Oleh : Dede Farhan Aulawi
Wartanusa.id – Perawatan (maintenance) adalah bagian yang tidak terpisahkan dari konsekuensi suatu investasi. Terlebih investasi tersebut akan terkait dengan permesinan dan peralatan lainnya yang tentu memiliki lifetime tertentu. Persoalannya kegiatan perawatan sering dipandang sebagai “biaya” semata, sehingga ketentuan perawatan yang tercantum dalam manual book biasanya terabaikan. Padahal jika mesin tiba – tiba mengalami shutdown (off) maka konsekuensinya cukup tinggi bahkan bisa mengalami kerugian. Teori reliabilitas seringkali hanya tersimpan di buku dan di kelas karena dalam praktik seringkali tidak menjadi bahan pertimbangan. Dalam konteks ini perlu juga disampaikan hasil diskusi di sebuah wag dengan DR. Tauhid.
Sebagai contoh peristiwa black out pada sebagian area layanan PLN beberapa waktu yg lalu. Kejadian tersebut mestinya dapat menjadi pembelajaran penting untuk mengevaluasi dan mengembangkan sistem mitigasi dan manajemen resiko serta compliance risk management dalam ranah operasional dan pemeliharaan.
Dengan mengadopsi teknologi yang dapat membantu konsep pengolahan Big Data akan dihasilkan pola yang dapat menjadi acuan untuk membangun algoritma yang diharapkan dapat melakukan proses investigasi preventif terhadap probabilitas kemunculan resiko terprediksi, berikut guideline dalam menghasilkan solusinya yang menjadi bagian terintegrasi dgn DSS.
Sederhananya bisa terimplementasi dalam konsep Decision Tree/DT yang objektif, terukur dan tepat sasaran/akurat, karena faktor resiko dalam pelayanan publik tentulah bersifat dinamis dan terkadang berdampak eksponensial. Peluang terjadinya lebih dari satu faktor resiko terjadi secara bersamaan akan dapat diidentifikasi dan dieliminasi atau direduksi dampak destruktifnya jika memiliki mekanisme mitigasi terpandu data dengan memasukkan semua variabel eksisting dan skenario jamak sebagai bagian dari forecast kondisi yang terjadi.
Setiap titik dan simpul resiko dapat muncul secara paralel atau berurutan/linier dari satu atau lebih efek kausatif. Sebagai contoh (sekedar ilustrasi), bisa saja gangguan terjadi karena cuaca lokal di sekitar Tanjung Enim yang membuat pergerakan tanah hingga KA Babaranjang derailment. Rantai akibat sebagai part of reaction change adalah mungkin terjadi kondisi kurang pasok di depo Tarahan. Pada saat yang bersamaan ada pergeseran IOD/Indonesian Oceanic Dipole di Samudera Hindia sebelah barat Sumatera yg menyebabkan gelombang tinggi di selat Sunda. Ponton batubara yg ditarik kapal tunda tidak mungkin berlayar berdasar perintah Adpel/Syahbandar. Tentu rantai pasok ke pembangkit PLTU Suralaya berkurang. Bagaimana jika pada saat itu juga tengah terjadi maintenance di pembangkit lain di jaringan Jawa Bali, misal Paiton sedang shutdown turbinnya. Atau ada masalah di beberapa PLTA karena curah hujan tinggi bukan hanya persoalan peningkatan debit tapi juga ada akumulasi sampah organik yg meningkat. Juga pepohonan di sekitar Sutet, meski tampak kurang signifikan tetapi dengan rumus kaidah tangan kanan yang dapat hasilkan induksi medan elektromagnetik atau adanya gaya Lorentz, maka kemungkinan interferensi dapat terjadi dan memicu pemutusan aliran.
Tentu backup sistem dengan asumsi prima, bagaimana jika tanpa mengetahui akan ada masalah di salah satu jalur jaringan Utara Jawa ada masalah, maka satu jaringan di selatan dipadamkan sementara utk pemeliharaan ? Akan ada kelebihan beban yang membuat sistem memutuskan utk mengamankan asset demi kemaslahatan.
Demikian juga ketika dengan berbagai alasan yang bisa bermunculan sebagai kondisi pasca efek kausalistik prima, maka turbin dimatikan, proses ignition punya prasyarat suhu minimal agar kondisi mesin aman. Semua akan berimplikasi pada akibat akumulatif yang memiliki efek kontributif berantai dan memiliki ambang batas kritis yang tentu oleh sistem mitigasi harus diantisipasi dan disediakan solusi secara sistematis dan terorganisasi.
Belum lagi ketika kita berbicara tentang irisan antara sistem termekanisasi yang bersifat deterministik dengan sistem psikososial yang relatif sangat dinamik. Faktor manusia misalnya, dalam kontek keselamatan penerbangan sebagaimana dapat disimak juga dalam rilis final report KNKT, human factor dalam konteks CRM/cockpit resources management ternyata memegang peran penting dalam skenario pengelolaan resiko dan masalah yang tengah dihadapi.
Adanya potensi konflik dan perbedaan persepsi tentang suatu kondisi berkemungkinan untuk menghasilkan distorsi tindakan. Kondisi seperti ini juga dapat dibaca di final report QZ 8501 Air Asia. Kompleksitas yang terbangun dari sebuah sistem dinamis yang terus tumbuh dan berkembang tampaknya memerlukan pendekatan dinamis juga, dynamic smart system. Kekuatannya pada akurasi data, model, dan asumsi. Hingga ke depan sektor layanan public yg memerlukan zero tolerance dalam aspek layanan dan safety sudah sewajarnya jika lebih mengoptimasi pemanfaatan teknologi untuk membantu “memetakan” masalah yang akan dihadapi dengan kompleksitas variabel dan faktor pemicunya.
Potensi teknologi saat ini sudah sangat memungkinkan untuk dipergunakan dalam mengelola resiko melalui analisis Big Data dengan pendekatan ANN/Deep Learning. Infrastruktur komputasi seperti DGX-1 NVIDIA dgn kemampuan prosesing yang super cepat akan menjadi alat yang efektif untuk mengolah data dan menghasilkan solusi beserta lapisan alternatifnya. Tetapi tentu itu semua bergantung kepada “desain” atau perancangan sistem dan fungsi oleh mastermind nya. Para pengelola sistem beresiko tinggi sebaiknya dapat memoderasi kapasitas dan kompetensi hingga dapat beradaptasi dengan dinamika perubahan yang berkorelasi dengan kegagalan sistem. Belum lagi jika dibahas keterkaitannya teori Lorenz Butterfly Effect, yang intinya kira – kira memberikan gambaran bahwa perubahan sekecil apapun akan memiliki dampak sistemik berkepanjangan dalam sebuah sistem tertutup yang variabelnya saling terkait.
Editor : Agus Wahyudin, SE
