Pencarian Lokal Berulang (ILS) adalah istilah dalam matematika terapan dan ilmu komputer yang mendefinisikan modifikasi pencarian lokal atau metode mendaki bukit untuk memecahkan masalah optimasi diskrit.

Metode pencarian lokal bisa macet di minimum lokal, di mana tidak ada tetangga yang lebih baik yang tersedia.

Modifikasi sederhana terdiri dari panggilan iterasi ke rutin pencarian lokal, setiap kali dimulai dari konfigurasi awal yang berbeda. Ini disebut pencarian lokal berulang, dan menyiratkan bahwa pengetahuan yang diperoleh selama fase pencarian lokal sebelumnya tidak digunakan. Pembelajaran menyiratkan bahwa sejarah sebelumnya, misalnya memori tentang minima lokal yang ditemukan sebelumnya, ditambang untuk menghasilkan titik awal yang lebih baik dan lebih baik untuk pencarian lokal.

Asumsi implisitnya adalah distribusi berkerumun dari minima lokal: ketika meminimumkan suatu fungsi, menentukan minima lokal yang baik lebih mudah ketika memulai dari minimum lokal dengan nilai rendah daripada saat memulai dari titik acak. Satu-satunya peringatan adalah untuk menghindari kurungan di baskom atraksi tertentu, sehingga tendangan untuk mengubah peminim lokal menjadi titik awal untuk lari berikutnya harus cukup kuat, tetapi tidak terlalu kuat untuk menghindari kembali ke restart acak tanpa memori.

Pencarian Lokal Berulang didasarkan pada pembuatan urutan solusi optimal lokal dengan:

1. mengganggu minimum lokal saat ini;
2. menerapkan pencarian lokal setelah memulai dari solusi yang dimodifikasi.

Kekuatan gangguan harus cukup untuk mengarahkan lintasan ke cekungan tarikan yang berbeda yang mengarah ke optimum lokal yang berbeda.

Algoritma Gangguan

Algoritma gangguan untuk ILS bukanlah tugas yang mudah. Tujuan utamanya adalah untuk tidak terjebak dalam minimum lokal yang sama dan untuk mendapatkan properti ini benar, operasi undo dilarang. Meskipun demikian, permutasi yang baik harus mempertimbangkan banyak nilai, karena ada dua jenis permutasi buruk:

1. terlalu lemah: kembali ke minimum lokal yang sama
2. terlalu kuat: restart acak

Gangguan Tolok Ukur

Prosedurnya terdiri dari memperbaiki sejumlah nilai untuk gangguan sedemikian rupa sehingga nilai-nilai ini signifikan misalnya: pada probabilitas rata-rata dan tidak jarang. Setelah itu, pada saat runtime akan memungkinkan untuk memeriksa plot benchmark untuk mendapatkan ide rata-rata pada instance yang dilewati.

Gangguan Adaptif

Karena tidak ada fungsi apriori yang memberi tahu mana yang merupakan nilai yang paling cocok untuk gangguan tertentu, kriteria terbaik adalah membuatnya adaptif. Misalnya Battiti dan Protasi mengusulkan algoritma pencarian reaktif untuk MAX-SAT yang sangat cocok dengan kerangka kerja ILS. Mereka melakukan skema gangguan "terarah" yang diimplementasikan oleh algoritma pencarian tabu dan setelah setiap gangguan mereka menerapkan algoritma keturunan lokal standar. Cara lain untuk mengadaptasi gangguan adalah dengan mengubah secara deterministik kekuatannya selama pencarian.

Mengoptimalkan Gangguan

Prosedur lain adalah mengoptimalkan sub-bagian dari masalah, dengan mengaktifkan properti not-undo. Jika prosedur ini memungkinkan, semua solusi yang dihasilkan setelah gangguan cenderung sangat baik. Selanjutnya bagian-bagian baru juga dioptimalkan.

Kesimpulan

Metode ini telah diterapkan pada beberapa masalah optimasi kombinatorial termasuk masalah Penjadwalan Job Shop, Masalah Flow-Shop, Masalah Perutean Kendaraan serta banyak lainnya.

Sumber Artikel: en.wikipedia.org

Dalam analisis numerik, mendaki bukit adalah teknik optimasi matematis yang termasuk dalam keluarga pencarian lokal. Ini adalah algoritma iteratif yang dimulai dengan solusi arbitrer untuk suatu masalah, kemudian mencoba menemukan solusi yang lebih baik dengan membuat perubahan bertahap pada solusi. Jika perubahan menghasilkan solusi yang lebih baik, perubahan tambahan lainnya dilakukan pada solusi baru, dan seterusnya sampai tidak ada perbaikan lebih lanjut yang dapat ditemukan.

Misalnya, mendaki bukit dapat diterapkan pada masalah salesman keliling. Sangat mudah untuk menemukan solusi awal yang mengunjungi semua kota tetapi kemungkinan akan sangat buruk dibandingkan dengan solusi optimal. Algoritme dimulai dengan solusi semacam itu dan membuat perbaikan kecil untuknya, seperti mengubah urutan kunjungan dua kota. Akhirnya, rute yang jauh lebih pendek kemungkinan akan diperoleh.

Pendakian bukit menemukan solusi optimal untuk masalah cembung – untuk masalah lain hanya akan menemukan optima lokal (solusi yang tidak dapat diperbaiki oleh konfigurasi tetangga), yang belum tentu solusi terbaik (optimal global) dari semua solusi yang mungkin ( ruang pencarian). Contoh algoritma yang memecahkan masalah cembung dengan mendaki bukit termasuk algoritma simpleks untuk pemrograman linier dan pencarian biner.: 253  Untuk mencoba menghindari terjebak dalam optima lokal, seseorang dapat menggunakan restart (yaitu pencarian lokal berulang), atau lebih skema kompleks berdasarkan iterasi (seperti pencarian lokal berulang), atau pada memori (seperti optimasi pencarian reaktif dan pencarian tabu), atau pada modifikasi stokastik tanpa memori (seperti simulasi anil).

Kesederhanaan relatif dari algoritme menjadikannya pilihan pertama yang populer di antara algoritme pengoptimalan. Ini digunakan secara luas dalam kecerdasan buatan, untuk mencapai keadaan tujuan dari simpul awal. Pilihan yang berbeda untuk node berikutnya dan node awal digunakan dalam algoritma terkait. Meskipun algoritme yang lebih canggih seperti simulasi anil atau pencarian tabu dapat memberikan hasil yang lebih baik, dalam beberapa situasi mendaki bukit juga berfungsi dengan baik. Pendakian bukit seringkali dapat menghasilkan hasil yang lebih baik daripada algoritma lain ketika jumlah waktu yang tersedia untuk melakukan pencarian terbatas, seperti dengan sistem waktu nyata, selama sejumlah kecil peningkatan biasanya menyatu pada solusi yang baik (solusi optimal atau pendekatan dekat). Di sisi lain, bubble sort dapat dilihat sebagai algoritme pendakian bukit (setiap pertukaran elemen yang berdekatan mengurangi jumlah pasangan elemen yang tidak teratur), namun pendekatan ini jauh dari efisien bahkan untuk N yang sederhana, karena jumlah pertukaran yang diperlukan bertambah secara kuadrat.

Mendaki bukit adalah algoritme kapan saja: ia dapat mengembalikan solusi yang valid bahkan jika terputus kapan saja sebelum berakhir.

Deskripsi matematika

Mendaki bukit mencoba untuk memaksimalkan (atau meminimalkan) fungsi target , di mana adalah vektor nilai kontinu dan/atau diskrit. Pada setiap iterasi, mendaki bukit akan menyesuaikan satu elemen di dan menentukan apakah perubahan meningkatkan nilai . (Perhatikan bahwa ini berbeda dari metode penurunan gradien, yang menyesuaikan semua nilai dalam pada setiap iterasi sesuai dengan gradien bukit.) Dengan mendaki bukit, perubahan apa pun yang meningkatkan diterima, dan proses berlanjut sampai tidak ada perubahan yang dapat ditemukan untuk meningkatkan nilai. Maka dikatakan "optimal secara lokal".

Dalam ruang vektor diskrit, setiap nilai yang mungkin untuk  dapat divisualisasikan sebagai simpul dalam graf. Pendakian bukit akan mengikuti grafik dari titik ke titik, selalu meningkat (atau menurun) secara lokal nilai , hingga maksimum lokal (atau minimum lokal ) tercapai.

