Stopwatch Ancam Masa Depan Kebangkitan Manufaktur
Hampir 25 tahun yang lalu, saya memulai karir di lantai produksi General Motors (GM), bekerja baik di bengkel badan yang terotomatisasi tinggi maupun di garis assembly yang berpusat pada manusia. Saya segera mempelajari bahwa proses robotik mentransmisikan data dengan lancar melalui Ethernet, sedangkan aktivitas manusia harus ditangkap secara manual oleh insinyur industri menggunakan stopwatch—teknik yang pioneer oleh Frederick Taylor pada era Model T. Kontrasnya tajam: era industri modern bertabrakan dengan metode pengumpulan data yang sudah berusia 75 tahun.
Hari ini, saya masih berjalan di garis assembly dan melihat insinyur muda melakukan time study. Alatnya telah berkembang—dari jam Casio hingga iPhone—tetapi praktiknya tetap tidak berubah, dan metode yang sudah usang mengerikan ini terus menghambat kemajuan. Time and motion study pernah mendorong manufaktur Amerika ke puncak dunia; hari ini metode ini sangat salah dalam era Industrial Internet of Things (IIoT).
Fokus pada Time to Market dan Produktivitas
Manufaktur Amerika sedang mengalami renaisanse, berkembang dengan laju tercepat sejak 2004. Pada tahun 2017, 171.000 pekerjaan kembali ke Amerika Serikat sebagai hasil reshoring dan investasi langsung asing. Akses pasar adalah penggerak kunci: “Reshoring adalah tentang time to market,” kata Ben Smith, senior advisor di AT Kearney. “Produsen modern mungkin memilih 15 pabrik kecil di seluruh negeri untuk akses pasar yang lebih baik, menggeser fokus mereka dari biaya ke produktivitas.”
Kesepakatan industri menilai bahwa IIoT akan menjadi mesin utama pertumbuhan produktivitas. Accenture memprediksinya sebagai penggerak produktivitas terbesar dekade ini, sementara GE Digital mengestimasi kenaikan performa tahunan sekitar $8,6 triliun. Namun, sebagian besar nilai yang diciptakan di pabrik datang dari manusia—Boston Consulting Group melaporkan bahwa manusia melakukan hingga 90 % tugas di lantai produksi. Mengoptimalkan mesin saja hanya menangkap sebagian kecil dari aktivitas sebenarnya.
Time to Market Bertemu dengan Time to Data
Peter Marcotullio, VP riset dan pengembangan komersial di SRI International, menilai bahwa “hanya sebagian kecil tugas yang dilakukan oleh mesin.” Dengan demikian, menginstrumentasi mesin hanya menangkap sebagian kecil dari proses. Meskipun IIoT dapat menghasilkan 50 GB data mesin dalam waktu yang dibutuhkan untuk melakukan time study tradisional, hubungan antara optimisasi peralatan dan produktivitas pabrik secara keseluruhan masih rapuh. Keputusan yang menentukan staffing harian, proyeksi output, job costing, dan quotation bergantung pada data yang dihasilkan manusia, yang mendorong baik top line maupun bottom line.
Dataset yang Tidak Lengkap dan Tidak Terpercaya
Time study menderita dua kelemahan utama: volume data yang terbatas dan keandalan yang diragukan. Seorang insinyur biasanya mengambil sampel sepuluh operasi per stasiun—tidak cukup untuk mengakibatkan variabilitas operator atau faktor kontekstual seperti hari dalam seminggu, periode gaji, atau kelelahan hari kerja. Dataset yang langka ini tidak dapat membentuk korelasi atau sebab-akibat yang kuat.
Selain itu, tindakan pengamatan dapat mengubah performa. Terinspirasi dari prinsip ketidakpastian Heisenberg, beberapa pekerja mungkin mempercepat atau memperlambat di bawah pengamatan, dan definisi mulai-dan-selesai yang tidak konsisten further compromise accuracy. Akibatnya, time study menghasilkan pengukuran yang diragukan yang dapat menyesatkan baik operator maupun manajer.
Apa yang Hilang di Pabrik Modern?
Pabrik modern kurang memiliki data berpusat pada manusia yang scalable dan real-time. Meskipun Gemba walks, light curtains yang diinstrumentasi, dan sistem poka-yoke dapat menangkap beberapa aktivitas manusia, volumenya tetap terlalu rendah untuk analitik yang bermakna. Anik Bose, general partner di Benhamou Global Ventures, menjelaskan bahwa “produsen mengumpulkan pekerja dan manajer untuk brainstorming, tetapi tanpa data real-time, mereka bergantung pada metode manual dan ad-hoc.” Tanpa metrik produktivitas manusia yang terpercaya, pabrik tidak dapat meningkatkan sumber daya yang paling mendorong nilai.
Marshall Goldsmith katanya terkenal, “Yang membawa Anda ke sini tidak akan membawa Anda ke sana.” Metodologi time study pernah membawa kita ke puncak manufaktur saat ini, tetapi tidak lagi cukup untuk mempercepat time to market dengan meningkatkan produktivitas tenaga kerja manusia. Saatnya untuk mencopot stopwatch dan mengadopsi kolaborasi manusia yang didorong data dan ditingkatkan AI di lantai pabrik.
Tentang Penulis
Dr. Prasad Akella memimpin tim yang membangun robot kolaboratif pertama di dunia di GM. Dia adalah CEO Drishti, sebuah perusahaan yang menerapkan kecerdasan buatan untuk berkolaborasi dengan dan meningkatkan manusia di lantai pabrik.
