Apa itu riset operasi dalam manajemen proyek?

Asumsikan area manajemen proyek yang sibuk dengan bagan, jadwal, dan tim yang fokus pada tenggat waktu yang semakin dekat. Di tengah kekacauan yang teratur ini, saya mendapati diri saya memikirkan tentang teknik membuat pilihan dan mengoptimalkan, mencari keseimbangan ideal antara produktivitas dan kemanjuran. Ini adalah perjalanan pertama saya ke dalam Riset Operasi (OR) dalam Manajemen Proyek—sebuah sektor di mana strategi bertemu dengan analisis, dan pemecahan masalah yang kompleks menjadi sebuah terobosan.  

Pencarian cara untuk mengoptimalkan prosedur, mengalokasikan sumber daya secara cerdas, dan mengelola kesulitan dalam manajemen proyek seringkali tampak seperti tantangan yang berisiko tinggi. Di sinilah Riset Operasi berperan, dengan alat pilihannya yang terdiri dari struktur matematika, algoritma, dan metode statistik. Ini bukan semata-mata tentang membuat pilihan; ini tentang mengambil keputusan terbaik dan memanfaatkan wawasan berbasis data untuk mengungkap hambatan yang menghambat pertumbuhan dan kesuksesan.

Izinkan saya memandu Anda melalui artikel berikut, di mana Anda akan belajar tentang hubungan bermanfaat antara Riset Operasi dan Manajemen Proyek. Juga, pelajari bagaimana teknik pendekatan Riset Operasi dapat membantu dalam pemilihan, alokasi sumber daya, evaluasi risiko, dan hasil proyek

Apa itu riset operasi dalam manajemen proyek?

Riset operasi adalah bidang matematika dan ilmu statistik yang telah mendapatkan popularitas dan kepentingan luar biasa di setiap bidang bisnis, termasuk disiplin manajemen proyek. Riset operasi melibatkan penggunaan teknik matematika dan statistik untuk memecahkan masalah bisnis. Analis atau konsultan riset operasi meninjau operasi bisnis, masalah, dan celah serta melakukan analisis terhadap pola dan tren untuk merumuskan model guna membantu menekan tombol dan memberikan wawasan untuk memecahkan masalah.

Riset manajemen operasi yang mencakup manajemen proyek dalam riset operasi, bertujuan untuk mendorong tim menggunakan alat dan teknik analitis tingkat lanjut untuk mensintesis keputusan yang terinformasi dan menghasilkan keputusan berdasarkan data kuantitatif, juga membantu memitigasi beberapa risiko dan tantangan proyek. 

Teknik riset operasi umumnya diterapkan untuk meredakan tantangan terkait perencanaan proyek, penjadwalan, rincian kerja, manajemen operasi, logistik, dan manajemen rantai pasokan, serta beberapa fungsi tambahan lainnya yang didukung dan bergantung pada strategi riset operasi. 

Mengapa riset operasi penting?

Bisnis saat ini jauh berbeda dari toko-toko yang dulunya terbatas karena setiap bisnis dalam sistem saat ini beroperasi di banyak ruang digital berbeda yang menghadirkan banyak peluang dan kemungkinan namun bukannya tanpa tantangan besar yang dapat menyebabkan banyak keributan jika tidak. dirasakan dengan benar. Ruang lingkup riset operasi adalah untuk menghindari kekacauan ini dan memberikan solusi hebat terhadap cara kerja.

Riset operasi penting bagi para pemimpin dan profesional manajemen untuk menghilangkan bias subjektif dan memungkinkan proses pengambilan keputusan menjadi lebih efisien dan efektif. Hal ini membantu meningkatkan prediktabilitas dan wawasan mengenai probabilitas dan ketidakpastian dalam mendorong keputusan bisnis yang penting.

Manfaat riset operasi dalam manajemen proyek

Dengan pemahaman awal tentang apa itu riset operasi, mari kita lihat beberapa manfaat penting yang ditawarkan fungsi penting ini dalam bidang manajemen proyek:

• Keputusan yang dapat dihitung - Riset operasional mendorong keterlibatan bisnis berdasarkan model yang menafsirkan data empiris dan melakukan perhitungan sesuai analisis pemodelan dan teori untuk menghasilkan solusi terbaik.
• Bukti empiris - Riset operasi melibatkan studi dan pemahaman proses bisnis yang ada, model tata kelola, tantangan, dan peluang untuk membuat keputusan yang paling sesuai untuk memenuhi kebutuhan yang ada.
• Perencanaan dan penjadwalan penuh - khusus untuk manajemen proyek, riset operasi membantu mensimulasikan pemahaman situasi proyek secara real-time untuk merancang perencanaan proyek dan penjadwalan kegiatan yang sangat mudah. Hal ini membantu meminimalkan varians, menghemat biaya, dan menjaga kemajuan proyek sesuai jalur dan jadwal.
• Meningkatkan produktivitas - Manajer proyek dapat membantu memfasilitasi keterlibatan tim yang lebih baik dengan memahami model yang membantu rincian kerja dan pemanfaatan sumber daya secara efektif, sehingga meminimalkan kekurangan alokasi serta kehabisan sumber daya proyek.
• Mendorong inovasi - Dengan analisis prediktif dan metrik kuantitatif yang dapat dilihat oleh manajer proyek dan pemangku kepentingan, terdapat fokus pada inovasi cara kerja sehari-hari serta mencari peluang untuk beradaptasi dengan hasil yang lebih menjanjikan.

Selain hal di atas, riset operasi juga memberikan beberapa manfaat bagi manajer proyek untuk memantau proyek, meringankan masalah, dan mendorong hasil yang menarik baik bagi bisnis maupun pemangku kepentingan sehingga menghasilkan proyek yang dikelola dengan baik dengan pembaruan dan transparansi yang tepat waktu, sehingga membantu proyek yang efektif. manajemen dan pengambilan keputusan berdasarkan data.

Apa saja komponen riset operasi?

Menurut Alex Vasegaard, riset operasi menggabungkan teknik analisis statistik, pemodelan matematika, optimasi, dan pembelajaran mesin sambil menonjolkan antarmuka manusia-teknologi. Komponen utama bidang ini meliputi:

Pemodelan matematika dan analisis statistik

Analisis post-mortem atas contoh dan solusi riset operasi menetapkan bahwa hal itu melibatkan penerapan metode statistik untuk menganalisis dan memperoleh algoritma matematika dari pemecahan masalah. Hal ini melibatkan penerapan data untuk menggali lebih dalam, menarik kesimpulan, dan menghasilkan algoritme yang memberikan wawasan dan solusi dalam skenario bisnis. 

