Pendahuluan

Kesinambungan proses produksi dalam dunia industri manufaktur sangat bergantung pada kondisi mesin dan peralatan yang digunakan. Ketika mesin mengalami kerusakan di luar jadwal, dampaknya tidak hanya menyebabkan terhentinya lini produksi, tetapi juga berpotensi menimbulkan kerugian finansial akibat target produksi yang tidak tercapai serta penurunan kapasitas layanan kepada pelanggan [1]. Oleh sebab itu, kegiatan perawatan (maintenance) menjadi salah satu prioritas strategis yang tidak boleh diabaikan[2]. Pemeliharaan yang terencana dengan baik tidak hanya mampu menekan frekuensi kerusakan mendadak, tetapi juga berkontribusi pada efisiensi biaya operasional, perpanjangan umur ekonomis aset, dan terjaganya kelancaran target produksi [3].

Kondisi tersebut juga dialami oleh PT K atau PT I, Badan Usaha Milik Negara yang memproduksi sarana perkeretaapian secara terintegrasi. Dalam alur fabrikasi struktur bodi kereta api (carbody), proses penyambungan material melalui pengelasan (welding) merupakan tahap yang paling menentukan, karena kualitas dan laju prosesnya secara langsung memengaruhi kecepatan seluruh lini produksi. Saat ini, PT I menerapkan kebijakan preventive maintenance yang dijadwalkan secara berkala setiap tiga bulan sekali, dikombinasikan dengan corrective maintenance ketika kerusakan sudah terlanjur terjadi [1]. Namun demikian, implementasi pemeliharaan berbasis waktu (time-based maintenance) ini dinilai belum efektif, sebagaimana dibuktikan oleh masih tingginya angka breakdown tak terencana, khususnya pada mesin Gas Metal Arc Welding (GMAW) seri XD350S. Mesin tersebut mencatatkan tingkat utilisasi tertinggi di antara seluruh unit las yang beroperasi, yaitu mencapai 36% dengan rata-rata 45 jam operasi per minggu. Selama periode satu tahun pengamatan, tercatat 30 kejadian kerusakan dengan total downtime sebesar 4.550 menit, atau setara dengan 77% dari total keseluruhan downtime semua mesin pengelasan yang ada [1]. Komponen-komponen yang menjadi sumber kerusakan berulang meliputi Wire Feeder, Inner Liner, Feed Roller, dan Welding Control PCB—sebuah pola yang mengindikasikan bahwa mesin beroperasi dalam kondisi heavy duty dengan beban kerja yang jauh melampaui asumsi interval perawatan tiga bulanan yang selama ini diterapkan [4].

Permasalahan di atas menegaskan kebutuhan akan metode evaluasi pemeliharaan yang lebih adaptif, tidak sekadar mengacu pada rentang waktu tetap, melainkan berpijak pada keandalan dan fungsi aktual setiap komponen sistem. Preventive maintenance yang efektif seharusnya didasarkan pada data keandalan (reliability) komponen dan distribusi waktu kegagalan yang terukur, sehingga jadwal perawatan yang dihasilkan benar-benar mencerminkan kondisi operasional nyata mesin [5]. Dalam konteks inilah, metode Reliability Centered Maintenance II (RCM II) menjadi relevan. RCM II merupakan pendekatan terstruktur yang secara sistematis mengidentifikasi fungsi aset, kegagalan fungsional (functional failure), penyebab kegagalan (failure mode), serta konsekuensinya, untuk kemudian menentukan jenis tindakan perawatan yang paling tepat—apakah berupa scheduled on-condition task, scheduled restoration task, ataukah scheduled discard task [4] dan juga RCM II merupakan suatu teknik yang dipakai untuk mengembangkan preventive maintenance yang terjadwal [6]. Metode ini memadukan analisis kualitatif melalui decision worksheet dengan analisis kuantitatif berbasis distribusi data historis waktu antar kerusakan, sehingga interval perawatan yang direkomendasikan bersifat optimal secara teknis maupun ekonomis [3]. Dengan demikian, penelitian ini dilaksanakan untuk merumuskan usulan penjadwalan preventive maintenance pada mesin GMAW XD350S menggunakan pendekatan RCM II, dengan harapan dihasilkan rekomendasi interval waktu yang optimal dan maintenance task yang tepat sasaran untuk setiap komponen kritis, guna meminimalkan downtime tak terencana dan menjaga kelancaran produksi di PT I [7].