Varian

Dalam pendakian bukit sederhana, simpul terdekat pertama dipilih, sedangkan pada pendakian bukit tercuram semua penerus dibandingkan dan yang paling dekat dengan solusi dipilih. Kedua bentuk gagal jika tidak ada node yang lebih dekat, yang mungkin terjadi jika ada maxima lokal di ruang pencarian yang bukan solusi. Pendakian bukit pendakian terjal mirip dengan pencarian terbaik-pertama, yang mencoba semua kemungkinan ekstensi jalur saat ini, bukan hanya satu.

Pendakian bukit stokastik tidak memeriksa semua tetangga sebelum memutuskan bagaimana cara bergerak. Sebaliknya, ia memilih tetangga secara acak, dan memutuskan (berdasarkan jumlah peningkatan pada tetangga itu) apakah akan pindah ke tetangga itu atau memeriksa yang lain.

Penurunan koordinat melakukan pencarian garis sepanjang satu arah koordinat pada titik saat ini di setiap iterasi. Beberapa versi penurunan koordinat secara acak memilih arah koordinat yang berbeda masing-masing erasi.

Pendakian bukit yang dimulai ulang secara acak adalah meta-algoritma yang dibangun di atas algoritma pendakian bukit. Ini juga dikenal sebagai pendakian bukit Shotgun. Ini secara iteratif melakukan pendakian bukit, setiap kali dengan kondisi awal acak . terbaik dipertahankan: jika rangkaian baru mendaki bukit menghasilkan yang lebih baik daripada status tersimpan, ini akan menggantikan status tersimpan.

Pendakian bukit yang dimulai ulang secara acak adalah algoritma yang sangat efektif dalam banyak kasus. Ternyata seringkali lebih baik menghabiskan waktu CPU menjelajahi ruang, daripada mengoptimalkan dengan hati-hati dari kondisi awal

Masalah

Maksimum lokal

Sebuah permukaan dengan dua maxima lokal. (Hanya salah satunya adalah maksimum global.) Jika seorang pendaki bukit dimulai di lokasi yang buruk, mungkin menyatu ke maksimum yang lebih rendah.

Mendaki bukit tidak serta merta menemukan maksimum global, tetapi mungkin bertemu pada maksimum lokal. Masalah ini tidak terjadi jika heuristiknya cembung. Namun, karena banyak fungsi pendakian bukit yang tidak cembung mungkin sering gagal mencapai maksimum global. Algoritme pencarian lokal lainnya mencoba mengatasi masalah ini seperti pendakian bukit stokastik, jalan acak, dan anil simulasi.

Meskipun banyak maxima lokal dalam grafik ini, maksimum global masih dapat ditemukan dengan menggunakan simulasi annealing. Sayangnya, penerapan simulasi anil adalah masalah khusus karena bergantung pada penemuan lompatan keberuntungan yang meningkatkan posisi. Dalam contoh ekstrem seperti itu, pendakian bukit kemungkinan besar akan menghasilkan maksimum lokal.

Pegunungan dan gang

Sebuah punggungan

Punggungan adalah masalah yang menantang bagi pemanjat bukit yang mengoptimalkan dalam ruang terus menerus. Karena pemanjat bukit hanya menyesuaikan satu elemen dalam vektor pada satu waktu, setiap langkah akan bergerak dalam arah yang sejajar sumbu. Jika fungsi target membuat punggungan sempit yang menanjak ke arah yang tidak searah sumbu (atau jika tujuannya adalah meminimalkan, gang sempit yang menurun ke arah yang tidak searah sumbu), maka pemanjat bukit hanya dapat mendaki punggung bukit (atau menuruni gang) dengan zig-zag. Jika sisi punggung bukit (atau gang) sangat curam, maka pemanjat bukit mungkin terpaksa mengambil langkah yang sangat kecil karena zig-zag menuju posisi yang lebih baik. Dengan demikian, mungkin diperlukan waktu yang tidak masuk akal untuk naik ke punggung bukit (atau menuruni gang).

Sebaliknya, metode penurunan gradien dapat bergerak ke segala arah sehingga punggung bukit atau gang dapat naik atau turun. Oleh karena itu, penurunan gradien atau metode gradien konjugasi umumnya lebih disukai daripada mendaki bukit ketika fungsi target dapat dibedakan. Akan tetapi, pemanjat bukit memiliki keuntungan karena tidak memerlukan fungsi target yang dapat dibedakan, sehingga pemanjat bukit mungkin lebih disukai bila fungsi targetnya kompleks.

Dataran

Masalah lain yang terkadang terjadi dengan pendakian bukit adalah dataran tinggi. Dataran tinggi ditemui ketika ruang pencarian datar, atau cukup datar sehingga nilai yang dikembalikan oleh fungsi target tidak dapat dibedakan dari nilai yang dikembalikan untuk wilayah terdekat karena presisi yang digunakan oleh mesin untuk mewakili nilainya. Dalam kasus seperti itu, pemanjat bukit mungkin tidak dapat menentukan ke arah mana ia harus melangkah, dan mungkin mengembara ke arah yang tidak pernah mengarah pada perbaikan. 

Sumber Artikel: en.wikipedia.org

Optimasi kombinatorial adalah subbidang optimasi matematis yang terdiri dari pencarian objek yang optimal dari sekumpulan objek berhingga, dimana himpunan solusi fisibel adalah diskrit atau dapat direduksi menjadi himpunan diskrit. Masalah optimasi kombinatorial yang umum adalah masalah travelling salesman ("TSP"), masalah pohon merentang minimum ("MST"), dan masalah knapsack. Dalam banyak masalah seperti itu, seperti yang disebutkan sebelumnya, pencarian lengkap tidak dapat dilacak, sehingga algoritma khusus yang dengan cepat mengesampingkan sebagian besar ruang pencarian atau algoritma perkiraan harus digunakan sebagai gantinya.

Optimasi kombinatorial berkaitan dengan riset operasi, teori algoritma, dan teori kompleksitas komputasi. Ini memiliki aplikasi penting di beberapa bidang, termasuk kecerdasan buatan, pembelajaran mesin, teori lelang, rekayasa perangkat lunak, matematika terapan, dan ilmu komputer teoretis.

Beberapa literatur penelitian menganggap optimasi diskrit terdiri dari pemrograman integer bersama dengan optimasi kombinatorial (yang pada gilirannya terdiri dari masalah optimasi yang berhubungan dengan struktur grafik), meskipun semua topik ini memiliki literatur penelitian yang terkait erat. Ini sering melibatkan penentuan cara untuk secara efisien mengalokasikan sumber daya yang digunakan untuk menemukan solusi untuk masalah matematika.

Aplikasi

Ini adalah daftar dinamis dan mungkin tidak akan pernah dapat memenuhi standar kelengkapan tertentu. Anda dapat membantu dengan menambahkan item yang hilang dengan sumber terpercaya.

Aplikasi optimasi kombinatorial termasuk, namun tidak terbatas pada:

Logistik

• Optimalisasi rantai pasokan
• Mengembangkan jaringan jari-jari dan tujuan maskapai terbaik
• Memutuskan taksi mana dalam armada yang akan dirutekan untuk mengambil tarif
• Menentukan cara pengiriman paket yang optimal
• Mengalokasikan pekerjaan kepada orang-orang secara optimal
• Merancang jaringan distribusi air
• Masalah ilmu kebumian (misalnya laju aliran reservoir)

Metode

Ada banyak literatur tentang algoritma waktu polinomial untuk kelas khusus tertentu dari optimasi diskrit. Sejumlah besar itu disatukan oleh teori pemrograman linier. Beberapa contoh masalah optimasi kombinatorial yang dicakup oleh kerangka kerja ini adalah jalur terpendek dan pohon jalur terpendek, aliran dan sirkulasi, pohon rentang, pencocokan, dan masalah matroid.

Untuk masalah optimasi diskrit lengkap NP, literatur penelitian saat ini mencakup topik-topik berikut:

• waktu polinomial kasus khusus yang dapat dipecahkan secara tepat dari masalah yang dihadapi (misalnya, masalah yang dapat diselesaikan dengan parameter tetap)
• algoritme yang berkinerja baik pada instans "acak" (mis. untuk masalah penjual keliling)
• algoritma aproksimasi yang berjalan dalam waktu polinomial dan menemukan solusi yang mendekati optimal
• memecahkan contoh dunia nyata yang muncul dalam praktik dan tidak selalu menunjukkan perilaku kasus terburuk dalam masalah NP-lengkap (misalnya contoh TSP dunia nyata dengan puluhan ribu node [6]).

