Paper berjudul A Review on Machine Learning Techniques for Predictive Maintenance in Industry 4.0 karya Megha Sisode dan Manoj Devare (2023) hadir sebagai salah satu kajian penting dalam memahami bagaimana machine learning (ML) dimanfaatkan untuk predictive maintenance (PdM) di era Industry 4.0. Industry 4.0 sendiri adalah istilah untuk revolusi industri keempat, di mana sistem fisik dan digital saling terintegrasi lewat Internet of Things (IoT), big data, dan otomatisasi pintar. Di dalam konteks ini, PdM menjadi topik sentral karena berhubungan langsung dengan produktivitas, efisiensi biaya, serta keberlanjutan rantai pasok industri modern. Paper ini secara khusus berusaha menelaah metode PdM berbasis ML, sekaligus menawarkan pendekatan baru menggunakan Gated Recurrent Unit (GRU) yang dioptimasi dengan Whale Optimization Algorithm (WOA) dan Seagull Algorithm (SA), yang kemudian disebut sebagai Whale Seagull Optimization Algorithm (WSOA).

Predictive maintenance adalah metode perawatan yang berusaha memprediksi kapan suatu mesin atau peralatan akan mengalami kerusakan berdasarkan data sensor real-time dan historis. Pendekatan ini berbeda dengan reactive maintenance yang hanya memperbaiki mesin setelah rusak, atau preventive maintenance yang merawat mesin secara berkala tanpa melihat kondisi sebenarnya. PdM jauh lebih unggul karena mampu mengurangi downtime yang tidak terduga, menghemat biaya perbaikan darurat, dan memperpanjang umur mesin. Namun, penerapan PdM tidaklah sederhana. Tantangan muncul dari kualitas data yang buruk, data sensor yang tidak berlabel, masalah kelangkaan data kerusakan (data sparsity), serta kompleksitas data IoT yang berukuran besar dan berdimensi tinggi. Paper ini menyoroti masalah tersebut dan menawarkan model berbasis ML untuk menjawabnya.

Dalam pendahuluannya, penulis menekankan bahwa industri modern membutuhkan sistem pemeliharaan yang mampu menyesuaikan diri dengan tingkat otomatisasi tinggi. Contohnya ada pada industri otomotif, di mana sebuah mesin pembuat komponen (automobile part manufacturing machine) bisa menjadi titik krusial. Bila mesin ini berhenti akibat kerusakan mendadak, maka seluruh lini produksi akan terganggu dan kerugian finansial bisa mencapai jutaan dolar hanya dalam hitungan jam. Oleh karena itu, PdM menjadi solusi strategis yang semakin dicari.

Paper ini juga mengulas literatur sebelumnya. Misalnya, penggunaan Dynamic Bayesian Network (DBN) yang mampu memodelkan hubungan sebab-akibat dalam kerusakan mesin, atau pendekatan lambda architecture pada prognostics and health management (PHM) yang memanfaatkan dua lapisan penyimpanan dan pemrosesan data. Ada pula penggunaan Artificial Neural Network (ANN) dan Support Vector Machine (SVM) yang populer untuk memprediksi kondisi mesin. Penelitian di industri woodworking bahkan menggunakan model pohon keputusan untuk menghitung probabilitas kegagalan mesin, sementara penelitian lain mengandalkan Random Forest (RF) untuk mendeteksi perubahan perilaku mesin (concept drift). Peneliti juga menyebut penggunaan Long Short-Term Memory (LSTM) dan Recurrent Neural Network (RNN) untuk menghitung Remaining Useful Life (RUL), atau sisa umur pakai komponen. Meski banyak metode sudah dicoba, masing-masing punya kelemahan. LSTM misalnya sering menghadapi masalah long-dependency yang membuatnya butuh waktu pelatihan lebih lama dan daya komputasi lebih tinggi.

Motivasi utama penelitian ini adalah kebutuhan untuk menciptakan sistem PdM yang lebih efisien, akurat, dan mudah diimplementasikan di industri nyata. Reactive maintenance terbukti mahal dan berisiko, sementara preventive maintenance sering tidak optimal karena bisa saja perawatan dilakukan meski mesin masih berfungsi baik. Dengan PdM berbasis ML, penulis ingin menunjukkan bagaimana data sensor bisa dianalisis untuk mengidentifikasi pola kerusakan sebelum benar-benar terjadi, sehingga perawatan bisa dilakukan tepat waktu.

Metodologi yang diusulkan dalam paper ini menarik untuk dibahas secara mendetail. Proses pertama adalah data pre-processing, di mana data dari sensor mesin butt weld dibersihkan dari outlier, data kosong diisi ulang, dan data redundan dihapus. Tahap kedua adalah feature extraction menggunakan metode Supervised Aggregative Feature Extraction (SAFE). Metode ini lebih unggul dibanding teknik statistik biasa karena mampu menangkap keterkaitan antara variabel input berbasis waktu dengan output berupa kondisi mesin. Tahap ketiga adalah pembangunan prediction network berbasis GRU. GRU adalah varian dari RNN yang lebih ringan dibanding LSTM namun tetap mampu mengelola data sekuensial. GRU memiliki dua mekanisme gerbang (update gate dan reset gate) yang memungkinkan model untuk mempelajari ketergantungan jangka panjang dengan efisiensi komputasi lebih baik.

Tahap keempat yang menjadi kontribusi utama adalah optimisasi bobot jaringan menggunakan Whale Seagull Optimization Algorithm (WSOA). Whale Optimization Algorithm terinspirasi dari perilaku paus dalam berburu mangsa dengan bubble-net feeding, sedangkan Seagull Algorithm meniru pola spiral attack burung camar ketika menyerang mangsanya. Kedua mekanisme ini digabung untuk menghasilkan algoritma optimisasi yang lebih kuat dalam menjelajahi ruang pencarian global, sekaligus lebih cepat mencapai konvergensi. Dengan cara ini, GRU yang digunakan mampu bekerja lebih stabil, lebih cepat, dan lebih akurat. Tahap terakhir adalah decision output, yaitu hasil prediksi yang dipakai untuk menentukan jadwal maintenance mesin.

