Dalam lingkungan industri modern yang semakin kompetitif dan dinamis, ketahanan operasional suatu pabrik tidak hanya dinilai dari kecepatan produksi atau kualitas produk akhir, tetapi juga dari kemampuan sistemnya dalam mengantisipasi dan merespons gangguan internal. Salah satu bentuk respons proaktif yang tengah berkembang pesat adalah pendekatan Predictive Maintenance (pemeliharaan prediktif) berbasis teknologi Internet of Things (IoT). Paper berjudul “IoT Based Predictive Maintenance in Manufacturing Sector” karya Nangia, Makkar, dan Hassan yang dipresentasikan dalam International Conference on Innovative Computing and Communication (ICICC 2020) menjadi rujukan penting dalam diskursus ini, terutama karena paper tersebut tidak hanya menyajikan kerangka teoritis, tetapi juga menyuguhkan studi kasus yang aplikatif pada sektor industri otomotif di India.

Pengantar Konteks: Revolusi Industri dan Urgensi Transformasi Digital

Transformasi digital dalam dunia manufaktur bukanlah fenomena baru. Sejak Revolusi Industri 1.0 yang ditandai dengan mekanisasi berbasis tenaga uap hingga Revolusi Industri 3.0 yang menghadirkan otomatisasi dan teknologi digital, setiap fase industrialisasi telah membawa perubahan signifikan terhadap proses produksi. Saat ini, dunia memasuki era Industri 4.0, yang didefinisikan oleh konvergensi antara teknologi siber dan fisik melalui Artificial Intelligence, Big Data Analytics, Cloud Computing, dan tentu saja, Internet of Things (IoT).

Dalam konteks Industri 4.0, Predictive Maintenance (PdM) menjadi kunci untuk mencapai Zero-Defect Manufacturing, sebuah pendekatan produksi tanpa cacat. PdM memungkinkan pabrik memprediksi potensi kerusakan peralatan sebelum benar-benar terjadi, sehingga perusahaan bisa menghindari downtime mahal dan risiko kecelakaan kerja yang bisa membahayakan karyawan.

Paper ini berfokus pada pengembangan arsitektur PdM berbasis IoT dan implementasi nyata menggunakan Machine Learning (ML) sebagai metode prediksi, serta menawarkan pendekatan sistematis untuk membangun dan mengevaluasi model prediksi yang efisien.

Arsitektur PdM Berbasis IoT: Menyatukan Komponen Kritis

Penulis mengusulkan sistem arsitektur Predictive Maintenance berbasis Industrial IoT (IIoT) yang terdiri atas lima komponen utama:

1. Sensor IoT

Sensor merupakan fondasi dari sistem PdM. Alat ini bertugas menangkap data dari aset industri secara real-time. Jenis sensor yang digunakan meliputi:

• Sensor suhu, tekanan, kelembapan, arus listrik
• Sensor kualitas udara (Air Quality/AQ)
• Sensor ultrasonik (USS) untuk mendeteksi suara frekuensi tinggi akibat kebocoran
• Sensor fotoionisasi (VOC) untuk mendeteksi senyawa organik volatil
• Sensor tekanan internal dan eksternal (IP & RP)

Sensor-sensor ini secara aktif mencatat parameter operasional mesin dan mengirimkannya untuk diproses lebih lanjut.

2. Konversi dan Transfer Data

Data dari sensor yang awalnya dalam bentuk analog dikonversi ke digital menggunakan analog-to-digital converter (ADC). Setelah itu, data digital tersebut ditransfer melalui jaringan komunikasi seperti Wi-Fi, Bluetooth Low Energy (BLE), atau koneksi seluler ke server cloud atau fog nodes.

3. Komputasi Edge/Fog/Cloud

Arsitektur komputasi terdiri dari tiga lapisan:

• Edge computing: Pemrosesan langsung di perangkat lokal (misalnya Arduino).
• Fog computing: Pemrosesan di node terdistribusi yang berada di antara edge dan cloud, cocok untuk pabrik yang tersebar secara geografis.
• Cloud computing: Pemrosesan terpusat, cocok untuk analitik berskala besar, tetapi memiliki latensi tinggi.

4. Penyimpanan Data

Data digital disimpan di server lokal (intranet perusahaan) atau cloud storage tergantung pada infrastruktur TI masing-masing organisasi.

5. Algoritma Prediktif

Setelah data terkumpul, langkah selanjutnya adalah menganalisis data menggunakan algoritma pembelajaran mesin untuk memprediksi kemungkinan kegagalan aset.

Studi Kasus: Implementasi PdM di Perusahaan Otomotif XYZ Ltd

Penulis menyajikan studi kasus dari sebuah perusahaan otomotif di India (disebut XYZ Pvt Ltd) yang mengalami kendala dalam unit penukar panas (heat exchanger). Unit ini mengalami gangguan berulang akibat tersumbatnya konduit oleh endapan kimia dan terjadinya retakan termal (thermal cracks), yang berisiko terhadap keselamatan kerja dan menghentikan seluruh lini produksi.

