Learning Curve menggambarkan secara grafis bagaimana suatu proses meningkat melalui pembelajaran dan peningkatan kemahiran. Tugas akan membutuhkan lebih sedikit waktu dan sumber daya jika semakin banyak tugas tersebut dilakukan. Learning Curve pertama kali dijelaskan oleh psikolog Hermann Ebbinghaus pada tahun 1885 dan digunakan untuk mengukur efisiensi produksi dan memperkirakan biaya.
Peran dalam Bisnis
Perusahaan dapat memperoleh biaya produksi satu unit output berdasarkan jumlah jam yang dibutuhkan, berdasarkan tarif per jam karyawan. Saat tugas diulang, karyawan belajar cara menyelesaikannya dengan cepat dan mengurangi jumlah waktu yang dibutuhkan per unit. Karyawan yang ditempatkan dengan baik harus mengurangi biaya perusahaan dari waktu ke waktu. Bisnis dapat menggunakan Learning Curve untuk menginformasikan perencanaan produksi, perkiraan biaya, dan jadwal logistik.
Learning Curve juga disebut sebagai kurva pengalaman, kurva biaya, kurva efisiensi, atau kurva produktivitas karena memberikan pengukuran biaya-manfaat. Learning Curve memiliki kemiringan menurun di awal, dengan kemiringan datar menjelang akhir. Seiring dengan meningkatnya pembelajaran, biaya per unit output awalnya akan menurun sebelum mencapai titik jenuh, karena semakin sulit untuk meningkatkan efisiensi yang diperoleh melalui pembelajaran.
Learning Curve sering dikaitkan dengan persentase yang mengidentifikasi tingkat peningkatan. Misalnya, Learning Curve 90% berarti bahwa untuk setiap kali kuantitas kumulatif digandakan, ada peningkatan efisiensi sebesar 10% dalam waktu produksi rata-rata kumulatif per unit. Persentase tersebut menyatakan persentase waktu yang akan berlanjut ke iterasi tugas di masa mendatang saat produksi digandakan.
Rumus Learning Curve
Learning Curve memiliki rumus untuk mengidentifikasi target waktu rata-rata kumulatif per unit atau batch:
Rumus Learning Curve
Learning Curve memiliki rumus untuk mengidentifikasi target waktu rata-rata kumulatif per unit atau batch:
Y=aX b
di mana:
Y=Waktu rata-rata kumulatif per unit atau batch
a=Waktu yang dibutuhkan untuk memproduksi kuantitas awal
X=Unit produksi kumulatif atau
jumlah batch kumulatif
b=Kemiringan atau indeks Learning Curve, dihitung
sebagai log persentase Learning Curve
dibagi dengan log 2
Contoh
Asumsikan Learning Curve 80%. Setiap kali kuantitas kumulatif digandakan, proses menjadi 20% lebih efisien. Asumsikan tugas pertama membutuhkan waktu 1.000 jam.
Y =1000×1 log.80/ log2
=1000×1
=rata-rata 1.000 jam per tugas
untuk menyelesaikan satu tugas
Sekarang mari gandakan output manufaktur. Waktu awal yang dihabiskan untuk tugas pertama adalah 1.000 jam. Namun, nilai untuk X sekarang akan berubah dari satu menjadi dua:
Y =1000×2 log.80/ log2
=1000×.8
=an average of 800 hours per task
to complete two tasks
Total jumlah waktu kumulatif yang dibutuhkan untuk melakukan tugas dua kali adalah 1.600. Karena total jumlah waktu yang dibutuhkan untuk satu tugas adalah 1.000 jam, dapat disimpulkan bahwa waktu tambahan untuk melakukan tugas kedua adalah 600 jam. Rata-rata yang menurun ini secara teoritis berlanjut sepanjang Learning Curve. Misalnya, penggandaan tugas berikutnya akan terjadi pada empat tugas yang diselesaikan:
Y =1000×4 log.8/ log2
=1000×.64
=rata-rata 640 jam per tugas
untuk menyelesaikan empat tugas
Dalam contoh terakhir ini, dibutuhkan total 2.560 jam untuk menghasilkan 4 tugas. Mengetahui bahwa dibutuhkan waktu 1.600 jam untuk menyelesaikan dua tugas pertama, Learning Curve menunjukkan bahwa hanya dibutuhkan total 960 jam untuk menyelesaikan tugas ketiga dan keempat.
| Learning Curve Table | |||
| Cumulative Quantity | Cumulative Production Time | Cumulative Average Time Per Unit | Incremental Time |
| 1 | 1,000 hours | 1,000 hours | 1,000 hours |
| 2 | 1,600 hours | 800 hours | 600 hours |
| 4 | 2,560 hours | 640 hours | 960 hours |
| 80% Learning Curve Table, Assuming First Task Takes 1,000 Hours | |||
Kuantitas kumulatif harus berlipat ganda di antara baris—untuk melanjutkan tabel, baris berikutnya harus dihitung menggunakan kuantitas delapan. Waktu tambahan adalah akumulasi dari lebih banyak unit saat tabel diperluas. Misalnya, 600 jam waktu tambahan untuk tugas No. 2 adalah waktu yang dibutuhkan untuk menghasilkan satu tugas tambahan. Namun, 960 jam di baris berikutnya adalah waktu yang dibutuhkan untuk menghasilkan dua tugas tambahan.
Grafik Data
Karena data Learning Curve dengan mudah membuat garis tren, data Learning Curve digambarkan secara grafis. Ada beberapa titik data yang dapat dipilih, salah satunya adalah total waktu kumulatif yang dibutuhkan untuk menghasilkan sejumlah tugas atau unit tertentu. Dalam grafik di bawah ini, Learning Curve menunjukkan bahwa lebih banyak waktu dibutuhkan untuk menghasilkan lebih banyak tugas.
Akan tetapi, grafik di atas gagal menunjukkan bagaimana proses menjadi lebih efisien. Karena kurva grafik yang miring ke atas, tampaknya dibutuhkan waktu yang lebih lama untuk melakukan lebih banyak tugas. Akan tetapi, karena sifat Learning Curve, sumbu x berlipat ganda dan secara bertahap membutuhkan waktu yang lebih sedikit per unit. Misalnya, perhatikan grafik di bawah ini yang menunjukkan perkiraan waktu rata-rata yang dibutuhkan untuk melakukan sejumlah tugas tertentu.
Kesimpulan
Waktu dan sumber daya yang dihabiskan untuk melakukan tugas pertama kali mungkin lebih tinggi daripada waktu dan sumber daya yang dihabiskan untuk melakukan tugas yang sama untuk ke-100 kalinya. Gagasan tentang peningkatan berkelanjutan ini diukur melalui Learning Curve.
