Pendahuluan

Dalam dunia industri yang kompetitif, perusahaan manufaktur menghadapi tantangan besar dalam menjaga keandalan proses produksi. Kegagalan peralatan, variabilitas produksi, dan downtime adalah faktor utama yang dapat menyebabkan kerugian finansial yang signifikan.

Penelitian ini, yang dilakukan oleh Marina Kostina, berfokus pada pengembangan alat penilaian keandalan berbasis FMEA dan Bayesian Belief Network (BBN). Tujuan utamanya adalah membantu insinyur mengidentifikasi titik paling rentan dalam proses produksi dan memberikan rekomendasi perbaikan berbasis data.

Metodologi

Penelitian ini mengembangkan kerangka kerja untuk menganalisis kegagalan proses produksi, dengan pendekatan utama:

1. Failure Mode and Effects Analysis (FMEA)
   • Menggunakan analisis kuantitatif kegagalan untuk menentukan area kritis dalam produksi.
   • Parameter utama yang dianalisis:
     • Severity (S): Seberapa serius dampak kegagalan.
     • Occurrence (O): Seberapa sering kegagalan terjadi.
     • Detection (D): Kemampuan sistem mendeteksi kegagalan sebelum terjadi.
   • Risk Priority Number (RPN) dihitung sebagai S × O × D, dan area dengan RPN tertinggi menjadi prioritas perbaikan.
2. Bayesian Belief Network (BBN) untuk Prediksi Keandalan
   • Integrasi FMEA dengan BBN memungkinkan perusahaan membuat prediksi kegagalan berbasis probabilitas.
   • BBN digunakan untuk mengukur efektivitas rekomendasi pemeliharaan dan menilai dampaknya terhadap produksi.
   • Data dikumpulkan secara real-time untuk memperbarui model keandalan secara dinamis.
3. Implementasi Model pada Perusahaan Manufaktur
   • Studi kasus dilakukan di beberapa perusahaan manufaktur mesin dengan produksi otomatis dan semi-otomatis.
   • Analisis dilakukan pada lebih dari 200 workstation, termasuk lini produksi dengan variabilitas tinggi.

Hasil dan Temuan Utama

1. Identifikasi Komponen Paling Rentan

Berdasarkan analisis data dari sistem Enterprise Resource Planning (ERP), ditemukan bahwa kegagalan peralatan dan variabilitas proses adalah faktor utama yang menghambat produksi:

• Komponen dengan RPN tertinggi:
  • Sistem pendinginan mesin CNC (RPN = 320) → Penyebab utama overheating dan downtime.
  • Sistem transmisi conveyor (RPN = 275) → Sering mengalami kegagalan mekanis akibat keausan.
  • Sistem kontrol PLC (RPN = 240) → Error dalam pemrograman menyebabkan gangguan produksi.
• Dampak kegagalan terhadap produktivitas:
  • Kegagalan mesin menyebabkan downtime hingga 14,2% dari total waktu operasi per bulan.
  • Biaya perbaikan dan kehilangan produksi mencapai 1,5 juta euro per tahun untuk satu perusahaan manufaktur besar.

2. Efektivitas Integrasi FMEA dan BBN

• Dengan FMEA saja, identifikasi kegagalan hanya bersifat reaktif → Perbaikan hanya dilakukan setelah kegagalan terjadi.
• Dengan integrasi BBN, prediksi kegagalan meningkat hingga 85% akurasi, memungkinkan pemeliharaan prediktif dilakukan sebelum masalah terjadi.
• Strategi pemeliharaan berbasis BBN mengurangi downtime hingga 40% dalam uji coba industri.

3. Simulasi Optimasi Keandalan dengan Pemeliharaan Prediktif

• Tanpa pemeliharaan prediktif, keandalan sistem turun menjadi 68,5% setelah 5 tahun operasi.
• Dengan pemeliharaan berbasis BBN, keandalan meningkat hingga 92,7% dalam jangka waktu yang sama.
• ROI (Return on Investment) untuk sistem ini dapat dicapai dalam 2 tahun, menjadikannya investasi yang layak bagi industri manufaktur.

Implikasi Industri & Rekomendasi

1. Implementasi Pemeliharaan Prediktif Berbasis Data

• Menggunakan sensor IoT untuk memantau kondisi mesin secara real-time.
• Analisis pola kegagalan menggunakan AI dan Machine Learning untuk mengoptimalkan strategi perawatan.