Metode

Metode penelitian yang digunakan terdiri dari beberapa tahap, diawali dengan tahap pengumpulan data melalui kegiatan studi lapangan yang mencakup observasi, penyebaran kuesioner, dan wawancara. Komunikasi dan wawancara dilakukan secara langsung dengan Manajer Divisi Maintenance serta teknisi mekanik untuk menggali informasi terkait riwayat operasional, penyebab kegagalan, dan efek kerusakan pada mesin di lantai produksi. Data historis yang dikumpulkan dalam penelitian ini berfokus pada rekam jejak operasional mesin selama periode bulan Januari 2025 hingga Desember 2025. Data primer yang dihimpun meliputi data waktu antar kerusakan (Time to Failure), lamanya waktu perbaikan (Time to Repair), total waktu henti (downtime) mesin, serta identifikasi komponen kritis. Sementara itu, data pendukung mencakup harga komponen substitusi dan biaya tenaga kerja mekanik. Seluruh data tersebut kemudian diolah secara komprehensif menggunakan metode Failure Mode and Effect Analysis (FMEA) dan ReliabilityCenteredMaintenance II (RCM II). Tujuan dari tahapan ini adalah untuk mengidentifikasi mode kegagalan komponen, menentukan interval waktu perawatan kuantitatif yang paling optimal, serta merumuskan rekomendasi kebijakan perawatan (Maintenance task) yang spesifik melalui RCM II Decision Worksheet pada mesin las Welding GMAW XD350S. Gambar 1 berikut merupakan flowchartyang menggambarkan alur dari penelitian ini.

Gambar 1. F lowchart

Penelitian ini dirancang melalui pendekatan kuantitatif berbasis data historis kerusakan mesin. Berdasarkan gambar 1, Tahap awal dimulai dengan studi literatur dan studi lapangan secara paralel. Studi literatur bertujuan membangun landasan teori yang relevan, sementara studi lapangan dilaksanakan melalui observasi langsung dan wawancara dengan teknisi divisi perawatan untuk memperoleh gambaran permasalahan aktual di lantai produksi [3]. Kedua aktivitas tersebut menjadi dasar dalam merumuskan permasalahan penelitian sekaligus menetapkan tujuan yang hendak dicapai.

Selanjutnya dilakukan identifikasi variabel penelitian yang meliputi variabel terikat berupa Maintenance task dan interval waktu perawatan optimal, serta variabel bebas berupa komponen kritis, waktu antar kerusakan, dan waktu antar perbaikan. Penetapan variabel ini penting dilakukan agar arah pengumpulan dan pengolahan data menjadi lebih terstruktur [5]. Data yang dikumpulkan mencakup data mesin dan komponennya, data downtime, serta data penyebab dan efek kegagalan yang diperoleh melalui rekap historis perusahaan dan kuesioner FMEA kepada tenaga ahli.

Pengolahan data diawali dengan pembuatan Functional Block Diagram (FBD) untuk menggambarkan keterkaitan antar komponen dalam sistem secara visual, sehingga aliran fungsi dan potensi kegagalan dapat diidentifikasi dengan lebih sistematis [8]. Berdasarkan data downtime yang telah dikumpulkan, dilakukan penghitungan persentase downtime kumulatif yang divisualisasikan dalam Diagram Pareto untuk menentukan komponen kritis prioritas [4].

Secara paralel, data penyebab dan efek kegagalan dianalisis menggunakan metode Failure Mode and Effect Analysis (FMEA) dengan menghitung nilai Risk Priority Number (RPN) yang merupakan hasil perkalian dari nilai Severity, Occurrence, dan Detection pada tiap mode kegagalan [9]. Komponen dengan nilai RPN tertinggi menjadi prioritas utama dalam penentuan strategi perawatan.

