Pendahuluan

Dalam industri manufaktur modern, manajemen operasional berperan penting dalam memastikan efisiensi produksi, mengurangi waktu henti (downtime), dan meningkatkan keandalan mesin serta fasilitas. Downtime akibat kegagalan mesin dapat menyebabkan kerugian finansial yang besar. Sebagai contoh, dalam industri pengemasan makanan, kegagalan satu peralatan dapat menyebabkan kerugian hingga $15.000 per jam. Oleh karena itu, diperlukan pendekatan pemeliharaan yang efektif untuk memastikan sistem produksi tetap berjalan optimal.

Artikel ini membahas strategi pemeliharaan dan metode analisis keandalan, termasuk Preventive Maintenance (PM), Predictive Maintenance (PDM), Breakdown Maintenance (BM), dan Reliability-Centred Maintenance (RCM). Selain itu, dibahas juga metode evaluasi keandalan seperti Reliability Block Diagram (RBD) dan Fault Tree Analysis (FTA).

Jenis-Jenis Strategi Pemeliharaan

1. Preventive Maintenance (PM)

Strategi ini menerapkan pemeliharaan berdasarkan jadwal yang ditentukan, seperti pelumasan, inspeksi, dan penggantian suku cadang secara berkala. Keunggulannya adalah mengurangi risiko kerusakan besar dan meningkatkan umur peralatan, tetapi dapat menyebabkan pemborosan waktu dan biaya jika dilakukan secara berlebihan.

2. Predictive Maintenance (PDM)

PDM menggunakan sensor dan analisis data untuk mendeteksi potensi kegagalan sebelum terjadi. Teknik yang digunakan termasuk analisis getaran, termografi, dan pengujian pelumas. Meskipun lebih akurat, metode ini memerlukan investasi awal yang tinggi untuk implementasi sistem monitoring.

3. Breakdown Maintenance (BM)

Juga dikenal sebagai Run-to-Failure, metode ini membiarkan mesin beroperasi hingga benar-benar rusak sebelum diperbaiki. Pendekatan ini lebih murah untuk komponen non-kritis, tetapi dapat menyebabkan downtime yang tidak terduga dan kerugian produksi jika diterapkan pada komponen vital.

4. Reliability-Centred Maintenance (RCM)

RCM adalah pendekatan berbasis keandalan yang mengombinasikan semua strategi pemeliharaan sebelumnya. Dengan menganalisis keandalan sistem, strategi ini memungkinkan pengurangan biaya pemeliharaan sambil meningkatkan efisiensi operasional.

Metode Analisis Keandalan

1. Reliability Block Diagram (RBD)

RBD memetakan hubungan antar komponen dalam sistem dan menunjukkan bagaimana suatu kegagalan dapat memengaruhi keseluruhan operasional. Model ini dapat berupa:

• Sistem Seri – Jika satu komponen gagal, seluruh sistem ikut gagal.
• Sistem Paralel – Jika satu komponen gagal, sistem masih bisa berjalan dengan redundansi.

Rumus dasar keandalan dalam sistem seri dan paralel adalah:

• Reliability Seri: Rsistem=R1×R2×R3×...RnR_{sistem} = R_1 \times R_2 \times R_3 \times ... R_n
• Reliability Paralel: R=1−(1−R1)(1−R2)R = 1 - (1 - R_1) (1 - R_2)

Dengan pendekatan ini, perusahaan dapat menentukan komponen mana yang paling rentan terhadap kegagalan, sehingga dapat difokuskan untuk pemeliharaan preventif.

2. Fault Tree Analysis (FTA)

FTA menggunakan diagram pohon kesalahan untuk mengidentifikasi penyebab utama kegagalan sistem. Metode ini mempermudah analisis akar masalah (root cause analysis) dan membantu dalam perencanaan pemeliharaan berbasis risiko.

3. Markov Analysis

Markov Analysis memprediksi keandalan sistem berdasarkan probabilitas transisi antar kondisi (misalnya, dari kondisi normal ke kondisi gagal). Metode ini sangat berguna dalam menganalisis sistem yang memiliki banyak mode kegagalan.

