PENJADWALAN PEMELIHARAAN MESIN WARTSILA DI PLTMG GUNUNG BELAH TARAKAN DENGAN METODE MARKOV CHAIN

(1)

PENJADWALAN PEMELIHARAAN MESIN WARTSILA DI PLTMG GUNUNG BELAH TARAKAN

DENGAN METODE MARKOV CHAIN

Adik Bela Jannahti

Program Studi Teknik Industri Universitas Widyatama [email protected]

ABSTRAK

Salah satu faktor penting yang berpengaruh terhadap keandalan mesin pembangkit adalah pemeliharaan dan perawatan. Pusat Listrik Tenaga Mesin Gas (PLTMG) Gunung Belah merupakan salah satu unit pembangkit listrik di Tarakan yang mensuplai energi Listrik untuk sistem kelistrikan Tarakan. Mesin Pembangkit Listrik Tenaga Mesin Gas Wartsila W18V34SG merupakan mesin berbahan bakar gas dengan 18 silinder, menggunakan tipe V-engine, dan memiliki ukuran cylinder bore sebesar 340 mm. Mesin ini berkapasitas 8 kVa, tergabung dalam sistem Listrik Tarakan dan menggunakan gas alam sebagai bahan bakarnya. Pada penelitian ini, untuk menjadwalkan pemeliharaan mesin dan menghitung biaya pemeliharaan, digunakan metode Markov Chain. Dari perhitungan, didapatkan hasil bahwa Perhitungan penjadwalan pemeliharaan mesin Wartsila di PLTMG Gunung Belah Tarakan dengan metode Markov Chain menghasilkan usulan waktu Preventive Maintenance untuk status kerusakan ringan adalah 9 jam dengan waktu sekali perawatan adalah 5,21 jam, untuk status kerusakan sedang adalah 5 jam dengan waktu sekali perawatan adalah 1,37 jam, dan untuk status kerusakan berat adalah 12,5 jam dengan waktu sekali perawatan adalah 9,7 jam dalam jangka waktu 1 tahun. Periode pelaksanaan preventive maintenance untuk status kerusakan ringan adalah setiap 4 bulan, untuk status kerusakan sedang adalah 1 bulan, dan untuk kerusakan berat adalah 8 bulan. Penjadwalan dengan metode Markov Chain dapat menghemat waktu dan biaya pemeliharaan. Dari hasil perhitungan, didapatkan presentase penghematan biaya pemeliharaan untuk status kerusakan ringan adalah sebesar 42,03%, untuk status kerusakan sedang sebesar 72,46%, dan untuk status kerusakan berat sebesat 21,74%.

Kata kunci: penjadwalan, pemeliharaan, mesin gas, Markov chain

I. Pendahuluan

Keandalan pembangkit listrik merupakan suatu ukuran tingkat pelayanan sistem terhadap pemenuhan kebutuhan energi listrik konsumen. Keandalan pembangkit listrik dapat didefinisikan sebagai peluang dari suatu peralatan untuk beroperasi sesuai dengan fungsinya dalam suatu selang waktu tertentu dan dalam suatu kondisi operasi tertentu, sehingga dapat memenuhi kebutuhan listrik konsumen.

Keandalan pembangkit listrik memiliki peran yang sangat penting dalam kehidupan masyarakat modern. Listrik merupakan kebutuhan dasar bagi masyarakat, baik untuk keperluan sehari-hari maupun untuk kegiatan industri dan bisnis. Jika pembangkit listrik tidak andal, maka akan terjadi pemadaman listrik yang dapat mengganggu aktivitas masyarakat.

Oleh karena itu, keandalan pembangkit listrik perlu dijaga dan ditingkatkan. Salah satu faktor penting yang berpengaruh terhadap keandalan mesin pembangkit adalah pemeliharaan dan perawatan.

Pemeliharaan dan perawatan mesin pembangkit listrik sangat penting untuk menjaga keandalan dan efisiensi mesin tersebut. Pemeliharaan dan perawatan yang dilakukan secara berkala dapat mencegah

(2)

terjadinya kerusakan mesin yang dapat menyebabkan pemadaman listrik. Pemeliharaan dan perawatan mesin pembangkit listrik meliputi pemeriksaan kondisi mesin, pembersihan dan pelumasan mesin, penggantian komponen yang sudah aus, dan penyetelan mesin. Pemeliharaan dan perawatan dapat dilakukan secara mandiri atau dengan melibatkan tenaga ahli.

