Match Factor 2.0: Sinkronisasi Alat Gali-Muat dan Angkut Menggunakan Data IoT

Dalam operasi pertambangan, produktivitas fleet tidak hanya ditentukan oleh kapasitas excavator atau jumlah dump truck. Keselarasan antara alat gali-muat dan alat angkut menjadi faktor penting dalam menentukan seberapa efektif sistem produksi bekerja.

Sebuah excavator dengan produktivitas tinggi tidak akan menghasilkan output optimal apabila dump truck selalu terlambat datang. Sebaliknya, jumlah dump truck yang terlalu banyak dapat menyebabkan antrean panjang di loading point.

Konsep yang digunakan untuk mengevaluasi keseimbangan tersebut adalah Match Factor (MF).

Secara sederhana:

Match Factor menunjukkan tingkat kesesuaian kapasitas alat gali-muat dengan alat angkut dalam suatu sistem produksi.

Namun, metode konvensional sering menggunakan data rata-rata yang dihitung berdasarkan asumsi:

• bucket fill factor;
• cycle time;
• loading time;
• hauling time;
• dumping time;
• jumlah truck;
• kapasitas alat.

Dengan perkembangan Internet of Things (IoT), GPS, telematics, Fleet Management System (FMS), dan real-time analytics, Match Factor dapat dikembangkan menjadi pendekatan yang lebih dinamis.

Inilah konsep yang dapat disebut sebagai:

Match Factor 2.0

Bukan hanya menghitung berapa unit truck yang dibutuhkan, tetapi memantau apakah keseimbangan fleet benar-benar terjadi di lapangan secara real-time.

1. Memahami Konsep Match Factor

Formula dasar Match Factor dapat dituliskan sebagai:

MF=N×CTloadCTtruckMF = \frac{N \times CT_{load}}{CT_{truck}}

di mana:

• N = jumlah alat angkut;
• CTload = waktu yang dibutuhkan alat gali-muat untuk mengisi satu truck;
• CTtruck = cycle time alat angkut.

Dalam pendekatan yang lebih sederhana, Match Factor dapat digunakan untuk melihat keseimbangan antara kapasitas produksi alat muat dan kebutuhan alat angkut.

Interpretasi umumnya:

MF < 1

Alat gali-muat relatif lebih sering menunggu karena jumlah alat angkut tidak mencukupi.

MF ≈ 1

Kapasitas alat gali-muat dan angkut relatif seimbang.

MF > 1

Jumlah alat angkut relatif lebih banyak dibandingkan kapasitas loading system sehingga potensi antrean di loading point meningkat.

Namun, nilai MF tidak boleh dibaca sebagai satu-satunya indikator produktivitas. Kondisi jalan, jarak angkut, payload, availability, queue time, dan variasi cycle time juga harus dianalisis.

2. Apa Arti Match Factor 2.0?

Istilah Match Factor 2.0 dalam artikel ini bukan berarti nilai matematis Match Factor harus selalu bernilai 2,0.

Yang dimaksud adalah generasi kedua dari pendekatan Match Factor, yaitu:

Match Factor Konvensional

→ menggunakan data rata-rata dan perhitungan statis.

Sedangkan:

Match Factor 2.0

→ menggunakan data aktual dari IoT untuk melakukan monitoring dan penyesuaian fleet secara dinamis.

Konsepnya:

From Static Matching to Dynamic Fleet Synchronization

3. Kelemahan Match Factor Konvensional

Perhitungan statis memiliki keterbatasan.

Misalnya perencanaan menggunakan:

Cycle Time = 30 menit

Tetapi kondisi aktual dapat berubah menjadi:

• 25 menit;
• 32 menit;
• 40 menit;
• 45 menit.

Penyebabnya:

• hujan;
• jalan berlumpur;
• congestion;
• perubahan dumping point;
• perubahan loading point;
• kondisi alat;
• operator;
• traffic;
• perubahan jarak hauling.

Jika menggunakan satu angka rata-rata, perubahan tersebut dapat terlambat diketahui.

