Bisakah AI dan Sensor Pintar Mengurangi Biaya Pemeliharaan Dirgantara?

Agar sebuah pesawat dapat melakukan penerbangan yang aman dan berhasil, ribuan komponen harus menjalankan fungsinya di bawah suhu ekstrem, getaran, dan tekanan. Itu bukan tugas yang mudah atau murah.

Faktanya, pemeliharaan pesawat yang melibatkan inspeksi, pembongkaran, dan perbaikan tak terjadwal merupakan salah satu biaya operasional tertinggi bagi maskapai penerbangan dan perusahaan dirgantara. Satu tanda peringatan dini yang terlewat dapat membuat seluruh armada tidak dapat terbang, atau lebih buruk.

Solusi untuk aktivitas yang mahal namun diperlukan ini mungkin datang dari penggabungan material yang lebih cerdas dengan data yang lebih cerdas: material sensor piezoelektrik berskala nano dan kecerdasan buatan (AI).

Nano-piezoelectric sensors provide aircraft with more continuous structural awareness, while AI and digital twins convert those sensor signals into maintenance decisions. Together, these two technologies can give engineers an earlier and clearer picture of when a part is about to fail, rather than waiting for scheduled teardowns or an in-flight fault, thereby helping lower maintenance costs, reduce aircraft downtime, extend component life, and improve safety.

Batasan Pemeliharaan Pesawat Tradisional

The aerospace industry is a critical pillar of the global economy, supporting not only commercial aviation and space exploration but also cargo transportation, defense, and advanced manufacturing.

Berbeda dengan produk konsumen biasa, tidak ada ruang untuk kesalahan dan kegagalan di sini, karena hal itu dapat dengan mudah menjadi mengancam nyawa pada skala yang jauh lebih besar.

Pesawat modern adalah sistem rekayasa yang sangat canggih yang terdiri dari jutaan bagian individual yang beroperasi di bawah kondisi mekanik, termal, dan lingkungan yang menuntut serta bervariasi. Setelah pesawat meninggalkan atmosfer, ia juga harus menghadapi radiasi dan vakum. Kondisi ini mengharuskan komponen cukup kuat untuk bertahan puluhan tahun siklus kelelahan, cukup ringan untuk menurunkan biaya bahan bakar, dan cukup andal untuk mengangkut penumpang yang membayar.

Untuk memastikan keselamatan dan keandalan pesawat, mereka menjalani inspeksi dan pemeliharaan yang ketat sepanjang masa operasinya. Namun, pemeliharaan tetap menjadi salah satu tantangan terbesar industri. Karena pesawat sering menjalani inspeksi terjadwal terlepas dari kondisi struktural sebenarnya, hal ini menghasilkan biaya tenaga kerja yang lebih tinggi. Prosedur inspeksi tradisional juga sangat bergantung pada peralatan diagnostik eksternal, yang berarti kerusakan dapat tidak terdeteksi sebelum inspeksi berikutnya.

Pemeriksaan terencana memang diperlukan, karena kegagalan tak terduga dapat menyebabkan insiden yang jauh lebih mahal seperti peristiwa pemeliharaan tak terjadwal, gangguan operasional, dan penundaan penerbangan. Kadang-kadang, komponen yang masih sehat diganti lebih awal semata-mata karena keadaan keausan yang tepat tidak diketahui, meningkatkan waktu henti pesawat.

Kemudian ada kendala rantai pasokan, seperti kekurangan suku cadang khusus, material, dan tenaga kerja terampil, yang semakin menambah tekanan pada penyedia pemeliharaan dengan menyebabkan waktu perbaikan yang lebih lama dan grounding pesawat yang tidak perlu.

Tambahkan lagi harga bahan bakar yang berfluktuasi dan ekspektasi emisi yang semakin ketat, dan masuk akal bahwa industri dirgantara aktif mencari teknologi yang dapat mempersempit kesenjangan antara pemeliharaan terjadwal dan kondisi aktual pesawat.