Studi Kasus dan Hasil Simulasi

Dalam studi kasus yang dianalisis, penggunaan Predictive Maintenance (PDM) mampu menurunkan biaya pemeliharaan hingga 30%, sementara Reliability-Centred Maintenance (RCM) meningkatkan keandalan sistem sebesar 25% dibandingkan metode Breakdown Maintenance (BM). Selain itu, dengan menggunakan RBD dan FTA, perusahaan dapat mengidentifikasi komponen kritis yang menyumbang 80% dari total kegagalan sistem.

Hasil lain yang ditemukan dalam simulasi:

• Tanpa pemeliharaan preventif, tingkat keandalan sistem turun hingga 50% setelah 5 tahun operasional.
• Dengan pemeliharaan berbasis keandalan (RCM), downtime dapat dikurangi hingga 40% dan efisiensi produksi meningkat.
• Penerapan sensor untuk analisis PDM berhasil mendeteksi potensi kegagalan 2 minggu sebelum terjadinya kerusakan, menghemat biaya perbaikan yang lebih besar.

Kesimpulan dan Rekomendasi

Berdasarkan hasil analisis, strategi pemeliharaan yang paling efektif adalah kombinasi antara Predictive Maintenance (PDM) dan Reliability-Centred Maintenance (RCM). Dengan penerapan metode ini, industri dapat:

• Mengurangi downtime secara signifikan.
• Menekan biaya perawatan jangka panjang.
• Meningkatkan efisiensi produksi dan keandalan sistem.

Bagi perusahaan manufaktur yang ingin meningkatkan daya saing, adopsi sistem pemeliharaan berbasis data dan analisis keandalan adalah langkah yang sangat direkomendasikan.

Sumber : Sunday A. Afolalu, Omolayo M. Ikumapayi, Osise Okwilagwe, Moses M. Emetere, Bernard A. Adaramola. Evaluation of Effective Maintenance and Reliability Operation Management – A Review.

Pendahuluan

Ethylene oxide (EtO) adalah gas mudah terbakar yang banyak digunakan dalam industri kimia untuk pembuatan poliuretan, deterjen, dan pelarut. Namun, karena sifatnya yang berbahaya dan beracun, pengelolaan fasilitas produksi EtO memerlukan sistem pemeliharaan yang optimal untuk mengurangi risiko kebakaran, ledakan, serta paparan toksik terhadap pekerja.

Artikel ini membahas pendekatan Reliability Block Diagram (RBD) untuk menilai keandalan sistem produksi EtO, mengidentifikasi komponen kritis, serta mengembangkan rencana pemeliharaan berbasis risiko (Risk-Based Maintenance, RBM). Dengan menggunakan simulasi RBD, artikel ini menunjukkan bagaimana strategi pemeliharaan dapat mengurangi kegagalan sistem hingga 30% dan meningkatkan efektivitas operasional.

Metode dan Model Keandalan

Pendekatan yang digunakan dalam penelitian ini meliputi:

1. Pengembangan Reliability Block Diagram (RBD) – Model ini mengidentifikasi komponen utama yang berkontribusi pada kegagalan sistem produksi EtO.
2. Analisis Pemeliharaan Berbasis Risiko (RBM) – Menentukan frekuensi optimal pemeliharaan berdasarkan kemungkinan dan dampak kegagalan.
3. Simulasi Keandalan Sistem – Menggunakan perangkat lunak BlockSim 7.0.14 untuk mensimulasikan keandalan sistem dan menentukan efektivitas strategi pemeliharaan.

Hasil simulasi menunjukkan bahwa komponen paling rentan terhadap kegagalan adalah:

• Flammable Gas Detector (Sensor Gas Mudah Terbakar)
• Flame Arrestor A & B (Peralatan Penghenti Api)
• Ignition Source (Sumber Penyalaan)

Keempat komponen ini memiliki kontribusi terbesar terhadap risiko kebakaran, dengan tingkat keandalan kurang dari 50% setelah 5 tahun operasional.

Hasil Simulasi dan Studi Kasus

Dalam skenario tanpa pemeliharaan, sistem diperkirakan akan mengalami kegagalan besar dalam waktu 1,5 tahun. Namun, dengan penerapan strategi pemeliharaan preventif, hasil simulasi menunjukkan peningkatan yang signifikan:

• Meningkatkan waktu operasional tanpa kegagalan hingga 50 tahun.
• Menurunkan risiko kebakaran dengan mendeteksi dan memperbaiki komponen kritis secara berkala.
• Mengurangi downtime dan biaya perbaikan darurat.

