Bogor — Peneliti dari Universitas Pertahanan Republik Indonesia mengembangkan sistem berbasis kecerdasan buatan (Artificial Neural Networks / ANN) untuk mendeteksi anomali pada sistem bahan bakar pesawat terbang. Inovasi ini dinilai mampu mendukung keputusan pemeliharaan secara lebih cepat, akurat, dan efisien, terutama dalam lingkungan penerbangan militer yang menuntut kesiapan tinggi. Studi ini dilakukan oleh Agita Ramadhani, Gita Amperiawan, dan Maykel Manawan, dan dipublikasikan dalam International Journal of Scientific Multidisciplinary Research tahun 2026.
Sistem bahan bakar pesawat merupakan komponen vital yang tidak hanya memasok energi ke mesin, tetapi juga menjaga stabilitas penerbangan dan keselamatan operasi. Gangguan kecil seperti kebocoran, penurunan tekanan, atau kontaminasi bahan bakar dapat memicu kegagalan mesin dan membahayakan misi penerbangan.
Selama ini, pemeliharaan sistem bahan bakar masih banyak mengandalkan metode preventif berbasis waktu atau siklus terbang. Pendekatan ini memiliki kelemahan karena tidak selalu mencerminkan kondisi riil komponen di lapangan. Akibatnya, kerusakan bisa terlambat terdeteksi atau justru komponen diganti terlalu cepat.
Untuk menjawab tantangan itu, tim peneliti menggabungkan metode Failure Mode, Effects, and Criticality Analysis (FMECA) dengan ANN. FMECA digunakan untuk mengidentifikasi komponen yang paling berisiko rusak, sementara ANN bertugas menganalisis data sensor pesawat secara otomatis untuk menemukan pola anomali sebelum terjadi kegagalan besar.
Penelitian menggunakan data flight recorder sebanyak 182.376 baris dari 10 siklus penerbangan, dengan tujuh parameter utama seperti aliran bahan bakar (fuel flow), torsi mesin, kecepatan baling-baling, dan suhu udara luar. Data ini kemudian dibersihkan, dinormalisasi, dan dilatih menggunakan model ANN.
Hasil penelitian menunjukkan bahwa model mampu mendeteksi kondisi abnormal dengan performa yang cukup kuat. Tingkat recall tercatat 73 persen, precision 80 persen, dan F1-score 76 persen. Angka ini menunjukkan sistem cukup efektif mengenali sebagian besar kondisi normal maupun anomali pada sistem bahan bakar pesawat.
Dalam analisis FMECA, komponen main fuel pump menjadi bagian paling kritis dengan nilai Risk Priority Number (RPN) sebesar 160, diikuti fuel filter dengan RPN 90, dan fuel metering valve dengan RPN 84. Artinya, komponen ini harus menjadi prioritas utama dalam inspeksi dan pemeliharaan.
Menariknya, simulasi time-series inference menunjukkan adanya lonjakan kesalahan rekonstruksi pada titik tertentu selama penerbangan, yang mengindikasikan gejala awal degradasi sistem. Dengan deteksi dini seperti ini, teknisi dapat mengambil tindakan sebelum kerusakan berkembang menjadi kegagalan fatal.
Gita Amperiawan menjelaskan bahwa sistem ini dirancang tidak hanya untuk mendeteksi masalah, tetapi juga memberikan rekomendasi tindakan langsung melalui dashboard berbasis web. Jika anomali ditemukan, sistem akan menampilkan komponen bermasalah, tingkat kritikalitas, dan langkah perbaikan yang direkomendasikan.
Menurut Maykel Manawan, pendekatan ini dapat menjadi fondasi menuju Condition-Based Maintenance (CBM), yaitu strategi pemeliharaan berdasarkan kondisi aktual komponen, bukan sekadar jadwal rutin. Pendekatan ini berpotensi mengurangi downtime, meningkatkan efisiensi biaya, dan memperkuat keselamatan penerbangan.
Meski demikian, peneliti mengakui bahwa sistem ini masih memiliki keterbatasan karena baru diuji pada data terbatas dan belum diterapkan secara real-time di pesawat. Penelitian lanjutan akan difokuskan pada implementasi langsung di dalam pesawat dan pengembangan klasifikasi jenis kerusakan yang lebih spesifik.
Temuan ini menjadi langkah penting dalam transformasi pemeliharaan pesawat berbasis AI di Indonesia, terutama di sektor pertahanan yang membutuhkan teknologi cepat, adaptif, dan presisi tinggi.
0 Komentar