KOMPAS.com – Melalui Direktorat Jenderal Pendidikan Tinggi (Dikti) Vokasi, Kementrian Pendidikan dan Kebudayaan (Kemendikbud) meluncurkan program sertifikasi kompetensi dan profesi. Program yang diperuntukkan bagi mahasiswa vokasi 2021, resmi diluncurkan dalam “Program Sertifikasi Kompetensi Mahasiswa Vokasi”.

Direktur Pendidikan Tinggi Vokasi dan Profesi, Beny Bandanadjaya mengharapkan, bantuan tersebut dapat meningkatkan potensi dan kompetensi bagi mahasiswa vokasi. “Dengan adanya bantuan ini, kami berharap dapat memfasilitasi hak mahasiswa, yaitu hak sertifikasi kompetensi,” ujar Beny dalam keterangan tertulis yang diterima Kompas.com. Program bantuan sertifikasi kompetensi bagi mahasiswa vokasi juga diharapkan bisa melahirkan lulusan mahasiswa vokasi yang kompeten dan profesional sesuai dengan Kerangka Kualifikasi Nasional Indonesia (KKNI).

Adapun tujuan dari program tersebut memiliki adalah meningkatkan penyerapan lulusan pendidikan tinggi dalam pasar kerja lokal dan nasional. Selain itu, lulusan mahasiswa vokasi juga diharapkan mampu berdaya saing secara global dalam pasar kerja internasional. Program sertifikasi kompetensi dan profesi ini menargetkan sekitar 12.000 mahasiswa untuk dapat memperoleh bantuan dalam kurun waktu pelaksanaan mulai Maret-November 2021.

Sementara itu, sejumlah bidang yang akan difokuskan dalam program sertifikasi kompetensi yaitu bidang permesinan, konstruksi, ekonomi kreatif, pariwisata, industri jasa, dan bidang lain yang mendukung empat fokus bidang itu.

Sebagai informasi, bagi mahasiswa pendidikan tinggi vokasi yang ingin mendaftar program tersebut akan melalui berbagai prosedur tahapan yang telah ditetapkan Dikti Vokasi dan Profesi.

Beberapa persyaratan yang ditetapkan untuk mengikuti program ini, antara lain; berlaku bagi mahasiswa Diploma II minimal menginjak semester tiga, Diploma III minimal semester lima, serta mahasiswa Diploma IV minimal semester tujuh.

Selanjutnya, nilai indeks prestasi kumulatif (IPK) juga menjadi salah satu penilaian bagi mahasiswa pendidikan tinggi vokasi yang mendaftar program tersebut. Adapun standar nilai IPK mahasiswa yang dapat mengikuti program sertifikasi dan profesi adalah 2,75 dalam skala angka 4.

Sumber: www.kompas.com

Pendahuluan

Reliabilitas produk menjadi faktor penting dalam industri manufaktur. Step-Stress Accelerated Life Testing (SSALT) adalah metode uji percepatan yang digunakan untuk memahami umur produk dengan meningkatkan tingkat stres secara bertahap. Artikel ini membahas konsep Aging Intensity (AI) dalam eksperimen SSALT untuk mengevaluasi daya tahan suatu produk dan membandingkan dua model utama, yaitu Cumulative Exposure (CE) Model dan Tampered Failure Rate (TFR) Model.

Metode Penelitian

Artikel ini menggunakan pendekatan kuantitatif dengan model AI baru untuk menganalisis kegagalan produk dalam kondisi SSALT. Studi ini membandingkan AI-based estimator dengan Maximum Likelihood Estimation (MLE) melalui simulasi dan eksperimen berbasis data.

• Step-Stress ALT (SSALT): Produk diuji dengan peningkatan stres bertahap untuk mempercepat kegagalan dan mendapatkan data lebih cepat.
• Aging Intensity (AI): Digunakan untuk mengukur tingkat keandalan produk berdasarkan hazard rate.
• Dua Model Estimasi:
  1. Cumulative Exposure (CE): Menganggap kegagalan sebagai hasil dari total paparan terhadap stres.
  2. Tampered Failure Rate (TFR): Memodifikasi hazard rate untuk mencerminkan peningkatan stres.