2. Peningkatan Efisiensi Produksi

• Automasi dalam pemantauan kegagalan dapat mengurangi kebutuhan inspeksi manual.
• Optimasi jadwal perawatan preventif berdasarkan hasil analisis BBN dapat menghemat biaya pemeliharaan.

3. Peningkatan Kualitas Produk & Reduksi Limbah

• Dengan meningkatkan stabilitas proses produksi, jumlah produk cacat dapat berkurang hingga 30%.
• Pengurangan downtime menghasilkan peningkatan output hingga 15% tanpa perlu investasi tambahan dalam kapasitas produksi.

Kesimpulan

Penelitian ini membuktikan bahwa integrasi FMEA dengan Bayesian Belief Network (BBN) dapat secara signifikan meningkatkan keandalan proses produksi. Dengan penerapan pemeliharaan prediktif berbasis data, perusahaan manufaktur dapat mengurangi downtime, meningkatkan efisiensi produksi, dan mengurangi biaya operasional secara drastis.

Sumber : Marina Kostina (2012). Reliability Management of Manufacturing Processes in Machinery Enterprises. PhD Thesis, Tallinn University of Technology, Estonia.

Pendahuluan

European Rail Traffic Management System (ERTMS) dan European Train Control System (ETCS) adalah sistem sinyal dan kontrol kereta api yang dirancang untuk meningkatkan interoperabilitas dan efisiensi operasional di seluruh jaringan perkeretaapian Eropa.

Namun, implementasi sistem ini menghadapi berbagai tantangan, termasuk keandalan infrastruktur, pemeliharaan, dan integrasi dengan jaringan yang ada. Studi yang dilakukan oleh Raja Gopal Kalvakunta ini menggunakan Reliability Block Diagram (RBD) untuk mengevaluasi reliabilitas ERTMS/ETCS dengan studi kasus di jalur pilot Østfoldbanen Østre Linje (ØØL) di Norwegia.

Metodologi

Penelitian ini mengembangkan model keandalan ERTMS/ETCS dengan pendekatan berikut:

1. Pemodelan RBD (Reliability Block Diagram)
   • Analisis struktur sistem menggunakan Relysim software untuk memetakan blok keandalan infrastruktur.
   • Simulasi 1000 kali untuk menilai tingkat kegagalan komponen utama.
2. Simulasi TRAIL Software (DNV GL)
   • Model berbasis penggunaan: Menggunakan data operasional historis dari Bane NOR.
   • Model berbasis waktu: Menggunakan parameter infrastruktur, dependensi sistem, dan jadwal operasional untuk estimasi reliabilitas dan ketepatan waktu kereta.
3. Analisis Kegagalan Infrastruktur
   • Failure Mode and Effects Analysis (FMEA) digunakan untuk mengidentifikasi komponen paling rentan terhadap kegagalan.
   • Fault Tree Analysis (FTA) digunakan untuk memahami penyebab utama gangguan sistem.

Hasil dan Temuan Utama

1. Komponen Infrastruktur dengan Kegagalan Tertinggi

Berdasarkan analisis data dari Bane NOR, ditemukan bahwa faktor utama keterlambatan kereta di jalur ØØL disebabkan oleh:

• Kegagalan sistem interlocking (20,5%) → Menyebabkan gangguan besar dalam pergantian jalur.
• Kegagalan axle counters (15,8%) → Menghambat deteksi posisi kereta secara akurat.
• Kegagalan balise (13,2%) → Mengurangi akurasi sistem komunikasi lintasan.
• Fraktur rel (10,6%) → Mengakibatkan perlambatan operasional dan penjadwalan ulang perjalanan.

2. Analisis Keandalan Sistem dengan Simulasi RBD

• Keandalan infrastruktur turun hingga 68,5% setelah 5 tahun operasi tanpa pemeliharaan.
• Dengan pemeliharaan prediktif berbasis IoT, keandalan meningkat hingga 92,7%.
• Pengurangan downtime sebesar 25% dapat dicapai dengan strategi pemeliharaan berbasis data.

3. Dampak Terhadap Ketepatan Waktu Operasional

• Tanpa optimalisasi pemeliharaan, hanya 87,3% kereta yang tiba tepat waktu.
• Dengan pemeliharaan prediktif, ketepatan waktu meningkat hingga 96,1%.
• Gangguan akibat kesalahan sinyal dan komunikasi dapat berkurang hingga 30% dengan integrasi sistem redundansi.