Pendekatan optimasi

Pendekatan optimasi berguna ketika ada trade-off antara opsi-opsi potensial atau pilihan-pilihan yang perlu diambil oleh suatu bisnis. Teknik optimasi juga mencakup pemberian solusi terhadap masalah bisnis, dengan mempertimbangkan kendala proyek yang ada. Kendala bisa berupa segala sesuatu yang menghambat pengambilan keputusan atau menimbulkan keterbatasan ketika mencoba membuat pilihan terbaik.

Teknik simulasi

Simulasi adalah langkah kedua dari belakang dalam proses riset operasi di mana algoritma, model, atau pendekatan yang disarankan dicoba dan diuji sebelum diimplementasikan. Simulasi melibatkan evaluasi hasil metode riset operasi, penyesuaian faktor atau kendala untuk menyesuaikan solusi dengan kebutuhan bisnis, melakukan analisis implementasi, dan akhirnya menyarankan solusi dengan bobot tertinggi dari faktor-faktor tersebut.

Riset operasi melibatkan tiga fase luas, yaitu fase penilaian dimana masalah dipahami; fase penelitian di mana model ditentukan dan dievaluasi dan terakhir, fase tindakan, yang melibatkan saran solusi untuk memecahkan masalah. Komponen riset operasi dapat diterapkan secara berurutan atau digunakan bersama-sama sesuai masalah/skenario yang mungkin memerlukan analisis dan solusi yang tepat. Riset operasi juga melibatkan empat M penting – juga dikenal sebagai 4M yaitu, Tenaga Kerja, Metode, Bahan dan Mesin. 

Pentingnya riset operasi dalam manajemen proyek

Riset Operasi memainkan peran penting dalam manajemen proyek, yang berdampak pada berbagai aspek penting yang diperlukan untuk pelaksanaan proyek yang efektif. Pentingnya riset operasi dalam banyak aspek diberikan di bawah ini:

Alokasi sumber daya yang efisien  

Model riset operasi membuat alokasi sumber daya yang optimal dapat dicapai. Mereka memastikan bahwa sumber daya digunakan secara efektif dan sesuai dengan persyaratan dan batasan proyek, menghilangkan pemborosan dan meningkatkan produktivitas.

Penjadwalan proyek  

Algoritma riset operasional membantu dalam pembuatan jadwal proyek yang tepat. Teknik seperti Metode Jalur Kritis (CPM) dan Teknik Evaluasi dan Tinjauan Program (PERT) mengidentifikasi aktivitas yang paling signifikan dan hubungan di antara keduanya. Hal ini menghindari penundaan dan memungkinkan manajemen untuk fokus pada aktivitas yang memiliki dampak terbesar pada jangka waktu proyek.

Manajemen risiko  

Alat OR memberikan penilaian risiko menyeluruh dan teknik mitigasi risiko. Kemungkinan bahaya dikenali dan dikendalikan secara efektif melalui evaluasi dan pengujian skenario, sehingga mengurangi dampak ketidakpastian terhadap hasil proyek.

Pengambilan keputusan  

OR memberikan kerangka sistematis untuk membuat pilihan yang menggunakan evaluasi kuantitatif. Hal ini memungkinkan evaluasi beberapa kemungkinan, mempertimbangkan berbagai standar, dan memilih tindakan yang paling tepat, sehingga meningkatkan kualitas keputusan.

Optimalisasi biaya

Penggunaan model riset operasi membantu dalam mengidentifikasi pendekatan ekonomi. Hal ini membantu mencapai keseimbangan kinerja biaya yang optimal, baik itu mengoptimalkan prosedur pembelian atau mengurangi biaya operasional. Manajer proyek dapat membuat pilihan hemat biaya dan mengelola sumber daya untuk memaksimalkan laba atas investasi ekonomi proyek dengan menggunakan pendekatan seperti analisis biaya-manfaat dan pemrograman linier.

Pengukuran kinerja

OR mempermudah pengukuran dan evaluasi keberhasilan proyek berdasarkan metrik yang telah ditetapkan. Metrik dan Indikator Kinerja Utama (KPI) dapat diatur dan dilacak untuk menjaga tugas tetap pada jalurnya. Evaluasi komprehensif ini mengungkapkan keuntungan dan area yang perlu ditingkatkan dalam pelaksanaan proyek, sehingga memungkinkan perbaikan berkelanjutan.

Penerapan riset operasi dalam manajemen proyek

Kegunaan Riset Operasi dalam Manajemen Proyek mencakup berbagai topik yang membantu menyederhanakan proses dan meningkatkan proses pengambilan keputusan.

Analisis resiko  

Metode OR sangat penting dalam penilaian risiko dalam manajemen proyek. Model ini mengkaji kemungkinan bahaya, peluang terjadinya, dan kemungkinan konsekuensi dengan menggunakan pendekatan seperti skenario Monte Carlo atau keputusan berbasis pohon. Studi ini membantu manajer proyek membangun metode mitigasi risiko yang kuat, memprediksi hambatan, dan menangani ketidakpastian yang dapat memengaruhi jadwal dan kinerja proyek.

Alokasi sumber daya

Penerapan penting lainnya dari riset operasi dalam manajemen proyek adalah alokasi sumber daya yang efektif. Metode OR membantu penggunaan sumber daya secara efektif seperti tenaga kerja, dana, dan persediaan. Penggunaan pemrograman linier atau model jaringan yang dioptimalkan membantu dalam menentukan pendekatan perencanaan sumber daya yang paling efisien, dengan ketentuan bahwa sumber daya digunakan dengan sebaik-baiknya di berbagai aktivitas proyek, meningkatkan produktivitas dan mengurangi pemborosan.

Penjadwalan proyek

Pendekatan OR memberikan kontribusi yang signifikan terhadap penjadwalan proyek dengan memanfaatkan metodologi seperti analisis jalur kritis dan PERT. Model-model ini membantu pengembangan kerangka waktu proyek yang akurat namun efektif dengan mempertimbangkan ketergantungan proyek, keterbatasan sumber daya, dan ketidakpastian. Hasilnya, manajer proyek dapat mengembangkan tenggat waktu yang layak, mengelola operasi proyek secara efisien, dan menjamin penyelesaian tepat waktu.

Sistem pendukung keputusan

Model riset operasi memudahkan pembuatan sistem pendukung keputusan dalam manajemen proyek. Platform ini menggabungkan beberapa sumber data dan menggunakan pendekatan optimasi atau simulasi untuk membantu manajer membuat pilihan yang masuk akal. Sistem pendukung keputusan yang didorong oleh OR memberikan wawasan yang signifikan untuk meningkatkan pengambilan keputusan, baik itu alokasi sumber daya, penilaian risiko, atau pengurangan biaya.