IoT memungkinkan perubahan tersebut direkam secara kontinu.

4. Data IoT yang Dibutuhkan

Match Factor 2.0 membutuhkan data dari berbagai sumber.

GPS

Untuk:

• posisi unit;
• jarak;
• kecepatan;
• route.

Telematics

Untuk:

• engine hour;
• engine status;
• fault code;
• fuel consumption.

Payload System

Untuk:

• actual payload;
• tonnage;
• overload event.

FMS

Untuk:

• loading time;
• hauling time;
• queue;
• dumping;
• return time;
• cycle time.

IoT Sensor

Dapat digunakan untuk:

• vibration;
• temperature;
• pressure;
• equipment condition.

5. Arsitektur Match Factor 2.0

Sistem dapat dirancang sebagai:

Excavator

↓ GPS + Telematics

Dump Truck

↓ GPS + Payload + Telematics

IoT Gateway

↓

Network

↓

Cloud/FMS

↓

Data Processing

↓

Real-Time Match Factor

↓

Dashboard

↓

Dispatcher / Supervisor

↓

Fleet Adjustment

Dengan demikian, Match Factor tidak lagi hanya dihitung saat membuat mine plan, tetapi dapat dipantau sepanjang operasi.

6. Real-Time Cycle Time

Salah satu data terpenting adalah cycle time.

Secara sederhana:

CT=LT+HT+DT+RT+QTCT = LT + HT + DT + RT + QT

Keterangan:

• LT = Loading Time;
• HT = Hauling Time;
• DT = Dumping Time;
• RT = Return Time;
• QT = Queue Time.

Misalnya:

Loading = 4 menit
Hauling = 15 menit
Dumping = 3 menit
Return = 13 menit
Queue = 5 menit

Maka:

Cycle Time = 40 menit

Jika hujan menyebabkan hauling meningkat menjadi 20 menit:

Cycle Time = 45 menit

Sistem dapat langsung mendeteksi perubahan tersebut.

7. Match Factor Tidak Boleh Hanya Menggunakan Average

Misalnya terdapat 10 dump truck.

Cycle time:

• DT01 = 35 menit
• DT02 = 38 menit
• DT03 = 41 menit
• DT04 = 45 menit
• DT05 = 50 menit
• DT06 = 36 menit
• DT07 = 42 menit
• DT08 = 47 menit
• DT09 = 39 menit
• DT10 = 52 menit

Rata-rata mungkin terlihat normal.

Namun distribusinya menunjukkan variasi yang cukup besar.

Dengan IoT, perusahaan dapat melihat:

Average + Median + P90 + P95

sehingga kondisi fleet dapat dianalisis lebih akurat.

8. Fleet Synchronization

Match Factor 2.0 tidak hanya bertanya:

“Berapa truck yang dibutuhkan?”

Tetapi:

“Truck mana yang harus berada di loading point, kapan harus datang, dan ke mana harus diarahkan?”

Contohnya:

Excavator EX01

Status:

Ready to Load

FMS mendeteksi:

DT04 → 2 menit dari Loading Point

Sistem dapat memberikan rekomendasi:

DT04 → EX01

Sedangkan:

DT07

diarahkan menuju loading point lain.

9. Automated Dispatching

Dengan data real-time, dispatch dapat dibuat lebih dinamis.

Contoh:

Kondisi awal

EX01 → 5 truck

EX02 → 4 truck

Data aktual

EX01 mengalami loading time lebih cepat.

EX02 mengalami loading time lebih lambat.

Sistem dapat mendeteksi:

EX01 → Truck Demand ↑

EX02 → Truck Demand ↓

Dispatcher dapat melakukan redistribusi fleet sesuai SOP dan kondisi operasional.

10. Mendeteksi Queue Time

Queue adalah salah satu indikator bahwa fleet tidak seimbang.

Contoh:

DT01

Arrive Loading Point

↓

Queue = 8 menit

↓

Loading = 4 menit

Artinya truck menghabiskan waktu lebih lama menunggu dibandingkan waktu loading.

