Apa yang dimaksud dengan Fault Tree Analysis (FTA)?

Analisis pohon kesalahan adalah pendekatan deduktif dari atas ke bawah untuk menentukan penyebab peristiwa tertentu yang tidak diinginkan dalam sistem yang kompleks. Hal ini melibatkan penguraian akar masalah kegagalan menjadi faktor-faktor penyebabnya dan merepresentasikannya melalui model grafis yang disebut pohon kesalahan, yang membantu manajer dan insinyur mengidentifikasi mode kegagalan potensial dan probabilitas setiap mode kegagalan, untuk analisis keselamatan dan keandalan.

Pertama kali dikembangkan pada awal tahun 1960-an oleh Bell Laboratories untuk membantu Angkatan Udara AS memahami potensi kekurangan dalam sistem rudal Minuteman, FTA telah digunakan secara luas dalam berbagai industri, termasuk sektor kedirgantaraan, tenaga nuklir, kimia, dan otomotif.

Manajer pemeliharaan dapat menggunakan analisis pohon kesalahan untuk:

• Merancang dan/atau memasang sistem baru.
• Melakukan perubahan pada sistem yang ada.
• Menyelidiki keamanan sistem atau keandalan sistem.
• Menilai kepatuhan terhadap peraturan.
• Mengoptimalkan anggaran pemeliharaan.

Karena lingkungan manufaktur terus berkembang dan menjadi lebih kompleks, kebutuhan akan alat manajemen risiko yang efektif seperti FTA menjadi semakin penting. Menggunakan analisis pohon kesalahan dalam analisis keselamatan dan praktik rekayasa keandalan organisasi Anda dapat membantu organisasi mendapatkan insight yang lebih dalam tentang potensi penyebab kegagalan sistem. FTA juga dapat membantu meningkatkan kinerja secara keseluruhan dan mengurangi kemungkinan terjadinya insiden yang merugikan dan berpotensi menimbulkan bencana.

Melakukan analisis pohon kesalahan adalah proses kompleks yang melibatkan tujuh langkah utama.

Sebelum menjalankan analisis Anda, Anda harus mendefinisikan dengan jelas peristiwa yang tidak diinginkan yang ingin Anda analisis. Peristiwa ini harus spesifik dan terukur, seperti kegagalan komponen atau kerusakan sistem. Penting juga untuk mendefinisikan peristiwa dengan istilah yang jelas dan konsisten, karena itu akan menjadi titik awal diagram pohon kesalahan Anda.

Setelah Anda mendefinisikan peristiwa yang tidak diinginkan, Anda harus mulai mengidentifikasi faktor dan peristiwa yang mungkin berkontribusi terhadap peristiwa tersebut. Faktor-faktor yang berkontribusi jatuh ke dalam dua kategori besar: peristiwa dasar dan peristiwa menengah.

Peristiwa dasar, yaitu peristiwa yang tidak dapat dipecahkan lebih lanjut menjadi peristiwa yang lebih sederhana, adalah peristiwa paling mendasar dalam pohon kesalahan, yang mewakili tingkat peristiwa paling rendah yang dapat Anda analisis. Peristiwa dasar dalam pohon kesalahan untuk kecelakaan mobil, misalnya, mungkin “pengemudi kehilangan kendali atas kendaraan”.

Peristiwa menengah terletak di antara peristiwa dasar tingkat bawah dan peristiwa puncak (peristiwa utama yang tidak diinginkan yang sedang dianalisis). peristiwa perantara disebabkan oleh peristiwa lain dalam pohon patahan dan, pada gilirannya, menyebabkan peristiwa lain. Mereka mewakili peristiwa tingkat yang lebih tinggi yang dapat dianalisis lebih lanjut. Menggunakan contoh kecelakaan mobil yang sama, peristiwa perantara di pohon kesalahan mungkin adalah “ban pecah”.

Pastikan untuk mempertimbangkan peristiwa internal dan eksternal, seperti kegagalan komponen, kesalahan manusia, dan kondisi lingkungan. Anda mungkin perlu berkonsultasi dengan pakar-pakar pada bidang tertentu, dan/atau meninjau data historis, laporan insiden, dan catatan pemeliharaan, pada tahap analisis ini.