Contoh riset operasi dalam manajemen proyek

Menurut sebuah studi yang dilakukan pada proyek riset operasi, bidang studi ini menggabungkan pertimbangan berbagai topik dari suatu masalah tertentu secara individual, menganalisis dan memodelkannya untuk menyelesaikan masalah yang sama menggunakan serangkaian langkah yang ditentukan. Beberapa contoh riset operasi dapat dilihat digunakan oleh para profesional proyek, yaitu:

• Memanfaatkan algoritma untuk menentukan jumlah staf yang ideal untuk mendukung proyek
• Memperluas algoritme penempatan staf untuk mengoptimalkan perekrutan dan menghindari kumpulan sumber daya yang besar
• Mengelola RoQ - Menyusun ulang kuantitas secara optimal untuk mengelola proses pengadaan secara efisien
• Mengelola jadwal produksi untuk barang-barang dengan umur simpan lebih pendek untuk menghindari pemborosan sumber daya
• Mengoptimalkan fasilitas pemanfaatan pabrik dalam proses manufaktur untuk pemanfaatan sumber daya secara efisien
• Merencanakan dan menjadwalkan aktivitas menggunakan algoritma yang ditentukan untuk mengurutkan tugas secara optimal
• Metode pengurutan digunakan dalam berbagai model proses - Kanban, Manajemen layanan, dan antrian
• Metode pemilihan proyek dan penggunaan Jalur Kritis, Evaluasi Program, dan Teknik Tinjauan (PERT) yang didasarkan pada model riset operasi

Meskipun daftar di atas belum lengkap, tidak ada batasan riset operasi dalam manajemen proyek untuk membantu bisnis mendorong solusi yang efektif, terlibat dalam pengambilan keputusan, menghilangkan bias kognitif, dan mempertimbangkan model kuantitatif.

Kesimpulan

Riset operasi menawarka kemungkinan tak terbatas bagi bisnis, terutama di era kecerdasan buatan, pembelajaran mesin, dan pemrosesan bahasa alami. Aliran bisnis itulah yang menghilangkan perselisihan untuk menyelesaikan masalah dengan menggunakan data subjektif, yang disaring melalui model matematika dan statistik dan memberikan solusi optimal. Tidak ada bisnis di era sekarang yang dapat meremehkan pentingnya dan manfaat riset operasi karena penelitian ini bertujuan tidak hanya untuk menghemat biaya namun juga untuk meningkatkan perolehan pendapatan, meningkatkan visibilitas dan transparansi di seluruh organisasi.

Konsultan riset operasi dipekerjakan sebagai bagian dari tim intelijen bisnis atau analisis data di berbagai tingkatan yang mendukung fungsi bisnis internal, sehingga berkontribusi terhadap peningkatan indikator kinerja utama dan perluasan operasi bisnis. Meskipun mungkin ada beberapa keterbatasan dalam riset operasi, ini adalah disiplin ilmu yang diterapkan secara luas dan ditanamkan dalam setiap bisnis di industri, geografi, atau domain apa pun.

Pertanyaan yang sering diajukan (FAQ)

• Apa tujuan utama riset operasi?

Tujuan utama riset operasi adalah untuk menambah intelijen bisnis, pengambilan keputusan, dan pemecahan masalah dengan data kuantitatif yang kuat dan menghilangkan subjektivitas sambil memasukkan analisis pola dan tren untuk mendapatkan hasil, solusi, dan keputusan.

• Apa tiga fase riset operasi?
  • Ketiga fase riset operasi dapat dijelaskan sebagai berikut:
  • Fase penilaian- Pemahaman masalah
  • Fase penelitian- Pengumpulan data dan pembuatan model
  • Fase tindakan- Implementasi model yang optimal.
• Apa saja 4M manajemen operasi?

Manajemen operasi 4 M meliputi Tenaga Kerja, Metode, Bahan, dan Mesin.

Disadur dari: knowledgehut.com

Model riset operasi

Model Riset Operasional (OR), juga dikenal sebagai Model Sains Manajemen dan Model Sains Keputusan, adalah metode matematis dan analitis yang digunakan untuk menjawab pertanyaan kompleks dan membuat keputusan berdasarkan informasi di banyak bidang, termasuk bisnis, teknik, perawatan kesehatan, logistik, dan keuangan.

Dengan merumuskan masalah dunia nyata sebagai persamaan atau algoritma matematika, model OR memungkinkan pengambil keputusan menemukan solusi terbaik dalam batasan tertentu, mengoptimalkan proses, sumber daya, dan hasil.

Tujuan utama model OR adalah memaksimalkan keuntungan, meminimalkan biaya, meningkatkan efisiensi, dan memaksimalkan kinerja secara keseluruhan. Situasi pengambilan keputusan yang melibatkan banyak variabel, ketidakpastian, dan kendala perlu dipertimbangkan secara bersamaan dengan menggunakan model-model ini. Ada beberapa jenis model OR, masing-masing cocok untuk jenis masalah yang berbeda. Berikut adalah beberapa jenis model OR yang paling umum:

Model pemrograman linier (LP)

Linear Programming (LP) adalah salah satu model OR yang paling banyak digunakan dan menonjol. Persamaan linier mewakili hubungan antara variabel keputusan dan tujuan/batasan ketika fungsi tujuan dan batasan semuanya linier.

Keuntungan, biaya, utilitas, atau metrik relevan lainnya biasanya diwakili oleh fungsi linier, dan tujuan LP adalah memaksimalkan atau meminimalkannya. Batasan membatasi kemungkinan nilai variabel-variabel ini, yang mencerminkan keterbatasan sumber daya dan kapasitas di dunia nyata, sedangkan variabel keputusan mewakili kuantitas yang harus ditentukan.

Berbagai bidang memanfaatkan LP, termasuk perencanaan produksi, optimalisasi rantai pasokan, optimalisasi portofolio, alokasi sumber daya, dan perencanaan transportasi. Pada tahun 1947, George Dantzig mengembangkan Metode Simplex, sebuah algoritma populer untuk memecahkan masalah program linier.

Model pemrograman integer (IP)

Konsep integer programming merupakan perpanjangan dari linear programming yang menangani permasalahan dimana variabel keputusannya harus bernilai integer, yaitu penyelesaiannya harus berupa bilangan bulat, bukan pecahan.

Jika suatu keputusan melibatkan pilihan-pilihan yang terpisah, seperti memilih lokasi fasilitas, menugaskan pekerja, atau menentukan jumlah unit yang akan diproduksi, model IP sangat berguna. Di antara aplikasinya adalah pemilihan proyek, penjadwalan tenaga kerja, dan perutean.

Karena permasalahan IP mempunyai variabel tersendiri, penyelesaiannya lebih menantang dan intensif komputasi dibandingkan penyelesaian permasalahan LP. Algoritma seperti Branch and Bound dan Cut Plane sering digunakan untuk mencari solusi optimal atau mendekati optimal.

