Penerapan Metode Machine Learning Untuk Prediksi Kerusakan Mesin Produksi Pada Industri Manufaktur

Abstract

Dalam industri manufaktur modern, pemeliharaan mesin memainkan peran krusial dalam menjaga kelancaran proses produksi. Kegagalan mesin secara mendadak dapat menyebabkan downtime yang signifikan, menurunkan efisiensi operasional, dan meningkatkan biaya produksi. Penelitian ini mengkaji penerapan metode machine learning (ML) dalam sistem pemeliharaan prediktif (predictive maintenance) guna mendeteksi kerusakan mesin sebelum terjadi kegagalan. Dengan menggunakan data historis sensor dan log operasional mesin, dilakukan analisis terhadap algoritma seperti Random Forest, Support Vector Machine (SVM), dan Long Short-Term Memory (LSTM) untuk memprediksi kemungkinan kerusakan. Hasil penelitian menunjukkan bahwa model LSTM memiliki akurasi tertinggi dalam memprediksi kerusakan dengan presisi mencapai 93,2%, diikuti oleh Random Forest dan SVM. Integrasi algoritma ML ini terbukti mampu mengurangi downtime hingga 28% dan meningkatkan efisiensi produksi sebesar 17% di lingkungan industri yang diuji. Kajian ini menegaskan bahwa penerapan machine learning dalam strategi pemeliharaan prediktif bukan hanya memungkinkan peringatan dini terhadap kerusakan mesin, tetapi juga merupakan pendekatan yang efisien dan hemat biaya dalam pengelolaan aset industri