Industri 4.0 telah merevolusi cara kita memproduksi barang, mengelola aset, dan merespons permasalahan di lantai produksi. Dengan karakteristik produksi massal, otomatisasi tinggi, dan ekspektasi efisiensi yang ketat, kebutuhan akan sistem pemeliharaan mesin yang cerdas menjadi lebih mendesak dari sebelumnya. Dalam konteks inilah, paper berjudul “IoT-based data-driven predictive maintenance relying on fuzzy system and artificial neural networks” oleh Ashraf Aboshosha et al. (2023) hadir sebagai terobosan penting. Penelitian ini tidak hanya menyodorkan teori, tetapi juga membuktikannya dalam implementasi nyata di sebuah pabrik produksi karton bergelombang di Mesir.

Konteks dan Motivasi Penelitian

Sebagian besar perusahaan manufaktur masih menerapkan sistem pemeliharaan konvensional seperti Preventive Maintenance (PM)—pemeliharaan yang dijadwalkan secara berkala. Masalahnya, pendekatan ini tidak bisa mengantisipasi kerusakan tak terduga. Di sisi lain, Predictive Maintenance (PdM) menawarkan pendekatan yang lebih proaktif dan berbasis data. PdM menganalisis kondisi aktual mesin melalui data sensor dan algoritma kecerdasan buatan untuk memprediksi kegagalan sebelum terjadi.

Penelitian ini dilatarbelakangi oleh fakta bahwa kegagalan mesin, bahkan yang terlihat sepele, bisa menyebabkan seluruh lini produksi berhenti. Kerugian akibat waktu henti (downtime), suku cadang yang harus diganti, hingga kualitas produk yang menurun, menuntut sistem prediksi yang lebih akurat dan adaptif. Oleh karena itu, penulis menggabungkan teknologi Internet of Things (IoT), Fuzzy Logic System (FLS), dan Artificial Neural Networks (ANN) dalam satu kerangka kerja yang dapat diandalkan.

Arsitektur Sistem dan Teknologi yang Digunakan

Penelitian ini merancang sebuah sistem akuisisi data yang mengintegrasikan berbagai sensor di mesin produksi. Sensor-sensor ini menangkap sinyal operasi dan mengirimkan data melalui interface card menuju jaringan lokal pabrik, kemudian ke cloud melalui MQTT (Message Queuing Telemetry Transport)—protokol komunikasi ringan untuk IoT. Data ini dikategorikan sebagai:

• Status Data: kondisi normal operasi
• Caution Data: mendekati batas aman
• Warning Data: melebihi batas—indikasi awal kerusakan

Perbandingan Protokol: MQTT vs OPC-UA

Penulis membandingkan dua protokol komunikasi populer dalam industri IoT:

• MQTT cocok untuk pengiriman data dari lokasi jauh ke cloud, dengan toleransi tinggi terhadap jaringan tidak stabil.
• OPC-UA (Open Platform Communications - Unified Architecture) lebih sesuai untuk kontrol real-time di jaringan lokal.

Kedua protokol ini saling melengkapi tergantung kebutuhan operasional dan infrastruktur masing-masing pabrik.

Metodologi: Dari Sensor ke Strategi Maintenance

Pendekatan inti dalam paper ini adalah penggunaan Fuzzy Logic System (FLS) untuk menangani ketidakpastian dan ambiguitas dalam data sensor. Sistem fuzzy ini memperhitungkan kombinasi nilai Severity (S), Occurrence (O), dan Detection (D) dalam FMEA (Failure Mode and Effects Analysis) untuk menghitung RPN (Risk Priority Number). Nilai ini digunakan untuk menentukan prioritas risiko pada komponen mesin.

Sebagai penyempurnaan dari FMEA tradisional, penelitian ini menerapkan metode Fuzzy MULTIMOORA (Multi-Objective Optimization on the basis of Ratio Analysis) untuk menilai kegagalan secara lebih holistik. Dalam metode ini, tiap kegagalan dianalisis dari berbagai sudut, kemudian diberi bobot fuzzy agar bisa disusun peringkatnya berdasarkan risiko nyata, bukan sekadar estimasi kasar.

Studi Kasus: Mesin Karton Bergelombang

Implementasi nyata dilakukan di sebuah pabrik karton yang memiliki mesin dengan sistem hidrolik, uap, dan lem. Dari hasil pengumpulan data sensor, ditemukan 11 jenis potensi kegagalan atau Failure Modes (FM). Beberapa di antaranya adalah:

• FM10 - Glue Pump Failure: RPN 252 (peringkat 1)
• FM8 - Steam Valve Failure: RPN 194 (peringkat 2)
• FM7 - Steam Trap Failure: RPN 180 (peringkat 3)

Setiap failure mode ini dievaluasi menggunakan FMEA dan MULTIMOORA, lalu dibandingkan dengan hasil prediksi menggunakan ANN.

