Prosiding Seminar Nasional Manajemen Teknologi XXIV Program Studi MMT-ITS, Surabaya 23 Januari 2016

Prosiding Seminar Nasional Manajemen Teknologi XXIV Program Studi MMT-ITS, Surabaya 23 Januari 2016

PENENTUAN INTERVAL WAKTU PERAWATAN PENCEGAHAN PADA PERALATAN DI MEDIUM PRESSURE GAS COMPRESSION AREA (MPGCA) DI PT TEXI DENGAN MENGGUNAKAN SIMULASI MONTE CARLO Arief Witjaksono 1) dan Bobby Oedy P. Soepangkat 2) Program Studi Magister Manajemen Teknologi, Institut Teknologi Sepuluh Nopember Jl. Cokroaminoto 12A, Surabaya, 60264, Indonesia e-mail: [email protected] 2) Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember

ABSTRAK PT TEXI adalah perusahaan penghasil minyak dan gas di Indonesia. MPGCA adalah fasilitas produksi gas yang dihasilkan dari sumur lepas pantai Peciko yang dimiliki oleh PT TEXI di Kalimantan Timur. PT TEXI akan mengalami kerugian besar jika salah satu peralatan produksi gas di MPGCA mengalami kegagalan, terutama di medium pressure compressor (MPC), sehingga menyebabkan pengiriman gas terhenti. Dengan melakukan perawatan pencegahan, PT TEXI ingin peralatan penunjang proses produksinya dapat beroperasi dengan lancar, agar target produksi terpenuhi. Sejauh ini, ada beberapa metode penentuan interval waktu perawatan pencegahan (Tp) yang diketahui dan diimplementasikan. Salah satu metode yang sering digunakan adalah simulasi Monte Carlo. Simulasi Monte Carlo menggunakan random number generator yang terdapat pada perangkat lunak Microsoft Excel, dan sebagai input adalah parameter distribusi waktu kegagalan dan waktu perbaikan yang dihasilkan oleh perangkat lunak Weibull++6. Pelaksanaan simulasi Monte Carlo untuk sistem maupun sub sistem dilakukan secara serentak, sehingga pengaruh perubahan keandalan maupun biaya perawatan sub sistem terhadap sistem pada Tp tertentu dapat diketahui. Tp optimum sub sistem MPC adalah 40 hari, dengan rentang fleksibilitas mulai hari ke-39 sampai dengan hari ke-42. Laju biaya perawatan pencegahan pada Tp optimum 98,6% lebih rendah daripada sebelum simulasi. Keandalan sistem 17,5% lebih tinggi daripada keandalan yang dipersyaratkan. Kata kunci: Perawatan, Kegagalan, Keandalan, Interval Waktu Perawatan Pencegahan.

1. PENDAHULUAN PT TEXI adalah salah satu perusahaan penghasil minyak dan gas di Indonesia. MPGCA adalah fasilitas produksi yang memproses gas yang dihasilkan dari sumur lepas pantai Peciko yang dimiliki oleh PT TEXI di Kalimantan Timur. Fluida dari sumur lepas pantai dialirkan melalui pipa bawah laut menuju kedarat dan diterima di fasillitas penerimaan pertama, yaitu slug catcher. Di fasilitas ini, fluida dipisahkan menjadi fluida gas dan fluida cair (kondensat dan air). Fluida cair dialirkan ke separator untuk memisahkan minyak dari air. Selanjutnya minyak dialirkan menuju ke tangki penampungan minyak. Fluida gas dialirkan ke unit pendinginan pre-air cooler sebelum dimasukan ke medium pressure compressor (MPC) untuk dinaikkan tekanannya dari 19 bar ke 61 bar. Gas kemudian didinginkan di discharge air cooler dan selanjutnya dikirim ke Bontang LNG.