Pusat Listrik Tenaga Mesin Gas (PLTMG) Gunung Belah merupakan salah satu unit pembangkit listrik di Tarakan yang mensuplai energi Listrik untuk sistem kelistrikan Tarakan. Keandalan mesin pembangkit menjadi salah satu parameter penting yang harus dijaga agar kelistrikan di Tarakan tetap handal.

Penelitian ini bertujuan untuk menghitung penjadwalan pemeliharaan mesin dan menghitung perkiraan biaya pemeliharaan mesin dengan Metode Markov Chain. Mesin yang menjadi objek penelitian adalah mesin pembangkit listrik tenaga mesin gas (PLTMG) Wartsila.

II. Landasan Teori

2.1 Mesin PLTMG Wartsila

Mesin Pembangkit Listrik Tenaga Mesin Gas Wartsila W18V34SG merupakan mesin berbahan bakar gas dengan 18 silinder, menggunakan tipe V-engine, dan memiliki ukuran cylinder bore sebesar 340 mm. Mesin ini berkapasitas 8 kVa, tergabung dalam sistem Listrik Tarakan dan menggunakan gas alam sebagai bahan bakarnya.

Prinsip kerja PLTMG hampir sama dengan PLTD, namun ada perbedaan paling signifikan yaitu pada sistem bahan bakar untuk motor penggeraknya. Pada PLTD umumnya hanya menggunakan bahan bakar cair dari jenis minyak diesel seperti HSD atau MFO, sedangkan PLTMG umumnya menggunakan dua jenis bahan bakar, yaitu gas alam dan minyak diesel.

Pada mesin PLTMG, bahan bakar gas sebelum masuk ke area pembangkit akan dilewatkan dulu ke area pembersihan untuk mempersiapkan gas dari segi kebersihan, kadar air, dan tekanannya agar siap diumpankan ke unit mesin gas. Sebelum diumpankan langsung ke dalam mesin, gas disaring lagi menggunakan suatu filter. Posisi filter ini akan duduk bersama dengan beberapa peralatan yang disesuaikan konstruksinya dan tergabung dalam sebuah modul gas (fuel gas module) yang bertugas untuk mengatur volume, menjaga keamanan sistem, dan untuk memastikan bahwa gas siap diumpankan ke mesin.

2.2 Klasifikasi Kondisi Kerusakan Mesin

Untuk memudahkan perencanaan pemeliahraan, sistem mesin akan dikelompokkan sesuai dengan kondisi kerusakannya. Kondisi di sini adalah tingkat kesiapan mesin saat dilakukan perawatan periodik terhadap mesin tersebut. Untuk menentukan tingkat kondisi ini, sistem diperiksa secara berkala. Setelah dilakukan pemeriksaan, menurut Garg (1989), kondisi mesin dapat digolongkan menjadi 4, yaitu:

1. Kondisi baik

Suatu mesin dikatakan dalam kondisi baik apabila mesin tersebut dapat digunakan untuk operasi dengan ketentuan-ketentuan yang telah disetujui, seperti keadaan mesin baru.

Perawatan pencegahan dan pemeriksaan dilakukan supaya mesin dapat beroperasi dengan baik.

Kondisi ini disebut dengan status 1.

2. Kondisi kerusakan ringan

(3)

Suatu mesin dikatakan dalam kondisi kerusakan ringan apabila mesin tersebut dapat beroperasi dengan baik, tetapi terkadang terjadi kerusakan-kerusakan kecil. Kerusakan yang ditimbulkan relatif ringan dengan biaya perbaikan relatif kecil. Kerusakan ringan biasanya diikuti dengan pembongkaran 2-3 unit yang kotor, dilakukan pembersihan ataupun dilakukan penggantian.

Kondisi ini disebut dengan status 2.

3. Kondisi kerusakan sedang

Suatu mesin dapat dikatakan dalam kondisi kerusakan sedang apabila mesin tersebut dapat beroperasi namun dengan keadaan yang mengkhawatirkan. Kerusakan sedang termasuk semua kegiatan yang dilakukan dalam kerusakan ringan akan tetapi pembongkaran biasanya dilakukan terhadap lebih dari 3 unit. Kondisi ini disebut dengan status 3.