Hasil yang ditampilkan dalam paper menunjukkan bahwa model GRU + WSOA lebih akurat dibanding model LSTM tradisional maupun RNN standar. Penulis menyatakan bahwa model ini mampu mengatasi masalah long dependency dan memperbaiki kelemahan training time yang lama. Selain itu, framework ini lebih cocok digunakan dalam skala industri karena lebih efisien secara komputasi, sehingga tidak membebani sumber daya perusahaan. Meski demikian, paper ini tidak banyak menyajikan angka detail seperti root mean square error (RMSE) atau perbandingan akurasi dalam persentase, yang sebetulnya penting untuk memperkuat klaim.

Kalau dibawa ke dunia nyata, model ini punya relevansi besar. Dalam industri otomotif, kerusakan mendadak satu mesin bisa menghentikan seluruh lini produksi. Dengan PdM, perusahaan bisa mengatur maintenance tepat sebelum mesin benar-benar rusak. Hal ini tidak hanya mengurangi downtime, tapi juga menekan biaya spare part dan tenaga kerja yang biasanya membengkak ketika terjadi kerusakan besar. PdM juga meningkatkan keselamatan kerja karena potensi kecelakaan akibat mesin rusak mendadak bisa dihindari. Dampak lainnya adalah optimalisasi sumber daya manusia, karena teknisi tidak lagi harus melakukan inspeksi rutin tanpa arah, melainkan fokus pada mesin yang benar-benar berisiko rusak.

Namun, implementasi nyata tidak sesederhana yang dijelaskan di paper. Ada beberapa tantangan yang tidak banyak dibahas penulis. Pertama, investasi awal untuk IoT, sensor, dan infrastruktur data tidaklah murah, sehingga perusahaan kecil mungkin akan keberatan. Kedua, perusahaan membutuhkan tim data scientist yang mampu membangun, melatih, dan memelihara model ML. Ketiga, ada faktor manusia, di mana operator atau teknisi senior mungkin resistensi terhadap teknologi baru karena terbiasa dengan cara lama. Paper ini juga kurang membahas aspek Return on Investment (ROI), padahal itu sangat penting agar manajemen perusahaan yakin berinvestasi di PdM.

Secara akademis, paper ini memberikan kontribusi yang solid dengan memperkenalkan kombinasi GRU dan WSOA. Penulis berhasil menunjukkan bahwa pendekatan hybrid ini bisa mengatasi keterbatasan model-model sebelumnya. Tetapi, seperti yang sudah disinggung, kurangnya detail angka hasil eksperimen membuat klaim masih butuh pembuktian lebih lanjut. Kritik lain adalah cakupan penelitian masih terbatas pada satu jenis mesin (butt weld machine di industri otomotif). Untuk bisa diterapkan secara luas, model ini sebaiknya diuji juga pada industri lain seperti aerospace, konstruksi, atau energi, di mana mesin besar dan kritis juga sangat membutuhkan PdM.

Kesimpulannya, paper ini menegaskan pentingnya predictive maintenance dalam Industry 4.0. Konsepnya jelas: dengan memanfaatkan data sensor dan algoritma machine learning, perusahaan bisa mengurangi downtime, menghemat biaya, dan meningkatkan keberlanjutan produksi. Pendekatan GRU + Whale Seagull Optimization yang diusulkan menawarkan solusi yang lebih efisien dan akurat dibanding metode lama. Meski demikian, tantangan implementasi nyata seperti biaya awal, kesiapan SDM, dan resistensi budaya kerja masih perlu dipecahkan. Bagi dunia industri, penelitian ini bisa menjadi landasan awal yang kuat, tapi perlu ada studi lanjutan dengan data nyata berskala besar serta analisis biaya-manfaat yang konkret.

Paper ini dipublikasikan dalam prosiding ICAMIDA 2022, ACSR 105, pp. 774–783 oleh Springer dan bisa diakses melalui tautan resmi DOI berikut: https://doi.org/10.2991/978-94-6463-136-4_67.

Pendahuluan

Produktivitas adalah jantung dari efisiensi ekonomi dan industri konstruksi telah lama dituduh gagal menjaganya. Dalam artikel mereka yang diterbitkan pada Maret 2023 di Journal of Construction Engineering and Management, Asitha Rathnayake dan Campbell Middleton dari University of Cambridge menyajikan tinjauan sistematis literatur produktivitas konstruksi selama lebih dari tiga dekade. Artikel ini merupakan salah satu kajian paling komprehensif, menelaah 108 studi dari 10 jurnal terbaik. Resensi ini mengurai temuan utama dengan melakukan parafrase kritis, analisis tambahan, serta mengaitkannya dengan realita industri dan teknologi saat ini.

Mengapa Produktivitas Konstruksi Itu Penting?

Dengan kontribusi sebesar 13% terhadap PDB global dan menyerap sekitar 7% tenaga kerja dunia (Barbosa et al., 2017), sektor konstruksi adalah industri vital. Namun, data menunjukkan pertumbuhan produktivitasnya jauh tertinggal: hanya 1% per tahun dibandingkan  3,6% pada sektor manufaktur (Barbosa et al., 2017). Kesenjangan ini tidak sekadar persoalan angka, tetapi membawa konsekuensi nyata bagi keterjangkauan infrastruktur, ketahanan rantai pasok, dan efisiensi proyek.

Fokus Kajian dan Metodologi

Studi ini mengkaji produktivitas konstruksi dalam dua kerangka:

• Makro (ekonomi nasional): menggunakan data dari lembaga statistik (BLS, OECD, KLEMS)

• Mikro (tingkat proyek atau aktivitas): menggunakan data aktual dari lapangan atau estimasi biaya tenaga kerja
   

Pencarian data dilakukan via Scopus dengan 211 makalah awal, disaring menjadi 108 artikel relevan. Peneliti memetakan:

• Tingkatan analisis (industri, proyek, aktivitas)

• Indikator produktivitas (tenaga kerja, multifaktor)

• Sumber data (data primer, database industri, estimasi manual)
   

Temuan Utama dan Analisis Tambahan

1. Tren Produktivitas Konstruksi Global

Salah satu mitos terbesar adalah produktivitas konstruksi menurun secara global. Studi menunjukkan:

• Di AS, data BLS menunjukkan penurunan 0,3% per tahun dalam 35 tahun.