Berikut adalah interval pemeliharaan yang direkomendasikan berdasarkan perhitungan reliabilitas:

• Flammable Gas Detector → Pemeliharaan setiap 0,5 tahun
• Flame Arrestor A & B → Pemeliharaan setiap 0,88 tahun
• Ignition Source → Pemeliharaan setiap 0,75 tahun

Dalam implementasi di industri, strategi ini terbukti mengurangi risiko insiden hingga 40% dan meningkatkan efisiensi operasional.

Kesimpulan dan Implikasi Industri

Pendekatan Reliability Block Diagram (RBD) terbukti efektif dalam meningkatkan keandalan sistem produksi ethylene oxide. Dengan mengidentifikasi komponen kritis dan menerapkan strategi pemeliharaan berbasis risiko, industri dapat:

• Mengurangi kemungkinan kecelakaan kerja dan dampak lingkungan.
• Meningkatkan efektivitas pemeliharaan dan mengoptimalkan biaya operasional.
• Memastikan kepatuhan terhadap standar keselamatan industri kimia.

Kesimpulan dari penelitian ini menegaskan bahwa pemeliharaan berbasis reliabilitas (RBD) merupakan pendekatan yang lebih efisien dibandingkan pemeliharaan berdasarkan manual OEM, karena mempertimbangkan data historis kegagalan spesifik untuk setiap fasilitas produksi.

Sumber : Mohamad Nashakir bin Md Dom. Reliability Block Diagram Assessment of Ethylene Oxide Production Facilities. Universiti Teknologi PETRONAS, 2011.

Pendahuluan

Keandalan komunikasi nirkabel menjadi faktor krusial dalam pengembangan jaringan 5G, terutama dalam layanan yang membutuhkan Ultra-Reliable Low Latency Communication (URLLC). Artikel ini membahas pendekatan Reliability Block Diagram (RBD) untuk memodelkan, menganalisis, dan memprediksi keberhasilan transmisi data dalam sistem nirkabel. Metode ini mempertimbangkan faktor-faktor seperti fading, mobilitas, interferensi, serta penggunaan teknik redundansi seperti Automatic Repeat reQuest (ARQ) dan Hybrid Automatic Repeat reQuest (HARQ).

Metode dan Model Keandalan

Model keandalan yang dibahas dalam artikel ini mempertimbangkan berbagai fenomena yang memengaruhi transmisi data, antara lain:

1. Pathloss – Penurunan daya sinyal akibat jarak dan hambatan.
2. Shadowing – Gangguan sinyal akibat objek di sekitar lingkungan komunikasi.
3. Multipath Fading – Variasi kekuatan sinyal karena pantulan dan hambatan.

Dalam konteks ini, Reliability Block Diagram (RBD) digunakan untuk menentukan apakah suatu transmisi berhasil atau gagal. Artikel ini menjelaskan bahwa sistem komunikasi nirkabel dalam 5G umumnya merupakan sistem seri, di mana kegagalan satu elemen dapat menyebabkan kegagalan keseluruhan transmisi.

Analisis Keandalan dan Simulasi

Artikel ini menggunakan fungsi keandalan (R(t)) dan laju kegagalan (λ(t)) untuk mengukur tingkat keberhasilan transmisi. Berdasarkan hasil simulasi:

• Pathloss dimodelkan menggunakan distribusi eksponensial.
• Shadowing mengikuti distribusi log-normal.
• Multipath Fading dimodelkan menggunakan distribusi Rayleigh.

Hasil simulasi menunjukkan bahwa tanpa teknik redundansi, rata-rata waktu sebelum kegagalan transmisi (Transmission Time to Failure, TTTF) hanya 0,65 unit waktu. Namun, dengan penerapan retransmisi, nilai TTTF meningkat menjadi 0,98 unit waktu, membuktikan bahwa retransmisi dapat meningkatkan keandalan komunikasi secara signifikan.

Penerapan dan Studi Kasus

Artikel ini menyoroti bagaimana pendekatan ini dapat diterapkan dalam berbagai skenario industri, seperti:

• Komunikasi Kendaraan-ke-Kendaraan (V2V) untuk meningkatkan keselamatan lalu lintas.
• Jaringan sensor industri yang membutuhkan transmisi data andal dalam lingkungan dengan gangguan tinggi.
• 5G untuk layanan kritis, seperti telemedicine dan otomatisasi industri.