Untuk mengatasi masalah tersebut, perusahaan menerapkan sistem PdM berbasis IoT dengan memasang berbagai sensor di unit tersebut. Karena keterbatasan dalam membagikan data asli perusahaan, peneliti menggunakan dataset publik yang terdiri dari 944 observasi dengan 10 fitur.

Deskripsi Fitur Dataset:

1. Footfall – Jumlah pekerja yang berada di lantai produksi
2. tempMode – Kategori suhu (1–7)
3. AQ – Kualitas udara
4. USS – Deteksi suara akibat kebocoran
5. CS – Sensor arus listrik
6. VOC – Deteksi senyawa volatil
7. RP – Tekanan luar mesin
8. IP – Tekanan dalam mesin
9. Temperature – Suhu aktual
10. Output – Target: 0 (mesin berjalan), 1 (mesin gagal)

Metodologi Pengembangan Model

Pengembangan model dilakukan dalam enam tahapan berikut:

1. Identifikasi aset kritis yang sering rusak dan berdampak besar terhadap proses produksi.
2. Pengumpulan data sensor IoT dari mesin-mesin produksi.
3. Pra-pemrosesan data seperti pembersihan nilai kosong, deteksi outlier, dan normalisasi.
4. Pemodelan data menggunakan metode supervised learning. Dataset dibagi 75% untuk pelatihan dan 25% untuk pengujian.
5. Evaluasi performa model dengan metrik akurasi, precision, recall, dan F1 score.
6. Deployment ke lingkungan produksi menggunakan PMML script.

Software yang digunakan adalah TIBCO Statistica, yang memungkinkan model dikembangkan dalam mode drag-and-drop dan menghasilkan kode PMML untuk integrasi sistem.

Algoritma yang Digunakan

Tiga algoritma pembelajaran mesin yang digunakan dalam penelitian ini adalah:

• Support Vector Machine (SVM) – Algoritma klasik untuk klasifikasi yang cocok dalam kasus biner.
• Classification and Regression Tree (C&RT) – Pohon keputusan yang sederhana dan mudah diinterpretasi.
• Boosted Classification Tree (BCT) – Versi ensemble yang memberikan hasil prediksi lebih akurat melalui pendekatan boosting.

Hasil Model dan Analisis Kinerja

Evaluasi dilakukan pada data pengujian, dan berikut adalah ringkasan performa model:

Algoritma

Precision

Recall

F1 Score

Error Rate

C&RT

0.891

0.914

0.903

0.099

BCT

0.899

0.908

0.903

0.097

SVM

0.893

0.894

0.893

0.106

• Boosted Classification Tree menghasilkan error rate terendah (0.097).
• Recall tertinggi dicapai oleh model C&RT, artinya model ini lebih baik dalam menangkap kasus kegagalan sebenarnya.
• Metrik F1 Score, yang menggabungkan precision dan recall, menunjukkan bahwa BCT dan C&RT memiliki performa yang hampir setara dan optimal.

Gains chart yang ditampilkan dalam paper memperlihatkan bahwa BCT menghasilkan area di bawah kurva (AUC) tertinggi, menandakan tingkat pengembalian prediksi yang maksimal dibanding baseline.

Catatan Praktis:

Dalam konteks PdM, false negative lebih merugikan daripada false positive, karena kegagalan yang tidak terdeteksi bisa menghentikan seluruh produksi. Oleh karena itu, recall menjadi metrik utama dalam evaluasi model prediksi.

Implikasi Nyata dan Relevansi Industri

Penerapan PdM yang dijelaskan dalam studi ini menunjukkan manfaat signifikan:

• Efisiensi biaya: Menurunkan biaya perawatan dengan menghindari kerusakan tak terduga.
• Produktivitas tinggi: Minimnya downtime meningkatkan output harian.
• Keselamatan kerja: Deteksi awal mencegah potensi kecelakaan kerja.
• Kualitas produk meningkat: Mesin yang berjalan optimal menghasilkan produk yang lebih konsisten.

Studi ini juga mencatat bahwa rata-rata industri dapat memangkas downtime hingga 70–75% melalui pendekatan PdM.

Kritik dan Catatan Pengembangan Lebih Lanjut

Meskipun paper ini sangat aplikatif dan sistematis, terdapat beberapa area pengembangan:

• Keterbatasan dataset publik: Data yang digunakan bukan dari kasus nyata, yang bisa membatasi generalisasi temuan.
• Integrasi ERP dan automasi: Paper belum membahas integrasi sistem PdM dengan ERP atau sistem alarm otomatis secara rinci.
• Prescriptive Maintenance: Langkah lanjutan yang bisa memberikan rekomendasi tindakan, bukan hanya prediksi.