• Namun, data manual estimasi seperti RSMeans menunjukkan peningkatan 1,2% per tahun (Goodrum et al., 2002).

• Perbedaan metode deflasi (pengaruh inflasi) dan pencatatan jam kerja subcontractor menjadi penyebab utama ketidakkonsistenan.
   

Analisis Tambahan:
Tren ini menggambarkan kesenjangan antara persepsi makroekonomi dan realitas proyek. Dalam industri yang makin padat modal (capital-intensive), labor productivity menjadi indikator yang semakin lemah.

2. Indikator Produktivitas: Mana yang Akurat?

• Labor productivity (output per jam kerja) adalah yang paling umum, tetapi sering menyesatkan karena tidak memperhitungkan kontribusi modal dan teknologi.

• Multifactor productivity (MFP) mencakup tenaga kerja, peralatan, material, dan energi. Ini memberikan gambaran lebih holistik.
   

Kritik:
Karena keterbatasan data, MFP jarang digunakan di level mikro. Namun, penulis menyarankan penggunaan kombinasi indikator agar hasil lebih akurat.

3. Faktor yang Mempengaruhi Produktivitas

Dari 75 studi, faktor-faktor utama meliputi:

• Tenaga kerja (keterampilan, motivasi, absensi)

• Peralatan dan teknologi (ketersediaan, otomatisasi)

• Jadwal proyek dan koordinasi

• Manajer lapangan (supervisor) dan metode kerja
   

Tambahan Wawasan:
Data menunjukkan bahwa proyek dengan tenaga kerja lebih stabil dan supervisor berpengalaman cenderung memiliki produktivitas lebih tinggi. Ini sejalan dengan riset dari Jarkas & Bitar (2014) yang menekankan pentingnya hubungan interpersonal di lapangan.

4. Teknologi untuk Meningkatkan Produktivitas

Studi ini mengulas beberapa teknologi yang menjanjikan:

• Offsite construction: Meningkatkan produktivitas hingga 5,5% per tahun di sektor industri (Eastman & Sacks, 2008)

• Building Information Modeling (BIM): Meningkatkan produktivitas hingga 241% dalam satu kasus proyek instalasi pipa (Poirier et al., 2015)

• RFID & GPS: Melacak material, mengurangi waktu pencarian hingga 87%

• Automated Monitoring: Menggunakan AI dan sensor untuk melacak produktivitas secara real-time
   

Refleksi Industri:
Penerapan teknologi ini belum merata, terutama di negara berkembang. Namun, tren global menunjukkan arah yang positif.

Kritik Konstruktif dan Implikasi Riset

A. Kelebihan Kajian

• Komprehensif: menggabungkan data lintas negara dan metodologi.

• Menawarkan klasifikasi baru yang membedakan tingkat spesifikasi dan analisis.

• Mengkritisi penggunaan indikator tunggal (labor productivity).
   

B. Keterbatasan

• Masih dominan pada studi di AS (50 dari 108 studi)

• Kurangnya database mikro di negara-negara berkembang

• Hanya sedikit studi yang mengevaluasi dampak nyata dari teknologi
   

Studi Kasus Tambahan

Sebuah proyek pembangunan sekolah di Inggris (Jansen van Vuuren & Middleton, 2020) menunjukkan bahwa proyek dengan proporsi pre-manufactured value (PMV) tinggi memiliki produktivitas hingga 30% lebih besar (m2 per jam kerja). Ini menegaskan bahwa prefabrikasi adalah solusi nyata untuk menekan waktu dan biaya konstruksi.

Rekomendasi Praktis

• Pemerintah: Dorong pengembangan database produktivitas mikro untuk kebijakan berbasis bukti.

• Kontraktor: Kombinasikan BIM, prefabrikasi, dan pelatihan tenaga kerja untuk optimalisasi produktivitas.

• Akademisi: Lanjutkan riset longitudinal terhadap produktivitas lintas sektor dan negara.
   

Kesimpulan

Rathnayake dan Middleton berhasil menyajikan peta besar produktivitas konstruksi global, lengkap dengan tantangan dan peluangnya. Artikel ini menekankan bahwa peningkatan produktivitas tidak bisa diukur dengan satu indikator semata, melainikan dibutuhkan pendekatan multidimensimenggabungkan teknologi, data mikro, dan pemahaman kontekstual proyek.

Sebagai catatan penutup, industri konstruksi akan sulit berevolusi jika terus mengandalkan indikator lama. Untuk mencapai revolusi produktivitas, seperti yang dibayangkan McKinsey, dibutuhkan sinergi antara data, desain, dan digitalisasi.

 

Sumber:
Rathnayake, A., & Middleton, C. (2023). Systematic Review of the Literature on Construction Productivity. Journal of Construction Engineering and Management. DOI: 10.1061/JCEMD4.COENG-13045

Mengapa Proyek EPC Rentan Terlambat di Indonesia?

 

Proyek EPC (Engineering, Procurement, and Construction) menjadi andalan dalam pembangunan infrastruktur skala besar di Indonesia, terutama dalam sektor industri pupuk BUMN. Model ini menjanjikan efisiensi melalui paket kerja terintegrasi. Namun, janji manis ini seringkali tidak terealisasi. Studi Sarwani dkk. menunjukkan bahwa 90% proyek EPC pada periode 2010–2020 mengalami keterlambatan signifikan, meskipun praktik terbaik dari proyek sebelumnya telah diterapkan.

 

Fakta ini menimbulkan pertanyaan penting: jika pendekatan EPC yang terintegrasi justru memicu keterlambatan, di mana letak masalahnya?

 

Metode dan Sampel: Representasi Nyata Dunia Proyek

 

Penelitian ini menggunakan pendekatan kuantitatif berbasis survei terhadap 67 responden kunci yang berasal dari pemilik proyek (BUMN dan anak perusahaannya), kontraktor EPC, serta konsultan desain. Lebih dari 76% responden memiliki pengalaman lebih dari 10 tahun, dan hampir separuh adalah manajer proyek.

