Dashboard Pemantauan Work Order dari Data Maximo

Di dunia industri modern, maintenance bukan lagi hanya soal memperbaiki equipment yang rusak. Maintenance sekarang sudah berkembang menjadi bagian penting dalam menjaga reliability, availability, efisiensi, dan kontinuitas operasi sebuah plant.

Di power plant, ribuan equipment bekerja tanpa berhenti setiap hari. Semua equipment seperti:

• Boiler
• Turbine
• Pump
• Conveyor
• Motor
• Valve
• Instrument
• Electrical panel

harus dipastikan tetap dalam kondisi baik agar pembangkit dapat beroperasi dengan aman dan stabil.

Karena itulah aktivitas maintenance perlu dicatat, dimonitor, dan dianalisis dengan baik. Salah satu cara paling efektif untuk melakukan hal tersebut adalah menggunakan dashboard monitoring maintenance.

Pada project ini saya membuat sebuah dashboard monitoring Work Order (WO) dari data Maximo dengan judul:

“Work Order Monitoring Dashboard from Maximo Data using Power Pivot and MxLoader.”

Dashboard ini merupakan kelanjutan dari dashboard sebelumnya yang berfokus pada Service Request dan RAM (Reliability-Availability-Maintainability).

Jika dashboard sebelumnya lebih fokus pada:

• monitoring Service Request,
• reliability equipment,
• dan analisis maintenance,

maka dashboard kali ini lebih fokus pada:

• monitoring Work Order,
• status pekerjaan maintenance,
• aktivitas team maintenance,
• dan trend pekerjaan di power plant.

Dashboard dibuat menggunakan kombinasi:

• IBM Maximo
• MxLoader
• Microsoft Excel
• Power Pivot
• Dashboard Visualization

Walaupun tools yang digunakan cukup sederhana, hasil dashboard tetap mampu membantu proses monitoring maintenance secara cepat dan mudah dipahami.

Apa Itu Work Order?

Sebelum membahas dashboard lebih jauh, kita pahami dulu apa itu Work Order.

Work Order atau WO adalah dokumen atau instruksi kerja yang digunakan untuk melakukan pekerjaan maintenance.

Biasanya Work Order berisi:

• Nama equipment
• Jenis pekerjaan
• Lokasi pekerjaan
• Team pelaksana
• Status pekerjaan
• Prioritas pekerjaan
• Waktu pelaksanaan

Work Order menjadi “jantung” dari aktivitas maintenance karena hampir semua pekerjaan maintenance dicatat melalui WO.

Contoh Sederhana Work Order

Misalnya:

• Conveyor mengalami vibration tinggi
• Operator membuat laporan
• Maintenance team melakukan inspeksi
• Supervisor membuat Work Order
• Teknisi melakukan repair

Semua aktivitas tersebut akan tercatat dalam sistem Work Order.

Karena itulah monitoring WO sangat penting untuk mengetahui kondisi maintenance di suatu plant.

Kenapa Dashboard WO Dibuat?

Di industri besar, jumlah Work Order bisa sangat banyak.

Dalam satu bulan saja bisa ada:

• puluhan,
• ratusan,
• bahkan ribuan WO.

Jika hanya dilihat dalam bentuk tabel biasa, maka:

• sulit dianalisis,
• sulit dipahami,
• dan sulit digunakan untuk decision making.

Karena itulah dashboard ini dibuat untuk membantu:

• mempermudah monitoring pekerjaan,
• melihat trend maintenance,
• mengetahui equipment bermasalah,
• memonitor status pekerjaan,
• dan membantu pengambilan keputusan.

Dashboard membantu user melihat kondisi maintenance hanya dalam satu layar.

Tools yang Digunakan

Project dashboard ini dibuat menggunakan beberapa tools utama.

1. IBM Maximo

IBM Maximo adalah software Enterprise Asset Management (EAM) yang digunakan untuk:

• asset management,
• maintenance management,
• dan work management.

Data utama dashboard berasal dari Maximo.

Beberapa data yang digunakan antara lain:

• Work Order
• Equipment
• Team maintenance
• Status pekerjaan
• Area pekerjaan
• Histori maintenance

Maximo menjadi pusat data utama dalam project ini.

