Pengantar: Menjawab Tantangan Umur Elektronik Modern

Ketika ukuran transistor mengecil hingga skala nanometer dan tuntutan performa makin tinggi, keandalan mikroelektronika menjadi isu sentral. Produk elektronik yang dulunya bertahan puluhan tahun, kini dirancang hanya untuk 3–7 tahun masa pakai. Paper berjudul "Microelectronics Reliability: Physics-of-Failure Based Modeling and Lifetime Evaluation" karya Mark White dan Joseph B. Bernstein memberikan pendekatan revolusioner untuk memahami, memprediksi, dan merancang sistem mikroelektronik yang andal, dengan basis ilmu pengetahuan—bukan asumsi historis.

Mengapa Pendekatan Tradisional Tak Lagi Cukup

MIL-HDBK-217: Usang di Era Modern

Pendekatan historis seperti MIL-HDBK-217, Telcordia SR-332, dan PRISM menggunakan asumsi tingkat kegagalan konstan (Constant Failure Rate, CFR). Meskipun praktis, model ini:

• Tidak mengacu pada penyebab fisik kegagalan.
• Tidak mencerminkan kondisi dunia nyata, seperti wearout akibat tegangan tinggi atau suhu ekstrem.
• Tidak memperhitungkan efek interaksi berbagai mekanisme kerusakan.

Padahal, riset menunjukkan bahwa mekanisme kerusakan seperti elektromigrasi, injeksi carrier panas, dan breakdown dielektrik saling bersaing, bukan berjalan sendiri-sendiri.

Physics-of-Failure (PoF): Membongkar Akar Masalah

Pendekatan PoF memulai dari akar penyebab kegagalan, seperti reaksi kimia, tegangan listrik, dan faktor termal. PoF tidak hanya memodelkan angka kegagalan, tapi juga menjawab:

• Mengapa kerusakan terjadi?
• Bagaimana ia berkembang?
• Di mana titik lemahnya?

Langkah-Langkah PoF:

1. Identifikasi mekanisme dominan (contoh: EM, HCI, TDDB, NBTI).
2. Uji tegangan dan suhu tinggi untuk mempercepat wearout.
3. Model matematis dan distribusi statistik (Weibull, lognormal).
4. Simulasi berbasis waktu (Mean Time-To-Failure / MTTF).

Kasus Nyata: EM, HCI, dan TDDB dalam Dunia Nyata

1. Elektromigrasi (EM)

📌 Apa itu? Perpindahan ion logam akibat arus tinggi.
📌 Model matematis:
t50=A⋅J−n⋅exp⁡(EakT)t_{50} = A \cdot J^{-n} \cdot \exp\left(\frac{E_a}{kT}\right)
📌 Fakta penting:

• EM mendominasi kegagalan interkoneksi aluminium.
• Ukuran kawat makin kecil = densitas arus makin tinggi = masa hidup makin pendek.
• Data: Dengan densitas arus > 10⁶ A/cm², masa pakai turun hingga hitungan bulan jika tidak didesain ulang.

2. Hot Carrier Injection (HCI)

📌 Elektron berenergi tinggi menembus isolator gate → kerusakan MOSFET.
📌 Efek dominan pada CMOS kecepatan tinggi.
📌 Studi Kasus: Model HCI menunjukkan degradasi logaritmik fungsi sirkuit logika dalam 3 tahun operasi di suhu tinggi.

3. Time-Dependent Dielectric Breakdown (TDDB)

📌 Kerusakan isolator gate karena akumulasi tegangan.
📌 Fakta: TDDB adalah penyebab dominan kerusakan SRAM dan ADC.

FaRBS: Simulasi Sirkuit Berbasis Wearout

FaRBS (Failure Rate-Based SPICE) menggabungkan:

• Model fisika kegagalan,
• SPICE,
• Faktor percepatan (suhu, tegangan),
• Model sum-of-failure-rates (SOFR).

Studi Kasus: ADC Reliability

Pada simulasi FaRBS terhadap Analog-to-Digital Converter (ADC) ditemukan bahwa:

• MTTF ADC bisa menurun 30% akibat interaksi EM dan TDDB.
• Simulasi SPICE menunjukkan bahwa penyesuaian tegangan operasi 0.3V lebih rendah meningkatkan keandalan hingga 45%.

MaCRO: Simulasi Keandalan SRAM

MaCRO (Maryland Circuit-Reliability Oriented) mengintegrasikan:

• Model kegagalan HCI, TDDB, NBTI
• Failure Equivalent Circuit
• Simulasi SPICE untuk SRAM

Studi Kasus: SRAM

• Data hasil simulasi:
  • Masa hidup SRAM dengan desain awal: 4.2 tahun
  • Setelah optimalisasi berdasarkan MaCRO: 8.7 tahun
• Langkah penting:
  • Pengaturan ulang parameter gate oxide
  • Derating suhu maksimal dari 125°C ke 105°C

Akurasi Model & Tantangan

Walaupun akurat dan berbasis sains, pendekatan PoF menghadapi beberapa kendala:

• Kompleksitas tinggi → tidak selalu ramah untuk industri kecil.
• Keterbatasan data parameter fisik dari manufaktur → menyulitkan input model.

