Mengapa Predictive Maintenance Jadi Solusi Penting di Industri?

Dalam industri proses seperti kilang minyak, pemeliharaan peralatan memainkan peran kunci dalam menjaga kontinuitas produksi dan efisiensi operasional. Salah satu elemen vital dalam sistem ini adalah pompa sentrifugal, perangkat yang bertanggung jawab mengalirkan fluida dalam jumlah besar dalam jalur produksi. Namun, gangguan pada satu pompa saja dapat berdampak besar pada seluruh sistem, menyebabkan keterlambatan produksi dan kerugian finansial.

Untuk mengatasi tantangan ini, konsep Predictive Maintenance (PdM) mulai banyak diadopsi. PdM adalah pendekatan pemeliharaan yang memanfaatkan data sensor dan algoritma pembelajaran mesin (machine learning) untuk memprediksi kerusakan sebelum terjadi. Pendekatan ini berbeda dari Preventive Maintenance (yang bersifat rutin dan tidak fleksibel), karena didasarkan pada kondisi aktual peralatan, bukan jadwal tetap.

Dalam konteks ini, studi yang dilakukan oleh Damiano Dallapiccola di bawah kolaborasi Universitas Politécnica de Madrid dan Neste Oyj menjadi sangat relevan. Penelitian ini merancang sistem pendeteksi anomali otomatis berbasis jaringan neural, dengan fokus khusus pada pompa sentrifugal yang beroperasi di lingkungan kilang industri.

Tujuan Penelitian dan Pertanyaan yang Direspons

Studi ini tidak hanya mengusulkan pendekatan teknis, tetapi juga menjawab tiga pertanyaan penting yang menjadi dasar dari berbagai penerapan PdM di industri:

1. Model mana yang paling akurat dalam mendeteksi kegagalan mesin secara real-time?
2. Apakah data yang tersedia—yang jumlahnya sangat terbatas—cukup untuk membangun model yang andal?
3. Bisakah satu model digunakan untuk berbagai pompa berbeda, sehingga meningkatkan efisiensi dan skalabilitas?

Untuk menjawab pertanyaan ini, peneliti mengembangkan, menguji, dan membandingkan empat model prediksi time series: Vector Autoregression (VAR) sebagai baseline statistik, serta tiga model berbasis machine learning, yaitu Multilayer Perceptron (MLP), Long Short-Term Memory (LSTM), dan LSTM Autoencoder.

Mengenal Empat Model Prediktif yang Diuji

1. Vector Autoregression (VAR)

VAR adalah metode statistik klasik yang umum digunakan dalam prediksi multivariate time series—data berurutan waktu yang terdiri dari banyak variabel yang saling terkait. Meski mudah diimplementasikan, model ini memiliki keterbatasan dalam menangkap pola kompleks, terutama pada data nonlinear.

2. Multilayer Perceptron (MLP)

MLP adalah jenis dasar dari Feedforward Neural Network. Meskipun tidak memiliki memori untuk mengingat urutan data, model ini cukup efisien dan cepat untuk kasus prediksi jangka pendek dengan kompleksitas rendah.

3. Long Short-Term Memory (LSTM)

LSTM merupakan varian dari Recurrent Neural Network (RNN) yang dirancang untuk menangani dependensi jangka panjang dalam data sekuensial. Struktur internalnya terdiri dari tiga gerbang: forget gate, input gate, dan output gate, yang bekerja bersama untuk menyaring informasi mana yang penting untuk disimpan atau dilupakan.

4. LSTM Autoencoder

Model ini menggabungkan kekuatan LSTM dengan arsitektur Autoencoder, yaitu sistem dua bagian yang terdiri dari encoder (untuk mengkompresi data) dan decoder (untuk merekonstruksi data). Model ini dilatih hanya dengan data normal, dan error prediksi saat diuji pada data anomali akan menunjukkan tanda-tanda kerusakan.

Data dan Tantangan Realistis di Lapangan

Data dikumpulkan dari tiga pompa berbeda (A, B, C) yang digunakan secara bergiliran di kilang Neste di Porvoo, Finlandia. Sistem ini memiliki 83 sensor yang mengukur berbagai parameter seperti suhu, tekanan, laju aliran, dan tingkat pelumasan. Namun, hanya ada tiga kasus kerusakan aktual selama periode pengumpulan data, semuanya terkait dengan kebocoran segel mekanis.

Tantangan utama dari data:

• Jumlah kerusakan sangat minim, membuat pelatihan model klasifikasi menjadi tidak relevan.
• Sampling rate antar sensor tidak konsisten, menyebabkan kebutuhan normalisasi dan sinkronisasi.
• Data tidak lengkap karena masalah transfer dan penyimpanan sensor.