This means a technology that can continuously monitor aircraft health in real time, rather than relying solely on fixed maintenance intervals. But the next real advantage in aerospace maintenance may not come from a single breakthrough material or a single AI model but from combining the two. This is where smart piezoelectric materials and AI-driven data analytics come into the picture.

Membangun Pesawat Cerdas dengan Sensor Pintar dan AI

Sekitar satu abad yang lalu, sebagian besar badan pesawat terbuat dari paduan logam, khususnya paduan aluminium, karena ringan, ulet, dan dapat dibentuk, dengan tahanan termal tinggi, titik leleh tinggi, serta ketahanan korosi yang kuat. Namun kemajuan teknologi menyebabkan penggantiannya dengan nanoteknologi dan material pintar, yang meningkatkan desain struktural pesawat dan komponen operasional.

Peralihan ke nanopartikel membantu mengurangi berat dan meningkatkan kekuatan, sehingga menurunkan biaya penggunaan bahan bakar secara keseluruhan. Sementara itu, material pintar memberikan sifat yang lebih baik dibandingkan material struktural tradisional, seperti kemampuan self-sensing, penyimpanan memori, dan kemampuan adaptasi diri yang luas.

Material pintar adalah material yang dirancang untuk menyesuaikan responsnya terhadap lingkungan secara terkontrol, mengubah sifat strukturalnya sebagai respons terhadap rangsangan eksternal.

Material piezoelektrik adalah jenis material pintar yang menghasilkan muatan listrik ketika dikenai tekanan mekanik dan secara fisik berubah bentuk ketika tegangan listrik diterapkan. Material ini juga memiliki atribut penting, termasuk konsumsi daya rendah, lebar pita yang lebih luas, dan kemampuan menghasilkan gaya yang lebih tinggi, sehingga dapat diterapkan pada komputer, perangkat optik, sensor, transduser, sistem otomotif, perangkat medis, dirgantara, dan injektor bahan bakar.

Lead magnesium niobate, lead zirconate titanate (PZT), dan polimer polyvinylidene fluoride adalah material piezoelektrik yang paling sering digunakan.

Menariknya, memperkecil material ini hingga skala nano semakin meningkatkan sensitivitasnya. Misalnya, nanowire dan struktur piezoelektrik berlapis tipis nano dapat menangkap regangan, getaran, dan benturan yang lebih kecil dibandingkan dengan rekan yang jauh lebih besar, karena proporsi atom yang berada di permukaan dan berkontribusi pada respons listrik jauh lebih besar.

Sensor nano-piezoelektrik semakin menarik perhatian karena memungkinkan struktur pesawat memantau dirinya secara efektif. Alih-alih mengandalkan inspeksi visual rutin, sensor yang tertanam ini dapat terus-menerus mendeteksi stres, getaran, kelelahan, inisiasi retakan, dan perubahan struktural lainnya selama operasi normal.

Mereka dapat ditanamkan ke dalam kulit pesawat, sayap, dan laminasi komposit, di mana mereka berfungsi sebagai sistem saraf bagi rangka pesawat, terus-menerus mengubah peristiwa tumbukan menjadi sinyal listrik tanpa memerlukan sumber daya eksternal.

Ketika dipasangkan dengan algoritma AI, volume data berfrekuensi tinggi, amplitudo rendah, dan sering berisik dari sensor ini dapat dianalisis secara waktu nyata untuk membedakan perilaku operasi normal dari indikator awal kerusakan.

Model pembelajaran mesin dapat dilatih untuk mengenali getaran spesifik atau tanda resistansi yang terkait dengan retakan, delaminasi, korosi, atau kelelahan, dengan kecepatan yang cukup untuk penggunaan di dalam pesawat.