Namun, alat bantu seperti CADMP-2 dan CALCE mampu menjembatani masalah ini dengan antarmuka pengguna dan basis data parameter material.

Kesimpulan: Menuju Desain Elektronik Masa Depan

Model tradisional mungkin praktis, namun pendekatan Physics-of-Failure menawarkan presisi, kontrol, dan kemampuan prediksi yang jauh lebih unggul, khususnya untuk aplikasi kritikal seperti:

• Antariksa
• Telekomunikasi
• Peralatan medis dan militer

Dengan menggabungkan simulasi PoF (FaRBS & MaCRO), rekayasa desain dapat dilakukan sejak awal pengembangan. Hasilnya?

• Efisiensi biaya jangka panjang
• Pengurangan risiko kerusakan tak terduga
• Optimalisasi jadwal perawatan dan penggantian

Rekomendasi: Siapa Harus Mengadopsi PoF?

Teknologi Power over Fiber (PoF) memiliki tingkat relevansi yang berbeda-beda di setiap industri. Di sektor medis, adopsi PoF menjadi prioritas sangat tinggi karena kebutuhan akan sistem yang bebas interferensi elektromagnetik dan mampu memberikan daya serta data secara aman di lingkungan sensitif. Hal serupa berlaku pada industri antariksa, di mana PoF sangat relevan dan menjadi prioritas utama berkat kemampuannya mendukung sistem ringan, tahan radiasi, dan minim risiko gangguan sinyal. Untuk industri telekomunikasi, PoF juga sangat relevan dan menjadi prioritas tinggi karena mampu menyederhanakan infrastruktur dengan menggabungkan transmisi daya dan data dalam satu jalur. Sementara itu, di sektor otomotif, relevansi PoF tergolong sedang dan mulai mendapat perhatian, terutama untuk aplikasi kendaraan otonom dan sistem elektronik internal. Di sisi lain, pada sektor konsumen (COTS), adopsi PoF masih berada pada tingkat rendah hingga sedang karena pertimbangan biaya dan kompleksitas, meskipun potensinya tetap terbuka untuk pengembangan produk-produk khusus di masa depan.

Sumber Asli Artikel (tanpa hyperlink):
Mark White & Joseph B. Bernstein. Microelectronics Reliability: Physics-of-Failure Based Modeling and Lifetime Evaluation. Jet Propulsion Laboratory, NASA, 2008.

Pengantar: Kenapa Komposit? Kenapa Sekarang?

Dalam upaya global untuk mengurangi emisi karbon, industri otomotif mulai melirik komposit ringan seperti CFRP (Carbon Fibre Reinforced Polymers) sebagai pengganti logam berat. Tapi, tantangan utamanya bukan hanya pada manufaktur—melainkan juga pada kemampuan prediksi keandalan saat tabrakan. Paper karya Thomas Bru (2016) dari Chalmers University ini menawarkan sebuah pendekatan ilmiah dan praktis untuk menjawab tantangan tersebut: bagaimana mengkarakterisasi material komposit agar bisa diandalkan dalam simulasi crash test kendaraan?

Komposit dan Potensi Energi Tersembunyi

CFRP memiliki kemampuan menyerap energi melalui kerusakan progresif yang stabil, sebuah mekanisme yang penting dalam desain struktur penyerap energi seperti crash box di kendaraan. Tidak seperti logam yang hancur secara plastis, komposit menyerap energi lewat mekanisme seperti delaminasi, fragmentasi, dan gesekan antarlapisan.

Dalam paper ini, dijelaskan bahwa Specific Energy Absorption (SEA) dari CFRP bisa mencapai lebih dari 100 kJ/kg, melampaui baja dan aluminium yang hanya berada di kisaran 20–40 kJ/kg. Ini membuka peluang besar untuk merancang kendaraan yang lebih ringan sekaligus lebih aman.

Kenapa NCF? Efisiensi dan Arah Masa Depan

Fokus riset ini adalah pada NCF (Non-Crimp Fabric) — bahan tekstil serat karbon yang murah, mudah diproduksi, dan cocok untuk industri otomotif. Dibandingkan dengan prepreg, NCF memang lebih murah, tapi struktur tekstilnya membuatnya bersifat ortotropik—artinya, ia memiliki sifat mekanik yang berbeda di tiga arah (panjang, lebar, dan ketebalan).

Karena itu, strategi pengujian dan pemodelan khusus sangat diperlukan untuk memprediksi bagaimana bahan ini akan berperilaku saat ditabrak.

Studi Kasus: Tiga Paper, Satu Visi

Paper A: Uji Ketahanan dan Kekakuan NCF

Melibatkan pengujian mekanik menyeluruh termasuk:

• Tegangan tarik dan tekan in-plane
• Tegangan dan modulus arah ketebalan
• Fracture toughness untuk delaminasi dan kerusakan translaminar

🔍 Temuan utama: Benang weft (penjepit serat dalam NCF) menjadi titik awal kegagalan ketika resin ditarik, sehingga mengurangi kekuatan transversal secara signifikan.