2. MxLoader

MxLoader digunakan sebagai penghubung antara Excel dan Maximo.

Fungsi MxLoader:

• mengambil data dari Maximo,
• export data,
• update data,
• upload data,
• dan sinkronisasi data.

Kelebihan MxLoader:

• mudah digunakan,
• tidak perlu coding,
• cepat,
• dan ringan.

Dalam dashboard ini, MxLoader membantu proses update data agar dashboard tetap up-to-date.

3. Microsoft Excel

Excel digunakan sebagai tools utama pengolahan data.

Excel digunakan untuk:

• cleaning data,
• sorting,
• filtering,
• membuat pivot,
• membuat formula,
• dan visualisasi sederhana.

Walaupun terlihat sederhana, Excel tetap sangat powerful untuk data analytics industri.

4. Power Pivot

Power Pivot membantu membuat model data yang lebih kompleks.

Dengan Power Pivot kita dapat:

• menghubungkan banyak tabel,
• membuat relationship,
• menggunakan DAX Formula,
• dan mengolah data besar.

Power Pivot membuat dashboard menjadi lebih dinamis dan cepat.

5. Dashboard Visualization

Data yang sudah diolah kemudian ditampilkan dalam bentuk visual.

Visualisasi yang digunakan:

• Pie chart
• Donut chart
• Bar chart
• Ranking chart
• KPI monitoring
• Interactive filter

Tujuannya agar data lebih mudah dibaca dan dianalisis.

Tampilan Dashboard

Dashboard dibuat dalam satu halaman utama sehingga user dapat melihat banyak informasi sekaligus.

Karena alasan privasi perusahaan:

• beberapa data angka disamarkan,
• nama tertentu diblur,
• dan informasi sensitif tidak ditampilkan secara detail.

Hal ini dilakukan untuk menjaga confidentiality perusahaan.

1. Filter Tahun dan Bulan

Pada sisi kiri dashboard terdapat filter:

• Tahun
• Bulan
• Unit
• Jenis pekerjaan

Filter ini membantu user melihat data berdasarkan kebutuhan tertentu.

Contoh:

• Melihat data tahun tertentu
• Melihat data bulan tertentu
• Melihat data Unit 3 saja
• Melihat pekerjaan maintenance tertentu

Dashboard menjadi lebih fleksibel dan interaktif.

2. Jumlah WO Berdasarkan Status

Bagian pertama dashboard menampilkan jumlah Work Order berdasarkan status.

Contoh status:

• Complete
• Close
• In Progress
• Waiting Approval
• dan lainnya

Visualisasi ini membantu mengetahui:

• pekerjaan yang sudah selesai,
• pekerjaan yang masih berjalan,
• backlog pekerjaan,
• dan efektivitas maintenance team.

Jika pekerjaan “In Progress” terlalu banyak, maka bisa menjadi tanda:

• manpower kurang,
• sparepart terlambat,
• atau scheduling kurang optimal.

3. Total WO per Tahun

Dashboard juga menampilkan trend jumlah Work Order setiap tahun.

Tujuan visualisasi ini:

• melihat peningkatan atau penurunan maintenance activity,
• melihat trend reliability equipment,
• dan membantu evaluasi maintenance strategy.

Jika jumlah WO meningkat drastis, maka perlu dilakukan analisis lebih lanjut:

• apakah equipment mulai aging,
• apakah preventive maintenance kurang efektif,
• atau ada perubahan pola operasi.

Trend tahunan sangat penting dalam maintenance planning.

4. Jumlah WO Berdasarkan Area

Dashboard menampilkan distribusi Work Order berdasarkan area plant.

Contohnya:

• Common
• Unit tertentu
• Area boiler
• Area turbine

Tujuannya:

• mengetahui area dengan aktivitas maintenance tertinggi,
• membantu pembagian manpower,
• dan membantu menentukan area prioritas.

Jika suatu area memiliki WO terlalu tinggi, maka area tersebut bisa menjadi fokus inspection tambahan.

5. Jumlah WO Berdasarkan Team

Salah satu visual penting dalam dashboard adalah distribusi pekerjaan berdasarkan team.

