PARTITION MODELS FOR PROBABILISTIC CAUSATION
By : Ima Auliya P. 6505.040.017
Partition Model Merupakan suatu teknik analisa kecelakaan yang menampilkan hasil analisa kecelakaan dalam bentuk angka-angka real
Langkah-langkah Record
the context in which an incident occur Perform an initial deterministic causal analysis Build up sufficient data to perform a statistical analysis of potential causes
Record the context in which an incident occur Langkah ini untuk memastikan bahwa banyak informasi yang mungkin didapat dari investigasi kecelakaan primer dan sekunder. Karena sangat sulit memprediksi semua informasi yang mungkin relevan dengan causal analysis. Sehingga investigator dapat mengumpulkan data sebanyakbanyaknya.
Perform an initial deterministic causal analysis Setelah mengumpulkan data-data tentang bagaimana kecelakaan tersebut terjadi, investigator dapat mengambil salah satu teknik analisa penyebab (causal analysis) yang telah dijelaskan sebelumnya, Contoh misal dengan STEP atau WBA.
Build up sufficient data to perform a statistical analysis of potential causes C = Pr (b I a Λ C) Dimana : C : informasi dari suatu kecelakaan a : kejadian b : penyebab atau kerugian
Sistem laporan kecelakaan dapat memberikan informasi tentang jumlah kerugian yang terjadi dalam nilai yang sama (b) Investigator selanjutnya dapat memeriksa informasi yang telah direcord pada tiap kecelakaan (C) untuk mengidentifikasi kejadiannya (a), yang frekuensi kejadian yang tinggi atau sering terjadi.
Cont’d
a dan b memiliki hubungan sebab-akibat. b mungkin terjadi sebelum a terjadi dalam suatu kejadian.
Pr (B Λ A I C) ≠ Pr (B I C) . Pr (A I C) a
mempunyai hubungan sebab-akibat dengan b dalam konteks C jika probabilitas dari A dan B dalam C tidak sama dengan probabilitas dari B dalam C dan probabilitas dari A dalam C.
Pr (B Λ A I C) > Pr (B I C) . Pr (A I C) Jika
A adalah barrier dari B kemudian terjadinya a membuat b berkurang. a berhubungan dengan b ketika probabilitas dari A dan B dalam C lebih besar dari probabilitas B dalam C dikalikan probabilitas A dalam C.
Cont’d Misalnya Hubungan causal menandakan bahwa kemungkinan dari adanya general fire alarm yang umum dan Halon system menjadi berguna pada board a vessel. a = general fire alarm b = Halon system C = board a vessel Nilai C besar jika probabilitas dari general fire alarm (a) dikalikan dengan probabilitas Halon system (b) dalam keadaan yang sama.
Cont’d Penggunaan dari Halon system relatif jarang pada suatu kejadian yang mempunyai alarm yang umum. Bagaimanapun juga,hubungan antara alarm dengan banyak kemungkinan menjadi hubungan sebab-akibat dalam suatu situasi dimana alarm dan penggunaan Halon sama-sama terjadi. Poin penting untuk memahami formula ini adalah suatu sebab tidak selalu membuat efeknya menjadi mungkin terjadi.
Pr (B Λ A I C) < Pr (B I C) . Pr (A I C) a mempunyai hubungan sebab negatif dengan b ketika probabilitas dari A dan B dalam C kurang dari probabilitas B dalam C dikalikan dengan probabilitas A dalam C
Cont’d Sebagai contoh : a = laporan engineer tentang masalah yang berhubungan dengan sealing surface (menutup permukaan yang rusak). b = probabilitas dari engineering gagal untuk fuel-tight seal.
Cont’d a dan b secara bersama-sama kurang dari probabilitas dari laporan engineer tentang masalah menutup permukaan dikalikan dengan proabilitas dari engineer failing untuk memperoleh fuel-tight seal. Itu terjadi karena engineer melaporkan penyelesaian masalah menjadi berkurang karena mereka akan puas dengan berbagai percobaan untuk menutup permukaan yang berbahaya atau rusak.
Penyusun dari probabilistic theories causation merespon dengan merevisi formulasi sebelumnya untuk memasukkan partitions Sj dari semua bagian yang relevan dari A dan C. Dari pernyataan ini a menyebabkan b dalam kondisi C jika hanya jika : Vj : Pr (B I A Λ Sj Λ C) > Pr (B l Sj Λ C) Sj adalah sebuah partisi dari semua faktor termasuk A dan C. Faktor ini menjelaskan positif atau negatifnya suatu causal factor (c1,…,cm).
Contoh Kasus Suatu kebakaran terjadi pada sebuah kapal. Diduga sumber api terjadi karena bahan bakar minyak yang bertekanan masuk dan kontak dengan pipa pembuangan yang berisi Halon. Pipa pembuangan dilindungi oleh tameng. Semua sistem dibawah saluran didukung oleh diesel generator.
Analisa C1 menjelaskan “ruang yang berisi Halon” C2 menjelaskan “bahan bakar yang tersebar dengan tekanan” C3 menjelaskan “pipa yang dilindungi tameng” Selanjutnya, kegagalan elemen dari berbagai set menunjukkan causal factor gagal.
Pertama, menjelaskan situasi dimana semua causal factor ada. Ruang yang berisi Halon dan bahan bakar yang tersebar dengan tekanan dan perlindungan pipa dengan tameng. Kemungkinan situasi yang dapat menjadi causal factor diantaranya : {c1, c2, c3}, {c1, c2}, {c1, c3} {c2, c3}, {c1}, {c2}, {c3}, { },
Kita dapat mengabaikan subset yang berisi c1, jika ruangan berisi Halon maka tidak akan terjadi kebakaran. Kita dapat menyetujui bahwa semua subset harus terdapat c2, jika bahan bakar tidak tersebar maka tidak akan terjadi kebakaran meski bahan bakar masuk dan kontak dengan bahan pengeluaran, sepanjang pipa mungkin tidak mencapai flash point dari bahan bakar.
Sehingga yang masukdalam kemungkinan adalah : {c2, c3}, {c2} Diketahui bahwa efek akan tetap jika bahan bakar disebarkan pada tekanan meski atau tidak tameng melindungi pipa. Maka tameng mungkin mengurangi kemungkinan dari kebakaran, seperti halnya Halon.
Kesimpulan : Model patition juga memiliki beberapa keuntungan jika dibandingkan dengan model lainnya. Model partition membantu karena analisis secara eksplisit menjelaskan antisipasi pengaruh dari kontributor sebab, kejadian berbahaya dan potential barriers.
THANKS A LOT…..