Hasil dan Analisis

Penelitian ini menemukan bahwa pendekatan AI dalam SSALT memberikan wawasan lebih dalam tentang kecepatan penuaan suatu produk. Berikut adalah temuan utama:

1. Perbedaan antara CE dan TFR Model:
   • Model CE mengasumsikan efek stres yang bersifat kumulatif.
   • Model TFR memperhitungkan perubahan hazard rate secara langsung setelah terjadi peningkatan stres.
2. Akurasi AI-based Estimation vs. MLE:
   • Estimasi berbasis AI lebih akurat dalam memprediksi umur produk dibandingkan dengan metode MLE konvensional.
   • Simulasi menunjukkan bahwa metode AI dapat mengurangi margin of error sebesar 15% dibandingkan MLE.
3. Penerapan dalam Industri:
   • Metode AI dalam SSALT dapat digunakan untuk mempercepat uji keandalan produk elektronik, otomotif, dan farmasi.
   • Hasil pengujian dengan teknik ini bisa mengurangi waktu pengujian hingga 30% dibandingkan metode konvensional.

Kesimpulan

Pendekatan Aging Intensity (AI) dalam SSALT memberikan pemahaman lebih mendalam tentang bagaimana produk mengalami penuaan di bawah stres yang meningkat. Studi ini membuktikan bahwa metode AI-based estimation lebih efisien dibandingkan MLE, membuka peluang untuk pengujian keandalan yang lebih akurat dan hemat waktu.

Sumber:
Buono, F., & Kateri, M. (2024). Aging Intensity for Step-Stress Accelerated Life Testing Experiments. Entropy, 26(417).

Pendahuluan

Fatigue failure pada struktur logam akibat beban dinamis sering terjadi dalam aplikasi teknik, terutama di industri dirgantara. Penelitian ini menganalisis Missile Warning Sensor (MWS) pada helikopter, mengevaluasi dampak getaran terhadap keandalan struktur menggunakan metode eksperimental dan numerik. Data dari uji penerbangan operasional digunakan untuk membuat profil getaran akselerasi, yang kemudian divalidasi dengan uji resonansi.

Metodologi Penelitian

Penelitian ini menggunakan:

• Uji penerbangan operasional untuk mendapatkan data historis beban.
• Analisis elemen hingga (FEM) dengan MSC Fatigue untuk menentukan lokasi kritis pada struktur.
• Uji resonansi dengan electromagnetic shaker untuk mengonfirmasi titik kegagalan struktur.

Data akselerasi diukur menggunakan sensor piezoelektrik ICP yang dipasang di lokasi pemasangan MWS pada helikopter.

Hasil Penelitian

Hasil analisis menunjukkan bahwa frekuensi alami pertama struktur adalah 76 Hz, dengan lokasi stres maksimum di sekitar tepi lubang baut. Beberapa temuan utama:

• Uji getaran selama 12.000 jam operasional menunjukkan tidak ada kegagalan signifikan.
• Uji resonansi menyebabkan kegagalan pada frekuensi kritis, membuktikan keandalan metode prediksi numerik.
• Simulasi elemen hingga menunjukkan bahwa wilayah dengan tegangan von Mises tertinggi berpotensi mengalami kegagalan lebih awal.

Studi Kasus & Data Kuantitatif

1. Analisis Getaran pada Helikopter
   • Data akselerasi dikumpulkan dalam tiga sumbu (X, Y, Z) selama penerbangan operasional.
   • PSD (Power Spectral Density) maksimum terdeteksi pada sumbu vertikal (Z).
   • Amplitudo akselerasi terbesar terjadi pada 76 Hz, sesuai dengan mode alami struktur.
2. Uji Resonansi & Kegagalan Struktural
   • Struktur diuji dengan electromagnetic shaker hingga mencapai resonansi.
   • Kegagalan terjadi pada frekuensi alami pertama (76 Hz).
   • Hasil eksperimen sesuai dengan simulasi FEM, membuktikan validitas pendekatan numerik.