Paper B: Uji Geser dengan Metode Iosipescu

Dalam riset ini, shear test dilakukan pada dua bidang utama: 1–2 (in-plane) dan 1–3 (through-thickness). Ditemukan bahwa:

• Sifat geser sangat non-linear, menunjukkan mikroretakan di resin.
• Uji cyclic shear digunakan untuk memetakan kerusakan progresif dan histeresis energi.
• Pemodelan berbasis Continuum Damage Mechanics (CDM) mampu meniru degradasi kekakuan akibat kerusakan.

🔍 Studi ini menekankan pentingnya menangkap gesekan mikroretakan untuk memodelkan absorpsi energi dengan akurat.

Paper C: Metode Uji Baru untuk Crushing Behavior

Berbeda dari metode konvensional seperti uji tabung berlapis, Paper C mengembangkan metode uji tekan pada spesimen datar dengan penyangga lateral. Hasilnya:

• Failure mode tergantung pada geometri pemicu: bevel trigger cenderung menghasilkan splaying, sedangkan trigger khusus mendorong fragmentasi, yang lebih efisien dalam menyerap energi.
• NCF mesostructure (benang weft yang menggumpal) mempercepat delaminasi dan mengarahkan spesimen ke splaying mode.

🔍 Temuan: Trigger design sangat mempengaruhi mode kegagalan dan nilai crushing stress yang bisa dijadikan input model FE.

Simulasi Numerik: Dua Pendekatan, Satu Tujuan

1. Kalibrasi Model FE (seperti MAT54 di LS-DYNA): cepat tapi tidak sepenuhnya fisik.
2. Model Fisik Berbasis Fenomena: memerlukan input eksperimental akurat, tapi mampu memprediksi kerusakan secara realistis.

Penulis mendukung pendekatan kedua, yang menggabungkan:

• Model elastik + kriteria kegagalan + model pasca-kegagalan
• Validasi melalui uji tekanan longitudinal dan transversal
• Evaluasi akurasi FE berdasarkan kontrol progresi kerusakan dan gesekan

Kritik & Opini: Kejelasan, Ketelitian, dan Relevansi Industri

Kekuatan utama paper ini ada pada:

• Detail eksperimen yang kaya dan transparan
• Penggabungan analisis numerik dan empiris
• Fokus pada material murah dan scalable seperti NCF, yang sangat relevan untuk otomotif massal

Namun, masih ada celah riset yang belum ditutup:

• Efek strain-rate belum dijelaskan tuntas (kondisi dinamis vs kuasi-statis)
• Data koefisien gesek antar lapisan komposit masih sangat terbatas
• Uji geser 2–3 arah butuh pendekatan alternatif

Kesimpulan: Menuju Kendaraan Ringan dan Aman

Riset ini membawa kita selangkah lebih dekat menuju prediksi akurat crashworthiness struktur komposit. Dengan karakterisasi lengkap NCF dan pengembangan metode uji baru, kita bisa menciptakan model numerik yang tidak hanya akurat, tetapi juga realistis, efisien, dan siap diadopsi industri. Untuk masa depan kendaraan ringan dan aman, data akurat dan model fisik berbasis mekanisme kerusakan adalah kuncinya.

Sumber Asli : Thomas Bru. Behaviour and material properties of composites for crash modelling. Chalmers University of Technology, 2016.

Dalam era Industri 4.0, produktivitas dan efisiensi mesin industri sangat tergantung pada kemampuan untuk mendeteksi gangguan sebelum berdampak besar. Salah satu pendekatan paling menjanjikan untuk tujuan ini adalah analisis multivariate time series menggunakan metode anomaly detection berbasis deep learning.

Penelitian oleh Nicola Bee dari Università degli Studi di Padova menyajikan studi kasus nyata yang melibatkan mesin pengisi produk susu, dengan fokus pada modul cap applicator. Dalam proyek ini, digunakan Temporal Fusion Transformer (TFT)—model deep learning terkini—untuk mendeteksi anomali berdasarkan prediksi perilaku sinyal mesin secara real-time.

Mengapa Deteksi Anomali Penting di Dunia Industri?

Tantangan:

• Mesin beroperasi dengan pola berulang namun kompleks
• Sensor menghasilkan data multivariat dalam jumlah besar
• Banyak dataset tidak memiliki label anomali
• Definisi anomali sering bersifat kontekstual dan ambigu

Dampak positif deteksi anomali:

• Mencegah downtime tak terduga
• Mengurangi biaya perawatan
• Meningkatkan keselamatan kerja
• Menjamin kualitas produk yang konsisten

Kasus Nyata: Mesin Pengisi Susu dengan Modul Cap Applicator

Deskripsi Mesin:

• Digunakan untuk mengisi karton aseptik dengan produk cair (susu, telur, detergen)
• Memiliki proses cap sealing berbasis ultrasound
• Sensor mencatat sinyal seperti:
  • PVWE (energi las)
  • PVCP (daya las)
  • PVCF (frekuensi sonotrode)
  • ST (status operasi)
  • RA (kode resep)

Tujuan Penelitian:

Membangun model deep learning yang mampu:

• Mendeteksi anomali tanpa label eksplisit
• Mengakomodasi berbagai variasi mesin dan konfigurasi resep
• Beroperasi pada data real dari cloud industri

Model Deep Learning yang Digunakan: Temporal Fusion Transformer (TFT)

Mengapa TFT?

