1. Pendahuluan: Paradigma Baru Simulasi Hidrolik di Tepi Jaringan

Transformasi digital dalam sektor utilitas air, khususnya bagi Perusahaan Daerah Air Minum (PDAM) skala kecil di Indonesia, seringkali terhambat oleh dikotomi yang tajam antara kebutuhan operasional dan kapasitas infrastruktur. Di satu sisi, kebutuhan untuk menekan tingkat kehilangan air (Non-Revenue Water/NRW) dan optimalisasi energi pompa menuntut adanya sistem Digital Twin—sebuah replika virtual yang mampu mensimulasikan perilaku hidrolik jaringan secara real-time. Di sisi lain, solusi tradisional berbasis SCADA (Supervisory Control and Data Acquisition) dan perangkat lunak pemodelan hidrolik monolitik menuntut investasi modal (CAPEX) yang masif untuk server on-premise, lisensi perangkat lunak, dan tenaga ahli TI yang berdedikasi.

Laporan ini menyajikan strategi komprehensif untuk mendobrak hambatan tersebut dengan memanfaatkan arsitektur serverless modern berbasis Cloudflare Stack, yang terdiri dari Cloudflare Workers (komputasi), D1 (basis data relasional terdistribusi), dan Hugo (visualisasi statis). Pendekatan ini bukan sekadar alternatif “murah”, melainkan sebuah evolusi arsitektural yang memindahkan beban komputasi dari server pusat ke “tepi” (edge) jaringan internet.

Fokus utama dokumen ini adalah menjawab tantangan “Realistik” dan “Robust”.

  • Realistik berarti sistem harus mampu merepresentasikan fisika fluida dan ketidakpastian data sensor di lapangan, bukan sekadar model ideal.
  • Robust berarti sistem harus tahan banting terhadap keterbatasan inheren dari platform serverless—seperti batas memori 128MB pada Workers, batas konkurensi pada D1, dan sifat stateless dari protokol HTTP.

Melalui analisis mendalam terhadap kemampuan solver hidrolik berbasis WebAssembly (WASM), manajemen antrian data (Queues), dan strategi basis data hibrida pada SQLite (D1), laporan ini akan membuktikan bahwa PDAM skala kecil dapat memiliki sistem operasional kelas dunia dengan biaya operasional yang fraksional dibandingkan metode konvensional.

2. Landasan Teoretis dan Fisika Simulasi pada Arsitektur Edge

Untuk membangun strategi yang realistik, kita harus terlebih dahulu membedah inti dari Digital Twin: mesin simulasi hidrolik. Berbeda dengan aplikasi web biasa yang hanya memindahkan data teks, simulator hidrolik melakukan komputasi intensif untuk menyelesaikan sistem persamaan aljabar non-linear yang merepresentasikan hukum kekekalan massa dan energi.

2.1 Transisi Solver Hidrolik: Dari Desktop ke WebAssembly

Jantung dari simulator operasional adalah algoritma penyelesaian jaringan pipa. Standar industri global untuk ini adalah EPANET, yang dikembangkan oleh US EPA. Secara matematis, EPANET menggunakan “Gradient Method” untuk menyelesaikan persamaan aliran dan head loss secara simultan.

Dalam konteks Cloudflare Workers, yang merupakan lingkungan eksekusi JavaScript berbasis V8 engine, menjalankan perhitungan matriks yang kompleks secara native JavaScript (JS) adalah strategi yang tidak efisien dan rentan terhadap timeout. Oleh karena itu, strategi yang paling robust adalah porting mesin EPANET (yang ditulis dalam C/C++) ke dalam WebAssembly (WASM). WASM memungkinkan kode biner dieksekusi dengan kecepatan mendekati native di dalam lingkungan browser atau serverless worker. Pustaka seperti epanet-js menjadi komponen kritis di sini.

2.2 Strategi Manajemen Memori dan “Skeletonization”

Implementasi WASM di Cloudflare Workers menghadirkan tantangan spesifik terkait batasan memori (standar 128 MB). Sebuah model hidrolik yang memuat ribuan node dan pipa, jika tidak dikelola dengan hati-hati, dapat memicu alokasi memori linier WASM yang melampaui batas ini, menyebabkan crash (OOM).

Strategi Mitigasi:

  1. Skeletonization: Penyederhanaan topologi model jaringan PDAM. Pipa-pipa kecil (diameter < 50mm) yang melayani sambungan rumah individu seringkali tidak memberikan dampak hidrolik signifikan namun membebani memori matriks solver secara eksponensial.
  2. Fixed Memory Flagging: Saat kompilasi WASM, tetapkan batas atas yang aman (misal -s TOTAL_MEMORY=64MB) untuk menyisakan ruang bagi runtime JavaScript.
  3. Stream Processing: Gunakan teknik streaming atau parsing parsial saat memuat file input .inp.

2.3 Realisme Fisika: Kurva Pompa dan Kekasaran Pipa

Aspek “Realistik” menuntut simulasi yang fisik akurat. Salah satu kelemahan model sederhana adalah penggunaan kurva pompa satu titik. Dalam realitas operasional PDAM, performa pompa berubah dinamis sesuai hukum afinitas (Affinity Laws).

