khusus berfokus pada penerbitan studi dan penelitian di bidang kesehatan kerja. Journal of Occupational and Environmental Hygiene (JOEH) telah diterbitkan bersama sejak tahun 2004 oleh American Industrial Hygiene Association dan American Conference of Governmental Industrial Hygienists, menggantikan jurnal American Industrial Hygiene Association dan Applied Occupational & Environmental Hygiene sebelumnya.

Jurnal higiene kerja penting lainnya adalah The Annals of Occupational Hygiene, yang diterbitkan oleh British Occupational Hygiene Society sejak tahun 1958. Lebih lanjut, The National Institute for Occupational Safety and Health mengelola database bibliografi yang dapat dicari (NIOSHTIC-2) untuk publikasi, dokumen, laporan hibah, dan produk komunikasi lainnya tentang keselamatan dan kesehatan kerja.

Hirarki pengendalian adalah alat penting untuk menentukan cara mengendalikan bahaya yang paling efisien dan efektif di tempat kerja.

Higiene kerja sebagai karier

^{_{Sumber: en.wikipedia.org}}

Contoh karier higiene kerja meliputi:

• Petugas kepatuhan atas nama badan pengawas
• Profesional yang bekerja atas nama perusahaan untuk melindungi tenaga kerja
• Konsultan yang bekerja atas nama perusahaan
• Peneliti yang melakukan pekerjaan higiene kerja di laboratorium atau lapangan

Pendidikan

Dasar dari pengetahuan teknis higiene kerja berasal dari pelatihan yang kompeten di bidang ilmu pengetahuan dan manajemen berikut ini:

• Ilmu pengetahuan dasar (biologi, kimia, matematika (statistik), fisika);
• Penyakit akibat kerja (penyakit, cedera dan pengawasan kesehatan (biostatistik, epidemiologi, toksikologi));
• Bahaya kesehatan (bahaya biologi, kimia dan fisik, ergonomi dan faktor manusia);
• Lingkungan kerja (pertambangan, industri, manufaktur, transportasi dan penyimpanan, industri jasa dan perkantoran);
• Prinsip-prinsip manajemen program (etika profesional dan bisnis, metode investigasi di tempat kerja dan insiden, pedoman pemaparan, batas pemaparan di tempat kerja, peraturan berbasis yurisdiksi, identifikasi bahaya, penilaian risiko dan komunikasi risiko, manajemen data, evakuasi kebakaran, dan tanggap darurat lainnya);
• Praktik pengambilan sampel, pengukuran dan evaluasi (instrumentasi, protokol pengambilan sampel, metode atau teknik, kimia analitik);
• Pengendalian Bahaya (eliminasi, substitusi, rekayasa, administratif, APD dan Ventilasi Udara dan Ekstraksi);
• Lingkungan (polusi udara, limbah berbahaya).

Namun, bukan pengetahuan hafalan yang mengidentifikasi seorang ahli higiene kerja yang kompeten. Ada sebuah “seni” dalam menerapkan prinsip-prinsip teknis dengan cara yang memberikan solusi yang masuk akal untuk masalah-masalah di tempat kerja dan lingkungan. Pada dasarnya, seorang “mentor” yang berpengalaman, yang memiliki pengalaman dalam higiene kerja diharuskan untuk menunjukkan kepada ahli higiene kerja yang baru bagaimana menerapkan pengetahuan ilmiah dan manajemen yang telah dipelajari di tempat kerja dan masalah lingkungan untuk menyelesaikan masalah secara memuaskan.

Untuk menjadi ahli higiene kerja profesional, pengalaman dalam praktik seluas mungkin diperlukan untuk menunjukkan pengetahuan di bidang higiene kerja. Hal ini sulit dilakukan oleh “spesialis” atau mereka yang berpraktik di bidang yang sempit. Membatasi pengalaman pada mata pelajaran tertentu seperti remediasi asbes, ruang tertutup, kualitas udara dalam ruangan, atau pengurangan timbal, atau belajar hanya melalui buku teks atau “kursus tinjauan” dapat menjadi kerugian ketika diminta untuk menunjukkan kompetensi di bidang lain dalam higiene kerja.

Informasi yang disajikan di Wikipedia dapat dianggap hanya sebagai garis besar persyaratan untuk pelatihan higiene kerja profesional. Hal ini dikarenakan persyaratan aktual di negara, negara bagian atau wilayah mana pun dapat bervariasi karena sumber daya pendidikan yang tersedia, permintaan industri, atau persyaratan yang diamanatkan oleh peraturan.

Selama tahun 2010, Occupational Hygiene Training Association (OHTA) melalui sponsor yang disediakan oleh IOHA memprakarsai skema pelatihan bagi mereka yang berminat atau yang membutuhkan pelatihan higiene kerja. Modul-modul pelatihan ini dapat diunduh dan digunakan secara bebas. Modul-modul yang tersedia (Prinsip-prinsip Dasar dalam Higiene Perusahaan, Dampak Kesehatan dari Zat Berbahaya, Pengukuran Zat Berbahaya, Lingkungan Termal, Kebisingan, Asbes, Pengendalian, Ergonomi) ditujukan untuk tingkat 'dasar' dan 'menengah' dalam Higiene Perusahaan.

Meskipun modul-modul ini dapat digunakan secara bebas tanpa pengawasan, kehadiran di kursus pelatihan yang terakreditasi sangat dianjurkan. Modul-modul pelatihan ini tersedia di OH Learning.com

Program akademis yang menawarkan gelar sarjana atau magister higiene industri di Amerika Serikat dapat mengajukan permohonan kepada Dewan Akreditasi untuk Teknik dan Teknologi (ABET) agar program mereka diakreditasi. Pada 1 Oktober 2006, 27 institusi telah mengakreditasi program higiene industri mereka. Akreditasi tidak tersedia untuk program Doktoral.

Di Amerika Serikat, pelatihan para profesional IH didukung oleh Institut Nasional untuk Keselamatan dan Kesehatan Kerja melalui Pusat Pendidikan dan Penelitian NIOSH.

Disadur dari: en.wikipedia.org

Promosi kesehatan di tempat kerja adalah upaya gabungan dari pengusaha, karyawan, dan masyarakat untuk meningkatkan kesehatan mental dan fisik serta kesejahteraan orang-orang di tempat kerja. Istilah promosi kesehatan di tempat kerja menunjukkan analisis dan desain yang komprehensif terhadap tingkat kerja manusia dan organisasi dengan tujuan strategis untuk mengembangkan dan meningkatkan sumber daya kesehatan di perusahaan.

Organisasi Kesehatan Dunia (WHO) telah memprioritaskan tempat kerja sebagai tempat promosi kesehatan karena potensi audiens yang besar dan pengaruhnya terhadap semua bidang kehidupan seseorang. Deklarasi Luksemburg menyatakan bahwa kesehatan dan kesejahteraan karyawan di tempat kerja dapat dicapai melalui kombinasi dari:

• Memperbaiki organisasi dan lingkungan kerja
• Mempromosikan partisipasi aktif
• Mendorong pengembangan pribadi.

Promosi kesehatan di tempat kerja menggabungkan pengurangan faktor risiko kesehatan dengan peningkatan faktor penguatan kesehatan dan berupaya untuk mengembangkan lebih lanjut faktor perlindungan dan potensi kesehatan.Promosi kesehatan di tempat kerja merupakan pelengkap dari disiplin keselamatan dan kesehatan kerja, yang terdiri dari melindungi pekerja dari bahaya. Strategi promosi kesehatan di tempat kerja yang berhasil mencakup prinsip-prinsip partisipasi, manajemen proyek, integrasi, dan komprehensif:

• Partisipasi: semua staf harus diikutsertakan dalam semua tahapan program
• Manajemen proyek: program harus berorientasi pada siklus pemecahan masalah
• Integrasi: program harus dimasukkan ke dalam praktik manajemen perusahaan dan strategi promosi kesehatan di tempat kerja harus mempengaruhi perencanaan perusahaan
• Komprehensifitas: program harus menggabungkan strategi kesehatan yang diarahkan pada individu dan lingkungan yang bersifat interdisipliner.

Sebuah laporan dari European Agency for Safety and Health at Work mencatat semakin banyak bukti bahwa penghematan biaya yang signifikan dapat dilakukan dengan menerapkan strategi promosi kesehatan di tempat kerja, dan lebih dari 90% tempat kerja di Amerika Serikat yang memiliki lebih dari 50 karyawan memiliki program promosi kesehatan.

Strategi untuk mempromosikan kesehatan di tempat kerja

Strategi promosi kesehatan di tempat kerja harus inklusif untuk memperhitungkan keragaman dalam angkatan kerja, dan ekonomi perilaku merupakan alat utama untuk menerapkan program kesehatan di tempat kerja. Departemen Kesehatan dan Layanan Kemanusiaan Amerika Serikat menyertakan lima pedoman strategis untuk promosi kesehatan di tempat kerja dalam inisiatif Healthy People 2010. Ini termasuk:

• Pendidikan kesehatan, yang berfokus pada pengembangan keterampilan dan perubahan perilaku gaya hidup serta penyebaran informasi dan peningkatan kesadaran.
• Lingkungan sosial dan fisik yang mendukung, yang mencerminkan harapan organisasi mengenai perilaku kesehatan dan menerapkan kebijakan yang mempromosikan perilaku sehat.
• Integrasi program di tempat kerja ke dalam tunjangan organisasi, infrastruktur sumber daya manusia, dan inisiatif kesehatan dan keselamatan lingkungan.
• Hubungan antara promosi kesehatan dan program terkait seperti bantuan karyawan.
• Pemeriksaan yang diikuti dengan konseling dan pendidikan tentang cara terbaik menggunakan layanan medis untuk tindak lanjut yang diperlukan.

Secara umum, upaya promosi kesehatan di tempat kerja dilaksanakan pada tiga tingkat fungsional, termasuk:

• Tingkat I: program kesadaran seperti buletin, pameran kesehatan, dan kelas-kelas edukasi yang mungkin secara langsung atau tidak langsung meningkatkan kesehatan individu atau mempengaruhi perubahan perilaku.
• Level II: program modifikasi gaya hidup berdurasi 8 hingga 12 minggu yang tersedia bagi karyawan secara berkelanjutan dan secara langsung mempengaruhi hasil kesehatan.
• Level III: penciptaan lingkungan kerja yang membantu karyawan dalam mempertahankan gaya hidup dan perilaku sehat, seperti kantin di tempat kerja yang menawarkan pilihan makanan sehat atau penyediaan fasilitas olahraga di tempat kerja.

Dalam banyak kasus, intervensi aktivitas fisik sesuai dengan Level II dari kerangka kerja ini dan juga dapat mencakup elemen-elemen dari Level III. Program Penghargaan Kebugaran berbasis insentif (FRP) bertujuan untuk memengaruhi perilaku karyawan dan dengan demikian sesuai dengan Level I.[rujukan]

Intervensi aktivitas fisik

Sekitar setengah dari semua program promosi kesehatan di tempat kerja saat ini didasarkan pada intervensi aktivitas fisik mengingat relatif mudahnya pemberi kerja untuk menganjurkan upaya tersebut kepada karyawan. Intervensi aktivitas yang disponsori oleh pemberi kerja dalam bentuk olahraga beregu dimulai sejak abad ke-17 di Inggris, namun sebagian besar intervensi di abad ke-21 mengandalkan sponsor pemberi kerja untuk akses karyawan ke fasilitas kesehatan dan kebugaran. Kenyamanan karyawan terhadap fasilitas kebugaran yang disponsori sangat memengaruhi partisipasi program, dan fasilitas yang terletak di dekat lokasi tempat tinggal karyawan memiliki biaya waktu yang lebih rendah, menerima peningkatan penggunaan, dan menghasilkan hasil program dan kesehatan yang lebih baik.