Model pemrograman non-linear

Konsep pemrograman nonlinier mengacu pada permasalahan yang fungsi tujuan atau batasannya bersifat nonlinier. Berbeda dengan hubungan linier, permasalahan ini melibatkan persamaan nonlinier yang mungkin tidak mudah diselesaikan secara analitis.

Ada banyak aplikasi untuk model pemrograman non-linier, termasuk desain teknik, optimalisasi portofolio, perencanaan keuangan, dan pengelolaan sumber daya. Metode berulang seperti Gradient Descent atau metode Newton sering digunakan untuk menyelesaikan masalah pemrograman non-linier, di mana perkiraan yang berurutan menghasilkan solusi optimal.

Model jaringan

Model jaringan adalah jenis model OR yang berfokus pada permasalahan yang melibatkan elemen atau jaringan yang saling berhubungan. Model-model ini banyak digunakan dalam industri transportasi, penjadwalan proyek, logistik rantai pasokan, dan aplikasi lainnya.

Berikut ini adalah model jaringan yang umum:

A. Masalah jalur terpendek:

Masalah jalur terpendek bertujuan untuk menemukan jalur terpendek antara dua node dalam suatu jaringan, dengan mempertimbangkan jarak, biaya, atau waktu transit.

B. Masalah pemotongan aliran maks-min:

Ini adalah masalah yang menentukan aliran maksimum yang dapat dikirim melalui jaringan dari node sumber ke node sink sambil meminimalkan pemotongan (kapasitas minimum edge untuk memutuskan sumber dan sink).

C. Metode jalur kritis (CPM):

Metode CPM digunakan untuk menentukan jalur kritis, yaitu urutan tugas yang harus diselesaikan agar tidak terjadi penundaan proyek.

Dimungkinkan untuk mengoptimalkan pemanfaatan sumber daya, perutean, dan penjadwalan dalam sistem yang kompleks dengan menggunakan model jaringan.

Model antrian:

Model antrian menganalisis garis atau antrian di berbagai sistem, termasuk pusat layanan pelanggan, fasilitas manufaktur, dan fasilitas kesehatan. Dengan menggunakan model ini, tingkat layanan dapat dioptimalkan, waktu tunggu diminimalkan, dan sumber daya dialokasikan dengan lebih efisien.

Ketika organisasi memahami dinamika sistem antrian, mereka dapat meningkatkan kepuasan pelanggan dan efisiensi operasional. Model antrian mempertimbangkan faktor-faktor seperti tingkat kedatangan, tarif layanan, dan jumlah server.

Model simulasi:

Model simulasi adalah kelompok model OR lain yang digunakan untuk mereproduksi proses dunia nyata melalui model berbasis komputer. Simulasi memungkinkan pengambil keputusan untuk melihat bagaimana sistem berperilaku dalam keadaan yang berbeda.

Dalam desain produk, analisis risiko, perencanaan keuangan, dan optimalisasi rantai pasokan, model simulasi sangat berguna ketika eksperimen di dunia nyata terlalu mahal, berisiko, atau memakan waktu.

Model proses keputusan markov (MDP):

Model MDP digunakan untuk pengambilan keputusan di lingkungan yang tidak pasti. Dalam situasi seperti ini, hasilnya bersifat probabilistik, dan pengambil keputusan bertujuan untuk memilih tindakan yang memaksimalkan imbalan jangka panjang atau meminimalkan biaya jangka panjang.

Aplikasi kecerdasan buatan dan pembelajaran penguatan menggunakan MDP untuk mengajari agen cara berinteraksi dengan lingkungan dan mengoptimalkan keputusan mereka.

Model heuristik:

Dalam model heuristik, solusi tidak dijamin optimal, namun baik dan efisien serta dapat diselesaikan dalam jangka waktu yang wajar. Untuk permasalahan berskala besar dan kompleks, dimana pencarian solusi eksak tidak mungkin dilakukan secara komputasi, model ini sangat berguna.

Sebagai strategi praktis, heuristik membantu mempersempit ruang pencarian untuk menemukan solusi yang memuaskan dengan memandu pencarian. Meskipun heuristik tidak menjamin optimalitas, heuristik merupakan alat yang efektif untuk mengatasi permasalahan dunia nyata dan memberikan hasil praktis.

Model Riset Operasi (OR) telah menjadi alat yang sangat diperlukan untuk pengambilan keputusan modern. Dalam lingkungan yang kompleks dan dinamis, model OR membantu organisasi dalam mengoptimalkan sumber daya, meningkatkan efisiensi, dan membuat pilihan berdasarkan informasi dengan memanfaatkan teknik matematika dan analitis.

Selain pemrograman linier dan pemrograman bilangan bulat, pemrograman non-linier, model jaringan, model antrian, model simulasi, dan banyak lagi, setiap jenis model OR menawarkan wawasan unik ke dalam jenis masalah tertentu.

Dunia usaha, pemerintah, atau individu yang ingin menavigasi kompleksitas dunia saat ini akan menganggap model OR sebagai aset yang sangat berharga karena keserbagunaan dan kemampuan mereka dalam menangani ketidakpastian, pilihan-pilihan yang berbeda, dan saling ketergantungan yang kompleks. Model OR akan terus menjadi bagian integral dalam meningkatkan proses pengambilan keputusan dan memajukan kemajuan di berbagai bidang seiring dengan kemajuan teknologi dan peningkatan ketersediaan data.

Disadur dari: managementnote.com

Dengan proses logistik masuk yang baik, bisnis dapat mengisi ulang produk terlaris mereka pada saat liburan, memperkenalkan produk baru untuk dijual, dan bahkan memproses pengembalian barang. Di sisi outbound, Anda dapat mengirimkan paket ke pelanggan dan pemangku kepentingan lainnya tepat waktu.

Di bawah ini kami akan membahas cara untuk mencapai hal tersebut.

Jadi, apa yang ingin Anda pelajari?

Apa itu logistik masuk dan keluar?

Logistik masuk dan keluar mengacu pada dua proses yang paling umum untuk memindahkan barang di seluruh rantai pasokan ritel. 

Meskipun keduanya memiliki sifat yang mirip dan keduanya melibatkan transportasi produk di berbagai saluran distribusi, logistik masuk berurusan dengan pasokan dan logistik keluar memenuhi permintaan.

Logistik masuk

Logistik masuk adalah tentang memindahkan bahan mentah, persediaan, atau barang jadi ke dalam rantai pasokan. Melalui logistik masuk, bisnis mengamankan pasokannya - yaitu memperoleh produk (atau bahan untuk membuat produk) yang pada akhirnya akan dijual. 

Proses logistik yang mengangkut bahan mentah, inventaris, atau persediaan dari pemasok dan masuk ke gudang, pusat distribusi, pusat pemenuhan, atau toko ritel bisnis semuanya dianggap sebagai logistik masuk.   