• Mampu menangani data time series multivariat
• Mendukung input:
  • Past variables
  • Future inputs
  • Static metadata
• Dilengkapi dengan:
  • Variable Selection Network
  • Gated Residual Network (GRN)
  • Multi-head interpretable attention
  • Probabilistic forecasting (quantile)

Keunggulan TFT:

• Akurat dalam prediksi multi-horizon
• Memberikan penjelasan variabel paling penting
• Mendukung pengayaan statis untuk prediksi yang lebih baik

Proses Eksperimen dan Implementasi

1. Akuisisi Data

• Data dikumpulkan dari sistem IoTmelalui InfluxDB dan MongoDB
• Sinyal diambil dari ratusan mesin, tiap mesin bisa memiliki 1 atau 2 jalur produksi
• Data memiliki format tidak seragam akibat perbedaan model mesin dan resep pelanggan

2. Preprocessing

• Konversi bit dari sinyal status (ST)
• Normalisasi dan rekonsiliasi variabel dari jalur A dan B
• Eliminasi noise dan interpolasi data hilang

3. Pelatihan Model

• Dataset dipecah menjadi segmen temporer
• Model TFT dilatih untuk memprediksi sinyal
• Anomali = deviasi signifikan antara prediksi dan nilai aktual

Evaluasi Hasil: TFT vs Model Lain

Dalam evaluasi terhadap berbagai model deteksi anomali, Temporal Fusion Transformer (TFT) menunjukkan performa paling unggul dibandingkan pendekatan lainnya. Model ini mencatat akurasi tertinggi dalam mengidentifikasi beragam jenis anomali, termasuk point anomalies (outlier individual), contextual anomalies (anomali yang hanya terlihat dalam konteks tertentu), collective anomalies (anomali yang muncul sebagai pola dalam kelompok data), serta series anomalies (anomali yang berkaitan dengan hubungan antar-sinyal dalam urutan waktu). Dibandingkan dengan model seperti Z-Score yang meski sederhana namun kurang akurat, atau Isolation Forest yang lebih scalable tapi terbatas pada analisis multivariat, TFT unggul dalam fleksibilitas dan interpretabilitas. Bahkan dibandingkan LSTM Recurrent Neural Network yang sudah terkenal handal dalam menangani data berurutan, TFT tetap unggul dengan kombinasi kekuatan prediksi yang tinggi serta kemampuan menjelaskan keputusan model melalui fitur-fitur interpretatif. Keunggulan ini menjadikan TFT sebagai pilihan utama dalam sistem deteksi anomali modern, khususnya untuk aplikasi kompleks seperti maintenance prediktif dan pengawasan sistem real-time.

Studi Kasus Anomali Nyata

1. Lonjakan Energi Las (PVWE)

• Terjadi lonjakan mendadak 40% dibanding rata-rata
• Tidak terdeteksi oleh sistem alarm tradisional
• Terdeteksi sebagai anomali oleh TFT

2. Fluktuasi Frekuensi Sonotrode (PVCF)

• Anomali kolektif selama 2 menit
• Dipicu oleh keausan transduser
• TFT mendeteksi deviasi jangka panjang ini

3. Perubahan Konfigurasi Resep Mendadak

• Perubahan ID resep menyebabkan pola sinyal berubah
• Anomali ini sempat menjadi false positive, hingga model diperbaiki dengan static metadata awareness

Tantangan Teknis dan Solusi

Tantangan:

• Dataset besar dan tidak bersih
• Produksi tidak stabil (durasi produksi tidak konsisten)
• Mesin-mesin berbeda struktur dan konfigurasi
• Alarm tidak selalu selaras dengan anomali sinyal

Solusi:

• Model universal tanpa ketergantungan pada mesin tertentu
• Deteksi tanpa label (unsupervised)
• Pemilihan variabel otomatis oleh model
• Interpretabilitas tinggi untuk validasi oleh teknisi

Rekomendasi Praktis untuk Industri

Bagi perusahaan manufaktur:

• Implementasikan sensor real-time dan cloud storage
• Gunakan model TFT untuk prediksi dan perawatan prediktif
• Terapkan proses visualisasi anomali untuk tim operasional

Untuk pengembang AI industri:

• Kembangkan model dengan generalitas tinggi
• Lakukan training dengan beragam data mesin dan konfigurasi
• Perhatikan variabilitas antar pelanggan (resep & model mesin)

Kesimpulan: TFT sebagai Masa Depan Keandalan Industri

Penelitian ini membuktikan bahwa Temporal Fusion Transformer adalah solusi paling kuat untuk deteksi anomali mesin industri berbasis multivariate time series. Tidak hanya memberikan akurasi tinggi, model ini juga mampu menjelaskan mengapa suatu anomali terjadi, memberikan insight penting untuk perbaikan preventif. Dengan pendekatan ini, dunia industri dapat bergerak menuju maintenance berbasis data, menurunkan risiko kerusakan mendadak, dan meningkatkan efisiensi sistem secara menyeluruh.