Pada jalur kuantitatif, data waktu antar kerusakan (TTF) dan waktu perbaikan (TTR) masing-masing komponen diuji distribusinya menggunakan software Minitab dengan metode Anderson-Darling untuk menentukan distribusi yang paling sesuai [5]. Setelah distribusi terpilih, dilakukan penentuan parameter shape (β) dan scale (η) yang selanjutnya digunakan untuk menghitung nilai Mean Time to Failure (MTTF) dan Mean Time to Repair (MTTR) sebagai representasi rata-rata waktu antar kegagalan dan waktu perbaikan komponen [10]. Interval perawatan optimal (TM) kemudian dihitung dengan mempertimbangkan biaya penggantian karena perawatan (CM) dan biaya penggantian karena kerusakan (CF) menggunakan model biaya perawatan berbasis distribusi Weibull.

Seluruh hasil analisis, baik kualitatif dari FMEA maupun kuantitatif dari perhitungan interval perawatan, diintegrasikan dalam penyusunan RCM II Decision Worksheet. Tabel keputusan ini mengacu pada Diagram keputusan RCM II yang mengevaluasi konsekuensi kegagalan berdasarkan empat kategori yaitu hidden failure (H), safety (S), environmental (E), dan operational (O), untuk menghasilkan rekomendasi jenis Maintenance task yang paling tepat bagi setiap mode kegagalan, baik berupa scheduled on-condition task, scheduled restoration task, maupun scheduled discard task [11].Seluruh hasil analisis, baik kualitatif dari FMEA maupun kuantitatif dari perhitungan interval perawatan, diintegrasikan dalam penyusunan RCM II Decision Worksheet. Tabel keputusan ini mengacu pada Diagram keputusan RCM II yang mengevaluasi konsekuensi kegagalan berdasarkan empat kategori yaitu hidden failure (H), safety (S), environmental (E), dan operational (O), untuk menghasilkan rekomendasi jenis Maintenance task yang paling tepat bagi setiap mode kegagalan, baik berupa scheduled on-condition task, scheduled restoration task, maupun scheduled discard task [12].

Hasil dan Pembahasan

A. Functional Block Diagram (FBD)

Functional Block Diagram (FBD) merupakan representasi visual yang menggambarkan hubungan fungsional antar komponen dalam suatu sistem. Dalam kerangka analisis Reliability Centered Maintenance II (RCM II), penyusunan FBD menjadi langkah awal yang fundamental sebelum dilakukan identifikasi kegagalan lebih lanjut [13]. FBD membantu tim Maintenance untuk memahami secara sistematis bagaimana setiap komponen berkontribusi terhadap fungsi sistem secara keseluruhan, sehingga apabila salah satu komponen mengalami kegagalan, dampaknya terhadap sistem dapat ditelusuri dengan tepat [4].

Gambar 2 berikut menggambarkan hubungan fungsional antar subsistem pada mesin las Gas Metal Arc Welding (GMAW) XD350S, meliputi aliran sinyal kendali, arus listrik, material kawat las, dan gas pelindung.

Figure 1. Functional Block Diagram Mesin Welding GMAW XD350S

Berdasarkan Gambar 2, sistem mesin las GMAW XD350S terdiri atas empat subsistem utama yang saling terintegrasi:

1.Welding Control PCB berperan sebagai pengendali utama yang mengatur seluruh parameter pengelasan. Modul ini mengirimkan sinyal tegangan ke Power source sekaligus sinyal kecepatan motor ke Wire Feeder untuk mengontrol laju kawat las. Stabilitas sinyal dari PCB sangat berpengaruh terhadap keseragaman proses pengelasan.

2. Wire Feeder berfungsi menarik kawat las dari spool menggunakan motor listrik. Komponen ini mengintegrasikan mekanisme solenoid valve untuk mengatur aliran gas pelindung (shielding gas) serta motor penggerak yang memutar drive roll.

3. Feed Roller memberikan gaya gesek untuk mendorong kawat las secara kontinu ke dalam Inner Liner. Kondisi groove pada roller sangat menentukan konsistensi kecepatan kawat selama pengelasan berlangsung.

4. Inner Liner berfungsi sebagai jalur penghantar (pemandu) kawat las dari Wire Feeder menuju Welding gun. Kondisi liner yang bersih dan tidak tertekuk sangat menentukan kelancaran aliran kawat selama proses pengelasan.

