Scientific Method dalam Manajemen Pabrik

Salah satu kekuatan buku The Goal karya
Eliyahu M. Goldratt dan Jeff Cox adalah cara
sederhana namun mendalam dalam
menjelaskan prinsip manajemen produksi.
Alih-alih menggunakan bahasa teknis yang
kaku, penulis menghadirkan tokoh Jonah,
seorang mentor yang menuntun Alex Rogo
manajer pabrik yang hampir bangkrut untuk
berpikir secara lebih sistematis. Jonah tidak
memberi jawaban instan, melainkan
mengajarkan cara berpikir dengan
metode ilmiah (scientific method).

Jonah: Mentor yang Membimbing
dengan Pertanyaan

Dalam kisahnya, Jonah selalu muncul
membawa pertanyaan menantang:

• Apa sebenarnya tujuan pabrik?

• Bagaimana cara mengukur keberhasilan?

• Apakah efisiensi lokal benar-benar
  berarti profitabilitas?

Jonah mendorong Alex untuk tidak sekadar
mengikuti intuisi atau tradisi lama dalam
manajemen. Sebaliknya, setiap keputusan
harus diuji melalui proses berpikir ilmiah:
membuat hipotesis, mencoba solusi,
mengamati hasil, dan kemudian menyimpulkan
apakah solusi itu berhasil atau perlu diperbaiki.

Langkah-Langkah Scientific Method
dalam Pabrik

Goldratt melalui Jonah memperlihatkan bahwa
metode ilmiah bisa diterapkan dalam dunia
manufaktur. Alex dan timnya mengalaminya
langsung di pabrik:

1. Hipotesis – merumuskan dugaan
   berdasarkan masalah nyata.
   Misalnya, ketika produksi macet, mereka
   menduga bahwa “mesin tertentu menjadi
   penghambat.”

2. Eksperimen – mencoba langkah
   perbaikan untuk menguji hipotesis.
   Alex mengatur ulang jadwal,
   memprioritaskan bottleneck, dan melihat
   apakah perubahan itu memperlancar
   aliran produksi.

3. Evaluasi – menilai hasil dengan data
   konkret.
   Mereka tidak menilai dari “perasaan sibuk”
   mesin, tetapi dari throughput: apakah lebih
   banyak produk yang benar-benar terjual?

4. Perbaikan Berkelanjutan – jika hasil
   belum optimal, kembali lagi ke hipotesis
   baru.
   Proses ini berulang, menciptakan siklus
   pembelajaran tanpa henti.

Keputusan Berbasis Data, Bukan Insting

Salah satu kritik Goldratt adalah bahwa banyak
manajer terjebak pada “insting” atau aturan
lama yang dianggap kebenaran mutlak.
Misalnya, keyakinan bahwa “semakin banyak
mesin bekerja, semakin efisien pabrik.”
Padahal, kenyataannya bisa sebaliknya: mesin
sibuk justru menambah inventory (persediaan
 atau stok) yang
menumpuk.

Jonah menekankan bahwa keputusan
seharusnya bukan berdasarkan insting,
melainkan data nyata. Data throughput,
inventory, dan operational expenses menjadi
ukuran utama apakah keputusan membawa
pabrik menuju profitabilitas atau tidak.

Menegaskan Tujuan Bisnis yang
Sebenarnya

Bagian penting dari bimbingan Jonah adalah
mengingatkan Alex bahwa tujuan bisnis
bukanlah “menjaga mesin selalu sibuk” atau
“menghemat biaya sebanyak mungkin.”
Semua itu hanyalah alat, bukan tujuan.

Tujuan sejati bisnis, menurut Jonah, adalah
menghasilkan uang secara berkelanjutan.
Jika sebuah perubahan membuat mesin tampak
lebih sibuk tetapi tidak meningkatkan
keuntungan, berarti perubahan itu tidak relevan.
Dengan kerangka berpikir ilmiah, Alex bisa
membedakan aktivitas yang sekadar “sibuk”
dengan aktivitas yang benar-benar
menghasilkan nilai.

Dampak Scientific Method bagi Pabrik Alex

Dengan menerapkan pendekatan ini, Alex
dan timnya berhenti mengambil keputusan
berdasarkan kebiasaan lama. Mereka mulai:

• Mengidentifikasi bottleneck dengan
  data nyata, bukan sekadar dugaan.

• Mencoba solusi kecil terlebih dahulu
  sebelum mengubah sistem besar.

• Mengukur hasil bukan dengan
  laporan akuntansi, tetapi dengan
  throughput yang meningkat.

• Membiasakan diri untuk terus
  belajar dari kesalahan, bukan
  menutupinya.