 

Dengan menggunakan Relative Importance Index (RII) dan Spearman Rank Correlation, peneliti mengidentifikasi 21 faktor penyebab keterlambatan yang dikelompokkan ke dalam tujuh kategori: proyek, pemilik, kontraktor, desain, material, tenaga kerja, dan eksternal.

 

Sepuluh Penyebab Keterlambatan Paling Kritis

 

1. Keterlambatan Pengadaan Material dan Peralatan

Menempati peringkat pertama (RII 0.910), keterlambatan ini mengganggu jalur kritis proyek. Masalah seperti pergantian daftar produsen, masalah bea cukai, dan keterlambatan fabrikasi vendor menjadi akar penyebab.

 

2. Kesulitan Pembiayaan oleh Kontraktor

RII 0.896 mencerminkan bahwa banyak kontraktor yang bergantung sepenuhnya pada pembayaran progres. Jika progres lambat, dana macet, proyek pun tersendat.

 

3. Perencanaan dan Penjadwalan yang Tidak Efektif

Masalah ini menjadi penyebab klasik (RII 0.884). Jadwal kerja yang tidak realistis, ditambah kurangnya kompetensi perencana proyek, menyebabkan deviasi besar antara rencana dan realisasi.

 

4. Pemenang Tender adalah Penawar Terendah yang Tidak Layak

Ironi besar muncul ketika proyek diberikan kepada penawar 80% di bawah estimasi pemilik. RII 0.857 menunjukkan bahwa praktik “harga terendah” justru menjadi jebakan biaya dan kualitas.

 

5. Pekerjaan Ulang karena Kesalahan Konstruksi

RII 0.848. Rework terjadi karena kurangnya pelatihan dan pengawasan mutu. Biaya rework di proyek studi kasus mencapai 3,15% dari total nilai kontrak.

 

6. Komunikasi dan Koordinasi yang Buruk

Dalam proyek sebesar EPC, minimnya sistem komunikasi formal (bahkan hanya mengandalkan ingatan dan chat pribadi) menjadi penyebab salah paham antar pihak (RII 0.836).

 

7. Keterlambatan Desain Subkontraktor

Indonesia memiliki tingkat subkontrak yang tinggi dalam proyek EPC. Ketika subkontraktor tidak kompeten atau lambat menyelesaikan desain, seluruh proses mundur (RII 0.833).

 

8. Perselisihan dalam Pemahaman Kontrak EPC

Kontrak lumpsum sering kali disusun dalam waktu terbatas, dengan spesifikasi yang masih umum. Hal ini memicu sengketa saat proyek berjalan (RII 0.830).

 

9. Penentuan Durasi Kontrak yang Tidak Realistis oleh Pemilik

Manajemen proyek kadang ditekan untuk mengejar target politik atau kepentingan bisnis jangka pendek, memaksakan durasi tak masuk akal (RII 0.827).

 

10. Keterlambatan Keputusan Pemilik Terkait Perubahan Desain

Ketika pemilik lambat menyetujui perubahan atau resolusi konflik, proyek mandek (RII 0.815). Kerap kali pemilik harus konsultasi dengan pihak ketiga untuk menghindari konflik kepentingan, yang malah memperpanjang proses.

 

Analisis Tambahan: Apa yang Membuat Faktor Ini Berbahaya?

 

Faktor-faktor di atas, meskipun tampak teknis, memiliki implikasi luas. Misalnya, ketergantungan pada pembiayaan dari progres menyebabkan kontraktor kesulitan menalangi pekerjaan awal. Di sisi lain, sistem tender berbasis harga terendah mendorong kontraktor menekan biaya secara tidak sehat, yang berujung pada pekerjaan asal-asalan dan sengketa panjang.

 

Konsistensi Pandangan antar Pihak

 

Spearman Rank Correlation menunjukkan tingkat kesepakatan yang tinggi antar pemilik, kontraktor, dan konsultan:

 

Korelasi pemilik–kontraktor: 99,3%

 

Korelasi pemilik–konsultan: 98,3%

 

Korelasi kontraktor–konsultan: 97,4%

 

Hal ini menunjukkan bahwa penyebab keterlambatan bersifat struktural dan tidak sekadar pandangan sepihak.

 

Perbandingan Internasional: Pola Global yang Mirip

 

Penelitian ini juga membandingkan temuan dengan negara berkembang lain seperti Vietnam, India, Bangladesh, dan Iran. Hasilnya, penyebab seperti perencanaan buruk, keterlambatan pembayaran, dan konflik desain juga menjadi masalah umum di negara-negara tersebut.

 

Rekomendasi Mitigasi Keterlambatan Proyek EPC di Indonesia

 

Untuk Kontraktor:

• Bangun sistem perencanaan terstandar dan berbasis data.
• Miliki cadangan dana awal proyek, jangan hanya andalkan pembayaran progres.
• Latih tenaga kerja dan tim perencana agar kompeten.
• Gunakan tools seperti BIM untuk efisiensi desain dan integrasi kerja.

 

 

Untuk Pemilik:

• Jangan hanya fokus pada harga saat lelang, pertimbangkan kompetensi.
• Realistis dalam menetapkan durasi kontrak dan fleksibel terhadap revisi.
• Sediakan mekanisme pengambilan keputusan cepat saat ada usulan perubahan.

 

Untuk Konsultan:

• Tingkatkan standar dokumentasi teknis dan validasi desain.
• Pastikan subkontraktor desain memiliki kapasitas dan pengalaman cukup.

 

Solusi Sistemik:

• Gunakan metode tender dua tahap seperti Design Build Competition (DBC) agar kontraktor tidak hanya dinilai dari harga, tetapi juga kualitas inovasi.
• Terapkan regulasi yang memaksa evaluasi kualitatif dalam seleksi kontraktor.
• Wajibkan penggunaan BIM dalam semua proyek EPC berskala besar.

 

Opini dan Kritik: Apa yang Bisa Ditingkatkan dari Studi Ini?