Secara keseluruhan, kinerja optimal sistem sangat bergantung pada keselarasan antara keempat subsistem tersebut. Ketidakseimbangan pada salah satu komponen dapat memicu kegagalan fungsional yang berdampak pada keseluruhan lini produksi mesin GMAW XD350S di PT I

B. Failure Mode and Effect Analysis (FMEA)

Failure Mode and Effect Analysis (FMEA) merupakan metode sistematis untuk mengidentifikasi potensi kegagalan suatu sistem beserta efek yang ditimbulkannya. Dalam konteks RCM II, FMEA digunakan untuk menentukan fungsi (function), kegagalan fungsional (Functional failure), mode kegagalan (failure mode), dan efek kegagalan (failure effect) pada setiap komponen kritis [14]. Output utama FMEA adalah nilai Risk Priority Number (RPN) yang dihitung berdasarkan perkalian tiga faktor: Severity (S), Occurrence (O), dan Detection (D), dengan formula

RPN = S × O × D [5](1)

Sebelum menentukan nilai RPN, dilakukan kontekstualisasi kriteria penilaian S, O, dan D yang disesuaikan dengan karakteristik operasional mesin GMAW XD350S. Penyesuaian ini dilakukan untuk menjamin validitas penilaian yang mencerminkan risiko kegagalan aktual di lingkungan manufaktur perkeretaapian. Hasil analisis FMEA disajikan pada Tabel 1 berikut.

Tabel 1 . Failure Mode and Effect Analysis Mesin Welding GMAW XD350S

Berdasarkan Tabel 1, hasil analisis FMEA menunjukkan bahwa Wire Feeder memperoleh nilai RPN tertinggi sebesar 392, diikuti oleh Welding Control PCB dengan RPN 384, Inner Liner dengan RPN 280, dan Feed Roller dengan RPN 196. Tingginya nilai RPN pada Wire Feeder dan Welding Control PCB mengindikasikan bahwa kedua komponen tersebut memiliki tingkat risiko kegagalan paling kritis dan memerlukan prioritas penanganan perawatan paling utama [14]. Nilai Severity sebesar 8 pada Wire Feeder dan Welding Control PCB mencerminkan dampak kegagalan yang menyebabkan downtime mesin secara total, sedangkan nilai Detection yang tinggi (7-8) pada komponen yang sama mengindikasikan sulitnya pendeteksian dini sebelum terjadi kegagalan fungsi.

C. Penentuan Komponen Kritis

Penentuan komponen kritis dilakukan berdasarkan data downtime aktual mesin GMAW XD350S selama periode Januari–Desember 2025. Metode yang digunakan adalah analisis Diagram Pareto berdasarkan persentase downtime kumulatif, di mana komponen dengan kontribusi downtime kumulatif hingga 80% diklasifikasikan sebagai komponen kritis. Perhitungan persentase downtime masing-masing komponen menggunakan formula berikut:

% Downtime = (Downtime Komponen / Total Downtime) × 100%(2)

Hasil rekapitulasi persentase downtime dan downtime kumulatif setiap komponen disajikan pada Tabel 2 berikut:

Tabel 2. Urutan Komponen Kritis Berdasarkan Nilai Downtime

Visualisasi distribusi downtime antar komponen dalam bentuk Diagram Pareto disajikan pada Gambar 3 berikut.

Gambar 3. Diagram Pareto Downtime MesinWelding GMAW XD350S

Berdasarkan Tabel 2 dan Gambar 3, hasil analisis Diagram Pareto mengidentifikasi empat komponen yang seluruhnya ditetapkan sebagai komponen kritis. Wire Feeder mencatat downtime tertinggi sebesar 765 menit (32,25%), diikuti Welding Control PCB sebesar 690 menit (29,09%), Feed Roller sebesar 552 menit (23,27%), dan Inner Liner sebesar 365 menit (15,39%). Secara kumulatif, Wire Feeder dan Welding Control PCB saja telah menyumbang 61,34% dari total downtime, sedangkan penambahan Feed Roller mengakibatkan akumulasi mencapai 84,61%, melampaui ambang batas 80% yang menjadi kriteria komponen kritis. Tingginya downtime pada keempat komponen ini mengkonfirmasi bahwa interval perawatan tiga bulanan yang berlaku saat ini tidak lagi relevan dengan frekuensi dan intensitas kerusakan aktual mesin.