Bersama-sama, teknologi ini menyediakan pemantauan kesehatan struktural yang dapat berjalan terus-menerus di latar belakang alih-alih hanya selama pemeriksaan darat terjadwal, memungkinkan tim pemeliharaan untuk campur tangan sebelum cacat kecil menjadi perbaikan besar.

Edge computing, model hybrid CNN-LSTM, dan digital twin termasuk teknik yang digunakan untuk memantau kinerja waktu nyata dan akurasi AI dalam pemantauan kesehatan struktural di dirgantara.

This kind of continuous structural awareness not only reduces unnecessary inspections and maintenance costs but also improves aircraft availability and supports the industry’s shift toward predictive maintenance and digital aircraft health management.

Dari Terobosan Penelitian ke Penerbangan Dunia Nyata

Sebuah makalah tinjauan berjudul “Advancement of nano-based piezoelectric material with integration of artificial intelligence in aerospace¹” meneliti sejauh mana material nano-piezoelektrik dan AI dapat mengubah sistem dirgantara masa depan, dengan menjabarkan konvergensi secara detail.

Penulis meninjau material nano-piezoelektrik utama, metode pembuatannya, aplikasi dirgantara, dan integrasinya dengan teknik analitis berbasis AI.

Makalah tersebut menjelaskan bagaimana material nano-piezoelektrik yang dibangun dari keramik, polimer, dan komposit pada skala di mana efek kuantum dan permukaan mulai berperan dapat menawarkan koefisien piezoelektrik yang jauh lebih tinggi dibandingkan material massal, berkat rasio permukaan-ke-volume yang lebih besar dan penyelarasan kristal yang lebih baik ketika tumbuh dari bawah ke atas dibandingkan dipotong dari atas ke bawah.

Teknik bottom-up adalah metode fabrikasi mutakhir untuk mencapai desain dan struktur yang diinginkan pada nanomaterial.

Sebagian besar terdiri dari metode basah kimia dan deposisi uap, sintesis bottom-up meningkatkan orientasi sumbu-c, yang secara langsung berbanding lurus dengan koefisien piezoelektrik dan output tegangan yang lebih tinggi. Pendekatan top-down, yang mensintesis nanopartikel melalui metode fisik, memperkenalkan cacat yang mengurangi kinerja sebesar 20%-30% akibat arus bocor dan depolarisasi.

Material ini menggabungkan kemampuan sensing material piezoelektrik tradisional dengan kekuatan mekanik, ketahanan korosi, dan karakteristik ringan yang terkait dengan nanomaterial, menurut studi tersebut.

Sifat-sifat ini menjadikan material nano-piezoelektrik kandidat menarik untuk sistem pemantauan kesehatan struktural yang tertanam langsung dalam komponen pesawat.

Alih-alih berfungsi sebagai sensor terpisah, material ini dapat menjadi bagian dari struktur pesawat cerdas yang mampu menghasilkan data operasional berkelanjutan sepanjang masa layanan pesawat.

Makalah tersebut juga menyoroti peran AI dalam menafsirkan sinyal dari sensor-sensor ini.

“Meski material nano-piezoelektrik menunjukkan potensi besar dalam hal sensor mandiri, deteksi getaran, dan penangkapan energi pada struktur dirgantara, keberhasilan nyata material pintar sangat bergantung pada penanganan data yang cerdas,” catat studi tersebut. “Kesenjangan ini dapat diisi melalui Kecerdasan Buatan (AI), yang memproses sinyal frekuensi tinggi amplitudo rendah yang dihasilkan oleh sensor piezoelektrik secara waktu nyata.”

Di bidang dirgantara, AI berfungsi sebagai asisten cerdas untuk meningkatkan pengambilan keputusan manusia dan menggantikan penilaian manusia dalam kondisi yang tidak menguntungkan.

Secara khusus, model pembelajaran mesin dapat membantu dalam penangkapan energi yang dioptimalkan, kontrol getaran adaptif, dan deteksi kerusakan otomatis selama perubahan beban aerodinamis dan kondisi lingkungan ekstrem.

