Pendahuluan: Masalah yang Sering Terjadi Tapi Jarang Terlihat

Dalam industri energi, otomotif, dan elektronik berdaya tinggi, modul IGBT (Insulated Gate Bipolar Transistor) menjadi jantung dari sistem konversi daya. Namun, kegagalan mendadak pada modul masih menjadi masalah besar, meskipun telah melalui pengujian daya tahan. Penyebab utamanya? Interkoneksi lemah, terutama di area bonding wire dan solder yang sering kali terabaikan dalam pemantauan real-time.

Kristian Bonderup Pedersen, dalam disertasinya di Aalborg University, menjawab tantangan ini dengan kombinasi pendekatan Physics-of-Failure (PoF) dan teknik karakterisasi mikro untuk menganalisis degradasi antarmuka pada modul IGBT. Artikel ini akan membedah teknik dan temuan utama, serta menyambungkannya dengan tren industri terkini dalam pemeliharaan prediktif.

Fokus Studi: Modul Daya Berbasis IGBT dan Titik Lemahnya

Modul IGBT umumnya terdiri dari:

• Lapisan baseplate (3000 µm)
• Solder & DCB (Direct Copper Bonded substrate)
• Chip diode & IGBT (300 µm)
• Interkoneksi aluminium wire (400 µm)

Masalah utama muncul pada antarmuka antara Aluminium bond wire dan chip/metal base, yang rentan terhadap:

• Fatigue mekanik akibat mismatch ekspansi termal
• Lift-off dari wire bond
• Cracking di area "heel" wire
• Delaminasi solder dan degradasi grain

Teknik Diagnostik: Micro-Sectioning dan Four-Point Probing

1. Micro-Sectioning: Autopsi Komponen Elektronik

Metode ini digunakan untuk membuka dan melihat struktur granular pada antarmuka wire secara detail melalui:

• Polishing mekanik dan kimia
• Electro-etching dengan Barker’s reagent
• Mikroskopi cahaya terpolarisasi dan SEM (Scanning Electron Microscopy)

Hasilnya memungkinkan:

• Visualisasi grain refinement region
• Penilaian kualitas bonding berdasarkan struktur mikroskopik
• Estimasi umur pakai berdasarkan area rekristalisasi

2. Four-Point Probing: Deteksi Non-Destruktif

Teknik ini memungkinkan pengukuran resistansi lokal antar komponen (chip, solder, wire) tanpa merusak.
Manfaatnya:

• Identifikasi degradasi dini pada interkoneksi
• Evaluasi kerataan arus listrik antar wire
• Mendeteksi potensi delaminasi sebelum kegagalan total

Studi Kasus A: Efek Kualitas Bonding terhadap Ketahanan

Variasi Sample dan Parameter

• 2 tipe kabel Al (A dan B), kemurnian 99,99%
• 3 level daya bonding (1.0x, 1.25x, 1.5x)
• Total 6 kombinasi: A1–A3 dan B1–B3
• Diuji dengan shear test, microscopy, dan FIB cross-section

Temuan Kunci:

• Semakin tinggi power ultrasonik, semakin besar refinement zone → bonding lebih kuat
• Wire A (grain besar): shear test tinggi, refinement abrupt
• Wire B (grain kecil): shear test kuat tapi lebih sulit dibonding sempurna
• 3D reconstruction memperlihatkan bahwa grain halus terbentuk membentuk setengah elipsoid di bawah permukaan bonding

Studi Kasus B: Deteksi Degradasi dengan Four-Point Probing

Modul yang Diuji:

• Module A (baru)
• Module B (tengah siklus)
• Module C (hampir rusak)

Konfigurasi Pengujian:

1. Sectional probing: mengukur resistansi dari terminal IGBT → Output
2. Chip-level probing: mengukur resistansi solder dan metalisasi
3. Wire interface probing: resistansi lokal pada interface wire-chip

Hasil:

• Module C menunjukkan kenaikan resistansi signifikan di beberapa wire
• Perbedaan resistansi paling besar terdeteksi di wire ujung (lebih panjang)
• Crack dan delaminasi bisa diidentifikasi sebelum benar-benar rusak

Relevansi untuk Industri dan Tren Ke Depan

Keunggulan Kombinasi Micro-Sectioning & Probing:

• Diagnostik berbasis ilmu fisika, bukan asumsi statistik
• Akurat bahkan untuk modul tanpa data historis
• Bisa digunakan untuk optimasi desain wire bonding dan solder

Potensi Aplikasi:

• Industri otomotif & energi: prediksi kerusakan inverter dan konverter
• Platform e-learning teknik: simulasi bonding & degradasi
• Desain sistem prediktif AI dalam digital twin

Kritik dan Saran

Tantangan:

• Micro-sectioning destruktif, cocok hanya untuk sampling terbatas
• Four-point probing butuh presisi tinggi → alat ukur mahal
• Belum semua proses inline manufacturing bisa mengakomodasi pendekatan ini

Saran Pengembangan:

• Kembangkan metode semi-destruktif atau berbasis X-ray diffraction
• Integrasi probing ke dalam mesin uji otomatis di lini produksi
• AI-assisted pattern recognition dari citra grain refinement

Kesimpulan: Diagnostik Modern untuk Modul Masa Depan

Pedersen menawarkan pendekatan terobosan dan aplikatif untuk memahami degradasi modul IGBT hingga ke tingkat mikroskopik. Teknik ini mengubah cara kita melihat keandalan bukan hanya sebagai hasil statistik, tapi sebagai fenomena fisis yang bisa diukur, divisualisasi, dan dicegah.

Bagi pelaku industry, teknik ini membuka peluang:

• Memperpanjang umur produk
• Mengurangi klaim garansi
• Mempercepat validasi desain

Dan bagi platform edukasi atau engineer masa depan, ini adalah bekal teknis yang mengakar pada realita lapangan dan prinsip ilmiah yang kuat.

Referensi : Pedersen, Kristian Bonderup. IGBT Module Reliability. Physics-of-Failure Based Characterization and Modelling. PhD Thesis, Aalborg University, 2014.

Pendahuluan: Tantangan Uji Keandalan di Era Produk Super Tangguh

Di era teknologi maju, perangkat elektronik dan mekanis semakin tangguh. Namun, justru karena daya tahannya yang tinggi, pengujian kebisingan (pengujian reliabilitas) sehingga memakan waktu dan biaya besar. Menunggu produk rusak secara alami bisa memakan waktu bertahun-tahun. Maka, muncullah metode Accelerated Life Testing (ALT) — solusi untuk mempercepat pengumpulan data masa pakai produk dengan "mempercepat kematian" produk lewat stres buatan seperti suhu tinggi atau tegangan ekstrim.

Makalah karya Abdullah Ali H. Ahmadini (Durham University, 2019) memperkenalkan pendekatan analisis baru dalam ALT: metode statistik berbasis bumi (metode statistik tidak tepat) yang menawarkan solusi lebih fleksibel dan realistis untuk kondisi data tidak lengkap dan model yang kompleks.

Apa Itu Metode Statistik yang Tidak Tepat?

Pendekatan statistik biasanya konvensional mengandalkan asumsi yang kuat tentang distribusi data. Misalnya, kita menganggap waktu gagal suatu produk mengikuti distribusi Weibull atau Eksponensial. Namun, kenyataannya tidak selalu konsisten. Oleh karena itu, pendekatan "probabilitas tidak tepat" hadir sebagai solusi — alih-alih satu nilai, probabilitas dinyatakan dalam jarak (interval) . Ini memungkinkan model lebih tahan terhadap pelanggaran informasi atau data yang kurang.