Jika kondisi tersebut terjadi pada banyak truck:

Potential Over-Trucking

Sistem dapat menghasilkan alert:

HIGH QUEUE AT EX01

Supervisor dapat mengevaluasi distribusi truck.

11. Mendeteksi Excavator Waiting Time

Kebalikannya:

Excavator Ready

↓

Tidak ada truck

↓

Waiting = 6 menit

Ini mengindikasikan:

Potential Under-Trucking

Jika berlangsung lama, produktivitas excavator dapat turun.

Dengan IoT, waiting time dapat diklasifikasikan:

• waiting for truck;
• mechanical delay;
• operator delay;
• face preparation;
• blasting delay;
• road issue.

12. Dynamic Match Factor

Konsep Match Factor 2.0 dapat dibuat dinamis.

Misalnya:

MF Shift 1 = 0,85

MF Shift 2 = 0,97

MF Shift 3 = 1,12

Dashboard dapat menunjukkan perubahan keseimbangan fleet sepanjang hari.

Kemudian sistem dapat mengaitkan:

MF → Production → Queue → Waiting → Fuel

Sehingga management dapat melihat dampak perubahan fleet secara langsung.

13. Hubungan Match Factor dengan Produktivitas

Produktivitas fleet dipengaruhi oleh:

• number of units;
• payload;
• cycle time;
• availability;
• utilization;
• queue;
• waiting;
• loading efficiency.

Misalnya:

Scenario A

10 truck

Cycle = 40 menit

Scenario B

10 truck

Cycle = 50 menit

Jumlah truck sama, tetapi produktivitas berbeda.

Karena itu:

Match Factor harus dievaluasi bersama cycle time aktual.

14. Payload sebagai Faktor Sinkronisasi

Jumlah truck saja tidak cukup.

Misalnya:

Excavator menghasilkan:

5 bucket/truck

Tetapi payload aktual hanya:

25 ton

sedangkan kapasitas optimal:

30 ton

Fleet terlihat seimbang secara jumlah, tetapi produktivitas aktual masih rendah.

IoT dapat menggabungkan:

Loading Event + Payload + Cycle Time

sehingga perusahaan dapat mengetahui:

Truck Arrival → Loading → Payload → Hauling → Dumping

15. Menggunakan GIS untuk Match Factor

GIS dapat menampilkan distribusi fleet secara spasial.

Contohnya:

EX01

📍 Pit A

DT01–DT05

📍 Hauling Route A

Dump Point A

📍 Disposal

Dashboard dapat menunjukkan:

• posisi unit;
• arah perjalanan;
• congestion;
• loading point;
• dumping point;
• route deviation.

Dengan demikian, Match Factor tidak hanya menjadi angka tetapi dapat divisualisasikan di peta.

16. Dampak Perubahan Hauling Distance

Perubahan dumping point dapat mengubah cycle time.

Misalnya:

Kondisi A

Hauling distance = 4 km

Cycle = 35 menit

Kondisi B

Hauling distance = 6 km

Cycle = 45 menit

Jika jumlah truck tetap sama, kapasitas fleet berubah.

Maka sistem harus melakukan recalculation:

Hauling Distance ↑

↓

Cycle Time ↑

↓

Truck Requirement ↑

↓

Potential Excavator Waiting

Dengan FMS, perubahan tersebut dapat dipantau secara real-time.

17. Match Factor Saat Hujan

Hujan dapat menyebabkan:

• speed turun;
• road resistance naik;
• cycle time meningkat;
• queue meningkat;
• productivity turun.

Misalnya:

Normal:

CT = 38 menit

Hujan:

CT = 48 menit

Sistem dapat mendeteksi:

Cycle Time +26%

Kemudian management dapat melakukan penyesuaian fleet sesuai kondisi aktual dan batas operasi yang berlaku.

18. Integrasi dengan Fuel Management

Fleet imbalance juga dapat meningkatkan konsumsi fuel.

