Analisis Keandalan Sistem Dinamika Linear dengan Teknik Monte Carlo Penting-Terpisah.

Dipublikasikan oleh Ririn Khoiriyah Ardianti

27 Mei 2025, 08.02

pexels.com

Pendahuluan: Evolusi Analisis Keandalan di Era Kompleksitas Sistem Dinamis

Di tengah tuntutan rekayasa modern yang semakin menuntut efisiensi dan ketepatan, analisis keandalan (reliability analysis) memainkan peran krusial. Dalam tesis bertajuk "Reliability Analysis of Linear Dynamic Systems by Importance Sampling-Separable Monte Carlo Technique" oleh Badal Thapa (University of Toledo, 2020), penulis memperkenalkan pendekatan baru berbasis kombinasi dua metode simulasi stokastik: Importance Sampling (IS) dan Separable Monte Carlo (SMC). Metode ini dirancang untuk meningkatkan efisiensi dan akurasi dalam menghitung probabilitas kegagalan pada sistem linier yang mengalami beban acak dinamis.

Latar Belakang: Mengapa Perlu Pendekatan Probabilistik?

Tradisi teknik mesin konvensional kerap mengandalkan faktor keamanan (factor of safety) untuk menangani ketidakpastian. Namun, pendekatan ini terbatas karena tidak memperhitungkan sifat stokastik dari material, geometri, dan beban. Sebaliknya, pendekatan probabilistik memberikan gambaran kuantitatif tentang risiko kegagalan dan memungkinkan perancangan yang lebih hemat dan andal.

Khusus dalam sistem dinamis, di mana eksitasi berubah terhadap waktu dan bersifat acak (misalnya akibat gempa atau beban angin), analisis keandalan menjadi jauh lebih kompleks. Oleh karena itu, diperlukan pendekatan berbasis waktu dan simulasi untuk menghitung kemungkinan "first excursion failure"—yakni ketika respons struktur melebihi ambang batas yang ditentukan.

Simulasi Monte Carlo: Akurat tapi Mahal

Simulasi Monte Carlo (MCS) adalah metode standar dalam menghitung probabilitas kegagalan, terutama untuk sistem stokastik nonlinier. Namun, metode ini memiliki kelemahan besar: membutuhkan jutaan iterasi untuk mencapai akurasi yang dapat diandalkan. Sebagai contoh, dalam studi ini, MCS pada model 10-bar truss memerlukan hingga 1 juta replikasi untuk menghitung probabilitas kegagalan dengan threshold tertentu.

Problem nyata:

  • Untuk nilai probabilitas kegagalan 10^-4, MCS butuh >1 juta sampel.
  • COV (Coefficient of Variation) >0.1 membuat estimasi kurang stabil.
  • Waktu komputasi tinggi, terutama jika sistem dianalisis menggunakan model elemen hingga (FEA).

Importance Sampling (IS): Fokus pada Area Kritis

IS bekerja dengan mengarahkan sampel ke area di mana kegagalan lebih mungkin terjadi. Teknik ini menggunakan distribusi sampling yang berbeda dari distribusi asli, lalu menyesuaikan hasilnya melalui likelihood ratio untuk menjaga unbiasedness.

Kelebihan:

  • Mengurangi jumlah iterasi dibanding MCS.
  • Efisien untuk peristiwa langka (rare events).

Namun, IS memiliki keterbatasan ketika sistem memerlukan banyak evaluasi fungsi performa, misalnya dalam dinamika struktur dengan beban acak.

Separable Monte Carlo (SMC): Hemat dengan Resampling

SMC bekerja dengan membangun basis data dari respons sistem terhadap sejumlah frekuensi acak yang ditarik dari PSD (Power Spectral Density). Frekuensi dan respons ini disimpan, lalu digabungkan ulang (resampling) untuk membentuk realisasi baru.

Manfaat:

  • Menghemat waktu karena tidak perlu menghitung respons baru di setiap iterasi.
  • Sangat efisien untuk sistem linier.