ISBN: 978-602-70604-3-2 1


Gambar 1. Sub Sistem dan Sub Sub Sistem Penunjang Proses Produksi Gas di MPGCA Proses produksi gas di MPGCA dapat dianggap sebagai suatu sistem seri yang memiliki empat sub sistem. Gambar 1 menunjukkan sub sistem dan sub sub sistem penunjang proses produksi gas di MPGCA. Sub sistem yang paling kritikal di MPGCA adalah sub sistem MPC dan memiliki 3 sub sub sistem, yaitu turbin gas, kompresor gas dan fire and gas detection system. Masalah yang dihadapi dalam pelaksanaan program perawatan adalah adanya ketidaksesuaian antara jadwal dan pelaksanaan perawatan di lapangan, sehingga sering dalam pelaksanaan perawatan, dimajukan atau dimundurkan dari jadwal yang telah ditetapkan. Oleh karena itu penjadwalan yang memiliki rentang waktu namun masih dapat memenuhi keandalan yang ditetapkan perusahaan sangat dibutuhkan. PT TEXI merasa perlu untuk memastikan bahwa peralatan penunjang proses produksinya dapat beroperasi dengan lancar, agar target produksi gas yang sudah ditetapkan dapat dipenuhi. Proses produksi gas di PT TEXI bersifat kontinyu sehingga diperlukan penanganan terhadap fasilitas produksi yang lebih rumit dibandingkan dengan proses produksi yang terputus-putus. Salah satu faktor yang menyebabkan proses produksi kontinyu tidak dapat beroperasi adalah dikarenakan adanya penurunan keandalan peralatan yang dioperasikan secara terus menerus. Kegagalan peralatan dikarenakan penurunan keandalan dapat dicegah dengan melakukan perawatan pencegahan yang efektif. Penentuan interval waktu perawatan pencegahan (Tp) dengan laju biaya yang mínimum dapat ditentukan dengan beberapa metode. Ada beberapa metode yang sudah diketahui dan diimplementasikan selama ini untuk menentukan interval waktu perawatan pencegahan. Salah satu metode yang sering digunakan adalah simulasi Monte Carlo. Labeau dan Zio (2002) menyatakan bahwa simulasi Monte Carlo merupakan metode yang tidak membutuhkan pembatasan asumsi-asumsi yang banyak dan sangat fleksibel, sehingga dapat diperoleh hasil simulasi yang realistik. Dari beberapa optimasi keandalan sistem yang menggunakan simulasi Monte Carlo, banyak yang menunjukkan hasil yang menjanjikan dari sisi teknik maupun ekonomi. Marquez dkk. (2006) mengembangkan suatu model simulasi untuk menentukan strategi pemeliharaan pencegahan terbaik di pabrik semikonduktor. Penjadwalan perawatan pencegahan pada sistem produksi yang kontinyu pada pabrik penyulingan minyak (oil refinery) dilakukan oleh Nguyen dkk. (2008) dengan menggunakan simulasi Monte Carlo. Menurut Rakhmad (2011) peningkatan keandalan suatu sistem dan penghematan biaya suatu sistem peralatan dapat dilakukan dengan menggunakan simulasi Monte Carlo. Prakoso (2012) menerapkan simulasi Monte Carlo dalam rangkaian perbaikan kebijakan perawatan pencegahan di perusahaan produksi continuous soap making, dengan harapan hasil dari optimasi yang dilakukan mampu meningkatkan ketersediaan dan penghematan biaya perawatan. ISBN: 978-602-70604-3-2 2


Hasil dari penelitian penelitian yang telah dijelaskan, akan digunakan sebagai acuan pada penelitian tentang penentuan interval waktu perawatan pencegahan. Penelitian ini diharapkan dapat menghasilkan interval waktu perawatan pencegahan dengan laju biaya yang minimum, serta meningkatkan nilai keandalan dan ketersediaan peralatan di MPGCA. 2. METODE Ada tiga langkah utama yang diperlukan dalam proses penentuan Tp yang optimum dan fleksibel. Langkah-langkah tersebut adalah: 1. Menentukan sub sub sistem kritikal dari sub sistem MPC serta jenis distribusi waktu kegagalan dan waktu perbaikan. Perangkat lunak Weibull ++6 digunakan untuk memperoleh parameter distribusi waktu kegagalan dan parameter distribusi waktu perbaikan. 2. Melakukan simulasi keandalan dan perawatan/perbaikan secara serentak pada beberapa nilai Tp menggunakan simulasi Monte Carlo untuk mendapatkan nilai keandalan, ketersediaan, dan laju biaya perawatan pencegahan. Tp optimum adalah Tp yang menghasilkan laju biaya perawatan pencegahan minimum. 3. Menentukan rentang Tp berdasarkan laju biaya perawatan pencegahan minimum pada Tp optimum, yang memenuhi ketentuan keandalan dan ketersediaan dari sub sistem MPC. 2.1. Penentuan Distribusi Waktu Kegagalan dan Waktu Perawatan Serta Parameter Distribusi Waktu Kegagalan dan Waktu Perawatan pada Sub Sistem MPC Langkah pertama adalah memperoleh data waktu kegagalan dan waktu perawatan/perbaikan pada sub sistem MPC. Distribusi waktu kegagalan dan waktu perbaikan yang diperoleh adalah distribusi Weibull 3 parameter. Menurut Ebeling, (1997), distribusi waktu kegagalan dan waktu perbaikan dimodelkan sebagai berikut: Fungsi padat peluang (pdf) dari distribusi Weibull 3 parameter adalah …(1) Fungsi distribusi kumulatif (cdf) waktu perbaikan (maintainability) adalah: …(2) Fungsi keandalannya adalah: …(3)