4. Kondisi kerusakaan berat

Suatu mesin dikatakan dalam kondisi kerusakan berat apabila mesin tersebut tidak dapat beroperasi sehingga proses produksi harus berhenti. Kondisi kerusakan ini mengharuskan perbaikan dengan waktu yang relatif lama dengan biaya perbaikan yang relatif besar dan juga biasanya diikuti dengan penggantian komponen atau dapat juga diikuti dengan pemeliharaan besar (overhaul). Kondisi ini disebut dengan status 4.

2.3 Proses Markov Chain

Analisis Markov adalah suatu metode yang mempelajari sifat-sifat suatu variabel pada masa sekarang yang didasarkan pada sifat-sifat variabel yang sama di masa lalu dalam usaha menaksir sifat-sifat variabel yang sama di masa mendatang (Siagian, 1987).

Dalam operasinya, suatu sistem akan mengalami beberapa kemungkinan transisi status yang berubah dari satu status ke status lainnya. Bila dikatakan bahwa dalam status yang cukup pendek terdapat 4 kemungkinan status, maka untuk mengubah kondisi status yang dialami, perlu dilakukan beberapa tindakan yang sesuai dengan kondisi status. Misalkan jika perbaikan item baru dilakukan setelah item tersebut mengalami kerusakan berat atau status 4. Dengan kata lain, status 1, 2, dan 3 tetap dibiarkan saja. Tetapi seandainya kebijakan tersebut diubah, di mana perawatan dilakukan apabila item berada pada status 2, 3, dan 4 sehingga menjadi status 1 juga bisa dilakukan. Status dan kondisi mesin dapat dilihat pada tabel berikut:

Status Kondisi

1 Baik

2 Kerusakan Ringan 3 Kerusakan Sedang 4 Kerusakan Berat

Dari tabel di atas dapat terlihat bahwa status kondisi mesin dibagi menjadi 4 status kerusakan, yaitu status 1 untuk kondisi mesin baik, status 2 untuk kerusakan ringan, status 3 untuk kerusakan sedang, dan status 4 untuk kerusakan berat. Keputusan yang diambil dalam menentukan perawatan dapat dilihat dalam tabel berikut:

No. Tindakan yang Dilakukan Status

(4)

1 Tidak melakukan perawatan 1, 2, 3 2 Dilakukan perawatan pencegahan (sistem kembali ke status 1) 2, 3 3 Dilakukan perawatan korektif (sistem kembali ke status 1) 2, 3, 4 Penjelasan dari tabel di atas dapat diuraikan dalam bentuk skematis himpunan tertutup (close set) dan peralihan status seperti pada gambar berikut:

Dari skema di atas, dapat dinyatakan bahwa suatu item mempunyai probabilitas transisi Pij yang menyatakan bahwa suatu item berada pada status i, maka selang waktu berikutnya akan beralih menjadi status j. Dalam bentuk matriks, probabilitas-probabilitas transisi tersebut dapat digambarkan sebagai berikut:

j 1 2 3 4

i

1 P11 P12 P13 P14

2 0 P22 P23 P24

3 0 0 P33 P34

4 0 0 0 P44

III. Metodologi Penelitian

Dalam penelitian ini, data yang digunakan adalah data primer yang didapatkan dari hasil wawancara serta permintaan data perusahaan. Data yang digunakan adalah data pemeliharaan mesin, data gangguan mesin, dan data biaya pemeliharaan. Setelah mendapatkan data, selanjutnya dilakukan pengolahan data. Dari data pemeliharaan serta data gangguan dan data biaya pemeliharaan, dilakukan klasifikasi untuk menentukan status dari masing-masing kerusakan dan jenis dari pemeliharaan, apakah pemeliharaan termasuk preventive atau corrective maintenance. Biaya pemeliharaan juga dibutuhkan untuk melengkapi klasifikasi gangguan yang nantinya akan digunakan untuk menghitung probabilitas dan matriks transisi.

Setelah perhitungan, pembuatan matriks transisi serta didapatkan matriks akhir, angka probabilitas dari masing-masing kondisi kerusakan akan menentukan untuk penjadwalan perawatan serta

(5)

perhitungan biaya perawatan usulan. Dari hasil tersebut akan dianalisis apakah jadwal perawatan usulan serta usulan biaya perawatan mengalami penurunan dari jadwal dan biaya perawatan perusahaan.

