Analisis Keandalan Atau Realiability Dan Penentuan Preventive Maintenance Menggunakan Metode Kuantitatif Dan Kualitatif
By Akbar Prastiko - Juni 03, 2017
Haayyyyy pembaca semua,........ Pada kesempatan kali ini saya akan bagikan cara analisis atau terkadang orang menyebutnya analisa,.. hehehhe.... menurut saya sih kata serapan yang benar adalah analisis sebenarnya. Kali ini saya akan bagikan informasi seputar keandalan yaitu cara analisis reliability atau keandalan dengan metode kuantitatif dan kualitatif. Langkah-langkahnya bisa disimak langsung ya guess.....
1. Tahap Pengumpulan Data.
Proses pengumpulan data dan
informasi data yang diperlukan adalah berupa data sheet komponen yang
diperoleh dari vendor dan data maintenance
pabrik.
2. Tahap Pengolahan Data.
Pada tahap ini data data
yang diperoleh setelah di lakukan pengumpulan data akan dilakukan pengolahan
data secara kualitatif dan kuantitatif yang sesuai dengan metode. Untuk
penentuan keandalan, didapatkan dari hasil penentuan parameter distribusi yang
digunakan. Nilai keandalan dapat ditentukan dengan menggunakan software reliasoft weibull 6++ dan persamaan
yang ada pada bab sebelumnya. Karena parameter distribusi yang dapat menentukan
hasil keandalan dari masing masing komponen. Hasil dari keandalan dapat dilihat
pada tabel analisis data di bab selanjutnya pada masing-masing komponen. Adapun
pengolahan data secara kuantitatif adalah sebagai berikut:
A. Analisis Kuantitatif
Data yang digunakan untuk
menghitung nilai keandalan adalah data maintanace plant, yaitu berupa data maintenance dan deskripsi kerusakan komponen, dengan data maintenance yang di gunakan adalah data
dengan rentang waktu minimal 2 tahun. Setelah nilai keandalan
komponen sudah diperoleh maka tahap selanjutnya yaitu dengan menerapkan preventive maintenance sehingga
diperoleh waktu perawatan pada setiap komponen. Sebelum tahap preventive maintenance dibutuhkan
perhitungan keandalan dengan penentuan ditribusi waktu antara kegagalan yang bertujuan
untuk mendapatkan nilai kemungkinan terjadinya kerusakan pada waktu tertentu.
Penentuan distribusi time to failure
dan penentuan distribusi waktu antar perbaikan bertujuan untuk mendapatkan
nilai kemungkinan lamanya waktu perbaikan pada sistem. Berikut ini merupakan
cara penentuan distribusi:
·
Setelah
dihitung dari data kegagalan dengan menentukan TTF (time to failure) maka untuk menentukan ditribusi kegegalan dengan
cara memeasukan kedalam software
seperti gambar di bawah ini:
·
Setelah
dilakukan pemasukan data time to failure di lakukan uji distribusi dengan
menggunkan toolbox yang ada pada software yaitu option distribution
wizard untuk mendapatkan para meter uji average
goodness of fit (AVGOF) yang
menunjukan bahwa semakin besar nilai pada kolom ini menunjukan hasil distribusi
mengenai ketidak sesuaian hasil distribusi.
Gambar 2. Pengujian Distribusi Time To Failure
Parameter lain yaitu average of
plot fit (AVPLOT) yang ditunjukan adalah untuk men plot nilai hasil
uji ditribusi, dan untuk kolom ketiga yaitu parameter likelihood function yang menunjukan bahwa nilai terkecil adalah
nilai yang terbaik untuk hasil ditribusi.
·
Setelah
dilakukan pengujian ditribusi, tahap terakhir adalah hasil ditribusi dari data
yang digunakan. Hasil dari distribusi antara lain adalah normal, lognormal,
eksponensial 1, eksponensial 2, normal, log normal, Weibull 2 dan weibull 3.
Setelah tertampil akan di ranking yang menunjukan hasil distribusi yang terbaik
untuk data yang di uji.
Gambar
3. Penunjukan
Ranking Hasil Distribusi
Setalah diketahui rangking
yang terbaik maka pilih parmeter sesuia
dengan hasil rangking untuk mendapat kan parameter hasil distribusi sesuai
dengan jenisnya.
Gambar 4. Hasil Parameter Distribusi
B. Analisis Kualitatif
- Penentuan Rekomendasi Waktu Perawatan
Penentuan rekomendasi waktu
perawatan berdasar pada perbandingan nilai keandalan komponen sebelum
dilakukan preventive maintenance dengan
nilai keandalan setelah dilakukan preventive
maintenance dengan acuan nilai keandalan sebesar 0,7 karena berdasar pengalaman tim reliability, nilai tersebut berada pada kategori moderate
dan dibawah nilai tersebut sudah mendekati kategori lemah. Hasil dari
perbandingan nilai tersebut dapat di plot dalam sebuah gtafik hubungan antara
nilai keandalan dengan waktu operasional.