Data dari proyek EU METIS menunjukkan bahwa sistem dengan optimasi keandalan dapat meningkatkan keberhasilan transmisi hingga 20-30%, mengurangi latensi hingga 50%, dan meningkatkan efisiensi energi dalam komunikasi seluler.

Kesimpulan dan Implikasi

Artikel ini membuktikan bahwa model Reliability Block Diagram (RBD) dapat digunakan secara efektif untuk memprediksi keandalan jaringan 5G. Dengan pendekatan ini, operator jaringan dapat mengoptimalkan infrastruktur mereka untuk meningkatkan keandalan layanan. Penggunaan teknik retransmisi dan redundansi juga terbukti mampu meningkatkan probabilitas keberhasilan transmisi, sehingga memungkinkan implementasi aplikasi URLLC dalam berbagai industri.

Sumber : Sattiraju, R., & Schotten, H. D. Reliability Modeling, Analysis and Prediction of Wireless Mobile Communications. University of Kaiserslautern. Proceedings of 79th IEEE Vehicular Technology Conference (IEEE VTC Spring 2014).

Pendahuluan

Dalam industri manufaktur dan proses, keandalan (reliability), ketersediaan (availability), dan pemeliharaan (maintainability) (RAM) merupakan faktor utama yang menentukan efisiensi operasional dan keberlanjutan produksi. Kegagalan sistem yang tidak terduga dapat menyebabkan kerugian finansial yang besar, dengan estimasi kehilangan pendapatan mencapai $500 - $100.000 per jam akibat shutdown pabrik (Tan & Kramer, 1997).

Penelitian oleh Narendra Kumar dan P.C. Tewari ini membahas berbagai pendekatan RAM yang dapat diterapkan sejak tahap desain konseptual untuk meminimalkan risiko kegagalan sistem dan mengoptimalkan pemeliharaan.

Metodologi Penelitian

Pendekatan dalam penelitian ini mencakup metode kuantitatif dan kualitatif, termasuk:

1. Reliability Block Diagram (RBD)
   • Memodelkan hubungan keandalan antar komponen dalam sistem.
   • Menentukan dampak konfigurasi seri, paralel, dan kompleks terhadap keandalan sistem.
2. Fault Tree Analysis (FTA)
   • Mengidentifikasi jalur kegagalan yang dapat menyebabkan shutdown sistem.
   • Menentukan kombinasi kegagalan yang paling berisiko.
3. Simulasi Monte Carlo
   • Menganalisis dinamika kegagalan sistem dalam berbagai skenario operasi.
   • Menentukan waktu rata-rata sebelum kegagalan (MTBF) dan waktu rata-rata perbaikan (MTTR).
4. Markov Chains dan Petri Nets
   • Memodelkan kegagalan sistem berbasis probabilitas transisi antar status operasi.
   • Mempertimbangkan dampak kegagalan bersama (Common Cause Failures - CCF).

Hasil dan Temuan Utama

1. Pengaruh Keandalan terhadap Ketersediaan Pabrik

• Keandalan sistem meningkat 20% ketika konfigurasi redundansi diterapkan, dibandingkan sistem tanpa redundansi.
• Sistem berbasis komponen modular memiliki keandalan hingga 95%, dibandingkan dengan 88% pada sistem non-modular.
• Analisis pada industri kimia menunjukkan bahwa perbaikan strategi pemeliharaan dapat meningkatkan ketersediaan hingga 15%.

2. Efektivitas Pendekatan RAM dalam Optimalisasi Pemeliharaan

• Metode pemeliharaan prediktif berbasis sensor IoT mampu mengurangi downtime hingga 30% dibandingkan metode reaktif.
• Penerapan metode Bayesian dalam estimasi keandalan meningkatkan akurasi prediksi kegagalan hingga 12%.
• Analisis Petri Net pada sistem pembangkit listrik menunjukkan bahwa model ini lebih unggul dalam menangani kegagalan bersamaan dibandingkan FTA.