Masalah optimasi kombinatorial dapat dilihat sebagai pencarian elemen terbaik dari beberapa set item diskrit; oleh karena itu, pada prinsipnya, segala jenis algoritma pencarian atau metaheuristik dapat digunakan untuk menyelesaikannya. Mungkin pendekatan [kata musang] yang paling dapat diterapkan secara universal adalah cabang-dan-terikat (algoritma tepat yang dapat dihentikan kapan saja untuk berfungsi sebagai heuristik), cabang-dan-potong (menggunakan optimasi linier untuk menghasilkan batas), dinamis pemrograman (konstruksi solusi rekursif dengan jendela pencarian terbatas) dan pencarian tabu (algoritma swapping tipe serakah). Namun, algoritma pencarian generik tidak dijamin untuk menemukan solusi optimal terlebih dahulu, juga tidak dijamin berjalan cepat (dalam waktu polinomial). Karena beberapa masalah optimasi diskrit adalah NP-complete, seperti masalah travelling salesman (decision),[7] hal ini diharapkan kecuali P=NP.

Definisi formal

Secara formal, masalah optimisasi kombinatorial adalah empat kali lipat, di mana

•  adalah sekumpulan instance;
• diberikan contoh adalah himpunan hingga dari solusi layak;
• diberikan contoh dan solusi yang layak dari , menunjukkan ukuran , yang biasanya real positif.
• adalah fungsi tujuan, dan merupakan  atau .

Tujuannya adalah kemudian untuk menemukan beberapa contoh solusi optimal, yaitu solusi yang layak  dengan

Untuk setiap masalah optimasi kombinatorial, ada masalah keputusan terkait yang menanyakan apakah ada solusi yang layak untuk ukuran tertentu . Misalnya, jika ada graf yang berisi simpul dan , masalah pengoptimalan mungkin "menemukan jalur dari ke  yang menggunakan tepi paling sedikit". Masalah ini mungkin memiliki jawaban, katakanlah, 4. Masalah keputusan yang sesuai adalah "apakah ada jalur dari ke  yang menggunakan 10 sisi atau lebih sedikit?" Masalah ini dapat dijawab dengan sederhana 'ya' atau 'tidak'.

Bidang algoritme aproksimasi berkaitan dengan algoritme untuk menemukan solusi yang mendekati optimal untuk masalah sulit. Versi keputusan yang biasa kemudian merupakan definisi masalah yang tidak memadai karena hanya menentukan solusi yang dapat diterima. Meskipun kita dapat memperkenalkan masalah keputusan yang sesuai, masalah tersebut kemudian secara lebih alami dicirikan sebagai masalah optimasi.

Masalah optimasi NP

Masalah optimasi NP (NPO) adalah masalah optimasi kombinatorial dengan kondisi tambahan berikut.[9] Perhatikan bahwa polinomial yang dirujuk di bawah ini adalah fungsi dari ukuran input fungsi masing-masing, bukan ukuran beberapa set implisit dari instance input.

• ukuran setiap solusi yang layak dibatasi secara polinomial dalam ukuran instance yang diberikan ,
• bahasa dan  dapat dikenali dalam waktu polinomial, dan
• adalah waktu polinomial yang dapat dihitung.

Ini menyiratkan bahwa masalah keputusan yang sesuai ada di NP. Dalam ilmu komputer, masalah optimasi yang menarik biasanya memiliki sifat-sifat di atas dan oleh karena itu merupakan masalah NPO. Masalah juga disebut masalah optimasi-P (PO), jika ada algoritma yang menemukan solusi optimal dalam waktu polinomial. Seringkali, ketika berhadapan dengan kelas NPO, seseorang tertarik pada masalah optimasi yang versi keputusannya adalah NP-complete. Perhatikan bahwa hubungan kekerasan selalu berkaitan dengan beberapa pengurangan. Karena hubungan antara algoritma aproksimasi dan masalah optimasi komputasi, reduksi yang mempertahankan aproksimasi dalam beberapa hal lebih disukai untuk subjek ini daripada reduksi Turing dan Karp biasa. Contoh pengurangan seperti itu adalah pengurangan-L. Untuk alasan ini, masalah optimasi dengan versi keputusan NP-complete tidak selalu disebut NPO-complete.

NPO dibagi menjadi beberapa subkelas berikut menurut perkiraannya:

• NPO(I): Sama dengan FPTAS. Berisi masalah Knapsack.
• NPO(II): Sama dengan PTAS. Berisi masalah penjadwalan Makespan.
• NPO(III): :Kelas masalah NPO yang memiliki algoritma polinomial-waktu yang menghitung solusi dengan biaya paling banyak c kali biaya optimal (untuk masalah minimisasi) atau biaya paling sedikit {\displaystyle 1/c}1/c dari biaya optimal (untuk masalah maksimisasi). Dalam buku Hromkovi[yang mana?], yang dikecualikan dari kelas ini adalah semua masalah NPO(II) kecuali jika P=NP. Tanpa pengecualian, sama dengan APX. Berisi MAX-SAT dan metrik TSP.
• NPO(IV): :Kelas masalah NPO dengan algoritma waktu polinomial yang mendekati solusi optimal dengan rasio polinomial dalam logaritma dari ukuran input. Dalam buku Hromkovi, semua masalah NPO(III) dikeluarkan dari kelas ini kecuali P=NP. Berisi masalah set cover.
• NPO(V): :Kelas masalah NPO dengan algoritma waktu polinomial yang mendekati solusi optimal dengan rasio yang dibatasi oleh beberapa fungsi pada n. Dalam buku Hromkovic, semua masalah
• NPO(IV) dikeluarkan dari kelas ini kecuali P=NP. Berisi masalah TSP dan klik.

Masalah NPO disebut berbatas polinomial (PB) jika, untuk setiap instance dan untuk setiap solusi , ukurannya dibatasi oleh fungsi polinomial dengan ukuran . Kelas NPOPB adalah kelas masalah NPO yang berbatas polinomial.

Masalah khusus

Ini adalah daftar dinamis dan mungkin tidak akan pernah dapat memenuhi standar kelengkapan tertentu. Anda dapat membantu dengan menambahkan item yang hilang dengan sumber terpercaya.

Tur wiraniaga keliling yang optimal melalui 15 kota terbesar di Jerman. Ini adalah tur terpendek di antara 43.589.145.600 kemungkinan tur yang mengunjungi setiap kota tepat satu kali.

• Masalah tugas
• Masalah penutupan
• Masalah kepuasan kendala
• Masalah pemotongan stok
• Masalah himpunan yang mendominasi
• Pemrograman bilangan bulat
• Masalah ransel
• Variabel relevan minimum dalam sistem linier
• Pohon merentang minimum
• Masalah penjadwalan perawat
• Setel masalah penutup
• Penjadwalan toko kerja
• Masalah penjual keliling
• Masalah penjadwalan ulang kendaraan
• Masalah perutean kendaraan
• Masalah penugasan target senjata
• Masalah pengepakan tempat sampah

Sumber Artikel: en.wikipedia.org

Benchmarking adalah praktik membandingkan proses bisnis dan metrik kinerja dengan praktik terbaik industri dan praktik terbaik dari perusahaan lain. Dimensi yang biasanya diukur adalah kualitas, waktu dan biaya.

Benchmarking digunakan untuk mengukur kinerja menggunakan indikator tertentu (biaya per unit ukuran, produktivitas per unit ukuran, waktu siklus x per unit ukuran atau cacat per unit ukuran) yang menghasilkan metrik kinerja yang kemudian dibandingkan dengan yang lain.

Juga disebut sebagai "pembandingan praktik terbaik" atau "pembandingan proses", proses ini digunakan dalam manajemen di mana organisasi mengevaluasi berbagai aspek proses mereka dalam kaitannya dengan proses praktik terbaik perusahaan, biasanya dalam kelompok sebaya yang ditentukan untuk tujuan perbandingan. Ini kemudian memungkinkan organisasi untuk mengembangkan rencana tentang bagaimana melakukan perbaikan atau mengadaptasi praktik terbaik tertentu, biasanya dengan tujuan meningkatkan beberapa aspek kinerja. Pembandingan mungkin merupakan peristiwa satu kali, tetapi sering diperlakukan sebagai proses berkelanjutan di mana organisasi terus berupaya meningkatkan praktik mereka.

Dalam manajemen proyek benchmarking juga dapat mendukung pemilihan, perencanaan dan pengiriman proyek.

