Cara Efektif Memprediksi Performa Sistem Produksi: Model EPT sebagai Solusi Agregat yang Akurat dan Hemat

Dalam industri manufaktur modern, terutama yang bergerak di bidang otomotif dan semikonduktor, menyeimbangkan antara efisiensi, akurasi, dan prediktabilitas adalah tantangan utama. Sistem produksi semakin kompleks, dan alat bantu tradisional seperti simulasi diskrit atau model antrian seringkali terlalu rumit atau memerlukan input data yang sangat besar. Di sinilah peran dari EPT (Effective Process Time) menjadi revolusioner.

Makalah disertasi karya Adrianus Arnoldus Antoinetta Kock dari Technische Universiteit Eindhoven ini memperkenalkan dan mengembangkan pendekatan EPT sebagai kerangka agregasi model untuk menganalisis dan memprediksi performa sistem manufaktur dengan akurat namun lebih sederhana. Artikel ini akan membahas konsep EPT, cara implementasinya, serta studi kasus riil di industri otomotif dan pabrik lampu.

Mengapa EPT Dibutuhkan?

EPT mengacu pada waktu efektif yang dikonsumsi oleh sebuah lot di workstation, termasuk seluruh gangguan seperti downtime mesin, setup, atau keterlambatan operator. Pendekatan ini memungkinkan pengukuran distribusi waktu proses hanya dari data kedatangan dan keberangkatan lot, tanpa harus mengetahui semua penyebab keterlambatan secara detail.

Kelebihan utama EPT:

• Mengurangi kompleksitas model
• Mengurangi kebutuhan data input
• Cocok untuk simulasi maupun model analitik
• Bisa diukur langsung dari sistem industri nyata

Model Tradisional vs. Pendekatan EPT

Pendekatan EPT-Agregat (Effective Property Theory) menawarkan solusi yang seimbang antara kompleksitas model dan kebutuhan aplikatif industri, terutama jika dibandingkan dengan model analitik tradisional dan simulasi diskrit. Model analitik tradisional cenderung menggunakan asumsi yang ketat, memiliki kebutuhan data yang minimal, serta sangat ringan secara komputasi, namun fleksibilitasnya rendah dan realismenya terbatas, sehingga kurang cocok untuk menangani variasi kondisi nyata di lapangan. Sebaliknya, simulasi diskrit seperti metode elemen hingga sangat realistis dan fleksibel, namun membutuhkan data sangat banyak dan sumber daya komputasi yang besar, yang seringkali tidak efisien untuk implementasi praktis. Di sisi lain, pendekatan EPT-Agregat berhasil menggabungkan keunggulan keduanya—tidak bergantung pada asumsi ketat, memerlukan data yang relatif sederhana, namun tetap fleksibel, ringan secara komputasi, dan realistis dalam konteks industri. Inilah yang menjadikan EPT sebagai alternatif unggulan dalam pemodelan material dan sistem teknik saat ini.

Studi Kasus 1: Lini Produksi Otomotif

Desain Sistem

• 5 workstations, masing-masing dengan 1 buffer dan 1 mesin
• Proses bersifat eksponensial dengan mean waktu proses 1.0
• Terdapat downtime karena kegagalan mesin: rata-rata setiap 7.5 satuan waktu
• Waktu perbaikan mesin: rata-rata 2 satuan waktu

Hasil Pengukuran:

• Rata-rata EPT: 1.13
• Koefisien variasi (CV²): 1.42
• Offset EPT: 0.0 (karena distribusi eksponensial)

Hasil Validasi Model EPT:

• Throughput asli: 0.495
• Throughput model EPT: 0.491 → selisih hanya 0.81%
• Flow time asli: 14.15
• Flow time model EPT: 14.26 → selisih 0.77%

Kesimpulan: Model EPT menghasilkan prediksi performa yang sangat akurat tanpa perlu simulasi rumit atau data detail.

Studi Kasus 2: Pabrik Lampu

Kondisi Pabrik:

• Variasi tinggi pada waktu setup dan transisi produk
• Dua tipe produk: A dan B dengan distribusi waktu proses berbeda

Penerapan EPT:

• Menggunakan distribusi gamma dengan offset untuk masing-masing tipe produk
• Diperlukan modeling eksplisit untuk offset dan skewness

Hasil:

• Akurasi throughput dan flow time berada dalam deviasi < 3%
• Model tetap efisien meski kompleksitas tinggi

Fitur Penting dari EPT Modeling

1. Offset sebagai Parameter Kritis

• Untuk pekerjaan seperti pengeboran atau coating, ada waktu proses minimum (offset)
• Simulasi menunjukkan bahwa perubahan offset dari 0.0 ke 0.9 dapat meningkatkan throughput hingga 50% dan mengurangi flow time 21%

2. Akurasi Tinggi pada Buffer Kecil

• EPT efektif bahkan pada sistem dengan buffer terbatas yang memiliki blocking dan starvation
• Model ini juga memfasilitasi identifikasi bottleneck dengan parameter tet_e dan cec_e

Model Hybrid: Kombinasi Detail dan Agregat

Studi Kasus Litho Cell (Semikonduktor):

• Bagian track dan scanner dimodelkan secara detail
• Lingkungan eksternal (loading, antrian, delay) dimodelkan sebagai delay agregat berbasis EPT

Hasil:

• Akurasi estimasi waktu alir: error hanya 8%
• Prediksi throughput: deviasi 2.6%

Model hybrid ini menunjukkan fleksibilitas tinggi dari pendekatan EPT dalam berbagai level kompleksitas manufaktur.