3. Hambatan dalam Implementasi RAM

• Kendala teknis, seperti kurangnya data kegagalan historis dan kompleksitas model keandalan.
• Hambatan manajerial, termasuk minimnya dukungan dari manajemen dan investasi yang diperlukan untuk sistem RAM berbasis AI.

Implikasi Industri & Rekomendasi

1. Integrasi Metode RAM Sejak Tahap Desain Awal

• Gunakan kombinasi RBD, FTA, dan Markov Chains untuk mengidentifikasi jalur kegagalan sejak awal.
• Optimalkan pemilihan komponen dengan mempertimbangkan biaya dan dampak keandalan terhadap ketersediaan sistem.

2. Penerapan Teknologi Prediktif dalam Pemeliharaan

• Menggunakan sensor pintar dan AI untuk mendeteksi pola kegagalan lebih awal.
• Mengadopsi simulasi berbasis Monte Carlo untuk memperkirakan kemungkinan downtime dan strategi mitigasi.

3. Standarisasi dan Regulasi Keandalan di Industri

• Mengacu pada standar IEC 61508 dan ISO 26262 dalam evaluasi RAM untuk meningkatkan keandalan sistem produksi.
• Menerapkan kebijakan pemeliharaan berbasis data (data-driven maintenance) untuk mengurangi biaya operasional.

Kesimpulan

Penelitian ini menegaskan bahwa pendekatan RAM (Reliability, Availability, Maintainability) harus diterapkan sejak tahap desain proses konseptual untuk memastikan efisiensi operasional yang optimal. Dengan menggunakan metode RBD, FTA, Monte Carlo, dan Markov Chains, industri dapat mengurangi downtime, meningkatkan keandalan sistem, serta menekan biaya pemeliharaan dan produksi.

Sumber : Narendra Kumar dan P. C. Tewari (2018). A Review on the Reliability, Availability, and Maintainability (RAM) Approaches in Conceptual Process Design. Proceedings of the International Conference on Industrial Engineering and Operations Management, Bandung, Indonesia.

Pendahuluan

Dalam industri manufaktur dan rekayasa, prediksi keandalan sejak tahap awal desain menjadi semakin penting untuk mengurangi risiko kegagalan dan biaya produksi. Tradisionalnya, keandalan hanya dapat diukur setelah produk diuji atau digunakan dalam kondisi nyata, yang sering kali terlambat dan mahal.

Penelitian ini, yang dilakukan oleh Yao Cheng, berfokus pada pengembangan metode baru dalam prediksi keandalan produk di tahap awal desain, terutama dengan mempertimbangkan keterbatasan informasi yang tersedia saat fase konseptual.

Metodologi Penelitian

Beberapa metode utama yang digunakan dalam penelitian ini meliputi:

1. Reliability Block Diagram (RBD)
   • Model diagram blok keandalan digunakan untuk memprediksi keandalan sistem secara keseluruhan berdasarkan keandalan subsistem dan komponennya.
2. Model Bayesian untuk Estimasi Keandalan
   • Bayesian model digunakan untuk menggabungkan data historis, simulasi, dan opini pakar guna memberikan estimasi keandalan yang lebih akurat meskipun dengan data terbatas.
3. Pendekatan Stress-Strength Interference
   • Model ini menganalisis hubungan antara tegangan (stress) dan kekuatan (strength) suatu komponen guna menentukan probabilitas kegagalannya.
4. Simulasi Monte Carlo
   • Simulasi dilakukan untuk mengestimasi batas bawah dan atas dari keandalan sistem dalam skenario dengan data yang tidak lengkap.

Hasil dan Temuan Utama

1. Keandalan Produk Dapat Diprediksi di Tahap Awal Desain

• Dengan menggunakan pendekatan RBD dan Bayesian Model, keandalan dapat diperkirakan bahkan sebelum produk diuji secara fisik.
• Hasil simulasi menunjukkan bahwa prediksi keandalan dalam tahap awal desain memiliki akurasi hingga 85% dibandingkan dengan hasil uji lapangan.

2. Model Bayesian Efektif untuk Data Terbatas

• Metode Bayesian memungkinkan penggunaan data dari berbagai sumber (historis, simulasi, dan opini pakar) untuk memberikan estimasi keandalan yang lebih akurat.
• Model ini mengungguli metode tradisional seperti Failure Modes and Effects Analysis (FMEA) dalam kondisi data yang tidak lengkap.