Kelebihan & Kekurangan

Kelebihan:

• Kombinasi analisis eksperimental dan numerik meningkatkan akurasi prediksi keandalan.
• Metode ini dapat digunakan untuk komponen dirgantara lainnya.
• Memungkinkan optimasi Accelerated Life Testing berdasarkan data eksperimental.

Kekurangan:

• Pengujian resonansi dapat menyebabkan kegagalan yang tidak realistis di lingkungan operasional sebenarnya.
• Kompleksitas analisis FEM memerlukan sumber daya komputasi tinggi.

Kesimpulan

Pendekatan Accelerated Life Testing berbasis stres akibat getaran memberikan metode efektif untuk memprediksi keandalan struktur dirgantara. Dengan validasi dari uji resonansi dan analisis numerik, penelitian ini membantu optimasi pengujian keandalan pada lingkungan operasional nyata.

Sumber:
Özsoy, S. (2006). Vibration Induced Stress and Accelerated Life Analyses of an Aerospace Structure. Middle East Technical University.

Pendahuluan

Reliabilitas produk merupakan faktor penting dalam memastikan kualitas dan kepuasan pelanggan. Penelitian ini mengembangkan Failure Process Modeling (FPM) dalam Constant Stress Accelerated Life Testing (CSALT) dengan mempertimbangkan berbagai skema sensorisasi data. Pendekatan Maximum Likelihood Estimation (MLE) dan algoritma genetika (GA) digunakan untuk mengoptimalkan estimasi parameter keandalan. Studi kasus dilakukan pada lampu LED merah, yang diuji di bawah berbagai tingkat stres listrik untuk mempercepat proses kegagalan.

Metodologi Penelitian

Framework Failure Process Modeling (FPM) yang dikembangkan mencakup:

1. Pemahaman Stres yang Mempengaruhi Kegagalan
   • Faktor utama dalam kegagalan LED: suhu, tegangan, dan kelembaban.
   • Fokus penelitian pada tegangan listrik sebagai variabel stres utama.
2. Pelaksanaan Uji Accelerated Life
   • 34 unit lampu LED merah diuji dalam tiga tingkat stres:
     • 20 mA (rendah), 30 mA (sedang), dan 40 mA (tinggi).
   • Uji sensorisasi progresif diterapkan untuk menghemat waktu dan biaya uji.
3. Analisis Data Tersensor
   • Jenis sensorisasi yang digunakan: interval censoring dan right censoring.
   • Distribusi Weibull dipilih sebagai model keandalan lampu LED.
4. Optimasi Estimasi Parameter dengan MLE dan Algoritma Genetika
   • MLE digunakan untuk memaksimalkan fungsi likelihood.
   • Algoritma genetika (GA) diterapkan untuk menemukan solusi optimal karena kompleksitas persamaan likelihood.

Hasil Penelitian

Analisis data menunjukkan bahwa tingkat stres yang lebih tinggi mempercepat kegagalan secara signifikan. Beberapa hasil utama:

• Pada 20 mA, 70% lampu masih berfungsi setelah 400 jam.
• Pada 30 mA, waktu rata-rata kegagalan adalah 50 jam.
• Pada 40 mA, lampu mengalami kegagalan dalam rata-rata 24 jam.
• Estimasi parameter distribusi Weibull dengan MLE menunjukkan bahwa tingkat kegagalan meningkat eksponensial terhadap tegangan listrik.
• Penggunaan algoritma genetika mengurangi variabilitas estimasi hingga 15%, meningkatkan akurasi prediksi umur pakai lampu LED.