Simulasi Multi-Skenario & Validasi Model

Simulasi dilakukan untuk 4 skenario:

1. Lini tunggal berurutan
2. Lini pendek dengan server paralel
3. Lini 4 paralel → meniru workstation litho cell
4. Workstation dengan server paralel

Hasil:

• Model EPT jauh lebih akurat dibandingkan model antrian standar G/G/m
• Memberikan akurasi flow time yang sangat dekat dengan kenyataan di lapangan

Kritik dan Perbandingan dengan Model Sebelumnya

Kelebihan:

• Tidak perlu mengukur downtime, setup, dan gangguan satu per satu
• Cocok untuk penerapan langsung di industri dengan data sederhana
• Fleksibel, bisa untuk simulasi maupun model analitik

Kekurangan:

• Tidak menangkap perubahan performa mesin secara dinamis (misal degradasi alat)
• Kurang efektif jika tidak ada data arrival-departure yang teratur
• Butuh keterampilan statistik untuk fitting distribusi EPT

Opini dan Implikasi Industri

EPT bukan hanya metode teknis, melainkan pendekatan strategis. Dengan tantangan global seperti Just-In-Time, tekanan efisiensi energi, dan keterbatasan SDM teknis, EPT memberikan pendekatan ringan, akurat, dan fleksibel untuk manajemen manufaktur.

Sistem manufaktur masa depan harus adaptif, data-driven, dan hemat energi. Dengan EPT, industri bisa mendapatkan model performa yang realistis tanpa harus membangun sistem simulasi besar-besaran.

Kesimpulan: Masa Depan Efisiensi Dimulai dari EPT

EPT terbukti menjadi metode efektif untuk mengukur, menganalisis, dan memprediksi performa sistem produksi. Dengan hanya menggunakan data operasional dasar, pendekatan ini mampu memberikan prediksi throughput dan waktu alir dengan akurasi tinggi. Untuk industri yang ingin bergerak cepat namun tetap akurat, EPT adalah solusi strategis.

Sumber : Adrianus Arnoldus Antoinetta Kock. Effective Process Times for Aggregate Modeling of Manufacturing Systems. Ph.D. Thesis, Technische Universiteit Eindhoven, 2008.

Mengapa Analisis Kegagalan Menjadi Kunci Keberhasilan Produk Elektronik Modern

Failure Analysis (FA) atau analisis kegagalan telah menjadi fondasi krusial dalam pengembangan dan produksi produk elektronik modern. Dalam dunia yang semakin terdigitalisasi, produk elektronik tak hanya menjadi bagian dari kebutuhan teknologi, tetapi juga menjadi tulang punggung berbagai sektor industri—dari pertahanan, medis, otomotif, hingga rumah tangga. Ketika perangkat elektronik mengalami kerusakan, mengetahui “mengapa” jauh lebih penting daripada hanya mengganti komponen. Artikel ini membahas bagaimana FA dilakukan, teknik terkini, studi kasus nyata, serta tren masa depan yang akan menentukan arah industri elektronik.

Apa Itu Analisis Kegagalan?

Analisis kegagalan adalah proses ilmiah untuk mengidentifikasi penyebab utama dari kegagalan suatu perangkat atau sistem. Tujuannya bukan hanya memperbaiki kerusakan, tetapi juga mencegah kerusakan yang sama terulang kembali. Dalam produk berkeandalan tinggi, seperti sistem navigasi pesawat atau alat medis, FA sangat vital karena satu komponen yang gagal bisa berakibat fatal.

Dari Mikroskop Hingga Laser: Teknik FA Terkini

Teknik analisis kegagalan telah berkembang dari sekadar inspeksi visual menjadi pendekatan multidisipliner dengan alat canggih bernilai ratusan ribu dolar. Beberapa teknik populer meliputi:

• X-ray & Scanning Acoustic Microscopy (SAM)
  Digunakan untuk menemukan retakan internal atau rongga udara tanpa membongkar komponen.
• Focused Ion Beam (FIB) & Scanning Electron Microscope (SEM)
  Digunakan untuk menyelidiki struktur mikro komponen hingga tingkat nanometer.
• LIVA (Light-Induced Voltage Alteration)
  Teknik baru yang memungkinkan pendeteksian sambungan sirkuit yang rusak dengan ketelitian tinggi, bahkan dari sisi belakang IC.
• Laser Ablation & CrossBeam Technology
  Digunakan untuk membuka kapsul plastik IC tanpa merusak bagian dalam dan mengamati cacat secara real time.

🔍 Studi Kasus:
Teknik laser ablation digunakan untuk membuka kapsul perangkat DIL plastik tanpa merusak silikon. Meskipun efisien, teknik ini menimbulkan tantangan termal yang perlu dimitigasi. Studi menunjukkan cara mengendalikan artefak listrik untuk hasil observasi yang lebih akurat.