D. Penentuan Distribusi dan Parameter

1. Distribusi Waktu Antar Kerusakan (TTF)

Penentuan distribusi probabilitas waktu antar kerusakan (Time to Failure/TTF) dan waktu perbaikan (Time to Repair/TTR) dilakukan menggunakan software Minitab 18 melalui menu Distribution Analysis (Right Censoring). Uji kesesuaian distribusi (goodness of fit) menggunakan metode Anderson-Darling (AD), di mana distribusi dengan nilai AD terkecil dinyatakan paling sesuai dengan data aktual [5]. Kandidat distribusi yang diuji meliputi Weibull, Lognormal, dan Exponential. Hasil rekapitulasi pengujian distribusi TTF dan parameter yang diperoleh disajikan pada Tabel 3.

Tabel 3.Hasil Pengujian Distribusi Waktu Antar Kerusakan (TTF)

Berdasarkan Tabel 3, seluruh komponen kritis mesin GMAW XD350S mengikuti distribusi Weibull dua parameter. Nilai shape parameter (β) yang lebih besar dari 1 pada semua komponen mengindikasikan pola kegagalan wear-out failure, yaitu laju kegagalan yang meningkat seiring bertambahnya usia operasi komponen [15]. Hal ini memperkuat kesimpulan bahwa strategi preventive Maintenance berbasis interval waktu sangat tepat diterapkan pada keempat komponen tersebut. Komponen Feed Roller dan Welding Control PCB memiliki nilai β tertinggi (6,77 dan 8,13) yang menunjukkan pola keausan paling deterministik dan konsisten, sehingga interval perawatannya dapat ditentukan dengan tingkat kepercayaan yang lebih tinggi.

2. Distribusi Waktu Lamanya Perbaikan (TTR)

Hasil rekapitulasi pengujian distribusi TTR dan parameter yang diperoleh disajikan pada Tabel 4.

Tabel 4.Hasil Pengujian Distribusi Waktu Lamanya Perbaikan (TTR)

E. Perhitungan MTTF dan MTTR

Setelah diperoleh parameter distribusi Weibull untuk masing-masing komponen, dilakukan perhitungan Mean Time to Failure (MTTF) dan Mean Time to Repair (MTTR) menggunakan persamaan distribusi Weibull sebagai berikut [15]:

MTTF / MTTR = η · Γ(1 + 1/β)(3)

di mana η adalah scale parameter, β adalah shape parameter, dan Γ merupakan fungsi Gamma.

Contoh perhitungan MTTF komponen Wire Feeder (η = 1113,47 ; β = 4,75):

MTTF = 1113,47 × Γ(1 + 1/4,75) = 1113,47 × Γ(1,21) = 1113,47 × 0,91558 = 1019,47 jam

Contoh perhitungan MTTR komponen Wire Feeder (η = 93,43 ; β = 4,27):

MTTR = 93,43 × Γ(1 + 1/4,27) = 93,43 × Γ(1,23) = 93,43 × 0,91075 = 85,09 menit = 1,418 jam

Rekapitulasi hasil perhitungan MTTF dan MTTR seluruh komponen kritis disajikan pada Tabel 5.

Tabel 5. Nilai MTTF dan MTTR Komponen Kritis

Berdasarkan Tabel 5, nilai MTTF Welding Control PCB (2.398,38 jam) jauh lebih tinggi dibandingkan tiga komponen lainnya, yang konsisten dengan nilai β = 8,13 dan η = 2.541,76 jam. Ini menunjukkan bahwa PCB memiliki siklus hidup yang lebih panjang namun ketika mengalami kegagalan, proses perbaikannya juga membutuhkan waktu terlama (MTTR = 2,876 jam). Sebaliknya, Inner Liner memiliki MTTF terendah (959,25 jam) dengan MTTR terpendek (0,763 jam), mengindikasikan kerusakan yang relatif cepat terjadi namun mudah diperbaiki.