Contoh team:

• Boiler
• Electric
• Turbine
• CNI
• dan lainnya

Visualisasi ini membantu melihat:

• team mana yang paling sibuk,
• area maintenance dominan,
• dan distribusi pekerjaan antar team.

Misalnya:
Jika team boiler memiliki WO sangat tinggi, maka kemungkinan:

• boiler membutuhkan maintenance intensif,
• equipment aging mulai meningkat,
• atau operation load sedang tinggi.

6. Jumlah WO Berdasarkan Tipe

Dashboard juga menampilkan tipe pekerjaan maintenance.

Contohnya:

• PM (Preventive Maintenance)
• CM (Corrective Maintenance)
• PDM (Predictive Maintenance)
• OH (Overhaul)

Visualisasi ini sangat penting karena membantu melihat strategi maintenance plant.

Preventive Maintenance (PM)

Preventive Maintenance dilakukan untuk mencegah kerusakan sebelum terjadi failure.

Contoh:

• inspeksi rutin,
• penggantian oli,
• pembersihan filter.

PM membantu meningkatkan reliability equipment.

Corrective Maintenance (CM)

Corrective Maintenance dilakukan setelah terjadi kerusakan.

Contoh:

• repair motor,
• penggantian bearing rusak,
• repair valve bocor.

Jika CM terlalu banyak, biasanya reliability equipment mulai menurun.

Predictive Maintenance (PDM)

Predictive Maintenance menggunakan data dan monitoring condition untuk memprediksi kerusakan.

Contoh:

• vibration analysis,
• thermography,
• oil analysis.

PDM membantu mencegah breakdown besar.

Overhaul (OH)

Overhaul adalah maintenance besar yang dilakukan dalam periode tertentu.

Biasanya melibatkan:

• pembongkaran equipment,
• inspeksi detail,
• penggantian komponen utama.

OH membutuhkan planning dan biaya besar.

7. Top 10 Equipment dengan WO Terbanyak

Dashboard menampilkan ranking equipment dengan Work Order terbanyak.

Bagian ini sangat penting untuk:

• identifikasi bad actor equipment,
• menentukan prioritas maintenance,
• dan root cause analysis.

Jika suatu equipment selalu muncul dalam ranking atas, maka perlu investigasi lebih lanjut.

Kemungkinan penyebab:

• desain equipment kurang baik,
• operating condition berat,
• vibration tinggi,
• lubrication kurang baik,
• atau umur equipment sudah tua.

8. Nama Equipment dengan WO Terbanyak

Selain grafik ranking, dashboard juga menampilkan nama equipment secara detail.

Hal ini membantu:

• engineer,
• planner,
• supervisor,
• operator,

untuk lebih mudah mengidentifikasi equipment yang bermasalah.

9. Filter Team dan Status

Pada bagian bawah dashboard terdapat filter tambahan seperti:

• Team
• Status pekerjaan

Fitur ini membantu user melakukan analisis lebih spesifik.

Contoh:

• melihat hanya pekerjaan boiler,
• melihat hanya pekerjaan close,
• melihat corrective maintenance saja.

Dashboard menjadi lebih interaktif dan user-friendly.

Kenapa Dashboard Ini Menarik?

Ada beberapa alasan kenapa dashboard ini cukup menarik untuk dunia maintenance.

1. Sederhana Tapi Powerful

Walaupun dibuat menggunakan Excel dan Power Pivot, dashboard tetap mampu:

• mengolah banyak data,
• menampilkan insight,
• dan membantu monitoring maintenance.

Project ini membuktikan bahwa tools sederhana pun bisa sangat berguna jika digunakan dengan benar.

2. Mudah Dipahami

Visual dibuat sederhana sehingga:

• engineer mudah membaca,
• operator mudah memahami,
• management cepat mengambil keputusan.

Dashboard tidak terlalu rumit tetapi tetap informatif.

3. Membantu Decision Making

Dashboard membantu menentukan:

• equipment prioritas,
• area bermasalah,
• trend maintenance,
• distribusi manpower,
• dan strategi maintenance.

Decision menjadi lebih berbasis data.

