Predictive Maintenance & Digital Twin
Dipublikasikan oleh Anjas Mifta Huda pada 09 September 2025
Dalam dunia manufaktur modern, mesin adalah tulang punggung operasional. Tanpa mesin yang bekerja optimal, rantai produksi bisa terganggu, target produksi meleset, dan perusahaan menanggung kerugian besar. Salah satu masalah terbesar adalah downtime tidak terencana atau waktu berhentinya mesin karena kerusakan mendadak. Dalam paper ini disebutkan bahwa biaya downtime bisa mencapai 50.000 dolar per jam. Angka ini bukan main, dan bisa bikin perusahaan besar sekalipun kelabakan kalau masalahnya sering terjadi.
Di sinilah Predictive Maintenance (PdM) atau pemeliharaan prediktif muncul sebagai solusi. Predictive maintenance adalah pendekatan pemeliharaan yang memanfaatkan data sensor, algoritma statistik, dan terutama machine learning (ML) untuk memprediksi kapan mesin akan mengalami kerusakan. Jadi, daripada nunggu mesin rusak lalu diperbaiki (reactive maintenance), atau rutin memperbaiki meski mesin masih sehat (preventive maintenance), predictive maintenance berusaha tepat waktu—memperbaiki hanya saat mesin benar-benar mendekati batas aman.
Paper ini berjudul “Machine Learning based Predictive Maintenance in Manufacturing Industry” karya Nadeem Iftikhar, Yi-Chen Lin, dan Finn Ebertsen Nordbjerg, yang dipublikasikan di konferensi IN4PL 2022. Penelitian ini tidak hanya menjelaskan teori, tapi juga langsung menguji berbagai algoritma machine learning pada dataset nyata, seperti data baterai lithium-ion dari NASA dan data bearing dari Case Western Reserve University. Dengan begitu, hasilnya bisa lebih dipercaya untuk aplikasi di dunia industri.
Metodologi CRISP-DM: Dari Tujuan Bisnis ke Implementasi
Salah satu kekuatan utama paper ini adalah penggunaan metodologi CRISP-DM (Cross Industry Standard Process for Data Mining). CRISP-DM adalah kerangka kerja yang sering dipakai dalam proyek data science, termasuk machine learning. Tahapan utamanya ada enam:
Bagi dunia industri, CRISP-DM sangat membantu karena menyatukan kepentingan teknis dan bisnis. Proyek tidak berhenti di tingkat “coba-coba algoritma,” tapi sampai ke tahap benar-benar dipakai untuk menekan biaya produksi.
Machine Learning dalam Predictive Maintenance
Predictive maintenance dengan ML bisa dibagi jadi tiga pendekatan:
1. Supervised Learning (Pembelajaran Terawasi)
Supervised learning butuh data berlabel—artinya, data punya catatan apakah mesin normal atau rusak. Ada dua jenis utama:
2. Unsupervised Learning (Pembelajaran Tak Terawasi)
Kadang perusahaan tidak punya data berlabel. Dalam kasus ini, unsupervised learning bisa dipakai untuk mendeteksi anomali atau perilaku mesin yang tidak biasa. Ada tiga tipe anomali yang dijelaskan:
Pendekatan ini gabungan. Biasanya dipakai untuk novelty detection: model dilatih dengan data normal, lalu diuji pada data normal dan abnormal. Ini sering jadi solusi kalau data rusak terbatas.
Eksperimen dan Hasil
Estimasi RUL pada Baterai Lithium-Ion
Dataset yang dipakai adalah NASA Li-ion Battery. Ada 164 siklus, lebih dari 11.000 data poin, dengan 10 fitur. Fokus penelitian ada pada proses discharge (pengosongan daya), karena lebih konsisten untuk analisis kapasitas.
Hasil penting:
👉 Relevansi industri: produsen kendaraan listrik bisa tahu kapan baterai perlu diganti sebelum kapasitas anjlok, sehingga menghindari keluhan konsumen dan menjaga keandalan produk.
Prediksi Time-To-Failure (TTF) pada Bearing
Dataset berasal dari Case Western Reserve University (CWRU). Total ada 250.000 data poin dengan label normal dan rusak (50% masing-masing). Bearing dipilih karena menurut literatur, 30–40% kerusakan mesin disebabkan oleh bearing.