Dari persamaan di atas diperoleh persamaan untuk waktu operasi dan waktu perawatan/perbaikan sebagai berikut: …(4) …(5)

ISBN: 978-602-70604-3-2 3


2.2. Simulasi Monte Carlo Langkah kedua adalah melakukan simulasi Monte Carlo dengan menggunakan random number generator yang terdapat pada perangkat lunak Microsoft Excel. Parameter distribusi waktu kegagalan dan waktu perbaikan yang telah dihasilkan oleh perangkat lunak Weibull++6 dari langkah pertama digunakan sebagai input pada simulasi Monte Carlo. Gambar 2 menunjukkan diagram alir simulasi Monte Carlo untuk sub sistem. Simulasi dilakukan sebanyak N x Tp periode simulasi dan dilakukan secara berulang pada setiap Tp. Simulasi Monte Carlo untuk sub sistem maupun sub sub sistem dilakukan secara serentak, sehingga dapat diketahui pengaruh perubahan keandalan sub sub sistem yang diwakili oleh random number terhadap keandalan sub sistem maupun biaya perawatan pada Tp tertentu. Dari hasil simulasi Monte Carlo pada sub sub sistem didapatkan Tp,i optimum untuk masingmasing sub sub sistem. Hasil Tp optimum digunakan untuk menentukan kelompok sub sub sistem (Xi) yang mempunyai perbandingan Tpi/Tpmin,i. Hasil dari perbandingan tersebut, dibulatkan ke bilangan bulat terdekat. Laggoune dkk. (2009) menyatakan bahwa kondisi bersyarat yang diberlakukan pada simulasi Monte Carlo untuk sub sistem adalah: 1. Jika Ti < Tp x Xi, maka sistem gagal beroperasi dan hanya beroperasi selama Tfi serta harus dilakukan perbaikan selama Tcmi. 2. Jika Ti > Tp x Xi, maka sistem sukses beroperasi selama Xi x Tp dan harus dilakukan perawatan pencegahan selama Tpmi. Tcmi dan Tpmi dihitung dengan persamaan 5. 3. Jika harus dilakukan perawatan pencegahan, sedangkan Tjam berada diantara P x Tp dan (P+1) x Tp, maka Tjam dibulatkan pada P x Tp, atau perawatan pencegahan dilakukan pada jadwal P x Tp. Model dari simulasi Monte Carlo yang terdapat pada gambar 2 dengan konfigurasi seri dijabarkan sebagai berikut: …(6) …(7) …(8) …(9) …(10) …(11) Modifikasi terhadap persamaan laju biaya perawatan pencegahan seperti ditunjukkan pada persamaan 13 dibawah dan dengan mengeluarkan biaya opportunity loss dari Cf dan menjadi fungsi waktu kegagalan sistem akan didapatkan perumusan laju biaya. Hasil modifikasi tersebut adalah sebagai berikut: …(12) …(13)

ISBN: 978-602-70604-3-2 4


MULAI Parameter distribusi waktu kegagalan dan waktu perbaikan sub sistem. PDF dan CDF distribusi waktu kegagalan dan waktu perbaikan.

Penentuan TP, Xi, N

Perhitungan Ti

Apakah Ti > TpXi ?

YA

TIDAK Perhitungan Tpmi dan Ts

Perhitungan Tcmi dan Tf

Perhitungan Topr dan Tjam

Perhitungan: Keandalan R(TP), Ketersediaan A(TP) Biaya perawatan untuk semua TP Penentuan rentang TP berdasarkan R(TP), A(TP), dan limit biaya

Apakah Perlu Dilakukan Untuk TP Lain?

