Pendahuluan: Kenapa Keandalan Itu Penting?
Dalam era industri 4.0, gangguan sekecil apapun dalam sistem produksi bisa berdampak signifikan terhadap efisiensi dan profitabilitas. Maka tak mengherankan jika penilaian keandalan (reliability) menjadi krusial, bukan hanya dari sisi teknis, tetapi juga sebagai alat strategis dalam pengambilan keputusan.
Penelitian yang dilakukan oleh Aslain Brisco Ngnassi Djami dkk. dan diterbitkan pada Open Journal of Applied Sciences edisi Maret 2024, mengangkat pendekatan probabilistik berbasis Simulasi Monte Carlo dan Rantai Markov dalam mengevaluasi keandalan sistem produksi. Penelitian ini menjadi semakin relevan ketika sistem semakin kompleks dan ketidakpastian menjadi tantangan utama.
Tujuan & Metodologi Penelitian
Tujuan Utama
Mengukur tingkat keandalan sistem produksi dalam tiga kondisi:
- Beroperasi normal (tanpa gangguan)
- Kegagalan parsial
- Kegagalan total
Tujuannya bukan hanya sekadar "menghitung peluang rusak", tetapi menyajikan gambaran lengkap siklus hidup sistem serta merumuskan strategi peningkatan keandalan berbasis data.
Metodologi
Pendekatan penelitian menggabungkan:
- Rantai Markov homogen untuk memodelkan perubahan status sistem seiring waktu.
- Simulasi Monte Carlo untuk melakukan estimasi probabilistik dengan data acak (pseudo-random).
- Parameter empirik seperti waktu antar kerusakan (TBF), MTBF, dan laju kegagalan.
Dengan 90 iterasi simulasi selama 90 tahun, sistem dipantau dari kondisi awal tanpa gangguan hingga mencapai keadaan stasioner.
Studi Kasus: Sistem Produksi Riil
Sebagai studi kasus, penulis menggunakan data historis 12 bulan waktu operasi (TBF) dari sistem produksi aktual, dengan total jam operasi: 5.532 jam. Hasilnya:
- MTBF (Mean Time Between Failures) = 461 jam
- Laju Kegagalan λ = 0,00217/jam
Dengan data tersebut, distribusi eksponensial digunakan sebagai model dasar probabilitas, memperkuat validitas matematis dalam pendekatan Markovian.
Analisis & Temuan Kunci
1. Reliabilitas Menurun Secara Bertahap
Dari iterasi ke-1 hingga ke-90:
- Reliabilitas turun dari 0,99783 → 0,82680
- Menunjukkan bahwa walaupun sistem cukup handal pada awalnya, degradasi tetap terjadi perlahan.
Catatan: Penurunan ini melambat setelah iterasi ke-87, yang menunjukkan sistem mendekati steady state. Ini penting dalam perencanaan umur sistem dan jadwal perawatan.
2. Probabilitas Kegagalan Meningkat
- Sejalan dengan turunnya reliabilitas, probabilitas kegagalan meningkat dari 0,00217 → 0,17320 dalam 90 tahun simulasi.
- Ini mencerminkan pentingnya strategi preventive maintenance.
3. Densitas Probabilitas Kegagalan Stabil
- f(n) stabil pada kisaran 0.00216–0.00179, mencerminkan bahwa meskipun risiko bertambah, pola sebarannya bisa diprediksi.
4. Statistik Valid & Andal
Dengan koefisien variasi < 6% untuk seluruh variabel (R(n), F(n), f(n)), data simulasi tergolong andal berdasarkan standar Canadian Safety Survey 2005.
Rekomendasi Praktis dari Peneliti
Penulis tidak berhenti pada teori, tetapi menawarkan solusi aplikatif:
- Inspeksi Harian untuk mendeteksi anomali lebih awal.
- Penggantian komponen yang rusak dengan versi lebih andal.
- Pemeliharaan preventif terjadwal, termasuk pemantauan tren kerusakan.
- Kepatuhan pada program perawatan rutin, agar sistem tetap dalam kondisi optimal.
Ini sejalan dengan tren industri saat ini yang bergerak ke arah Predictive Maintenance (PdM) dan Maintenance 4.0.
Perbandingan dengan Penelitian Lain
Sebagai pembanding, pendekatan Monte Carlo juga digunakan dalam penelitian Billinton & Allan (1992) untuk evaluasi keandalan sistem kelistrikan. Namun, kelebihan dari paper ini adalah pada:
- Penyesuaian terhadap sistem produksi riil, bukan sistem pembangkitan daya.
- Integrasi graf status Markov yang memvisualisasi transisi antar kondisi sistem.
Di sisi lain, kelemahannya adalah tidak mencakup perhitungan downtime cost atau dampak finansial langsung dari setiap kondisi kegagalan. Ini bisa menjadi ruang eksplorasi lebih lanjut.
Implikasi Industri & Trend Masa Depan
Relevansi di Dunia Nyata
Dalam industri manufaktur, downtime peralatan bisa mengakibatkan:
- Kehilangan produktivitas > 20%
- Biaya operasional membengkak hingga jutaan dolar/tahun
Pendekatan dalam paper ini dapat menjadi:
- Dasar analisis untuk penjadwalan perawatan
- Bahan baku dalam sistem digital twin
- Input bagi sistem AI-based predictive analytics
Integrasi ke Transformasi Digital
Dengan sistem IoT dan sensor modern, data real-time dapat menggantikan data historis untuk menyuplai simulasi Monte Carlo secara live streaming. Ini membuka peluang menuju zero-downtime manufacturing.
Kritik & Opini Penulis
Paper ini solid secara teknis dan berhasil menjelaskan kerangka kerja reliabilitas dengan sangat sistematis. Namun:
- Kurangnya pendekatan biaya menjadikan hasilnya lebih bersifat teknis dibanding ekonomis.
- Simulasi dilakukan selama 90 tahun, yang secara praktis terlalu panjang untuk siklus hidup kebanyakan sistem industri. Akan lebih realistis jika simulasi dilakukan dalam rentang 10–20 tahun dan disesuaikan dengan masa pakai mesin.
Namun demikian, metode yang digunakan sangat adaptif dan dapat diterapkan di berbagai sektor, mulai dari industri manufaktur, migas, hingga sistem transportasi cerdas.
Kesimpulan: Kenapa Paper Ini Layak Diadopsi?
Artikel ini menawarkan pendekatan kuantitatif, praktis, dan scalable untuk mengevaluasi dan meningkatkan keandalan sistem produksi. Di tengah tekanan pasar dan kompleksitas sistem modern, metode seperti ini bukan lagi pilihan, tetapi kebutuhan.
- Bagi pelaku industri, ini adalah alat perencanaan preventif.
- Bagi akademisi, ini contoh integrasi model stokastik dan simulasi.
- Bagi pengambil keputusan, ini dasar penghitungan ROI dari kegiatan perawatan.
Sumber Referensi
Penelitian yang diulas:
Ngnassi Djami, A. B., Samon, J. B., Ousman, B., Nguelcheu, U. N., Nzié, W., Ntamack, G. E., & Kenmeugne, B. (2024). Evaluation of the Reliability of a System: Approach by Monte Carlo Simulation and Application. Open Journal of Applied Sciences, 14, 721–739. https://doi.org/10.4236/ojapps.2024.143051