FA dalam Siklus Produk: Dari Desain hingga Penggunaan

Kegagalan dapat terjadi pada berbagai fase, termasuk:

1. Desain awal
   Misalnya, pemilihan bahan yang tidak tahan terhadap lingkungan target.
2. Proses manufaktur
   Seperti kesalahan pengelasan atau pemasangan komponen yang buruk.
3. Lingkungan operasional
   Suhu ekstrem, kelembaban tinggi, atau interferensi elektromagnetik.
4. Usia perangkat
   Ditandai dengan fenomena bathtub curve, di mana kegagalan sering terjadi di awal atau akhir masa pakai komponen.

🔢 Data Menarik:
Dalam sistem elektronik canggih, seperti System-on-Chip (SoC) atau System-in-Package (SiP), kompleksitas desain bisa mencapai 500 juta gerbang logika (gates). Ini memerlukan pendekatan FA yang lebih holistik dan kolaboratif antardisiplin.

Lebih dari Moore: Tantangan Masa Depan FA

Miniaturisasi dan Diversifikasi

Moore’s Law mendorong integrasi transistor yang semakin tinggi—dari 130 nm hingga 22 nm. Namun tantangan FA bukan hanya pada miniaturisasi (“More Moore”), tetapi juga pada diversifikasi fungsi chip (“More than Moore”). Ini termasuk:

• Biochip
• Sensor tekanan atau suhu
• Sirkuit analog dengan sensitivitas tinggi
• Perangkat RF dan daya tinggi

FA di Era Nano

Dengan munculnya nanoteknologi, mekanisme kegagalan pada skala nano berbeda signifikan dibandingkan mikro. Teknik FA konvensional harus disesuaikan. Bahan organik yang kini mulai digunakan dalam IC, seperti dalam perangkat wearable atau IoT, menghadirkan tantangan baru dalam mendeteksi kegagalan karena sifatnya yang tidak stabil dan cepat terdegradasi.

Praktik Terbaik dalam Analisis Kegagalan

1. Kumpulkan data sebelum komponen dilepas
   Misalnya, dokumentasi visual dari berbagai sudut.
2. Lakukan pengujian elektrik terlebih dahulu
   Seperti curve tracing untuk mengecek I-V input.
3. Gunakan pendekatan invasif bila perlu
   Seperti decapsulation, infrared microscopy, atau EDS untuk identifikasi elemen.
4. Kolaborasi dengan vendor
   Sebelum menyimpulkan bahwa komponen yang rusak, cek apakah interface eksternal menjadi penyebab.

Manfaat Strategis FA Bagi Industri

• Meningkatkan keandalan produk:
  Produk dengan FA terintegrasi dalam proses pengembangannya cenderung lebih tahan lama.
• Efisiensi biaya jangka panjang:
  Mengurangi garansi, klaim pengembalian produk, dan kerugian reputasi.
• Mempercepat time-to-market:
  Dengan FA, masalah desain dapat terdeteksi lebih awal, mempercepat iterasi prototipe.
• Peningkatan daya saing:
  Perusahaan dengan proses FA yang matang lebih mampu menjawab tantangan pasar.

Kritik & Komparasi

FA kini bukan lagi sekadar tindakan reaktif, tapi harus dirancang sejak tahap desain melalui konsep "Design for Testability" dan "Design for Analysis". Namun, masih banyak organisasi yang memandang FA sebagai beban tambahan dibandingkan sebagai investasi jangka panjang. Ini kontras dengan pendekatan proaktif di industri pertahanan dan medis.

✏️ Opini:
Industri yang mengabaikan FA cenderung mengulang kesalahan yang sama. Sedangkan perusahaan yang mengintegrasikan FA sejak awal meraih keunggulan kompetitif melalui kualitas dan keandalan.

Kesimpulan: FA adalah Masa Depan Elektronik

Analisis kegagalan telah berevolusi menjadi sains multidisiplin yang vital dalam era kompleksitas teknologi tinggi. Dengan meningkatnya kebutuhan akan miniaturisasi dan keandalan, kemampuan untuk memahami dan mencegah kegagalan menjadi keunggulan strategis. FA bukan sekadar memperbaiki; FA adalah strategi untuk berinovasi, efisiensi, dan menjaga reputasi.

Sumber : Titu-Marius I. Băjenescu & Marius I. Bâzu. Failure Analysis in Development, Manufacturing and Utilization of a New Electronic Product. Recommended for publication: 21.02.2017.

Mengapa Analisis Kegagalan Menjadi Kunci Keberhasilan Produk Elektronik Modern

Failure Analysis (FA) atau analisis kegagalan telah menjadi fondasi krusial dalam pengembangan dan produksi produk elektronik modern. Dalam dunia yang semakin terdigitalisasi, produk elektronik tak hanya menjadi bagian dari kebutuhan teknologi, tetapi juga menjadi tulang punggung berbagai sektor industri—dari pertahanan, medis, otomotif, hingga rumah tangga. Ketika perangkat elektronik mengalami kerusakan, mengetahui “mengapa” jauh lebih penting daripada hanya mengganti komponen. Artikel ini membahas bagaimana FA dilakukan, teknik terkini, studi kasus nyata, serta tren masa depan yang akan menentukan arah industri elektronik.