AI, menurut penulis, juga dapat meningkatkan optimasi desain dirgantara, pemodelan komputasi, pemodelan orde tereduksi (ROM), dan pemantauan struktural dengan menangkap wawasan yang dapat ditindaklanjuti dari dataset kompleks yang sulit dievaluasi secara manual.

“Kombinasi tersebut membuat data piezoelektrik mentah menjadi dapat ditindaklanjuti, meningkatkan keandalan pesawat, menurunkan biaya pemeliharaan, dan memungkinkan pengambilan keputusan otonom,” ujar studi tersebut.

Studi tersebut juga mencatat bahwa AI sangat cocok untuk menangani tantangan degradasi dan kebisingan yang muncul dari kondisi keras yang dihadapi material ini dalam layanan dirgantara. Ini mencakup perubahan suhu ekstrem, paparan radiasi, dan siklus vakum yang dapat menurunkan respons piezoelektrik material seiring waktu.

Kondisi ini menghasilkan degradasi kinerja dan peningkatan arus bocor di bawah stres termal atau radiasi yang berkelanjutan.

Mengenai bagaimana AI membantu di sini, penulis menjelaskan aplikasi seperti menanamkan sensor piezoelektrik langsung ke dalam laminasi komposit untuk pemantauan kesehatan struktural waktu nyata dan menggunakan model AI untuk mengklasifikasikan sinyal gelombang terarah atau impedansi berdasarkan jenis dan tingkat kerusakan. Algoritma pemeliharaan prediktif yang belajar dari data penerbangan dan sensor yang terkumpul diterapkan untuk menandai masalah yang berkembang sebelum menjadi isu keselamatan.

Studi tersebut mencatat bahwa sistem rekayasa berbasis AI telah digunakan dalam dirgantara selama beberapa tahun tetapi menghadapi tantangan dengan sistem kontrol yang lebih kompleks.

Ketika AI meningkatkan teknik saat ini seperti kontrol fly-by-wire, sistem penerbangan menjadi lebih baik, namun masih diperlukan peningkatan lebih lanjut dalam kinerja, kepatuhan, dan jaminan untuk mengoptimalkan hasil dalam timeline respons pilot dan akurasi struktural.

Ketika algoritma AI baru diperkenalkan ke dalam sistem, ia memerlukan integrasi terawasi sejak awal.

Implementasi AI untuk operasi pesawat canggih lebih lanjut memerlukan pengawasan teknik yang berkelanjutan sejak fase awal. Selain itu, data memerlukan pengelompokan untuk pembelajaran terawasi. Studi tersebut menyimpulkan:

“Kebaruan dalam penerapan algoritma pada desain dirgantara menyiratkan bahwa sebagian besar informasi mungkin tidak tersedia. Oleh karena itu, integrasi AI memerlukan bantuan kerja hingga keandalan penuh algoritma ini tercapai dalam industri dirgantara. Karena penyisipan algoritma pembelajaran ini dengan pelatihan, verifikasi, serta sertifikasi dan validasi data yang luar biasa, memerlukan teknik yang terus berkembang dalam sistem rekayasa.”

Tantangan untuk adopsi luas meliputi skalabilitas manufaktur, daya tahan jangka panjang, dan implementasi praktis.

Ada juga kekurangan dataset besar berkualitas tinggi yang menangkap kombinasi ekstrem termal, radiasi, dan getaran, serta kesulitan menjalankan inferensi AI pada sinyal berisik berfrekuensi tinggi dengan cukup cepat untuk penggunaan selama penerbangan. Kecepatan di mana standar kualitas dirgantara dapat menyerap sistem material baru yang dioptimalkan AI juga sangat lambat.

Meskipun ada tantangan, menggabungkan sensor nano-piezoelektrik dengan AI merupakan arah yang menjanjikan untuk pemeliharaan prediktif masa depan dan sistem dirgantara yang lebih cerdas, menurut studi tersebut.