YA

TIDAK SELESAI

Gambar 2. Diagram Alir Simulasi Monte Carlo Untuk Sub Sistem

ISBN: 978-602-70604-3-2 5


Dengan: = 1; Jika ti,r < Xi x Tp

Tmi = Lama waktu perawatan sub sistem

= 0; Jika ti,r > Xi x Tp

Tcmi = Lama waktu perbaikan

= 1; Jika ti,r > Xi x Tp

Tpmi = Lama waktu perawatan pencegahan

= 0; Jika ti,r < Xi x Tp

Cs(s) = Biaya sistem seri

C = Jumlah komponen

Topr = Lama waktu operasi

N = Jumlah siklus periode

Tjam = Topr + Total (Tcm + Tpm)

S = Subskrip (s) untuk sistem

Rs(Tp) = Keandalan sistem pada Tp

Ti,r = Waktu operasi (i) pada run ke (r)

As(Tp) = Ketersediaan sistem pada Tp

= Biaya opportunity loss

P = Periode kelipatan Tp

2.3. Penentuan Rentang Fleksibilitasi Tp Langkah ketiga atau terakhir adalah menentukan rentang Tp berdasarkan laju biaya minimum pada Tp optimum. Berdasarkan hasil simulasi berulang pada setiap Tp, diperoleh Tp optimum dengan laju biaya minimum pada selang kepercayaan 95%. Nilai tersebut digunakan sebagai batasan laju biaya dalam menentukan rentang fleksibilitas Tp. Menurut (Prakoso, 2012), batasan laju biaya, batasan keandalan dan ketersediaan minimum dari sub sub sistem maupun sub sistem digunakan untuk penentuan rentang fleksibilitas. 3. Pembahasan Hasil Terdapat tiga sub sub sistem yang dikaji pada sub sistem MPC. Sub sub sistem tersebut adalah turbin gas, kompresor gas dan fire & gas detection system. Jenis distribusi terbaik dan parameter distribusi waktu kegagalan dan waktu perbaikan didapatkan dengan menggunakan perangkat lunak Weibull++6. Hasil penentuan jenis distribusi terbaik dan parameter distribusi waktu kegagalan dan waktu perbaikan sub sub sistem di sub sistem MPC disajikan pada Tabel 1 dan Tabel 2. Selanjutnya parameter-parameter tersebut dimasukkkan pada persamaan (4) dan persamaan (5) untuk selanjutnya digunakan pada simulasi Monte Carlo. Tabel 1: Parameter Distribusi Waktu Kegagalan Sub Sistem MPC Sub Sistem MPC

Sub Sub Sistem Turbin Gas Kompresor Gas Fire & Gas Detection System

Jenis Dist Weibull 3 Weibull 3 Weibull 3

η 713,382 974,551 1542,430

β 1,449 1,143 2,668

γ 1146,460 1353,595 533,970

Sumber: hasil pengolahan data dengan perangkat lunak Weibull++6

Tabel 2: Parameter Distribusi Waktu Perbaikan (Maintainability) Sub Sistem MPC Sub Sistem MPC

Sub Sub Sistem Turbin Gas

Jenis Dist Weibull 3

η 20,575

β 1,195

γ 1,592

Kompresor Gas

Weibull 3

11,408

1,265

0,585

Fire & Gas Detection System

Weibull 3

6,801

1,363

2,462

Sumber: hasil pengolahan data dengan perangkat lunak Weibull++6

ISBN: 978-602-70604-3-2 6


Tp optimum masing-masing sub sub sistem di sub sistem MPC didapatkan dengan melakukan simulasi Monte Carlo. Hasil optimasi Tp dengan simulasi Monte Carlo pada sub sistem MPC disajikan pada Tabel 3. Nilai Xi pada Tabel 3 merupakan hasil perbandingan dari Tp optimum pada masing-masing sub sub sistem dengan Tp optimum terkecil dari seluruh sub sub sistem di sub sistem MPC. Nilai Xi selanjutnya digunakan sebagai pengali Tp pada simulasi sub sistem. Tabel 3: Hasil Simulasi Monte Carlo Pada Sub Sub Sistem di MPC Sub Sub Sistem Turbin Gas Kompresor Gas Fire & Gas Detection System