Apa Itu Analisis Kegagalan?

Analisis kegagalan adalah proses ilmiah untuk mengidentifikasi penyebab utama dari kegagalan suatu perangkat atau sistem. Tujuannya bukan hanya memperbaiki kerusakan, tetapi juga mencegah kerusakan yang sama terulang kembali. Dalam produk berkeandalan tinggi, seperti sistem navigasi pesawat atau alat medis, FA sangat vital karena satu komponen yang gagal bisa berakibat fatal.

Dari Mikroskop Hingga Laser: Teknik FA Terkini

Teknik analisis kegagalan telah berkembang dari sekadar inspeksi visual menjadi pendekatan multidisipliner dengan alat canggih bernilai ratusan ribu dolar. Beberapa teknik populer meliputi:

• X-ray & Scanning Acoustic Microscopy (SAM)
  Digunakan untuk menemukan retakan internal atau rongga udara tanpa membongkar komponen.
• Focused Ion Beam (FIB) & Scanning Electron Microscope (SEM)
  Digunakan untuk menyelidiki struktur mikro komponen hingga tingkat nanometer.
• LIVA (Light-Induced Voltage Alteration)
  Teknik baru yang memungkinkan pendeteksian sambungan sirkuit yang rusak dengan ketelitian tinggi, bahkan dari sisi belakang IC.
• Laser Ablation & CrossBeam Technology
  Digunakan untuk membuka kapsul plastik IC tanpa merusak bagian dalam dan mengamati cacat secara real time.

🔍 Studi Kasus:
Teknik laser ablation digunakan untuk membuka kapsul perangkat DIL plastik tanpa merusak silikon. Meskipun efisien, teknik ini menimbulkan tantangan termal yang perlu dimitigasi. Studi menunjukkan cara mengendalikan artefak listrik untuk hasil observasi yang lebih akurat.

FA dalam Siklus Produk: Dari Desain hingga Penggunaan

Kegagalan dapat terjadi pada berbagai fase, termasuk:

1. Desain awal
   Misalnya, pemilihan bahan yang tidak tahan terhadap lingkungan target.
2. Proses manufaktur
   Seperti kesalahan pengelasan atau pemasangan komponen yang buruk.
3. Lingkungan operasional
   Suhu ekstrem, kelembaban tinggi, atau interferensi elektromagnetik.
4. Usia perangkat
   Ditandai dengan fenomena bathtub curve, di mana kegagalan sering terjadi di awal atau akhir masa pakai komponen.

🔢 Data Menarik:
Dalam sistem elektronik canggih, seperti System-on-Chip (SoC) atau System-in-Package (SiP), kompleksitas desain bisa mencapai 500 juta gerbang logika (gates). Ini memerlukan pendekatan FA yang lebih holistik dan kolaboratif antardisiplin.

Lebih dari Moore: Tantangan Masa Depan FA

Miniaturisasi dan Diversifikasi

Moore’s Law mendorong integrasi transistor yang semakin tinggi—dari 130 nm hingga 22 nm. Namun tantangan FA bukan hanya pada miniaturisasi (“More Moore”), tetapi juga pada diversifikasi fungsi chip (“More than Moore”). Ini termasuk:

• Biochip
• Sensor tekanan atau suhu
• Sirkuit analog dengan sensitivitas tinggi
• Perangkat RF dan daya tinggi

FA di Era Nano

Dengan munculnya nanoteknologi, mekanisme kegagalan pada skala nano berbeda signifikan dibandingkan mikro. Teknik FA konvensional harus disesuaikan. Bahan organik yang kini mulai digunakan dalam IC, seperti dalam perangkat wearable atau IoT, menghadirkan tantangan baru dalam mendeteksi kegagalan karena sifatnya yang tidak stabil dan cepat terdegradasi.

Praktik Terbaik dalam Analisis Kegagalan

1. Kumpulkan data sebelum komponen dilepas
   Misalnya, dokumentasi visual dari berbagai sudut.
2. Lakukan pengujian elektrik terlebih dahulu
   Seperti curve tracing untuk mengecek I-V input.
3. Gunakan pendekatan invasif bila perlu
   Seperti decapsulation, infrared microscopy, atau EDS untuk identifikasi elemen.
4. Kolaborasi dengan vendor
   Sebelum menyimpulkan bahwa komponen yang rusak, cek apakah interface eksternal menjadi penyebab.

Manfaat Strategis FA Bagi Industri

• Meningkatkan keandalan produk:
  Produk dengan FA terintegrasi dalam proses pengembangannya cenderung lebih tahan lama.
• Efisiensi biaya jangka panjang:
  Mengurangi garansi, klaim pengembalian produk, dan kerugian reputasi.
• Mempercepat time-to-market:
  Dengan FA, masalah desain dapat terdeteksi lebih awal, mempercepat iterasi prototipe.
• Peningkatan daya saing:
  Perusahaan dengan proses FA yang matang lebih mampu menjawab tantangan pasar.

Kritik & Komparasi

FA kini bukan lagi sekadar tindakan reaktif, tapi harus dirancang sejak tahap desain melalui konsep "Design for Testability" dan "Design for Analysis". Namun, masih banyak organisasi yang memandang FA sebagai beban tambahan dibandingkan sebagai investasi jangka panjang. Ini kontras dengan pendekatan proaktif di industri pertahanan dan medis.