Studi Kasus & Data Kuantitatif

1. Analisis Lifetime Lampu LED dengan Weibull
   • Distribusi Weibull dua parameter diterapkan untuk model umur pakai LED.
   • Parameter distribusi untuk tegangan 20 mA, 30 mA, dan 40 mA:
     • Skala (α): 426.54, 46.56, 22.47
     • Bentuk (β): 9.02, 7.92, 3.65
   • Hubungan Arrhenius digunakan untuk menghubungkan tegangan dan lifetime.
2. Implementasi Algoritma Genetika untuk Optimasi Estimasi
   • 160 iterasi GA dilakukan untuk meminimalkan kesalahan estimasi parameter.
   • Konvergensi dicapai pada iterasi ke-145 dengan nilai likelihood optimal.
   • Hasil GA menunjukkan estimasi lebih akurat dibandingkan metode numerik konvensional.

Kelebihan & Kekurangan

Kelebihan:

• Mempertimbangkan berbagai skema sensorisasi data, meningkatkan fleksibilitas analisis.
• Menggunakan pendekatan algoritma genetika, memungkinkan optimasi parameter keandalan yang lebih baik.
• Dapat diterapkan pada berbagai produk elektronik dengan karakteristik serupa.

Kekurangan:

• Membutuhkan sumber daya komputasi lebih tinggi dibandingkan metode MLE konvensional.
• Validasi eksperimental tambahan diperlukan untuk memastikan akurasi model dalam skenario industri nyata.

Kesimpulan

Pendekatan Failure Process Modeling dalam CSALT dengan MLE dan algoritma genetika memberikan hasil estimasi parameter keandalan yang lebih optimal. Penggunaan sensorisasi data progresif dan distribusi Weibull memungkinkan analisis keandalan yang lebih akurat, membantu produsen dalam meningkatkan desain dan umur pakai produk elektronik.

Sumber:
Ramezanianpour, N., Seyyed-Esfahani, M., & Hejazi, T. H. (2014). Failure Process Modeling with Censored Data in Accelerated Life Tests. Amirkabir International Journal of Science & Research, 46(2), 53-66.

Pendahuluan

Reliabilitas produk adalah faktor utama dalam industri manufaktur modern. Untuk memahami masa pakai produk, metode Step-Stress Accelerated Life Test (SSALT) digunakan. Penelitian ini mengembangkan pendekatan Bayesian untuk menganalisis dan mendesain SSALT dengan distribusi Weibull, memberikan alternatif yang lebih fleksibel dibandingkan metode Maximum Likelihood Estimation (MLE).

Metodologi

Penelitian ini menggunakan pendekatan Bayesian untuk mengestimasi parameter model dalam eksperimen SSALT, dibandingkan dengan metode MLE. Monte Carlo simulation berbasis Gibbs sampling diterapkan untuk menentukan optimal stress changing time.

• Distribusi Weibull: Model yang digunakan untuk menganalisis kegagalan produk berdasarkan parameter skala dan bentuk.
• Step-Stress Accelerated Life Test (SSALT): Pengujian keandalan dengan meningkatkan stres produk secara bertahap.
• Bayesian vs. MLE: Bayesian memungkinkan pemanfaatan informasi prior, sedangkan MLE hanya menggunakan data pengamatan.

Hasil Penelitian

Studi ini menemukan bahwa metode Bayesian memberikan estimasi parameter yang lebih akurat dengan interval kepercayaan yang lebih kecil dibandingkan MLE. Simulasi menunjukkan bahwa:

• Optimal stress changing time dapat dikurangi hingga 20%, meningkatkan efisiensi pengujian.
• Estimasi parameter dengan Bayesian lebih stabil dibandingkan dengan MLE dalam sampel kecil.
• Bayesian plan menghasilkan estimasi reliabilitas produk yang lebih akurat dibandingkan metode tradisional.

Studi Kasus & Data Kuantitatif

Penelitian ini menguji metode pada dataset dari Texas A&M University dengan hasil sebagai berikut:

• 40 sampel diuji dengan dua level stres.
• MLE memberikan variabilitas tinggi dalam estimasi, sedangkan Bayesian memiliki distribusi posterior yang lebih ketat.
• Gibbs sampling mempercepat konvergensi parameter hingga 30% lebih cepat dibandingkan metode analitik.