1) Mengidentifikasi bottleneck dengan
data nyata, bukan sekadar dugaan

Inti: Bottleneck = proses/mesin yang punya
kapasitas terendah dan menentukan laju
keluaran seluruh sistem. Jangan
tebak-tebak: ukur.

llustrasi sederhana: Di warung makan:
Pemilik warung merasa pembeli sedikit
karena “makanan kurang enak”. Tapi
setelah dihitung, ternyata antrian
panjang terjadi di kasir, bukan
di dapur. Banyak pelanggan batal
makan karena malas menunggu bayar.

Tanda nyata bottleneck

• Antrian panjang / banyak WIP
  (work-in-process) menunggu
  di depan satu mesin.

• Mesin lain sering “nganggur”
  menunggu hasilnya.

• Waktu proses (cycle time) pada satu
  stasiun jauh lebih lama daripada
  stasiun lain.

• Utilisasi mesin hampir 100%
  sedangkan throughput pabrik
  tetap rendah.

Data yang perlu dikumpulkan

• Throughput per proses
  (unit keluar per jam/hari).

• Cycle time setiap proses
  (berapa detik/menit per unit).

• Waktu downtime dan penyebabnya.

• Panjang antrian/WIP
  (jumlah job yang menunggu).

• Lead time antar proses
  (waktu sejak job masuk sampai keluar).

Cara praktis mengumpulkan
(tanpa sensor mahal)

• Pasang kartu job/stiker waktu pada
  setiap batch: tulis jam masuk-keluar.

• Catat jumlah unit keluar per shift
  pada buku/log harian.

• Lakukan waktu pengamatan
  (time study) 1–3 hari: hitung
  rata-rata cycle time.

• Gunakan spreadsheet sederhana:
  kolom proses, cycle time rata-rata,
  throughput per jam, WIP saat
  pengamatan.

Contoh angka sederhana

• Proses A → kapasitas 10 unit/hari

• Proses B → kapasitas 8 unit/hari

• Proses C → kapasitas 12 unit/hari
  Bottleneck = proses B (8 unit/hari).
  Jika A produksi 10 dan B hanya 8,
  maka WIP akan bertambah
  10 − 8 = 2 unit/hari.
  Itu bukti data bahwa B menghambat.

Langkah ringkas

1. Kumpulkan data 3–7 hari.

2. Hitung rata-rata cycle time & throughput
   per proses.

3. Identifikasi proses dengan terendah
   throughput / tertinggi antrian
   → itu bottleneck.

2) Mencoba solusi kecil terlebih
dahulu (eksperimen) sebelum
mengubah sistem besar

Inti: Uji hipotesis dengan eksperimen
terkontrol (PDCA) — murah, cepat, aman
lalu skalakan kalau berhasil.

llustrasi sederhana: Di warung makan:
Pemilik tidak langsung merenovasi
besar-besaran. Ia coba menambah
1 kasir sementara saat jam makan
siang. Hasilnya, antrian lebih lancar
tanpa biaya besar.

Kerangka sederhana
(PDCA / Scientific Method)

1. Plan (Hipotesis): “Jika kita menambah
   buffer 2 hari di depan mesin B,
   throughput akan naik 15%.”

2. Do (Eksperimen kecil): Terapkan
   buffer hanya untuk 2 minggu pada 1 shift.

3. Check (Data): Ukur throughput, WIP,
   quality, OT selama periode uji.

4. Act: Jika hasil positif, roll out bertahap;
   kalau tidak, kembalikan seperti semula
   dan coba hipotesis lain.

Desain eksperimen yang baik

• Satu perubahan per eksperimen
  (jangan ubah banyak variabel sekaligus).

• Tetapkan kriteria sukses sebelum
  mulai (mis. throughput +10%, WIP −20%,
  tidak ada kenaikan reject).

• Tentukan durasi yang cukup untuk
  melihat efek (mis. 2 minggu atau 10 batch).

• Catat semua data sebelum-sesudah.

Contoh eksperimen kecil

• Hipotesis: Mengurangi batch size dari
  100 → 40 akan mempercepat flow dan
  menurunkan WIP.

• Uji di satu produk/line selama 2 minggu.

• Ukur throughput/hari, waktu tunggu,
  jumlah produk cacat.

Keuntungan pakai eksperimen kecil

• Risiko rendah, biaya kecil.

• Hasil nyata cepat terlihat.

• Menghindari investasi besar
  untuk solusi yang belum tentu efektif.

3) Mengukur hasil bukan dengan
laporan akuntansi, tetapi dengan
throughput yang meningkat

Inti: Throughput = uang nyata yang masuk
ke perusahaan dari penjualan produk.
Fokus pada itu, bukan cuma mesin sibuk
atau biaya per unit menurut akunting.

llustrasi sederhana: Di warung makan:
Pemilik tidak hanya lihat “biaya dapur
turun” atau “pegawai sibuk”. Ia ukur
apakah uang kas harian meningkat.
Jika tambahan kasir bikin pendapatan
naik Rp500 ribu/hari, berarti
eksperimen berhasil.