Wanita sering menunjukkan partisipasi yang lebih rendah dalam program olahraga di tempat kerja daripada pria, dan individu muda yang masih lajang sering kali lebih cenderung mengejar inisiatif aktivitas fisik yang disponsori oleh pemberi kerja. Dalam banyak kasus, program promosi kesehatan di tempat kerja berbasis olahraga kesulitan untuk menarik orang-orang yang akan mendapat manfaat paling banyak dari upaya kebugaran seperti itu, termasuk karyawan yang sudah menua, tidak banyak bergerak, berkerah biru, wanita, atau karyawan yang kurang berpendidikan.

Sifat menetap di banyak tempat kerja modern meningkatkan faktor risiko metabolik negatif seperti indeks massa tubuh yang tinggi (BMI), lingkar pinggang, dan tekanan darah serta peningkatan kadar glukosa dan trigliserida puasa. Secara khusus, penggunaan mesin latihan pedal portabel di lingkungan kantor telah terbukti meningkatkan kesehatan karyawan, dan penggunaannya terbukti dapat dilakukan selama jam kerja. Intervensi menggunakan pedometer untuk memengaruhi perilaku karyawan, mengurangi durasi waktu duduk, dan meningkatkan jumlah gerakan selama hari kerja juga terbukti berhasil.

Aplikasi ponsel pintar dan rambu-rambu di tempat kerja yang mempromosikan penggunaan tangga diketahui dapat meningkatkan kesehatan karyawan, dan banyak perusahaan sekarang berinvestasi dalam teknologi yang dapat dikenakan untuk mendorong karyawan memantau aktivitas fisik. Program Tai Chi di tempat kerja juga terbukti efektif sebagai intervensi kesehatan dan sarana untuk mengurangi ketidakhadiran, terutama pada pekerja yang lebih tua. Terlepas dari upaya-upaya tersebut, banyak program promosi kesehatan yang mengalami kesulitan dalam hal partisipasi yang buruk, dan pengenalan insentif terbukti dapat meningkatkan keterlibatan karyawan.

Program berbasis insentif

Untuk mendorong aktivitas fisik di kalangan tenaga kerja, banyak perusahaan menawarkan insentif keuangan kepada karyawan melalui Program Imbalan Kebugaran (FRP). Melihat bahwa olahraga dan diet menghasilkan ketidaknyamanan langsung, manfaat penurunan berat badan sering tidak terlihat dalam jangka pendek, dan banyak orang yang mencari kesehatan jangka panjang tetapi menyerah pada godaan jangka pendek dari makanan yang tidak sehat dan ketidakaktifan (diskon hiperbolik), mempertahankan keterlibatan karyawan dalam program kesehatan menjadi sulit. Untuk mengatasi masalah kesegeraan, arti-penting, dan diskon hiperbola ini, FRP menawarkan insentif keuangan kepada karyawan untuk perilaku sehat. Meskipun kurangnya partisipasi masih menjadi masalah bahkan di antara FRP yang dibuat dengan baik, gesekan tidak terjadi secara acak dan keberhasilan penurunan berat badan yang lebih besar dikaitkan dengan penurunan probabilitas putus sekolah di kemudian hari.

Dampak promosi kesehatan di tempat kerja

Dampak positif dari program promosi kesehatan di tempat kerja terhadap produktivitas telah banyak dibahas. Dampak promosi kesehatan di tempat kerja terhadap ketidakhadiran sangat besar karena produktivitas tidak mungkin terjadi jika seorang karyawan tidak hadir. Namun, dampak ketidakhadiran juga signifikan, dan bekerja dalam keadaan sakit diperkirakan membebani ekonomi Amerika Serikat lebih dari $150 miliar per tahun. Ketidakhadiran diperkirakan membebani perusahaan rata-rata sebesar $660 setiap tahun per karyawan. Berdasarkan biaya produktivitas, karyawan yang mengalami kondisi kesehatan yang buruk atau berisiko mengalami gangguan kesehatan membebani perusahaan hingga $1.601 lebih banyak daripada karyawan yang sehat per tahun.  

Peningkatan produktivitas dan ketidakhadiran setelah penerapan program promosi kesehatan di tempat kerja setiap tahunnya dapat menghemat biaya perusahaan sebesar $15,6 untuk setiap satu dolar yang dihabiskan untuk inisiatif kesehatan.[6] Secara lebih umum, biaya perawatan kesehatan karyawan dan biaya ketidakhadiran hari kerja menurun sebesar $3,27 dan $2,73, masing-masing, untuk setiap satu dolar yang dihabiskan untuk promosi kesehatan di tempat kerja. Dalam beberapa kasus, program kesehatan berbasis pemberi kerja telah terbukti tidak menghasilkan penurunan pengeluaran perawatan kesehatan atau biaya asuransi pemberi kerja.

Terkait dengan hasil kesehatan, program promosi kesehatan di tempat kerja telah menunjukkan banyak manfaat jangka pendek dan jangka panjang. Secara signifikan, intervensi aktivitas fisik di tempat kerja terbukti meningkatkan kebugaran karyawan, perilaku aktivitas, tingkat lipid yang tidak sehat, kehadiran kerja, dan stres kerja, dan program olahraga di tempat kerja diketahui dapat mengurangi stres atasan dan pengawasan yang kejam terhadap bawahan, sehingga meningkatkan produktivitas.

Peningkatan tambahan telah dicatat setelah program kesehatan di tempat kerja dalam hal kejadian cedera, tekanan darah, kadar kolesterol, indeks massa tubuh, risiko penyakit kardiovaskular, kinerja otot yang dinamis, dan konsumsi oksigen maksimal.  Beberapa perbaikan bervariasi berdasarkan jenis kelamin, dengan pria sering mengalami peningkatan yang lebih besar dalam indeks massa tubuh dibandingkan wanita. Promosi kesehatan di tempat kerja juga diketahui dapat meningkatkan “status kesehatan yang dirasakan” karyawan, meningkatkan produktivitas dan meningkatkan partisipasi program kesehatan.

Secara ringkas, hasil yang diharapkan dari program promosi kesehatan di tempat kerja yang ideal meliputi:

• “Membuat pekerja sadar akan kesehatan mereka dan bagaimana kesehatan yang baik dapat meningkatkan kualitas hidup.”
• “Pekerja harus mengambil ‘kepemilikan’ atas perilaku mereka dan bertanggung jawab atas hasil kesehatan dan biaya.”
• “Partisipasi yang tinggi dan keterlibatan aktif dalam program-program ini. Orang-orang harus memanfaatkan banyak program yang ditawarkan.”
• “Karyawan harus menurunkan berat badan, berhenti merokok, berolahraga lebih sering, makan makanan yang sehat, mengelola tingkat stres dengan lebih baik, dan secara umum menerapkan kebiasaan yang sehat.”
• “Biaya klaim medis harus turun. Perusahaan harus mengalami penurunan insiden penyakit tertentu yang terkait dengan perilaku seperti diabetes, penyakit jantung, kanker, penyakit paru obstruktif kronik (PPOK), gangguan muskuloskeletal, dan stroke.”
• “Pekerja akan lebih jarang absen, biaya kecacatan akan terkendali, kecelakaan akan terhindarkan, dan tingkat cedera akan menurun tajam.”
• “Program-program ini akan menarik talenta terbaik-dan tingkat perputaran karyawan akan berkurang karena kami adalah pemberi kerja pilihan masyarakat.”
• “Pekerja akan bekerja pada tingkat yang lebih tinggi-mereka akan lebih bahagia, lebih bersemangat, dan memberikan hasil yang lebih baik bagi perusahaan kami.”
• “Membangun budaya kesehatan dan kesejahteraan, di mana setiap pekerja merasa dihargai dan penting bagi perusahaan-ini akan menginspirasi loyalitas yang lebih besar dan tingkat keterlibatan yang tinggi.”
• “Program ini akan menghasilkan laba atas investasi (ROI) yang positif bagi perusahaan - untuk setiap dolar yang dikeluarkan, dua atau tiga dolar akan dihemat.”

Promosi kesehatan di industri berupah rendah

Sekitar setengah dari karyawan di Amerika Serikat dipekerjakan oleh industri kecil (kurang dari 1000) dengan upah rendah.[33] Namun, kurang dari 10 persen yang menawarkan program promosi kesehatan kesehatan karena kurangnya sumber daya keuangan, waktu, dan keraguan yang berakar dari hasil investasi. Promosi kesehatan kerja bertujuan untuk memberikan kesejahteraan yang lebih baik bagi semua pekerja, namun karena hambatan ekonomi dan sosial, jumlah pekerja berupah rendah yang tidak proporsional tidak termasuk dalam penelitian tentang promosi kesehatan karyawan.

Sebuah studi tahun 2015 di wilayah metropolitan Seattle atau King County, pekerja berupah rendah dibandingkan dengan pekerja berpenghasilan tinggi memiliki hubungan yang kuat terkait perilaku kesehatan yang berisiko. Perilaku kesehatan yang berisiko dikenali sebagai penggunaan tembakau, gizi buruk dan gaya hidup tidak aktif yang kemudian menjadi faktor yang berkontribusi terhadap penyakit kronis. Hal ini kemudian menyoroti tingkat penyakit kronis yang tidak proporsional pada karyawan dengan upah rendah dibandingkan dengan karyawan dengan sosioekonomi yang lebih tinggi. Hal ini juga terungkap dalam penelitian di wilayah metropolitan Seattle/King County, bagaimana meskipun dampak penyakit kronis lazim terjadi pada karyawan dengan upah rendah, namun karyawan dengan upah tinggi merupakan kelompok yang lebih cenderung untuk berpartisipasi dalam promosi kesehatan di tempat kerja. Industri berupah rendah ditemukan memiliki hambatan termasuk kesadaran, kondisi kerja, dan manajemen.

Perdebatan terbesar dalam studi Seattle/King County berakar dari masalah biaya. Biaya pertama yang diungkap adalah insentif finansial ekonomi. Di mana industri berupah rendah memeriksa pentingnya pengembalian investasi. Perusahaan kecil memperdebatkan masalah apakah hasil dari promosi kesehatan pekerja layak untuk diinvestasikan atau dicap sebagai 'prioritas organisasi'. Selain pentingnya keuntungan, adalah biaya privasi karyawan. Para manajer sumber daya manusia dalam penelitian ini menyuarakan masalah privasi dan pentingnya menjaga masalah kesehatan pribadi terpisah dari pekerjaan dan pekerja mereka.