Implikasi Industri & Rekomendasi

1. Implementasi Pemeliharaan Prediktif Berbasis Data

• Menggunakan sensor IoT pada balise, axle counters, dan interlocking untuk memantau kondisi real-time.
• Penerapan Machine Learning dalam analisis pola kegagalan untuk mengoptimalkan strategi perawatan.

2. Peningkatan Redundansi Infrastruktur

• Menambahkan sistem cadangan pada komponen interlocking dan axle counters untuk meningkatkan keandalan.
• Integrasi dengan sistem komunikasi GSM-R yang lebih stabil untuk mengurangi kesalahan transmisi data.

3. Optimasi Sistem Penjadwalan & Trafik

• Menggunakan algoritma AI untuk optimasi jadwal operasional, mengurangi dampak keterlambatan akibat gangguan infrastruktur.

Kesimpulan

Penelitian ini menunjukkan bahwa Reliability Block Diagram (RBD) adalah metode yang efektif untuk mengevaluasi dan meningkatkan keandalan ERTMS/ETCS. Dengan strategi pemeliharaan prediktif berbasis data, keandalan sistem dapat ditingkatkan secara signifikan, mengurangi downtime, serta meningkatkan efisiensi dan ketepatan waktu perjalanan kereta.

Sumber : Raja Gopal Kalvakunta (2017). Reliability Modelling of ERTMS/ETCS. Master’s Thesis, Norwegian University of Science and Technology, Norway.

Pendahuluan

Energi gelombang laut merupakan sumber energi terbarukan yang belum dimanfaatkan secara optimal. Salah satu teknologi yang dikembangkan untuk menangkap energi ini adalah Oscillating Wave Surge Converter (OWSC), yang menggunakan Power Take-Off (PTO) system untuk mengubah energi mekanik dari gelombang menjadi listrik.

Namun, sistem ini menghadapi tantangan utama dalam keandalan dan pemeliharaan, karena harus beroperasi di lingkungan maritim yang keras. Penelitian oleh Eetu Heikkilä dkk. ini menganalisis keandalan PTO pada MegaRoller OWSC, menggunakan pendekatan Reliability Block Diagram (RBD) untuk mengevaluasi dan meningkatkan keandalan sistem.

Metodologi

Penelitian ini mengadopsi metode Reliability Block Diagram (RBD) berdasarkan standar IEC 61078:2016, yang memungkinkan analisis kegagalan sistem secara grafis dan kuantitatif.

Langkah-langkah utama dalam penelitian ini:

1. Pengumpulan Data Keandalan
   • Menggunakan data dari OREDA (Offshore Reliability Database), dokumentasi desain, dan spesifikasi manufaktur komponen.
   • Mengintegrasikan data dari industri energi angin dan minyak lepas pantai.
2. Modeling & Simulasi RBD
   • Menggunakan perangkat lunak BlockSim 2018 (ReliaSoft) untuk membangun model keandalan PTO.
   • Simulasi Monte Carlo dilakukan untuk mengukur keandalan sistem dalam jangka panjang.
3. Analisis Kegagalan Komponen
   • Menggunakan distribusi Weibull dan Eksponensial untuk menganalisis kegagalan komponen.
   • Identifikasi titik lemah pada sistem PTO dan strategi mitigasinya.

Hasil dan Temuan Utama

1. Keandalan PTO dan Faktor Risiko Utama

• Sistem PTO memiliki reliabilitas awal sebesar 85,4% setelah 5 tahun operasi tanpa pemeliharaan.
• Komponen paling rentan terhadap kegagalan:
  • Hydraulic accumulators → Kegagalan akibat keausan pada segel (sealing wear).
  • Electric motors & generators → Tingkat kegagalan tinggi karena beban lingkungan maritim.
  • Control valves → Salah satu titik kritis yang berdampak besar pada reliabilitas sistem.
• Dampak kegagalan sistem terhadap produksi energi:
  • Kegagalan komponen kunci dapat menyebabkan downtime hingga 20% dari kapasitas tahunan OWSC.
  • Redundansi sistem dapat meningkatkan reliabilitas hingga 8,7%.