Sistem harus mampu memodelkan kurva pompa menggunakan pendekatan regresi polinomial ($H = A - B \cdot Q^C$). Implementasi ini memastikan simulasi merespons perubahan kecepatan putar pompa (VSD) secara akurat. Penggunaan formula Hazen-Williams lebih disarankan untuk air bersih karena kesederhanaan komputasinya dibandingkan Darcy-Weisbach, memberikan keseimbangan terbaik antara akurasi dan kecepatan untuk arsitektur serverless.

3. Arsitektur Data Ingestion yang Robust: Menjinakkan “Thundering Herd”

Tantangan terbesar dalam sistem IoT bukanlah pada satu sensor, melainkan pada perilaku kolektif ribuan sensor (Thundering Herd). Jika 500 sensor mencoba melakukan INSERT ke D1 secara bersamaan, sebagian besar akan mengalami kegagalan karena SQLite pada dasarnya single-writer.

3.1 Pola Desain Producer-Consumer dengan Cloudflare Queues

Solusinya adalah memisahkan proses penerimaan data (ingestion) dari proses penyimpanan data (persistence) menggunakan Cloudflare Queues sebagai penyangga (buffer) elastis.

  1. Ingestion Worker (Producer): Titik akhir API yang sangat ringan. Hanya validasi token dan kirim pesan ke Queue. Tidak ada penulisan database, sehingga tidak ada risiko lock.
  2. Cloudflare Queue: Penampung sementara yang elastis dan durabel.
  3. Processor Worker (Consumer): Dipicu oleh Queue secara batch (misal 100 pesan sekaligus). Melakukan Batch INSERT ke D1 dalam satu transaksi SQL.

Pola ini drastis mengurangi biaya operasi D1 dan menghindari batas konkurensi.

3.2 Filter Stokastik untuk Realisme Data

Sensor di lapangan memiliki noise dan anomali. Kita perlu menerapkan filter stokastik di tingkat Processor Worker sebelum data ditulis ke D1:

  • Moving Average: Menghaluskan fluktuasi tekanan.
  • Outlier Rejection: Membuang data sampah berdasarkan statistik.

4. Strategi Basis Data D1: Hibrida Relasional-Dokumen

4.1 Pemanfaatan Virtual Generated Columns

Salah satu fitur terkuat D1 (SQLite) adalah Generated Columns. Kita dapat menyimpan data sensor dalam format JSON mentah (fleksibilitas NoSQL) namun tetap bisa melakukan query secepat SQL biasa.

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

CREATE TABLE telemetry (
  id INTEGER PRIMARY KEY AUTOINCREMENT,
  sensor_id TEXT NOT NULL,
  timestamp INTEGER NOT NULL,
  raw_payload TEXT, -- JSON: {"pressure": 3.5, "flow": 10.2}
  -- Kolom Virtual (Pointer logika, tidak makan storage)
  pressure REAL GENERATED ALWAYS AS (json_extract(raw_payload, '$.pressure')) VIRTUAL,
  flow REAL GENERATED ALWAYS AS (json_extract(raw_payload, '$.flow')) VIRTUAL
);

CREATE INDEX idx_telemetry_pressure ON telemetry(pressure);

Dengan desain ini, query WHERE pressure < 1.0 akan menggunakan index kolom virtual yang sangat cepat, jauh lebih efisien daripada memindai teks JSON.

4.2 Strategi Retensi Data

  • Hot Data (D1): Simpan 30-60 hari terakhir.
  • Cold Data (R2): Pindahkan data lama ke Cloudflare R2 (Object Storage) sebagai file CSV/Parquet yang murah dan tahan lama.
  • Pruning: Hapus data tua dari D1 secara terjadwal untuk menjaga performa.

5. Visualisasi dan Antarmuka: Arsitektur “App Shell” dengan Hugo

5.1 Konsep “App Shell” Terhidrasi

  • Build Time (Hugo): Mengkompilasi kerangka aplikasi (App Shell), memuat pustaka peta (Leaflet/MapLibre), dan aset statis. Hosting di Cloudflare Pages.
  • Run Time (Client-Side JS): Browser mengambil data dinamis dari Cloudflare Workers.
  • Hydration: Data JSON “menghidrasi” peta (misal: pipa berubah warna sesuai tekanan).

5.2 Integrasi Keamanan dengan Cloudflare Access

Jangan bangun sistem login sendiri. Gunakan Cloudflare Zero Trust (Access).

  • Perimeter Identitas: Dashboard dilindungi Access (hanya email korporat).
  • Validasi JWT: Cloudflare menyisipkan token JWT yang divalidasi oleh Worker. Worker tidak perlu mengelola database user/password.

6. Kesimpulan

Strategi ini menawarkan jalan keluar yang realistik dan robust bagi PDAM skala kecil untuk mengadopsi teknologi Digital Twin. Dengan memanfaatkan arsitektur edge computing, kita menghilangkan kebutuhan akan infrastruktur server yang mahal. Penggunaan WASM mengatasi keterbatasan performa komputasi, Queues mengatasi kemacetan lalu lintas data, dan D1 dengan kolom virtual memberikan kecepatan akses data yang dibutuhkan.

Lebih dari sekadar efisiensi biaya, pendekatan ini memberikan PDAM alat bantu pengambilan keputusan yang berbasis data fisika (physics-based data driven), memungkinkan transisi dari manajemen reaktif menuju prediktif.

Disclaimer: Tulisan ini adalah pandangan pribadi penulis dan tidak mewakili pandangan organisasi manapun. Implementasi teknis harus disesuaikan dengan kondisi spesifik masing-masing PDAM.