Namun demikian, struktur pendekatan dalam paper ini sangat relevan bagi industri manufaktur berskala kecil hingga besar.

Kesimpulan

Paper ini menunjukkan bahwa Predictive Maintenance berbasis IoT dan ML bukan hanya konsep futuristik, melainkan solusi nyata yang bisa langsung diterapkan di industri saat ini. Dengan pendekatan sistematis, pemilihan algoritma yang relevan, serta evaluasi performa yang kuat, penelitian ini memberikan peta jalan yang dapat diikuti oleh organisasi yang ingin meningkatkan keandalan aset dan efisiensi produksi.

Model PdM ini tidak hanya mampu memprediksi kegagalan mesin dengan akurasi tinggi, tetapi juga membuka peluang baru untuk integrasi antara perangkat fisik dan sistem analitik digital. Dengan memperluas pendekatan ini ke seluruh lini produksi dan mengintegrasikan dengan dashboard real-time, industri dapat melangkah ke arah transformasi digital yang lebih matang.

DOI Paper: https://ssrn.com/abstract=3563559
Judul Paper: IoT Based Predictive Maintenance in Manufacturing Sector
Penulis: Shikhil Nangia, Sandhya Makkar, Rohail Hassan
Konferensi: International Conference on Innovative Computing and Communication (ICICC 2020)

Dalam pergeseran besar menuju industri berbasis digital (Industri 4.0), perusahaan menghadapi tantangan nyata: bagaimana mengelola aset industri secara efisien tanpa mengorbankan produktivitas dan biaya? Salah satu solusi paling strategis yang muncul adalah Predictive Maintenance (PdM)—sebuah pendekatan berbasis data dan kecerdasan buatan yang bertujuan memperkirakan kerusakan sebelum benar-benar terjadi. Paper berjudul “Predictive Maintenance in Industry 4.0: A Survey of Planning Models and Machine Learning Techniques” oleh Ida Hector dan Rukmani Panjanathan menjelaskan secara komprehensif bagaimana PdM dapat dirancang, diterapkan, dan dioptimalkan dengan menggunakan teknik Machine Learning (ML) serta berbagai model perencanaan berbasis data.

Resensi ini membahas isi paper secara menyeluruh dengan gaya penulisan alami, menyajikan data dan hasil temuan, memberikan interpretasi praktis, serta menyisipkan kritik dan opini untuk menyambungkan riset ini dengan kebutuhan dan tantangan industri saat ini.

📖 DOI resmi paper: https://doi.org/10.7717/peerj-cs.2016

🔍 Konteks: Mengapa Predictive Maintenance Semakin Diperlukan?

Seiring meningkatnya ketergantungan industri terhadap teknologi otomasi dan sistem produksi yang kompleks, muncul kebutuhan mendesak untuk menghindari downtime (waktu henti produksi) yang tidak direncanakan. Downtime bisa menyebabkan kerugian finansial besar, gangguan pada rantai pasok, bahkan kehilangan kepercayaan pelanggan. Dalam kondisi seperti ini, Predictive Maintenance menjadi solusi ideal karena memungkinkan identifikasi dini atas potensi kerusakan.

Berbeda dengan pendekatan tradisional seperti Corrective Maintenance (perbaikan setelah kerusakan) dan Preventive Maintenance (pemeliharaan berkala), PdM memanfaatkan data sensor, histori operasional, dan model pembelajaran mesin untuk memprediksi titik kerusakan optimal. Tujuannya adalah intervensi hanya ketika diperlukan, bukan berdasarkan waktu atau tebakan.

🏗️ Arsitektur Perencanaan Predictive Maintenance: 5 Tahapan Inti

Paper ini menyusun framework arsitektur PdM ke dalam lima tahapan utama yang saling berkaitan:

1. Data Cleansing

Langkah pertama adalah membersihkan data dari outlier (data aneh), missing values (nilai kosong), atau anomali. Metode yang dipakai antara lain:

• filloutliers(): mengganti nilai ekstrem dengan estimasi
• fillmissing(): mengisi kekosongan berdasarkan mean atau standar deviasi

Proses ini penting karena kualitas model prediksi sangat tergantung pada kebersihan data inputnya.

2. Data Normalization

Normalisasi dilakukan agar seluruh fitur memiliki skala yang konsisten. Ini mencegah satu variabel mendominasi lainnya secara numerik. Beberapa teknik yang digunakan:

• Minimum–Maximum scaling
• Z-score standardization
• Sigmoid dan Tanh transformation

3. Optimal Feature Selection (FS)

Tahapan ini bertujuan menyaring fitur yang paling relevan terhadap variabel target. Teknik FS dibagi menjadi:

• Filter-based methods: Korelasi Pearson, mutual information
• Wrapper-based methods: Recursive Feature Elimination (RFE), Sequential Forward Selection
• Embedded methods: LASSO (Least Absolute Shrinkage and Selection Operator), Ridge Regression, Elastic-Net

Pemilihan fitur yang tepat dapat meningkatkan akurasi dan efisiensi komputasi model prediksi.