3. Analisis Sensitivitas terhadap Keandalan Sistem

• Jika tingkat keandalan komponen kunci ditingkatkan sebesar 5%, keandalan sistem meningkat hingga 12%.
• Komponen dengan dampak terbesar terhadap kegagalan sistem adalah unit sensor, dengan penurunan keandalan sebesar 10% yang menyebabkan penurunan keandalan sistem hingga 30%.

4. Perbandingan Metode Prediksi Keandalan

Metode prediksi keandalan memiliki tingkat akurasi dan karakteristik yang berbeda. FMEA memiliki akurasi prediksi sekitar 60-70% dengan kelebihan mudah diterapkan, tetapi kurang efektif untuk data terbatas. RBD, dengan akurasi 75-85%, mampu memodelkan hubungan antar komponen, namun membutuhkan diagram blok yang jelas. Metode Bayesian memiliki akurasi 80-90% dan dapat menggabungkan berbagai sumber data, meskipun kompleks dalam perhitungan. Sementara itu, metode Monte Carlo menawarkan akurasi tertinggi, yaitu 85-95%, dengan kemampuan simulasi hasil yang lebih akurat, tetapi membutuhkan daya komputasi yang tinggi.

Implikasi Industri & Rekomendasi

1. Peningkatan Keandalan Melalui Desain Awal

• Perusahaan dapat mengurangi biaya garansi hingga 30% dengan menerapkan prediksi keandalan sejak tahap awal desain.
• Desain modular dengan redundansi sistem yang lebih baik meningkatkan keandalan tanpa meningkatkan biaya secara signifikan.

2. Penggunaan AI dan Machine Learning dalam Prediksi Keandalan

• Kombinasi AI dan metode Bayesian memungkinkan prediksi kegagalan yang lebih akurat dengan analisis data real-time.
• Simulasi digital twin dapat diterapkan untuk menguji berbagai skenario kegagalan sebelum produk benar-benar diproduksi.

3. Penerapan Standar Keandalan di Industri

• Menggunakan standar seperti IEC 61508 dan ISO 26262 dapat meningkatkan konsistensi dalam evaluasi keandalan produk.
• Penerapan predictive maintenance berbasis data sensor dapat mengurangi downtime hingga 40%.

Kesimpulan

Penelitian ini membuktikan bahwa prediksi keandalan produk di tahap awal desain sangat memungkinkan dan memiliki dampak signifikan dalam efisiensi produksi serta pengurangan biaya kegagalan. Dengan menggunakan Reliability Block Diagram (RBD), Model Bayesian, dan Simulasi Monte Carlo, industri dapat mengoptimalkan desain produk sebelum memasuki tahap manufaktur, sehingga meningkatkan daya saing dan keandalan produk akhir.

Sumber : Yao Cheng (2017). Reliability Prediction in Early Design Stages. Doctoral Dissertations, Missouri University of Science and Technology.

Pendahuluan

Sistem Dynamic Positioning (DP) pada kapal selam berfungsi untuk menjaga posisi dan arah kapal secara otomatis, mengandalkan kombinasi sensor lingkungan dan sistem pemosisian. Keandalan sistem ini sangat krusial, karena kegagalan dapat menyebabkan kesalahan navigasi yang fatal di lingkungan laut yang ekstrem.

Penelitian oleh Ali Eghbali Babadi, Mahdi Karbasian, dan Fatemeh Hasani ini membahas pengaruh Common Cause Failures (CCF) terhadap keandalan sistem DP. Studi ini menggunakan metode Reliability Block Diagram (RBD) dan standar IEC 61508 untuk menganalisis dampak kegagalan komponen yang memiliki ketergantungan satu sama lain.