✏️ Opini:
Industri yang mengabaikan FA cenderung mengulang kesalahan yang sama. Sedangkan perusahaan yang mengintegrasikan FA sejak awal meraih keunggulan kompetitif melalui kualitas dan keandalan.

Kesimpulan: FA adalah Masa Depan Elektronik

Analisis kegagalan telah berevolusi menjadi sains multidisiplin yang vital dalam era kompleksitas teknologi tinggi. Dengan meningkatnya kebutuhan akan miniaturisasi dan keandalan, kemampuan untuk memahami dan mencegah kegagalan menjadi keunggulan strategis. FA bukan sekadar memperbaiki; FA adalah strategi untuk berinovasi, efisiensi, dan menjaga reputasi.

Sumber : Titu-Marius I. Băjenescu & Marius I. Bâzu. Failure Analysis in Development, Manufacturing and Utilization of a New Electronic Product. Recommended for publication: 21.02.2017.

Pendahuluan: Inovasi Tak Lagi Opsional di Industri Farmasi

Industri farmasi dikenal sebagai bidang yang menuntut ketelitian ekstrem dan kualitas tak tergoyahkan. Namun di balik label "life-saving", sektor ini juga menghadapi tantangan besar—khususnya dalam konsistensi hasil produksi dan efisiensi biaya. Dalam tesis yang dilakukan oleh Bernardo Maria Fernandes Ferreira, diterapkan metode Six Sigma berbasis DMAIC dan analisis data multivariat (MVDA) guna meningkatkan hasil akhir (yield) dari produksi API generik Fluticasone Propionate (FP) di perusahaan farmasi Hovione, Portugal.

Latar Belakang Masalah

Proses produksi API Fluticasone Propionate di Hovione menunjukkan rata-rata yield 81,83% dalam periode Juli 2018 – Januari 2021, dengan fluktuasi sebesar 11%. Variasi ini berdampak langsung terhadap hilangnya minimal satu batch produk tiap tahun, setara dengan ratusan ribu euro kerugian dalam bentuk "missed opportunity".

Metodologi: Integrasi Six Sigma, DMAIC, dan MVDA

Proyek peningkatan ini menggunakan pendekatan:

• DMAIC (Define, Measure, Analyse, Improve, Control)
• MVDA (Multivariate Data Analysis)
• PLS (Partial Least Squares) dan PCA (Principal Component Analysis)
• SIMCA Software untuk eksplorasi data dan model prediktif

Langkahnya dimulai dari identifikasi masalah yield pada langkah akhir (FP), lalu ditelusuri variabel-variabel input dan proses dari batch historis untuk mengidentifikasi penyebab utama variabilitas tersebut.

Analisis Masalah (Define & Measure Phase)

Apa Masalahnya?

Variabilitas hasil pada langkah akhir (FP), dengan standar deviasi ±15,6%, menyebabkan kehilangan potensi pendapatan dan efisiensi produksi.

Seberapa Besar Masalahnya?

• Satu batch hilang per tahun
• Variasi yield memuncak hingga 30% antar batch
• Grafik regresi menunjukkan korelasi kuat antara variabel waktu proses dan hasil akhir (R² hingga 0,99 untuk model kuadratik)

Analisis Data (Analyse Phase)

1. Dampak Impuritas H dan G

• Impuritas H & G di intermediate 4 berkorelasi negatif signifikan terhadap yield FP
• Model PLS menunjukkan impuritas ini sebagai predictor dominan dari kegagalan yield

2. Variabel Proses Kritis

Analisis proses kristalisasi pada tahap FP memperlihatkan bahwa:

• Kecepatan penambahan antisolven, suhu akhir pendinginan, dan waktu agitasi memiliki kontribusi tertinggi terhadap variabilitas hasil
• Model statistik menunjukkan bahwa cooling dan antisolvent addition step adalah tahapan paling sensitif

3. Model Alternatif: Uji dengan "Assay"

Ketika variabel "yield" diganti dengan kemurnian (assay) sebagai respons:

• Hasil model tetap konsisten
• Validasi ini memperkuat temuan bahwa variabel proses memiliki pengaruh langsung terhadap baik yield maupun kualitas

Peningkatan Proses (Improve Phase)

Identifikasi Aksi Peningkatan

Dengan pendekatan matrix Impact vs Effort, tindakan berikut diprioritaskan:

• Pengaturan ulang durasi pendinginan dan kecepatan agitasi
• Penyesuaian prosedur degassing dan penambahan garam
• Penyesuaian waktu antisolven dengan toleransi batch

Contoh Hasil Nyata:

• Durasi pendinginan yang disesuaikan mampu meningkatkan yield hingga +7%
• Optimasi waktu penambahan antisolven menghasilkan peningkatan stabilitas antar batch

Kontrol dan Pelestarian Perbaikan

Flowchart & Dashboard

• Lembar kontrol interaktif dibuat menggunakan Excel dan integrasi dengan data historis
• Flowchart SOP diperbarui berdasarkan model MVDA dan hasil statistik