Accelerated Life Testing (ALT): Prinsip Dasar

ALT mempercepat kegagalan produk dengan memberikan beban lebih besar dari kondisi normal — seperti suhu tinggi, tegangan ekstrem, atau tekanan. Dengan itu, kita bisa memprediksi masa pakai dalam waktu singkat .

Tiga jenis model hubungan stres-waktu kegagalan:

• Model Arrhenius : untuk stres suhu (berbasis teori kimia).
• Model Eyring : alternatif Arrhenius dengan pendekatan lebarnya.
• Model Power-Law : untuk tegangan tegangan.

Model ini menghubungkan parameter distribusi kegagalan (biasanya skala/skala) di berbagai tingkat stres.

Kontribusi Utama Penelitian Ini

1. Integrasi NPI dan Fungsi Link

Penelitian ini menggabungkan:

• Nonparametric Predictive Inference (NPI) : memberikan prediksi dalam bentuk interval survival function , bukan satu nilai.
• Fungsi Link : menghubungkan tingkat stres tinggi ke tingkat normal, agar data dari ALT dapat digunakan untuk meramalkan kegagalan pada kondisi riil.

2. Estimasi Ketidaktepatan Berdasarkan Uji Statistik

• Penulis tidak sembarangan menentukan interval jarak (γ).
• Digunakan uji rasio kemungkinan (LRT) dan uji log-rank antara data pada tingkat stres yang berbeda.
• Jika data hasil transformasi dari stres tinggi ke stres normal tidak berbeda signifikan , maka dianggap cocok → interval γ ditentukan berdasarkan batas "tidak berbeda".

Studi Kasus: Data Simulasi & Garansi Produk

Contoh Simulasi

• Data kegagalan disimulasikan dari distribusi Weibull.
• 10 data per level stres : normal (K₀ = 283K), tinggi 1 (K₁ = 313K), tinggi 2 (K₂ = 353K).
• Parameter Arrhenius γ = 5200 → menentukan skala α:
  • α₀ (normal) = 7000
  • α₁ = 1202,94
  • α₂ = 183,09

Dari simulasi ini, diuji apakah hasil transformasi data ALT (misalnya dari K₂ ke K₀) secara statistik sama dengan data asli di K₀. Jika ya, data ALT sah digunakan untuk prediksi masa pakai pada level normal.

Aplikasi pada Desain Garansi

Di bab 5, metode ini digunakan untuk menentukan:

• Biaya penalti tetap (Kebijakan A)
• Biaya penalti tergantung waktu (Kebijakan B)

Simulasi digunakan untuk memperkirakan rata-rata biaya garansi , sehingga membantu produsen menetapkan harga jual atau periode garansi optimal .

Kelebihan Pendekatan Ahmadini

• Kuat : Tidak terlalu tergantung pada asumsi distribusi.
• Fleksibel : Cocok saat data ALT terbatas atau tidak lengkap.
• Praktis : Bisa digunakan untuk evaluasi garansi dan prediksi masa pakai.
• Skalabel : Dapat dikembangkan menjadi model degradasi yang lebih kompleks atau pengujian lebih dari 2 tingkat stres.

Kritik & Peluang Pengembangan

Kritik:

• Masih berdasarkan asumsi model link sederhana (Arrhenius atau Power-Law).
• Belum mengakomodasi degradasi bertahap atau mode kegagalan ganda .
• Validasi empiris masih terbatas pada simulasi dan satu kasus nyata.

Peluang:

• Integrasi dengan pembelajaran mesin untuk prediksi lebih adaptif .
• Pengembangan ke sensor data secara kontinu atau real-time .
• Ekspansi ke industri non-elektronik (misalnya biomedis atau otomotif).

