Perkembangan teknologi digital dalam dua dekade terakhir memunculkan sebuah tren besar yang kerap disebut sebagai digital revolution. Salah satu teknologi yang menjadi tulang punggung revolusi ini adalah Digital Twin—sebuah representasi virtual dari sistem atau objek fisik yang dapat memantau, mensimulasikan, dan memprediksi kinerja aset di dunia nyata. Dalam konteks Operation and Maintenance (O&M), teknologi Digital Twin telah terbukti memberikan dampak signifikan terhadap efisiensi perawatan aset, perencanaan pemeliharaan yang lebih tepat, serta pengurangan waktu henti (downtime) yang merugikan.

Namun, meskipun manfaat Digital Twin sudah banyak diakui, tingkat adopsinya di industri masih belum maksimal. Salah satu hambatan utamanya adalah tidak adanya metode standar untuk mengkualifikasi Digital Twin—artinya, sulit memastikan apakah sebuah Digital Twin benar-benar merepresentasikan sistem fisik dengan akurat, dapat diandalkan, dan cocok untuk tujuan tertentu.

Paper yang ditulis oleh Jie Liu, Xingheng Liu, Jørn Vatn, dan Shen Yin ini mencoba menjawab permasalahan tersebut dengan mengusulkan framework generik untuk kualifikasi Digital Twin di bidang pemeliharaan. Framework ini terdiri dari lima pilar utama: Fidelity, Smartness, Timeliness, Integration, dan Standard Compliance.

Melalui dua studi kasus pada strategi Preventive Maintenance dan Condition-Based Maintenance (CBM), penulis menunjukkan bagaimana framework ini bisa diterapkan secara praktis, membantu organisasi memilih tingkat kualifikasi Digital Twin yang tepat sesuai kebutuhan, dan menghindari risiko over-qualified atau under-qualified.

Latar Belakang: Digital Twin dan Pemeliharaan

Digital Twin, secara sederhana, adalah kembaran digital dari objek fisik yang terhubung secara data dan dapat memantau perilaku, kondisi, dan performa objek tersebut secara real-time. Konsep ini sudah digunakan di berbagai sektor industri seperti manufaktur, transportasi, energi, konstruksi, dan bahkan kesehatan.

Beberapa contoh penerapan Digital Twin di industri:

• Manufaktur: memantau kinerja lini produksi untuk mendeteksi potensi kerusakan sebelum mengakibatkan kerugian besar.
• Transportasi: memprediksi kebutuhan perawatan pada kendaraan atau infrastruktur, sehingga mengurangi risiko kecelakaan dan keterlambatan.
• Energi: mengoptimalkan performa turbin angin atau sistem pembangkit listrik dengan pemantauan prediktif.
• Konstruksi: memantau kesehatan struktur gedung atau jembatan.

Meskipun banyak sukses cerita, setiap industri mengembangkan dan menggunakan Digital Twin dengan kualitas, kompleksitas, dan metode yang berbeda-beda. Tanpa adanya sistem kualifikasi yang jelas, sulit bagi pengguna atau penyedia layanan untuk membandingkan dan menilai kualitas Digital Twin.

Framework Kualifikasi yang Diusulkan

Framework ini bertujuan untuk memberikan metode penilaian yang komprehensif terhadap kualitas dan kesesuaian Digital Twin dalam konteks pemeliharaan. Lima pilar utamanya adalah:

1. Fidelity

Fidelity adalah ukuran seberapa akurat Digital Twin merepresentasikan perilaku dan karakteristik objek fisiknya. Penulis membagi fidelity menjadi empat level:

• L0 – Sangat rendah: jumlah parameter sedikit, akurasi rendah.
• L1 – Rendah: parameter cukup untuk kondisi tertentu, akurasi moderat.
• L2 – Moderat: parameter lengkap, presisi tinggi di sebagian besar kondisi.
• L3 – Tinggi: presisi sangat tinggi di semua kondisi relevan.

Aplikasi praktis:
Untuk sistem sederhana seperti pompa air di pabrik, L1 mungkin sudah cukup. Tapi untuk sistem kompleks seperti mesin jet atau reaktor nuklir, L3 menjadi keharusan.

2. Smartness

Smartness menggambarkan tingkat kecerdasan dan fungsi yang dapat dilakukan oleh Digital Twin. Empat levelnya adalah:

• L0 (Descriptive): hanya memvisualisasikan dan menggambarkan kondisi fisik.
• L1 (Diagnostic): mampu mendiagnosis kerusakan atau anomali.
• L2 (Predictive): memprediksi kegagalan dan umur pakai komponen.
• L3 (Decision-making): membuat keputusan perawatan secara otonom, bahkan tanpa intervensi manusia.

Aplikasi praktis:
Sebuah Digital Twin di level L2 bisa memprediksi kegagalan bearing turbin angin sehingga tim teknis dapat menjadwalkan perbaikan sebelum kerusakan terjadi, menghemat biaya dan mencegah downtime besar.