Mengapa akuntansi tradisional bisa
menyesatkan

• Utilisasi 100% pada mesin bukan berarti
  profit naik — bisa menimbulkan
  inventory berlebih.

• Pengurangan biaya kecil (mis. kurangi
  jam lembur) tidak berguna jika
  throughput turun.

• Laporan biaya per unit sering
  mengabaikan barang yang
  menumpuk dan tidak laku.

Cara mengukur throughput praktis

• Throughput per periode = total
  pendapatan dari produk yang
  terjual/dikirim selama periode
  itu (hari/minggu/bulan).
  Contoh: 45 unit terjual × Rp2.000 =
  Rp90.000 → itulah throughput
  periode itu.

• Lacak throughput per jam
  bottleneck: berapa unit bernilai
  yang lewat bottleneck tiap jam.
  Itu menentukan potensi maksimal
  pabrik.

• Bandingkan before-after eksperimen:
  apakah throughput naik sesuai target?

Perbandingan ilustratif

• Skenario A: produksi 100 unit,
  terjual 30 → throughput =
  30 × Rp2.000 = Rp60.000

• Skenario B: produksi 50 unit,
  terjual 45 → throughput =
  45 × Rp2.000 = Rp90.000
  Walau produksi A lebih banyak,
  throughput B lebih tinggi → B jauh
  lebih baik profitabilitasnya.

Jangan lupa juga pantau:

• Perubahan Inventory (uang tertahan).

• Perubahan Operational Expenses
  (apakah biaya naik lebih cepat dari
  pendapatan tambahan).

4) Membiasakan diri untuk terus
belajar dari kesalahan, bukan
menutupinya

Inti: Budaya blameless learning + proses
dokumentasi eksperimen = perbaikan
berkelanjutan.

llustrasi sederhana: Di warung makan:
Pemilik sempat salah coba menambah
kursi, padahal masalah utama bukan
tempat duduk tapi kasir. Ia akui
kesalahan, lalu perbaiki strategi.

Praktik yang bisa langsung diterapkan

1. Post-mortem tanpa menyalahkan:
   Setelah percobaan atau kejadian gagal,
   adakan sesi singkat:

   • Apa yang terjadi?

   • Mengapa (root cause)?

   • Apa yang kita pelajari?

   • Apa tindakan selanjutnya?

2. Gunakan 5 Whys untuk cari akar
   masalah (tanya “kenapa” berulang
   sampai akar terkuak).

3. Catat eksperimen & hasil di log:
   hipotesis, rentang waktu, data
   before/after, keputusan. Arsip ini
   jadi bank pengetahuan.

4. Small wins celebration: rayakan
   perbaikan kecil supaya tim termotivasi.

5. Ritual review: daily standup singkat
   untuk hambatan, weekly review untuk
   eksperimen, monthly lessons learned
   meeting.

Template post-mortem singkat (5 baris)

• Judul eksperimen / kejadian

• Fakta singkat (apa yang terjadi)

• Analisis penyebab utama

• Tindakan korektif yang diambil

• Pelajaran & next step

Budaya yang membantu

• Pemimpin memberi contoh: akui
  kesalahan sendiri.

• Hukum “no blame” — fokus pada
  proses, bukan orang.

• Sediakan waktu untuk refleksi,
  bukan hanya firefighting terus-menerus.

Checklist Praktis untuk Memulai
(1-2 hari kerja)

1. Kumpulkan data dasar: throughput
   per proses, cycle time, WIP snapshot.

2. Identifikasi bottleneck

3. menggunakan data (proses dengan
   throughput terendah / antrian terbanyak).

4. Rancang 1 eksperimen kecil
   (hipotesis jelas + kriteria sukses).

5. Jalankan eksperimen selama
   periode terbatas (mis. 2 minggu).

6. Ukur hasil dengan fokus pada
   throughput, WIP, dan quality.

7. Lakukan post-mortem: catat
   pelajaran dan putuskan rollout / revert.

8. Ulangi siklus: setiap perubahan
   baru didukung data.

Proses ini mengubah pabrik yang hampir
ditutup menjadi unit yang kembali sehat
dan menguntungkan.

Kesimpulan

The Goal menunjukkan bahwa scientific
method bukan hanya milik laboratorium
ilmiah, tetapi juga bisa menjadi fondasi
manajemen pabrik. Dengan bimbingan
Jonah, Alex belajar bahwa setiap masalah
produksi bisa diurai dengan pola pikir
ilmiah: hipotesis, eksperimen, evaluasi,
dan perbaikan berkelanjutan.

Lebih jauh lagi, Goldratt ingin menegaskan
pesan penting: tujuan bisnis adalah
menghasilkan uang, bukan sekadar
terlihat efisien. Dengan memadukan
cerita fiksi dan konsep ilmiah, The Goal
berhasil memberikan pelajaran manajemen
yang sederhana, praktis, dan relevan
hingga kini.