Penting diperhatikan bahwa pendekatan model yang digunakakan harus benar2 merepresentasikan mode kegagalan (failure mode) atas kejadian kegagalan yang sebenarnya terjadi selama periode rentang waktu pengamatan (suatu elapse time) . Untuk itu sebaiknya ditetapkan dulu mode kegagalannya, bisa menggunkan FTA (fault tree analysis) atau FMEA (failure mode and effect analysis); dimana konsep pemodelan ini bisa ditetapkan dari hasil workshop RCA (root cause and failure analysis), RCM (reliability center maintennace) dan Six atau LeanSigma.

Tanya – Abduh

Dear milister,

Kami sedang melakukan pipeline risk assessment untuk sebuah pipeline
system yang meliputi offshore dan onshore pipeline. Tahap pertama/
qualitative dengan menghitung risk index dengan menggunakan risk model
Muhlbauer. Tahap kedua/quantitatif analisis probabilitas kegagalan
dengan menggunakan data kegagalan pipa sebagai berikut:

Pipeline System Exposure Failure Rate

(1,000 km yr) (1/1,000 km yr)

UK (UKOPA) 592.33 0.289

Western Europe/EGIG 2,770 0.405

US (PHMSA) 7,724.85 0.766

Pipeline-X 10.57 ???

Mohon bantuan rekan-rekan milis yang pernah melakukan analisis
probabilistik (weibull, monte carlo, dll) untuk menghitung nilai
failure rate yang logis dari referensi data tersebut di atas.

Terima kasih.

Tanggapan 1 – arnold antonius

Mas Abduh

Sedikit memberikan masukan dalam menghitung failure rate.
Dalam kasus ini objek yang menjadi konsen penilaian (assessment) adalah kegagalan pipeline.

Menurut pendapat saya urutan tahap penilaian sudah benar : (1) penetapan model untuk analisa KUALITATIF dan (2) penetapan data parameter kegagalan (failure rate, installation rate dll) untuk analisa KUANTITATIF.

Penting diperhatikan bahwa pendekatan model yang digunakakan harus benar2 merepresentasikan mode kegagalan (failure mode) atas kejadian kegagalan yang sebenarnya terjadi selama periode rentang waktu pengamatan (suatu elapse time) . Untuk itu sebaiknya ditetapkan dulu mode kegagalannya, bisa menggunkan FTA (fault tree analysis) atau FMEA (failure mode and effect analysis); dimana konsep pemodelan ini bisa ditetapkan dari hasil workshop RCA (root cause and failure analysis), RCM (reliability center maintennace) dan Six atau LeanSigma.

Untuk kasus ini, mas Abduh tidak memberikan informasi yang lengkap, apakah kasus yang diamati dalam rentang INFANT MORTALITY ataukah rentang RANDOM atau rentang WEAR OUT.
Karena masih menggunakan webull, maka saya beranggapan bahwa masih baru melakukan klasifikasi kegagalan. Namun, jika seandainya kegagalan pipeline yang akan diamati adalah pada rentang RANDOM (acak), maka sudah benar metode yang akan digunakan adalah PROBABILISTIC atau STOKASTIK.
Untuk penyelesaian kuantitatif dengan kasus ini, banyak meteode yang bisa digunakan tapi yang umum digunakan misalnya saja MonteCarlo atau Markov Process.

Perlu catatan bahwa dalam penyelesaian untuk mendapatkan penilaian yang bersifat KUANTITATIF atas kedua metode diatas, maka harus dilakukan terlebihdahulu perhitungan dari parameter kegagalan misalnya saja FAILURE RATE (FR) atau INSTALLATION RATE.

Dalam hal ini (kasus pipeline), penetapan FR bisa dilakukan melalui data2 referensi yang bisa dipercaya seperti yang dipaparkan oleh mas Abduh mis UKOPA, EGIG, PHMSA atau Pipeline-X.

Saran saya untuk mendapat data FR yang sesuai dengan kondisi aktual pipeline yang sedang diamati maka sebaiknya dilakukan juga verifikasi secara perhitungan atau estimasi. Dengan data2 sejarah kegagalan (failure historical) dari pipeliene tersebut bisa di-generate dari data CMMS (computer management and maintenance system). Dimana dalam kasus ini, misalnya dilakukan terhadap data2 pipeline yang diamati secara HOMOGENEOUS (dalam kondisi operasi dan lingkungan yang sama).

Selanjutnya formulasi perhitungannya dalam penetapan FAILURE RATE ini bisa mengacu pada buku OREDA-97 atau OREDA-2002 (OffShore Reliability Data). Dan setelah didapat hasilnyanya selanjutnya harus dilakukan analisa statistik CONFIDENT INTERVAL (CI).

Selanjutrnhya analisa KUALITATIF dari pengaruh nilai FR pada selang CI tersebut terhadap fungsi kegagalan (persamaan stokastik yang diturunkan dari model markov atau montecarlo) dapat dianlisa dengan menggunakan metode SENSITIVITY ANALISYS.

Catatan :

– FAILURE RATE yang dimaksud disini adalah perubahan atau perbandingan dari Probability Density Function (PDF) terhadap fungsi Reliability dari pipeline yang diamati dalam suatu elapse time yang ditetapkan.