IV. Hasil dan Pembahasan

4.1 Data Gangguan dan Klasifikasi Kerusakan Mesin Wartsila

Berikut adalah data pemeliharaan dan gangguan mesin PLTMG Wartsila pada rentang waktu tahun 2022:

No. Jenis

Gangguan Kategori

Total Downtime [jam]

Biaya Maintenance

Status

Baik Ringan Sedang Berat

1

Preventive Maintenance 1000 operating hours

Preventive 3 Rp8.000.000 Baik

2

Low Water Pressure (Sensor Pressure Error)

Corrective 1,03 Rp2.750.000 Ringan

3 Crank Shaft

Patah Corrective 5,45 Rp325.000.000 Sedang Berat

4 Injection Pump Corrective 0,54 Rp75.000.000 Ringan Sedang 5 High Lube Oil

Temperature Corrective 0,5 Rp3.250.000 Ringan 6

Exhaust Gas Temperature High

Corrective 0,12 Rp750.000 Ringan

7

Bearing Temperature High

8

Bearing Temperature High

9 Blok Engine

Pecah Corrective 13 Rp450.000.000 Sedang Berat

10

Deviasi Exhaust Gas Temperature Cyl B5

11

Preventive 5 Rp15.000.000 Baik

12

Deviasi Exhaust Gas Temperature Cyl B8

13 24 VDC Power

Supply Failure Corrective 1,12 Rp1.250.000 Ringan 14 24 VDC Power

Supply Failure Corrective 0,4 Rp1.250.000 Ringan 15

Heavy Knocking Cylinder B6

Corrective 3,42 Rp6.750.000 Ringan Sedang

(6)

No. Jenis

Gangguan Kategori

Total Downtime [jam]

Biaya Maintenance

Status

Baik Ringan Sedang Berat 16 Gen Breaker

Trip Circuit Corrective 5,73 Rp1.300.000 Ringan Sedang 17

Reverse Power (Computer Control Error)

Corrective 93,65 Rp7.600.000 Ringan Berat

18

Differential Current Relay Time

19

Main Gas Shut Off Valve Sensor Error

Corrective 4,12 Rp4.700.000 Ringan Sedang

20

Preventive 7,5 Rp75.000.000 Baik

21

Main Gas Shut Off Valve Sensor Error

Corrective 0,72 Rp3.200.000 Ringan

22

Coolant Temperature High

23 High Lube Oil

Temperature Corrective 0,57 Rp750.000 Ringan

4.2 Penentuan Transisi Status Mesin dan Probabilitas Status Awal

Berdasarkan perhitungan intensitas dari masing-masing status, dapat dibuat matriks transisinya sebagai berikut:

Status Akhir (j) 1 (j) 2 (j) 3 (j) 4 (j)

Jumlah

Status Awal (i) Baik Ringan Sedang Berat

1 (i) Baik 3 0 0 0 3

2 (i) Ringan 0 13 1 1 15

3 (i) Sedang 0 1 0 2 3

4 (i) Berat 0 1 1 0 2

Jumlah 3 15 2 3 23

Perhitungan probabilitas status awal adalah sebagai berikut:

Menggunakan persamaan:

𝑃_{𝑎𝑤𝑎𝑙}= ∑ 𝑃_𝑖

∑ 𝑃_(𝑖,𝑗)

Maka probabilitas dari masing-masing status awal kerusakan mesin adalah:

(7)

• Baik = 0,1304

• Ringan = 0,6522

• Sedang = 0,1304

• Berat = 0,0869

4.3 Penentuan Probabilitas Transisi n-Langkah

Dari hasil perhitungan, maka didapatkan matriks probabilitas transisi n-langkah adalah sebagai berikut:

Matriks Probabilitas Transisi n Langkah

1 (i) Baik 1 0 0 0

2 (i) Ringan 0 0,8667 0,0667 0,0667

3 (i) Sedang 0 0,3333 0 0,0667

4 (i) Berat 0 0,5 0,5 0

4.4 Penentuan Probabilitas Transisi Perawatan Usulan

Dari hasil perhitungan, maka didapatkan matriks probabilitas transisi untuk perawatan usulan adalah sebagai berikut:

Jumlah

1 (i) Baik 0,13043 0 0 0 0,13043

2 (i) Ringan 0 0,56522 0,0087 0,0058 0,57971

3 (i) Sedang 0 0,2174 0 0,0058 0,275362

4 (i) Berat 0 0,3260 0,0652 0 0,391304

4.5 Penentuan Probabilitas Transisi Kerusakan Mesin

Berdasarkan perhitungan untuk keseluruhan status kerusakan, maka didapatkan matriks probabilitas transisi kerusakan mesin adalah sebagai berikut:

(8)

Matriks Probabilitas Transisi Kerusakan Mesin

Jumlah

1 (i) Baik 1 0 0 0 1

2 (i) Ringan 0 0,975 0,015 0,01 1

3 (i) Sedang 0 0,7895 0 0,21 1

4 (i) Berat 0 0,8333 0,1667 0 1

4.6 Perhitungan Biaya Perawatan Mesin a. Biaya Rata-rata Preventive Maintenance

Total biaya preventive maintenance pada tahun 2022:

Rp. 8.000.000 + Rp 15.000.000 + Rp 75.000.000 = Rp 98.000.000 Rata-rata biaya Preventive Maintenance = 𝑅𝑝.98.000.000

3 = 𝑅𝑝. 32.666.667 sebanyak 3 kali dalam setahun.

b. Biaya Rata-rata Corrective Maintenance

Total biaya corrective maintenance pada tahun 2022:

Rp2.750.000 + Rp325.000.000 + Rp75.000.000 + Rp3.250.000 + Rp750.000 + Rp750.000 + Rp750.000 + Rp450.000.000 + Rp450.000 + Rp450.000 + Rp1.250.000 + Rp1.250.000 + Rp6.750.000 + Rp1.300.000 + Rp7.600.000 + Rp750.000 + Rp4.700.000 + Rp3.200.000 + Rp850.000 + Rp750.000 = Rp. 887.550.000

Rata-rata biaya corrective maintenance = 𝑅𝑝.887.550.000

20 = 𝑅𝑝. 44.377.500 sebanyak 20 kali dalam setahun.

c. Biaya Rata-rata Perawatan Preventive dan Corrective Maintenance

Berdasarkan perhitungan rata-rata preventive dan corrective maintenance, maka rata-rata keseluruhan adalah Rp. 32.666.667 + Rp. 44.377.500 = Rp. 77.044.167

4.7 Perhitungan Biaya Preventive dan Corrective Maintenance

Berdasarkan matriks probabilitas transisi kerusakan mesin, dapat dihitung perkiraan perhitungan biaya preventive dan corrective maintenance sebagai berikut untuk memastikan bahwa biaya preventive dan corrective maintenance berdasarkan probabilitas kerusakan mesin sama dengan biaya rata-rata perawatan secara keseluruhan:

(9)

Status Kerusakan Perhitungan Total Ringan (0,975 x Rp.77.044.167) + (0,015 x

Rp.77.044.167) + (0,01 x Rp.77.044.167)

Rp. 77.044.167

Sedang (0,7894 x Rp.77.044.167) + (0,21 x Rp.77.044.167)

Rp. 77.044.167

Berat (0,8333 x Rp.77.044.167) + (0,1667 x Rp.77.044.167)

Rp. 77.044.167

4.8 Perhitungan Biaya Perawatan Usulan

Biaya perawatan sebelumnya akan dibandingkan dengan biaya perawatan usulan yang dihitung berdasarkan probabilitas transisi perawatan usulan. Hasil perhitungannya adalah sebagai berikut:

Status Kerusakan Perhitungan Total

Ringan (0,5652 x Rp.77.044.167) +

(0,0087x Rp.77.044.167) + (0,0058 x Rp.77.044.167)

Rp. 44.663.285

Sedang (0,2174x Rp.77.044.167) +

(0,058 x Rp.77.044.167)

Rp. 21.215.060

Berat (0,3260 x Rp.77.044.167) +

(0,065 x Rp.77.044.167) + (0,3913 x Rp.77.044.167)

Rp. 60.295.435

4.9 Usulan Penjadwalan Preventive Maintenance untuk Tahun Berikutnya Status

Kerusakan

Biaya Perawatan Usulan

Biaya Perawatan Perusahaan

Waktu Perawatan Perusahaan

Usulan Waktu Preventive Maintenance

Ringan Rp.44.663.285 Rp. 77.044.167 15,5 jam 9 jam

Sedang Rp. 21.215.060 Rp. 77.044.167 15,5 jam 5 jam

Berat Rp. 60.295.435 Rp. 77.044.167 15,5 jam 12,5 jam

Status Kerusakan

Biaya Perawatan Usulan

Biaya Perawatan Perusahaan

Waktu Perawatan Usulan

Waktu 1 kali perawatan

(10)