Dalam proses pembandingan praktik terbaik, manajemen mengidentifikasi perusahaan terbaik di industri mereka, atau di industri lain di mana ada proses serupa, dan membandingkan hasil dan proses yang dipelajari ("target") dengan hasil dan prosesnya sendiri. Dengan cara ini, mereka mempelajari seberapa baik kinerja target dan, yang lebih penting, proses bisnis yang menjelaskan mengapa perusahaan-perusahaan ini berhasil. Menurut Dewan Nasional Pengukuran dalam Pendidikan, penilaian tolok ukur adalah penilaian singkat yang digunakan oleh guru pada berbagai waktu sepanjang tahun ajaran untuk memantau kemajuan siswa di beberapa bidang kurikulum sekolah. Ini juga dikenal sebagai pemerintahan sementara.

Pada tahun 1994, salah satu jurnal teknis pertama bernama Benchmarking: An International Journal diterbitkan.

Sejarah

Istilah tolok ukur, berasal dari sejarah senjata dan amunisi, dengan tujuan yang sama dengan istilah bisnis; perbandingan dan peningkatan kinerja. Pengenalan senjata bubuk mesiu menggantikan busur dan anak panah dari pemanah, prajurit yang menggunakan busur. Pemanah sekarang harus beradaptasi dengan situasi baru, dan belajar menangani pistol. Senjata baru itu hanya meninggalkan bekas pada sasarannya, di mana panah itu dulu terlihat, dan dengan hilangnya busur, gelar prajurit berubah menjadi penembak jitu, orang yang memasang tanda itu. Pistol sudah diperbaiki di awal, dengan senapan laras, dan senapan lahir. Dengan industrialisasi industri senjata di pertengahan 1800-an, produksi massal amunisi sebagai kartrid menggantikan manual pemuatan bubuk hitam dan peluru ke dalam pistol. Sekarang, dengan produksi standar dari kedua senapan presisi tinggi, serta kartrid, penembak jitu sekarang menjadi variabel yang tidak pasti, dan dengan kualitas dan spesifikasi yang berbeda baik pada senapan maupun amunisi, ada kebutuhan untuk metode menemukan kombinasi terbaik. Senjata disenapan itu dipasang di bangku, sehingga memungkinkan untuk menembakkan beberapa tembakan identik pada target untuk mengukur penyebarannya.

Pada tahun 2008, sebuah survei komprehensif tentang benchmarking dilakukan oleh The Global Benchmarking Network, sebuah jaringan pusat benchmarking yang mewakili 22 negara.

Pernyataan Misi dan Visi dan Survei Pelanggan (Klien) adalah yang paling banyak digunakan (oleh 77% organisasi) dari 20 alat perbaikan, diikuti oleh analisis SWOT (kekuatan, kelemahan, peluang, dan ancaman) (72%), dan Pembandingan Informal (68 %). Performance Benchmarking digunakan sebesar 49% dan Best Practice Benchmarking sebesar 39%.

Alat-alat yang kemungkinan besar akan meningkat popularitasnya selama tiga tahun ke depan adalah Performance Benchmarking, Informal Benchmarking, SWOT, dan Best Practice Benchmarking. Lebih dari 60% organisasi yang saat ini tidak menggunakan alat ini mengindikasikan bahwa mereka kemungkinan akan menggunakannya dalam tiga tahun ke depan. Benchmarking terutama tergantung pada analisis SWOT dan juga akan digunakan di masa depan selama hampir 4-5 tahun.

Prosedur

Tidak ada proses benchmarking tunggal yang telah diadopsi secara universal. Daya tarik yang luas dan penerimaan benchmarking telah menyebabkan munculnya metodologi benchmarking. Satu buku mani adalah Benchmarking Boxwell untuk Keunggulan Kompetitif (1994). Buku pertama tentang benchmarking, ditulis dan diterbitkan oleh Kaiser Associates, adalah panduan praktis dan menawarkan pendekatan tujuh langkah. Robert Camp (yang menulis salah satu buku paling awal tentang benchmarking pada tahun 1989) mengembangkan pendekatan 12-tahap untuk benchmarking.

Metodologi 12 tahap terdiri dari:

1. Pilih subjek
2. Tentukan prosesnya
3. Identifikasi mitra potensial
4. Identifikasi sumber data
5. Kumpulkan data dan pilih semua mitra
6. Tentukan kesenjangan
7. Tetapkan perbedaan proses
8. Targetkan kinerja masa depan
9. Menyampaikan
10. Sesuaikan tujuan
11. Melaksanakan
12. Tinjau dan kalibrasi ulang

Berikut ini adalah contoh metodologi benchmarking yang khas:

• Identifikasi area masalah: Karena benchmarking dapat diterapkan pada proses atau fungsi bisnis apa pun, berbagai teknik penelitian mungkin diperlukan. Mereka termasuk percakapan informal dengan pelanggan, karyawan, atau pemasok; teknik penelitian eksplorasi seperti kelompok fokus; atau riset pemasaran mendalam, riset kuantitatif, survei, kuesioner, analisis rekayasa ulang, pemetaan proses, laporan varians kontrol kualitas, analisis rasio keuangan, atau sekadar meninjau waktu siklus atau indikator kinerja lainnya. Sebelum memulai perbandingan dengan organisasi lain, penting untuk mengetahui fungsi dan proses organisasi; kinerja lapisan dasar memberikan titik di mana upaya peningkatan dapat diukur.
• Identifikasi industri lain yang memiliki proses serupa: Misalnya, jika seseorang tertarik untuk meningkatkan hand-off dalam pengobatan kecanduan, ia akan mengidentifikasi bidang lain yang juga memiliki tantangan hand-off. Ini dapat mencakup kontrol lalu lintas udara, peralihan telepon seluler antar menara, pemindahan pasien dari operasi ke ruang pemulihan.
• Identifikasi organisasi yang menjadi pemimpin di bidang ini: Carilah yang terbaik di industri mana pun dan di negara mana pun. Konsultasikan dengan pelanggan, pemasok, analis keuangan, asosiasi perdagangan, dan majalah untuk menentukan perusahaan mana yang layak dipelajari.
• Perusahaan survei untuk tindakan dan praktik: Perusahaan menargetkan proses bisnis tertentu menggunakan survei terperinci tentang tindakan dan praktik yang digunakan untuk mengidentifikasi alternatif proses bisnis dan perusahaan terkemuka. Survei biasanya ditutupi untuk melindungi data rahasia oleh asosiasi dan konsultan netral.
• Kunjungi perusahaan "praktik terbaik" untuk mengidentifikasi praktik terdepan: Perusahaan biasanya setuju untuk saling bertukar informasi yang bermanfaat bagi semua pihak dalam kelompok pembanding dan berbagi hasil di dalam kelompok.
• Menerapkan praktik bisnis baru dan lebih baik: Ambil praktik terdepan dan kembangkan rencana implementasi yang mencakup identifikasi peluang spesifik, mendanai proyek, dan menjual ide kepada organisasi dengan tujuan mendapatkan nilai yang ditunjukkan dari proses tersebut.

Biaya

Tiga jenis biaya utama dalam benchmarking adalah:

• Biaya Kunjungan - Ini termasuk kamar hotel, biaya perjalanan, makan, hadiah token, dan waktu kerja yang hilang.
• Biaya Waktu - Anggota tim benchmarking akan menginvestasikan waktu untuk meneliti masalah, menemukan perusahaan luar biasa untuk dipelajari, dikunjungi, dan diimplementasikan. Ini akan menjauhkan mereka dari tugas rutin mereka untuk sebagian dari setiap hari sehingga staf tambahan mungkin diperlukan.
• Benchmarking Biaya Basis Data - Organisasi yang melembagakan benchmarking ke dalam prosedur harian mereka merasa berguna untuk membuat dan memelihara basis data praktik terbaik dan perusahaan yang terkait dengan setiap praktik terbaik sekarang.

Biaya benchmarking secara substansial dapat dikurangi dengan memanfaatkan banyak sumber daya internet yang bermunculan selama beberapa tahun terakhir. Ini bertujuan untuk menangkap tolok ukur dan praktik terbaik dari organisasi, sektor bisnis, dan negara untuk membuat proses pembandingan lebih cepat dan lebih murah.