Cmin,I (USD/jam) 86,62 14,89 41,11

Tp,I (hari) 30 30 30

Tp/Tp min 1 1 1

Xi 1 1 1

Sumber: hasil pengolahan data dengan perangkat lunak Microsoft Excel

Hasil perhitungan Tp dengan simulasi Monte Carlo pada sub sistem MPC disajikan pada Gambar 3. Pada Gambar 3 dapat ditunjukkan bahwa Tp optimum dari sub sistem MPC berada pada 40 hari dengan laju biaya sebesar USD. 17,90/jam dan nilai keandalan sebesar 97,5%. Pada Gambar 3 juga ditunjukkan rentang Tp pada sub sistem MPC yaitu pada hari ke39 sampai dengan hari ke-43. Batasan tersebut memenuhi kriteria biaya maksimum yang mungkin pada selang kepercayaan 95% pada Tp optimum dan ketersediaan minimum sebesar 99%. Optimasi ini berhasil meningkatkan keandalan sistem dari 80% menjadi 97,5% dan penurunan biaya sebesar 98,6% dari USD. 910.928,24/jam.

Gambar 3. Hasil Simulasi Monte Carlo Dengan Berbagai Nilai Tp Terhadap Keandalan dan Laju Biaya Perawatan Serta Rentang fleksibilitas Tp pada Sub Sistem MPC 4. Kesimpulan Dari hasil simulasi Monte Carlo untuk sub sub sistem di sub sistem MPC, diperoleh Tp optimum sub sistem MPC adalah 40 hari dengan rentang di hari ke-39 sampai dengan hari ke42, dengan laju biaya optimum sebesar USD. 17.90/jam dan ketersediaan 99%. Optimasi ini berhasil meningkatkan keandalan sistem dari 80% menjadi 97,5% dan penurunan biaya sebesar 98,6% dari USD. 910.928,24/jam. ISBN: 978-602-70604-3-2 7


5. Saran Agar penjadwalan perawatan pencegahan dapat dilakukan lebih efektif dan akurat, maka disarankan untuk melakukan pencatatan secara kontinyu dan lengkap terhadap setiap kegagalan yang terjadi pada masing masing peralatan. Hasil dari penelitian ini diharapkan bisa menjadi acuan untuk penelitian penentuan interval waktu perawatan pencegahan selanjutnya. 6. Penghargaan Ucapan terima kasih khusus penulis berikan kepada pihak bagian maintenance method service, terutama TADM mechanical team, Maintenance Department PT TEXI yang telah banyak membantu dalam pengumpulan data dalam rangka penyelesaian penelitian ini. 7. Daftar Pustaka Ebeling, C. E., (1997), Reliability and Maintainability Engineering, International Edition, McGraw-Hill, New York. Labeau, P. E., and Zio, E., (2002), “Procedures of Monte Carlo Transport Simulation for Applications in System Engineering,” Reliability Engineering and System Safety, Vol. 77, hal. 217-228. Laggoune, R., Chateauneuf, A., and Aissani, D., (2009), “Opportunistic Policy for Optimal Preventive Maintenance of Multi-Component System in Continues Operating Units,” Computer and Chemical Engineering, Vol. 33, hal. 1499-1510. Marquez, A.C., Gupta, J.N.D., Ignizio, J.P., (2006) Improving preventive maintenance scheduling in semiconductor fabrication facilities, Production Planning and Control, v 17, n 7, October 2006, p 742-754. Nguyen, D. Q., Brammer, C., and Bagajewicz, M., (2008), “New Tool for the Evaluation of the Scheduling of Preventive Maintenance for Chemical Process Plants,” Ind. Eng. Chem. Res., Vol. 49, hal. 1910-1924. Prakoso, Y. S., (2012), Penentuan Interval Waktu Perawatan Pencegahan pada Proses Continuous Soap Making (CSM) Pembuatan Sabun Mandi Batang dengan Menggunakan Simulasi Monte Carlo, Tesis yang tidak dipublikasikan, Program Studi Magister Manajemen Teknologi ITS, Surabaya. Rakhmad, M. B., (2011), Optimasi Interval Waktu Perawatan Pencegahan Pada Sistem Pemasok Bahan Bakar Turbin Gas dengan Menggunakan Simulasi Monte Carlo, Tesis yang tidak dipublikasikan, Program Studi Magister Manajemen Teknologi ITS, Surabaya.

ISBN: 978-602-70604-3-2 8

Prosiding Seminar Nasional Manajemen Teknologi XXIV Program Studi MMT-ITS, Surabaya 23 Januari 2016

Recommend Documents