Ringan Rp. 44.663.285 Rp. 77.044.167 9 jam 5,21 jam

Sedang Rp. 21.215.060 Rp. 77.044.167 5 jam 1,37 jam

Berat Rp. 60.295.435 Rp. 77.044.167 12,5 jam 9,7 jam

Hasil perhitungan secara keseluruhan:

Status Kerusakan

Waktu Perawatan (Usulan)

Waktu Perawatan (Perusahaan)

Bulan dalam setahun

Periode PM

Ringan 5,21 jam 15,5 jam 12 4 bulan

Sedang 1,37 jam 15,5 jam 12 1 bulan

Berat 9,7 jam 15,5 jam 12 8 bulan

4.10 Perhitungan Penghematan

Berdasarkan hasil perhitungan biaya perawatan dan penjadwalan perawatan dengan metode Markov Chain, didapatkan bahwa waktu dan biaya perawatan yang diusulkan lebih sedikit dibandingkan dengan waktu dan biaya perawatan yang selama ini dilakukan oleh perusahaan, sehingga terdapat potensi penghematan baik dari segi waktu maupun biaya. Penghematannya dituliskan dalam tabel sebagai berikut:

Kondisi Kerusakan

Penghematan Biaya

Presentase Penghematan Biaya Penghematan Waktu

Ringan Rp32.380.882 42,03% 6,5 jam

Sedang Rp55.829.107 72,46% 10,5 jam

Berat Rp16.748.732 21,74% 3 jam

V. Kesimpulan

Berdasarkan penelitian yang telah dilakukan, analisis data serta pembahasan, maka dapat diambil kesimpulan antara lain yaitu:

1. Perhitungan penjadwalan pemeliharaan mesin Wartsila di PLTMG Gunung Belah Tarakan dengan metode Markov Chain menghasilkan usulan waktu Preventive Maintenance untuk status kerusakan ringan adalah 9 jam dengan waktu sekali perawatan adalah 5,21 jam, untuk status kerusakan sedang adalah 5 jam dengan waktu sekali perawatan adalah 1,37 jam, dan untuk status kerusakan berat adalah 12,5 jam dengan waktu sekali perawatan adalah 9,7 jam dalam jangka waktu 1 tahun.

(11)

2. Periode pelaksanaan preventive maintenance untuk status kerusakan ringan adalah setiap 4 bulan, untuk status kerusakan sedang adalah 1 bulan, dan untuk kerusakan berat adalah 8 bulan.

3. Penjadwalan dengan metode Markov Chain dapat menghemat waktu dan biaya pemeliharaan. Dari hasil perhitungan, didapatkan presentase penghematan biaya pemeliharaan untuk status kerusakan ringan adalah sebesar 42,03%, untuk status kerusakan sedang sebesar 72,46%, dan untuk status kerusakan berat sebesat 21,74%.

DAFTAR PUSTAKA

Ardian, Aan. 2011. Handout Perawatan dan Perbaikan Mesin. Yogyakarta: Universitas Negeri Yogyakarta

Chrissetyo, Galih. 2006. Analisis Kebijakan Manajemen Pemeliharaan dan Peremajaan Mesin dengan Menggunakan Metode Markov Chain dan Therbog’h Model di Drum Plant Area PT Pertamina (Persero) UP IV Cilacap. Surakarta: Universitas Sebelas Maret

Dimyati, T.T. 1999. Operation Research “Model-model Pengambilan Keputusan”. Bandung: PT Sinar Baru

Maulana, Dimas Surya, dkk. 2019. Perencanaan Perawatan Mesin Dengan Menggunakan Metode Markov Chain di PT. Karyamitra Budisentosa Pandaan. Malang: Jurnal ITN Malang

Pranowo, Ignatius Deradjad. 2019. Sistem dan Manajemen Pemeliharaan. Yogyakarta: Penerbit Deepublish

Prastya, Aji Wahyuning & Rendiyatna Ferdian. 2022. Penerapan Metode Markov Chain dalam Penjadwalan Perawatan Mesin Oerlicon untuk Mengoptimalkan Biaya dan Waktu Perawatan di PT Dirgantara Indonesia. Syntax Literate: Jurnal Ilmiah Indonesia, 7 (4).

Wartsila 34SG Maintenance Manual

(12)

Foto- foto Pengambilan Data