Pembandingan teknis/produk

Teknik yang awalnya digunakan untuk membandingkan strategi perusahaan yang ada dengan pandangan untuk mencapai kinerja terbaik dalam situasi baru (lihat di atas), baru-baru ini diperluas ke perbandingan produk teknis. Proses ini biasanya disebut sebagai “technical benchmarking” atau “product benchmarking”. Penggunaannya dikembangkan dengan baik dalam industri otomotif ("pembandingan otomotif"), di mana sangat penting untuk merancang produk yang sesuai dengan harapan pengguna yang tepat, dengan biaya minimal, dengan menerapkan teknologi terbaik yang tersedia di seluruh dunia. Data diperoleh dengan sepenuhnya membongkar mobil yang ada dan sistemnya. Analisis tersebut awalnya dilakukan di rumah oleh pembuat mobil dan pemasok mereka. Namun, karena analisis ini mahal, mereka semakin banyak dialihdayakan ke perusahaan yang berspesialisasi dalam bidang ini. Outsourcing telah memungkinkan penurunan drastis dalam biaya untuk setiap perusahaan (dengan pembagian biaya) dan pengembangan alat yang efisien (standar, perangkat lunak).

Jenis

Benchmarking dapat bersifat internal (membandingkan kinerja antara kelompok atau tim yang berbeda dalam suatu organisasi) atau eksternal (membandingkan kinerja dengan perusahaan dalam industri tertentu atau lintas industri). Dalam kategori yang lebih luas ini, ada tiga jenis pembandingan khusus: 1) Pembandingan proses, 2) Pembandingan kinerja, dan 3) Pembandingan strategis. Hal-hal tersebut dapat dirinci lebih lanjut sebagai berikut:

• Proses benchmarking - perusahaan yang memulai memfokuskan pengamatan dan penyelidikan proses bisnis dengan tujuan mengidentifikasi dan mengamati praktik terbaik dari satu atau lebih perusahaan benchmark. Analisis aktivitas akan diperlukan jika tujuannya adalah untuk membandingkan biaya dan efisiensi; semakin diterapkan pada proses back-office di mana outsourcing dapat menjadi pertimbangan. Pembandingan adalah tepat di hampir setiap kasus di mana proses desain ulang atau perbaikan akan dilakukan selama biaya studi tidak melebihi manfaat yang diharapkan.
• Pembandingan keuangan - melakukan analisis keuangan dan membandingkan hasilnya dalam upaya menilai daya saing dan produktivitas Anda secara keseluruhan.
• Benchmarking dari perspektif investor- memperluas dunia benchmarking untuk juga dibandingkan dengan perusahaan sejenis yang dapat dianggap sebagai peluang investasi alternatif dari perspektif investor.
• Pembandingan di sektor publik - berfungsi sebagai alat untuk perbaikan dan inovasi dalam administrasi publik, di mana organisasi negara menginvestasikan upaya dan sumber daya untuk mencapai kualitas, efisiensi dan efektivitas layanan yang mereka berikan.
• Pembandingan kinerja - memungkinkan perusahaan pemrakarsa untuk menilai posisi kompetitif mereka dengan membandingkan produk dan layanan dengan perusahaan target.
• Pembandingan produk - proses merancang produk baru atau meningkatkan ke yang sekarang. Proses ini terkadang dapat melibatkan rekayasa balik yang membongkar produk pesaing untuk menemukan kekuatan dan kelemahan.
• Benchmarking strategis - melibatkan mengamati bagaimana orang lain bersaing. Jenis ini biasanya tidak spesifik industri, artinya yang terbaik adalah melihat industri lain, yaitu Benchmarking Strategis dengan bantuan PIMS (Dampak laba dari strategi pemasaran).
• Pembandingan fungsional - perusahaan akan memfokuskan pembandingannya pada satu fungsi untuk meningkatkan pengoperasian fungsi tertentu. Fungsi kompleks seperti Sumber Daya Manusia, Keuangan dan Akuntansi serta Teknologi Informasi dan Komunikasi tidak mungkin dapat dibandingkan secara langsung dalam hal biaya dan efisiensi dan mungkin perlu dipisahkan ke dalam proses untuk membuat perbandingan yang valid.
• Pembandingan terbaik di kelasnya - melibatkan mempelajari pesaing terkemuka atau perusahaan yang paling baik menjalankan fungsi tertentu.
• Pembandingan operasional mencakup segala hal mulai dari staf dan produktivitas hingga aliran kantor dan analisis prosedur yang dilakukan.
• Pembandingan energi - proses pengumpulan, analisis, dan hubungan data kinerja energi dari aktivitas yang sebanding dengan tujuan mengevaluasi dan membandingkan kinerja antara atau di dalam entitas. Entitas dapat mencakup proses, bangunan, atau perusahaan. Pembandingan mungkin bersifat internal antara entitas dalam satu organisasi, atau - tunduk pada pembatasan kerahasiaan - eksternal antara entitas yang bersaing.

Peralatan

Informasi lebih lanjut: Daftar metode benchmarking dan perangkat lunak

Perangkat lunak benchmarking dapat digunakan untuk mengatur sejumlah besar dan kompleks informasi. Paket perangkat lunak dapat memperluas konsep pembandingan dan analisis kompetitif dengan memungkinkan individu untuk menangani jumlah atau strategi yang begitu besar dan kompleks. Alat tersebut mendukung berbagai jenis pembandingan (lihat di atas) dan dapat mengurangi biaya di atas secara signifikan.

Teknologi mesin benchmarking yang muncul mengotomatiskan tahap beralih dari data ke wawasan komparatif yang patut diperhatikan, kadang-kadang bahkan mengungkapkan wawasan dalam kalimat bahasa Inggris.

Pembandingan metrik

Pendekatan lain untuk membuat perbandingan melibatkan penggunaan informasi biaya atau produksi yang lebih agregat untuk mengidentifikasi unit berkinerja kuat dan lemah. Dua bentuk analisis kuantitatif yang paling umum digunakan dalam benchmarking metrik adalah data envelopment analysis (DEA) dan analisis regresi. DEA memperkirakan tingkat biaya yang harus dapat dicapai oleh perusahaan yang efisien di pasar tertentu. Dalam regulasi infrastruktur, DEA dapat digunakan untuk memberi penghargaan kepada perusahaan/operator yang biayanya mendekati batas efisien dengan keuntungan tambahan. Analisis regresi memperkirakan apa yang rata-rata perusahaan harus dapat capai. Dengan analisis regresi, perusahaan yang berkinerja lebih baik dari rata-rata dapat diberi penghargaan sementara perusahaan yang berkinerja lebih buruk dari rata-rata dapat dihukum. Studi benchmarking tersebut digunakan untuk membuat perbandingan tolok ukur, yang memungkinkan pihak luar untuk mengevaluasi kinerja operator dalam suatu industri. Teknik statistik canggih, termasuk analisis garis batas stokastik, telah digunakan untuk mengidentifikasi kinerja tinggi dan lemah dalam industri, termasuk aplikasi ke sekolah, rumah sakit, utilitas air, dan utilitas listrik.

Salah satu tantangan terbesar untuk benchmarking metrik adalah berbagai definisi metrik yang digunakan di antara perusahaan atau divisi. Definisi dapat berubah dari waktu ke waktu dalam organisasi yang sama karena perubahan dalam kepemimpinan dan prioritas. Perbandingan yang paling berguna dapat dibuat ketika definisi metrik sama antara unit yang dibandingkan dan tidak berubah sehingga perbaikan dapat diubah.

Media sosial dan pembandingan

Artikel ini membutuhkan kutipan tambahan untuk verifikasi. Harap membantu meningkatkan artikel ini dengan menambahkan kutipan ke sumber terpercaya. Materi yang tidak bersumber dapat ditantang dan dihapus.

Cari sumber: "Pembandingan" – berita · surat kabar · buku · cendekiawan · JSTOR (Oktober 2021) (Pelajari cara dan kapan saatnya untuk menghapus pesan templat ini)

media sosial adalah mulai merambah lebih dan lebih ke dalam proses bisnis yang ada. Dalam hal ini, benchmarking tidak terkecuali. Karena karakteristik yang melekat, bahkan dapat dikatakan bahwa media sosial akan memiliki dampak yang signifikan terhadap benchmarking. Berikut adalah beberapa manfaat yang terkait dengan ini.

Benchmarking bersama sebenarnya merupakan aktivitas sosial, dan media sosial memberikan banyak cara baru dan efektif untuk interaksi sosial.

Media sosial membuka jalan ke sumber informasi dan saluran pengumpulan data tambahan baru.

Pembandingan menjadi semakin berorientasi bisnis, dan media sosial mendukung jenis keterlibatan berkelanjutan ini, berbeda dari mengerjakan proyek individu.