Logistik keluar

Logistik keluar adalah tentang memindahkan inventaris yang sudah jadi keluar dari rantai pasokan - yaitu memindahkan inventaris dari penyimpanan, memenuhi pesanan, dan mengirimkan pesanan tersebut ke pelanggan akhir. 

Setiap proses logistik yang terlibat dalam konfirmasi pesanan, pemenuhan (termasuk pengambilan dan pengemasan), pengiriman, pengiriman jarak jauh, layanan pelanggan, dan pemecahan masalah memenuhi syarat sebagai proses logistik keluar.

Apa perbedaan antara logistik masuk dan keluar?

Logistik masuk dan keluar bertujuan untuk mencapai hal yang berbeda. Tujuan dari logistik masuk adalah untuk mengamankan pasokan bagi suatu bisnis, sedangkan tujuan dari logistik keluar adalah untuk memenuhi dan memenuhi permintaan.

Proses logistik masuk dan keluar juga memindahkan dan mengirimkan barang yang berbeda ke pihak yang berbeda. Proses logistik masuk memindahkan inventaris, bahan mentah, atau pasokan dari pemasok ke bisnis; logistik keluar, di sisi lain, memindahkan  produk jadi  dari bisnis ke pelanggan atau pengguna akhir.   

Logistik masuk

 

Definisi

Proses yang terlibat dalam memindahkan material atau barang  ke dalam  rantai pasokan, dan mengamankan inventaris yang kemudian dijual oleh bisnis Anda 

Proses

1. Manajemen material
2. Pengadaan
3. Penerimaan gudang
4. penyimpanan inventaris

Titik sentuh

Diangkut dari:

• Pemasok
• Produsen
• Distributor
• Pemegang Produk

Dikirim ke:

• Perusahaan
• Merek
• Pengecer
• Perusahaan logistik pihak ketiga

Logistik keluar

Definisi

Proses yang terlibat dalam pemindahan inventaris jadi  keluar  dari rantai pasokan dengan memenuhi dan mengirimkan pesanan ke pelanggan akhir.

Proses

1. Konfirmasi & pemrosesan pesanan
2. Pengambilan
3. Pengepakan
4. Pengiriman 
5. Pengiriman jarak jauh
6. Layanan pelanggan yang melibatkan pengiriman

Titik sentuh

Diangkut dari:

• Perusahaan
• Merek
• Pengecer
• Perusahaan logistik pihak ketiga

Dikirim ke:

• Pelanggan akhir
• Pengguna akhir

Bersama-sama, proses logistik masuk dan keluar membentuk sebagian besar rantai pasokan bisnis e-niaga. Jadi, jika sebuah bisnis ingin sukses, sangat penting untuk membangun proses logistik yang efektif di seluruh bisnis mereka. 

Namun, ada juga manfaat lain untuk mengasah operasi logistik masuk dan keluar.  

Meningkatkan arus barang

Ketika semua proses logistik bisnis disederhanakan, akan lebih mudah - dan lebih cepat - bagi barang untuk berpindah dari satu tahap rantai pasokan ke tahap berikutnya. Hal ini menghemat waktu dan tenaga, serta menjaga operasi Anda tetap berjalan dengan lancar.

Meningkatkan inventaris dan akurasi pesanan

Logistik masuk dan keluar yang efisien memberi bisnis kontrol yang lebih baik atas outputnya. Ketika proses logistik cepat dan dapat diprediksi, kesalahan jauh lebih kecil kemungkinannya untuk terjadi. 

Misalnya, jauh lebih sulit untuk kehilangan atau merusak inventaris ketika proses penerimaan inventaris sederhana dan intuitif. Demikian pula, ketika pemenuhan dipantau dengan cermat untuk kontrol kualitas, pekerja mungkin lebih kecil kemungkinannya untuk secara tidak sengaja menukar dua label alamat pengiriman.  

Mengoptimalkan kecepatan pengiriman

Semakin cepat dan efisien inventaris dipesan, diterima, diambil, dikemas, dan dikirim, semakin cepat pesanan pelanggan tiba di depan pintu mereka. Logistik masuk dan keluar yang dikelola dengan baik bersama-sama memfasilitasi pengiriman cepat yang tidak hanya menyenangkan pelanggan, tetapi juga memberikan keunggulan kompetitif bagi bisnis. 

Memaksimalkan penjualan dan pendapatan 

Pendapatan bisnis bergantung pada kemampuannya untuk tidak hanya melakukan penjualan, tetapi juga menindaklanjuti penjualan tersebut. 

Seperti disebutkan di atas, proses logistik masuk dan keluar yang efisien memungkinkan bisnis untuk mengirimkan pesanan yang lebih akurat kepada pelanggan dengan lebih cepat - yang pada gilirannya memenuhi harapan pelanggan dan mendorong mereka untuk membeli lagi. 

Dengan demikian, dengan membuka jalan bagi pengalaman pelanggan yang lebih lancar, logistik masuk dan keluar yang berkualitas dapat meningkatkan penjualan dan meningkatkan keuntungan bisnis.   

Mengurangi biaya 

Selain meningkatkan pendapatan, logistik masuk dan keluar yang dikelola dengan baik dapat menghemat uang bisnis. Logistik yang lebih efisien lebih hemat biaya untuk dijalankan, karena membutuhkan lebih sedikit jam kerja yang harus dibayar oleh bisnis. Sistem logistik yang lebih baik juga tidak mudah kehilangan inventaris, sehingga menghemat biaya bisnis.  

Proses logistik masuk dan keluar

Logistik masuk dan keluar sama-sama berfokus pada pengangkutan barang dari satu jaringan distribusi ke jaringan distribusi lainnya. Mengetahui cara kerja setiap proses sangat penting untuk mengoptimalkan rantai pasokan Anda, mengurangi biaya logistik, dan mengelola ekspektasi pelanggan dengan lebih baik.

Proses logistik masuk

Berikut adalah beberapa proses logistik masuk yang paling umum.

Mencari sumber bahan

• Proses logistik masuk pertama - dan langkah pertama dalam keseluruhan rantai pasokan - adalah memutuskan bahan atau inventaris apa yang dibutuhkan bisnis Anda, dan menentukan cara mendapatkannya. Proses pengadaan melibatkan penelitian bahan atau produk, dan menentukan produsen, pemasok, atau vendor tempat Anda akan membelinya. 

Membeli bahan

• Selanjutnya, bisnis Anda harus benar-benar melakukan pemesanan pembelian untuk bahan atau inventaris yang mereka dapatkan. Anda dan pemasok atau produsen Anda harus menyimpan catatan transaksi, serta bahan dan / atau barang apa yang dipesan oleh bisnis Anda, dan memiliki pelacakan pengiriman barang yang tepat.