Sumber Asli: Nicola Bee. Anomaly Detection of Multivariate Time Series for Industrial Machinery. Master Thesis, Università degli Studi di Padova, 2024.

Industri elektronik saat ini menghadapi tantangan besar: bagaimana menjamin keandalan sistem yang semakin kompleks, sensitif, dan beroperasi dalam berbagai lingkungan ekstrem? Jawabannya ada pada pendekatan Prognostics and Health Management (PHM) berbasis Physics-of-Failure (PoF) yang dikembangkan oleh CALCE (Center for Advanced Life Cycle Engineering), University of Maryland.

Artikel ini merangkum secara mendalam bagaimana pendekatan PoF diterapkan, manfaat nyatanya di berbagai sektor industri, serta bagaimana integrasinya dengan teknologi data-driven dan AI membentuk masa depan prediksi kerusakan elektronik.

Mengapa Harus Beralih ke Prognostik Berbasis PoF?

Kelemahan Pendekatan Tradisional:

• Mengandalkan data statistik umur kegagalan (seperti MIL-HDBK-217)
• Tidak mempertimbangkan kondisi lingkungan nyata
• Tidak mampu memberikan prediksi waktu nyata terhadap kondisi komponen

Pendekatan PoF:

• Berdasarkan pemahaman mekanisme kerusakan fisik pada level material
• Menggabungkan model fisika dengan data sensor in-situ
• Memberikan prediksi yang dinamis, akurat, dan berbasis realita

CALCE dan Visi Besar PHM Elektronik

CALCE didirikan sebagai pusat keunggulan untuk sistem keandalan elektronik, dengan lebih dari 150 mitra industri global dan dukungan ratusan peneliti.

Fokus mereka adalah:

• Pengembangan sensor ePrognostics
• Pemodelan keausan komponen seperti solder, wire bond, kapasitor
• Analisis data dan algoritma pembelajaran mesin
• Implementasi PHM untuk militer, luar angkasa, kendaraan, dan konsumer

Physics-of-Failure: Landasan Dasar Keandalan Sistem

Apa itu PoF?

Metodologi yang menghubungkan konfigurasi perangkat, beban siklus hidup, dan mekanisme kerusakan aktual untuk memprediksi dan memperpanjang masa pakai sistem elektronik.

Komponen Analisis PoF:

1. Identifikasi profil siklus hidup (thermal, mekanik, listrik)
2. Analisis stres material dan transformasi beban
3. Pemodelan kerusakan dan estimasi waktu ke kegagalan
4. Integrasi ke dalam sistem desain, manufaktur, dan logistik

Contoh Kasus: Kegagalan pada Inverter Daya

Elemen Kritis:

• Wirebond: mengalami fatigue akibat power cycling
• Die attach: mengalami fracture akibat thermal cycling
• Substrat DBC: delaminasi antara keramik dan tembaga

Mekanisme Kegagalan:

• Cracking, electromigration, solder fatigue, corrosion
• Failure mode disebabkan oleh vibrasi, suhu tinggi, dan kelembaban

FMMEA (Failure Modes, Mechanisms, and Effects Analysis): Contoh SMPS

FMMEA (Failure Modes, Mechanisms, and Effects Analysis) pada Switch Mode Power Supply (SMPS) bertujuan untuk mengidentifikasi potensi kegagalan komponen dan menganalisis mekanisme serta dampaknya terhadap kinerja keseluruhan sistem. Berikut adalah contoh analisis FMMEA untuk beberapa komponen SMPS:

1. Kapasitor: Salah satu mode kegagalan yang umum adalah penurunan kapasitansi, yang disebabkan oleh penuaan elektrolit dalam kapasitor. Proses penuaan ini termasuk dalam kategori wearout dan memiliki risiko tinggi, karena dapat menyebabkan ketidakstabilan tegangan dan gangguan pada kinerja SMPS.
2. Dioda: Mode kegagalan pada dioda dapat berupa hubung singkat, yang disebabkan oleh migrasi kontak internal. Ini adalah kegagalan yang terjadi seiring penggunaan, termasuk dalam kategori wearout, dan memiliki tingkat risiko tinggi karena dapat menyebabkan kerusakan sistem secara keseluruhan jika tidak terdeteksi.
3. MOSFET: Breakdown pada gate oxide MOSFET, yang merupakan hasil dari dielectric breakdown, adalah mode kegagalan yang sering terjadi pada perangkat semikonduktor ini. Kerusakan ini juga tergolong wearout dan memiliki risiko tinggi, karena MOSFET sangat penting dalam mengatur aliran daya di dalam SMPS.
4. IC: Pada IC, mode kegagalan yang mungkin terjadi adalah putusnya wirebond, yang disebabkan oleh kelelahan termal akibat fluktuasi suhu. Meskipun kerusakan ini tergolong dalam kategori wearout, tingkat risikonya lebih sedang dibandingkan dengan komponen lainnya.
5. PCB: Mode kegagalan pada PCB dapat berupa short circuit, yang disebabkan oleh filamen konduktif yang terbentuk akibat keausan atau kerusakan isolasi. Meskipun kegagalan ini tergolong wearout, tingkat risikonya lebih rendah dibandingkan dengan komponen-komponen aktif seperti kapasitor atau MOSFET, meskipun tetap dapat memengaruhi fungsionalitas SMPS.

