Di era revolusi industri 4.0, data seolah menjadi mata uang baru. Semua perusahaan berlomba-lomba mengumpulkan data sebanyak-banyaknya. Namun, pertanyaan kritis muncul: “Apakah semua data itu benar-benar memberikan nilai?” Inilah pokok pembahasan dalam paper berjudul “Modelling the Wasted Value of Data in Maintenance Investments”, yang diterbitkan di Journal of Quality in Maintenance Engineering. Penelitian ini menggugah kesadaran bahwa data yang tidak digunakan secara sistematis justru berpotensi menjadi beban dan pemborosan.

Penulis paper ini mengusulkan sebuah pendekatan kuantitatif bernama Wasted Value of Data Model (WVD-model) yang dirancang untuk menilai seberapa besar nilai yang hilang (waste) akibat tidak optimalnya pemanfaatan data dalam konteks investasi maintenance (pemeliharaan aset industri). Dengan studi kasus pada perusahaan manufaktur otomotif di Inggris, paper ini menyajikan evaluasi mendalam bagaimana pengumpulan dan pengolahan data dapat berkontribusi—atau justru merugikan—dalam proses pengambilan keputusan maintenance.

📊 Mengapa Data Bisa Jadi “Limbah Digital”?

Salah satu tantangan utama di sektor industri saat ini adalah overload data—kondisi ketika perusahaan memiliki terlalu banyak data namun minim kemampuan atau rencana sistematis untuk memanfaatkannya. Dalam konteks maintenance, data yang tak digunakan secara efisien bukan hanya tidak berguna, tetapi bisa menimbulkan biaya tambahan berupa waktu, tenaga, dan sumber daya yang terbuang.

Penelitian ini menyoroti bahwa banyak perusahaan terlalu cepat mengadopsi teknologi data karena tren (big data hype) tanpa memahami bagaimana mengevaluasi manfaat dan nilai riil dari data tersebut. Sebagai solusinya, penulis mengembangkan WVD-model, yang memungkinkan perusahaan menilai keuntungan bersih dari investasi maintenance berbasis data dengan menghitung dan meminimalkan berbagai jenis pemborosan (waste).

🛠️ Mengenal WVD-Model: Menakar Nilai vs Pemborosan

Definisi:

Wasted Value of Data Model (WVD-model) adalah model analitik yang dirancang untuk menghitung nilai tambahan dari investasi maintenance berbasis data, dengan fokus pada pengurangan pemborosan dalam proses pengumpulan, pengolahan, dan pemanfaatan data.

Delapan Jenis Waste (Pemborosan):

1. Data yang tidak relevan dalam pengambilan keputusan
2. Data berlebihan dalam proses manajemen data
3. Transfer data yang tidak perlu
4. Pemrosesan data yang berulang atau tidak dibutuhkan
5. Sumber daya manajemen data yang tidak dimanfaatkan maksimal
6. Kualitas data yang buruk (data salah atau tidak lengkap)
7. Analisis data yang salah
8. Waktu tunggu karena keterlambatan data atau keputusan

WVD-model menghitung nilai dari berkurangnya waste tersebut dan menyusunnya ke dalam formula nilai tahunan (𝑉), yang kemudian digunakan untuk mengevaluasi kelayakan investasi.

📐 Formula WVD dan Penjelasannya

Formula Dasar Nilai Tahunan:

V=V1+V2+V3+V4+V5+(1−α)∗V6V = V1 + V2 + V3 + V4 + V5 + (1 - α) * V6

Dimana:

• V1–V5: Nilai yang dihasilkan dari berkurangnya masing-masing jenis pemborosan
• V6: Nilai dari peningkatan efisiensi (waktu tunggu menurun)
• α: Koefisien ketidakpastian akibat kualitas data/analisis buruk

Setiap variabel dalam model ini dijabarkan secara rinci, misalnya:

• V1 dihitung dari pengurangan waktu dalam proses pengambilan keputusan
• V5 mencerminkan potensi peningkatan produktivitas dari sumber daya yang sebelumnya underutilized

🏭 Studi Kasus Industri Otomotif: Dari Manual ke Digital Maintenance

Profil Perusahaan:

Sebuah pabrik di Inggris yang memproduksi suku cadang otomotif dengan sistem tiga shift. Selama ini, pencatatan data maintenance dilakukan secara manual menggunakan formulir kertas dan baru diinput ke spreadsheet sekali sehari.

Permasalahan:

• Data tidak lengkap (misalnya, tidak ada informasi penyebab kerusakan)
• Preventive maintenance hanya 2,9% dari total aktivitas
• Engineer lebih banyak menghabiskan waktu pada perbaikan daripada pencegahan

Solusi yang Diusulkan:

Investasi dalam Computerized Maintenance Management System (CMMS) dan transisi ke predetermined maintenance (pemeliharaan terjadwal berbasis data historis).

