Dari Manual ke Digital – Evolusi Strategi Perawatan Mesin
Perawatan alat dan mesin berat merupakan elemen penting dalam keberlangsungan operasional industri, terutama di sektor konstruksi dan manufaktur. Di tengah meningkatnya kebutuhan akan efisiensi dan produktivitas, pendekatan konvensional seperti reactive maintenance (perbaikan setelah kerusakan) dan preventive maintenance (perawatan terjadwal) mulai ditinggalkan. Inilah saatnya Predictive Maintenance (PdM) mengambil alih — metode prediktif berbasis data yang memungkinkan prediksi waktu kegagalan sebelum kerusakan terjadi.
Paper berjudul “IoT Based Breakdown Analysis of Equipments” oleh Priti Jha dkk., dipublikasikan di International Research Journal of Engineering and Technology (IRJET) pada Juni 2021, menyajikan pendekatan terapan dan berbasis studi kasus tentang penerapan PdM berbasis Internet of Things (IoT) dalam konteks nyata. Fokus utama paper ini adalah penggunaan sistem sensor cerdas yang mampu mendeteksi parameter kondisi mesin dan memprediksi kebutuhan perawatan dengan akurasi tinggi.
📎 Sumber: IRJET Volume 8 Issue 6, 2021
Landasan Teoritis: Tiga Pendekatan Utama dalam Maintenance
Sebelum membahas implementasi PdM secara teknis, penting memahami perbedaan pendekatan yang digunakan dalam manajemen perawatan alat:
Pendekatan ini dilakukan hanya setelah terjadi kerusakan. Kelebihannya, alat digunakan sampai batas maksimal, sehingga nilai investasinya terasa penuh. Namun kekurangannya besar: jika alat kritikal rusak, operasional proyek bisa berhenti total. Biaya perbaikan pun lebih tinggi karena sifatnya mendadak dan sering kali tidak terencana.
2. Preventive Maintenance
Dikenal juga sebagai perawatan terjadwal. Pada dasarnya dilakukan berdasarkan kalender atau waktu operasional tertentu, tanpa mempertimbangkan kondisi riil alat. Meskipun mampu mencegah kerusakan mendadak, pendekatan ini rawan boros karena suku cadang diganti meski belum rusak. Selain itu, penghentian alat yang masih berfungsi normal untuk dilakukan servis juga bisa mengganggu kelancaran operasional.
3. Predictive Maintenance (PdM)
PdM menjadi alternatif strategis yang lebih efisien. Dengan mengandalkan data dari sensor IoT, kondisi mesin dapat dipantau secara real-time. Perawatan hanya dilakukan bila data menunjukkan gejala abnormal. Ini berarti: tidak ada perbaikan yang sia-sia, tidak ada gangguan produksi karena downtime mendadak, dan masa pakai alat pun menjadi lebih panjang.
Desain Sistem: Arsitektur IoT untuk Predictive Maintenance
1. Struktur Berlapis: Dari Sensor ke Server
Sistem dibangun dalam tiga lapisan:
- Lapisan Perangkat: Di setiap alat (misalnya JCB, genset), dipasang sensor RMS yang mengukur parameter penting seperti suhu dan jam kerja. Setiap alat memiliki ID unik dan materi komponen spesifik (misal: baut, ban, mur).
- Lapisan Server: Data dikirim ke SQL Server melalui API yang menggunakan skema AAA (Authentication, Authorization, Accounting). Otentikasi memverifikasi identitas pengguna, otorisasi memastikan akses yang sesuai, dan akuntansi melacak durasi serta penggunaan.
- Lapisan Analitik: Data diolah menggunakan Python untuk analisis prediktif. Sistem dilengkapi rule engine, misalnya: suhu mesin tidak boleh lebih dari 90°C. Analisis ini menghasilkan prediksi biaya dan kuantitas suku cadang berdasarkan parameter operasional.
2. Data Warehousing dan Cleansing
Sumber data berasal dari berbagai format (Excel, log maintenance, tabel inventaris). Lebih dari 10.000 record digabungkan ke dalam Microsoft SQL Server. Proses ini meliputi:
- Penggabungan data: dengan SQL join
- Pembersihan: menghapus data duplikat, nilai kosong, kesalahan format
- Normalisasi: menggunakan 4NF (Fourth Normal Form) agar setiap atribut mencerminkan satu fakta unik
3. Skema Analisis Data
Proses pembersihan diikuti oleh analisis dengan dua model:
- Linear Regression (akurasi ±90%)
- Decision Tree (ID3 Algorithm) → akurasi terbaik >93%
Model dibuat dengan membagi data 70:30 untuk training dan testing. Parameter prediksi meliputi:
- Nomor alat
- Nomor material
- Jumlah jam kerja
- Lokasi alat
- Perbedaan waktu penggunaan
Implementasi Algoritma: Kenapa Memilih Decision Tree ID3?