 

Studi ini sudah sangat mendalam dalam identifikasi penyebab. Namun, beberapa catatan penting:

• Survei hanya melibatkan 67 responden, sehingga validitasnya bisa diperluas dengan populasi lebih besar.
• Fokus hanya pada industri pupuk milik BUMN, padahal proyek EPC juga marak di sektor energi dan transportasi.

 

Meski begitu, data empiris dan metode kuantitatif yang digunakan cukup kuat sebagai dasar pembuatan kebijakan mitigasi risiko proyek di masa depan.

 

Kesimpulan: Saatnya EPC Indonesia Meninggalkan Paradigma "Murah Tapi Mahal"

 

Studi ini memperlihatkan bahwa sebagian besar keterlambatan proyek EPC di Indonesia disebabkan oleh faktor internal yang bisa dikendalikan, bukan oleh kejadian eksternal seperti cuaca atau politik. Keberhasilan EPC memerlukan sinergi yang kuat antara perencanaan matang, komunikasi lintas aktor, pembiayaan yang sehat, dan sistem tender yang adil.

 

Apabila Indonesia serius ingin meningkatkan kinerja infrastruktur nasional, maka dibutuhkan pergeseran paradigma dari sekadar efisiensi biaya menjadi efisiensi keseluruhan proyek, dari hulu ke hilir. Dalam hal ini, studi Sarwani dkk. memberi kita peta jalan awal untuk menuju ke sana.

 

 

Sumber:

Sarwani, I. Baihaqi, & C. Utomo. (2024). Causes of Delay in EPC Projects: The Case of Indonesia. International Journal on Advanced Science, Engineering and Information Technology, 14(2). DOI:10.18517/ijaseit.14.2.19744

Dalam dunia industri modern, mesin adalah tulang punggung operasi. Sayangnya, mesin juga rentan gagal, dan kegagalan ini bisa bikin rugi besar, entah dalam bentuk downtime produksi, kerusakan finansial, atau bahkan dampak lingkungan yang tidak berkelanjutan. Paper ini fokus pada solusi praktis: bagaimana cara memprediksi kegagalan sebelum benar-benar terjadi. Alih-alih hanya mengandalkan satu metode, penulis mengusulkan pendekatan hibrida yang menggabungkan metode data-driven (berbasis data dengan algoritma machine learning) dan knowledge-driven (berbasis aturan dan pengetahuan pakar industri).

Tujuan utama dari penelitian ini bukan hanya meningkatkan akurasi prediksi, tapi juga membuat sistem yang lebih bisa dipercaya, lebih bisa dijelaskan (explainable), dan lebih berkelanjutan. Intinya, sistem prediksi ini nggak cuma pintar, tapi juga transparan dan ramah industri.

Latar Belakang: Dari Industry 4.0 ke Predictive Maintenance

Era Industry 4.0 membawa gelombang besar berupa data masif dari sensor, Internet of Things (IoT), dan sistem otomatisasi pintar. Tantangannya, data ini melimpah tapi seringkali nggak dimanfaatkan dengan baik.

Di sinilah predictive maintenance (pemeliharaan prediktif) masuk. Konsepnya sederhana: daripada nunggu mesin rusak baru diperbaiki (reactive maintenance) atau sekadar melakukan inspeksi rutin tanpa tahu kondisi riil mesin (preventive maintenance), predictive maintenance mencoba menebak kapan mesin bakal rusak sehingga tindakan perbaikan bisa dilakukan tepat waktu.

Ada tiga pendekatan besar di predictive maintenance:

• Data-driven methods: pakai algoritma machine learning seperti Random Forest, Support Vector Machine, Neural Networks, sampai XGBoost untuk menganalisis pola dari data sensor.
• Knowledge-driven methods: pakai pengetahuan pakar dan aturan berbasis logika (rule-based systems, ontologies, expert systems).
• Hybrid methods: gabungan keduanya untuk dapatkan hasil yang lebih solid.

Penulis menyoroti bahwa pendekatan murni data-driven bisa gagal memahami konteks industri, sementara pendekatan knowledge-driven aja kurang adaptif dengan data kompleks. Jadi, solusi hibrida jadi opsi paling masuk akal.

Tujuan Penelitian: Lebih dari Sekadar Akurasi

Objektif utama paper ini adalah membangun sistem prediksi kegagalan yang lebih akurat, lebih bisa dijelaskan, dan berkelanjutan. Fokusnya pada:

1. Meningkatkan akurasi model dengan menggabungkan data-driven + knowledge-driven.
2. Menyediakan interpretabilitas melalui Explainable AI (XAI), supaya engineer ngerti kenapa model memprediksi kegagalan.
3. Menyediakan feedback loop lewat web interface di mana pengguna bisa menambahkan laporan kegagalan baru dan aturan tambahan, sehingga model bisa dilatih ulang terus-menerus.
4. Mendukung tujuan keberlanjutan (SDG 9 & 11) dengan menjaga infrastruktur publik (kereta metro) tetap andal, aman, dan ramah lingkungan.

Metodologi: Arsitektur Sistem Hibrida

Penulis merancang sistem dengan beberapa tahapan utama:

1. Data Pre-processing

Data sensor dari unit produksi udara di kereta metro diproses dulu:

• Pembersihan data (handling missing values, outliers).
• Normalisasi dan reduksi dimensi (pakai PCA).
• Feature engineering berdasarkan masukan pakar.

2. Model Data-Driven

Beberapa algoritma machine learning diuji:

• Random Forest (RF)
• Support Vector Machine (SVM)
• Logistic Regression (LR)
• Artificial Neural Networks (ANN)
• Gradient Boosting (GBM, termasuk XGBoost)
• Long Short-Term Memory (LSTM)

Setiap model menghasilkan prediksi, tapi belum final.

3. Knowledge-Driven Rules

Prediksi model disesuaikan lagi dengan aturan berbasis pengetahuan pakar. Misalnya, kalau sensor menunjukkan pola X, meski model bilang “aman”, aturan bisa override hasil dan bilang “berisiko gagal”.