Control Chart

• Penerapan grafik kendali Hotelling’s T² memastikan bahwa setiap batch berada dalam rentang kontrol statistik

Hasil Utama

• Model MVDA mampu memetakan 80% variabilitas yield
• Pengurangan impuritas input memberikan kontribusi terbesar
• Aksi peningkatan memberikan proyeksi peningkatan yield >5% per batch
• Six Sigma terbukti relevan untuk industri batch farmasi—bukan hanya manufaktur elektronik

Implikasi Industri

Penelitian ini memberikan template konkret bagi CDMO (Contract Development & Manufacturing Organizations) untuk:

• Meningkatkan yield dan efisiensi tanpa mengorbankan kualitas
• Menerapkan Quality by Design (QbD) berbasis data
• Memanfaatkan MVDA untuk prediksi berbasis input, bukan sekadar inspeksi output

Opini & Rekomendasi

Kelebihan pendekatan ini:

• Berbasis data nyata, bukan asumsi
• Memungkinkan simulasi sebelum perubahan proses
• Mempercepat pengambilan keputusan manajerial

Kekurangan:

• Memerlukan pelatihan staf dalam penggunaan software statistik
• Bergantung pada ketersediaan data historis lengkap

Saran Implementasi Lanjutan:

• Terapkan real-time data collection agar MVDA bisa dilakukan secara prediktif
• Gunakan model batch evolution untuk proses jangka panjang
• Kembangkan dashboard berbasis cloud agar dapat dipantau lintas site

Kesimpulan

Proyek ini membuktikan bahwa Six Sigma bukan sekadar jargon statistik, melainkan alat transformasi nyata ketika dikombinasikan dengan analisis data modern. Hasilnya bukan hanya peningkatan yield, tetapi juga pemahaman yang lebih mendalam terhadap seluruh proses produksi API. Di tengah tuntutan efisiensi dan regulasi ketat industri farmasi, inisiatif seperti ini akan menentukan siapa yang bertahan dan siapa yang tertinggal.

Sumber : Ferreira, B. M. F. API Production Process Improvement Project: A Six Sigma Approach. Master’s Thesis, Instituto Superior Técnico, Universidade de Lisboa, 2021.

Pendahuluan: Tantangan Estimasi Keandalan di Era Produk Jangka Panjang

Di tengah persaingan teknologi global, industri dituntut menghasilkan produk yang tidak hanya inovatif tetapi juga andal. Namun, menguji keandalan suatu produk—terutama yang memiliki umur panjang—menjadi tantangan besar. Accelerated Life Testing (ALT) hadir sebagai solusi, yakni dengan mempercepat terjadinya kegagalan melalui paparan pada kondisi ekstrem.

Sayangnya, pendekatan ALT konvensional seringkali menggunakan satu jenis stres dan mengandalkan model proporsional hazard (PH), yang tidak selalu akurat untuk semua jenis data. Disertasi ini memperkenalkan pendekatan baru berbasis Proportional Odds Model (PO), yang lebih fleksibel dalam menangkap dinamika antara stres dan waktu kegagalan.

Apa Itu Model Odds Proporsional?

Model ini memprediksi peluang kegagalan kumulatif dibandingkan dengan peluang bertahan, dan mengasumsikan bahwa rasio odds antar kondisi stres tetap konstan, bukan rasio hazard seperti pada model PH.

Fungsi odds:

θ(t)=F(t)1−F(t)\theta(t) = \frac{F(t)}{1 - F(t)}

Di mana F(t)F(t) adalah fungsi distribusi kumulatif waktu gagal. Model PO menyatakan bahwa:

θ(t;z)=θ0(t)⋅exp⁡(zTβ)\theta(t; \mathbf{z}) = \theta_0(t) \cdot \exp(\mathbf{z}^T \boldsymbol{\beta})

Artinya, log odds bersifat linier terhadap variabel stres. Keunggulan model ini dibanding PH adalah kemampuannya menangani kondisi di mana efek stres menurun seiring waktu.

Studi Kasus: Lampu Miniatur Sebagai Objek Uji

Peneliti melakukan uji eksperimental pada lampu bohlam miniatur dengan tiga jenis stres utama:

• Tegangan listrik
• Suhu
• Arus

Uji dilakukan dengan pendekatan constant-stress dan step-stress, untuk mengeksplorasi bagaimana perbedaan metode pengujian mempengaruhi estimasi keandalan.

Langkah-Langkah Penelitian

1. Model ALT Berbasis Odds Proporsional

• Odds baseline didekati dengan fungsi polinomial.
• Data simulasi dan data eksperimen digunakan untuk validasi.
• Hasil menunjukkan model PO menghasilkan estimasi yang lebih akurat dibanding PH ketika rasio hazard tidak konstan.

2. Perencanaan ALT Multi-Stres

Peneliti memformulasikan optimasi non-linear untuk mendapatkan:

• Kombinasi stres optimal
• Jumlah unit uji per kombinasi
• Waktu transisi stres (step-stress)

Digunakan kriteria minimasi variansi asimtotik dari fungsi keandalan pada stres desain.