Namun, akurasinya terbatas karena tidak mempertimbangkan kemungkinan bias akibat sampling yang kurang representatif.

IS-SMC: Inovasi Kombinasi untuk Efisiensi Maksimal

Thapa mengusulkan metode gabungan IS-SMC, yang mengombinasikan keunggulan IS dalam efisiensi sampling dan keunggulan SMC dalam penghematan komputasi. Dalam pendekatan ini:

  • Sampling dilakukan terhadap frekuensi berdasarkan sampling PSD.
  • Respon sistem dihitung dan disimpan di database.
  • Kombinasi frekuensi diambil ulang untuk simulasi.
  • Likelihood ratio diterapkan untuk menjaga estimasi tidak bias.

Hasilnya: estimasi probabilitas kegagalan yang lebih cepat dan lebih akurat.

Studi Kasus: 10-Bar Truss dan Evaluasi Kuantitatif

Model numerik yang digunakan adalah truss 10 batang (10-bar truss), sistem linier yang sering digunakan dalam validasi algoritma reliabilitas. Beban eksitasi acak diberikan dalam bentuk proses Gaussian stasioner dengan spektrum energi tertentu.

Hasil perbandingan metode:

  • MCS (1 juta rep): Probabilitas kegagalan ~2,49E-04; waktu sangat lama.
  • IS (10.000 rep): Probabilitas ~2,62E-04; COV ~0.06.
  • SMC (500.000 rep): Probabilitas ~2,55E-04.
  • IS-SMC (500.000 rep): Probabilitas ~2,57E-04; COV lebih kecil; waktu komputasi tercepat.

Dari sini, terlihat bahwa IS-SMC memberikan hasil mendekati MCS dengan akurasi tinggi namun dengan waktu komputasi jauh lebih rendah.

Kelebihan dan Relevansi Industri

Metode IS-SMC menawarkan keunggulan nyata dalam:

  • Desain struktur: Memberikan tool efisien untuk insinyur sipil dan mesin.
  • Simulasi kendaraan: Sistem suspensi, getaran struktur pesawat.
  • Energi dan offshore: Untuk struktur penahan gelombang dan beban angin.

Saat ini, di tengah meningkatnya penggunaan FEA dan analitik prediktif dalam digital twin dan pemeliharaan prediktif, metode ini bisa menjadi bagian penting dari toolkit keandalan.

Kritik dan Saran Pengembangan

Meskipun IS-SMC menjanjikan, beberapa kritik perlu diajukan:

  • Terbatas untuk sistem linier: Perlu dikaji untuk sistem nonlinier.
  • Ketergantungan pada bentuk PSD: Efektivitas tergantung pada representasi spektral eksitasi.
  • Validasi eksperimental: Belum diuji dalam kasus lapangan nyata atau pengukuran laboratorium.

Rekomendasi:

  • Mengembangkan IS-SMC untuk sistem nonlinear.
  • Integrasi dengan data real-time dari sensor IoT untuk digital twin.
  • Penambahan adaptivitas sampling untuk efisiensi lebih lanjut.

Kesimpulan: Menuju Simulasi Reliabilitas yang Cerdas dan Efisien

Tesis ini berhasil membuktikan bahwa kombinasi metode Importance Sampling dan Separable Monte Carlo mampu memberikan efisiensi waktu komputasi dan keakuratan tinggi dalam estimasi probabilitas kegagalan sistem linier dinamis. Dengan pendekatan ini, perhitungan reliabilitas tidak lagi menjadi proses yang memakan waktu dan sumber daya besar, tetapi dapat diintegrasikan ke dalam sistem perancangan dan pemeliharaan secara real-time.

Metode ini menjadi pionir menuju simulasi reliabilitas generasi berikutnya yang lebih cerdas, efisien, dan aplikatif dalam berbagai bidang teknik.

Sumber:

Thapa, Badal. Reliability Analysis of Linear Dynamic Systems by Importance Sampling-Separable Monte Carlo Technique. Master’s Thesis. The University of Toledo, 2020. https://www.proquest.com/openview/158613771