F. Penentuan Interval Perawatan Optimal

Perhitungan interval perawatan optimal (TM) dilakukan berdasarkan model minimasi biaya menggunakan parameter distribusi Weibull dari data TTF komponen, biaya penggantian karena perawatan (CM), dan biaya penggantian karena kerusakan (CF). Formula yang digunakan adalah sebagai berikut [4]:

TM = η × (CM / (CF − CM) × 1/(β−1))^(1/β)(4)

1. Biaya Penggantian Karena Perawatan (CM) dan Kerusakan (CF)

Biaya CM dihitung berdasarkan biaya tenaga kerja mekanik dan harga komponen, sedangkan biaya CF memperhitungkan tambahan biaya downtime produksi per jam. Biaya mekanik yang digunakan sebesar Rp 200.000/jam dan biaya downtime produksi sebesar Rp 180.000/jam, diperoleh dari data biaya tenaga kerja PT INKA (Persero).

CM = [Biaya Mekanik × MTTR] + Harga Komponen(5)

CF = [(Biaya Mekanik + Biaya Downtime) × MTTR] + Harga Komponen(6)

Rekapitulasi biaya CM, CF, dan hasil perhitungan interval perawatan optimal (TM) seluruh komponen kritis disajikan pada Tabel 6 berikut.

Tabel 6. Rekapitulasi Biaya CM, CF, dan Interval Perawatan Optimal (TM)

Berdasarkan Tabel 6, interval perawatan optimal yang direkomendasikan untuk masing-masing komponen kritis adalah: Wire Feeder setiap 2.115,05 jam (±2,9 bulan), Inner Liner setiap 1.975,42 jam (±2,7 bulan), Feed Roller setiap 1.598,39 jam (±2,2 bulan), dan Welding Control PCB setiap 3.900,67 jam (±5,4 bulan). Interval perawatan ini seluruhnya lebih pendek dari kebijakan tiga bulanan yang berlaku saat ini, kecuali Welding Control PCB yang memiliki interval lebih panjang. Hal ini menunjukkan bahwa Wire Feeder, Inner Liner, dan Feed Roller memerlukan frekuensi perawatan yang lebih tinggi dari sebelumnya karena laju kegagalan aktual yang tinggi [4]. Sementara Welding Control PCB—meskipun memiliki downtime total tinggi—memiliki laju kegagalan yang lebih terkendali sehingga interval perawatan yang lebih panjang masih dapat dipertanggungjawabkan secara teknis.

G. RCM II Decision Worksheet

RCM II Decision Worksheet merupakan instrumen analisis yang digunakan untuk menentukan jenis Maintenance task yang paling tepat untuk setiap failure mode berdasarkan konsekuensi kegagalannya [16]. Evaluasi konsekuensi kegagalan dalam RCM II mencakup empat kategori: Hidden Failure (H), Safety (S), Environmental (E), dan Operational (O). Berdasarkan kategori konsekuensi tersebut, ditentukan jenis proactive task yang sesuai, yaitu Scheduled On-Condition Task (OCT), Scheduled Restoration Task (SRT), atau Scheduled Discard Task (SDT). Jika tidak ada proactive task yang memadai, diterapkan default action. Hasil RCM II Decision Worksheet mesin GMAW XD350S disajikan pada Tabel 7.

Tabel 7.RCM II Decision Worksheet Mesin Welding GMAW XD350S

Berdasarkan Tabel 7, hasil RCM II Decision Worksheet menghasilkan tiga jenis Maintenance task yang direkomendasikan. Pertama, Scheduled Discard diterapkan pada seal solenoid valve (Wire Feeder), Feed Roller, dan transformator (PCB), karena ketiga komponen tersebut memiliki pola kegagalan wear-out yang tidak dapat dikembalikan kondisinya melalui rekondisi [10]. Penggantian terjadwal merupakan satu-satunya pendekatan andal untuk mencegah kegagalan mendadak. Kedua, Scheduled Restoration diterapkan pada Inner Liner dan resistor PCB, karena kedua komponen ini dapat dipulihkan ke kondisi standar operasional melalui pembersihan komprehensif dan rekondisi selektif tanpa harus mengganti seluruh unit [1]. Ketiga, On-Condition Task (PM) diterapkan pada motor Wire Feeder dan relay PCB, karena degradasi pada kedua komponen ini berlangsung secara bertahap dan dapat diidentifikasi melalui inspeksi berkala berbasis kondisi aktual sebelum terjadi kegagalan fungsi.