Relevansi Industri & Pendidikan

Untuk Industri :

• Produsen elektronik, otomotif, dan alat berat bisa menggunakan metode ini untuk:
  • Menentukan periode garansi optimal
  • Menghindari over-engineering atau under-warranty

Untuk Platform Pendidikan :

• Bisa dijadikan konten kursus statistik industri, kendali mutu, atau rekayasa keandalan.
• Modul yang dapat dikembangkan:
  • “Pengantar ALT dan Probabilitas Tak Pasti”
  • “Desain Garansi Berbasis Data”
  • “Simulasi Analisis Kelangsungan Hidup untuk Industri”

Kesimpulan: Menuju Pengujian Keandalan yang Lebih Cerdas

Penelitian Ahmadini membuka jalan pendekatan statistik modern dalam ALT. Dengan menggabungkan Nonparametric Predictive Inference (NPI) dan uji hipotesis statistik , ia memberikan alternatif yang lebih fleksibel dan realistis dalam menangani data yang tidak pasti atau parsial.

Referensi : Ahmadini, Abdullah Ali H. Metode Statistik yang Tidak Tepat untuk Pengujian Kehidupan yang Dipercepat . Tesis PhD, Departemen Ilmu Matematika, Durham

 

Pendahuluan: Mengapa Kualitas Proses Produksi Penting?

Dalam industri otomotif yang makin kompetitif, keandalan produk bukan lagi pilihan—melainkan keharusan. Kegagalan kecil pada komponen seperti Automotive Wire (AW) bisa berdampak besar pada sistem kendaraan secara keseluruhan. Inilah yang mendasari pentingnya pendekatan proaktif dalam mengelola risiko kualitas produksi. Artikel karya Hasbullah dkk. dalam jurnal SINERGI Vol. 21 No. 3, Oktober 2017, menjawab tantangan ini melalui penerapan Failure Mode and Effects Analysis (FMEA) pada proses insulasi kabel otomotif di PT JLC.

FMEA: Metode Preventif dalam Dunia Produksi

FMEA adalah metode sistematis untuk mengidentifikasi potensi kegagalan dalam proses, produk, atau desain sebelum masalah benar-benar terjadi. Dalam konteks PT JLC, pendekatan ini digunakan untuk menganalisis 6 fungsi utama dalam proses insulasi kabel, yang meliputi:

1. Ketebalan dan diameter insulasi
2. Kekuatan tarik dan kelenturan (elongation)
3. Warna kabel
4. Penandaan atau marking
5. Permukaan insulasi
6. Kemasan kabel

Setiap fungsi dianalisis berdasarkan tiga parameter:

• Severity (S) – seberapa parah dampak kegagalan
• Occurrence (O) – seberapa sering kegagalan bisa terjadi
• Detection (D) – seberapa mudah kegagalan terdeteksi

Ketiga aspek tersebut dikalkulasikan ke dalam skor Risk Priority Number (RPN) sebagai dasar prioritas tindakan.

Temuan Utama: 3 Potensi Kegagalan Tertinggi

Berdasarkan data FMEA yang dikumpulkan melalui diskusi lintas departemen dan analisis laporan internal, tiga potensi kegagalan paling kritis (dengan nilai RPN tertinggi) adalah:

1. Ketidaksesuaian Warna Kabel

• RPN: 200 (Tertinggi)
• Dampak: Menyebabkan kebingungan saat instalasi, berisiko terhadap fungsi sistem otomotif.
• Penyebab utama: Komposisi material PVC compound yang tidak stabil.
• Solusi: Ganti bahan PVC dengan stabilitas warna tinggi atau cari pemasok alternatif berkualitas lebih baik.

2. Marking Kabel Tidak Jelas

• RPN: 160
• Dampak: Menyulitkan proses identifikasi kabel, berisiko terjadi salah pemasangan.
• Penyebab utama: Kerusakan pada permukaan roller marking.
• Solusi: Penggantian roller dengan kualitas material yang lebih baik.

3. Permukaan Insulasi Kasar

• RPN: 125
• Dampak: Produk ditolak oleh pelanggan saat proses pemeriksaan masuk.
• Penyebab: Parameter proses ekstrusi yang tidak optimal atau kualitas bahan buruk.

