Di lantai produksi, ada satu fenomena klasik: Pabrik merasa kekurangan orang, tapi payroll justru makin gemuk setiap tahun.

Lebih menariknya lagi, ketika output stagnan, solusi pertama yang muncul hampir selalu sama: Tambah orang baru.

Padahal, banyak pabrik justru mengalami overstaffing, bukan understaffing. Dan ironisnya, overstaffing sering tidak terlihat karena masalahnya bukan di jumlah orang, melainkan di ketidakterukuran proses.

Berikut penjelasan paling umum mengapa overstaffing terjadi.

1. Tidak Ada Data Cycle Time Aktual

Banyak pabrik mengandalkan cycle time “asumsi”:

• dibuat bertahun-tahun lalu,
  
• tidak pernah diuji ulang,
  
• tidak sesuai kondisi mesin terbaru,
  
• tidak memperhitungkan micro-stop.
  

Ketika cycle time tidak akurat, hitungan manpower akan ikut meleset.

Jika cycle time sebenarnya 9 detik,
tapi dihitung 12 detik, maka jumlah operator yang dibutuhkan terlihat lebih banyak dari kenyataan. Inilah akar masalah overstaffing yang paling sering terjadi.

2. Operator Variability Tidak Pernah Diukur

Di pabrik, dua operator berbeda bisa menghasilkan:

• ritme kerja berbeda,
  
• SOP berbeda,
  
• celah downtime berbeda.
  

Tanpa pengukuran performa per operator secara objektif, manajemen sering mengira masalahnya kekurangan manpower, padahal hanya perlu:

• pelatihan ulang,
  
• standardisasi kerja,
  
• analisis performa berbasis data.
  

Menambah orang baru sering hanya menambah biaya, bukan produktivitas.

3. Bottleneck Tidak Terlihat

Kadang line terasa lambat bukan karena kekurangan operator, tapi karena satu titik proses menjadi bottleneck.

Contoh umum:

• mesin filling sedikit lebih lambat,
  
• quality gate terlalu lama,
  
• flow material tersendat,
  
• mesin tua sering micro-stop.
  

Ketika bottleneck tidak terdeteksi, solusi yang biasanya muncul adalah:

Tambah orang untuk “dorong” output.

Padahal masalahnya bukan di jumlah tenaga, tapi alur proses yang tidak sinkron.

4. Manpower Ditempatkan Berdasarkan Feeling, Bukan Data

Tanpa dashboard real-time,
supervisor sering mengalokasikan orang berdasarkan:

• pengalaman,
  
• perkiraan,
  
• tradisi shift,
  
• “cara lama”.
  

Hasilnya:

• shift pagi terlalu banyak orang,
  
• shift malam kekurangan,
  
• ada area yang idle,
  
• ada line yang overload.
  

Semua terlihat normal sampai data kedisiplinan, cycle time, dan output mulai dibedah.

5. Downtime Tidak Tercatat (Terutama Micro-Stop)

Ketika mesin berhenti 10 detik…
20 detik…
30 detik…

dan tidak dicatat,
kehilangan waktu ini dianggap sebagai “kekurangan tenaga kerja”.

Padahal akar masalahnya jelas:

• mesin butuh maintenance,
  
• sensor perlu dibersihkan,
  
• SOP kurang detail,
  
• perlu redesign jig.
  

Overstaffing sering muncul karena downtime tidak pernah benar-benar terlihat.

6. Tidak Ada Perhitungan Kapasitas Line Secara Real-Time

Kapasitas line biasanya dihitung:

• setahun sekali,
  
• menggunakan spreadsheet,
  
• berdasarkan data manual.
  

Masalahnya:

• kondisi mesin berubah,
  
• SKU berubah,
  
• material berubah,
  
• operator berubah.
  

Kapasitas yang dihitung secara manual jarang sesuai realita. Ketika kapasitas diprediksi lebih rendah dari sebenarnya, manpower terlihat kurang. Padahal line masih punya ruang peningkatan output tanpa menambah orang.

7. SOP Tidak Standar = Operasi Terlihat “Sibuk” Padahal Tidak Efisien

Ketika SOP berbeda tiap operator, proses terlihat sibuk dan padat, tapi sebenarnya tidak efektif.

Contoh klasik:

• terlalu banyak handling manual,
  
• alur WIP tidak jelas,
  
• quality check tidak terukur,
  
• banyak pekerjaan yang berulang.
  

Fluktuasi ini membuat pabrik terlihat harus menambah orang,
padahal masalahnya hanyalah ketiadaan standar.

Bagaimana Sistem Membantu Menentukan Manpower Ideal

Dengan sistem digital, pabrik bisa menghitung kebutuhan manpower secara objektif, bukan asumsi.

Berikut cara sistem membantu:

1. Cycle Time Real-Time

Sistem IoT membaca cycle time aktual setiap menit.
Hasilnya tidak pakai kira-kira, langsung terukur.

2. Perhitungan Kapasitas Otomatis

ERP + produksi menghitung:

• kapasitas per shift,
  
• kapasitas per SKU,
  
• kapasitas per mesin,
  
• kapasitas per operator.
  

Dengan angka ini, kebutuhan tenaga kerja langsung terlihat.

3. Dashboard Bottleneck

Sistem menunjukkan mesin atau proses mana yang memperlambat line. Penambahan tenaga kerja bisa diarahkan tepat ke titik yang benar, bukan menyebar acak.

4. Monitoring Performa Operator

Data objektif membantu melihat:

• kecepatan,
  
• konsistensi,
  
• error,
  
• hasil per shift.
  

Variasi performa yang selama ini tidak terlihat langsung muncul.

5. Simulasi “Manpower What-If”

Perusahaan bisa menghitung:

• apa yang terjadi jika 1 operator ditambah,
  
• apa efeknya jika 1 operator digeser ke proses lain,
  
• apakah line masih bisa berjalan dengan manpower lebih ramping.
  

Semua berdasarkan data, bukan perasaan.

Dampak Ketika Manpower Sudah Ideal

Biasanya perubahan terlihat signifikan:

• biaya gaji turun tanpa PHK,
  
• output lebih stabil,
  
• kapasitas lebih jelas,
  
• SOP lebih konsisten,
  
• overtime berkurang,
  
• training lebih tepat sasaran.
  

Line yang dulu terlihat “butuh banyak orang”  ternyata bisa bekerja lebih baik dengan tim yang lebih ramping dan efisien.

Layana.ID membantu pabrik menghitung manpower secara objektif melalui sistem produksi terintegrasi, dashboard bottleneck, dan IoT yang membaca cycle time serta downtime secara real-time.

Informasi lebih lengkap bisa dilihat di www.layana.id.

Baca juga: Output Tidak Stabil? Ini 7 Penyebab Umumnya di Pabrik Indonesia