2. Pengaruh Distribusi Weibull terhadap Prediksi Kegagalan

• Distribusi Weibull lebih akurat dibandingkan distribusi eksponensial dalam memprediksi waktu kegagalan komponen PTO.
• Parameter Weibull (β = 1,8) menunjukkan bahwa kegagalan meningkat signifikan setelah beberapa tahun operasi.

3. Simulasi Optimasi Keandalan dengan Pemeliharaan

• Tanpa pemeliharaan, keandalan PTO turun menjadi 62,3% dalam 10 tahun operasi.
• Dengan pemeliharaan prediktif berbasis IoT, keandalan meningkat hingga 92,6%.
• Downtime berkurang dari 75,5 jam menjadi hanya 1,6 jam per bulan dengan strategi pemeliharaan optimal.

Implikasi Industri & Rekomendasi

1. Peningkatan Desain dan Pemeliharaan PTO

• Gunakan material tahan korosi untuk hydraulic accumulators & motor listrik.
• Integrasikan sistem monitoring berbasis IoT untuk memantau kondisi PTO secara real-time.

2. Implementasi Pemeliharaan Prediktif

• Menggunakan sensor getaran & suhu untuk mendeteksi dini kegagalan pada hydraulic pumps dan electric generators.
• Pemanfaatan AI untuk analisis pola kegagalan, meningkatkan efisiensi perawatan.

3. Integrasi dengan Sistem Energi Terbarukan

• Kolaborasi dengan sistem energi angin untuk meningkatkan stabilitas output listrik dari OWSC.

Kesimpulan

Metode RBD terbukti efektif dalam menganalisis dan meningkatkan keandalan PTO pada MegaRoller OWSC. Dengan strategi pemeliharaan yang tepat dan optimasi desain, sistem ini dapat mencapai keandalan lebih dari 90%, meningkatkan efisiensi energi laut sebagai sumber daya berkelanjutan.

Sumber Asli

Eetu Heikkilä, Tero Välisalo, Risto Tiusanen, Janne Sarsama, Minna Räikkönen (2021). Reliability Modelling and Analysis of the Power Take-Off System of an Oscillating Wave Surge Converter. Journal of Marine Science and Engineering, 9(552).

Pendahuluan

Unmanned Aerial Vehicles (UAV) atau drone telah menjadi teknologi penting dalam operasi militer dan sipil. Namun, salah satu tantangan utama dalam penggunaannya adalah keandalan sistemnya. Kegagalan UAV di tengah misi dapat menyebabkan kerugian operasional dan finansial yang besar.

Penelitian ini, yang dilakukan oleh Yılmaz Koç, bertujuan untuk menganalisis keandalan UAV taktis yang dikembangkan oleh Middle East Technical University (METU). Dengan menggunakan simulasi berbasis distribusi eksponensial dan Weibull, studi ini mengevaluasi kegagalan komponen dan strategi pemeliharaan terbaik.

Metodologi

Penelitian ini mengusulkan dua pendekatan dalam memprediksi keandalan UAV METU:

1. Distribusi Eksponensial → Mengasumsikan tingkat kegagalan tetap sepanjang waktu, sering digunakan dalam sistem dengan keandalan konstan.
2. Distribusi Weibull → Menggunakan parameter bentuk (β) dan skala (η) untuk memodelkan berbagai fase kegagalan, termasuk infant mortality, useful life, dan wear-out.

Untuk mengevaluasi sistem UAV, penelitian ini mengumpulkan data waktu kegagalan (Time to Failure, TTF) dari berbagai komponen, termasuk:

• Sistem pendaratan (landing gear)
• Sistem listrik
• Sistem perlindungan es
• Sistem propulsi
• Sistem bahan bakar
• Sistem komunikasi & navigasi

Kemudian, simulasi Monte Carlo digunakan untuk mengevaluasi dampak distribusi kegagalan terhadap keandalan UAV secara keseluruhan.

Hasil dan Temuan Utama

1. Perbandingan Keandalan UAV dengan Distribusi Eksponensial & Weibull

• Reliabilitas berdasarkan eksponensial → Menunjukkan keandalan 79,3% setelah 100 jam operasi.
• Reliabilitas berdasarkan Weibull → Lebih realistis karena mencerminkan peningkatan tingkat kegagalan seiring waktu, dengan keandalan hanya 62,5% setelah 100 jam operasi.
• Distribusi Weibull lebih akurat untuk model UAV, karena menunjukkan bahwa sistem mengalami peningkatan risiko kegagalan setelah periode operasi tertentu.