4. Explainable AI (XAI)

Untuk bikin model lebih transparan, dipakai teknik interpretabilitas:

• LIME (Local Interpretable Model-Agnostic Explanations) untuk jelasin prediksi individual.
• SHAP (Shapley Additive Explanations) untuk jelasin kontribusi setiap fitur secara global.
• Visualisasi via web dashboard supaya engineer gampang ngerti.

5. Web Application

Sistem dilengkapi antarmuka:

• Dashboard buat monitoring status.
• Halaman laporan kegagalan.
• Fitur tambah aturan baru.
• Halaman penjelasan model (explainability).

Dataset: Kasus Metro do Porto

Dataset utama berasal dari Metro do Porto (Portugal). Data diambil dari unit produksi udara (air production units) pada kompresor kereta metro antara Februari–Agustus 2020.

Detail dataset:

• Jumlah instance: 1.516.948 baris data.
• Fitur: 15 parameter sensor, termasuk tekanan, suhu, arus motor, dan status katup.
• Labeling: awalnya unlabeled, lalu diberi label berdasarkan laporan kegagalan pakar. Label “1” untuk failure, “0” untuk normal.

Dataset ini sangat besar, sehingga tantangan utamanya ada di pre-processing dan pemilihan fitur relevan.

Hasil dan Validasi: Akurasi Hibrida Naik Drastis

Kinerja model dievaluasi dengan metrik: Precision, Recall, F1 Score, Accuracy, AUC.

Hasilnya:

• Sebelum integrasi rules, F1 Score model terbaik (misalnya Random Forest) hanya di kisaran 62%–70%.
• Setelah integrasi knowledge-driven rules, performa meningkat signifikan, bahkan naik hingga 28 poin persentase.
• Model hibrida terbaik mencapai F1 Score 90% dan Recall 92%.

Artinya, sistem jauh lebih andal dalam mendeteksi potensi kegagalan (tingkat recall tinggi berarti lebih sedikit failure yang terlewat).

Analisis Praktis: Apa Artinya untuk Industri

Dari sudut pandang praktis, hasil ini punya implikasi besar:

• Downtime berkurang: maintenance bisa dilakukan tepat waktu sebelum mesin benar-benar gagal.
• Biaya lebih efisien: nggak ada lagi perbaikan darurat yang mahal.
• Keamanan meningkat: khususnya di transportasi publik seperti metro, keselamatan penumpang sangat krusial.
• Keberlanjutan: perbaikan yang lebih terencana mengurangi limbah material dan energi yang terbuang.
• Peningkatan kepercayaan operator: karena ada XAI, engineer bisa ngerti kenapa sistem bilang “akan gagal”, bukan sekadar black-box.

Kritik: Apa yang Bisa Ditingkatkan

Walaupun sistem hibrida ini kuat, ada beberapa catatan kritis:

1. Ketergantungan pada kualitas data: kalau sensor error atau data hilang, akurasi model bisa drop.
2. Kompleksitas integrasi: menggabungkan machine learning + aturan pakar + XAI bikin sistem lebih rumit dan butuh resource lebih.
3. Keterbatasan domain: penelitian fokus pada kereta metro, belum tentu langsung bisa dipakai di industri lain tanpa adaptasi.
4. Trade-off interpretabilitas vs akurasi: meski XAI bantu jelasin model, sering ada dilema antara model yang mudah dijelaskan dan model yang lebih akurat tapi black-box.

Relevansi dengan Sustainable Development Goals (SDG)

Penelitian ini selaras dengan SDG 9 (Industry, Innovation, Infrastructure) dan SDG 11 (Sustainable Cities and Communities).

• SDG 9 → sistem prediksi bikin infrastruktur transportasi lebih andal dan inovatif.
• SDG 11 → transportasi publik jadi lebih aman, efisien, dan ramah lingkungan.

Kesimpulan: Hybrid is the Future

Paper ini membuktikan bahwa pendekatan hibrida—menggabungkan machine learning dengan pengetahuan pakar—bisa meningkatkan akurasi prediksi kegagalan secara signifikan. Dari F1 Score hanya 62–70% jadi 90%, ini lompatan besar.

Lebih jauh lagi, dengan tambahan Explainable AI, sistem nggak cuma “pintar”, tapi juga “transparan” dan bisa dipercaya. Hal ini krusial untuk adopsi industri, karena engineer butuh ngerti “kenapa model bilang mesin mau gagal”.

Kalau ditarik ke dunia nyata, pendekatan ini bisa dipakai di berbagai sektor: manufaktur, energi, transportasi, bahkan kesehatan. Intinya, masa depan maintenance industri ada di kombinasi manusia + data + AI.

Referensi Paper

Miguel Ramos Martins Rua Almeida. Hybrid Failure Prognosis Approach combining Data-Driven and Knowledge-Based Methods. Faculdade de Engenharia da Universidade do Porto, 2024.
Tautan resmi: [FEUP Repository / ICINCO 2024]

Pendahuluan: Ketika Banjir Datang di Tanah yang Harusnya Kering

Wilayah karst seperti Gunungkidul dikenal oleh minimnya permukaan udara, namun ironi muncul di Dukuh Tungu, Desa Girimulyo, ketika kawasan tersebut justru terendam banjir besar selama 4–7 hari akibat siklon tropis Cempaka pada akhir November 2017. Bencana ini bukan hanya langka, tetapi menyingkap sistem sedimen dan kerusakan ekologis di wilayah yang umumnya bersifat porus.

Dalam penelitiannya, Dian Hudawan Santoso berusaha menjawab tantangan banjir dengan pendekatan ecodrainage, yakni metode yang mengandalkan retensi dan infiltrasi alami untuk mengelola limpasan air hujan secara berkelanjutan. Lebih dari sekadar solusi artikel ini mengupas strategi penanggulangan banjir berbasis kerentanan multidimensi: lingkungan, fisik, sosial, dan ekonomi.