3. Timeliness

Timeliness adalah kecepatan pembaruan data antara objek fisik dan kembarannya. Empat levelnya berdasarkan waktu tunda (lag time) adalah:

• L0: pembaruan bulanan atau tahunan.
• L1: mingguan atau harian.
• L2: pembaruan per jam, menit, atau detik.
• L3: pembaruan dalam milidetik atau lebih cepat.

Aplikasi praktis:
Pada proses produksi berkecepatan tinggi seperti industri semikonduktor, L3 diperlukan. Sementara untuk inspeksi periodik seperti perawatan jalan raya, L1 sudah cukup.

4. Integration

Integration menilai keterhubungan Digital Twin, baik internal (antara fisik dan digital) maupun eksternal (ke sistem lain):

• L0 (Digital Model): tidak ada aliran data otomatis.
• L1 (Digital Shadow): aliran data otomatis satu arah dari fisik ke digital.
• L2 (Digital Twin): aliran data otomatis internal, tapi tidak ke lingkungan eksternal.
• L3 (Integrated Digital Twin): aliran data otomatis penuh, baik internal maupun eksternal.

Aplikasi praktis:
Integrasi penuh (L3) memungkinkan Digital Twin berkomunikasi langsung dengan sistem ERP atau rantai pasok, sehingga jadwal perawatan bisa disinkronkan dengan ketersediaan suku cadang.

5. Standard Compliance

Standard Compliance adalah sejauh mana Digital Twin mematuhi standar resmi, seperti ISO 23247 untuk manufaktur. Empat levelnya:

• L0: tidak mengikuti standar.
• L1: mengikuti sebagian standar tanpa indikator kinerja.
• L2: mengikuti semua standar tapi indikatornya tidak lengkap.
• L3: memenuhi semua standar dan menyertakan indikator operasional.

Aplikasi praktis:
Penting untuk industri dengan regulasi ketat seperti penerbangan atau medis, di mana kepatuhan terhadap standar keselamatan adalah wajib.

Kelebihan dan Kekurangan Framework

Kelebihan:

• Memberikan panduan jelas dalam memilih Digital Twin.
• Mendorong adopsi standar industri.
• Memudahkan komunikasi antara pemangku kepentingan.

Kekurangan:

• Meningkatkan kompleksitas dan biaya implementasi.
• Memerlukan SDM yang menguasai teknologi dan sistem terkait.
• Potensi risiko keamanan data meningkat pada tingkat integrasi tinggi.

Penerapan pada Strategi Pemeliharaan

Penulis menguji framework ini pada dua strategi perawatan utama:

1. Preventive Maintenance

Preventive Maintenance adalah perawatan rutin yang dilakukan untuk menghindari kerusakan tak terduga.

• Minimum: Fidelity L1, Smartness L0, Timeliness L0, Integration L0, Compliance L0.
• Maksimum: Semua indikator L3.
• Catatan: Karena sifatnya rutin, timeliness tidak terlalu kritis, tapi integrasi tinggi bisa membantu mengoptimalkan jadwal.

2. Condition-Based Maintenance (CBM)

CBM adalah strategi perawatan yang berdasarkan kondisi aktual peralatan.

• Minimum: Fidelity L2, Smartness L1, Timeliness L1, Integration L1, Compliance L0.
• Maksimum: Semua indikator L3.
• Catatan: CBM membutuhkan pembaruan data cepat dan kemampuan diagnosis untuk mengambil keputusan tepat waktu.

Analisis Aplikatif

Framework ini relevan untuk industri dengan aset bernilai tinggi seperti minyak & gas, penerbangan, manufaktur presisi, dan energi terbarukan. Beberapa penerapan nyata:

• Industri minyak & gas: memantau tekanan pipa bawah laut secara real-time untuk mencegah kebocoran.
• Penerbangan: memprediksi kebutuhan perawatan mesin jet sebelum jadwal penerbangan padat.
• Turbin angin: memonitor vibrasi untuk mendeteksi kerusakan bearing lebih awal.

Kritik dan Saran

Meskipun framework ini komprehensif, ada beberapa catatan:

1. Aspek biaya: Belum ada metode baku untuk menghitung ROI dari peningkatan level indikator.
2. Keamanan siber: Risiko meningkat seiring integrasi tinggi, tapi mitigasi teknisnya belum dibahas detail.
3. Skalabilitas: Belum ada panduan khusus untuk penerapan pada UKM dengan sumber daya terbatas.

Kesimpulan

Framework generik ini adalah langkah maju dalam standarisasi kualifikasi Digital Twin di bidang pemeliharaan. Dengan lima pilar utamanya, framework ini memungkinkan:

• Pemilihan teknologi Digital Twin yang tepat sasaran.
• Peningkatan kepercayaan pengguna terhadap model digital.
• Optimalisasi biaya dan sumber daya.

Rekomendasi:

• Terapkan indikator sesuai kebutuhan nyata, bukan sekadar mengejar level tertinggi.
• Lakukan peningkatan bertahap untuk menghindari beban biaya dan kompleksitas berlebihan.
  Sertakan strategi keamanan siber sejak tahap perancangan.

DOI: https://doi.org/10.1016/j.jai.2023.07.002
Sumber: Journal of Automation and Intelligence, Vol. 2 (2023) 196–205