Sumber Artikel: en.wikipedia.org

Trial and error adalah metode dasar pemecahan masalah. Hal ini ditandai dengan upaya yang berulang dan bervariasi yang dilanjutkan sampai berhasil, atau sampai praktisi berhenti mencoba.

Menurut W.H. Thorpe, istilah ini dirancang oleh C. Lloyd Morgan (1852–1936) setelah mencoba frasa serupa "trial and failure" dan "trial and practice". Di bawah Canon's Canon, perilaku hewan harus dijelaskan dengan cara yang paling sederhana. Di mana perilaku tampaknya menyiratkan proses mental yang lebih tinggi, itu mungkin dijelaskan dengan pembelajaran coba-coba. Contohnya adalah cara yang terampil di mana anjing terrier miliknya, Tony, membuka gerbang taman, dengan mudah disalahpahami sebagai tindakan berwawasan oleh seseorang yang melihat perilaku terakhir. Lloyd Morgan, bagaimanapun, telah menyaksikan dan mencatat serangkaian perkiraan yang dengannya anjing itu secara bertahap mempelajari responsnya, dan dapat menunjukkan bahwa tidak diperlukan wawasan untuk menjelaskannya.

Edward Lee Thorndike adalah penggagas teori belajar coba-coba berdasarkan temuan yang dia tunjukkan bagaimana mengelola percobaan coba-coba di laboratorium. Dalam eksperimennya yang terkenal, seekor kucing ditempatkan dalam serangkaian kotak teka-teki untuk mempelajari hukum efek dalam pembelajaran. Dia merencanakan untuk mempelajari kurva yang mencatat waktu untuk setiap percobaan. Pengamatan utama Thorndike adalah bahwa pembelajaran didorong oleh hasil positif, yang kemudian disempurnakan dan diperluas oleh pengkondisian operan B. F. Skinner.

Trial and error juga merupakan metode pemecahan masalah, perbaikan, penyetelan, atau memperoleh pengetahuan. Dalam bidang ilmu komputer, metode ini disebut generate and test (Brute force). Dalam aljabar dasar, ketika memecahkan persamaan, itu adalah menebak dan memeriksa.

Pendekatan ini dapat dilihat sebagai salah satu dari dua pendekatan dasar untuk pemecahan masalah, dikontraskan dengan pendekatan yang menggunakan wawasan dan teori. Namun, ada metode perantara yang misalnya, menggunakan teori untuk memandu metode, pendekatan yang dikenal sebagai empirisme terbimbing.

Cara berpikir ini telah menjadi andalan rasionalisme kritis Karl Popper.

Metodologi

Pendekatan coba-coba digunakan paling berhasil dengan masalah sederhana dan dalam permainan, dan sering kali merupakan pilihan terakhir ketika tidak ada aturan yang jelas berlaku. Ini tidak berarti bahwa pendekatan ini secara inheren ceroboh, karena seorang individu dapat metodis dalam memanipulasi variabel dalam upaya untuk memilah-milah kemungkinan yang dapat menghasilkan kesuksesan. Namun demikian, metode ini sering digunakan oleh orang-orang yang memiliki sedikit pengetahuan di bidang masalah. Pendekatan trial-and-error telah dipelajari dari sudut pandang komputasi alami

Aplikasi paling sederhana

Ashby (1960, bagian 11/5) menawarkan tiga strategi sederhana untuk menangani masalah latihan dasar yang sama, yang memiliki efisiensi yang sangat berbeda. Misalkan kumpulan 1000 sakelar hidup/mati harus disetel ke kombinasi tertentu dengan pengujian berbasis acak, di mana setiap pengujian diharapkan memakan waktu satu detik. [Hal ini juga dibahas dalam Traill (1978–2006, bagian C1.2].Strateginya adalah:

• metode perfeksionis semua-atau-tidak sama sekali, tanpa upaya untuk mempertahankan keberhasilan parsial. Ini diperkirakan akan memakan waktu lebih dari 10^301 detik, [yaitu, 2^1000 detik, atau 3·5×(10^291) abad]
• uji serial sakelar, berpegang pada keberhasilan sebagian (dengan asumsi ini nyata), yang akan memakan waktu rata-rata 500 detik
• pengujian paralel-tetapi-individu dari semua sakelar secara bersamaan, yang hanya membutuhkan waktu satu detik

Perhatikan asumsi diam-diam di sini bahwa tidak ada kecerdasan atau wawasan yang dibawa untuk mengatasi masalah tersebut. Namun, keberadaan berbagai strategi yang tersedia memungkinkan kita untuk mempertimbangkan domain pemrosesan ("superior") yang terpisah — "meta-level" di atas mekanisme penanganan sakelar — di mana berbagai strategi yang tersedia dapat dipilih secara acak. Sekali lagi ini adalah "coba-coba", tetapi dari jenis yang berbeda.

Hirarki

Buku Ashby mengembangkan ide "meta-level" ini, dan memperluasnya ke dalam urutan level rekursif, berturut-turut di atas satu sama lain dalam hierarki sistematis. Atas dasar ini, dia berpendapat bahwa kecerdasan manusia muncul dari organisasi semacam itu: sangat bergantung pada coba-coba (setidaknya pada awalnya pada setiap tahap baru), tetapi muncul dengan apa yang kita sebut "kecerdasan" di akhir semuanya. Jadi mungkin tingkat hierarki paling atas (pada tahap apa pun) masih akan bergantung pada coba-coba sederhana.

Traill (1978-2006) menunjukkan bahwa hierarki Ashby ini mungkin bertepatan dengan teori tahap perkembangan Piaget yang terkenal. [Karya ini juga membahas contoh 1000 sakelar Ashby; lihat C1.2]. Bagaimanapun, adalah bagian dari doktrin Piaget bahwa anak-anak belajar pertama-tama dengan melakukan secara aktif dengan cara yang kurang lebih acak, dan kemudian diharapkan belajar dari konsekuensinya — yang semuanya memiliki kemiripan tertentu dengan "coba-coba" acak Ashby.

Aplikasi

Traill (2008, espec. Tabel "S" pada hal.31) mengikuti Jerne dan Popper dalam melihat strategi ini mungkin mendasari semua sistem pengumpulan-pengetahuan — setidaknya dalam fase awal mereka.

Empat sistem tersebut diidentifikasi:

• Seleksi alam yang "mendidik" DNA spesies,
• Otak individu (baru saja dibahas);
• "Otak" masyarakat seperti itu (termasuk badan sains yang dipegang publik); dan
• Sistem imun adaptif.

Fitur

Trial and error memiliki sejumlah fitur:

• berorientasi pada solusi: trial and error tidak berusaha untuk menemukan mengapa solusi bekerja, hanya bahwa itu adalah solusi.
• khusus masalah: coba-coba tidak berusaha menggeneralisasi solusi untuk masalah lain.
• non-optimal: trial and error umumnya merupakan upaya untuk menemukan solusi, tidak semua solusi, dan bukan solusi terbaik.
• membutuhkan sedikit pengetahuan: coba-coba dapat dilanjutkan di mana ada sedikit atau tidak ada pengetahuan tentang subjek.

Dimungkinkan untuk menggunakan coba-coba untuk menemukan semua solusi atau solusi terbaik, ketika ada sejumlah solusi yang mungkin dan dapat diuji. Untuk menemukan semua solusi, seseorang cukup membuat catatan dan melanjutkan, daripada mengakhiri proses, ketika solusi ditemukan, sampai semua solusi telah dicoba. Untuk menemukan solusi terbaik, seseorang menemukan semua solusi dengan metode yang baru saja dijelaskan dan kemudian secara komparatif mengevaluasinya berdasarkan beberapa set kriteria yang telah ditentukan, yang keberadaannya merupakan kondisi untuk kemungkinan menemukan solusi terbaik. (Juga, ketika hanya ada satu solusi yang bisa ada, seperti dalam menyusun teka-teki jigsaw, maka solusi apa pun yang ditemukan adalah satu-satunya solusi dan tentu saja yang terbaik.)

Contoh

Trial and error secara tradisional menjadi metode utama untuk menemukan obat baru, seperti antibiotik. Ahli kimia hanya mencoba bahan kimia secara acak sampai mereka menemukan satu dengan efek yang diinginkan. Dalam versi yang lebih canggih, ahli kimia memilih kisaran sempit bahan kimia yang diperkirakan memiliki beberapa efek menggunakan teknik yang disebut hubungan struktur-aktivitas. (Kasus terakhir dapat dianggap sebagai perubahan masalah daripada strategi solusi: alih-alih "Bahan kimia apa yang akan bekerja dengan baik sebagai antibiotik?" masalah dalam pendekatan canggih adalah "Bahan kimia mana, jika ada, yang dalam kisaran sempit ini akan bekerja dengan baik sebagai antibiotik?") Metode ini digunakan secara luas di banyak disiplin ilmu, seperti teknologi polimer untuk menemukan jenis atau keluarga polimer baru.