Pengangkutan ke saluran distribusi

• Setelah mengonfirmasi pesanan Anda, pemasok atau produsen bertanggung jawab untuk mengangkut barang ke lokasi atau saluran distribusi yang sesuai dengan pengiriman barang (biasanya melalui laut, udara, darat, atau kombinasi). Sebuah bisnis dapat mengirimkan barang ke toko ritel, gudang, pusat pemenuhan, atau pusat distribusi lainnya. 

Penerimaan

• Setelah barang tiba di toko, gudang, atau pusat pemenuhan, tim penerima di lokasi bertanggung jawab untuk menerima inventaris. Tim akan menerima kiriman, mencatatnya dalam catatan mereka, dan menghitung isinya untuk memastikan bahwa kiriman tersebut sesuai dengan yang dipesan. 

Penyimpanan

• Jika kiriman dapat diterima, tim penerima akan memindahkan inventaris ke tempat penyimpanan. Inventaris akan tetap berada di sana sampai digunakan dalam proses logistik keluar. 

Logistik balik

• Logistik balik - atau pemrosesan pengembalian dan penukaran barang pelanggan - juga termasuk dalam proses logistik masuk, karena inventaris secara teknis masuk ke gudang. 
• Ketika kiriman dari pelanggan tiba di gudang, barang tersebut perlu diperiksa. Jika produk belum dibuka atau dalam kondisi baik, produk tersebut dapat diisi ulang ke dalam inventaris yang tersedia; jika tidak, tim gudang perlu menemukan cara untuk memindahkannya keluar dari gudang. 

Proses logistik keluar

Berikut adalah beberapa proses logistik keluar yang paling umum.

Pemrosesan pesanan

• Segera setelah pelanggan melakukan pemesanan di situs web e-niaga Anda, langkah logistik keluar pertama adalah memprosesnya. 
• Setiap pesanan dikirim melalui sistem manajemen pesanan bisnis, dan kemudian diteruskan ke gudang atau pusat pemenuhan yang sesuai, di mana pesanan tersebut dimasukkan ke dalam antrean pemenuhan.  

Pengambilan dan pengemasan produk

• Ketika tiba waktunya untuk memenuhi pesanan, produk dari inventaris harus diambil dari lokasi inventaris yang telah ditentukan, dan jumlah inventaris diperbarui untuk memastikan tingkat stok yang akurat. 
• Produk kemudian dikemas dalam kotak atau mailer poli, diberi label dengan detail pengiriman yang benar, dan diurutkan berdasarkan operator dan layanan.

Pengiriman barang jadi

• Terakhir, operator (seperti FedEx, UPS, atau USPS) mengambil paket, dan mengangkut masing-masing paket ke tujuan akhir. 
• Tergantung pada seberapa jauh sebuah paket harus menempuh perjalanan, pengangkut dapat menggunakan berbagai metode transportasi dalam proses pengiriman (termasuk transportasi darat, udara, kereta api, atau bahkan laut). 

Layanan pelanggan dan pemecahan masalah

• Karena logistik keluar mencakup semua proses yang terkait dengan pengiriman pesanan ke pelanggan, pemecahan masalah pelanggan harus dianggap sebagai bagian dari logistik keluar. 
• Bisnis Anda harus siap untuk berkomunikasi dengan pelanggan dan dengan cepat menangani masalah yang terkait dengan detail pesanan, pemenuhan, atau pengiriman. 

Mana yang lebih penting?

Baik logistik masuk maupun logistik keluar pada dasarnya tidak lebih penting dari yang lain. Tanpa logistik masuk, bisnis tidak memiliki inventaris untuk dipindahkan melalui proses logistik keluar; tetapi tanpa logistik keluar, inventaris akan menumpuk hingga menjadi persediaan, dan bisnis tidak dapat memperoleh keuntungan. Oleh karena itu, keduanya diperlukan untuk rantai pasokan yang kohesif. 

Demikian pula, unggul dalam satu proses logistik tetapi kesulitan dalam proses logistik lainnya tidak cukup untuk memenuhi kebutuhan pelanggan secara konsisten. Sebuah bisnis harus secara hati-hati mengoptimalkan setiap fase rantai pasokannya, karena setiap tahap memiliki potensi untuk membuat atau menghancurkan pengalaman pelanggan.

KPI logistik yang mungkin dilacak oleh pesaing Anda

Untuk memastikan proses logistik masuk dan keluar Anda berjalan dengan baik, Anda perlu melacak beberapa indikator kinerja utama (atau KPI) yang penting.

KPI yang harus Anda lacak bergantung pada berbagai faktor, termasuk tujuan bisnis Anda. Karena tujuan bisnis dapat berubah seiring waktu, KPI yang menarik bagi bisnis Anda juga dapat berubah - dan saat Anda mendeteksi peluang baru untuk peningkatan, Anda dapat berhenti melacak beberapa KPI dan mulai melacak KPI lainnya. 

Beberapa KPI yang mungkin berguna bagi bisnis Anda antara lain:

KPI masuk:

1. Akurasi tagihan pengiriman
2. Waktu bongkar muat
3. Waktu tunggu

Logistik keluar:

1. Volume pesanan 
2. Tingkat pesanan yang sempurna
3. Tingkat pengisian pesanan
4. Tingkat akurasi pesanan
5. Perputaran persediaan
6. Biaya rantai pasokan
7. Waktu pengiriman rata-rata
8. Waktu siklus pesanan pelanggan
9. Waktu siklus kas-ke-kas
10. Waktu pengiriman
11. Tingkat pengembalian

5 tantangan terbesar logistik masuk dan keluar

Baik logistik masuk maupun keluar membawa nilai bagi rantai pasokan Anda - tetapi keduanya juga membawa tantangan. 

Berikut ini adalah beberapa tantangan yang paling sering dialami bisnis dalam logistik masuk dan keluar. 

Kesulitan dengan kontrol kualitas 

Melibatkan pemasok luar dalam rantai pasokan Anda mungkin diperlukan, tetapi tetap saja hal ini meningkatkan kemungkinan terjadinya kesalahan pengadaan. Kesalahan pemasok diperparah dengan lemahnya penghitungan dan pengecekan dalam proses penerimaan inventaris.

Berkurangnya visibilitas ke dalam operasi transportasi  

Demikian pula, ketika produsen atau operator mengirimkan barang Anda, Anda memiliki wawasan yang lebih sedikit tentang detail prosesnya. Inventaris dapat hilang atau rusak dalam perjalanan, dan melacak inventaris Anda dapat menjadi tantangan, tergantung pada produsen atau pengangkutnya.  

Waktu tunggu yang lama

Krisis rantai pasokan global dan fluktuasi permintaan dapat menyebabkan waktu tunggu meroket. Ketika hal ini terjadi, pengiriman barang dan pengiriman jarak jauh akan tertunda, yang dapat mengacaukan waktu rantai pasokan Anda.