2. Identifikasi Komponen Paling Rentan terhadap Kegagalan

Studi ini menemukan bahwa beberapa komponen UAV memiliki waktu kegagalan rata-rata (MTTF) yang lebih pendek dibandingkan yang lain:

• Sistem propulsi memiliki MTTF 620 jam, menunjukkan bahwa ini adalah titik lemah UAV.
• Sistem komunikasi dan navigasi memiliki MTTF 950 jam, relatif lebih andal dibandingkan sistem lainnya.
• Sistem pendaratan menunjukkan risiko kegagalan tertinggi dalam skenario pendaratan keras, dengan downtime rata-rata 3,5 jam per kejadian.

3. Efek Pemeliharaan Terhadap Keandalan UAV

• Tanpa pemeliharaan, probabilitas kegagalan UAV selama misi 10 jam meningkat menjadi 15%.
• Dengan pemeliharaan prediktif, menggunakan data real-time dari sensor UAV, probabilitas kegagalan dapat diturunkan hingga 6%.
• Simulasi menunjukkan bahwa meningkatkan keandalan sistem propulsi dari 85% ke 92% dapat meningkatkan keandalan UAV secara keseluruhan sebesar 4%.

Implikasi Industri & Rekomendasi

1. Strategi Pemeliharaan Berbasis Data

• Pemeliharaan prediktif dengan sensor IoT dapat meningkatkan efisiensi operasional dan mengurangi downtime.
• Penggunaan Weibull untuk pemodelan kegagalan memungkinkan prediksi lebih akurat mengenai kapan komponen harus diganti sebelum gagal.

2. Optimalisasi Desain UAV

• Peningkatan desain sistem propulsi dan pendaratan dapat mengurangi risiko kegagalan selama misi penting.
• Menggunakan material ringan tetapi lebih tahan lama dapat meningkatkan MTTF beberapa komponen.

3. Standarisasi Keandalan UAV

• Data dari penelitian ini dapat digunakan untuk mengembangkan standar keandalan UAV taktis untuk keperluan militer dan sipil.

Kesimpulan

Distribusi Weibull lebih akurat dibandingkan eksponensial dalam memprediksi keandalan UAV, karena mencerminkan peningkatan tingkat kegagalan seiring waktu. Dengan strategi pemeliharaan prediktif berbasis data, keandalan UAV dapat ditingkatkan secara signifikan, mengurangi risiko kegagalan dalam operasi kritis.

Sumber : Yılmaz Koç (2017). Reliability Analysis of Tactical Unmanned Aerial Vehicle (UAV). Master’s Thesis, Middle East Technical University, Turkey.

Pendahuluan

Reliability, Availability, and Maintainability (RAM) merupakan faktor kunci dalam operasional industri gas. Keandalan sistem yang buruk dapat menyebabkan downtime signifikan dan kerugian finansial. Penelitian ini, yang dilakukan oleh Tengku Ibrahim bin Tengku Muhammad, membahas penggunaan Reliability Block Diagram (RBD) untuk menganalisis keandalan unit dehidrasi gas (Dehydration Unit/DHU) dalam Gas Processing Plant (GPP).

Unit ini berfungsi menghilangkan air dari gas alam untuk mencegah korosi dan pembentukan hidrasi yang dapat menyumbat pipa. Dengan analisis RAM berbasis RBD, penelitian ini mengidentifikasi komponen kritis yang memengaruhi keandalan keseluruhan sistem.

Metodologi

Penelitian ini menggunakan data waktu kegagalan dan waktu perbaikan dari sistem DHU untuk membangun model RBD. Analisis dilakukan dengan:

• Reliability Block Diagram (RBD) → Menganalisis hubungan antar komponen dan dampaknya pada keandalan sistem.
• Analisis Data Kegagalan (MTTF, MTTR) → Mengukur keandalan dan waktu pemeliharaan masing-masing komponen.
• Studi Kasus di Gas Processing Plant (GPP) → Memvalidasi model dengan kondisi nyata di industri gas.
• Simulasi Monte Carlo → Menilai skenario "what-if" untuk mengoptimalkan strategi pemeliharaan.