Dengan melakukan FMMEA, kita dapat memahami lebih baik potensi risiko dan mengimplementasikan strategi pemeliharaan atau desain ulang untuk meningkatkan keandalan SMPS dan meminimalkan dampak kegagalan.

Studi Kasus: NASA Solid Rocket Booster (SRB)

• Umur desain: 20 tahun
• Data diambil: getaran selama peluncuran hingga pendaratan
• Hasil: Komponen elektronik masih sehat dan dapat digunakan hingga 40 misi lagi
• Metode: Kombinasi sensor, analisis beban, dan model PoF untuk evaluasi kerusakan kumulatif

Pendekatan Data-Driven & Fusion Prognostics

Selain PoF, CALCE menggabungkan machine learning dan AI untuk deteksi anomali:

Data-Driven Prognostics:

• Membentuk profil sehat
• Menghitung residual dari data aktual
• Melakukan analisis tren terhadap penyimpangan

Fusion Prognostics:

• Kombinasi PoF dan algoritma data
• Digunakan dalam uji percepatan dan alarm dini
• Memberikan estimasi sisa umur secara real-time

Implementasi & Manfaat PHM dalam Industri

Manfaat Utama:

• Peringatan dini sebelum kerusakan terjadi
• Perpanjangan garansi berdasarkan data aktual
• Deteksi fault efisien
• Perawatan prediktif
• Optimasi desain berdasarkan data kerusakan lapangan

Sektor Penerapan:

• Militer: Prognostik wajib sejak 2003
• Semikonduktor: Masuk dalam roadmap ITRS sejak 2007
• Konsumen: Laptop, LED, kipas pendingin, dan lainnya

Model Kerusakan: Tinjauan Singkat

Model kerusakan dalam keandalan produk elektronika mencakup berbagai mekanisme yang terjadi pada lokasi dan model yang berbeda, masing-masing dipengaruhi oleh jenis beban tertentu. Berikut adalah tinjauan singkat mengenai beberapa model kerusakan utama:

1. Fatigue solder (PCB, PTH): Kerusakan akibat kelelahan pada solder biasanya terjadi pada PCB (Printed Circuit Board) dan PTH (Plated Through Hole). Model yang digunakan untuk menganalisis kerusakan ini adalah Coffin–Manson, yang berfokus pada pengaruh siklus termal terhadap solder. Beban terkait dengan fenomena ini adalah thermal cycle atau perubahan suhu yang berulang, yang menyebabkan keausan material solder seiring waktu.
2. Elektromigrasi (Interkoneksi): Elektromigrasi terjadi pada interkoneksi logam (misalnya, kabel atau jalur PCB), di mana arus listrik yang melewati material menyebabkan pergerakan atom, yang dapat merusak struktur interkoneksi. Model yang digunakan untuk memodelkan kerusakan ini adalah Black/Eyring, yang memperhitungkan pengaruh arus dan suhu terhadap laju kerusakan. Beban terkait adalah arus yang melewati interkoneksi dan suhu yang tinggi, yang mempercepat proses degradasi.
3. Korosi (Permukaan): Korosi pada permukaan komponen elektronik disebabkan oleh kelembaban dan kontaminasi lingkungan, yang dapat merusak lapisan pelindung dan struktur material. Model yang sering digunakan untuk fenomena ini adalah Eyring, yang memperhitungkan faktor lingkungan dalam memperkirakan kecepatan korosi. Beban terkait adalah kelembaban dan kontaminasi, yang mempengaruhi laju korosi pada permukaan komponen.
4. Cracking (Substrat): Retak pada substrat komponen elektronik umumnya disebabkan oleh beban mekanik, seperti tekanan fisik atau tegangan termal. Model yang digunakan untuk memprediksi kerusakan ini adalah Paris Law, yang menggambarkan hubungan antara panjang retakan dan siklus pembebanan. Beban terkait dengan cracking adalah beban mekanik yang menyebabkan keretakan dan deformasi pada substrat.

Dengan pemahaman tentang mekanisme dan model-model kerusakan ini, kita dapat mengoptimalkan desain dan perawatan produk elektronik untuk meningkatkan keandalannya dan memperpanjang masa pakai produk.

