Rolling wave planning adalah teknik manajemen proyek yang melibatkan elaborasi
secara progresif untuk menambahkan rincian pada Work Breakdown Structure (WBS),
yaitu sebuah hierarki dari ruang lingkup pekerjaan yang harus dikerjakan untuk
menciptakan deliverables. Elaborasi ini maksudnya menjelaskan atau menguraikan apa-
apa saja yang ada dalam sebuah pekerjaan dan mengelompokkannya untuk mengurangi
duplikasi deskripsi pekerjaan. Teknik ini disarankan untuk dilakukan ketika ruang
lingkup (scope) proyek sudah didefinisikan dengan baik. Bila tidak, nanti akan
terjadi scope creep, yaitu sebuah kondisi dimana adanya aktifitas tidak penting yang tetap
dilakukan yang dapat menghambat pencapaian tujuan.
Rolling Wave sendiri hanya terdiri dari beberapa langkah. Pada awal
proyek, deliverables jangka pendek akan didekomposisikan kedalam work packages ,
yaitu sebuah bagian WBS yang berisikan langkah-langkah yang harus dilakukan untuk
menyelekasikan suatu pekerjaan, dan didefinisikan dengan rincian terbesar. Setelah
itu deliverables dan jadwal aktifitas yang akan dilakukan pada beberapa periode laporan
akan didefinisikan secara lebih umum. Misalkan fase 1-2 dari sebuah proyek benar-benar
dirincikan dalam WBS. Fase 3-4 nantinya akan diuraikan hanya sampai pada
level subproject. Lalu ketika jadwal aktifitas untuk fase 1 telah dijalankan,
barulah perencanaan secara rinci untuk fase 3 dilakukan. Ketika fase 2 dijalankan,
perencanaan untuk fase 4 akan dilakukan, dan begitu seterusnya.
Dengan ini, aktifitas pekerjaan akan sejalan dengan deliverables jangka pendek
dan deliverables yang sedang dibuat selagi perencanaan masih berjalan untuk work
package selanjutnya. Pendekatan proyek manajemen ini sangat berguna ketika
ketersediaan informasi yang dibutuhkan untuk merencanakan work package kedepannya
didasari oleh kesuksesan dari selesainya fase proyek sebelumnya.
AGILE TECHNIQUE
Agile adalah metodologi dalam pengembangan software dengan proses-proses kecil yang
berulang-ulang atau yang sering disebut dengan iterasi. Berbeda dengan metodologi
waterfall di mana kita memiliki alur linear awal hingga akhir yang tak bisa dipotong atau
diubah di tengah proses. Prinsip dari agile sendiri adalah fleksibel terhadap perubahan.
Agile sendiri lahir dari perusahaan Jepang Toyota pada tahun 70’an di mana pada tahun
tersebut produksi mobil menerapkan sistem waterfall. Jadi memang agile sebenarnya
tidak murni milik perusahaan yang bergerak di bidang software development saja.
Sebelum Toyota menerapkan metode yang disebut Toyota Production System pada
dekade tersebut, mereka merekrut W. Edwards Deming untuk melatih ratusan
managernya. W. Edwards Deming merupakan seorang engineer yang menyempurnakan
metode siklus Plan-Do-Study-Act (PDSA).
Sebagai contoh, berikut ini ditunjukkan tabel yang berisi Kegiatan proyek untuk Network
PERT dan hasil perhitungan Mean dan Standard Deviasi.
Pembahasan
Langkah pertama,
menentukan a, m, b, dan mean dan standar deviasi waktu dari setiap kegiatan. Semuanya
telah tersaji dalam tabel.
Langkah kedua
membuat network dan menentukan jalur kritisnya
Jadi dari network tersebut dapat disimpulkan bahwa jalur kritisnya adalah A - C- F - G.
dengan waktu rata-rata penyelesaian proyek adalah 25 minggu.
Selanjutnya melihat nilai probabilitas untuk Z = 1,41 pada tabel di tabel Distribusi Z
Z=1,41 pada tabel distribusi normal menunjukkan angka probabilitas 0,92. Berarti
probabilitas proyek dapat diselesaikan selama 27 minggu adalah 92%
Jika sebuah sistem mengandung unsur yang menunjukkan adanya peluang dalam perilaku
mereka, maka simulasi metode Monte Carlo (Monte Carlo method) mungkin dapat
diterapkan. Dasar simulasi Monte Carlo adalah percobaan pada unsur peluang (atau
bersifat probabilistik) dengan menggunakan pengambilan sampel secara acak. Jadi
Metode Monte Carlo adalah sebuah teknik simulasi yang menggunakan unsur acak ketika
terdapat peluang dalam perilakunya.
Teknik simulasi Monte Carlo terbagi atas lima langkah sederhana.
Misalkan permintaan harian ban radial pada Barry’s Auto Tire selama 200 hari
diperlihatkan pada kolom 1 dan 2 Tabel F.2.
Langkah pertama: Dengan asumsi bahwa tingkat kedatangan masa lampau akan tetap
sama di masa mendatang permintaannya dapat diubah menjadi distribusi probabilitas
dengan membagi setiap frekuensi permintaan dengan permintaan total, yaitu 200. Hasil
yang didapatkan diperlihatkan pada kolom 3.
Selanjutnya langkah kedua, Mengubah distribusi probabilitas biasa seperti pada kolom
3 Tabel F.2 menjadi sebuah distribusi probabilitas kumulatif (kolom 4), yaitu
penjumlahan dari jumlah pada kolom probabilitas (kolom 3) yang ditambahkan pada
probabilitas kumulatif sebelumnya.
Selanjutnya langkah ketiga menetapkan interval angka acak. Sebagai contoh, jika
terdapat peluang (probabilitas) sebesar 5% bahwa permintaan ban pada Barry’s Auto Tire
adalah 0 unit per hari, maka diharapkan tersedia angka acak sebanyak 5% yang sesuai
dengan permintaan 0 unit. Jika pada simulasi digunakan seluruh angka acak 2 digit
berjumlah 100 angka acak, maka untuk permintaan sebesar 0 unit dapat diberikan pada 5
angka acak pertama: 01, 02, 03, 04, dan 05. Jika terdapat peluang sebesar 10% bahwa
permintaan untuk produk yang sama akan menjadi 1 unit per hari, maka 10 angka acak
berikutnya (06, 07, 08, 09, 10, 11, 12, 13, 14, dan 15) mewakili permintaan tersebut—
begitu juga untuk permintaan lain. Selanjutnya dapat dilihat pada Tabel F.3 bahwa
panjang setiap interval di sisi kanan sesuai dengan probabilitas terjadinya 1 permintaan
harian.
Selanjutnya langkah keempat dan keliama, yaitu menghasilkan angka acak dan
mmensimulasikan permintaan. Angka acak yang diperlukan dipilih dari Tabel F.4,
dimulai dari bagian kiri atas dan dilanjutkan di sepanjang kolom pertama dan menuliskan
permintaan harian yang berkesesuaian. Sebagai contoh, jika angka acak yang terpilih
adalah dimulai dari bagian kiri atas (angka 52) dan dilanjutkan di sepanjang kolom
pertama sebanyak sepuluh baris (karena permintaan sebanyak sepuluh hari) dan
menuliskan permintaan harian yang berkesesuaian.
rata-rata permintaan sebesar 3,9 ban dalam waktu simulasi 10 hari ini berbeda dengan
permintaan harian yang diharapkan yang dapat dihitung dari data pada Tabel F.3.
jika simulasinya diulangi maka rata-rata permintaan yang disimulasikan akan mendekati
permintaan yang diperkirakan.