Selain tingginya tingkat penyakit kronis pada pekerja berupah rendah, ada juga tingkat morbiditas dan mortalitas yang tinggi dan paparan lingkungan berbahaya karena kesenjangan sosial ekonomi dan ras. Diskriminasi gender dan ras terkait dengan pekerja berupah rendah, di mana perempuan dan etnis minoritas berkontribusi pada statistik pekerja berupah rendah. Karena kerumitan lingkungan dan ruang kerja masing-masing pekerja dengan jenis kelamin dan ras yang berbeda, terjadi penurunan partisipasi dalam kelompok pekerja berupah rendah dalam program promosi kesehatan pekerja. Kompleksitas yang berbeda pada pekerja berupah rendah yang sebagian besar merupakan pekerja paruh waktu, distribusi upah dan tunjangan, dan bidang pekerjaan yang berbahaya.

Saran untuk meningkatkan partisipasi pekerja di industri berupah rendah meliputi kemudahan dan akses yang lebih baik. Untuk menciptakan vaksinasi di tempat kerja dan pilihan makanan sehat, meningkatkan partisipasi untuk perawatan pencegahan di industri ini. Faktor penting untuk mengakses program pencegahan atau promosi kesehatan pekerja di industri berupah rendah berkorelasi dengan cakupan asuransi kesehatan yang lebih baik. Perpanjangan dan peningkatan Undang-Undang Perawatan Terjangkau meningkatkan insentif bagi karyawan dan pemberi kerja untuk berpartisipasi dalam program pencegahan. Perpanjangan untuk karyawan penuh waktu dan paruh waktu, meningkatkan cakupan untuk lingkungan kerja yang berbahaya, dan kesetaraan demografis.

Disadur dari: en.wikipedia.org

Dalam sebuah industri, bagian terpenting yang mempengaruhi pengelolaan proses produksi yang lancar adalah mesin. Itu sebabnya, pengelolaan aset, terutama mesin, tidak boleh terlewatkan eksistensinya dalam sebuah industri. Mesin juga harus rutin menjalani pemeliharaan atau maintenance. Salah satu metode pemeliharaan mesin dalam sebuah industri adalah Predictive Maintenance.

Key Takeaways

• Predictive maintenance adalah metode pemeliharaan yang didasarkan pada prediksi kerusakan atau kegagalan mesin sebelum terjadi.
• Penggunaan teknologi-teknologi yang tepat dan canggih di atas membentuk fondasi yang kuat untuk implementasi prediktif pemeliharaan
• Tujuan sebuah industri menggunakan metode prediktif ini adalah agar perusahaan industri dapat memperbaiki atau mengganti komponen yang rusak sebelum terjadi kegagalan yang signifikan dan mempengaruhi produktivitas dan efisiensi operasi.
• Manfaat implementasi predictive maintenance dalam sebuah industri dapat menghemat biaya perbaikan yang mahal, meningkatkan waktu operasional mesin yang lebih lama, meningkatkan keselamatan kerja, dan mengurangi risiko kecelakaan di tempat kerja.

Pentingnya kegiatan pemeliharaan dan perawatan pada peralatan produksi atau mesin dalam sebuah industri, terdapat 4 jenis maintenance yang sering digunakan dalam industri, yaitu preventive maintenance atau perawatan pencegahan, predictive maintenance atau perawatan prediksi, breakdown maintenance atau jenis perawatan pemeliharaan yang dilakukan ketika terjadi kerusakan yang tidak terduga, dan corrective maintenance atau perawatan yang dilakukan dengan penggantian komponen rusak.

Namun, pada artikel kali ini yang akan dibahas lebih lanjut adalah mengenai apa itu predictive maintenance dan bagaimana implementasinya dalam pengelolaan aset dan proses produksi industri.

Pengertian Predictive Maintenance

Dilansir dari artikel karya Saeid Mokhatab, William A. Poe dan John Y. Mak yang diakses melalui ScienceDirect, Predictive maintenance atau pemeliharaan prediktif adalah metode di mana masa pakai barang atau suku cadang penting diprediksi berdasarkan inspeksi atau diagnosis untuk menentukan batas masa pakainya. Dibandingkan dengan pemeliharaan berkala, pemeliharaan prediktif adalah pemeliharaan aset (asset management) berbasis kondisi. Metode ini mengelola nilai tren, dengan mengukur dan menganalisis data tentang kerusakan dan menggunakan sistem pengawasan yang dirancang untuk memantau kondisi melalui sistem on-line.

Dengan menggunakan program pemeliharaan prediktif, perusahaan industri dapat memperbaiki atau mengganti komponen yang rusak sebelum terjadi kegagalan yang signifikan (just in time), yang dapat mempengaruhi produktivitas dan efisiensi operasi. Dalam jangka panjang, hal ini terbukti dapat menghemat biaya dan waktu perbaikan yang mahal dan meningkatkan operasional mesin dengan jangka waktu yang lebih lama. Maintenance ini juga dapat meningkatkan keselamatan kerja dan mengurangi risiko kecelakaan di tempat kerja.

Untuk mengimplementasikan program perawatan prediktif, perusahaan industri harus memiliki infrastruktur teknologi dan tim yang terlatih untuk mengumpulkan dan menganalisis data yang diperlukan. Ini termasuk penggunaan sensor, alat pemantauan dan pemrosesan data, serta pemahaman yang kuat tentang bagaimana mesin bekerja dan bagaimana mesin dapat terus ditingkatkan pemanfaatannya.

Implementasi metode perawatan ini juga memerlukan investasi yang signifikan dalam hal monitoring mesin dan sistem yang tepat untuk mengumpulkan dan menganalisis data. Namun, dengan menerapkan metode ini, seharusnya industri dapat meningkatkan efisiensi, memperpanjang masa pakai mesin, dan menghindari biaya perbaikan yang mahal dan waktu henti yang tidak terduga.

Manfaat Pemeliharaan Prediktif bagi Industri

Metode predictive menggunakan metode perawatan berbasis data yang menggunakan teknik analisis dan machine learning untuk memprediksi kapan suatu peralatan berkemungkinan mengalami kerusakan.

Dengan menganalisis sensor, catatan perawatan historis, dan sumber data lain yang relevan, metode ini dapat membantu mengidentifikasi potensi masalah sebelum menjadi masalah besar, memungkinkan tim perawatan untuk melakukan perbaikan atau penggantian sebelum terjadi kerusakan.

Terdapat beberapa manfaat dalam menerapkan strategi perawatan metode prediktif. Ini meliputi:

1. Mengurangi Downtime

Salah satu tujuan utama pemeliharaan prediktif adalah untuk mengidentifikasi potensi kegagalan atau masalah pada peralatan sebelum terjadi, sehingga dapat dilakukan perawatan yang diperlukan tanpa mengganggu operasi normal. Dengan demikian, tujuannya adalah untuk mengurangi downtime atau waktu henti produksi yang tidak direncanakan.

2. Meningkatkan Ketersediaan Peralatan

Dengan memperkirakan waktu perawatan yang diperlukan secara akurat, pemeliharaan prediktif memungkinkan perusahaan untuk menjadwalkan pemeliharaan dengan lebih efisien. Hal ini membantu dalam meningkatkan ketersediaan peralatan, sehingga perusahaan dapat memaksimalkan waktu produksi dengan menyusun jadwal yang lebih akurat dan menghindari penundaan yang tidak diinginkan.

3. Mengurangi Biaya Pemeliharaan

Predictive maintenance memungkinkan perusahaan untuk menghindari pemeliharaan yang tidak perlu atau penggantian komponen yang masih berfungsi dengan baik. Dengan melakukan perawatan tepat waktu berdasarkan prediksi, biaya pemeliharaan dapat diminimalkan, sementara umur pakai peralatan dapat diperpanjang.

4. Meningkatkan Keselamatan Kerja

Dengan mengidentifikasi potensi kegagalan atau masalah pada peralatan sebelum terjadi, predictive maintenance membantu dalam mencegah kecelakaan kerja yang disebabkan oleh kegagalan peralatan. Maka dari itu, predictive maintenance dapat membantu meningkatkan keselamatan kerja dan kesejahteraan karyawan.

5. Optimasi Efisiensi Operasional

Dengan memahami pola kinerja peralatan dan faktor-faktor yang mempengaruhi kinerja mereka, prediktif pemeliharaan memungkinkan perusahaan untuk mengidentifikasi cara-cara untuk meningkatkan efisiensi operasional. Ini bisa berupa penyesuaian proses produksi, pemilihan bahan bakar atau energi yang lebih efisien, atau pengoptimalan parameter operasional lainnya.

6. Meningkatkan Kualitas Produk

Selain memastikan ketersediaan peralatan yang optimal dan menghindari kegagalan yang dapat mempengaruhi proses produksi, prediktif pemeliharaan juga berkontribusi untuk meningkatkan keandalan dan kualitas produk akhir. Ini dapat meningkatkan kepuasan pelanggan dan reputasi perusahaan di pasar.

Perbedaan Preventive Maintenance dan Predictive Maintenance

^{_{Sumber: terralogiq.com}} 

Secara umum, preventive dan predictive maintenance adalah dua pendekatan yang berbeda dalam memelihara peralatan. Meskipun keduanya memiliki tujuan yang sama yaitu memperpanjang umur peralatan, mencegah downtime, dan mengurangi biaya pemeliharaan jangka panjang.

Lantas, apakah ada perbedaan diantara keduanya? Perbedaan preventive dan predictive maintenance adalah pada metode dan tujuan dari kedua jenis perawatan. Keduanya memiliki metode dan pendekatan yang berbeda untuk mencapai tujuan tersebut.

1. Perbedaan Berdasarkan Metode

Preventive maintenance adalah jenis perawatan dimana peralatan dirawat secara teratur dan sistematis untuk mencegah kerusakan atau kegagalan dalam operasi normal. Pada metode perawatan ini, peralatan diperiksa, dibersihkan, diolesi dengan pelumas, dan diperbaiki secara berkala sesuai dengan jadwal perawatan yang telah ditentukan.

Sementara itu, predictive maintenance adalah jenis perawatan dimana peralatan dirawat berdasarkan data dan analisis untuk memprediksi kerusakan atau kegagalan yang mungkin terjadi di masa depan. Pada predictive maintenance, analisis dari peralatan seperti suhu, analisis getaran atau vibration analysis, thermal imager atau radiasi inframerah, tekanan, pengujian kandungan oli atau oil analysis dan lainnya, dipantau secara terus-menerus untuk mengidentifikasi perubahan yang dapat menunjukkan adanya masalah pada mesin atau peralatan.

2. Perbedaan Berdasarkan Tujuan

Tujuan utama dari preventive maintenance adalah mencegah kegagalan peralatan, memperpanjang umur peralatan, meningkatkan efisiensi dan kinerja, serta meminimalkan biaya pemeliharaan jangka panjang.

Sedangkan tujuan utama dari predictive maintenance adalah mengidentifikasi masalah sebelum terjadi kegagalan, menghindari downtime, dan mengoptimalkan kinerja peralatan.

3. Perbedaan Berdasarkan Condition Monitoring

Condition monitoring antar keduanya memiliki perbedaan. Preventive maintenance dilakukan berdasarkan jadwal waktu atau jadwal berdasarkan penggunaan atau meteran. Sedangkan predictive maintenance dilakukan berdasarkan data dan analisis yang terus-menerus dipantau dari peralatan.

4. Perbedaan Berdasarkan Pendekatan Perawatan

Preventive maintenance lebih cocok digunakan untuk peralatan yang mudah diperiksa dan pemeliharaannya dapat dilakukan secara teratur. Sedangkan predictive maintenance lebih cocok digunakan untuk peralatan yang memerlukan perhatian khusus dan analisis yang canggih.