Kerentanan Banjir di Kawasan Karst: Temuan Penting

Penelitian dilakukan pada RT 06, RT 07, RT 08, dan RT 09 yang mencakup luas ±10,7 Ha. Melalui metode survei, pemetaan, kuesioner pada 65 responden, dan analisis matematis, tingkat kerentanan banjir dinilai berdasarkan empat aspek utama:

• Kerentanan Lingkungan : mencakup intensitas curah hujan (>100 mm/bulan), bentuk lahan (cekungan), hingga infiltrasi tanah (≤2 cm/jam).
• Kerentanan Fisik : banyak rumah tidak permanen dan milik sendiri, padat penduduk, tanpa sistem drainase yang memadai.
• Kerentanan Sosial : 29 warga terdampak banjir langsung, termasuk lansia dan balita. Mitigasi literasi yang minim.
• Kerentanan Ekonomi : mayoritas bekerja sebagai petani dan buruh harian dengan penghasilan < Rp724.000/bulan.

Hasilnya, keempat RT dinyatakan memiliki kerentanan banjir tingkat sedang , bahkan pada wilayah yang tidak tergenang. Hal ini menunjukkan bahwa ancaman banjir tidak hanya terbatas pada ekosistem, tetapi juga kesiapan sistem sosial-ekologis.

Sumber Masalah: Ponor Tertutup dan Limpasan Tak Terarah

Salah satu penemuan kunci adalah tertutupnya ponor (lubang alami karst tempat air meresap ke dalam tanah), akibat pembangunan dan pengurukan oleh warga. Hal ini memperparah genangan karena air hujan tidak lagi memiliki jalan alami untuk meresap, melainkan terkumpul di cekungan, memperpanjang durasi banjir hingga >48 jam.

Solusi Teknologi: Ecodrainage sebagai Pendekatan Adaptif

Ecodrainage yang diterapkan menggabungkan tiga elemen kunci:

1. Kolam Retensi Berbasis Infiltrasi

• dirancang berbentuk persegi panjang (70 m × 35 m × 2 m).
• Kapasitas: 4.900 m³/tahun, mampu untuk kebutuhan 360 penduduk.
• Efisiensi peresapan: 0,0017% (dalam konteks tanah liat berpori rendah).
• Dilengkapi dengan penahan sedimen setinggi 0,3 meter.

Meski efisiensi infiltrasinya rendah, kolam ini tetap menjadi zona penyangga yang efektif dalam menahan limpasan langsung.

2. Saluran Air Hujan dengan Rorak dan Bak Pengumpul

• Dua saluran utama (Saluran I & II) mengalirkan udara dari RT 01–10 menuju telaga Pringserut dan bak penampung.
• Saluran I: debit 0,488 m³/s.
• Saluran II: debit 0,466 m³/s.
• Dilengkapi rorak setiap 1,5 m. Jumlah : 292 unit (Saluran I), 316 unit (Saluran II).
• Debit terserap rorak secara total mencapai 0,0000632 m³/s.

Rorak meningkatkan daya serap lokal sekaligus memperlambat aliran udara, memberi waktu untuk infiltrasi.

3. Peninggian Lantai dan Vegetasi Halaman

• Direkomendasikan pada 7 rumah yang masih rawan genangan.
• Penanaman rumput manila (Zoysia matrella) meningkatkan kapasitas infiltrasi halaman dari 1,81 cm/jam menjadi 3,19 cm/jam.

Efisiensi Sistem: Seberapa Besar Dampaknya?

Hasil akhir menunjukkan bahwa kombinasi ecodrainage dapat mengurangi potensi banjir hingga 71,3% . Ini merupakan angka signifikan untuk wilayah karst dengan karakter tanah lempung yang biasanya sulit ditembus udara.

Pendekatan Non-Teknis: Sosial dan Pemerintahan

Sosial:

• Sosialisasi konsep ecodrainage secara menyeluruh.
• Gotong royong memelihara rorak, kolam, dan bak.

Pemerintahan:

• Pelibatan warga aktif dalam perencanaan dan pelaksanaan proyek.
• Integrasi program ecodrainage ke dalam rencana desa berbasis partisipasi.

Ketiadaan peran serta warga akan membuat infrastruktur mati suri.

Studi Banding dan Kritik

Pita:

• Yogyakarta (DAS Code) juga mengembangkan strategi ecodrainage, namun fokus pada ruang hijau perkotaan.
• Bandung telah menggunakan konsep yang sama, namun dengan efisiensi lebih tinggi karena kontur tanah dan partisipasi warga yang kuat.

Kritik:

• Efisiensi infiltrasi kolam terlalu rendah untuk dijadikan solusi utama. Solusi campuran (biopori + sumur resapan) perlu ditambahkan.
• Ketiadaan model hidrologi digital menyulitkan prediksi spasial-masa depan banjir.
• Literasi warga belum terukur secara kuantitatif , sehingga strategi sosial bersifat asumtif.

Rekomendasi: Langkah Strategis Menuju Ketahanan

1. Sistem Digitalisasi
   Gunakan model hidrologi berbasis GIS untuk simulasi banjir masa depan dan efektivitas drainase.
2. Integrasi Vegetasi Lokal
   Selain rumput manila, tanaman endemik yang dihilangkan kuat perlu dicoba sebagai penghalang hijau .
3. Inkubasi Komunitas
   Ciptakan kelompok kerja berbasis dusun untuk pemeliharaan berkelanjutan.
4. Standardisasi Kerentanan
   Perlunya standar nasional untuk mengukur kerentanan banjir di kawasan karst.

Kesimpulan: Teknologi Ramah Lingkungan untuk Daerah Rentan

Penelitian ini memberikan kontribusi besar dalam menunjukkan bahwa metode ecodrainage berpotensi menjadi alternatif solusi di wilayah karst seperti Dukuh Tungu. Banjir yang dahulu dianggap mustahil di wilayah kering pun kini bisa diatasi dengan sistem infiltrasi serta dukungan partisipasi komunitas yang tepat.

Namun, kehancuran sistem tidak hanya terletak pada teknologi, tetapi juga pada kesadaran sosial dan komitmen institusi . Banjir adalah fenomena kompleks yang harus dihadapi dengan pendekatan sistemik dari bawah ke atas.

Sumber:

Santoso, DH (2019). Penanggulangan Bencana Banjir Berdasarkan Tingkat Kerentanan dengan Metode Ecodrainage pada Ekosistem Karst di Dukuh Tungu, Desa Girimulyo, Kecamatan Panggang, Kabupaten Gunungkidul, DIY . Jurnal Geografi, 16(1), 7–15.