- Identifikasi menggunakan metode Failure Mode and Effect Analysis (FMEA)
Identifikasi dengan
menggunakan metode failure mode andeffect analisys digunakan untuk mengenal dan memprediksi potensial
kegagalan dari produk atau proses yang dapat terjadi pada loop product daily tank. Selain itu, dapat juga digunakan untuk
memprediksi dan mengevalusi pengaruh dari kegagalan pada fungsi dalam sistem
yang ada. Untuk pemaparan failure modeand effect analisys ini, digunakan sheet
atau bagan yang menunjukan komponen yang digunakan, fungsi, sebab kegagalan,
beserta efek yang disebabkan karena kegagalan tersebut. Untuk bagan atau FMEA sheet dapat di lihat pada bab
berikutmya.
- Identifikasi Menggunakan Metode Fault Tree Anayisis (FTA)
Mengidentifikasi kegagalan
komponen yang dapat menyebabkan kegagalan proses di turbin gas dan dapat mengalami trip dengan menggunakan metode fault tree analysis. Fault tree analisys(FTA) dilakukan dengan langkah pertama yaitu menganalisis data piping and
instrumentation diagram (P&ID) dan Diagram control dari turbin gas. Dari kedua data tersebut dapat di tentukan
top event hingga basic event. Hal ini berguna untuk melihat alur
kerja komponen saat trip terjadi. Setelah di tentukan komponen apa saja
yang berpengaruh terhadap sistem safety
atau proteksi, serta komponen apa saja yang dapat mengalami kegagalan yang
mempengaruhi keandalan pada plant. Analisis tersebut dapat di tentukan dengan faulttree analysis (FTA) dengan menunjukan gabungan kejadian di dalam sistem
proteksi yang dapat menyebabkan sistem
itu gagal. Sehingga dapat diketahui bahwa sistem itu gagal di karenakan oleh
suatu kejadian. FTA ini disusun berdasarkan mode-mode kegagalan yang terjadi
pada analisis FMEA. (Febrihantoro, 2014)
- Menentukan Severity, Occurrence, Detection dan RPN
Penentuan prioritas dari suatu bentuk kegagalan maka
tim FMEA harus mendefinisikan terlebih dahulu tentang severity, occurrence, detection, serta hasil akhirnya yang berupa risk priority number (RPN). (Company,
2002)
·
Severity
Severity
adalah langkah pertama untuk menganalisis resiko yaitu menghitung
seberapa besar dampak/intensitas kejadian mempengaruhi outputproses. Dampak tersebut diranking mulai
skala 1 sampai 10, dimana 10 merupakan dampak terburuk. Proses sistem peringkat
yang dijelaskan pada tabel 1.
Tabel 1. Skala Penilaian Untuk Severity (AIAG FMEA)
Rating Severity pada FMEA
|
||
Rank
|
Effect
|
Kriteria
Verbal
|
1
|
Tidak ada akibat
|
Tidak dapat mengakibatkan apa-apa, tidak memerlukan
penyesuaian.
|
2
|
Akibat sangat
ringan
|
Mesin tetap beroperasi dengan aman, hanya terjadi
sedikit gangguan peralatan yang tidak berarti. Akibat hanya dapat diketahui
oleh operator yang berpengalaman.
|
3
|
Akibat ringan
|
Mesin tetap beroperasi dengan aman, hanya ada
sedikit gangguan. Akibat diketahui oleh rata-rata operator.
|
4
|
Akibat minor
|
Mesin tetap beroperasi dengan aman, namun
terdapat gangguan kecil. Akibat
diketahui oleh semua operator.
|
5
|
Akibat moderat
|
Mesin tetap beroperasi normal, namun telah
menimbulkan beberapa kegagalan produk. Operator merasa tidak puas karena
tingkat kinerja berkurang.
|
6
|
Akibat signifikan
|
Mesin tetap beroperasi dengan aman, tetap
menimbulkan kegagalan produk. Operator merasa sangat tidak puas dengan
kinerja mesin.
|
7
|
Akibat major
|
Mesin tetap beroperasi dengan aman, tetapi tidak
dapat dijalankan secara penuh. Operator merasa sangat tidak puas.
|
8
|
Akibat ekstrem
|
Mesin tidak dapat beroperasi dan telah kehilangan
fungsi utamanya.
|
9
|
Akibat serius
|
Mesin gagal beroperasi, serta tidak sesuai dengan peraturan
keselamatan kerja.
|
10
|
Akibat berbahaya
|
Mesin tidak layak dioperasikan, karena dapat
menimbulkan kecelakaan secara tiba-tiba, dan hal ini bertentangan dengan
peraturan keselamatan kerja..
|
·
Occurrence
Occurrence adalah kemungkinan bahwa penyebab tersebut akan
terjadi dan menghasilkan bentuk kegagalan selama masa penggunaan produk. Dengan
memperkirakan kemungkinan occurrence
pada skala 1 sampai 10. Tabel 2
menunjukkan skala occurrence.