Berinvestasi dalam Pemeliharaan Prediktif Dirgantara Berbasis AI: GE Aerospace

GE Aerospace (GE ) bukan pemain murni dalam material nano-piezoelektrik, tetapi mengoperasikan platform hilir yang terbukti secara komersial yang akan dipasok oleh sensor tertanam canggih: sistem data pesawat, inspeksi berbantu AI, analitik pemeliharaan prediktif, digital twin, dan alur kerja MRO.

Perusahaan sudah menggunakan alat digital untuk memantau indikator kinerja mesin, termasuk getaran, aliran bahan bakar, kecepatan rotor, suhu gas, dan penggunaan oli, dengan sistem yang mendeteksi potensi masalah dan merekomendasikan tindakan pemeliharaan bagi operator armada.

Model AI dan pembelajaran mesin mereka juga digunakan untuk memperluas pemantauan kondisi dan membimbing inspeksi baling-baling mesin yang lebih konsisten.

Beberapa bulan yang lalu, perusahaan mengumumkan demonstrasi sukses aplikasi AI yang menghasilkan tata letak desain awal untuk mesin ramjet bernafas udara dalam hitungan detik.

“Dengan menggunakan alat AI generatif, kami dapat secara signifikan mengurangi waktu siklus desain, memungkinkan kami menjadi lebih cepat dalam pengujian dan pada akhirnya lebih cepat mengkomersialkan produk akhir yang paling terbukti. Studi desain rekayasa ramjet hipersonik menggunakan AI generatif merupakan bukti kuat yang menunjukkan potensi AI untuk merevolusi proses desain.”

– Joe Vinciquerra, General Manager dan Senior Executive Director, GE Aerospace Research

Aplikasi tersebut memungkinkan insinyur memotong pekerjaan studi desain awal dari minggu atau bulan menjadi hanya beberapa detik. Perusahaan juga berencana memperluas penggunaan aplikasi desain AI generatifnya untuk mempercepat teknologi mesin jet melalui program RISE, yang mengembangkan teknologi seperti arsitektur kipas terbuka untuk mesin narrowbody generasi berikutnya.

“GE Aerospace sepenuhnya berkomitmen pada AI,” kesimpulan Vinciquerra. “Penggunaan AI generatif untuk merancang ramjet berkecepatan hipersonik adalah contoh bagus bagaimana kami menggabungkan ilmu AI dengan puluhan tahun pengetahuan tertanam untuk membentuk masa depan teknologi mesin jet komersial dan militer.”

Pada waktu yang sama, perusahaan memperluas kemitraan multi-tahun dengan Palantir Technologies (PLTR ) untuk meluncurkan AI agenik di seluruh sistem pemeliharaan penerbangan militer dan produksi yang lebih luas guna memprediksi kegagalan, meningkatkan visibilitas rantai pasokan, dan menjaga armada Angkatan Udara AS siap beroperasi.

Namun jauh sebelum kemitraan ini, GE Aerospace telah meluncurkan pemeliharaan prediktif berbasis AI di seluruh armada mesin mereka, menggabungkan data sensor waktu nyata dengan model digital twin yang mensimulasikan penuaan mesin. Pendekatan ini memungkinkan GE mendeteksi masalah mesin yang muncul sekitar 60% lebih awal, mengurangi penggantian mesin yang tidak terjadwal, dan meningkatkan akurasi perkiraan suku cadang.

Berbicara tentang kinerja pasar, GE Aerospace adalah perusahaan global di bidang propulsi, layanan, dan sistem dirgantara dengan basis terpasang lebih dari 50.000 mesin pesawat komersial dan 30.000 mesin pesawat militer. Sahamnya mencapai puncak tertinggi sepanjang masa (ATH) hampir $383 awal bulan ini. Saat ini diperdagangkan sekitar $350, naik 17% YTD dan 35,38% selama setahun terakhir.