Oleh karena itu, pendekatan yang digunakan bukan klasifikasi, melainkan forecasting error-based anomaly detection: model dilatih untuk memprediksi perilaku normal pompa dan kesalahan prediksi (error) dijadikan indikator adanya kerusakan.

Strategi Eksperimen: Dari Pelatihan Hingga Evaluasi

Seluruh model dievaluasi berdasarkan metrik:

• F1-score: keseimbangan antara precision (positif yang terdeteksi dengan benar) dan recall (semua positif yang terdeteksi).
• AUC (Area Under the Curve): representasi kinerja model secara menyeluruh terhadap berbagai ambang deteksi.

Peneliti menguji 20 ambang batas (thresholds) berbeda untuk masing-masing model dan memilih yang menghasilkan F1-score terbaik. Hasilnya menunjukkan bahwa semua model machine learning mengungguli baseline statistik.

Catatan penting: Model LSTM Autoencoder menunjukkan F1-score tertinggi sebesar 0.986, dengan precision 0.973 dan recall 1.000—menunjukkan bahwa tidak ada satu pun fault yang terlewat (false negative = 0).

Hasil dan Interpretasi Praktis

Tabel di bawah ini menyajikan perbandingan lengkap performa tiap model:

Model

F1-Score

Accuracy

Precision

Recall

AUC

VAR

0.821

0.909

0.945

0.725

0.952

MLP

0.953

0.972

0.910

1.000

0.971

LSTM

0.915

0.949

0.882

0.951

0.961

LSTM Autoencoder

0.986

0.992

0.973

1.000

0.994

Analisis praktis:

• Meskipun LSTM Autoencoder paling kompleks, performanya membuatnya pantas dijadikan core engine PdM.
• Tingginya recall sangat penting dalam konteks industri, di mana kesalahan mengabaikan kerusakan dapat berujung pada shutdown produksi.
• Model mampu bekerja secara real-time dan telah di-deploy pada SAP Data Intelligence serta terintegrasi dengan dashboard PowerBI untuk tim teknis.

Model Umum vs Spesifik: Mana yang Lebih Efisien?

Salah satu pertanyaan penting adalah apakah satu model bisa digunakan untuk semua pompa, atau perlu dibuat model terpisah.

Model

F1 (Spesifik)

F1 (General)

VAR

0.842

0.821

MLP

0.960

0.953

LSTM

0.921

0.915

LSTM Autoencoder

0.991

0.986

Hasil menunjukkan bahwa model umum (general model) tetap mampu mempertahankan performa tinggi, sehingga lebih hemat waktu dan sumber daya karena hanya satu model perlu dipelihara.

Opini dan Kritik Konstruktif terhadap Penelitian

Kekuatan:

• Penerapan nyata pada lingkungan industri.
• Model sangat andal meski data fault sangat minim.
• Arsitektur deep learning digunakan secara tepat sasaran, bukan sekadar mengikuti tren.

Kelemahan:

• Studi hanya mencakup tiga kasus kerusakan, sehingga validitas jangka panjang masih harus dibuktikan.
• Perlu pengujian di beragam jenis mesin dan lingkungan kerja, bukan hanya pompa dari satu lini produksi.

Saran untuk Pengembangan Selanjutnya

Penelitian ini membuka banyak peluang eksplorasi lebih lanjut:

• Klasifikasi jenis kerusakan, bukan hanya deteksi umum (seal leak vs bearing issue).
• Augmentasi data kerusakan dengan simulasi atau GANs (Generative Adversarial Networks) untuk memperluas dataset.
• Penggunaan dynamic windowing, di mana panjang histori data yang digunakan menyesuaikan konteks operasional.
• Penerapan ke peralatan industri lain, seperti kompresor, heat exchanger, atau turbin.

Penutup: Aplikasi Dunia Nyata dari Machine Learning

Studi ini menekankan bahwa predictive maintenance bukan sekadar teori futuristik. Dengan pendekatan yang tepat, bahkan data terbatas pun bisa menghasilkan model yang akurat, andal, dan siap dioperasikan.

LSTM Autoencoder terbukti bukan hanya unggul secara teori, tetapi juga secara praktis, menjadikannya kandidat kuat untuk implementasi PdM di berbagai sektor industri berat. Model ini tak hanya mendeteksi kerusakan lebih awal, tetapi juga membuka jalan menuju pemeliharaan berbasis AI yang efisien, hemat biaya, dan scalable.

📌 Referensi asli:

Dallapiccola, D. (2020). Predictive Maintenance of Centrifugal Pumps: A Neural Network Approach. Universidad Politécnica de Madrid & Aalto University.
DOI resmi atau akses dapat ditemukan di: https://aaltodoc.aalto.fi/handle/123456789/xxxxxx