Dengan menggunakan simbol gerbang standar dan simbol peristiwa, buatlah representasi grafis dari hubungan antara peristiwa yang tidak diinginkan (atau output) dan faktor-faktor penyebabnya (juga disebut peristiwa input). Pohon kesalahan harus disusun secara hirarkis, dengan kejadian yang tidak diinginkan di bagian atas dan faktor-faktor penyebab bercabang di bawahnya.

Menetapkan peristiwa dasar itu mudah, karena peristiwa dasar tidak dapat menghasilkan peristiwa lain. Namun, menyertakan peristiwa menengah sedikit lebih kompleks, karena peristiwa menengah memerlukan gerbang logika Boolean yang menunjukkan hubungan antara peristiwa tingkat atas, menengah, dan dasar.

Ada dua jenis gerbang logika utama yang digunakan dalam pohon kesalahan: Gerbang AND dan gerbang OR.

• AND gate: Gunakan AND gate jika semua peristiwa yang berkontribusi harus terjadi sekaligus agar peristiwa yang tidak diinginkan dapat terjadi. Sebagai contoh, jika kegagalan sistem memerlukan kegagalan komponen dan kesalahan operator, AND gate digunakan untuk menghubungkan peristiwa dalam pohon kesalahan.

• OR gate: Gunakan OR gate ketika salah satu peristiwa input cukup untuk menyebabkan peristiwa output. Dengan kata lain, output terjadi jika setidaknya satu dari input yang terhubung ke OR gate terjadi. Jika, misalnya, kegagalan sistem mungkin diakibatkan oleh kegagalan komponen atau kesalahan operator, OR gate akan digunakan untuk menghubungkan peristiwa tersebut.

Meskipun kurang umum digunakan, gerbang NOT, gerbang XOR, gerbang K/N, dan gerbang INHIBIT juga dapat membantu mengidentifikasi hubungan spesifik antara peristiwa input dan output.

• Gerbang NOT: gerbang NOT mewakili kebalikan dari peristiwa input. Jika peristiwa input tidak terjadi, peristiwa output akan terjadi. Gerbang ini kurang umum dalam analisis pohon patahan, karena mereka memodelkan tidak adanya suatu peristiwa atau terjadinya peristiwa yang saling melengkapi.

• Gate XOR (Gate OR Eksklusif): Gunakan gerbang XOR ketika salah satu peristiwa input harus terjadi agar peristiwa output terjadi. Jika tidak ada atau lebih dari satu peristiwa input yang terjadi, peristiwa output tidak akan terjadi.

• Gerbang K/N: Gerbang K/N, juga dikenal sebagai gerbang pemungutan atau gerbang ambang batas, digunakan ketika sejumlah peristiwa input (K) dari semua peristiwa input yang mungkin (N) harus terjadi agar peristiwa output terjadi. Gerbang K/N dapat membantu Anda menggambarkan hubungan yang lebih kompleks dalam analisis pohon kesalahan.

• Gerbang INHIBIT: Seperti gerbang AND, gerbang INHIBIT menunjukkan bahwa peristiwa output akan terjadi jika peristiwa input dan peristiwa kondisional (kondisi atau batasan yang dapat berlaku untuk gerbang mana pun) terjadi.

Peristiwa menengah juga dapat mencakup peristiwa yang belum berkembang, yang merupakan peristiwa yang tidak sepenuhnya dipahami atau belum sepenuhnya dianalisis.

Menggunakan berbagai gerbang yang tersedia akan membantu Anda membuat pohon kesalahan yang komprehensif yang menangkap interaksi kompleks antara berbagai peristiwa dan faktor yang memicu kejadian yang tidak diinginkan.

Membangun pohon kesalahan adalah proses yang berulang, jadi Anda terus memecah peristiwa yang berkontribusi menjadi sub-peristiwa dasar hingga peristiwa tersebut tidak dapat diuraikan lagi. Ketika Anda mendapatkan informasi baru dan/atau kondisi sistem berubah, Anda mungkin perlu melakukan beberapa penyesuaian untuk menyempurnakan pohon kesalahan.