Hasil dan Temuan Utama

1. Identifikasi Komponen Kritis dalam DHU

Berdasarkan Failure Mode and Effects Analysis (FMEA), ditemukan bahwa beberapa komponen yang paling rentan mengalami kegagalan adalah:

• L-301A/B/C (Feed Gas Dryer) → Bertanggung jawab dalam menghilangkan air dari gas alam.
• L-302A/B (Feed Gas Mercury Removal Beds) → Menghilangkan merkuri untuk mencegah korosi pada peralatan hilir.
• T-301 (Dehydration Inlet Chiller) → Mengurangi suhu gas untuk mengembunkan uap air sebelum memasuki dryer.
• G-301A/B (Mercury Removal Unit) → Menyaring debu dan partikel padat yang tersisa dalam gas.

Dengan data dari Offshore Reliability Data (OREDA), penelitian menemukan bahwa MTTF (Mean Time to Failure) rata-rata sistem adalah 14.888 jam, tetapi beberapa komponen memiliki MTTF yang jauh lebih rendah, seperti Feed Gas Dryer yang hanya 7.925 jam.

2. Dampak Kegagalan terhadap Sistem dan Produksi

• Downtime yang signifikan → Kegagalan Feed Gas Dryer dapat menyebabkan turunnya produksi hingga 30% dalam skenario terburuk.
• Kegagalan seri vs. paralel → Komponen yang bekerja dalam konfigurasi seri memiliki dampak lebih besar terhadap keandalan sistem dibandingkan yang bekerja dalam konfigurasi paralel.
• Reliability Baseline → Setelah 720 jam operasi, keandalan sistem tanpa perawatan hanya 77,76%, tetapi bisa ditingkatkan hingga 84% dengan strategi pemeliharaan optimal.

3. Simulasi Perbaikan Keandalan Sistem

• Peningkatan Keandalan Komponen Kritis
  • Jika reliability Feed Gas Dryer ditingkatkan dari 91,32% menjadi 95,6%, maka keandalan sistem meningkat 1,69%.
  • Peningkatan keandalan sistem regenerasi memberikan dampak terbesar pada keandalan keseluruhan DHU.
• Pengaruh Redundansi terhadap Keandalan
  • Menambahkan redundansi pada komponen seri meningkatkan keandalan sistem tetapi menambah biaya pemeliharaan dan kompleksitas operasional.
  • Peningkatan regeneration system dari 84,58% ke 91,38% memberikan peningkatan keandalan DHU yang signifikan.

4. Analisis Ketersediaan dan Waktu Perbaikan

• Tanpa pemeliharaan, sistem hanya memiliki ketersediaan 89,51%.
• Dengan strategi pemeliharaan optimal, ketersediaan meningkat menjadi 99,77%.
• Downtime berkurang dari 75,5 jam menjadi hanya 1,6 jam per bulan dengan perbaikan yang tepat waktu.

Kesimpulan & Rekomendasi

Metode RBD efektif dalam mengidentifikasi dan meningkatkan keandalan sistem DHU di Gas Processing Plant (GPP).

Rekomendasi untuk Industri:

1. Fokus pada Komponen Kritis
   • Prioritaskan pemeliharaan pada Feed Gas Dryer, Mercury Removal Beds, dan Dehydration Inlet Chiller.
2. Strategi Pemeliharaan Proaktif
   • Terapkan predictive maintenance menggunakan data real-time dari SCADA.
3. Optimasi Konfigurasi Sistem
   • Tambahkan redundansi hanya pada komponen yang benar-benar krusial untuk menghindari peningkatan biaya berlebihan.
4. Implementasi Digitalisasi & IoT
   • Gunakan teknologi Industrial IoT (IIoT) untuk pemantauan kondisi peralatan secara real-time.

Sumber : Tengku Ibrahim bin Tengku Muhammad (2011). Reliability Block Diagram Method for RAM Study of Dehydration Unit. Bachelor’s Thesis, Universiti Teknologi PETRONAS, Malaysia.

Pendahuluan

Dalam industri manufaktur modern, sistem udara terkompresi memainkan peran penting dalam mendukung proses produksi. Namun, tantangan utama seperti downtime, inefisiensi energi, dan biaya perawatan masih menjadi kendala besar.