Teknologi Pendukung Metode Predictive Maintenance

Teknologi pendukung metode pemeliharaan prediktif (predictive maintenance) terus berkembang seiring dengan kemajuan teknologi informasi dan industri 4.0. Berikut adalah beberapa teknologi utama yang mendukung implementasi prediktif pemeliharaan:

1. Internet of Things (IoT)

Sensor-sensor yang terhubung ke Internet memungkinkan pengumpulan data secara real time dari peralatan industri. Sensor-sensor ini mengukur berbagai parameter seperti suhu, tekanan, getaran, arus listrik, dan lain-lain. Data yang dikumpulkan oleh sensor-sensor ini digunakan sebagai dasar untuk analisis prediktif dan pemantauan kondisi peralatan.

2. Big Data dan Analitik Data

Big data analytics digunakan untuk menganalisis data besar yang dihasilkan oleh sensor-sensor IoT. Analisis data ini mencakup pengenalan pola, deteksi anomali, dan pengembangan model prediktif untuk memprediksi kegagalan peralatan.

Selain itu, algoritma machine learning dan kecerdasan buatan juga dapat digunakan untuk mengekstrak wawasan yang berharga dari data dan meningkatkan ketepatan prediksi.

3. Cloud Computing

Teknologi cloud computing menyediakan infrastruktur yang diperlukan untuk menyimpan dan mengelola data besar yang dihasilkan oleh sistem prediktif pemeliharaan. Teknologi cloud juga memungkinkan akses cepat dan fleksibel ke sumber daya komputasi yang diperlukan untuk analisis data yang kompleks.

4. Digital Twin

Konsep digital twin berfungsi untuk menciptakan replika digital dari peralatan fisik di dunia nyata. Digital twin memungkinkan simulasi dan pemodelan berdasarkan data yang dikumpulkan dari peralatan nyata.

Dengan menggunakan digital twin, perusahaan dapat memprediksi perilaku peralatan dalam kondisi tertentu dan melakukan simulasi untuk mengidentifikasi strategi pemeliharaan yang optimal.

5. Augmented Reality (AR) dan Virtual Reality (VR)

Teknologi AR dan VR digunakan untuk menyediakan pandangan yang diperkaya dari data pemantauan kondisi peralatan. Teknologi ini memungkinkan teknisi untuk melihat data pemeliharaan secara langsung di lapangan, memfasilitasi diagnosis cepat dan tindakan perbaikan yang tepat.

6. Sistem Manajemen Aset (Asset Management Systems)

Sistem manajemen aset menyediakan platform untuk mengintegrasikan data pemeliharaan, perencanaan pemeliharaan, dan manajemen inventaris peralatan. Sebagai contoh, sistem manajemen aset Terralogiq dapat membantu dalam merencanakan dan melacak kegiatan pemeliharaan serta mengelola riwayat pemeliharaan peralatan.

7. Edge Computing

Teknologi edge computing memungkinkan analisis data dilakukan secara lokal di tempat sensor-sensor berada. Ini memungkinkan respon real time terhadap data sensor tanpa harus mengirimkan data ke cloud terlebih dahulu, yang dapat mengurangi latency dan meningkatkan efisiensi jaringan.

Contoh Penerapan Metode Predictive Maintenance dalam Industri

^{_{Sumber: terralogiq.com}} 

Deskripsi Perusahaan:

Perusahaan manufaktur otomotif fiktif, “The AutomobileTech”, merupakan produsen kendaraan bermotor terkemuka dengan fasilitas produksi yang luas. Mereka menghasilkan berbagai jenis kendaraan, mulai dari mobil penumpang hingga truk komersial.

Masalah:

The AutomobileTech menghadapi tantangan dalam menjaga keandalan dan ketersediaan mesin produksi mereka. Downtime tidak terjadwal seringkali mengganggu produksi, mengakibatkan keterlambatan pengiriman dan biaya tambahan. Selain itu, biaya pemeliharaan preventif yang berlebihan dan penggantian komponen sebelum waktunya juga menjadi beban finansial.

Solusi:

Untuk mengatasi tantangan ini, The AutomobileTech memutuskan untuk menerapkan sistem prediktif pemeliharaan. Mereka mengintegrasikan sensor pintar ke dalam mesin produksi mereka dan menggunakan platform analitik data untuk memantau kinerja mesin secara real time. Data dari sensor disinkronkan dengan platform analitik yang menggunakan algoritma machine learning untuk menganalisis pola dan anomali yang menunjukkan potensi kegagalan.

Implementasi:

1. Pemantauan Sensor: Sensor dipasang pada berbagai komponen kritis mesin, seperti motor, gearbox, dan sistem pendingin. Sensor mengumpulkan data mengenai suhu, tekanan, getaran, dan parameter kinerja lainnya.
2. Analisis Data: Data dari sensor diproses oleh platform analitik yang menggunakan algoritma machine learning untuk menganalisis pola kinerja mesin. Algoritma ini dapat mengidentifikasi pola yang mengarah pada kegagalan atau perawatan yang diperlukan.
3. Prediksi Kegagalan: Berdasarkan analisis data, sistem dapat memprediksi kapan suatu komponen akan mengalami kegagalan atau memerlukan perawatan. Ini memungkinkan tim pemeliharaan untuk merencanakan tindakan pemeliharaan yang tepat pada waktu yang tepat.
4. Tindakan Pemeliharaan: Tim pemeliharaan menerima pemberitahuan atau peringatan dari sistem saat diperlukan tindakan pemeliharaan. Mereka dapat melakukan perawatan yang diperlukan sebelum terjadi kegagalan yang dapat mengakibatkan downtime tidak terduga.

Hasil:

1. Reduksi Downtime: Dengan memprediksi kegagalan sebelum terjadi, The AutomobileTech berhasil mengurangi downtime tidak terduga mesin produksi mereka secara signifikan.
2. Peningkatan Efisiensi: Penggunaan prediktif pemeliharaan membantu memaksimalkan ketersediaan mesin dan mengoptimalkan jadwal pemeliharaan, sehingga meningkatkan efisiensi operasional secara keseluruhan.
3. Penghematan Biaya: AutomobileTech mengalami penghematan biaya yang signifikan dengan mengurangi pemeliharaan preventif yang tidak perlu dan menghindari kerusakan serius pada mesin produksi.

Kesimpulan:

Studi kasus ini menunjukkan bagaimana penerapan prediktif pemeliharaan dalam industri manufaktur otomotif dapat menghasilkan manfaat yang signifikan, termasuk pengurangan downtime, peningkatan efisiensi operasional, dan penghematan biaya. Hal ini menegaskan nilai pentingnya teknologi prediktif pemeliharaan dalam menjaga keandalan dan ketersediaan peralatan industri.

Sumber: terralogiq.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.

Di 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

Model fisik: Model ini merupakan versi aktual yang diperkecil dari model aslinya. Contohnya termasuk bola dunia, model mobil berskala, atau model garis aliran yang dibuat dengan elemen-elemen dari perangkat konstruksi mainan. Secara umum, model-model seperti ini tidak terlalu umum dalam riset operasi, terutama karena mendapatkan representasi yang akurat dari sistem yang kompleks melalui model fisik sering kali tidak mungkin.

Model analog: Ini adalah model yang merupakan langkah mundur dari kategori pertama karena mereka juga merupakan model fisik, tetapi menggunakan analog fisik untuk menggambarkan sistem, bukan versi yang diperkecil. Mungkin contoh paling terkenal dari model analog adalah model ANTIAC (singkatan dari anti-automatic-computation) yang menunjukkan bahwa seseorang dapat melakukan analisis riset operasi yang valid tanpa menggunakan komputer. Dalam masalah ini, tujuannya adalah untuk menemukan cara terbaik untuk mendistribusikan pasokan di depot militer ke berbagai titik permintaan. Masalah seperti ini dapat diselesaikan secara efisien dengan menggunakan teknik-teknik dari analisis aliran jaringan.

Namun prosedur aktual yang digunakan menggunakan pendekatan yang berbeda. Sarang semut di atas platform yang ditinggikan dipilih sebagai analogi untuk depot dan gundukan kecil gula di platform masing-masing dipilih untuk mewakili setiap titik permintaan. Jaringan jalan yang menghubungkan berbagai titik tersebut dibangun dengan menggunakan potongan-potongan tali dengan panjang masing-masing proporsional dengan jarak yang sebenarnya dan lebarnya sesuai dengan kapasitas di sepanjang jalur tersebut. Sepasukan semut kemudian dilepaskan di sarang semut dan jalur yang mereka pilih untuk mencapai gundukan gula kemudian diamati. Setelah model mencapai kondisi tunak, ditemukan bahwa semut-semut tersebut berdasarkan kecenderungan mereka sendiri telah menemukan jalur yang paling efisien ke tujuan mereka! Kita bahkan dapat melakukan beberapa analisis postoptimality.

Sebagai contoh, berbagai kapasitas transportasi di sepanjang setiap jalur dapat dianalisis dengan memvariasikan lebar jalur secara proporsional, dan skenario di mana jalur tertentu tidak dapat digunakan dapat dianalisis hanya dengan menghapus jalur yang sesuai untuk melihat apa yang semut akan lakukan. Hal ini mengilustrasikan sebuah model analog. Lebih penting lagi, hal ini juga menggambarkan bahwa meskipun O.R. biasanya diidentikkan dengan analisis matematis, penggunaan model inovatif dan prosedur pemecahan masalah seperti yang baru saja dijelaskan merupakan cara yang sah untuk melakukan studi O.R..

Model simulasi komputer: Dengan pertumbuhan daya komputasi, model-model ini telah menjadi sangat populer selama sepuluh hingga lima belas tahun terakhir. Model simulasi adalah model di mana sistem diabstraksikan ke dalam program komputer. Meskipun bahasa komputer tertentu yang digunakan bukanlah karakteristik yang menentukan, sejumlah bahasa dan sistem perangkat lunak telah dikembangkan semata-mata untuk tujuan membangun model simulasi komputer; sebuah survei tentang sistem yang paling populer dapat ditemukan di OR atau MS Today (Oktober 1997, hal. 38-46). Biasanya, perangkat lunak semacam itu memiliki sintaks serta konstruksi bawaan yang memungkinkan pengembangan model yang mudah.

Sering kali mereka juga memiliki ketentuan untuk grafik dan animasi yang dapat membantu seseorang memvisualisasikan sistem yang sedang disimulasikan. Model simulasi dianalisis dengan menjalankan perangkat lunak selama beberapa waktu yang mewakili periode yang sesuai ketika sistem asli beroperasi dalam kondisi tunak. Input untuk model tersebut adalah variabel keputusan yang berada di bawah kendali pengambil keputusan. Variabel-variabel tersebut diperlakukan sebagai parameter dan simulasi dijalankan untuk berbagai kombinasi nilai untuk parameter-parameter tersebut. Pada akhir simulasi, statistik dikumpulkan untuk berbagai ukuran kinerja dan kemudian dianalisis dengan menggunakan teknik standar. Pengambil keputusan kemudian memilih kombinasi nilai untuk variabel keputusan yang menghasilkan kinerja yang paling diinginkan.