4. Online Updateable

Karena menggunakan MxLoader dan Maximo, dashboard dapat di-update secara berkala.

Artinya:

• data tidak perlu input manual terus-menerus,
• monitoring lebih cepat,
• dan reporting lebih efisien.

Tantangan Saat Membuat Dashboard

Dalam proses pembuatan dashboard tentu ada beberapa tantangan.

1. Data Tidak Selalu Bersih

Data maintenance sering memiliki masalah:

• duplicate,
• penamaan equipment berbeda,
• data kosong,
• status tidak konsisten.

Karena itu cleaning data menjadi tahap yang sangat penting.

2. Jumlah Data Besar

Data Work Order biasanya sangat banyak.

Jika tidak diolah dengan baik:

• Excel menjadi berat,
• dashboard lambat,
• formula error.

Karena itu Power Pivot sangat membantu.

3. Menentukan Visual yang Tepat

Tidak semua chart cocok digunakan.

Kadang:

• terlalu banyak warna,
• chart terlalu penuh,
• atau informasi sulit dibaca.

Karena itu dashboard dibuat sesederhana mungkin.

Pembelajaran dari Project Ini

Project ini memberikan banyak pembelajaran penting.

1. Data Analytics Sangat Penting untuk Engineer

Engineer masa kini tidak cukup hanya memahami equipment.

Engineer juga perlu memahami:

• data,
• dashboard,
• analytics,
• dan digital tools.

Karena industri modern semakin bergerak menuju digitalization.

2. Dashboard Membantu Efisiensi

Dengan dashboard:

• monitoring lebih cepat,
• analisis lebih mudah,
• reporting lebih rapi.

User tidak perlu membaca ribuan baris tabel.

3. Visualisasi Sangat Membantu

Visualisasi membuat data lebih mudah dipahami.

Trend yang sulit terlihat di tabel bisa langsung terlihat melalui chart.

Potensi Pengembangan di Masa Depan

Dashboard ini masih bisa dikembangkan lebih jauh.

Contoh pengembangan:

• Integrasi Power BI
• Real-time monitoring
• Mobile dashboard
• Predictive maintenance
• AI analytics
• Alarm system

Integrasi dengan Power BI

Jika dashboard dikembangkan menggunakan Power BI:

• tampilan akan lebih modern,
• sharing lebih mudah,
• bisa diakses online,
• dan refresh data lebih cepat.

Power BI menjadi langkah menarik untuk digital transformation maintenance.

Potensi Predictive Maintenance

Data WO sebenarnya sangat berharga.

Jika dianalisis lebih lanjut, data bisa digunakan untuk:

• prediksi failure,
• estimasi downtime,
• maintenance optimization,
• dan reliability analysis.

Ke depan maintenance akan semakin berbasis data.

Pentingnya Data Privacy

Dalam dunia industri, data maintenance termasuk data sensitif.

Karena itu:

• angka tertentu disamarkan,
• nama tertentu diblur,
• dan data confidential tidak ditampilkan penuh.

Hal ini penting untuk menjaga keamanan informasi perusahaan.

Kesimpulan

Project “Work Order Monitoring Dashboard from Maximo Data using Power Pivot and MxLoader” merupakan contoh bagaimana data maintenance dapat diubah menjadi informasi yang sangat berguna.

Dengan menggunakan:

• IBM Maximo,
• MxLoader,
• Microsoft Excel,
• dan Power Pivot,

data Work Order yang awalnya berupa tabel panjang dapat berubah menjadi dashboard visual yang mudah dipahami.

Dashboard membantu:

• monitoring pekerjaan maintenance,
• melihat trend reliability,
• menentukan equipment prioritas,
• membantu decision making,
• dan meningkatkan efisiensi maintenance.

Walaupun dibuat menggunakan tools sederhana, dashboard ini sudah mampu memberikan insight yang sangat berguna untuk dunia maintenance dan reliability engineering.

Project seperti ini juga menunjukkan bahwa engineer modern perlu mulai memahami:

• data analytics,
• dashboard visualization,
• dan digital maintenance system.

Karena masa depan industri akan semakin bergerak menuju:

• smart maintenance,
• digitalization,
• predictive analytics,
• dan data-driven decision making.