Riset Berjalan oleh CALCE: Fokus Teknologi Masa Depan

Komponen:

• Evaluasi degradasi Multilayer Ceramic Capacitors (MLCCs)
• Prediksi keausan solder, resistor, dan PCB

Sistem:

• Prognostik pada laptop, kendaraan militer, produk aging
• Analisis data lapangan untuk sistem returned electronics
• Model ROI PHM untuk pembenaran bisnis

Kesimpulan: Strategi Terbaik Menuju Produk Elektronik yang Andal dan Tahan Lama

Pendekatan PoF yang dikombinasikan dengan data-driven prognostics menjadi solusi paling menjanjikan untuk meramalkan, mencegah, dan mengelola kerusakan elektronik di era digital ini. Dengan manfaat yang sudah terbukti—mulai dari misi luar angkasa hingga perangkat harian—PHM adalah investasi masa depan dalam keandalan dan efisiensi sistem.

Untuk sektor industri apa pun yang mengandalkan elektronik, PHM bukan lagi pilihan—ini adalah kebutuhan.

Sumber : Diganta Das. Technology Advances to Improve Reliability – A Broad View. Center for Advanced Life Cycle Engineering (CALCE), University of Maryland, 2011.

 

Bagaimana jika Anda bisa memprediksi kapan komponen elektronik akan rusak, bahkan sebelum tanda-tandanya muncul? Di tengah era digital yang sangat tergantung pada keandalan sistem elektronik, pertanyaan ini kini terjawab melalui pendekatan Physics-of-Failure (PoF). Artikel ini membahas metode terbaru prognostik berbasis PoF yang menggabungkan pemantauan data sensor dengan model fisik kerusakan, sehingga memungkinkan prediksi umur pakai dan pengambilan keputusan perawatan secara presisi.

Penelitian ini disusun oleh Michael Pecht dan Jie Gu, yang dikenal sebagai pelopor pendekatan Prognostics and Health Management (PHM) dalam sistem elektronik. Penelitian mereka memberikan kerangka implementasi PHM berbasis PoF yang praktis dan terbukti sukses di berbagai aplikasi industri—dari pesawat ulang-alik NASA hingga sistem komputer komersial.

Masalah Model Prediksi Tradisional: Gagal dalam Realita

Model prediksi reliabilitas konvensional seperti Mil-HDBK-217, Telcordia, dan PRISM sangat bergantung pada data historis tingkat kegagalan, dengan asumsi tingkat kegagalan konstan. Pendekatan ini telah lama dikritik karena:

• Tidak mempertimbangkan kondisi nyata pemakaian produk
• Tidak melibatkan analisis penyebab kerusakan (root cause analysis)
• Menyediakan prediksi yang menyesatkan dan berisiko pada desain produk dan logistik

IEEE 1413.1 menegaskan kelemahan ini dan mendukung pendekatan PoF sebagai metode prediksi yang lebih akurat.

Apa Itu Physics-of-Failure (PoF)?

PoF adalah metode yang memanfaatkan pengetahuan tentang beban siklus hidup produk dan mekanisme kerusakan untuk memperkirakan keandalan.

Dalam praktiknya, pendekatan ini terdiri dari:

• Identifikasi mode, mekanisme, dan lokasi kerusakan
• Pemodelan beban (thermal, mekanik, kimia, listrik, fisik)
• Penggunaan sensor untuk pemantauan data secara in situ
• Perhitungan akumulasi kerusakan berdasarkan model fisika

Pendekatan ini digunakan untuk membuat prediksi dinamis tentang kesehatan sistem secara real-time.

Manfaat Prognostik Berbasis PoF: Kenapa Ini Penting?

✅ Deteksi dini sebelum kerusakan terjadi

✅ Minimalkan perawatan mendadak dan downtime

✅ Kurangi biaya siklus hidup produk

✅ Bantu perancangan sistem baru yang lebih andal

Studi Kasus: Prediksi Umur Elektronik di Dunia Nyata

1. Sistem Mobil: Solder FR-4 dengan In-situ Sensor

• Sensor suhu dan getaran dipasang di dalam ruang mesin
• Model kerusakan digunakan untuk menghitung umur pakai komponen
• Hasil: Estimasi sisa umur akurat berdasarkan paparan beban termal dan mekanik

2. NASA: Unit Elektronik Robotic Arm

• Data suhu dan getaran dikumpulkan selama penggunaan di luar angkasa
• Prognostik menunjukkan tidak ada degradasi signifikan, dan desain umur 20 tahun bisa diperpanjang

3. Space Shuttle SRB: Circuit Card Assessment

• Pengukuran getaran dari pra-peluncuran hingga splashdown
• Digunakan untuk menilai kerusakan akumulatif dan sisa umur
• Komponen elektronik diprediksi bertahan hingga 40 misi lagi

4. IBM Drive-TIP & Notebook Monitoring

• Sensor suhu internal hard drive dan notebook komputer
• Digunakan untuk mencegah kerusakan akibat suhu ekstrem
• Hasil digunakan untuk desain termal dan estimasi umur pakai

