Transformasi Digital di Dunia Industri
Dalam beberapa tahun terakhir, industri manufaktur di Indonesia telah memainkan peran penting dalam mendorong pertumbuhan ekonomi nasional. Berdasarkan data dari Badan Pusat Statistik (BPS), pada tahun 2022, sektor industri menyumbang sekitar 19,25% terhadap Produk Domestik Bruto (PDB). Namun, tekanan global, pandemi COVID-19, dan kompetisi internasional yang semakin ketat telah mendorong perusahaan manufaktur untuk berinovasi demi efisiensi dan keberlanjutan.
Salah satu area transformasi yang krusial adalah pemeliharaan mesin produksi. Jika dahulu sistem pemeliharaan bersifat reaktif (menunggu mesin rusak baru diperbaiki), kini muncul pendekatan baru yang lebih proaktif dan cerdas, yaitu Smart Predictive Maintenance atau pemeliharaan prediktif berbasis kecerdasan buatan. Teknologi ini mengandalkan sensor digital, integrasi Internet of Things (IoT), dan algoritma machine learning untuk mendeteksi potensi kegagalan mesin sebelum terjadi.
Dalam konteks ini, paper yang ditulis oleh Krisman Yusuf Nazara dari Institut Teknologi Bandung menjadi sangat relevan. Penelitian ini tidak hanya mengusulkan rancangan sistem predictive maintenance berbasis data, tapi juga menguji performa berbagai algoritma klasifikasi dalam memprediksi kondisi mesin produksi secara presisi. Tujuannya adalah membangun sistem pemeliharaan cerdas yang benar-benar bisa diimplementasikan secara praktis di dunia industri.
Tujuan Penelitian dan Manfaat Nyatanya bagi Dunia Industri
Tujuan utama dari penelitian ini adalah merancang model klasifikasi kondisi mesin yang mampu memprediksi apakah mesin produksi akan mengalami kegagalan atau tidak. Model tersebut dibangun berdasarkan data parameter mesin, lalu dibandingkan performanya melalui enam algoritma klasifikasi machine learning populer.
Di dunia nyata, kegagalan mesin secara mendadak dapat menyebabkan kerugian finansial besar, terganggunya jadwal produksi, penurunan kualitas produk, bahkan kecelakaan kerja. Oleh karena itu, sistem prediktif semacam ini sangat dibutuhkan, terlebih di era industri 4.0 di mana otomatisasi dan efisiensi adalah kunci keunggulan kompetitif.
Dataset dan Variabel yang Digunakan
Untuk membangun model prediktif ini, penulis menggunakan dataset sintetik yang mencerminkan kondisi industri nyata. Dataset ini bersumber dari Machine Learning Repository dan dirancang oleh Matzka (2020). Dataset tersebut berisi 10.000 data dengan kombinasi berbagai parameter kondisi mesin, seperti:
- UID (Unique Identifier) – Sebuah angka unik untuk membedakan tiap data.
- Product ID – Mengklasifikasikan kualitas produk menjadi tiga kategori: Low (L), Medium (M), dan High (H).
- Air Temperature (Temperatur Udara) – Suhu lingkungan dalam satuan Kelvin.
- Process Temperature (Temperatur Proses) – Suhu internal mesin saat beroperasi.
- Rotational Speed (Kecepatan Putar) – Kecepatan rotasi mesin dalam RPM (Revolutions Per Minute).
- Torque (Torsi) – Kekuatan puntiran mesin, diukur dalam Newton meter (Nm).
- Tool Wear (Keausan Alat) – Waktu penggunaan alat yang bisa memengaruhi kondisi mesin.
- Target (Failure/No Failure) – Label target prediksi, apakah mesin mengalami kegagalan atau tidak.
Kombinasi variabel di atas digunakan untuk melatih model klasifikasi guna memprediksi status mesin.
Metode Analisis: Perbandingan 6 Algoritma Machine Learning
Penelitian ini membandingkan enam algoritma klasifikasi untuk menentukan model mana yang paling akurat, efisien, dan layak digunakan dalam implementasi sistem predictive maintenance. Enam algoritma yang diuji adalah:
1. XGBoost (eXtreme Gradient Boosting)
XGBoost adalah algoritma pembelajaran terawasi berbasis boosting yang kuat dalam menangani data tabular. Ia menggabungkan banyak pohon keputusan untuk membentuk model akhir yang akurat. Dalam penelitian ini, XGBoost terbukti sebagai algoritma terbaik, dengan akurasi mencapai 99,07%, nilai AUC sebesar 0,972, serta error prediksi paling rendah.
2. Random Forest
Random Forest adalah algoritma ensemble berbasis banyak pohon keputusan. Model ini sangat stabil, mampu menangani data besar, dan memiliki ketahanan terhadap overfitting. Dalam penelitian ini, Random Forest mencatat akurasi 98,80% dengan nilai AUC sebesar 0,950, sedikit di bawah XGBoost.
3. Gradient Boosting
Seperti XGBoost, Gradient Boosting juga menggabungkan banyak pohon kecil secara bertahap. Bedanya, pendekatan ini fokus pada perbaikan residual dari model sebelumnya. Dengan akurasi 98,70% dan AUC 0,966, model ini menunjukkan performa sangat baik meskipun tidak secepat XGBoost.
4. Decision Tree Classifier
Algoritma pohon keputusan ini mudah dipahami dan divisualisasikan. Meskipun sederhana, ia cukup akurat (98,43%) namun memiliki kelemahan terhadap noise dan performanya menurun saat dataset terlalu kompleks. AUC-nya berada pada angka 0,867.