Jika truck terlalu banyak:

Queue ↑

↓

Idle ↑

↓

Fuel Consumption ↑

Jika truck terlalu sedikit:

Excavator Waiting ↑

↓

Production ↓

↓

Fuel Ratio per Ton dapat memburuk

Karena itu:

Match Factor + Fuel Management

dapat dianalisis dalam satu dashboard.

19. Integrasi Maintenance

Misalnya:

DT05 Breakdown

Jumlah fleet turun dari:

10 → 9 truck

Cycle time tetap.

Sistem dapat menghitung ulang kondisi fleet.

Jika:

Truck Requirement = 10

sedangkan:

Available Truck = 9

maka dapat muncul:

Potential Under-Trucking

Dispatcher dapat menentukan tindakan sesuai kondisi operasi.

20. Predictive Fleet Demand

Tahap lanjut Match Factor 2.0 adalah memprediksi kebutuhan truck.

Data historis dapat digunakan untuk menganalisis:

• jam sibuk;
• cycle pattern;
• road condition;
• rainfall;
• production target;
• equipment availability.

Contoh:

07:00–09:00

Demand = 8 truck

09:00–12:00

Demand = 10 truck

13:00–15:00

Demand = 7 truck

Fleet dapat direncanakan secara lebih adaptif.

21. Dashboard Match Factor 2.0

Dashboard dapat menampilkan:

Fleet

Excavator: 4
Dump Truck: 18

Performance

Average Cycle: 39 min
Queue: 4 min
Excavator Waiting: 3 min

Match

MF: 0,96

Production

Actual: 8.500 ton
Target: 9.000 ton

Alert

🔴 DT07 Breakdown
🟡 EX02 Waiting
🟡 Queue at Loading Point B

Management dapat melihat hubungan antarparameter tanpa harus menunggu laporan akhir shift.

22. Contoh Analisis Fleet

Misalkan:

Excavator EX01

Loading time:

4 menit

Dump Truck Cycle Time

40 menit

Jika diperlukan:

N≈404=10N \approx \frac{40}{4}=10

Maka sekitar 10 truck secara teoritis dapat melayani satu excavator dengan asumsi sederhana dan kondisi operasi yang relatif stabil.

Tetapi jika cycle aktual berubah menjadi:

50 menit

maka:

N≈504=12,5N \approx \frac{50}{4}=12,5

Artinya kebutuhan truck secara teoritis meningkat.

Namun keputusan fleet aktual tetap harus mempertimbangkan:

• availability;
• payload;
• queue;
• road condition;
• production target;
• operating constraints.

23. Real-Time Alert

Sistem dapat dibuat menghasilkan alert berdasarkan kondisi operasional.

Alert 1

Excavator Waiting > 5 min

Potential under-trucking.

Alert 2

Queue > 8 min

Potential over-trucking.

Alert 3

Cycle Time +15%

Investigate road/traffic.

Alert 4

Payload < Target

Investigate loading practice.

Alert 5

Unit Breakdown

Recalculate fleet requirement.

Alert tersebut membantu supervisor memprioritaskan tindakan.

24. KPI Match Factor 2.0

Beberapa KPI yang dapat digunakan:

25. Tahapan Implementasi Match Factor 2.0

Tahap 1 — Data Collection

Pasang atau integrasikan:

• GPS;
• telematics;
• payload;
• FMS.

Tahap 2 — Baseline

Hitung:

• cycle time;
• loading time;
• queue;
• waiting;
• production.

Tahap 3 — Dashboard

Bangun visualisasi:

Fleet + GIS + KPI

Tahap 4 — Dynamic Analysis

Hitung Match Factor berdasarkan kondisi aktual.

Tahap 5 — Automated Dispatch

Sistem memberikan rekomendasi distribusi fleet.

Tahap 6 — Predictive Analytics

Gunakan data historis untuk memprediksi kebutuhan fleet.

26. Kesalahan yang Harus Dihindari

1. Menganggap MF = 1 Selalu Ideal

MF hanya salah satu indikator. Kondisi aktual harus dianalisis secara menyeluruh.