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:

1. Business Understanding (Pemahaman Bisnis)
   Banyak proyek ML gagal karena langsung fokus pada data dan algoritma, tanpa memahami kebutuhan bisnis. Dalam PdM, tujuan bisa beragam: mengurangi downtime, memperpanjang umur mesin, atau mengurangi biaya perawatan. Paper ini menekankan pentingnya menentukan business goals dulu sebelum kumpulin data.
2. Data Understanding (Pemahaman Data)
   Setelah tahu tujuannya, langkah berikutnya adalah memahami data yang tersedia. Data bisa datang dari sensor yang sudah terpasang, atau perusahaan perlu pasang sensor baru. Misalnya, sensor getaran pada bearing atau sensor suhu pada mesin motor listrik. Pertanyaan kunci: apakah data yang ada cukup untuk menjawab tujuan bisnis?
3. Data Preparation (Persiapan Data)
   Data jarang langsung bisa dipakai. Biasanya ada noise (gangguan), data hilang, atau perlu direkayasa ulang menjadi feature (fitur penting). Paper ini mencontohkan penggunaan feature engineering untuk memilih fitur yang relevan, misalnya siklus pengisian baterai lithium-ion sebagai indikator utama penurunan kapasitas.
4. Modeling (Pemodelan)
   Di tahap ini, algoritma ML dipilih sesuai kebutuhan. Ada beberapa model:
   • Similarity model → membandingkan pola data mesin dengan pola kegagalan yang sudah diketahui.
   • Degradation model → memanfaatkan indikator kerusakan seperti ambang batas getaran atau kapasitas baterai.
   • Survival model → menghitung probabilitas mesin bertahan hidup sampai waktu tertentu.
   • Classification model → memprediksi apakah mesin akan gagal dalam periode tertentu.
5. Evaluation (Evaluasi)
   Model harus diuji akurasinya. Paper ini menggunakan metrik seperti Root Mean Square Error (RMSE), R²-score, Precision, Recall, dan F1-score. Dengan evaluasi ini, peneliti bisa tahu model mana yang benar-benar layak dipakai.
6. Deployment (Penerapan)
   Setelah model terpilih, model dipasang di sistem produksi. Tapi pekerjaan tidak berhenti di sini. Model harus dipantau terus karena kondisi mesin dan lingkungan bisa berubah. Jadi PdM harus dinamis, bukan sekali jadi.

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:

• Regression-based Models (Model Regresi)
  Dipakai untuk menghitung Remaining Useful Life (RUL), yaitu perkiraan berapa lama lagi mesin bisa digunakan sebelum gagal. Contoh: prediksi umur baterai lithium-ion sampai kapasitasnya turun 70% dari kondisi awal.
• Classification-based Models (Model Klasifikasi)
  Dipakai untuk menjawab pertanyaan: “Apakah mesin akan gagal dalam X jam ke depan?” Bisa berupa klasifikasi biner (ya/tidak) atau multi-class (dalam 5 jam, 10 jam, atau 15 jam).

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:

• Point anomaly → satu data aneh, misalnya lonjakan suhu tiba-tiba.
• Collective anomaly → serangkaian data yang menyimpang, misalnya 5 jam berturut-turut getaran tinggi.
• Contextual anomaly → data normal dalam konteks tertentu, tapi tidak wajar dalam konteks lain, misalnya konsumsi listrik rendah di siang hari ketika pabrik harusnya beroperasi penuh.

3. Semi-Supervised Learning

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:

• Support Vector Regression (SVR) dipilih sebagai model utama.
• Setelah dilakukan dimension reduction (pengurangan fitur), performa model tetap sama, tapi waktu komputasi turun drastis 99% (dari 3 menit jadi 0,4 detik).
• Model terbaik adalah SGDRegressor dengan data yang sudah direduksi, karena memberikan kombinasi akurasi tinggi (R² positif) dan error rendah.

👉 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:

• Decision Tree → akurasi 87,5%, F1-score 0,88.
• Random Forest → akurasi 84,35%, F1-score 0,84.
• Logistic Regression → akurasi jeblok, cuma 46,4%.

👉 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:

• One-Class SVM → F1-score 0,73.
• Elliptic Envelope → F1-score 0,72.
• Isolation Forest → terbaik dengan akurasi 67,42% dan F1-score 0,75.
• Local Outlier Factor (LOF) → F1-score 0,66.

👉 Relevansi industri: cocok untuk pabrik yang baru mulai menerapkan PdM tapi belum punya data historis lengkap.

Analisis Kritis

Kekuatan Paper

1. Kombinasi teori dan praktik → tidak hanya menjelaskan konsep ML, tapi juga menguji pada dataset nyata.
2. Efisiensi komputasi → menunjukkan betapa pentingnya feature selection dan dimension reduction.
3. Pendekatan komprehensif → mencakup supervised, unsupervised, dan semi-supervised learning.

Keterbatasan Paper

1. Skalabilitas belum diuji → bagaimana performa jika diterapkan ke ribuan mesin real-time?
2. Data publik → dataset seperti NASA dan CWRU bagus, tapi kondisi nyata di pabrik bisa jauh lebih kompleks.
3. Deep learning belum dieksplorasi → padahal teknik seperti LSTM atau CNN sangat potensial untuk data sensor time-series.

Dampak Nyata untuk Industri

Hasil penelitian ini bisa langsung dipakai di berbagai sektor:

• Industri otomotif → prediksi umur bearing dan baterai.
• Energi → turbin angin dan generator bisa dipantau lebih akurat.
• Elektronik → umur baterai smartphone dan laptop bisa diestimasi.
• Manufaktur berat → pabrik baja, kimia, atau tekstil bisa hindari downtime mendadak.

Dengan implementasi PdM berbasis ML, perusahaan bisa:

• Mengurangi downtime hingga puluhan ribu dolar per jam.
• Menghemat biaya perawatan dengan pemeliharaan berbasis kebutuhan.
• Memperpanjang umur mesin dan meningkatkan efisiensi produksi.

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