Penentuan jenis task pada setiap failure mode juga dipengaruhi oleh evaluasi konsekuensi. Failure mode pada Welding Control PCB (resistor terbakar) ditetapkan sebagai Safety consequence (S = Y) karena penghentian mesin secara mendadak saat pengelasan berlangsung dapat menciptakan kondisi berbahaya bagi operator. Hal ini selaras dengan pendekatan RCM II yang memprioritaskan keselamatan dalam hierarki pengambilan keputusan Maintenance [16]. Secara keseluruhan, jadwal perawatan berbasis RCM II ini diharapkan mampu mereduksi downtime tidak terencana secara signifikan dan meningkatkan availability mesin GMAW XD350S pada lini produksi PT INKA (Persero).

Simpulan

Berdasarkan hasil penelitian pada mesin Welding GMAW XD350S di PT INKA (Persero) menggunakan metode Reliability Centered Maintenance II (RCM II), diperoleh empat komponen kritis berdasarkan analisis diagram Pareto, yaitu Wire Feeder (765 menit, 32,25%), Welding Control PCB (690 menit, 29,09%), Feed Roller (552 menit, 23,27%), dan Inner Liner (365 menit, 15,39%). Melalui penyusunan tabel Failure Mode and Effect Analysis (FMEA), nilai Risk Priority Number (RPN) tertinggi diperoleh pada Wire Feeder sebesar 392, diikuti Welding Control PCB sebesar 384, Inner Liner sebesar 280, dan Feed Roller sebesar 196, yang mengindikasikan tingkat risiko kegagalan dari masing-masing komponen. Seluruh komponen mengikuti distribusi Weibull berdasarkan uji Anderson-Darling menggunakan software Minitab 18, dengan nilai Mean Time To Failure (MTTF) sebesar 1.019,47 jam (Wire Feeder), 959,25 jam (Inner Liner), 1.056,79 jam (Feed Roller), dan 2.398,38 jam (Welding Control PCB). Berdasarkan perhitungan interval perawatan optimal (TM) yang mempertimbangkan biaya penggantian karena perawatan (C~M~) dan biaya penggantian karena kerusakan (C~F~), diperoleh interval masing-masing sebesar 2.115,05 jam (Wire Feeder), 1.975,42 jam (Inner Liner), 1.598,39 jam (Feed Roller), dan 3.900,67 jam (Welding Control PCB). Melalui RCM II Decision Worksheet, ditetapkan rekomendasi kebijakan perawatan berupa Scheduled Discard pada seal solenoid valve Wire Feeder dan transformator Welding Control PCB, On-Condition Task pada motor Wire Feeder dan relay PCB, serta Scheduled Restoration pada Inner Liner dan rekondisi PCB, yang secara keseluruhan diharapkan mampu meminimalkan downtime tidak terencana dan meningkatkan keandalan mesin produksi PT I secara berkelanjutan.

Ucapan Terima Kasih

Penulis mengucapkan terima kasih kepada seluruh pihak yang telah berkontribusi dalam pelaksanaan penelitian ini, baik secara langsung maupun tidak langsung. Ucapan terima kasih disampaikan kepada PT K yang telah memberikan izin serta dukungan penuh selama proses penelitian berlangsung, khususnya kepada Divisi Pemeliharaan atas keterbukaan dalam berbagi data historis kerusakan mesin dan kemudahan akses selama kegiatan observasi di lapangan. Selain itu, penulis menyampaikan apresiasi kepada Bapak Joko Priyanto selaku Manajer Divisi Pemeliharaan beserta staff dan teknisi PT K atas bimbingan, bantuan, serta informasi yang diberikan dalam memahami kondisi operasional mesin Welding GMAW XD350S secara menyeluruh, sehingga penelitian ini dapat diselesaikan dengan baik dan menghasilkan rekomendasi yang relevan bagi perusahaan.