Biaya tinggi

Kecuali dioptimalkan untuk biaya, logistik masuk dan keluar dapat dengan mudah menjadi sangat mahal untuk dikelola. Semakin kompleks sebuah rantai pasokan, semakin sulit untuk menemukan solusi hemat biaya untuk masalah yang muncul. 

Keakuratan inventaris dan pemenuhan

Bagaimanapun canggihnya logistik masuk dan keluar bisnis, kesalahan umum masih bisa terjadi. Penyusutan inventaris, kesalahan dalam memasukkan informasi pesanan, dan kesalahan pengambilan dan pengepakan tampak seperti masalah kecil, tetapi dapat menyebabkan masalah besar bagi bisnis jika dibiarkan. 

Cara mengoptimalkan logistik masuk dan keluar Anda

Berikut adalah beberapa praktik terbaik yang dapat diterapkan di seluruh rantai pasokan Anda untuk meningkatkan logistik masuk dan keluar. 

Logistik masuk

Kurangi biaya inventaris

Biaya penyimpanan inventaris dapat dengan cepat meningkat seiring pertumbuhan bisnis Anda, karena lebih banyak ruang pergudangan yang tersedia dengan harga yang lebih tinggi - terutama jika Anda berinvestasi dalam infrastruktur sendiri. Meskipun Anda membutuhkan pasokan inventaris yang stabil agar sesuai dengan permintaan Anda, jika Anda memesan terlalu banyak inventaris, Anda akan menghadapi biaya penyimpanan inventaris yang tinggi. 

Untuk menekan biaya penyimpanan sambil tetap memenuhi permintaan, coba terapkan tips berikut:

• Berinvestasi lebih banyak pada barang yang memiliki tingkat perputaran tinggi, karena barang ini lebih mungkin terjual. 
• Pertimbangkan untuk menggunakan strategi inventaris JIT (atau “tepat waktu”) saat melakukan pemesanan ulang untuk meminimalkan jumlah produk yang tidak terjual di rak. 
• Lakukan audit inventaris secara teratur untuk menghindari penumpukan stok mati, dan untuk memberi ruang bagi inventaris lainnya. 
• Pertimbangkan inventaris konsinyasi sebagai strategi untuk memindahkan inventaris tanpa biaya tambahan atau risiko kelebihan stok. 
• Mengoptimalkan tingkat persediaan
• Memiliki jumlah inventaris yang tepat setiap saat dapat mencegah segala macam hambatan logistik.  
• Mulailah mengoptimalkan tingkat stok Anda dengan meningkatkan perkiraan permintaan Anda, karena prediksi yang akurat akan membantu bisnis Anda menyimpan SKU yang kemungkinan besar akan terjual. 
• Selanjutnya, hitung titik pemesanan ulang yang optimal untuk setiap SKU sehingga Anda dapat mengatur waktu pengisian ulang dengan benar dan tidak pernah membiarkan pelanggan menunggu pesanan. 
• Gunakan sistem manajemen gudang (atau WMS) yang tepat
• WMS dapat membantu mengotomatiskan dan meningkatkan manajemen dan operasi gudang. Tidak semua WMS memiliki kemampuan yang sama, jadi pastikan untuk memilih salah satu yang sesuai dengan kebutuhan bisnis Anda. 

Beberapa fitur WMS terpenting yang merampingkan logistik masuk meliputi:

• Pelacakan inventaris 
• Pemberitahuan titik pemesanan ulang otomatis 
• Visibilitas operasional omnichannel
• Pembuatan daftar pengambilan untuk mengoptimalkan rute pengambilan
• Kode batang di seluruh inventaris untuk menyederhanakan manajemen inventaris
• Dukungan multi-gudang
• Pelacakan pengiriman
• Dasbor analitik yang memungkinkan Anda memantau data dalam sekejap 

Bermitra dengan 3PL

Jika Anda tidak terjun ke bisnis untuk mengawasi logistik, tetapi tidak mampu mempekerjakan direktur logistik, Anda dapat melakukan outsourcing pemenuhan ke perusahaan logistik pihak ketiga, atau 3PL. 

3PL bermitra dengan bisnis e-niaga untuk menangani proses logistik masuk dan keluar seperti penerimaan, pergudangan, mengelola hubungan dengan operator pengiriman, memproses pengembalian barang, dan banyak lagi. Beberapa penyedia layanan logistik seperti ShipBob bahkan akan menyimpan inventaris Anda di pusat-pusat pemenuhan yang mereka operasikan, dan sepenuhnya menangani proses pengambilan dan pengemasan untuk Anda. 

Secara keseluruhan, keahlian, efisiensi, dan teknologi yang dibawa oleh 3PL ke dalam kemitraan dapat memberikan penghematan biaya, meningkatkan kualitas operasional, dan meluangkan lebih banyak waktu bagi Anda untuk fokus pada area pertumbuhan strategis lainnya dalam bisnis Anda. 

Logistik keluar

Bangun hubungan yang kuat

Logistik keluar bersifat sangat kolaboratif, jadi memperkuat hubungan dengan orang-orang dan pihak-pihak yang diandalkan oleh rantai pasokan Anda hanya akan meningkatkannya. Pastikan Anda memperhatikan semua pihak, termasuk operator pengiriman, 3PL, mitra pengangkutan, penyedia layanan pengiriman, dan bahkan staf gudang Anda sendiri jika ada. 

Membangun hubungan baik dan kepercayaan membutuhkan waktu, dan Anda harus berkomitmen untuk membayar vendor tepat waktu, selalu bersikap hormat, dan berkomunikasi secara efektif. Dengan konsistensi yang cukup, Anda dapat membentuk kemitraan jangka panjang yang dapat membantu Anda mengurangi waktu tunggu, menghemat uang, dan bahkan mendapatkan persyaratan kontrak yang lebih menguntungkan, diskon volume, dan peluang ekspansi.

Mengurangi waktu transit

Bergantung pada seberapa efisien operasi pergudangan Anda, pesanan dapat diproses, diambil, dan dikemas dalam beberapa jam. Proses pengiriman - dan semua kerumitan, penundaan, dan hambatannya - yang membutuhkan waktu paling lama.

Untuk mendapatkan pesanan pelanggan di depan pintu lebih cepat, cobalah menjadwalkan penjemputan kurir lebih sering, atau pertimbangkan untuk beralih ke kurir yang lebih cepat. Bermitra dengan 3PL dapat sangat bermanfaat, karena 3PL memiliki hubungan kerja yang sangat baik dengan operator yang tidak hanya dapat memberi Anda diskon pengiriman massal, tetapi juga mengirimkan lebih banyak pesanan ke operator lebih sering.    