– Fungsi Reliability adalah vector inverst dari fungsi failure Cumulative Density Function dari keseluruhan populasi kegagalan homegen dari unit pipeline yang sedang diamati.

Demikian semoga penjelasan yang panjang ini bisa membantu mas Abduh.

Tanggapan 2 – Muhammad Abduh

Yth Pak Arnold,

Terima kasih sebelumnya atas penjelasan yang cukup filosofis. Rupanya saya ketagihan penjelasan lebih lanjut..

Untuk trend global pipeline failure bisa dikatakan ‘infant mortality’ characteristic karena kecenderungan failure rate untuk ketiga pipeline tersebut memang berkurang secara empirik dan seiring dengan environment (technical+legal) peningkatan standar keselamatan, kode dan standar pipeline integrity, dan kualitas material dan konstruksi/fabrikasi yang bertambah baik.

Dalam pandangan saya sebagai yang awam dalam teori probabilitas, apakah untuk menentukan nilai failure rate yang logis untuk pipeline system dengan exposure 10,570 km yr bisa dgn membandingkan probability density pipeline system yang lebih besar mislkan pipeline system Inggris Raya dimana failure rate = 0.289/1000 km-yr dan exposure sebesar 592,330 km-yr. Untuk itu model mana yang dipakai Pak?

Mengapa kami membandingkan dengan pipeline system dari luar, karena risk index oleh Muhlbauer environmentnya adalah pipeline system di US, dan Eropa. Kalo menurut Muhlbauer risk index ideal/perfect adalah sebesar 400. Artinya apakah kita bisa menentukan nilai 400 ini dengan referensi yang kuat (didukung oleh hasil analisis probabilstik ) sebesar 0.289/1000 km-year, atau 0.766/1000-km year, atau nilai xxx hasil analisis probabilistik.

Terima kasih sebelumnya atas waktunya membalas email saya. Salam sukses selalu buat Pak Arnold!

Tanggapan 3 – arnold antonius

Halo mas Abduh

Sepengetahuan saya (mohon dikoreksi jika salah) … untuk kasus INFANT MORTALITY (IM), pendekatan untuk penilaian (baca : assessment) tidak dilakukan dengan metode ‘probabilistic’. Karena kasus seperti ini bukan kasus ‘stokastik’ dan sifatnya adalah ‘deterministik’. Untuk benar2 memastikan rentang kegagalann ini benar berada pada rentang IM, maka harus digunakan analisa Weibull untuk mendapatkan ‘shape parameter’ (beta) harus < 1 atau dengan kata lain distribusinya harus gamma. Dan sepengetahuan saya untuk model Muhlbauer hanya digunakan untuk kasus2 dalam rentang RANDOM (mohon koreksi jika salah). Dan untuk kasus2 kegagalan pada pipeline, bila menggunakan model Muhlbauer, pendekatan model KUALITATIF bisa menggunakan metode FUZZY LOGIC salah satunya.

Pendapat saya, bila kegagalan masih dalam dalam rentang IM terjadi cukup tinggi, maka saran saya yg harus di tinjau adalah :

– size atau spec (standadisasi disain kontruksi, spek material, dll) apakah sudah benar-benar sesuai dengan kebutuhan operasi saat ini.

– kemungkinan lain karena kesalahaan instalasi (pekerjaan pemasangan / kontruksi atau pekerjaan penyambungan)

– kemungkinan lain karena kesalahan pengoperasian yang tdk sesuai dengan disain

Sekali … lagi, untuk penetapan nilai Failure Rate (FR) dari kasus pipeline, terus terang saya tdk kompeten untuk menjawab, tapi karena filosopi kasus ini mirip dengan bidang saya (instrumentasi dan kontrol) atau bidang lainnya, maka sy sarankan agar sebaiknya kalau mau bandingkan harus ‘apple’ to ‘apple’. Namun, jika tdk maka sebaiknya FR nya harus dilakukan secara empiris atau perhitungan dari data kegagalan saat ini. Teknik perhitungannya bisa dilihat dari referensi2 standar yang ada, salah satunya dari OREDA tadi.
Karena bila dibandingkan dengan data FR dari pipeline inggris raya (misalnya) atau lainnya takutnya karena data yang dibandingkan tidak HOMOGENOUS, maka kemungkinan akurasi perhitungan tidak akan akurat terhadap fungsi mode kegagalan yang dikembangkan pada kasus ini, sehingga nilai Risk Level (bobot ‘severity’ terhadap ‘likelihood’) yang dihasilkan mungkin saja tidak akurat secara kualitatif.

Lalu saran saya yang lainnya, untuk mendapatkan Risk Level pada kasus ini, sy sarankan untuk menggunakan teknik2 dalam RBI (Risk Based Inspection) yang berkaitan dengan pipeline, karena kasus ini termasuk golongan static devices.

Demikian penjelasan tambahan ini, semoga membantu mas Abduh dan salam sukses selalu juga.
Silahkan diskusi lagi bila masih belum puas. Mohon maaf bila ada penjelasan yang keliru atau tidak lengkap / tidak jelas.