FT UNS – Fakultas Teknik Universitas Sebelas Maret (UNS) memperkuat pengembangan riset berbasis data melalui disertasi mahasiswa Program Studi Doktor Teknik Industri yang mengintegrasikan big data dan causal inference untuk mengukur kerentanan operasional sistem penukaran dan pengisian baterai sepeda motor listrik atau Electric Motorcycle Battery Swap and Charging Station (EM-BSCS).
Penelitian ini dikembangkan oleh Dr. Yusuf Priyandari, dosen Program Studi Teknik Industri FT UNS, dan dipresentasikan dalam Yudisium Promosi Doktor pada Jumat (06/02/2026) di Ruang Multimedia Gedung IV Fakultas Teknik UNS. Riset tersebut dilatarbelakangi oleh meningkatnya kompleksitas operasional EM-BSCS yang mencakup transaksi penukaran dan pengisian baterai, gangguan teknis, serta faktor lingkungan yang berpotensi menurunkan kinerja layanan dan kepercayaan konsumen.
Luaran pertama berupa model metrik kerentanan berbasis outcome dan karakteristik yang diagregasi menjadi skor untuk mengklasifikasikan kondisi operasional EM-BSCS ke dalam lima kategori, mulai dari tidak rentan hingga sangat rentan. Model ini divisualisasikan melalui dashboard berbasis Internet of Things (IoT) dan diterapkan pada 124 stasiun di Jakarta sepanjang 2023 dengan memanfaatkan lebih dari 880 ribu data transaksi. Hasil analisis menunjukkan mayoritas stasiun berada pada kategori tidak rentan, meskipun sebagian memiliki potensi kerentanan.
Luaran kedua berupa sistem pemantauan gangguan operasional melalui dashboard IoT dengan klasifikasi empat jenis gangguan, yaitu stasiun offline, baterai tidak terbaca, gangguan pintu kabinet, dan kerusakan konektor. Dari 1.595 catatan gangguan, stasiun offline menjadi gangguan paling dominan. Data gangguan diproses otomatis menggunakan model retrieval-based classification dari Beijing Academy of Artificial Intelligence (BAAI) dengan metode Beijing General Embedding (BGE).
Luaran ketiga adalah pengembangan model estimasi efek kausal faktor penyebab kerentanan menggunakan structural causal model (SCM) dengan pendekatan do-calculus dan Double Machine Learning yang menunjukkan perbedaan efek kerentanan antarstasiun.
Dr. Yusuf Priyandari menyampaikan bahwa pentingnya pemanfaatan data berskala besar dalam meningkatkan keandalan layanan EM-BSCS.
“Integrasi data IoT dengan pendekatan causal inference memungkinkan perusahaan tidak hanya mendeteksi kerentanan operasional, tetapi juga memahami akar penyebabnya sehingga mitigasi dapat disusun secara lebih tepat,” ungkapnya.
Dalam yudisium tersebut, Dr. Yusuf Priyandari dinyatakan lulus dengan IPK 3,96 dan meraih predikat Sangat Memuaskan. Penelitian ini dibimbing oleh Prof. Dr. Ir. Wahyudi Sutopo, S.T., M.Si. selaku promotor, dengan ko-promotor Prof. Ir. Muhammad Nizam, S.T., M.T., Ph.D., serta Prof. Dr.-Ing. Hendro Wicaksono dari Constructor University, Bremen, Jerman.
Prof. Dr. Ir. Wahyudi Sutopo, S.T., M.Si., IPU. selaku promotor menyampaikan bahwa keterbaruan riset ini terletak pada integrasi data berskala besar dengan pendekatan kausal untuk mengungkap hubungan sebab-akibat antar faktor penyebab kerentanan operasional.
“Sampai saat ini belum ada model yang dapat mengukur kerentanan secara terintegrasi yang mengurangi permasalahan tersebut. Penelitian ini menghasilkan tiga luaran yang dapat membantu perusahaan untuk merancang strategi mitigasi yang lebih tepat dalam upaya mengurangi risiko dan meningkatkan kepercayaan publik,” ujar Prof. Wahyudi.
Melalui riset ini, Fakultas Teknik UNS berkontribusi dalam mendukung Tujuan Pembangunan Berkelanjutan (SDGs), khususnya SDGs 7 (Energi Bersih dan Terjangkau), SDGs 9 (Industri, Inovasi, dan Infrastruktur), serta SDGs 11 (Kota dan Permukiman yang Berkelanjutan) melalui penguatan layanan kendaraan listrik yang andal, efisien, dan berbasis data. Humas FT UNS.