Hasil Utama Penelitian

• PO-based ALT model menunjukkan keakuratan lebih tinggi dibanding PH atau AFT.
• Dalam uji simulasi, model PO menghasilkan kesalahan kuadrat (SSE) lebih rendah dibanding PH.
• Pada kasus simulasi Monte Carlo, jumlah total unit: 50, dengan tiga level stres, model PO mampu memprediksi umur keandalan lebih dekat ke nilai teoritis.
• Confidence interval dan Cox-Snell residuals mengonfirmasi kecocokan model PO terhadap data.

Keunggulan Rencana Uji Multi-Stres

• ALT berbasis multi-stress menghasilkan estimasi yang lebih efisien, terutama ketika produk sangat andal dan sulit gagal.
• Pendekatan step-stress memungkinkan penghematan waktu pengujian karena stres meningkat bertahap.
• Diperkenalkan model eksposur kumulatif untuk menganalisis pengaruh stres bertingkat terhadap keandalan.

Konsep Rencana ALT Setara (Equivalent Plans)

Salah satu kontribusi unik dari penelitian ini adalah konsep kesetaraan rencana ALT, yaitu:

• Dua rencana ALT berbeda (step-stress vs constant-stress) bisa memberikan estimasi keandalan yang sama.
• Praktisi bisa memilih sesuai sumber daya atau waktu uji yang tersedia tanpa mengorbankan akurasi hasil.

Contoh: Simulasi menunjukkan bahwa step-stress dengan 3 level stres bisa menghasilkan kurva keandalan yang nyaris identik dengan constant-stress yang memakan waktu lebih lama.

Aplikasi Nyata dan Validasi Eksperimental

Untuk memverifikasi teori, dilakukan uji eksperimental pada lampu bohlam miniatur:

• Diuji hingga gagal pada kombinasi tegangan tertentu.
• Data menunjukkan bahwa model PO dapat memetakan umur pakai dengan akurat.
• Estimasi keandalan diperoleh menggunakan log-likelihood maksimum dan Fisher Information Matrix.

Kritik dan Batasan

Kelebihan:

• Cocok untuk produk dengan umur panjang.
• Fleksibel terhadap variasi bentuk hazard rate.
• Dapat digunakan untuk multi-stres, termasuk step-stress.

Kekurangan:

• Estimasi parameter bisa kompleks secara numerik (menggunakan COBYLA, Newton-Raphson).
• Profil likelihood untuk baseline odds function bisa rumit diterapkan di industri.

Implikasi Industri dan Rekomendasi

Penelitian ini relevan untuk:

• Industri otomotif, elektronika, dan penerbangan, di mana keandalan sangat krusial.
• Produk bernilai tinggi yang tidak bisa diuji hingga gagal dalam kondisi normal.

Rekomendasi:

• Gunakan pendekatan PO-based ALT pada produk dengan pola kegagalan tidak proporsional terhadap hazard.
• Terapkan rencana multi-stres jika satu stres tidak cukup cepat menginduksi kegagalan.
• Manfaatkan konsep rencana setara untuk fleksibilitas manajemen sumber daya.

Kesimpulan

Model odds proporsional memberikan pendekatan baru yang tangguh dan fleksibel untuk ALT, khususnya untuk data kegagalan yang tidak sesuai asumsi proportional hazard. Dengan integrasi perencanaan pengujian berbasis optimasi, pendekatan ini mendorong peningkatan efisiensi dan akurasi dalam estimasi keandalan produk, sekaligus memperluas pilihan strategi pengujian bagi praktisi industri.

Sumber : Zhang, H. Modeling and Planning Accelerated Life Testing with Proportional Odds. Dissertation, Rutgers, The State University of New Jersey, 2007.

Pendahuluan: MEMS dan Tantangan Keandalan di Luar Angkasa

Microelectromechanical Systems (MEMS) telah merevolusi banyak sektor teknologi karena keunggulan mereka yang ringan, hemat energi, dan sangat terintegrasi. Di industri luar angkasa, perangkat ini berpotensi besar digunakan dalam sistem komunikasi, navigasi, dan pemantauan lingkungan. Namun, lingkungan ruang angkasa menghadirkan tantangan ekstrem: vakum, fluktuasi suhu yang tajam, dan paparan radiasi.

Karena itu, penting untuk memastikan keandalan MEMS melalui pendekatan pengujian yang efisien. Artikel ini membahas bagaimana metodologi Physics of Failure (PoF) dikombinasikan dengan simulasi berbasis model perilaku dapat menjadi solusi efisien dalam menilai dan meningkatkan keandalan perangkat MEMS—terutama saat pengujian fisik sulit dilakukan.

Physics of Failure dan Pentingnya Simulasi Perilaku

Physics of Failure (PoF) adalah pendekatan berbasis hukum fisika yang digunakan untuk menganalisis mekanisme kegagalan perangkat. Metodologi ini memungkinkan insinyur:

• Menilai umur produk berdasarkan mekanisme degradasi fisik,
• Mengoptimalkan desain untuk tahan terhadap kondisi lingkungan,
• Mengurangi biaya uji lapangan dan jumlah prototipe yang diperlukan.

Namun, untuk diterapkan pada sistem yang kompleks seperti MEMS, diperlukan model perilaku (behavioral models). Model ini menyederhanakan kompleksitas fisik menjadi hubungan matematis antar parameter fungsional, memungkinkan simulasi cepat pada level sistem tanpa kehilangan akurasi signifikan.