Hasil model:
👉 Relevansi industri: pabrik bisa menghindari kerusakan mendadak pada bearing yang biayanya bisa mencapai puluhan ribu dolar per jam.
Anomaly Detection pada Data Bearing
Untuk eksperimen ini, label kerusakan dihapus agar data murni untuk unsupervised learning. Model yang diuji:
👉 Relevansi industri: cocok untuk pabrik yang baru mulai menerapkan PdM tapi belum punya data historis lengkap.
Analisis Kritis
Kekuatan Paper
Keterbatasan Paper
Dampak Nyata untuk Industri
Hasil penelitian ini bisa langsung dipakai di berbagai sektor:
Dengan implementasi PdM berbasis ML, perusahaan bisa:
Kesimpulan
Paper ini berhasil menunjukkan bahwa machine learning adalah kunci masa depan predictive maintenance di industri manufaktur. Dengan supervised learning, perusahaan bisa prediksi umur pakai mesin (RUL) dan waktu kegagalan (TTF). Dengan unsupervised learning, perusahaan tetap bisa deteksi anomali walaupun data kerusakan minim.
Kunci utamanya adalah menggabungkan tujuan bisnis, ketersediaan data, dan pemilihan algoritma yang tepat. Tanpa sinkronisasi tiga faktor ini, proyek PdM bisa gagal meski teknologinya canggih.
Untuk riset berikutnya, penulis menyarankan eksplorasi deep learning dan pengujian pada skala besar dengan sistem real-time.
📌 Sumber Paper:
Iftikhar, N., Lin, Y., & Nordbjerg, F. (2022). Machine Learning based Predictive Maintenance in Manufacturing Industry. In Proceedings of the 3rd International Conference on Innovative Intelligent Industrial Production and Logistics (IN4PL 2022), pp. 85–93. DOI: 10.5220/0011537300003329
Predictive Maintenance & Digital Twin
Dipublikasikan oleh Anjas Mifta Huda pada 14 Agustus 2025
industri manufaktur global sedang berada di tengah gelombang transformasi besar yang dikenal sebagai Industri 4.0. Era ini ditandai dengan integrasi teknologi digital seperti Internet of Things (IoT), Artificial Intelligence (AI), Big Data, Cloud Computing, dan sistem Cyber-Physical Systems (CPS) ke dalam proses produksi. Salah satu teknologi kunci yang muncul dari tren ini adalah Digital Twin (DT), yaitu representasi virtual dari aset fisik yang dapat digunakan untuk memantau, mensimulasikan, dan mengoptimalkan kinerja aset secara real-time.
Digital Twin bukan sekadar model 3D atau simulasi statis. Ia adalah counterpart digital yang terhubung secara langsung dengan dunia nyata melalui sensor dan sistem kontrol, memungkinkan pemantauan kondisi mesin, deteksi anomali, hingga perencanaan pemeliharaan prediktif atau Predictive Maintenance. Dalam konteks industri, ini berarti keputusan operasional dapat diambil dengan data terkini tanpa harus menunggu kegagalan terjadi.
Namun, ada satu tantangan besar yang sering dihadapi perusahaan saat ingin mengadopsi DT untuk pemeliharaan: kurangnya data run-to-failure. Istilah run-to-failure data merujuk pada data historis yang merekam kondisi mesin dari awal hingga mengalami kegagalan total. Data ini penting untuk melatih model prediksi Remaining Useful Life (RUL) — yaitu estimasi umur pakai tersisa dari suatu aset. Masalahnya, tidak semua mesin memiliki data ini. Misalnya:
Inilah celah yang diidentifikasi Ignacio Vega Ortega dalam penelitiannya di Politecnico di Milano. Beliau memutuskan untuk mengembangkan Digital Twin untuk maintenance yang mampu bekerja meski tanpa data run-to-failure.
Tujuan Penelitian
Penelitian ini memiliki dua tujuan utama:
Untuk mewujudkan hal ini, penelitian dilakukan di I.4.0 Lab — laboratorium industri 4.0 milik Politecnico di Milano — dengan fokus pada mesin bor (drilling machine) yang memiliki risiko kegagalan tinggi.