Model simulasi sangat kuat dan memiliki satu fitur yang sangat diinginkan: model ini dapat digunakan untuk memodelkan sistem yang sangat kompleks tanpa perlu membuat terlalu banyak asumsi penyederhanaan dan tanpa perlu mengorbankan detail. Di sisi lain, kita harus sangat berhati-hati dengan model simulasi karena simulasi juga mudah disalahgunakan.

• Pertama, sebelum menggunakan model, model tersebut harus divalidasi dengan benar. Meskipun validasi diperlukan untuk model apa pun, validasi sangat penting dalam simulasi.
• Kedua, analis harus terbiasa dengan cara menggunakan model simulasi dengan benar, termasuk hal-hal seperti replikasi, run length, pemanasan, dan sebagainya; penjelasan rinci mengenai konsep-konsep ini berada di luar cakupan bab ini, namun pembaca yang tertarik dapat merujuk pada teks yang baik mengenai simulasi.
• Ketiga, analis harus terbiasa dengan berbagai teknik statistik agar dapat menganalisis hasil simulasi dengan cara yang bermakna.
• Keempat, membangun model simulasi yang kompleks pada komputer sering kali merupakan tugas yang menantang dan relatif memakan waktu, meskipun perangkat lunak simulasi telah berkembang hingga menjadi lebih mudah dari hari ke hari. Alasan mengapa masalah ini ditekankan di sini adalah karena model simulasi modern dapat terlihat sangat mencolok dan menarik, tetapi nilai sebenarnya terletak pada kemampuannya untuk menghasilkan wawasan ke dalam masalah yang sangat kompleks. Namun demikian, untuk mendapatkan wawasan semacam itu, diperlukan keterampilan teknis yang cukup tinggi.

Hal terakhir yang perlu diingat dengan simulasi adalah bahwa simulasi tidak memberikan indikasi strategi yang optimal. Dalam beberapa hal, ini adalah proses coba-coba karena seseorang bereksperimen dengan berbagai strategi yang tampaknya masuk akal dan melihat hasil obyektif yang diberikan oleh model simulasi untuk mengevaluasi manfaat dari setiap strategi. Jika jumlah variabel keputusan sangat banyak, maka seseorang harus membatasi diri pada beberapa bagian dari variabel-variabel tersebut untuk dianalisis, dan ada kemungkinan bahwa strategi akhir yang dipilih bukanlah strategi yang optimal. Namun, dari sudut pandang praktisi, tujuannya sering kali adalah untuk menemukan strategi yang baik dan bukan yang terbaik, dan model simulasi sangat berguna dalam memberikan solusi yang baik bagi pengambil keputusan.

Model matematika: Ini adalah kategori model terakhir, dan yang secara tradisional paling sering diidentikkan dengan O.R. Dalam jenis model ini, seseorang menangkap karakteristik suatu sistem atau proses melalui serangkaian hubungan matematis. Model matematis dapat bersifat deterministik atau probabilistik. Pada jenis yang pertama, semua parameter yang digunakan untuk menggambarkan model diasumsikan diketahui (atau diestimasi dengan tingkat kepastian yang tinggi). Pada model probabilistik, nilai pasti untuk beberapa parameter mungkin tidak diketahui, namun diasumsikan bahwa parameter tersebut dapat dikarakterisasi dengan cara yang sistematis (misalnya, melalui penggunaan distribusi probabilitas).

Sebagai ilustrasi, Metode Jalur Kritis (CPM) dan Teknik Evaluasi dan Peninjauan Program (PERT) adalah dua teknik O.R. yang sangat mirip yang digunakan dalam bidang perencanaan proyek. Namun, CPM didasarkan pada model matematika deterministik yang mengasumsikan bahwa durasi setiap aktivitas proyek adalah konstanta yang diketahui, sedangkan PERT didasarkan pada model probabilistik yang mengasumsikan bahwa setiap durasi aktivitas bersifat acak tetapi mengikuti beberapa distribusi probabilitas tertentu (biasanya, distribusi Beta). Secara garis besar, model deterministik cenderung lebih mudah dianalisis daripada model probabilistik; namun, hal ini tidak berlaku secara universal.

Sebagian besar model matematika cenderung dicirikan oleh tiga elemen utama: variabel keputusan, batasan, dan fungsi objektif. Variabel keputusan digunakan untuk memodelkan tindakan spesifik yang berada di bawah kendali pengambil keputusan. Analisis model akan mencari nilai spesifik untuk variabel-variabel ini yang diinginkan dari satu atau beberapa perspektif. Sering kali - terutama pada model yang besar - juga umum untuk mendefinisikan variabel “kenyamanan” tambahan untuk tujuan menyederhanakan model atau membuatnya lebih jelas. Sebenarnya, variabel-variabel tersebut tidak berada di bawah kendali pengambil keputusan, tetapi juga disebut sebagai variabel keputusan. Kendala digunakan untuk menetapkan batasan pada rentang nilai yang dapat diambil oleh setiap variabel keputusan, dan setiap kendala biasanya merupakan terjemahan dari beberapa batasan tertentu (misalnya, ketersediaan sumber daya) atau persyaratan (misalnya, kebutuhan untuk memenuhi permintaan yang telah dikontrak).

Jelasnya, batasan menentukan nilai yang dapat diberikan pada variabel keputusan, yaitu keputusan spesifik pada sistem atau proses yang dapat diambil. Komponen ketiga dan terakhir dari model matematika adalah fungsi tujuan. Ini adalah pernyataan matematis dari beberapa ukuran kinerja (seperti biaya, keuntungan, waktu, pendapatan, pemanfaatan, dll.) dan dinyatakan sebagai fungsi dari variabel keputusan untuk model. Biasanya diinginkan untuk memaksimalkan atau meminimalkan nilai fungsi tujuan, tergantung pada apa yang diwakilinya. Sering kali, seseorang mungkin secara bersamaan memiliki lebih dari satu fungsi objektif untuk dioptimalkan (misalnya, memaksimalkan keuntungan dan meminimalkan perubahan tingkat tenaga kerja).

Dalam kasus seperti ini, ada dua pilihan. Pertama, kita dapat fokus pada satu tujuan dan menurunkan tujuan yang lain ke status sekunder dengan memindahkannya ke dalam himpunan batasan dan menentukan nilai minimum atau maksimum yang diinginkan. Ini cenderung menjadi pilihan yang lebih sederhana dan yang paling sering digunakan. Pilihan lainnya adalah dengan menggunakan teknik yang dirancang khusus untuk beberapa tujuan (seperti goal programming).

Dalam menggunakan model matematika, idenya adalah pertama-tama menangkap semua aspek penting dari sistem dengan menggunakan tiga elemen yang baru saja dijelaskan, dan kemudian mengoptimalkan fungsi tujuan dengan memilih (dari semua nilai untuk variabel keputusan yang tidak melanggar batasan yang ditentukan) nilai spesifik yang juga menghasilkan nilai yang paling diinginkan (maksimum atau minimum) untuk fungsi tujuan. Proses ini sering disebut pemrograman matematis. Meskipun banyak model matematis cenderung mengikuti bentuk ini, hal ini tentu saja tidak menjadi keharusan; sebagai contoh, sebuah model dapat dibuat untuk mendefinisikan hubungan antara beberapa variabel dan pengambil keputusan dapat menggunakan model ini untuk mempelajari bagaimana satu atau beberapa variabel terpengaruh oleh perubahan nilai variabel lainnya. Pohon keputusan, rantai Markov, dan banyak model antrian dapat dimasukkan ke dalam kategori ini.

Sebelum mengakhiri bagian formulasi model ini, kita kembali ke contoh hipotetis dan menerjemahkan pernyataan yang dibuat pada tahap pendefinisian masalah ke dalam model matematika dengan menggunakan informasi yang dikumpulkan pada tahap pengumpulan data. Untuk melakukan hal ini, kami mendefinisikan dua variabel keputusan G dan W untuk mewakili jumlah gizmos dan widget yang akan dibuat dan dijual bulan depan. Kemudian tujuannya adalah untuk memaksimalkan keuntungan total yang diberikan oleh 10G + 9W. Ada kendala yang terkait dengan masing-masing dari tiga sumber daya terbatas, yang harus memastikan bahwa

Produksi G gizmos dan W widget tidak menggunakan lebih banyak sumber daya yang sesuai daripada yang tersedia untuk digunakan. Jadi untuk sumber daya 1, hal ini akan diterjemahkan ke dalam pernyataan matematika berikut ini 0,7G + 1,0W ≤ 630, di mana sisi kiri pertidaksamaan menunjukkan penggunaan sumber daya dan sisi kanan menunjukkan ketersediaan sumber daya. Selain itu, kita juga harus memastikan bahwa setiap nilai G dan W yang dipertimbangkan adalah bilangan bulat non-negatif, karena nilai lainnya tidak ada artinya dalam definisi G dan W. Model matematis lengkapnya adalah:

• Maksimalkan {Laba = 10G + 9W}, dengan syarat
• 0,7G + 1,0W ≤ 630
• 1.0G + (2/3) W ≤ 708
• 0,1G + 0,25W ≤ 135
• G, W ≥ 0 dan bilangan bulat.

Program matematika ini mencoba memaksimalkan keuntungan sebagai fungsi dari jumlah produksi (G dan W), sambil memastikan bahwa jumlah tersebut sedemikian rupa sehingga produksi yang sesuai dapat dilakukan dengan sumber daya yang tersedia.

Solusi model: Fase kelima dari proses O.R. adalah solusi dari masalah yang diwakili oleh model. Ini adalah area di mana sejumlah besar penelitian dan pengembangan di bidang O.R. telah difokuskan, dan ada banyak sekali metode untuk menganalisis berbagai macam model. Tidak mungkin untuk membahas secara rinci berbagai teknik ini dalam satu bab pengantar seperti ini; namun, gambaran umum dari beberapa metode yang lebih penting dapat ditemukan di bagian lain dalam buku ini. Secara umum, beberapa pelatihan formal dalam riset operasi diperlukan untuk memahami bagaimana metode-metode ini bekerja dan pembaca yang tertarik disarankan untuk membaca dengan seksama teks pengantar tentang O.R.; bagian “Bacaan Lebih Lanjut” pada akhir bab ini mencantumkan beberapa buku yang bagus.

Perlu juga disebutkan bahwa dalam beberapa tahun terakhir ini sejumlah sistem perangkat lunak telah muncul yang (setidaknya secara teori) merupakan “kotak hitam” untuk memecahkan berbagai model. Namun, beberapa pendidikan formal dalam metode O.R. masih diperlukan (atau setidaknya sangat disarankan) sebelum menggunakan sistem tersebut. Dari sudut pandang praktisi, hal yang paling penting adalah untuk dapat mengenali mana dari sekian banyak teknik yang tersedia yang sesuai untuk model yang dibangun. Biasanya, hal ini bukanlah tugas yang sulit bagi seseorang yang memiliki pelatihan dasar dalam riset operasi. Teknik-teknik itu sendiri terbagi dalam beberapa kategori.

