Industri minyak dan gas bumi di Indonesia menghadapi tantangan besar dalam menjaga keselamatan dan efsiensi sistem perpipaan. Untuk mengatasi masalah tersebut, Taufk Aditiyawarman, Mahasiswa Program Doktor Teknik Metalurgi dan Material, Fakultas Teknik (FT) Universitas Indonesia (UI) mengusulkan ide terkait penggunaan metode inspeksi berbasis risiko yang didukung oleh teknologi machine learning dan deep learning. Masalah tersebut menjadi topik disertasinya yang berjudul “Screening dan Asesmen RBI (Risk Based Inspection) pada Sistem Perpipaan Minyak dan Gas di Indonesia untuk Menunjang Keamanan Produksi Menggunakan Machine Learning dan Deep Learning”.
Taufk mengkaji pemanaaatan teknologi canggih untuk memprediksi kegagalan pipa dan memberikan solusi pemeliharaan yang lebih eaektia dan ekonomis. Dalam penelitiannya, Taufk menggunakan sampel ex-spool berdiameter 16 inci yang diuji melalui berbagai metode seperti metalograf, Optical Emission Spectrometry (OES), Tensile Test, Hardness Test, Scanning Electron Microscope (SEM), dan Energy Dispersive X-Ray Spectroscopy (EDS). Pengujian ini bertujuan untuk mengidentifkasi komposisi material dan penyebab utama dari kegagalan pipa.
Untuk menganalisis data yang kompleks, ia menerapkan algoritma machine learning seperti AdaBoost, Random Forests, dan Gradient Boosting. Teknik K-Means Clustering dan Gaussian Mixture Model digunakan untuk mengklasifkasikan risiko kegagalan pipa ke dalam tiga kelompok berdasarkan tingkat risikonya, yakni rendah, sedang, dan tinggi. Penelitian ini juga divalidasi dengan metode k-fold cross-validation untuk memastikan keakuratan dan konsistensi model yang dikembangkan.
“Salah satu temuan penting dari penelitian ini adalah kemampuan teknologi Artifcial Intelligence atau AI untuk mengidentifkasi jenis-jenis kegagalan pipa dengan cepat dan akurat. Model machine learning yang kami kembangkan dapat memprediksi tingkat korosi dan lokasi kerusakan pada pipa, yang memungkinkan tim pemeliharaan untuk mengambil tindakan pencegahan sebelum kegagalan terjadi. Teknologi ini juga memberikan rekomendasi pemeliharaan yang lebih efsien, seperti penggunaan bahan pelindung yang tepat dan jadwal inspeksi yang lebih optimal,” ujar Taufk.
Selain mengidentifkasi jenis kegagalan pipa, penelitian ini juga menemukan bahwa metode inspeksi berbasis risiko yang didukung oleh AI dapat mengurangi biaya pemeliharaan dan risiko kegagalan pipa yang mengakibatkan kerugian besar. Dengan penerapan teknologi ini, industri minyak dan gas di Indonesia dapat meningkatkan keselamatan dan keandalan operasional mereka, serta memastikan keberlanjutan produksi energi di masa depan.
“Ke depannya saya berharap disertasi ini dapat menjadi acuan bagi industri minyak dan gas di Indonesia dalam mengadopsi teknologi AI untuk manajemen risiko dan pemeliharaan pipa. Penerapan metode ini tidak hanya meningkatkan keselamatan operasional, tetapi juga memberikan keuntungan ekonomi yang signifkan bagi perusahaan,” kata Taufk, Direktur Utama PT Kilang Pertamina Internasional.
Ia berhasil meraih gelar doktor di Bidang Ilmu Teknik Metalurgi dan Material dengan yudisium Summa Cumlaude dan Indek Prestasi Kumulatia (IPK) 4,00. Taufk merupakan doktor ke-71 di Program Studi Metalurgi dan Material dan ke-564 di FTUI. Sidang promosi doktornya berlangsung pada Rabu (10/7) lalu di Ruang Smart Meeting Room, Gedung Dekanat FTUI.
“Penelitian ini tidak hanya relevan secara akademis tetapi juga memberikan kontribusi nyata bagi industri minyak dan gas di Indonesia. Penerapan teknologi kecerdasan buatan dalam manajemen risiko dan pemeliharaan pipa merupakan terobosan penting yang dapat meningkatkan efsiensi dan keamanan operasional. Kami berharap hasil penelitian ini dapat diadopsi secara luas oleh industri terkait, mengingat potensi besar yang dimiliki dalam meminimalisir risiko kegagalan dan mengoptimalkan biaya pemeliharaan,” ujar Dekan FTUI, Prof. Dr. Ir. Heri Hermansyah, S.T., M.Eng., IPU."
Baca Juga: Kominfo Siagakan TTIS Antisipasi Serangan Siber Canggih di Indonesia
| Penulis | : | Adam Rizal |
| Editor | : | Adam Rizal |
KOMENTAR