GE, dengan kapitalisasi pasar $375 miliar, memiliki EPS (TTM) sebesar 8,06 dan P/E (TTM) sebesar 44,70. Perusahaan membayar dividen dengan hasil 0,52%.

Mengenai keuangan perusahaan, GE melaporkan kuartal pertama 2026 yang kuat, dengan “pesanan tumbuh 87% dan pendapatan naik 29% mendukung pertumbuhan dua digit dalam laba dan arus kas bebas,” serta backlog layanan komersial sebesar $170 miliar.

Baru-baru ini, CEO Lawrence Culp menyatakan bahwa, meskipun harga bahan bakar lebih tinggi dan penerbangan lebih lemah, dengan pertumbuhan “relatif datar,” perusahaan belum melihat dampak operasional atau perubahan perilaku dari pelanggan maskapai. “Kami merasa sangat baik tentang kuartal kedua,” kata Culp.

Pada hari Kamis, GE merilis hasil kuartal 2 2026, melaporkan total pendapatan $13,3 miliar dan pendapatan disesuaikan $12,6 miliar, naik masing-masing 21% dan 24%, sementara total pesanan perusahaan melonjak 17% menjadi $16,5 miliar.

Untuk periode tersebut, GE mencatat profit GAAP $2,8 miliar dan profit operasional $2,7 miliar. EPS GAAP mencapai $2,30, naik 23%, sementara EPS disesuaikan $2,02, naik 22%. Kas dari aktivitas operasional naik 39% menjadi $3,3 miliar, sementara arus kas bebas melonjak 43% menjadi $3 miliar. Backlog berada pada $210 miliar.

Menyebutnya sebagai kuartal “kuat” lainnya, Culp mengatakan bahwa model operasi ramping milik mereka, FLIGHT DECK, terus mendorong perbaikan operasional “dengan catatan kunjungan bengkel internal terbanyak dalam kuartal ini.”

GE Aerospace juga mencatat pertumbuhan 31% dalam total pengiriman mesin pada paruh pertama tahun ini. Culp menambahkan:

“Mengingat kinerja luar biasa kami tahun ini dan visibilitas untuk sisa tahun, kami meningkatkan panduan tahunan secara menyeluruh.”

Kesimpulan

Seperti AI merevolusi keuangan, keamanan siber, perawatan kesehatan, dan manufaktur, teknologi ini secara bertahap mengubah pemeliharaan dirgantara. AI, bersama dengan teknologi sensor pintar, mendorong pergeseran dari proses reaktif dan berbasis jadwal ke pendekatan prediktif.

Pemeliharaan dirgantara selalu harus menyeimbangkan keselamatan, berat, dan biaya dengan cara yang tidak banyak industri lain lakukan, dan selama beberapa dekade, hal itu dikelola terutama melalui inspeksi terjadwal dan interval penggantian suku cadang yang konservatif.

Namun kombinasi sensor nano-piezoelektrik, yang menawarkan potensi untuk memantau struktur pesawat secara terus-menerus, dan AI, yang dapat mengubah data waktu nyata mereka menjadi wawasan pemeliharaan yang dapat ditindaklanjuti untuk deteksi kerusakan otomatis, penangkapan energi yang dioptimalkan, dan pemantauan kesehatan struktural prediktif, meningkatkan keandalan pesawat, menurunkan biaya pemeliharaan, memperkuat keselamatan, dan memungkinkan pengambilan keputusan otonom.

Klik di sini untuk daftar saham dirgantara dan pertahanan teratas.

Referensi

1. Awan, M. S. U. D., Elahi, H., Ali, A., Wael, A. A., Noori, M. & Kouritem, S. A. Advancement of nano-based piezoelectric material with integration of artificial intelligence in aerospace. Materials Today Sustainability, 101371 (2026). https://doi.org/10.1016/j.mtsust.2026.101371