Deep Learning untuk Diagnosis Kegagalan

Di bagian paling canggih dari sistem ini, peneliti menggunakan Artificial Neural Network (ANN) untuk melakukan diagnosis otomatis terhadap kegagalan berdasarkan pola sinyal alarm. Fokus pengujian dilakukan pada Cooling Pump System, yang memiliki:

• 12 input node (alarm),
• 10 hidden node (lapisan tersembunyi),
• 9 output node (jenis kerusakan).

ANN dilatih menggunakan Error Back Propagation Training Algorithm (EBPTA) hingga mencapai batas kesalahan RMS (Root Mean Square) yang diizinkan. Setelah pelatihan, ANN mampu mengenali pola alarm baru dan langsung memetakan ke jenis kegagalan spesifik. Ini menggantikan ketergantungan terhadap analisis manual yang memakan waktu dan rawan kesalahan manusia.

Analisis Statistik dan Regresi

Penelitian ini juga menerapkan analisis korelasi dan regresi—baik linier maupun logistik—untuk mengevaluasi hubungan antara kesalahan operasi dengan potensi kegagalan mesin. Korelasi dinyatakan dengan koefisien Pearson (r), sedangkan model regresi digunakan untuk memprediksi apakah kesalahan tertentu akan mengarah pada kerusakan mesin atau tidak (1 untuk terjadi, 0 untuk tidak terjadi).

Melalui analisis ini, sistem dapat memberikan peringatan dini jika suatu kombinasi variabel dianggap berisiko tinggi. Ini memberi keuntungan praktis besar dalam perencanaan perawatan dan alokasi sumber daya.

Interpretasi Dampak Dunia Nyata

Pendekatan paper ini memberikan beberapa manfaat praktis:

1. Efisiensi Biaya
   Dengan prediksi kerusakan sebelum terjadi, perusahaan dapat menghindari pembelian suku cadang yang tidak perlu dan menurunkan biaya downtime.
2. Peningkatan Kualitas Produksi
   Mesin yang berjalan dalam kondisi optimal menghasilkan produk dengan kualitas lebih konsisten dan lebih sedikit cacat.
3. Peningkatan Produktivitas SDM
   Operator dapat fokus pada pengambilan keputusan strategis alih-alih inspeksi manual yang berulang-ulang.
4. Kemampuan Skalabilitas
   Sistem ini dapat diterapkan di berbagai skala industri, dari manufaktur besar hingga UKM.

Kelebihan dan Kritik terhadap Paper

Kelebihan:

• Validasi Nyata: Diuji langsung di lingkungan industri, bukan sekadar simulasi.
• Integrasi Canggih: Menggabungkan teknologi AI dan IoT secara menyeluruh.
• Adaptif dan Responsif: ANN dan FLS mampu menyesuaikan diri terhadap data tidak pasti dan situasi baru.

Kritik:

• Kompleksitas Implementasi: Membutuhkan tim dengan keahlian di banyak bidang (elektronika, software, AI).
• Ketergantungan pada Sensor: Jika sensor gagal atau memberi data salah, hasil prediksi bisa keliru.
• Tidak Dibahasnya Biaya Implementasi: Paper tidak mengupas estimasi biaya integrasi sistem ini secara menyeluruh.

Kesimpulan

Penelitian ini menjadi batu loncatan penting dalam pengembangan strategi maintenance cerdas di era Industri 4.0. Dengan memanfaatkan kekuatan IoT, kecerdasan buatan, dan fuzzy logic, sistem ini memungkinkan perusahaan untuk lebih siap, responsif, dan hemat dalam mengelola pemeliharaan mesin. Penerapan metode seperti FMEA berbasis MULTIMOORA dan ANN diagnosis menjadikan pendekatan ini sangat aplikatif untuk dunia nyata—bukan hanya wacana akademik semata.

Bagi perusahaan manufaktur yang ingin melakukan transformasi digital, sistem ini layak dijadikan referensi utama.

Sumber:

📌 Aboshosha, A., Haggag, A., George, N., & Hamad, H.A. (2023). IoT-based data-driven predictive maintenance relying on fuzzy system and artificial neural networks. Scientific Reports.
🔗 DOI: https://doi.org/10.1038/s41598-023-38887-