Visualisasi Data: Pareto Chart dan Fishbone Diagram

Untuk memperjelas pengambilan keputusan, tim peneliti menyusun Pareto Chart yang menunjukkan kontribusi tiap potensi kegagalan terhadap total risiko kumulatif. Hasilnya, tiga kegagalan teratas menyumbang hampir 50% dari total RPN keseluruhan (1025 poin). Ini menegaskan pentingnya fokus pada area kritikal dengan impact paling besar.

Selain itu, analisis Fishbone Diagram digunakan untuk mengidentifikasi akar penyebab masing-masing kegagalan. Metode ini melibatkan evaluasi dari aspek man, machine, method, dan material, memperlihatkan betapa pentingnya kolaborasi lintas fungsi dalam penyelesaian masalah kualitas.

Studi Kasus Industri Nyata: Menghubungkan Teori dengan Praktik

Studi ini sangat aplikatif bagi industri otomotif, karena menyajikan proses yang berbasis data dan pengalaman langsung dari manufaktur nyata. Misalnya:

• Penggunaan PVC compound yang tidak stabil menyebabkan variasi warna → solusi: audit bahan baku & pengadaan.
• Roller cetak yang aus menyebabkan marking tidak jelas → solusi: jadwal perawatan dan inspeksi berkala.

Pendekatan ini mencerminkan filosofi “do it right the first time” yang sangat dihargai dalam dunia manufaktur modern.

Nilai Tambah & Kritis

➕ Kekuatan Studi:

• Praktis: langsung berbasis pengalaman industri.
• Data-driven: penilaian berdasarkan kuantifikasi objektif melalui RPN.
• Kolaboratif: melibatkan tim lintas fungsi dari engineering, QA, hingga R&D.

❗ Catatan Kritis:

1. Tidak dijelaskan secara rinci skala pengukuran skor S, O, dan D, padahal variasi persepsi penilaian bisa memengaruhi hasil.
2. Tidak disebutkan penerapan tindakan korektif dan evaluasi dampaknya dalam jangka panjang. Ini penting untuk mengukur efektivitas solusi yang diterapkan.
3. Fokus hanya pada satu perusahaan, yang bisa membatasi generalisasi hasil ke konteks manufaktur yang berbeda.

Relevansi terhadap Tren Industri & Pembelajaran Modern

Dalam era industri 4.0 dan digitalisasi produksi, penerapan FMEA bisa dipadukan dengan sistem pemantauan berbasis IoT atau AI untuk prediksi kegagalan secara real-time. Selain itu, FMEA juga bisa menjadi bagian dari strategi Lean Six Sigma, terutama dalam tahapan Define, Measure, Analyze.

Bagi platform edukasi atau pelatihan industri, studi ini cocok dijadikan modul dalam:

• Pelatihan Quality Control dan Risk Management
• Pembelajaran metode Root Cause Analysis
• Penguatan literasi data dalam pengambilan keputusan teknis

Kesimpulan: Kenapa Artikel Ini Penting untuk Dunia Produksi?

Artikel ini menunjukkan bahwa pengendalian kualitas tidak hanya soal inspeksi akhir, tetapi proses terintegrasi yang dimulai sejak perencanaan dan desain. Dengan analisis FMEA, PT JLC berhasil mengidentifikasi titik-titik kritis yang memengaruhi kualitas produk dan loyalitas pelanggan.

Lebih dari itu, studi ini mengajarkan bahwa:

• Data adalah panduan utama dalam prioritas perbaikan.
• Kolaborasi antar departemen adalah kunci solusi.
• Dan bahwa kualitas bukan sekadar hasil akhir, tetapi komitmen terhadap proses yang benar sejak awal.

Referensi : Hasbullah, M. Kholil, & Dwi Aji Santoso. "Analisis Kegagalan Proses Insulasi pada Produksi Automotive Wires (AW) dengan Metode Failure Mode and Effect Analysis (FMEA) pada PT JLC." SINERGI Vol. 21 No. 3, Oktober 2017: 193-203.