Pada tingkat yang paling rendah, seseorang mungkin dapat menggunakan teknik grafis sederhana atau bahkan mencoba-coba. Namun, terlepas dari kenyataan bahwa perkembangan spreadsheet telah membuat hal ini jauh lebih mudah dilakukan, ini biasanya merupakan pendekatan yang tidak dapat dilakukan untuk sebagian besar masalah yang tidak sepele. Sebagian besar teknik O.R. bersifat analitis, dan masuk ke dalam salah satu dari empat kategori besar. Pertama, ada teknik simulasi, yang jelas digunakan untuk menganalisis model simulasi. Sebagian besar dari teknik ini adalah program komputer yang menjalankan model dan metode yang digunakan untuk melakukannya dengan benar.

Namun, bagian yang lebih menarik dan menantang adalah teknik yang digunakan untuk menganalisis volume output yang besar dari program-program tersebut; biasanya, hal ini mencakup sejumlah teknik statistik. Pembaca yang tertarik dapat merujuk pada buku yang bagus tentang simulasi untuk melihat bagaimana kedua bagian ini saling melengkapi. Kategori kedua terdiri dari teknik-teknik analisis matematis yang digunakan untuk menangani model yang tidak memiliki fungsi tujuan atau batasan yang jelas, namun merupakan representasi matematis dari sistem yang dimaksud.

Contohnya termasuk teknik statistik umum seperti analisis regresi, inferensi statistik dan analisis varians, serta yang lainnya seperti antrian, rantai Markov dan analisis keputusan. Kategori ketiga terdiri dari teknik pencarian optimal, yang biasanya digunakan untuk menyelesaikan program matematika yang dijelaskan di bagian sebelumnya untuk menemukan nilai optimal (yaitu, terbaik) untuk variabel keputusan. Teknik-teknik spesifik termasuk pemrograman linier, nonlinier, dinamis, bilangan bulat, tujuan, dan stokastik, serta berbagai metode berbasis jaringan. Penjelasan rinci mengenai hal ini berada di luar cakupan bab ini, tetapi ada sejumlah teks yang sangat baik dalam pemrograman matematika yang menjelaskan banyak metode ini dan pembaca yang tertarik dapat merujuk ke salah satunya. Kategori terakhir dari teknik-teknik ini sering disebut sebagai heuristik.

Ciri khas dari teknik heuristik adalah bahwa teknik ini tidak menjamin bahwa solusi terbaik akan ditemukan, tetapi pada saat yang sama tidak serumit teknik pencarian optimal. Meskipun heuristik dapat berupa teknik yang sederhana, masuk akal, dan bersifat rule-of-thumb, teknik ini biasanya merupakan metode yang mengeksploitasi fitur-fitur masalah tertentu untuk mendapatkan hasil yang baik. Perkembangan yang relatif baru di bidang ini adalah apa yang disebut meta-heuristik (seperti algoritme genetika, pencarian tabu, pemrograman evolusioner, dan simulated annealing) yang merupakan metode tujuan umum yang dapat diterapkan pada sejumlah masalah yang berbeda. Metode-metode ini secara khusus semakin populer karena kesederhanaannya yang relatif dan fakta bahwa peningkatan daya komputasi telah meningkatkan efektivitasnya.

Dalam menerapkan teknik tertentu, hal yang penting untuk diingat dari sudut pandang praktisi adalah bahwa teknik tersebut sering kali cukup untuk mendapatkan solusi yang baik meskipun tidak dijamin sebagai solusi terbaik. Jika ketersediaan sumber daya maupun waktu tidak menjadi masalah, tentu saja seseorang akan mencari solusi yang optimal. Namun, hal ini jarang terjadi dalam praktiknya, dan ketepatan waktu merupakan hal yang penting dalam banyak kasus. Dalam konteks ini, sering kali lebih penting untuk mendapatkan solusi yang memuaskan dengan cepat daripada mengeluarkan banyak usaha untuk menentukan solusi yang optimal, terutama ketika keuntungan marjinal dari hal tersebut kecil. Ekonom Herbert Simon menggunakan istilah “memuaskan” untuk menggambarkan konsep ini - seseorang mencari yang optimal tetapi berhenti di tengah jalan ketika solusi yang cukup baik telah ditemukan.

Pada titik ini, beberapa kata tentang aspek komputasi sudah sesuai. Ketika diterapkan pada masalah dunia nyata yang tidak sepele, hampir semua teknik yang dibahas dalam bagian ini memerlukan penggunaan komputer. Memang, dorongan terbesar untuk peningkatan penggunaan metode O.R. adalah peningkatan yang cepat dalam daya komputasi. Meskipun masih ada masalah skala besar yang solusinya membutuhkan penggunaan komputer mainframe atau workstation yang kuat, banyak masalah besar saat ini yang dapat diselesaikan pada sistem komputer mikro desktop.

Ada banyak paket komputer (dan jumlahnya terus bertambah dari hari ke hari) yang telah menjadi populer karena kemudahan penggunaannya dan biasanya tersedia dalam berbagai versi atau ukuran dan antarmuka yang mulus dengan sistem perangkat lunak lain; tergantung pada kebutuhan spesifik mereka, pengguna akhir dapat memilih konfigurasi yang sesuai. Banyak vendor perangkat lunak juga menawarkan layanan pelatihan dan konsultasi untuk membantu pengguna mendapatkan hasil maksimal dari sistem. Beberapa teknik khusus yang tersedia untuk implementasi perangkat lunak komersial saat ini termasuk optimasi/pemrograman matematis (termasuk pemrograman linier, nonlinier, bilangan bulat, dinamis, dan tujuan), aliran jaringan, simulasi, analisis statistik, antrian, peramalan, jaringan syaraf tiruan, analisis keputusan, dan PERT / CPM. Saat ini juga tersedia sistem perangkat lunak komersial yang menggabungkan berbagai teknik O.R. untuk menangani area aplikasi spesifik termasuk transportasi dan logistik, perencanaan produksi, kontrol inventaris, penjadwalan, analisis lokasi, peramalan, dan manajemen rantai pasokan. Beberapa contoh sistem perangkat lunak O.R. yang populer antara lain CPLEX, LINDO, OSL, MPL, SAS, dan SIMAN.

Meskipun jelas tidak mungkin untuk menjelaskan di sini fitur-fitur dari semua perangkat lunak yang tersedia, majalah seperti OR/MS Today dan IE Solutions secara teratur menerbitkan survei terpisah dari berbagai kategori sistem dan paket perangkat lunak. Publikasi-publikasi ini juga menyediakan petunjuk untuk berbagai jenis perangkat lunak yang tersedia; sebagai contoh, OR/MS Today edisi Desember 1997 (halaman 61-75) menyediakan direktori sumber daya yang lengkap untuk perangkat lunak dan konsultan. Pembaruan untuk direktori tersebut disediakan secara berkala. Poin utama di sini adalah bahwa kemampuan untuk memecahkan model/masalah yang kompleks jauh lebih sedikit menjadi masalah saat ini dibandingkan satu atau dua dekade yang lalu, dan ada banyak sumber daya yang tersedia untuk mengatasi masalah ini.

Kami menyimpulkan bagian ini dengan memeriksa solusi dari model yang telah dibuat sebelumnya untuk masalah produksi hipotetis. Menggunakan pemrograman linier untuk menyelesaikan model ini menghasilkan solusi optimal G = 540 dan W = 252, yaitu rencana produksi yang memaksimalkan keuntungan untuk data yang diberikan membutuhkan produksi 540 gawai dan 252 widget. Pembaca dapat dengan mudah memverifikasi bahwa hal ini menghasilkan keuntungan sebesar $7668 dan sepenuhnya menggunakan dua sumber daya pertama dan menyisakan 18 unit sumber daya terakhir yang tidak terpakai.

Perhatikan bahwa solusi ini tentu saja tidak jelas dengan hanya melihat model matematisnya - pada kenyataannya, jika seseorang “serakah” dan mencoba membuat sebanyak mungkin gizmos (karena menghasilkan keuntungan yang lebih tinggi per unit daripada widget), ini akan menghasilkan G = 708 dan W = 0 (di mana pada titik ini semua sumber daya kedua habis terpakai). Namun, keuntungan yang dihasilkan sebesar $7080 adalah sekitar 8% lebih kecil dari yang diperoleh melalui rencana optimal. Alasannya tentu saja karena rencana ini tidak memanfaatkan sumber daya yang tersedia secara efektif dan tidak memperhitungkan interaksi antara keuntungan dan pemanfaatan sumber daya. Meskipun perbedaan yang sebenarnya kecil untuk contoh hipotetis ini, manfaat menggunakan teknik O.R. yang baik dapat menghasilkan perbaikan yang sangat signifikan untuk masalah dunia nyata yang besar.

Validasi dan analisis: Setelah solusi diperoleh, ada dua hal yang perlu dilakukan sebelum seseorang mempertimbangkan untuk mengembangkan kebijakan akhir atau tindakan untuk implementasi. Yang pertama adalah memverifikasi bahwa solusi itu sendiri masuk akal. Seringkali, hal ini tidak terjadi dan alasan yang paling umum adalah bahwa model yang digunakan tidak akurat atau tidak menangkap beberapa masalah utama. Proses untuk memastikan bahwa model tersebut merupakan representasi yang akurat dari sistem disebut validasi dan ini adalah sesuatu yang (jika memungkinkan) harus dilakukan sebelum solusi yang sebenarnya.

Namun, terkadang perlu untuk menyelesaikan model untuk menemukan ketidakakuratan di dalamnya. Kesalahan umum yang mungkin ditemukan pada tahap ini adalah bahwa beberapa kendala penting diabaikan dalam formulasi model - ini akan mengarah pada solusi yang secara jelas dikenali sebagai tidak dapat dilakukan dan analis kemudian harus kembali dan memodifikasi model dan menyelesaikannya kembali. Siklus ini terus berlanjut sampai kita yakin bahwa hasilnya masuk akal dan berasal dari representasi sistem yang valid.

Bagian kedua dari langkah ini dalam proses O.R. disebut sebagai analisis postoptimality, atau dalam istilah awam, analisis “bagaimana-jika”. Ingatlah bahwa model yang menjadi dasar dari solusi yang diperoleh adalah (a) abstraksi selektif dari sistem asli, dan (b) dibangun dengan menggunakan data yang dalam banyak kasus tidak 100% akurat. Karena validitas solusi yang diperoleh dibatasi oleh keakuratan model, pertanyaan alami yang menarik bagi seorang analis adalah:

“Seberapa kuatkah solusi yang diperoleh sehubungan dengan penyimpangan dalam asumsi yang melekat pada model dan nilai parameter yang digunakan untuk membangunnya?”

Untuk mengilustrasikan hal ini dengan masalah produksi hipotetis kita, contoh beberapa pertanyaan yang mungkin ingin ditanyakan oleh seorang analis adalah:

• (a) “Akankah rencana produksi optimal berubah jika keuntungan yang terkait dengan widget ditaksir terlalu tinggi sebesar 5%, dan jika ya, bagaimana caranya?” atau
• (b) “Jika sejumlah tambahan Sumber Daya 2 dapat dibeli dengan harga premium, apakah layak dibeli dan jika ya, berapa banyak?” atau
• (c) “Jika ketidakandalan mesin mengurangi ketersediaan Sumber Daya 3 sebesar 8%, apa pengaruhnya terhadap kebijakan optimal?” Pertanyaan-pertanyaan seperti itu sangat menarik bagi para manajer dan pengambil keputusan yang hidup di dunia yang penuh ketidakpastian, dan salah satu aspek terpenting dari proyek O.R. yang baik adalah kemampuan untuk menyediakan tidak hanya tindakan yang direkomendasikan, tetapi juga rincian tentang jangkauan penerapannya dan sensitivitasnya terhadap parameter model.