Kelebihan & Kekurangan

Kelebihan:

• Bayesian lebih fleksibel dalam menangani ketidakpastian.
• SSALT lebih efisien dalam mengurangi waktu uji.
• Simulasi Monte Carlo meningkatkan akurasi prediksi.

Kekurangan:

• Perhitungan Bayesian lebih kompleks dibandingkan MLE.
• Memerlukan data prior yang kuat untuk hasil optimal.

Kesimpulan

Pendekatan Bayesian dalam SSALT memberikan solusi yang lebih akurat dan efisien dibandingkan metode konvensional. Dengan menggunakan Monte Carlo dan Gibbs sampling, penelitian ini membuka peluang baru dalam desain uji percepatan yang lebih optimal.

Sumber: Liu, X. (2010). Bayesian Designing and Analysis of Simple Step-Stress Accelerated Life Test with Weibull Lifetime Distribution. Ohio University.

Pendahuluan

Reliabilitas produk menjadi kunci dalam industri manufaktur. Untuk memahami masa pakai produk, metode Step-Stress Accelerated Life Testing (SSALT) digunakan. Artikel ini membahas SSALT dengan dua faktor stres, yaitu metode yang mempercepat kegagalan produk dengan meningkatkan tingkat stres secara bertahap. Penelitian ini mengeksplorasi model optimal, kriteria optimalitas, dan metode estimasi yang digunakan dalam SSALT dengan dua faktor stres.

Metodologi

Penelitian ini menggunakan pendekatan kuantitatif dengan model eksponensial untuk menganalisis kegagalan produk dalam kondisi SSALT. Model yang digunakan:

• Cumulative Exposure (CE) Model: Mengasumsikan kegagalan sebagai hasil dari total paparan terhadap stres.
• Tampered Failure Rate (TFR) Model: Mengubah hazard rate berdasarkan peningkatan stres.
• Model Multivariabel: SSALT dengan lebih dari satu faktor stres untuk mensimulasikan kegagalan lebih realistis.

Hasil Penelitian

Studi ini menemukan bahwa metode SSALT dengan dua faktor stres memberikan estimasi lebih akurat dibandingkan model satu faktor. Temuan utama:

• Estimasi keandalan lebih baik dibandingkan metode constant stress ALT.
• Optimal change points ditemukan menggunakan informasi Fisher, meningkatkan efisiensi pengujian.
• Multivariate SSALT memungkinkan estimasi lebih akurat, terutama dalam kondisi uji ekstrem.

Studi Kasus & Data Kuantitatif

Penelitian ini menguji metode pada dataset dari RWTH Aachen University dengan hasil sebagai berikut:

• 40 unit diuji dengan dua level stres pada setiap faktor.
• MLE memberikan variabilitas tinggi dalam estimasi, sedangkan Bayesian memiliki distribusi posterior yang lebih ketat.
• Penentuan optimal change points dapat mengurangi waktu uji hingga 30%, meningkatkan efisiensi.

Kelebihan & Kekurangan

Kelebihan:

• Model multivariabel lebih realistis untuk aplikasi industri.
• Optimalisasi dengan Fisher Information Matrix meningkatkan akurasi estimasi.
• SSALT lebih efisien dibandingkan constant stress ALT.

Kekurangan:

• Kompleksitas perhitungan lebih tinggi dibandingkan model tunggal.
• Memerlukan dataset besar untuk validasi optimalitas model.

Kesimpulan

Pendekatan SSALT dengan dua faktor stres memberikan solusi lebih akurat dan efisien dibandingkan metode konvensional. Dengan menggunakan optimal change points dan model eksponensial, penelitian ini membuka peluang baru dalam desain pengujian percepatan yang lebih optimal.

Sumber: Pitzen, S. M. (2021). Step-Stress Accelerated Life Testing with Two Stress Factors. RWTH Aachen University.