ID3 (Iterative Dichotomiser 3) adalah algoritma supervised learning yang membuat pohon keputusan berdasarkan nilai minimum dari Mean Squared Error (MSE).
Keunggulan:
- Sederhana, cepat, dan sangat cocok untuk dataset numerik
- Mampu menghasilkan aturan keputusan secara jelas dan visual
Dalam studi ini:
- Prediksi biaya → pohon dengan kedalaman 36, 6349 daun
- Prediksi kuantitas material → pohon dengan kedalaman 44, 3923 daun
Hasil evaluasi menunjukkan bahwa Decision Tree jauh lebih akurat dibandingkan regresi linear, terutama dalam menangkap non-linearitas antar variabel.
Evaluasi Model: Dari Angka ke Keputusan
Evaluasi dilakukan menggunakan Mean Squared Error (MSE)
- MSE mengukur jarak rata-rata kuadrat antara prediksi dan nilai aktual
- Model memilih split terbaik berdasarkan rata-rata tertimbang dari dua grup hasil split
Model akan berhenti membentuk cabang baru saat mencapai kondisi optimum, yaitu tidak ada lagi keuntungan dari pemisahan data.
Visualisasi
Gambar visualisasi menunjukkan pola linear antara jam kerja dan biaya prediksi, memperkuat bahwa data historis punya kekuatan besar dalam meramalkan kebutuhan perawatan mendatang.
Interpretasi Dampak Praktis: Manfaat Langsung di Dunia Nyata
Implementasi sistem ini mampu menjawab tantangan nyata di lapangan seperti:
🏗 Di Industri Konstruksi
- Proyek tidak tertunda akibat kerusakan alat berat mendadak
- Biaya suku cadang dan perbaikan bisa ditekan karena akurat dalam timing penggantian
🏭 Di Industri Manufaktur
- Menghindari kerugian produksi karena mesin rusak di tengah proses
- Produksi lebih stabil, kualitas produk meningkat
📊 Dampak Finansial
- Mengurangi downtime hingga 50%
- Efisiensi biaya perawatan meningkat sampai 30%
- Penghematan energi dan konsumsi bahan baku karena operasi mesin lebih stabil
Catatan Kritis: Apa yang Masih Kurang dan Bisa Dikembangkan
✅ Kelebihan Paper
- Pendekatan teknis lengkap dan mendalam
- Dataset besar dan realistis (10.000+ records)
- Hasil model kuat secara statistik dan presisi tinggi
🚫 Kelemahan
- Tidak mencakup implementasi sistem real-time alert atau dashboard pengguna
- Tidak ada skenario simulasi gangguan jaringan atau sensor mati
- Hanya membandingkan dua algoritma dasar (ID3 vs Linear Regression), tanpa mempertimbangkan model ensemble seperti Random Forest atau XGBoost
🔄 Saran Pengembangan
- Tambahkan modul prescriptive maintenance yang merekomendasikan tindakan perbaikan
- Integrasi dashboard visual untuk monitoring langsung
- Uji performa pada data streaming real-time, bukan hanya batch data
Kesimpulan: Prediksi adalah Masa Depan, dan Masa Depan Itu Sekarang
Studi ini menegaskan bahwa Predictive Maintenance berbasis IoT bukan lagi sekadar konsep, tapi kebutuhan industri modern. Dengan integrasi sistem sensor, data warehouse, machine learning, dan arsitektur IoT yang solid, perusahaan bisa:
- Menjaga alat dalam performa optimal
- Menurunkan biaya operasional
- Meningkatkan kepuasan pelanggan melalui layanan tanpa gangguan
Dengan tingkat akurasi >93%, model ini sangat layak diterapkan secara luas. Kendati masih perlu peningkatan dari sisi user interface dan ketahanan sistem, fondasi yang dibangun sudah sangat menjanjikan.
🔗 Referensi dan Tautan
📄 Paper lengkap: https://www.irjet.net/archives/V8/i6/IRJET-V8I6499.pdf
📘 Judul: IoT Based Breakdown Analysis of Equipments
📅 Terbitan: IRJET Volume 8 Issue 6, Juni 2021
🧑💻 Penulis: Priti Jha, Anisha Nair, Radhika Kul, Nirali Parikh, Sushila Shelke