Sebelum mengakhiri bagian ini, perlu ditekankan bahwa mirip dengan proyek Teknik Industri tradisional, hasil akhir dari proyek O.R. bukanlah solusi pasti untuk suatu masalah. Sebaliknya, ini adalah jawaban obyektif untuk pertanyaan yang diajukan oleh masalah dan yang menempatkan pengambil keputusan di “lapangan bola” yang benar. Oleh karena itu, sangat penting untuk menyelaraskan solusi analitis yang diperoleh dengan akal sehat dan penalaran subjektif sebelum menyelesaikan rencana implementasi. Dari sudut pandang praktisi, rencana yang baik, masuk akal dan dapat diterapkan jauh lebih diinginkan daripada peningkatan bertahap dalam kualitas solusi yang diperoleh. Ini adalah penekanan dari fase kedua dari belakang dari proses O.R. ini.

Implementasi dan pemantauan: Langkah terakhir dalam proses O.R. adalah mengimplementasikan rekomendasi akhir dan membangun kontrol terhadapnya. Implementasi memerlukan pembentukan sebuah tim yang kepemimpinannya terdiri dari beberapa anggota tim O.R. yang asli. Tim ini biasanya bertanggung jawab untuk mengembangkan prosedur operasi atau manual dan jadwal waktu untuk menerapkan rencana tersebut. Setelah implementasi selesai, tanggung jawab untuk memantau sistem biasanya diserahkan kepada tim operasional. Dari perspektif O.R., tanggung jawab utama tim operasi adalah untuk mengakui bahwa hasil yang diimplementasikan hanya valid selama lingkungan operasi tidak berubah dan asumsi yang dibuat oleh penelitian tetap valid.

Jadi, ketika ada penyimpangan radikal dari dasar yang digunakan untuk mengembangkan rencana, seseorang harus mempertimbangkan kembali strateginya. Sebagai contoh sederhana dalam masalah produksi, jika pemogokan mendadak oleh tenaga kerja menyebabkan penurunan drastis dalam ketersediaan tenaga kerja (Sumber Daya 1, misalnya), maka kita harus mempertimbangkan kembali rencana tersebut secara menyeluruh untuk mendapatkan tindakan alternatif. Sebagai kata terakhir tentang implementasi, harus ditekankan bahwa tanggung jawab utama analis riset operasi adalah menyampaikan hasil proyek kepada manajemen dengan cara yang efektif.

Hal ini adalah sesuatu yang sayangnya tidak cukup ditekankan, dan ada banyak contoh studi yang sukses tidak diimplementasikan karena rincian dan manfaatnya tidak disampaikan secara efektif kepada manajemen. Meskipun hal ini tentu saja berlaku untuk setiap proyek secara umum, hal ini sangat penting dalam O.R. karena konten matematisnya dan potensinya untuk tidak sepenuhnya dipahami oleh manajer tanpa latar belakang kuantitatif yang kuat.

Disadur dari: sites.pitt.edu

Mengingat bahwa O.R. merupakan sebuah kerangka kerja yang terintegrasi untuk membantu pengambilan keputusan, maka penting untuk memiliki pemahaman yang jelas mengenai kerangka kerja ini agar dapat diterapkan pada suatu masalah yang umum. Untuk mencapai hal ini, pendekatan yang disebut O.R. sekarang dirinci. Pendekatan ini terdiri dari tujuh langkah berurutan berikut ini:

1. Orientasi.
2. Definisi masalah.
3. Pengumpulan data.
4. Perumusan model.
5. Solusi.
6. Validasi model dan analisis keluaran.
7. Implementasi dan pemantauan.

Menghubungkan setiap langkah ini menjadi sebuah mekanisme untuk umpan balik yang berkesinambungan; Gambar 1 menunjukkan hal ini secara skematis.

^{_{Sumber: sites.pitt.edu Gambar 1: Pendekatan Riset Operasi}}

Meskipun sebagian besar penekanan akademis adalah pada Langkah 4, 5 dan 6, pembaca harus mengingat fakta bahwa langkah-langkah lainnya juga sama pentingnya dari sudut pandang praktis. Memang, kurangnya perhatian pada langkah-langkah ini telah menjadi alasan mengapa O.R. terkadang secara keliru dianggap tidak praktis atau tidak efektif di dunia nyata.

Masing-masing langkah ini sekarang dibahas secara lebih rinci. Untuk mengilustrasikan bagaimana langkah-langkah tersebut dapat diterapkan, pertimbangkan skenario tipikal di mana sebuah perusahaan manufaktur merencanakan produksi untuk bulan yang akan datang. Perusahaan menggunakan berbagai sumber daya (seperti tenaga kerja, mesin produksi, bahan baku, modal, pemrosesan data, ruang penyimpanan, dan peralatan penanganan material) untuk membuat sejumlah produk berbeda yang bersaing untuk mendapatkan sumber daya ini. Produk-produk tersebut memiliki margin keuntungan yang berbeda dan membutuhkan jumlah yang berbeda dari setiap sumber daya. Banyak sumber daya yang ketersediaannya terbatas. Selain itu, terdapat faktor-faktor lain yang menyulitkan seperti ketidakpastian dalam permintaan produk, kerusakan mesin secara acak, dan perjanjian dengan serikat pekerja yang membatasi penggunaan tenaga kerja. Mengingat lingkungan operasi yang kompleks ini, tujuan keseluruhannya adalah merencanakan produksi bulan depan sehingga perusahaan dapat merealisasikan keuntungan semaksimal mungkin sekaligus berakhir di posisi yang baik untuk bulan berikutnya.

Sebagai ilustrasi tentang bagaimana seseorang dapat melakukan studi riset operasi untuk mengatasi situasi ini, pertimbangkan contoh yang sangat disederhanakan dari masalah perencanaan produksi di mana ada dua lini produk utama (widget dan gizmos, misalnya) dan tiga sumber daya pembatas utama (A, B dan C, misalnya) di mana masing-masing produk bersaing. Setiap produk membutuhkan jumlah yang berbeda-beda dari setiap sumber daya dan perusahaan mengeluarkan biaya yang berbeda (tenaga kerja, bahan baku, dll.) dalam membuat produk dan merealisasikan pendapatan yang berbeda saat produk tersebut dijual. Tujuan dari proyek O.R. adalah untuk mengalokasikan sumber daya ke dua produk secara optimal.

Orientasi: Langkah pertama dalam pendekatan O.R. disebut sebagai orientasi masalah. Tujuan utama dari langkah ini adalah untuk membentuk tim yang akan menangani masalah yang dihadapi dan memastikan bahwa semua anggotanya memiliki gambaran yang jelas tentang isu-isu yang relevan. Perlu dicatat bahwa karakteristik yang membedakan dari setiap studi O.R. adalah bahwa studi ini dilakukan oleh tim multifungsi. Sedikit menyimpang, menarik juga bahwa dalam beberapa tahun terakhir banyak hal yang telah ditulis dan dikatakan tentang manfaat tim proyek dan bahwa hampir semua proyek industri saat ini dilakukan oleh tim multifungsi. Bahkan dalam pendidikan teknik, kerja tim telah menjadi unsur penting dari materi yang diajarkan kepada siswa dan hampir semua program teknik akademis mengharuskan proyek tim siswa mereka. Pendekatan tim dari O.R. dengan demikian merupakan fenomena yang sangat alami dan diinginkan.

Biasanya, tim akan memiliki seorang pemimpin dan terdiri dari anggota dari berbagai bidang fungsional atau departemen yang akan terpengaruh oleh atau memiliki efek pada masalah yang dihadapi. Pada fase orientasi, tim biasanya bertemu beberapa kali untuk mendiskusikan semua masalah yang ada dan untuk mendapatkan fokus pada masalah-masalah yang kritis. Fase ini juga melibatkan studi dokumen dan literatur yang relevan dengan masalah untuk menentukan apakah ada orang lain yang mengalami masalah yang sama (atau serupa) di masa lalu, dan jika ada, untuk menentukan dan mengevaluasi apa yang telah dilakukan untuk mengatasi masalah tersebut.

Hal ini merupakan poin yang sering kali cenderung diabaikan, namun untuk mendapatkan solusi yang tepat waktu, sangat penting untuk tidak mengulang dari awal. Dalam banyak penelitian O.R., seseorang sebenarnya mengadaptasi prosedur solusi yang telah dicoba dan diuji, dibandingkan dengan mengembangkan prosedur yang sama sekali baru. Tujuan dari fase orientasi adalah untuk mendapatkan pemahaman yang jelas tentang masalah dan hubungannya dengan berbagai aspek operasional sistem, dan untuk mencapai konsensus tentang apa yang harus menjadi fokus utama proyek. Selain itu, tim juga harus memiliki apresiasi terhadap apa (jika ada) yang telah dilakukan di tempat lain untuk memecahkan masalah yang sama (atau serupa).

Dalam contoh perencanaan produksi hipotetis kami, tim proyek dapat terdiri dari anggota dari bidang teknik (untuk memberikan informasi tentang proses dan teknologi yang digunakan untuk produksi), perencanaan produksi (untuk memberikan informasi tentang waktu pemesinan, tenaga kerja, inventaris, dan sumber daya lainnya), penjualan dan pemasaran (untuk memberikan masukan tentang permintaan produk), akuntansi (untuk memberikan informasi tentang biaya dan pendapatan), dan sistem informasi (untuk menyediakan data terkomputerisasi). Tentu saja, insinyur industri bekerja di semua bidang ini.

Selain itu, tim mungkin juga memiliki personel di lantai pabrik seperti mandor atau pengawas shift dan mungkin akan dipimpin oleh manajer tingkat menengah yang memiliki hubungan dengan beberapa area fungsional yang tercantum di atas. Pada akhir fase orientasi, tim mungkin memutuskan bahwa tujuan spesifiknya adalah untuk memaksimalkan keuntungan dari dua produknya selama satu bulan ke depan. Tim ini juga dapat menentukan hal-hal tambahan yang diinginkan, seperti tingkat persediaan minimum untuk kedua produk pada awal bulan berikutnya, tingkat tenaga kerja yang stabil, atau tingkat pemanfaatan mesin yang diinginkan.

Definisi masalah: Ini adalah langkah kedua, dan dalam banyak kasus, langkah tersulit dalam proses O.R.. Tujuannya di sini adalah untuk menyempurnakan pertimbangan lebih lanjut dari fase orientasi ke titik di mana ada definisi yang jelas tentang masalah dalam hal cakupannya dan hasil yang diinginkan. Fase ini tidak boleh disamakan dengan fase sebelumnya karena fase ini jauh lebih terfokus dan berorientasi pada tujuan; namun, orientasi yang jelas sangat membantu dalam memperoleh fokus ini. Sebagian besar insinyur industri yang berpraktik dapat memahami perbedaan ini dan kesulitan dalam beralih dari tujuan umum seperti “meningkatkan produktivitas” atau “mengurangi masalah kualitas” ke tujuan yang lebih spesifik dan terdefinisi dengan baik yang akan membantu dalam memenuhi tujuan ini.