Langkah Implementasi Prognostik PoF

1. Analisis FMMEA (Failure Mode, Mechanism, and Effect Analysis)

• Identifikasi komponen kritis dan mode kegagalan dominan
• Prioritaskan berdasarkan dampak dan probabilitas

2. Pemantauan Beban Siklus Hidup (Life Cycle Load Monitoring)

• Beban thermal, mekanik, kimia, listrik dicatat secara real-time
• Fokus hanya pada beban dominan penyebab mayoritas kerusakan

3. Ekstraksi Fitur & Reduksi Data

• Gunakan metode seperti:
  • Rainflow counting
  • Range-pair counting
  • Ordered Overall Range (OOR)
• Kurangi ukuran data tanpa menghilangkan informasi penting kerusakan

4. Penilaian Kerusakan & Estimasi Sisa Umur

• Gunakan model seperti:
  • Coffin-Manson untuk fatigue akibat suhu
  • Basquin untuk beban getaran
  • Miner’s Rule untuk akumulasi kerusakan
• Hitung waktu ke kegagalan berdasarkan profil siklus hidup aktual

5. Evaluasi Ketidakpastian

• Kategori ketidakpastian:
  • Sensor (measurement)
  • Parameter model
  • Kriteria kegagalan
  • Beban masa depan
• Gunakan Monte Carlo Simulation untuk distribusi sisa umur

Ringkasan Model Kerusakan Populer (Tabel)

Berbagai mekanisme kerusakan pada perangkat elektronik memiliki karakteristik spesifik yang telah dimodelkan dengan pendekatan-pendekatan populer. Kerusakan akibat fatigue pada sambungan solder dan wire bond umumnya terjadi di area solder joints, dipicu oleh variasi suhu (ΔT), variasi tegangan (ΔV), dan regangan mekanik. Fenomena ini secara luas dimodelkan menggunakan rumus Coffin-Manson, yang menggambarkan hubungan antara deformasi plastis siklik dan umur kelelahan. Elektromigrasi menjadi isu utama pada jalur metalisasi interkoneksi, disebabkan oleh suhu tinggi dan kepadatan arus listrik yang besar; perilaku degradasinya secara kuantitatif dijelaskan melalui model Black. Sementara itu, korosi pada permukaan PCB biasanya terjadi akibat kombinasi kelembaban dan suhu lingkungan, dan diestimasi menggunakan model Eyring, yang mempertimbangkan efek percepatan dari variabel lingkungan. Terakhir, breakdown dielektrik yang umum terjadi pada lapisan IC di bawah tegangan sangat tinggi, dijelaskan melalui model Fowler–Nordheim, yang memodelkan efek tunneling elektron di medan listrik ekstrim. Setiap model ini memberikan dasar penting dalam strategi prediktif untuk manajemen keandalan sistem elektronik.

Aplikasi Prognostik PoF di Industri

1. Produk Baru

• PoF dapat langsung diaplikasikan karena hanya butuh geometri & material
• Cocok untuk desain produk baru yang belum punya data kegagalan

2. Sistem Lama (Legacy Systems)

• PoF digunakan untuk menilai kesehatan sistem berdasarkan riwayat beban
• Sensor baru bisa dipasang untuk memperbarui status kesehatan secara berkala

3. Sistem Militer & Supply Chain

• LRU militer (Line Replaceable Units) menggunakan wireless sensor & prediksi web-based
• Data prognostik digunakan untuk jadwal perawatan proaktif

Kritik & Perbandingan

Kelebihan PoF-based Prognostik:

• Realistis dan dinamis, mencerminkan kondisi sebenarnya
• Cocok untuk sistem baru dan lama
• Bisa digunakan di lingkungan ekstrem seperti ruang angkasa

Kekurangan:

• Memerlukan integrasi sensor dan model yang cermat
• Evaluasi kerusakan sangat tergantung kualitas data in-situ
• Belum semua industri siap dari sisi infrastruktur digital

Opini: Strategi Wajib di Era Industri 4.0

Pendekatan PoF bukan hanya soal teknologi, tetapi strategi bisnis cerdas untuk menurunkan downtime, memperpanjang umur produk, dan menurunkan biaya pemeliharaan. Dengan meningkatnya tuntutan produk tahan lama, PHM berbasis PoF menjadi keharusan di sektor-sektor seperti kedirgantaraan, pertahanan, dan elektronik konsumen.

Kesimpulan: Masa Depan Elektronik Terletak pada Prediksi, Bukan Reaksi

PoF-based Prognostics adalah solusi prediksi kesehatan produk elektronik yang tidak lagi mengandalkan asumsi, tapi berbasis data dan model kerusakan nyata. Dengan pemanfaatan sensor, model kerusakan fisik, dan pengolahan data efisien, sistem elektronik kini bisa memperkirakan kapan akan gagal—memberi waktu yang cukup untuk bertindak, bukan bereaksi.

Sumber : Michael Pecht dan Jie Gu. Physics-of-failure-based prognostics for electronic products. Transactions of the Institute of Measurement and Control, 2009.

 

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.