5. Logistic Regression
Logistic Regression adalah algoritma klasik yang digunakan untuk klasifikasi biner. Ia menghasilkan hasil cepat dan sederhana, tetapi kurang akurat untuk data non-linear. Dalam penelitian ini, Logistic Regression memiliki akurasi 97,40% dengan AUC 0,889. Namun, waktu eksekusinya paling cepat (0,02 detik).
6. K-Nearest Neighbors (KNN)
KNN adalah algoritma yang menentukan kelas berdasarkan tetangga terdekat. Meski sederhana, performanya paling rendah di antara model lain, dengan akurasi 97,30% dan AUC 0,752. KNN juga kurang efisien untuk dataset besar karena proses pencarian jarak antar data.
Evaluasi Hasil: Akurasi, AUC, dan Error Rate
Hasil evaluasi menunjukkan bahwa XGBoost mendominasi dalam semua metrik evaluasi utama. Berikut adalah rangkuman performa setiap algoritma:
Algoritma
Akurasi (%)
AUC
MSE
RMSE
MAE
XGBoost
99,07
0,972
0,009
0,095
0,015
Random Forest
98,80
0,950
0,011
0,105
0,026
Gradient Boosting
98,70
0,966
0,011
0,106
0,022
Decision Tree
98,43
0,867
0,016
0,126
0,016
Logistic Regression
97,40
0,889
0,021
0,146
0,047
K-Nearest Neighbors
97,30
0,752
0,027
0,164
0,027
Dari tabel di atas, terlihat bahwa XGBoost tidak hanya unggul dalam akurasi, tetapi juga memiliki error paling rendah, baik dalam bentuk Mean Squared Error (MSE), Root Mean Square Error (RMSE), maupun Mean Absolute Error (MAE).
Arsitektur Sistem Smart Predictive Maintenance
Penelitian ini juga menyajikan desain arsitektur sistem SPM yang dapat diimplementasikan di lingkungan industri nyata. Sistem ini terdiri dari beberapa modul utama:
- Data Collection Module: Modul ini mengumpulkan data dari mesin produksi melalui sensor IoT, baik secara manual maupun otomatis.
- Analytics & Monitoring Module: Modul ini bertugas menganalisis kondisi mesin menggunakan algoritma machine learning dan memantau performa mesin secara real-time.
- Intelligent Decision Support: Modul pendukung keputusan memberikan panduan kepada teknisi melalui teknologi Augmented Reality (AR), sehingga mereka bisa menangani intervensi pemeliharaan secara efisien.
- Database Server dan Cloud Storage: Seluruh data disimpan dalam server pusat yang terintegrasi dengan cloud, memungkinkan akses dari berbagai perangkat.
- AR Devices untuk Operator: Operator di lapangan bisa menggunakan perangkat AR untuk memvisualisasikan kondisi mesin secara interaktif dan real-time.
Implikasi Dunia Nyata dan Potensi Manfaat
Implementasi sistem SPM berbasis XGBoost dapat memberikan banyak manfaat praktis di dunia industri:
- Mengurangi downtime mesin hingga 45%
- Menurunkan biaya perawatan sebesar 25–30%
- Meningkatkan produktivitas hingga 20–25%
- Mengeliminasi kerusakan tak terduga sebesar 70–75%
- Return on Investment (ROI) hingga 13 kali lipat
Bagi industri seperti otomotif, kimia, makanan dan minuman, serta tekstil, sistem ini sangat cocok untuk mengelola ratusan mesin produksi secara efisien.
Kritik dan Saran untuk Pengembangan Lanjutan
Meski hasil penelitian ini sangat menjanjikan, ada beberapa catatan penting:
- Keterbatasan Dataset: Dataset yang digunakan adalah sintetik, bukan data nyata dari mesin industri. Pengujian lanjutan dengan data real-world sangat dibutuhkan.
- Kurangnya Parameter Kontekstual: Belum ada fitur seperti usia mesin, jadwal servis terakhir, jenis pelumas, atau intensitas penggunaan yang bisa memperkaya prediksi.
- Belum Diuji dalam Lingkungan Real-Time: Implementasi secara langsung dalam pabrik masih perlu diuji untuk menilai stabilitas sistem dalam kondisi lapangan.
- Infrastruktur Digital: Perusahaan yang belum memiliki sistem IoT atau cloud akan menghadapi tantangan implementasi.
Kesimpulan: XGBoost dan IoT, Kombinasi Masa Depan untuk Industri Modern
Penelitian ini berhasil menunjukkan bahwa Smart Predictive Maintenance berbasis XGBoost dan IoT adalah pendekatan masa depan untuk efisiensi industri manufaktur. Dengan akurasi mendekati sempurna dan sistem yang terintegrasi, pendekatan ini memungkinkan perusahaan menghemat biaya, meningkatkan umur mesin, dan memaksimalkan kinerja produksi.
Namun, untuk mencapai implementasi yang optimal, perlu pengujian di dunia nyata, integrasi dengan sistem ERP atau SCADA, serta kesiapan infrastruktur digital dari tiap perusahaan.
Sumber Paper:
Nazara, K. Y. (2022). Perancangan Smart Predictive Maintenance untuk Mesin Produksi. Seminar Nasional Official Statistics 2022.
DOI: 10.1109/ETFA.2018.8502489