Definisi yang jelas tentang masalah memiliki tiga komponen yang luas. Yang pertama adalah pernyataan tujuan yang jelas. Bersamaan dengan spesifikasi tujuan, penting juga untuk mendefinisikan cakupannya, yaitu menetapkan batasan untuk analisis yang akan dilakukan. Meskipun solusi tingkat sistem yang lengkap selalu diinginkan, hal ini sering kali tidak realistis ketika sistemnya sangat besar atau kompleks dan dalam banyak kasus, kita harus fokus pada bagian sistem yang dapat diisolasi dan dianalisis secara efektif. Dalam kasus seperti itu, penting untuk diingat bahwa ruang lingkup solusi yang diperoleh juga akan dibatasi. Beberapa contoh tujuan yang tepat adalah

1. Memaksimalkan keuntungan selama kuartal berikutnya dari penjualan produk kami.
2. Meminimalkan rata-rata waktu henti di pusat kerja X.
3. Meminimalkan total biaya produksi di Pabrik Y.
4. Meminimalkan jumlah rata-rata pengiriman terlambat per bulan ke pelanggan.

Komponen kedua dari definisi masalah adalah spesifikasi faktor-faktor yang akan mempengaruhi tujuan. Faktor-faktor tersebut harus diklasifikasikan lebih lanjut ke dalam alternatif tindakan yang berada di bawah kendali pengambil keputusan dan faktor-faktor yang tidak dapat dikendalikan yang tidak dapat dikontrol. Sebagai contoh, dalam lingkungan produksi, tingkat produksi yang direncanakan dapat dikontrol, tetapi permintaan pasar yang sebenarnya mungkin tidak dapat diprediksi (meskipun mungkin dapat diperkirakan secara ilmiah dengan akurasi yang wajar). Idenya di sini adalah untuk membentuk daftar komprehensif dari semua tindakan alternatif yang dapat diambil oleh pengambil keputusan dan yang kemudian akan berdampak pada tujuan yang telah ditetapkan. Pada akhirnya, pendekatan O.R. akan mencari tindakan tertentu yang dapat mengoptimalkan tujuan.

Komponen ketiga dan terakhir dari definisi masalah adalah spesifikasi batasan-batasan tindakan, yaitu menetapkan batasan-batasan untuk tindakan spesifik yang dapat diambil oleh pengambil keputusan. Sebagai contoh, dalam lingkungan produksi, ketersediaan sumber daya dapat menentukan batasan tingkat produksi yang dapat dicapai. Ini adalah salah satu aktivitas di mana fokus tim multifungsi dari O.R. sangat berguna karena batasan yang dihasilkan oleh satu area fungsional sering kali tidak terlihat oleh orang-orang di area fungsional lainnya. Secara umum, merupakan ide yang baik untuk memulai dengan daftar panjang dari semua kendala yang mungkin terjadi dan kemudian mempersempitnya menjadi kendala yang jelas berpengaruh pada tindakan yang dapat dipilih. Tujuannya adalah untuk menjadi komprehensif namun tetap sederhana ketika menentukan batasan.

Melanjutkan ilustrasi hipotetis kita, tujuannya mungkin untuk memaksimalkan keuntungan dari penjualan kedua produk. Alternatif tindakannya adalah jumlah masing-masing produk yang akan diproduksi bulan depan, dan alternatif tersebut mungkin dibatasi oleh fakta bahwa jumlah masing-masing dari ketiga sumber daya yang diperlukan untuk memenuhi produksi yang direncanakan tidak boleh melebihi ketersediaan sumber daya yang diharapkan. Asumsi yang dapat dibuat di sini adalah bahwa semua unit yang diproduksi dapat dijual. Perhatikan bahwa pada titik ini seluruh masalah dinyatakan dalam kata-kata; nantinya pendekatan O.R. akan menerjemahkannya ke dalam model analitis.

Pengumpulan data: Pada tahap ketiga dari proses O.R., data dikumpulkan dengan tujuan untuk menerjemahkan masalah yang telah didefinisikan pada tahap kedua ke dalam sebuah model yang kemudian dapat dianalisis secara obyektif. Data biasanya berasal dari dua sumber - observasi dan standar. Yang pertama berhubungan dengan kasus di mana data benar-benar dikumpulkan dengan mengamati sistem yang sedang beroperasi dan biasanya, data ini cenderung berasal dari teknologi sistem. Misalnya, waktu operasi dapat diperoleh melalui studi waktu atau analisis metode kerja, penggunaan sumber daya atau tingkat sisa dapat diperoleh dengan melakukan pengukuran sampel selama beberapa interval waktu yang sesuai, dan data tentang permintaan dan ketersediaan dapat diperoleh dari catatan penjualan, pesanan pembelian, dan basis data inventaris.

Data lainnya diperoleh dengan menggunakan standar; banyak informasi terkait biaya yang cenderung termasuk dalam kategori ini. Sebagai contoh, sebagian besar perusahaan memiliki nilai standar untuk item biaya seperti tingkat upah per jam, biaya penyimpanan inventaris, harga jual, dan lain-lain; standar ini kemudian harus dikonsolidasikan dengan tepat untuk menghitung biaya berbagai aktivitas. Kadang-kadang, data juga dapat diminta secara tegas untuk masalah yang sedang dihadapi melalui penggunaan survei, kuesioner atau instrumen psikometrik lainnya.

Salah satu kekuatan pendorong utama di balik pertumbuhan O.R. adalah pertumbuhan yang cepat dalam teknologi komputer dan pertumbuhan yang bersamaan dalam sistem informasi serta penyimpanan dan pengambilan data secara otomatis. Hal ini merupakan keuntungan besar, karena analis O.R. sekarang memiliki akses siap pakai ke data yang sebelumnya sangat sulit diperoleh. Pada saat yang sama, hal ini juga menyulitkan karena banyak perusahaan yang berada dalam situasi kaya data namun miskin informasi. Dengan kata lain, meskipun semua data ada di “suatu tempat” dan dalam “beberapa bentuk”, mengekstrak informasi yang berguna dari sumber-sumber ini seringkali sangat sulit. Inilah salah satu alasan mengapa spesialis sistem informasi sangat berharga bagi tim yang terlibat dalam proyek O.R. yang tidak sepele. Pengumpulan data dapat memiliki efek penting pada langkah sebelumnya yaitu definisi masalah dan juga pada langkah selanjutnya yaitu perumusan model.

Untuk menghubungkan pengumpulan data dengan contoh produksi hipotetis kami, berdasarkan biaya variabel produksi dan harga jual masing-masing produk, dapat ditentukan bahwa keuntungan dari penjualan satu alat adalah $ 10 dan satu widget adalah $ 9. Dapat ditentukan berdasarkan pengukuran waktu dan pekerjaan bahwa setiap alat dan setiap widget masing-masing membutuhkan 7/10 unit dan 1 unit sumber daya 1, 1 unit dan 2/3 unit sumber daya 2, serta 1/10 unit dan 1/4 unit sumber daya 3. Akhirnya, berdasarkan komitmen sebelumnya dan data historis tentang ketersediaan sumber daya, dapat ditentukan bahwa pada bulan berikutnya akan ada 630 unit sumber daya 1, 708 unit sumber daya 2, dan 135 unit sumber daya 3 yang tersedia untuk digunakan dalam memproduksi kedua produk tersebut.

Perlu ditekankan bahwa ini hanyalah contoh ilustrasi yang sangat disederhanakan dan angka-angka di sini serta metode pengumpulan data yang disarankan juga sangat disederhanakan. Dalam praktiknya, angka-angka seperti ini sering kali sangat sulit untuk diperoleh secara tepat, dan nilai akhir biasanya didasarkan pada analisis sistem yang ekstensif dan mewakili kompromi yang disetujui oleh semua orang dalam tim proyek. Sebagai contoh, seorang manajer pemasaran mungkin mengutip data produksi historis atau data dari lingkungan yang serupa dan cenderung memperkirakan ketersediaan sumber daya dalam istilah yang sangat optimis. Di sisi lain, seorang perencana produksi mungkin mengutip tingkat skrap atau waktu henti mesin dan menghasilkan estimasi yang jauh lebih konservatif untuk hal yang sama. Perkiraan akhir mungkin akan mewakili kompromi di antara keduanya yang dapat diterima oleh sebagian besar anggota tim.

Formulasi model: Ini adalah fase keempat dari proses O.R.. Fase ini juga merupakan fase yang perlu mendapat banyak perhatian karena pemodelan adalah karakteristik yang menentukan dari semua proyek riset operasi. Istilah “model” disalahpahami oleh banyak orang, dan oleh karena itu dijelaskan secara rinci di sini. Sebuah model dapat didefinisikan secara formal sebagai abstraksi selektif dari realitas. Definisi ini menyiratkan bahwa pemodelan adalah proses menangkap karakteristik yang dipilih dari suatu sistem atau proses dan kemudian menggabungkannya ke dalam representasi abstrak dari aslinya. Gagasan utama di sini adalah bahwa biasanya jauh lebih mudah untuk menganalisis model yang disederhanakan daripada menganalisis sistem aslinya, dan selama model tersebut merupakan representasi yang cukup akurat, kesimpulan yang diambil dari analisis semacam itu dapat diekstrapolasi secara valid kembali ke sistem aslinya.

Tidak ada satu cara yang “benar” untuk membangun sebuah model dan seperti yang sering dicatat, pembangunan model lebih merupakan seni daripada ilmu pengetahuan. Poin penting yang perlu diingat adalah bahwa sering kali terdapat trade-off alami antara keakuratan model dan traktabilitasnya. Di satu sisi, dimungkinkan untuk membangun model yang sangat komprehensif, terperinci dan tepat dari sistem yang sedang dihadapi; ini memiliki fitur yang jelas diinginkan sebagai representasi yang sangat realistis dari sistem asli. Meskipun proses pembuatan model yang begitu rinci sering kali dapat membantu dalam memahami sistem dengan lebih baik, model ini mungkin tidak berguna dari perspektif analitis karena konstruksinya mungkin sangat memakan waktu dan kerumitannya menghalangi analisis yang berarti.

Di sisi lain, seseorang dapat membangun model yang kurang komprehensif dengan banyak asumsi penyederhanaan sehingga dapat dianalisis dengan mudah. Namun, bahayanya di sini adalah bahwa model tersebut mungkin kurang akurat sehingga ekstrapolasi hasil dari analisis kembali ke sistem asli dapat menyebabkan kesalahan yang serius. Jelasnya, kita harus menarik garis di suatu tempat di tengah-tengah di mana model merupakan representasi yang cukup akurat dari sistem asli, namun tetap dapat digunakan. Mengetahui di mana harus menarik garis tersebut adalah hal yang menentukan pemodel yang baik, dan ini adalah sesuatu yang hanya dapat diperoleh dengan pengalaman. Dalam definisi formal model yang diberikan di atas, kata kuncinya adalah “selektif”. Memiliki definisi masalah yang jelas memungkinkan seseorang untuk lebih menentukan aspek-aspek penting dari suatu sistem yang harus dipilih untuk direpresentasikan oleh model, dan tujuan utamanya adalah untuk sampai pada model yang menangkap semua elemen kunci dari sistem sambil tetap cukup sederhana untuk dianalisis.

Disadur dari: sites.pitt.edu