Trial and error juga sering terlihat dalam tanggapan pemain terhadap video game - ketika menghadapi rintangan atau bos, pemain sering membentuk sejumlah strategi untuk melewati rintangan atau mengalahkan bos, dengan setiap strategi dilakukan sebelum pemain berhasil atau gagal. keluar dari permainan.

Tim olahraga juga menggunakan trial and error untuk lolos dan/atau maju melalui babak playoff dan memenangkan kejuaraan, mencoba berbagai strategi, permainan, susunan pemain dan formasi dengan harapan mengalahkan setiap lawan di sepanjang jalan menuju kemenangan. Ini sangat penting dalam seri playoff di mana beberapa kemenangan diperlukan untuk maju, di mana tim yang kalah akan memiliki kesempatan untuk mencoba taktik baru untuk menemukan cara untuk menang, jika mereka belum tersingkir.

Metode ilmiah dapat dianggap mengandung unsur coba-coba dalam perumusan dan pengujian hipotesisnya. Juga bandingkan algoritme genetika, simulasi anil dan pembelajaran penguatan – semua varietas untuk pencarian yang menerapkan ide dasar coba-coba.

Evolusi biologis dapat dianggap sebagai bentuk coba-coba. Mutasi acak dan variasi genetik seksual dapat dilihat sebagai percobaan dan kebugaran reproduksi yang buruk, atau kurangnya peningkatan kebugaran, sebagai kesalahan. Jadi setelah waktu yang lama 'pengetahuan' tentang genom yang beradaptasi dengan baik terakumulasi hanya berdasarkan kemampuan mereka untuk bereproduksi.

Bogosort, algoritma pengurutan konseptual (yang sangat tidak efisien dan tidak praktis), dapat dilihat sebagai pendekatan coba-coba untuk menyortir daftar. Namun, contoh sederhana khas bogosort tidak melacak urutan daftar mana yang telah dicoba dan dapat mencoba urutan yang sama beberapa kali, yang melanggar salah satu prinsip dasar coba-coba. Trial and error sebenarnya lebih efisien dan praktis dibandingkan bogosort; tidak seperti bogosort, ini dijamin untuk berhenti dalam waktu yang terbatas pada daftar yang terbatas, dan bahkan mungkin merupakan cara yang masuk akal untuk mengurutkan daftar yang sangat pendek dalam beberapa kondisi.

Laba-laba pelompat dari genus Portia menggunakan trial and error untuk menemukan taktik baru melawan mangsa yang tidak dikenal atau dalam situasi yang tidak biasa, dan mengingat taktik baru. Pengujian menunjukkan bahwa Portia fimbriata dan Portia labiata dapat menggunakan trial and error di lingkungan buatan, di mana tujuan laba-laba adalah untuk menyeberangi laguna mini yang terlalu lebar untuk lompatan sederhana, dan harus melompat kemudian berenang atau hanya berenang.

Sumber Artikel: en.wikipedia.org

Kontrol proses statistik (SPC) adalah metode kontrol kualitas yang menggunakan metode statistik untuk memantau dan mengendalikan suatu proses. Ini membantu memastikan bahwa proses beroperasi secara efisien, menghasilkan lebih banyak produk yang sesuai dengan spesifikasi dengan lebih sedikit limbah (pengerjaan ulang atau skrap). SPC dapat diterapkan pada proses apa pun di mana output "produk yang sesuai" (produk yang memenuhi spesifikasi) dapat diukur. Alat utama yang digunakan dalam SPC termasuk grafik lari, grafik kontrol, fokus pada peningkatan berkelanjutan, dan desain eksperimen. Contoh proses di mana SPC diterapkan adalah jalur manufaktur.

SPC harus dipraktekkan dalam dua fase: Fase pertama adalah pembentukan awal proses, dan fase kedua adalah penggunaan proses produksi secara teratur. Pada fase kedua, keputusan periode yang akan diperiksa harus dibuat, tergantung pada perubahan kondisi 5M&E (Man, Machine, Material, Method, Movement, Environment) dan tingkat keausan suku cadang yang digunakan dalam proses manufaktur (suku cadang mesin , jig, dan perlengkapan).

Keuntungan SPC dibandingkan metode kontrol kualitas lainnya, seperti "inspeksi", adalah bahwa metode ini menekankan deteksi dini dan pencegahan masalah, daripada koreksi masalah setelah terjadi.

Selain mengurangi pemborosan, SPC dapat mengurangi waktu yang dibutuhkan untuk menghasilkan produk. SPC memperkecil kemungkinan produk jadi perlu dikerjakan ulang atau dibuang.

Sejarah

Kontrol proses statistik dipelopori oleh Walter A. Shewhart di Bell Laboratories pada awal 1920-an. Shewhart mengembangkan peta kendali pada tahun 1924 dan konsep keadaan kendali statistik. Kontrol statistik setara dengan konsep pertukaran[1][2] yang dikembangkan oleh ahli logika William Ernest Johnson juga pada tahun 1924 dalam bukunya Logic, Part III: The Logical Foundations of Science.[3] Bersama dengan tim di AT&T yang mencakup Harold Dodge dan Harry Romig, ia juga bekerja untuk menempatkan inspeksi pengambilan sampel pada basis statistik yang rasional. Shewhart berkonsultasi dengan Kolonel Leslie E. Simon dalam penerapan peta kendali untuk pembuatan amunisi di Picatinny Arsenal Angkatan Darat pada tahun 1934. Penerapan yang berhasil itu membantu meyakinkan Ordnance Angkatan Darat untuk melibatkan George Edwards dari AT&T untuk berkonsultasi tentang penggunaan kendali mutu statistik di antara divisi-divisinya dan kontraktor pada pecahnya Perang Dunia II.

W. Edwards Deming mengundang Shewhart untuk berbicara di Sekolah Pascasarjana Departemen Pertanian AS dan menjabat sebagai editor buku Shewhart Statistical Method from the Viewpoint of Quality Control (1939), yang merupakan hasil dari kuliah tersebut. Deming adalah arsitek penting kursus singkat kendali mutu yang melatih industri Amerika dalam teknik-teknik baru selama Perang Dunia II. Lulusan kursus masa perang ini membentuk masyarakat profesional baru pada tahun 1945, American Society for Quality Control, yang memilih Edwards sebagai presiden pertamanya. Deming melakukan perjalanan ke Jepang selama Pendudukan Sekutu dan bertemu dengan Persatuan Ilmuwan dan Insinyur Jepang (JUSE) dalam upaya untuk memperkenalkan metode SPC ke industri Jepang.[4][5]

Sumber variasi 'umum' dan 'khusus'

Shewhart membaca teori statistik baru yang keluar dari Inggris, terutama karya William Sealy Gosset, Karl Pearson, dan Ronald Fisher. Namun, dia mengerti bahwa data dari proses fisik jarang menghasilkan kurva distribusi normal (yaitu, distribusi Gaussian atau 'kurva lonceng'). Dia menemukan bahwa data dari pengukuran variasi di bidang manufaktur tidak selalu berperilaku seperti data dari pengukuran fenomena alam (misalnya, gerakan partikel Brown). Shewhart menyimpulkan bahwa sementara setiap proses menampilkan variasi, beberapa proses menampilkan variasi yang wajar bagi proses (sumber variasi "umum"); proses-proses ini ia gambarkan berada dalam kendali (statistik). Proses lain juga menampilkan variasi yang tidak ada dalam sistem kausal dari proses sepanjang waktu (sumber variasi "khusus"), yang digambarkan Shewhart sebagai tidak terkendali.

Aplikasi untuk proses non-manufaktur

Kontrol proses statistik sesuai untuk mendukung setiap proses berulang, dan telah diterapkan di banyak pengaturan di mana misalnya sistem manajemen mutu ISO 9000 digunakan, termasuk audit keuangan dan akuntansi, operasi TI, proses perawatan kesehatan, dan proses administrasi seperti pengaturan pinjaman dan administrasi, penagihan pelanggan, dll. Terlepas dari kritik atas penggunaannya dalam desain dan pengembangan, ini adalah tempat yang tepat untuk mengelola tata kelola data semi-otomatis dari operasi pemrosesan data volume tinggi, misalnya di gudang data perusahaan, atau manajemen kualitas data perusahaan sistem. [7]

Dalam Capability Maturity Model (CMM) 1988, Institut Rekayasa Perangkat Lunak menyarankan agar SPC dapat diterapkan pada proses rekayasa perangkat lunak. Praktek Level 4 dan Level 5 dari Capabil ity Maturity Model Integration (CMMI) menggunakan konsep ini.