Memperkenalkan otomatisasi 

Meskipun beberapa operasi gudang memerlukan sentuhan manusia, banyak tugas yang berulang atau sederhana dapat diotomatisasi untuk meningkatkan efisiensi. Fungsi otomatis juga dapat mencapai tingkat akurasi yang lebih tinggi, karena mengurangi atau menghilangkan kesalahan manusia.    

Memproses pesanan, membuat pesanan pembelian dan dokumen lainnya, membuat daftar pengambilan, dan membuat faktur adalah pilihan yang baik untuk diotomatisasi. Jika Anda bermitra dengan 3PL atau platform logistik, mereka mungkin sudah mengotomatiskan fungsi-fungsi ini untuk menghemat waktu dan uang. 

Sederhanakan logistik masuk dan keluar dengan ShipBob

ShipBob adalah platform logistik omnichannel global yang siap membantu bisnis Anda meningkatkan skala logistik dengan mudah dalam berbagai ukuran.

Untuk membantu bisnis e-niaga mengoptimalkan logistik masuk, ShipBob menerima inventaris Anda menggunakan praktik terbaik, termasuk proses WRO terstandarisasi yang dirancang untuk kecepatan dan kesederhanaan. Kami kemudian menyimpan inventaris Anda di salah satu dari beberapa pusat pemenuhan yang berbasis di AS dan internasional, sehingga Anda dapat mengurangi biaya pengiriman sambil meminimalkan waktu pengiriman. 

Dari sana, ShipBob menangani semua proses logistik keluar untuk Anda, berapa pun volume pesanan Anda. Apakah Anda melakukan 400 pesanan sebulan atau 40.000, ShipBob terhubung dengan platform e-niaga Anda sehingga pesanan secara otomatis didorong ke pusat pemenuhan ShipBob. Tim gudang kemudian akan mengambil dan mengemas pesanan Anda, dan mengirimkannya melalui mitra operator. 

Infrastruktur ShipBob dirancang dengan kemampuan untuk membuat logistik menjadi lancar. Dari otomatisasi gudang hingga pemindaian barcode, diskon yang dinegosiasikan dengan operator pengiriman hingga pengemasan dan perakitan, ShipBob dilengkapi untuk menangani kebutuhan logistik Anda yang paling rumit. 

Pedagang bahkan dapat memantau logistik mereka melalui dasbor ShipBob. Perangkat lunak ini memberikan visibilitas waktu nyata ke tingkat inventaris, memungkinkan Anda untuk mengatur titik pemesanan ulang otomatis, dan melihat status pesanan untuk setiap pengiriman yang mereka penuhi dan kirimkan ke pelanggan Anda - semuanya dari satu platform yang mudah digunakan. 

Jika Anda tertarik untuk mempelajari lebih lanjut tentang bagaimana ShipBob dapat mengelola logistik Anda, klik di bawah ini untuk informasi lebih lanjut. 

Minta harga pemenuhan

Punya gudang sendiri?

Merek e-niaga Anda sekarang dapat menerapkan sistem manajemen gudang terbaik di kelasnya dari ShipBob (sistem yang sama yang mendukung jaringan pemenuhan ShipBob!) di gudang Anda sendiri.

Dengan menggunakan WMS ShipBob, merek Anda dapat mengelola logistik masuk dan keluar dari satu platform. Dengan otomatisasi bawaan, opsi pengambilan yang fleksibel, dan integrasi siap pakai dengan platform dan alat e-niaga utama, ShipBob WMS merampingkan semuanya mulai dari penerimaan hingga pengiriman, sehingga merek Anda dapat meningkatkan efisiensi dan mengurangi kesalahan di seluruh rantai pasokan Anda.

Berikut adalah jawaban atas beberapa pertanyaan umum tentang logistik masuk dan keluar.

Apa itu pengiriman masuk dan keluar?

Pengiriman masuk berbeda dengan pengiriman keluar.

Pengiriman masuk mengacu pada produsen atau pemasok yang mengirimkan bahan mentah, persediaan, atau barang lain ke bisnis yang memesannya (dan nantinya akan menjualnya ke pelanggan akhir).

Pengiriman keluar mengacu pada proses pengangkutan pesanan (yaitu barang jadi yang telah diambil dan dikemas ke dalam kotak atau poli mailer) dari gudang pedagang atau pusat pemenuhan ke pelanggan akhir.

Apa saja jenis logistik yang berbeda?

Sebagian besar proses logistik diurutkan ke dalam salah satu dari dua kategori: logistik masuk atau logistik keluar. Logistik pengadaan, logistik penerimaan, dan logistik penyimpanan biasanya dikategorikan sebagai proses logistik masuk, sedangkan pemrosesan pesanan, pemenuhan, dan logistik pengiriman dikategorikan sebagai logistik keluar.

Apa yang dimaksud dengan logistik terbalik?

Logistik balik mengacu pada proses logistik yang terlibat dalam pengembalian ecommerce

Disadur dari: shipbob.com

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

Apa itu desain sistem

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

Konsep utama dalam desain sistem

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

Memahami komponen desain sistem

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

^{_{Sumber: crio.do}}

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

Proses desain sistem

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

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

^{_{Sumber: crio.do}}

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

Praktik terbaik untuk desain sistem yang efektif

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

Studi kasus desain sistem yang berhasil

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

Layanan streaming netflix

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

Pencocokan waktu nyata uber

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

Amazon web services (AWS)

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

Kesimpulan

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

Disadur dari: crio.do

Teori

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

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

^{_{Sumber: Britannica, Inc}}

Masalah pengoptimalan

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

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

Itu metode simpleks

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

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

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

Formulasi standar

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

Pemrograman nonlinier

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

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

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

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

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

Teori

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

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

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

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

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

Disadur dari: britannica.com

Prinsip-prinsip rekayasa keandalan untuk insinyur pabrik

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

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

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

Sejarah rekayasa keandalan

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

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

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

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

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

Apa itu rekayasa keandalan?

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

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

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

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

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

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

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

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

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

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

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

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

Konsep matematika dasar dalam rekayasa keandalan

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

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

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

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

Di mana:

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

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

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

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

Di mana:

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

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

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

_{sumber: reliableplant.com}

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

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

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

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

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

_{sumber: reliableplant.com}

Gambar 2. Kurva 'bak mandi' yang banyak difitnah

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

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

Distribusi eksponensial

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

Di mana

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

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

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

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

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

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

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

Dimana

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

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

_{sumber: reliableplant.com}

Gambar 3. fungsi kepadatan probabilitas (pdf)

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

_{sumber: reliableplant.com}

Gambar 4. Laju kegagalan dan fungsi distribusi kumulatif

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

Distribusi weibull

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

_{sumber: reliableplant.com}

Gambar 5. Plot Weibull Sederhana - Beranotasi

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

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

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

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

Disadur dari: reliableplant.com