Pendekatan dan Metodologi
Ignacio menggunakan MATLAB/Simulink sebagai platform pengembangan DT. Pemilihan ini didasari pada hasil positif proyek sebelumnya di laboratorium yang juga memakai software ini, sehingga integrasi menjadi lebih mudah.
Desain sistem mengikuti alur OSA-CBM, yang terdiri dari:
Mari kita bahas satu per satu.
1. Data Acquisition
Tahap awal melibatkan pengumpulan dua jenis data:
Kelebihan metode ini adalah penggunaan sensor yang relatif murah dan umum di industri, sehingga model dapat direplikasi tanpa biaya tambahan besar.
2. Data Manipulation
Data mentah tidak langsung bisa digunakan untuk analisis. Di tahap ini, data getaran diubah menjadi nilai Root Mean Square (RMS) per siklus kerja mesin (±11 detik per siklus). RMS merupakan representasi energi getaran yang memudahkan identifikasi tren degradasi.
3. State Detection
Karena tidak ada data “sehat” historis, Ignacio melakukan uji produksi 100 unit untuk menetapkan baseline RMS mesin dalam kondisi baik. Distribusi RMS untuk setiap sumbu diuji normalitasnya, lalu batas upper limit ditentukan dengan rumus:
RMSUp = μ + 3σ
(μ = rata-rata, σ = standar deviasi)
Jika RMS melebihi batas ini, sistem menganggap ada anomali.
4. Health Assessment
Mesin dibagi ke dalam tiga status:
Nilai RMSFault diperoleh dengan membandingkan dengan mesin referensi yang mengalami kegagalan.
5. Prognostic Assessment
Di sinilah inovasi utama penelitian ini: Exponential Degradation Model (EDM).
EDM adalah model statistik yang memprediksi tren degradasi berdasarkan nilai RMS saat ini, tanpa memerlukan data run-to-failure historis. Model ini bekerja dengan memperbarui koefisien setiap siklus, sehingga estimasi RUL selalu up-to-date.
Hasil prediksi dilengkapi dengan confidence interval (CI). CI ini akan semakin sempit seiring bertambahnya data, sehingga prediksi menjadi lebih pasti.
6. Advisory Generation
Modul ini menampilkan informasi yang mudah dipahami operator:
Perhitungan hari menggunakan konversi dari jumlah siklus ke hari berdasarkan utilization rate dan production capacity.
Kontribusi Penelitian
Dari dua gap literatur yang diidentifikasi, penelitian ini menghasilkan:
Relevansi di Dunia Nyata
Pendekatan ini punya banyak aplikasi industri:
Selain itu, sifat sistem yang bekerja real-time membuatnya cocok untuk aset kritis yang memerlukan keputusan cepat.
Kekuatan Model
Keterbatasan dan Kritik Konstruktif
Meski kuat, sistem ini punya beberapa keterbatasan:
Potensi perbaikan di masa depan termasuk integrasi multi-sensor (getaran, suhu, arus listrik), penerapan model hybrid (gabungan fisik + statistik), dan konektivitas langsung ke sistem ERP/MES untuk otomatisasi jadwal maintenance.
Implikasi Bisnis
Kesimpulan
Penelitian Ignacio Vega Ortega berhasil menawarkan solusi praktis untuk masalah nyata di industri: bagaimana memprediksi umur pakai mesin meski tanpa data run-to-failure. Dengan menggabungkan blueprint pengembangan DT dan metode EDM, model ini membuka jalan bagi adopsi predictive maintenance yang lebih cepat, murah, dan efektif.
Bagi perusahaan yang ingin mengoptimalkan pemeliharaan aset, pendekatan ini adalah langkah strategis yang tidak hanya menghemat biaya tetapi juga meningkatkan keandalan operasional.
Sumber Paper:
Ignacio Vega Ortega. Development of a Digital Twin to support machine prognostics with low availability of run-to-failure data. Politecnico di Milano, 2019. DOI: 10.13140/RG.2.2.12345.67890 (contoh DOI, sesuaikan dengan yang asli)