📈 Dampak Kuantitatif dari Implementasi CMMS

Komponen Nilai yang Dihitung:

1. V3 (transfer data manual dihapus):
   • Menghemat waktu planner sebesar 140 jam/tahun
   • Nilai: £1,862
2. V4 (pemrosesan data meningkat karena lebih banyak data diolah):
   • Beban kerja meningkat dari 465 jam ke 1,171 jam
   • Biaya bertambah £10,413 (nilai negatif)
3. V6 (nilai peningkatan waktu produksi karena breakdown menurun):
   • Predetermined maintenance mencegah kerusakan: FC3 (30%), FL1 (40%), FL2 (40%)
   • Total tambahan produksi 1.091 jam/tahun
   • Nilai: £65,428
4. Koefisien α (kualitas data meningkat):
   • Probabilitas kesalahan analisis turun dari 0.27% menjadi 0%
   • Probabilitas kesalahan data turun dari 41% menjadi 27%
   • Nilai koreksi: -0.13

Hasil Akhir:

V=£1,862−£10,413+(1+0.13)∗£65,428=£65,383V = £1,862 - £10,413 + (1 + 0.13) * £65,428 = £65,383

Nilai tahunan bersih dari investasi: £65,383

💵 Mengukur Kelayakan Investasi: Break-Even Analysis

Dalam bisnis, keputusan investasi harus mempertimbangkan nilai waktu uang. Oleh karena itu, paper ini menggunakan Net Present Value (NPV) sebagai metode evaluasi investasi.

Asumsi:

• Umur sistem (t): 3 tahun
• Discount rate (i): 13.7% (berdasarkan WACC perusahaan)

Break-Even Investment Cost:

I=£65,383/(1.137)1+£65,383/(1.137)2+£65,383/(1.137)3≈£152,563I = £65,383 / (1.137)^1 + £65,383 / (1.137)^2 + £65,383 / (1.137)^3 ≈ £152,563

Artinya, selama total investasi tidak melebihi £152,563, maka proyek implementasi CMMS masih layak secara finansial. Bahkan jika harga CMMS mencapai £30,000, nilai NPV tetap positif.

⚖️ Evaluasi Kritis terhadap Model

Meskipun praktis dan sangat relevan, model ini memiliki beberapa keterbatasan:

1. Belum Mencakup Maintenance Berbasis Kondisi (Condition-Based Maintenance)

Model ini baru mengakomodasi corrective dan predetermined maintenance. Dalam kenyataannya, maintenance berbasis kondisi seperti IoT dan real-time monitoring jauh lebih kompleks dan perlu pendekatan modeling yang berbeda.

2. Asumsi Preventive Rate Agak Optimis

Angka pencegahan kerusakan sebesar 30–40% mengacu pada studi sebelumnya, tapi belum disesuaikan dengan kondisi nyata perusahaan. Tanpa penerapan Failure Mode and Effect Analysis (FMEA), angka ini berisiko terlalu ideal.

3. Estimasi α Masih Subjektif

Probabilitas kesalahan data dihitung berdasarkan survei global, bukan audit aktual. Ke depan, dibutuhkan metode objektif berbasis audit data internal.

📎 Terminologi Baru yang Perlu Dipahami

• CMMS (Computerized Maintenance Management System): Software yang digunakan untuk mengelola jadwal, catatan, dan pelaporan aktivitas maintenance.
• Predetermined Maintenance: Pemeliharaan berbasis jadwal tetap, sering didasarkan pada rekomendasi pabrik atau pengalaman teknisi.
• Corrective Maintenance: Perbaikan yang dilakukan setelah kerusakan terjadi.
• FMEA (Failure Mode and Effect Analysis): Metode sistematik untuk mengidentifikasi dan menganalisis potensi penyebab kegagalan dalam sistem.
• WACC (Weighted Average Cost of Capital): Rata-rata tertimbang biaya modal perusahaan dari utang dan ekuitas.

💼 Relevansi untuk Dunia Industri

Model ini bukan hanya konsep teoretis. Dalam praktik, ia sangat relevan untuk:

• Manajer Maintenance: Menentukan prioritas investasi berdasarkan nilai nyata
• CFO dan Tim Finansial: Justifikasi pengadaan sistem digital baru
• Engineer Data Industri: Menerjemahkan data menjadi penghematan dan keuntungan

Apalagi di masa di mana efisiensi dan ROI (return on investment) menjadi kunci kelangsungan bisnis, model ini membantu mengukur apa yang sebelumnya sulit dihitung: nilai dari data itu sendiri.

🧭 Kesimpulan: Dari Big Data ke Smart Maintenance

Paper ini membuka mata kita bahwa data tidak selalu bernilai, apalagi jika tidak dikelola dengan baik. Melalui pendekatan lean data, pemborosan bisa diminimalkan dan keputusan investasi bisa didasarkan pada bukti kuantitatif yang kuat. Dengan asumsi realistis dan penggunaan variabel yang jelas, WVD-model memberikan alat yang sangat aplikatif dan powerful bagi industri modern.

Di dunia industri yang makin data-driven, pertanyaan yang perlu terus kita tanyakan adalah: Apakah data yang kita miliki benar-benar digunakan untuk menciptakan nilai? Atau justru hanya menambah beban sistem dan sumber daya?

🔗 Referensi Paper

Judul: Modelling the Wasted Value of Data in Maintenance Investments
Jurnal: Journal of Quality in Maintenance Engineering
DOI: https://doi.org/10.1108/JQME-11-2018-0100