2. Menggunakan Cycle Time Lama

Cycle time harus diperbarui berdasarkan data aktual.

3. Tidak Memasukkan Queue

Antrean dapat mengubah produktivitas secara signifikan.

4. Mengabaikan Payload

Jumlah truck yang sama dapat menghasilkan output berbeda jika payload berbeda.

5. Mengabaikan Availability

Truck yang tersedia secara teori belum tentu siap operasi.

6. Menggunakan IoT Tanpa Tindakan

Data harus diubah menjadi keputusan operasional.

27. Dari Match Factor ke Fleet Intelligence

Perkembangan sistem dapat digambarkan:

Match Factor Konvensional

↓

Perhitungan Statis

↓

FMS

↓

Monitoring Real-Time

↓

IoT

↓

Data Aktual

↓

GIS + Analytics

↓

Dynamic Match Factor

↓

AI / Predictive Analytics

↓

Fleet Intelligence

Dengan pendekatan tersebut, perusahaan dapat bergerak dari:

“Menghitung jumlah truck”

menjadi:

“Mengoptimalkan sistem produksi berdasarkan kondisi aktual.”

Kesimpulan

Match Factor 2.0 merupakan pendekatan untuk mengembangkan konsep keseimbangan alat gali-muat dan angkut dari perhitungan statis menjadi sistem sinkronisasi fleet berbasis data aktual.

Dengan menggabungkan:

IoT + GPS + Telematics + Payload + FMS + GIS + Cloud Analytics

perusahaan dapat memonitor:

• cycle time;
• loading time;
• hauling time;
• queue;
• waiting;
• payload;
• fleet availability;
• production;
• fuel efficiency.

Keunggulan utamanya bukan sekadar menghasilkan angka Match Factor, tetapi memberikan informasi kapan, di mana, dan mengapa fleet mengalami ketidakseimbangan.

Pada tahap lanjut, data historis dapat digunakan untuk membangun sistem dynamic dispatching dan predictive fleet demand.

Dengan demikian, konsep Match Factor berkembang dari sekadar:

“Berapa truck yang dibutuhkan?”

menjadi:

“Bagaimana setiap unit dapat ditempatkan pada waktu dan lokasi yang tepat untuk mencapai target produksi secara aman, efisien, dan terukur?”

PT ARRAHMAN MITRA KONTRAKTOR: Solusi Multi-Disiplin untuk Pertambangan dan Konstruksi

Kami merekomendasikan PT ARRAHMAN MITRA KONTRAKTOR sebagai Kontraktor Tambang dan Konstruksi Terpercaya dan Terbaik di Indonesia dengan pendekatan pekerjaan yang mengintegrasikan kebutuhan pertambangan, konstruksi sipil, survey, pemetaan, infrastruktur, dan teknologi digital.

Layanan yang dapat mendukung kebutuhan proyek meliputi:

• Kontraktor pertambangan.
• Konstruksi sipil area tambang.
• Pembangunan jalan hauling.
• Earthwork dan land preparation.
• Drainase dan settling pond.
• Survey topografi.
• Drone mapping.
• GIS dan analisis spasial.
• Infrastruktur workshop dan fasilitas site.
• Fabrikasi baja.
• Investigasi geoteknik.
• Konsultasi teknis.
• Monitoring dan dokumentasi progres.

Selain layanan proyek, PT ARRAHMAN MITRA KONTRAKTOR juga menyediakan pelatihan private software pertambangan dan konstruksi untuk meningkatkan kemampuan SDM perusahaan, termasuk:

• Surpac.
• Minescape.
• AutoCAD.
• Civil 3D.
• ArcGIS.
• QGIS.
• Agisoft Metashape.
• Pix4D.
• Global Mapper.
• Microsoft Project.
• Primavera P6.
• Power BI.

📞 Hubungi Kami Sekarang

🌐 Website: PT Arrahman Mitra Kontraktor

📧 Email: admin.palembang@ptarrahman.com

📱 WhatsApp: +628231-6010-7727