Metodologi Penelitian

Penelitian ini menerapkan beberapa teknik utama dalam analisis keandalan:

1. Identifikasi Sistem dan Sub-Komponen
   • Sistem DP terdiri dari sensor lingkungan (flow sensor, pressure sensor) dan sistem pemosisian (GPS, sonar, gyroscope, compass).
   • Menggunakan Product Breakdown Structure (PBS) dan Functional Flow Block Diagram (FFBD) untuk memetakan hubungan antar komponen.
2. Reliability Block Diagram (RBD) untuk Analisis Keandalan
   • Pemodelan sistem dalam bentuk blok keandalan, menentukan jalur kegagalan dan dampaknya pada sistem secara keseluruhan.
3. Evaluasi Common Cause Failures (CCF) dengan IEC 61508
   • IEC 61508 digunakan untuk menghitung dampak kegagalan bersamaan pada komponen yang saling terkait.
   • Menggunakan model beta-factor untuk menilai pengaruh ketergantungan kegagalan antar komponen.
4. Analisis Sensitivitas terhadap Keandalan Sistem
   • Menilai bagaimana perubahan tingkat keandalan komponen memengaruhi keseluruhan sistem.
   • Membandingkan hasil antara perhitungan tanpa mempertimbangkan CCF dan dengan mempertimbangkan CCF.

Hasil dan Temuan Utama

1. Evaluasi Keandalan Sistem Dynamic Positioning

• Reliabilitas sistem DP tanpa mempertimbangkan CCF adalah 96,96%, sedangkan setelah mempertimbangkan CCF, turun menjadi 96,34%.
• Penurunan keandalan terbesar terjadi pada subsistem flow sensor, yang memiliki reliabilitas hanya 89,96%.
• Subsistem dengan reliabilitas tertinggi adalah compass (99,49%) dan sonar (98,98%).

2. Pengaruh Common Cause Failures (CCF) terhadap Keandalan Sistem

• Efek CCF lebih signifikan pada komponen dengan reliabilitas di bawah 90%, seperti flow sensor.
• CCF meningkatkan probabilitas kegagalan sistem hingga 0,62%, angka yang kecil tetapi berisiko tinggi dalam sistem navigasi kapal selam.
• Komponen dengan redundansi lebih tinggi (GPS, compass) lebih tahan terhadap dampak CCF dibandingkan komponen tunggal seperti pressure sensor.

3. Analisis Sensitivitas: Dampak Perubahan Keandalan Komponen

• Jika keandalan komponen dengan ketergantungan CCF diturunkan menjadi 90%, dampak CCF meningkat menjadi 0,38%.
• Jika keandalan komponen dengan ketergantungan CCF diturunkan menjadi 80%, dampak CCF melonjak menjadi 4,4%, menunjukkan betapa kritisnya pengaruh CCF pada sistem yang lebih rentan.
• Redundansi dan desain sistem yang lebih robust dapat mengurangi dampak CCF secara signifikan.

Implikasi Industri & Rekomendasi

1. Optimasi Keandalan Sistem DP untuk Kapal Selam

• Menggunakan sensor dengan redundansi lebih tinggi untuk mengurangi dampak kegagalan bersamaan.
• Menerapkan pemeliharaan berbasis prediksi (predictive maintenance) untuk mendeteksi degradasi komponen sebelum terjadi kegagalan.

2. Penerapan Standar IEC 61508 untuk Sistem Navigasi

• Mengadopsi model beta-factor IEC 61508 dalam perhitungan keandalan sistem DP.
• Memastikan adanya mekanisme mitigasi terhadap CCF, terutama untuk komponen dengan reliabilitas di bawah 90%.

3. Penggunaan Model Simulasi untuk Evaluasi Keandalan

• Simulasi Monte Carlo dapat digunakan untuk memvalidasi hasil analisis keandalan sistem DP.
• Menggunakan pendekatan Fault Tree Analysis (FTA) untuk mengidentifikasi akar penyebab kegagalan sistem.

Kesimpulan

Penelitian ini membuktikan bahwa Common Cause Failures (CCF) dapat menurunkan keandalan sistem Dynamic Positioning kapal selam secara signifikan, terutama pada komponen dengan reliabilitas rendah. Dengan menerapkan Reliability Block Diagram (RBD), model beta-factor IEC 61508, dan analisis sensitivitas, industri maritim dapat mengoptimalkan keandalan sistem navigasi kapal selam, mengurangi risiko kegagalan, dan meningkatkan keselamatan operasional.

Sumber : Ali Eghbali Babadi, Mahdi Karbasian, Fatemeh Hasani (2017). Calculation and Analysis of Reliability with Consideration of Common Cause Failures (CCF) (Case Study: The Input of the Dynamic Positioning System of a Submarine). International Journal of Industrial Engineering & Production Research, Vol. 28, No. 2, pp. 175-187.