Penerapan SPC untuk non-repetitive, proses pengetahuan-intensif, seperti penelitian dan pengembangan atau rekayasa sistem, telah menghadapi skeptisisme dan tetap kontroversial.

Dalam No Silver Bullet, Fred Brooks menunjukkan bahwa kompleksitas, persyaratan kesesuaian, kemampuan berubah, dan ketidaktampakan perangkat lunak menghasilkan variasi yang melekat dan esensial yang tidak dapat dihilangkan. Ini menyiratkan bahwa SPC kurang efektif dalam pengembangan perangkat lunak daripada di, misalnya, manufaktur.

Variasi dalam pembuatan

Dalam manufaktur, kualitas didefinisikan sebagai kesesuaian dengan spesifikasi. Namun, tidak ada dua produk atau karakteristik yang sama persis, karena setiap proses mengandung banyak sumber variabilitas. Dalam pembuatan massal, secara tradisional, kualitas barang jadi dipastikan dengan inspeksi produk pasca-manufaktur. Setiap artikel (atau sampel artikel dari lot produksi) dapat diterima atau ditolak sesuai dengan seberapa baik memenuhi spesifikasi desainnya, SPC menggunakan alat statistik untuk mengamati kinerja proses produksi untuk mendeteksi variasi yang signifikan sebelum menghasilkan produksi barang di bawah standar. Setiap sumber variasi pada setiap titik waktu dalam suatu proses akan jatuh ke dalam salah satu dari dua kelas.

(1) Penyebab umum

Penyebab 'umum' kadang-kadang disebut sebagai sumber variasi 'tidak dapat ditentukan', atau 'normal'. Ini mengacu pada sumber variasi apa pun yang secara konsisten bertindak pada proses, yang biasanya ada banyak. Jenis penyebab ini secara kolektif menghasilkan distribusi yang stabil secara statistik dan berulang dari waktu ke waktu.

(2) Penyebab khusus

Penyebab 'khusus' kadang-kadang disebut sebagai sumber variasi yang 'dapat dialihkan'. Istilah ini mengacu pada setiap faktor yang menyebabkan variasi yang hanya mempengaruhi beberapa keluaran proses. Mereka sering terputus-putus dan tidak dapat diprediksi.

Sebagian besar proses memiliki banyak sumber variasi; kebanyakan dari mereka adalah kecil dan dapat diabaikan. Jika sumber variasi yang dapat ditetapkan yang dominan terdeteksi, berpotensi mereka dapat diidentifikasi dan dihilangkan. Ketika mereka dihapus, prosesnya dikatakan 'stabil'. Ketika suatu proses stabil, variasinya harus tetap dalam batas-batas yang diketahui. Yaitu, setidaknya, sampai sumber variasi lain yang dapat ditentukan terjadi.

Misalnya, lini pengemasan sereal sarapan dapat dirancang untuk mengisi setiap kotak sereal dengan 500 gram sereal. Beberapa kotak akan memiliki sedikit lebih dari 500 gram, dan beberapa akan memiliki sedikit lebih sedikit. Ketika berat paket diukur, data akan menunjukkan distribusi berat bersih.

Jika proses produksi, inputnya, atau lingkungannya (misalnya, mesin on line) berubah, distribusi data akan berubah. Misalnya, karena cam dan puli mesin aus, mesin pengisi sereal dapat memasukkan lebih dari jumlah sereal yang ditentukan ke dalam setiap kotak. Meskipun ini mungkin menguntungkan pelanggan, dari sudut pandang produsen, hal itu boros, dan meningkatkan biaya produksi. Jika pabrikan menemukan perubahan dan sumbernya pada waktu yang tepat, perubahan tersebut dapat diperbaiki (misalnya, cam dan puli diganti).

Dari perspektif SPC, jika berat setiap kotak sereal bervariasi secara acak, beberapa lebih tinggi dan beberapa lebih rendah, selalu dalam kisaran yang dapat diterima, maka proses tersebut dianggap stabil. Jika cam dan puli mesin mulai aus, bobot kotak sereal mungkin tidak acak. Fungsi cam dan puli yang menurun dapat menyebabkan pola linier non-acak dari peningkatan bobot kotak sereal. Kami menyebutnya variasi penyebab umum. Namun, jika semua kotak sereal tiba-tiba beratnya lebih dari rata-rata karena kerusakan tak terduga dari cams dan puli, ini akan dianggap sebagai variasi penyebab khusus.

Aplikasi

Penerapan SPC melibatkan tiga fase kegiatan utama:

1. Memahami proses dan batasan spesifikasi.
2. Menghilangkan sumber variasi yang dapat dialihkan (khusus), sehingga prosesnya stabil.
3. Memantau proses produksi yang sedang berjalan, dibantu dengan penggunaan peta kendali, untuk mendeteksi perubahan yang signifikan dari rata-rata atau variasi.

Bagan kendali

Data dari pengukuran variasi pada titik-titik pada peta proses dipantau menggunakan diagram kendali. Bagan kontrol berusaha membedakan sumber variasi yang "dapat ditetapkan" ("khusus") dari sumber "umum". Sumber "umum", karena merupakan bagian yang diharapkan dari proses, tidak terlalu diperhatikan oleh pabrikan daripada sumber "dapat dialihkan". Menggunakan diagram kendali adalah aktivitas yang berkelanjutan, terus-menerus dari waktu ke waktu.

Proses yang stabil

Ketika proses tidak memicu salah satu "aturan deteksi" bagan kontrol untuk bagan kontrol, itu dikatakan "stabil". Analisis kemampuan proses dapat dilakukan pada proses yang stabil untuk memprediksi kemampuan proses untuk menghasilkan "produk yang sesuai" di masa depan.

Proses yang stabil dapat ditunjukkan dengan tanda tangan proses yang bebas dari varians di luar indeks kemampuan. Tanda tangan proses adalah titik-titik yang diplot dibandingkan dengan indeks kemampuan.

Variasi berlebihan

Ketika proses memicu salah satu dari "aturan deteksi" bagan kontrol (atau sebagai alternatif, kemampuan proses rendah), aktivitas lain dapat dilakukan untuk mengidentifikasi sumber variasi yang berlebihan. Alat yang digunakan dalam kegiatan ekstra ini meliputi: diagram Ishikawa, eksperimen yang dirancang, dan diagram Pareto. Eksperimen yang dirancang adalah sarana untuk mengukur secara objektif kepentingan relatif (kekuatan) sumber variasi. Setelah sumber variasi (penyebab khusus) diidentifikasi, mereka dapat diminimalkan atau dihilangkan. Langkah-langkah untuk menghilangkan sumber variasi mungkin termasuk: pengembangan standar, pelatihan staf, pemeriksaan kesalahan, dan perubahan pada proses itu sendiri atau inputnya.

Metrik stabilitas proses

Saat memantau banyak proses dengan diagram kendali, terkadang berguna untuk menghitung ukuran kuantitatif stabilitas proses. Metrik ini kemudian dapat digunakan untuk mengidentifikasi/memprioritaskan proses yang paling membutuhkan tindakan korektif. Metrik ini juga dapat dilihat sebagai pelengkap metrik kemampuan proses tradisional. Beberapa metrik telah diusulkan, seperti yang dijelaskan dalam Ramirez dan Runger. Yaitu (1) Rasio Stabilitas yang membandingkan variabilitas jangka panjang dengan variabilitas jangka pendek, (2) Uji ANOVA yang membandingkan variasi dalam-subkelompok dengan variasi antar-subkelompok, dan (3) Rasio Ketidakstabilan yang membandingkan jumlah subgrup yang memiliki satu atau lebih pelanggaran aturan Western Electric dengan jumlah total subgrup.

Matematika diagram kendali

Bagan kendali digital menggunakan aturan berbasis logika yang menentukan "nilai turunan" yang menandakan perlunya koreksi. Sebagai contoh,

nilai turunan = nilai terakhir + selisih absolut rata-rata antara N angka terakhir.

Sumber Artikel: en.wikipedia.org