Pendahuluan
Dalam sistem distribusi energi modern, stasiun reduksi tekanan gas alam (natural gas pressure reduction station) memegang peranan penting dalam memastikan pasokan gas yang stabil, aman, dan efisien ke berbagai sektor—mulai dari rumah tangga hingga industri besar. Kegagalan di titik ini dapat memicu konsekuensi besar, mulai dari ledakan hingga gangguan masif dalam rantai pasok energi.
Studi yang dilakukan oleh Ali Karimi, Esmaeil Zarei, dan Rajabali Hokmabadi (2022) dalam jurnal International Journal of Reliability, Risk and Safety mengusulkan pendekatan evaluasi keandalan berbasis data historis dan simulasi Monte Carlo (MCS), diperkuat dengan pemodelan penyebab kegagalan melalui Bayesian Network (BN). Kombinasi metodologi ini menjanjikan evaluasi yang lebih akurat, fleksibel, dan realistis.
Tantangan Keandalan dalam Infrastruktur Gas Alam
Stasiun reduksi tekanan merupakan fasilitas vital dalam sistem pipa gas. Di sinilah tekanan tinggi dari jaringan utama diturunkan ke tingkat yang aman untuk konsumsi akhir. Namun, stasiun ini terdiri dari berbagai komponen kompleks seperti:
- Separator filter
- Dry gas filter
- Heater
- Pressure regulator
- Shut-off valve
- Safety valve
Kesalahan tunggal dalam salah satu komponen ini dapat menyebabkan overpressure, kebocoran, atau bahkan kegagalan sistem yang berpotensi fatal. Maka, penting dilakukan analisis keandalan menyeluruh.
Metodologi Penelitian: Integrasi Data Historis, BN, dan MCS
Tahapan Utama:
- Pemahaman struktur sistem melalui flowchart dan diagram blok.
- Pembangunan model struktur berbasis Bayesian Network (BN) untuk memetakan keterkaitan antar komponen.
- Pengumpulan data kegagalan dari 2018–2021 berdasarkan laporan pemeliharaan.
- Penentuan fungsi distribusi waktu antar kegagalan menggunakan EasyFit dan uji Kolmogorov-Smirnov (K-S).
- Penentuan logika struktur sistem (parallel, seri-paralel).
- Simulasi keandalan dengan Monte Carlo hingga 7.000 iterasi untuk konvergensi nilai.
Distribusi Probabilitas yang Digunakan
Berdasarkan pengujian K-S, distribusi yang cocok untuk tiap komponen meliputi:
- Lognormal (3P): untuk separator filter, dry gas filter, beberapa regulator
- Gamma: untuk separator filter kedua
- Exponential: untuk heater 1
- Normal: untuk shut-off valve
Distribusi ini digunakan untuk membangkitkan bilangan acak selama simulasi MCS.
Temuan Utama: Angka Keandalan dan Titik Kritis Sistem
Hasil Keandalan Subkomponen:
- Dry gas filter: 0.9972
- Heater: 0.9992
- Pressure reduction units: rata-rata 0.9831
- Separator: 0.951
Keandalan Sistem Secara Keseluruhan:
Berdasarkan struktur sistem dan rumus kombinasi seri-paralel, keandalan keseluruhan stasiun ditentukan sebesar 0.93.
Studi Iterasi: Efek Jumlah Simulasi
- Pada separator filter 1, nilai keandalan mulai konvergen setelah 5.000 iterasi.
- Nilai keandalan stabil di kisaran 0.70735–0.7078.
Artinya, simulasi dengan 5.000 iterasi sudah cukup merepresentasikan kondisi nyata dengan akurasi tinggi.
Interpretasi dan Implikasi Praktis
Titik Lemah Sistem
- Komponen separator filter dan pressure regulator menjadi titik paling kritis karena memiliki nilai keandalan terendah.
- Kegagalan sistem penyaringan dan pengatur tekanan dapat memicu lonjakan tekanan dan berujung pada kecelakaan besar.
Solusi Disarankan:
- Penambahan komponen redundan (redundancy) untuk regulator dan filter.
- Program pemeliharaan terjadwal berdasarkan distribusi probabilitas dan data kegagalan aktual.
- Pemodelan prediktif ke depan dengan MCMC (Monte Carlo–Markov Chain) untuk mempertimbangkan perubahan laju kegagalan seiring waktu.
Kelebihan dan Nilai Tambah Pendekatan BN + MCS
Keunggulan:
- BN mampu memvisualisasikan keterkaitan penyebab kegagalan, mendukung analisis akar masalah.
- MCS memberikan rentang hasil probabilistik, bukan hanya nilai tunggal.
- Dapat menangani sistem berdimensi besar dengan ketidakpastian tinggi.
- Menyediakan dasar untuk pengambilan keputusan berbasis risiko.
Banding dengan Studi Sebelumnya:
- Zarei et al. (2017) juga menemukan bahwa kegagalan sektor pengatur tekanan adalah skenario terburuk, sejalan dengan hasil studi ini.
- Hasil distribusi lognormal juga konsisten dengan kajian oleh Heydari (2015) dan Hosseini (2011), menunjukkan ketidakteraturan distribusi waktu kegagalan.
Kritik dan Rekomendasi
Kelemahan Studi:
- Tidak memperhitungkan efek lingkungan seperti suhu ekstrem atau korosi pipa.
- Tidak mencakup validasi hasil dengan sistem nyata atau data lapangan terkini.
- Tidak menggunakan model prediktif berbasis machine learning.
Saran Pengembangan:
- Gunakan MCMC untuk memperhitungkan umur dan wear-out komponen.
- Integrasi dengan IoT dan sensor real-time untuk pembaruan data kegagalan.
- Terapkan pada sistem tekanan tinggi dan stasiun distribusi lain untuk validasi silang.
Kesimpulan
Penelitian ini berhasil menunjukkan bahwa kombinasi antara Bayesian Network dan Monte Carlo Simulation adalah pendekatan kuat dan fleksibel untuk mengevaluasi keandalan sistem distribusi gas bertekanan. Dengan hasil kuantitatif yang jelas (keandalan total 0.93) dan pemetaan titik kritis sistem, pendekatan ini sangat berguna dalam meningkatkan resiliensi infrastruktur energi.
Dalam menghadapi tantangan keamanan energi, pendekatan berbasis data ini dapat dijadikan standar baru dalam desain, pengoperasian, dan pemeliharaan stasiun tekanan gas di masa depan.
Sumber: Karimi, A., Zarei, E., & Hokmabadi, R. (2022). Reliability assessment on natural gas pressure reduction stations using Monte Carlo simulation (MCS). International Journal of Reliability, Risk and Safety, 5(1), 29–36. https://doi.org/10.30699/IJRRS.5.1.4