Solar merupakan salah satu komponen biaya terbesar dalam operasional logistik, pertambangan, perkebunan, dan agroindustri. Kehilangan bahan bakar yang terlihat kecil dapat berubah menjadi kerugian besar ketika terjadi berulang pada banyak kendaraan dan alat berat.
Fuel loss tidak selalu berupa tangki atau selang yang bocor. Kehilangan dapat berasal dari pengisian berlebih, kesalahan pencatatan, idling, hingga pencurian atau “kencing solar”. Laporan riset menyebut konsumsi solar dalam operasi tertentu dapat berada 20–30% di atas kebutuhan aktual, sementara fuel loss pada sejumlah entitas perkebunan dan pertambangan berada pada kisaran 5–10% dari konsumsi bulanan.
Karena itu, perusahaan tidak cukup hanya mengetahui berapa banyak solar yang dibeli. Perusahaan perlu mengetahui kapan, di mana, dan bagaimana bahan bakar digunakan atau hilang. Di sinilah IoT, Fleet Management System (FMS), dan Artificial Intelligence (AI) berperan.
Dari Pencatatan Manual ke Real-Time
Metode konvensional mengandalkan slip pembelian, odometer, dipstick, dan rekonsiliasi administrasi. Pendekatan ini rentan terhadap human error, manipulasi, dan keterlambatan informasi. Selisih bahan bakar sering baru terlihat setelah audit.
Fleet Management mengubah pendekatan tersebut menjadi pemantauan real-time, dengan dukungan sensor yang mampu membaca kondisi BBM secara kontinu.
Tiga Cara Membaca Solar
Laporan riset membahas tiga teknologi utama: sensor kapasitif, sensor ultrasonik, dan differential flow meter.
Sensor kapasitif mengukur level bahan bakar melalui perubahan kapasitansi. Teknologi ini dapat mencapai toleransi sekitar ±0,5% hingga ±1,0% dari skala penuh, tetapi pembacaan dapat dipengaruhi air, temperatur, busa, kemiringan, dan turbulensi.
Sensor ultrasonik menggunakan prinsip Time-of-Flight (ToF) untuk mengukur jarak ke permukaan cairan. Karena bersifat non-kontak, teknologi ini tidak bergantung pada konstanta dielektrik bahan bakar, meskipun busa dan gelombang cairan tetap dapat mengganggu pengukuran.
Differential flow meter menghitung konsumsi bersih dari selisih bahan bakar yang disuplai dan yang kembali ke tangki. Teknologi ini penting untuk mesin diesel tugas berat karena tidak seluruh bahan bakar yang masuk ke sistem injeksi dibakar.
Dengan demikian, sistem perlu membedakan antara berapa solar yang ada di tangki dan berapa solar yang benar-benar dikonsumsi mesin.
Data Kendaraan Menjadi Konteks
Sensor perlu dikaitkan dengan kondisi kendaraan melalui CAN Bus dan SAE J1939. Gateway telematika dapat membaca parameter ECU seperti Engine Fuel Rate (SPN 183), Engine Trip Fuel, serta temperatur mesin dan bahan bakar.
Namun, data ECU tidak cukup untuk mendeteksi semua bentuk kehilangan, terutama ketika mesin mati. Karena itu, data J1939 perlu digabungkan dengan sensor level tangki. Sistem kemudian membandingkan level BBM, konsumsi mesin, GPS, jarak tempuh, dan status pengapian.
Mengatasi Sloshing dengan Filter Kalman
Saat kendaraan melewati jalan rusak, menanjak, menurun, atau melakukan pengereman, terjadi sloshing. Pergerakan ini dapat membuat sensor membaca perubahan level yang sebenarnya bukan kehilangan bahan bakar.
Filter sederhana dapat mengurangi noise, tetapi berisiko menciptakan latensi atau menghaluskan kejadian penting. Filter Kalman membantu dengan memprediksi volume berdasarkan konsumsi mesin lalu membandingkannya dengan observasi sensor. Pendekatan ini membantu membedakan perubahan wajar dari perubahan yang mencurigakan.
AI Mendeteksi Anomali
Pencurian memiliki karakter berbeda dari noise. Level bahan bakar dapat turun sangat cepat ketika kendaraan diam dan mesin mati. Kondisi tersebut dapat dikenali menggunakan Isolation Forest sebagai pendekatan deteksi anomali tanpa pengawasan.
Model dapat menggabungkan volume BBM, koordinat GPS, jarak tempuh, fuel rate, dan status ECU. Ketika pola berada di luar kondisi normal, sistem dapat menghasilkan Fuel Loss Alert yang menunjukkan waktu dan lokasi kejadian.
AI bukan menggantikan sensor. AI membaca hubungan antar-data untuk menemukan pola yang sulit dikenali melalui satu parameter.
Edge AI dan Keamanan
Di area pertambangan atau agroindustri terpencil, konektivitas internet tidak selalu stabil. Edge AI memungkinkan analisis dilakukan langsung pada perangkat telematika. Data normal diproses secara lokal, sementara kejadian penting dikirimkan sebagai alarm.
Sistem juga perlu dilindungi dari manipulasi. Pemutusan kabel, gangguan sensor, pembongkaran perangkat, dan serangan pada jaringan kendaraan merupakan ancaman yang harus diperhitungkan. Karena itu, mekanisme anti-tampering dan cybersecurity seperti ISO/SAE 21434 menjadi bagian penting dari arsitektur.
Dari Fuel Loss ke ROI dan ESG
Nilai Fleet Management terlihat dari pengurangan fuel loss, idling, perilaku berkendara yang tidak efisien, pemeliharaan, dan biaya administrasi.
Data konsumsi BBM juga mendukung pelaporan emisi Scope 1. Semakin akurat konsumsi aktual, semakin kuat dasar perhitungan emisi dan kemampuan perusahaan membedakan bahan bakar yang benar-benar dibakar dengan bahan bakar yang hilang.
Pengelolaan BBM industri sedang berubah dari pencatatan volume menjadi pengelolaan data. Sensor menyediakan data fisik, J1939 memberi konteks mesin, Filter Kalman menangani sloshing, AI mengenali anomali, Edge AI mempercepat respons, dan cybersecurity melindungi sistem.
Dengan integrasi tersebut, perusahaan tidak harus menunggu akhir bulan untuk mengetahui bahwa solar telah hilang. Anomali dapat dideteksi lebih cepat, ditelusuri berdasarkan lokasi dan waktu, lalu dijadikan dasar tindakan operasional.
Pada akhirnya, setiap liter solar bukan hanya biaya. Ia adalah data yang dapat digunakan untuk mencegah kehilangan sebelum berubah menjadi kerugian besar.