Penelitian ini, yang dilakukan oleh Robert Jakobson, mengusulkan framework berbasis IoT untuk meningkatkan keandalan sistem udara terkompresi di O-I Production Estonia AS, sebuah pabrik produksi kaca di Estonia. Dengan mengadopsi Industry 4.0, Lean Six Sigma, dan reliability engineering, penelitian ini bertujuan untuk mengurangi ketidakpastian dalam operasional, merencanakan tindakan preventif, dan mengumpulkan data untuk peningkatan lebih lanjut.

Metodologi

Framework IoT ini dikembangkan berdasarkan beberapa pendekatan utama:

• Reliability Engineering: Menggunakan Failure Mode and Effects Analysis (FMEA) untuk mengidentifikasi penyebab utama kegagalan sistem udara terkompresi.
• IoT System Development: Mengembangkan sistem sensor digital yang mampu memonitor tekanan, suhu, dan getaran pada kompresor secara real-time.
• Analisis Data & Optimasi Energi: Menggunakan data yang dikumpulkan untuk menganalisis efisiensi penggunaan energi dan memperkirakan pengembalian investasi (ROI) dari sistem yang diusulkan.

Sistem ini diuji dan diterapkan di O-I Production Estonia AS, sebuah pabrik kaca yang sangat bergantung pada udara terkompresi dalam proses produksinya.

Hasil dan Temuan Utama

1. Identifikasi Masalah Utama pada Sistem Udara Terkompresi

Berdasarkan analisis FMEA, beberapa kegagalan utama yang sering terjadi pada sistem udara terkompresi di pabrik adalah:

• Overheating pada kompresor, menyebabkan downtime produksi.
• Keausan pada bearing motor dan elemen screw, yang meningkatkan konsumsi energi.
• Turunnya tekanan pada sistem Low Pressure System (LPS), mengganggu produksi.

Sebagai solusi, penelitian ini mengusulkan pemasangan sensor IoT untuk mendeteksi parameter ini secara real-time dan mencegah kegagalan sebelum terjadi.

2. Pengurangan Downtime dan Efisiensi Energi

Hasil penerapan sistem IoT menunjukkan perbaikan signifikan:

• Pengurangan downtime hingga 36,5% dengan sistem pemantauan dan peringatan dini.
• Penghematan energi mencapai ribuan euro per tahun, dengan optimasi kerja kompresor berdasarkan data real-time.
• ROI sistem ini dapat dicapai dalam 1,8 tahun, membuatnya menjadi investasi yang sangat layak.

3. Validasi Framework dan Implementasi

Untuk membuktikan efektivitas sistem, tim peneliti melakukan pengujian dengan pengukuran kapasitas udara kompresor sebelum dan sesudah implementasi.

• Ditemukan bahwa beberapa kompresor kehilangan hingga 10% kapasitas aslinya, menunjukkan adanya keausan signifikan.
• Setelah penerapan sistem, data energi menunjukkan penurunan konsumsi daya secara konsisten, membuktikan bahwa sistem pemantauan berbasis IoT berhasil meningkatkan efisiensi.
• Manajemen pabrik memutuskan untuk mengganti dua kompresor lama dengan model baru yang mendukung IoT, sebagai bagian dari strategi peningkatan keandalan jangka panjang.

Kesimpulan & Implikasi Industri

Framework berbasis IoT yang dikembangkan dalam penelitian ini terbukti mampu meningkatkan keandalan sistem udara terkompresi, mengurangi biaya operasional, dan meningkatkan efisiensi energi.

Dampak utama dalam industri:

1. Manufaktur yang lebih berkelanjutan, dengan pengurangan pemborosan energi.
2. Otomasi perawatan prediktif, mengurangi risiko kegagalan mendadak.
3. Pengambilan keputusan berbasis data, memungkinkan investasi yang lebih strategis dalam peralatan industri.

Rekomendasi & Arah Penelitian Masa Depan

• Integrasi lebih lanjut dengan AI & Machine Learning untuk analisis prediktif yang lebih akurat.
• Pengembangan model IoT untuk sistem pendukung lainnya, seperti sistem pendinginan dan distribusi listrik.
• Optimasi algoritma kontrol kompresor untuk mengurangi konsumsi energi lebih lanjut.

Sumber : Robert Jakobson (2018). IoT Based Framework for Compressed Air System Management in O-I Production Estonia AS. Master’s Thesis, Tallinn University of Technology, Estonia.