Tiga Pilar Simulasi PoF untuk MEMS

1. Parameter Material
   • Contoh: ketebalan lapisan, modulus Young, koefisien ekspansi termal.
   • Diukur dengan alat seperti FIB, SEM, optical profilometers.
2. Pengujian Lingkungan
   • Termasuk variasi suhu, kelembapan, tekanan, dan iradiasi.
   • Digunakan alat seperti EMA 3D yang menggabungkan vibrometer optik dan ruang lingkungan.
3. Modeling Tools
   • Finite Element Analysis (FEA): sangat akurat namun mahal secara komputasi.
   • Behavioral Modeling: menggunakan interpolasi FEA, model empiris, dan persamaan analitis → sangat cocok untuk simulasi tingkat sistem.

Studi Kasus: Switch RF dalam Kondisi Ekstrem

Deskripsi Teknologi

Switch RF kapasitif paralel dikembangkan oleh LAAS-CNRS. Strukturnya terdiri dari:

• Substrat silikon dengan lapisan SiO₂ dan SixNy,
• Jembatan emas yang menggantung di atas garis sinyal dan ground.

1. Perilaku Gap terhadap Suhu

• Suhu ditingkatkan dari 20°C hingga 120°C.
• Hasil: gap antara jembatan emas dan garis sinyal meningkat secara linear dengan suhu.
• Model yang digunakan: buckling fixed-fixed beam di bawah tegangan termal.

Persamaan kunci:

• • Defleksi elastika:

d2θds2=PEIsin⁡θ\frac{d^2 \theta}{ds^2} = \frac{P}{EI} \sin \theta

• • Tegangan termal dari hukum Duhamel–Neumann:

P=EAα(T−Tref)P = EA\alpha(T - T_{ref})

• Hasil model mendekati hasil eksperimen → membuktikan keakuratan pendekatan perilaku.

2. Tegangan Aktuasi (Pull-in Voltage) terhadap Suhu

• Dua efek saling berlawanan:
  • Gap meningkat → pull-in voltage naik.
  • Modulus Young menurun → pull-in voltage turun.
• Hasil eksperimen: pull-in voltage meningkat secara linear hingga 100°C.
• Di atas 80°C muncul dua tegangan aktuasi berbeda:
  • Tegangan pertama mengaktifkan sisi jembatan.
  • Tegangan kedua menarik pusat jembatan yang tetap membengkok.

Efek Iradiasi pada Performa Switch

Pengujian Iradiasi:

• Sumber Co-60 dengan dosis 50 rad/jam.
• Pull-in voltage diukur setelah paparan dosis bertahap.

Hasil:

• Setelah 4 krad, pull-in voltage meningkat drastis.
• Pada 8,7 krad dan 60 V, switch meledak.

Analisis:

• Penumpukan muatan di dielektrik menghasilkan medan listrik tambahan.
• Rumus pergeseran tegangan:

ΔV=Qr⋅d2ε0εr\Delta V = \frac{Qr \cdot d}{2\varepsilon_0\varepsilon_r}

• Model hanya menjelaskan sebagian kenaikan tegangan → kemungkinan juga terjadi penjebakan muatan pada emas dan lapisan dielektrik.

Kelebihan Model Perilaku untuk Simulasi MEMS

• Lebih cepat dan hemat komputasi dibanding FEA.
• Cocok untuk simulasi sistem kompleks seperti satelit atau kendaraan antariksa.
• Dapat digunakan sejak tahap desain untuk meningkatkan keandalan produk dan mengurangi biaya prototipe fisik.

Tantangan dan Arahan Penelitian Masa Depan

Tantangan:

• Model masih terlalu sederhana untuk beberapa kondisi ekstrem.
• Belum ada pemahaman lengkap tentang mekanisme kegagalan baru dalam MEMS.

Arah Penelitian:

• Kombinasi FEA + behavioral model untuk keseimbangan akurasi dan kecepatan.
• Pengembangan material baru yang lebih tahan terhadap suhu dan iradiasi.
• Integrasi ke dalam platform EDA (Electronic Design Automation) untuk desain yang responsif terhadap keandalan.

Kesimpulan

Dengan meningkatnya penggunaan MEMS dalam sistem kritis seperti luar angkasa, keandalan menjadi faktor kunci. Pendekatan Physics of Failure yang digabungkan dengan model perilaku menawarkan solusi realistis, efisien, dan dapat diintegrasikan ke dalam proses desain awal.

Studi kasus switch RF membuktikan bahwa:

• Model sederhana dapat memberikan prediksi performa yang akurat terhadap suhu dan iradiasi.
• Pengujian awal berbasis simulasi dapat menghindarkan kegagalan besar di lapangan.
• Model perilaku mampu mempercepat inovasi sambil tetap menjaga kualitas dan keamanan.

Sumber : Schmitt, P., Pressecq, F., Lafontan, X., Pons, P., Nicot, J.M., Oudea, C., Estève, D., Camon, H., Fourniols, J.Y. MEMS Behavioral Simulation: A Potential Use for Physics of Failure (PoF) Modeling.