SOLO, iNewsBoyolali.id - Program Studi (Prodi) S3 Teknik Industri, Fakultas Teknik (FT) Universitas Sebelas Maret (UNS) Solo kembali melahirkan Doktor baru. Yusuf Priyandari berhasil meraih gelar Doktor melalui riset analitika Big Data Causal Inference pada sistem penukaran dan pengisian baterai sepeda motor listrik atau Electric Motorcycle Battery Swap and Charging Station (EM-BSCS).
Riset menghasilkan pendekatan baru untuk mengukur kerentanan operasional berbasis large-scale data dan mengungkap hubungan kausal antarfaktor penyebab kerentanan untuk memantau persoalan kerentanan operasional EM-BSCS.
Yusuf Priyandari menyampaikan bahwa penelitian didasari adanya kompleksitas operasional layanan transaksi penukaran dan pengisian baterai, gangguan teknis, hingga pengaruh lingkungan yang dapat menimbulkan kerentanan operasional. Sehingga berdampak pada penurunan kinerja, peningkatan risiko, atau pelemahan kepercayaan konsumen.
Luaran pertama riset ini berupa model metrik kerentanan berbasis outcome yang mengukur deviasi, durasi, frekuensi, dan deteriorasi kinerja stasiun, dan metrik kerentanan berbasis karakteristik sistem penukaran dan pengisian baterai sepeda motor lsitrik, yang kemudian diagregasi menjadi sebuah skor kerentanan stasiun.
Skor kerentanan stasiun dan skor komponen penyusun kerentanan dipakai mengklasifikasi kondisi kerentanan operasional stasiun ke salah satu dari lima kategori kerentanan mulai dari tidak rentan, berpotensi rentan, cukup rentan, rentan, hingga sangat rentan. Sehingga hal ini dapat membantu perusahaan pengelola EM-BSCS untuk melakukan pemantauan dan pengambilan keputusan mitigasi berkelanjutan melalui dashboard-internet of thing (IoT) platform.
“Hasil pemantauan terhadap 124 titik stasiun di Jakarta selama 3 bulan di tahun 2023, berdasarkan lebih dari 880 ribu data transaksi penukaran dan pengisian baterai, pada sebuah perusahaan pengelola EM-BSCS, menunjukkan bahwa sebagian besar stasiun tidak rentan dan sebagian lainnya hanya berpotensi rentan," kata Yusuf Priyandari usai Yudisium Promosi Doktor di Ruang Multimedia Gedung 4 FT UNS, Jumat (6/2/2026).
Temuan ini tentunya bernilai positif bagi pengguna sepeda motor listrik untuk tidak ragu menggunakan layanan penukaran dan pengisian baterai di EM-BSCS. Riset juga menghasilkan skema sistem pemantauan gangguan melalui dashboard-internet of thing (IoT) platform dengan mengklasifikasikan gangguan operasional menjadi empat jenis, Yaitu stasiun offline, baterai tidak terbaca/tersangkut, pintu kabinet bermasalah, dan kerusakan konektor/colokan.
Berdasarkan 1.595 records gangguan yang diolah, stasiun offline paling mendominasi (61%), diikuti jenis gangguan baterai tidak terdeteksi, gangguan pintu kabinet dan gangguan konektor. Data deskripsi gangguan yang diterima dari pelanggan dapat diproses secara otomatis menjadi informasi jenis gangguan menggunakan model retrieval-based classification dari Beijing Academy of Artificial Intelligence (BAAI) dengan metode Beijing General Embedding (BGE). Proses otomatisasi ini tentunya dapat membantu perusahaan mempercepat pengambilan keputusan penangangan gangguan sehingga dapat meningkatkan pelayanan bagi konsumen pengguna stasiun penukaran dan pengisian baterai.
Luaran riset selanjutnya yaitu berupa model estimasi efek kausal faktor penyebab kerentanan terhadap perubahan skor kerentanan tiap stasiun. Bagian dari model ini berupa model kausal struktural atau structural causal model (SCM) atau bentuk diagram berarah (directed acyclic graph) hubungan sebab-akibat (cause-effect) antar faktor penyebab terhadap perubahan kerentanan.
Menggunakan dua perangkat do-Calculus dan Double Machine Learning terhadap data empiris berskala besar transaksi penukaran dan pengisian baterai, memungkinkan dilakukan estimasi efek rata-rata perubahan skor kerentanan stasiun akibat perubahan suatu faktor penyebab.
Editor : Tata Rahmanta
Artikel Terkait