Untuk mengukur risiko yang terkait dengan peristiwa yang tidak diinginkan, Anda perlu mengumpulkan data kegagalan (dari catatan historis, basis data industri, pendapat pakar, dll.) untuk peristiwa dasar di dalam pohon kesalahan. Data kegagalan harus dinyatakan sebagai probabilitas kegagalan atau tingkat kegagalan, tergantung pada jenis analisis yang Anda lakukan.

Setelah Anda membangun pohon kesalahan dan mengumpulkan data kegagalan, Anda akan melakukan analisis, di mana Anda menghitung probabilitas terjadinya peristiwa yang tidak diinginkan dan mengidentifikasi faktor penyebab penting. Gunakan metode analisis data kualitatif atau kuantitatif.

Analisis kualitatif berfokus pada pemahaman struktur pohon kesalahan, hubungan antar kejadian, dan identifikasi jalur penting dan minimal cut set (rangkaian kejadian terkecil yang dapat menciptakan kejadian yang tidak diinginkan). Analisis kualitatif dapat membantu memprioritaskan tindakan perbaikan dan mengidentifikasi area untuk penyelidikan lebih lanjut.

Metodologi kuantitatif, di sisi lain, melibatkan penghitungan probabilitas kejadian yang tidak diinginkan terjadi berdasarkan probabilitas kegagalan dari kejadian dasar. Analisis kuantitatif dapat membantu menginformasikan keputusan manajemen risiko dan mengevaluasi efektivitas perbaikan yang diusulkan.

Setelah melakukan analisis, saatnya untuk menginterpretasikan hasil Anda dan mengomunikasikan informasi yang relevan kepada para pemangku kepentingan yang diperlukan.

Hasil analisis pohon peristiwa bergantung pada kualitas input dan asumsi yang dibuat selama analisis. Dengan demikian, Anda harus melihat hasil sebagai titik awal untuk penyelidikan dan validasi lebih lanjut, bukan kesimpulan definitif.

Berdasarkan temuan dari analisis pohon kesalahan, Anda menerapkan tindakan pencegahan dan perbaikan yang diperlukan untuk menghilangkan atau mengurangi kemungkinan peristiwa yang tidak diinginkan. Oleh karena itu, pastikan untuk memantau kinerja perbaikan ini dan terus memperbarui pohon kesalahan untuk mencerminkan setiap perubahan dalam desain sistem, kondisi operasi atau kinerja komponen, sehingga pohon Anda tetap akurat dan berguna bagi organisasi Anda.

• FTA memberikan gambaran visual tentang faktor penyebab dan peristiwa yang dapat menyebabkan kegagalan sistem, sehingga lebih mudah untuk memahami interaksi yang kompleks di antara komponen sistem.

• FTA memungkinkan Anda untuk menghitung probabilitas peristiwa kegagalan yang terjadi, memungkinkan manajemen risiko dan pengambilan keputusan yang lebih baik dan membantu tim menjadi proaktif tentang tindakan korektif.

• Karena Anda hanya dapat menganalisis satu peristiwa output dalam satu waktu, analisis pohon kesalahan membantu tim tetap terorganisir saat mereka menilai tingkat sistem dan mengerjakan analisis efek secara metodis.

• Tidak seperti pendekatan lain terhadap analisis mode dan efek kegagalan (FMEA), FTA memperhitungkan kesalahan manusia, yang dapat membantu tim memahami apakah masalah terkait dengan penyimpangan dari prosedur operasi standar.

• FTA mengidentifikasi kegagalan mana yang paling mungkin terjadi, membantu tim memutuskan masalah mana yang memerlukan perhatian segera.

• Keakuratan dan efektivitas FTA sangat bergantung pada keahlian para analis, kemampuan mereka untuk mengidentifikasi penyebab kegagalan yang relevan, dan pemahaman mereka tentang kompleksitas pohon kesalahan itu sendiri.
• FTA paling cocok untuk analisis sistem yang lebih kecil. Sistem yang besar dan kompleks biasanya membutuhkan pohon patahan yang besar dan kompleks, membuat analisis memakan waktu dan menantang.
• Ketersediaan dan kualitas data kegagalan menentukan ketepatan probabilitas yang dihitung dalam pohon kesalahan.
• Analisis pohon kesalahan memungkinkan Anda untuk memeriksa hanya satu peristiwa teratas pada satu waktu.