Tabel 2. Skala Penilaian Untuk Occurrence (AIAG FMEA)
Rating
Kejadian (Occurrence) pada FMEA
|
||
Rank
|
Kejadian
|
Kriteria
Verbal
|
1
|
Hampir tidak
pernah
|
Kerusakan hampir
tidak pernah terjadi.
|
2
|
Remote
|
Kerusakan jarang
terjadi.
|
3
|
Sangat sedikit
|
Kerusakan yang
terjadi sangat sedikit.
|
4
|
Sedikit
|
Kerusakan yang
terjadi sedikit
|
5
|
Rendah
|
Kerusakan yang
terjadi pada tingkat rendah.
|
6
|
Medium
|
Kerusakan yang terjadi pada tingkat medium.
|
7
|
Agak tinggi
|
Kerusakan yang
terjadi agak tinggi.
|
8
|
Tinggi
|
Kerusakan yang
terjadi tinggi.
|
9
|
Sangat tinggi
|
Kerusakan yang
terjadi sangat tinggi.
|
10
|
Hampir selalu
|
Kerusakan selalu
terjadi.
|
·
Detection
Nilai Detection diasosiasikan dengan
pengendalian saat ini. Detection adalah pengukuran terhadap
kemampuan mengendalikan / mengontrol kegagalan yang dapat terjadi. Tabel 3
menunjukkan skala detection.
Tabel 3. Skala Penilaian Untuk Detection
(AIAG FMEA)
Rating
deteksi (detection) pada FMEA
|
||
Rank
|
Akibat
|
Kriteria verbal
|
1
|
Hampir pasti
|
Perawatan preventif akan selalu mendeteksi penyebab
potensial atau mekanisme kegagalan dan mode kegagalan.
|
2
|
Sangat tinggi
|
Perawatan preventif memiliki kemungkinan sangat
tinggi untuk mendeteksi penyebab potensial atau mekanisme kegagalan dan mode
kegagalan.
|
3
|
Tinggi
|
Perawatan preventif memiliki kemungkinan tinggi
untuk mendeteksi penyebab potensial atau mekanisme kegagalan dan mode
kegagalan.
|
4
|
Moderately high
|
Perawatan preventif
memiliki kemungkinan “moderately
High” untuk mendeteksi penyebab potensial atau
mekanisme kegagalan dan mode kegagalan.
|
5
|
Moderate
|
Perawatan preventif memiliki kemungkinan “moderate”
untuk mendeteksi penyebab potensial atau mekanisme kegagalan dan mode
kegagalan.
|
6
|
Rendah
|
Perawatan preventif memiliki kemungkinan rendah
untuk mampu mendeteksi penyebab potensial atau mekanisme kegagalan dan mode
kegagalan.
|
7
|
Sangat rendah
|
Perawatan preventif memiliki kemungkinana sangat
rendah untuk mampu mendateksi penyebab potensial kegagalan dan mode
kegagalan.
|
8
|
Remote
|
Perawatan preventif memiliki kemungkinan “remote” untuk mampu mendeteksi
penyebab potensial atau mekanisme kegagalan dan mode kegagalan.
|
9
|
Very remote
|
Perawatan preventif memiliki kemungkinan “very remote” untuk mampu mendeteksi
penyebab potensial atau mekanisme kegagalan dan mode kegagalan.
|
10
|
Tidak pasti
|
Perawatan preventif akan selalu tidak mampu untuk
mendeteksi penyebab potensial atau mekanisme kegagalan dan mode kegagalan.
|
3. Tahap Analisis dan Kesimpulan.
Pada tahap ini dilakukan analisis dari hasil pengolahan
data secaa kuantitatif maupun kualitatif. Pengolahan data secara kuantitatif
bertujuan untuk mengetahui tingkat keandalan turbin gas dan mengetahui waktu
perawatan pada setiap komponen turbin gas. Pengolahan data secara kualitatif
bertujuan untuk mengetahui tingkat resiko pada setiap komponen dan mengetahui
jalur kegagalan pada turbin gas. Kemudian
dari hasil tersebut akan dapat menjawab tujuan dari penelitian ini. Kesimpulan
yang diberikan disrertai saran-saran yang diberikan untuk pengembangan
penelitian selanjutnya.
Sekian informasi yang saya sampaikan semoga bermanfaat dan menjadi bahan pertimbangan pembaca dalam melakukan analisis untuk keperluan tugas atau pekerjaan. Terimakasih..........
1 komentar
hello admin, boleh kah saya tahu dapat software nya dari mana ya? saya sangat butuh softwarenya untuk tugas akhir saya. silakan hub 085274754575
BalasHapus