4. Decision Modelling

Model pengambilan keputusan disusun berdasarkan data terolah. Konsep P-F Interval digunakan untuk menentukan waktu optimal antara deteksi awal dan kegagalan aktual. Ini penting untuk menentukan kapan tindakan harus diambil agar tidak terlambat atau terlalu cepat.

5. Prediction Modelling

Tahapan akhir adalah membangun model prediksi berdasarkan seluruh tahapan sebelumnya. Model ini menjawab pertanyaan: kapan dan di mana kegagalan kemungkinan besar akan terjadi?

🤖 Machine Learning dalam Predictive Maintenance: Teknik dan Penerapan

Paper ini membahas berbagai teknik Machine Learning dan membaginya menjadi tiga kelompok besar:

A. Supervised Learning

Digunakan saat data berlabel tersedia. Contohnya:

• Regresi: Linear Regression, LASSO, Ridge, Elastic-Net
• Klasifikasi: Logistic Regression, KNN (K-Nearest Neighbors), Naive Bayes, LDA (Linear Discriminant Analysis)

Digunakan untuk memprediksi umur sisa mesin atau klasifikasi status komponen.

B. Unsupervised Learning

Digunakan saat data tidak memiliki label, umumnya untuk:

• Clustering: K-Means, DBSCAN (Density-Based Spatial Clustering), Fuzzy C-Means
• Reduksi Dimensi: PCA (Principal Component Analysis), t-SNE (t-distributed Stochastic Neighbor Embedding), Autoencoder

Cocok untuk menemukan pola kerusakan tersembunyi dalam data besar.

C. Semi-Supervised Learning

Kombinasi dari dua metode di atas, cocok untuk lingkungan industri yang hanya memiliki sebagian data berlabel. Teknik ini sangat menjanjikan karena bisa mengoptimalkan prediksi walau label terbatas.

Penulis menekankan bahwa pemilihan algoritma harus kontekstual, tergantung pada:

• Volume dan jenis data
• Tujuan bisnis
• Waktu proses dan akurasi yang diinginkan

📊 Model Perencanaan Maintenance: Lebih dari Sekadar Algoritma

Paper ini tidak hanya membahas teknik ML, tetapi juga bagaimana PdM harus dibingkai dalam strategi organisasi. Model-model perencanaan berikut disorot secara khusus:

1. Continuous Deterioration Modelling

Menggunakan pendekatan stokastik untuk memodelkan degradasi komponen secara terus-menerus. Contoh distribusi yang digunakan: Gamma, Inverse Gaussian. Cocok untuk memodelkan wear and tear.

2. Service Effects Modelling

Membedakan antara perawatan sempurna (As Good As New) dan tidak sempurna (Worse Than New). Perawatan yang buruk bisa menyebabkan peralatan menjadi lebih cepat rusak dibanding sebelumnya.

3. Maintenance Policy Formulation

Strategi perawatan dapat diklasifikasikan menjadi:

• Periodik: Interval tetap
• Aperiodik: Berdasarkan kondisi real-time
• Fleksibel: Menyesuaikan berdasarkan risiko, biaya, dan urgensi

4. Performance Evaluation

Melibatkan model:

• Cost-benefit analysis
• Markov Decision Processes
• Renewal Theory

Model ini membantu perusahaan memilih strategi dengan hasil maksimal dan biaya minimal.

💼 Implikasi Praktis untuk Industri

Manfaat Langsung Predictive Maintenance:

• Downtime Berkurang: Prediksi lebih awal mencegah kerusakan tiba-tiba.
• Penghematan Biaya: Tidak perlu penggantian suku cadang yang masih layak.
• Efisiensi Logistik: Spare part bisa disediakan sesuai prediksi, bukan stok buta.
• Peningkatan Keamanan: Risiko bahaya kerja akibat kerusakan alat lebih kecil.
• Produktivitas Naik: Mesin beroperasi lebih optimal dan jarang idle.

Tantangan Implementasi:

• Kualitas Data Rendah: Sensor rusak, data hilang, noise
• Keterbatasan SDM: Kurangnya tenaga ahli data di bidang teknik
• Integrasi Sistem: Sinkronisasi antara sistem sensor, software, dan pengambilan keputusan
• Interpretasi Model: Model terlalu kompleks untuk dipahami teknisi lapangan

🧠 Kritik dan Opini: Kekuatan vs Kelemahan Paper

✅ Kekuatan:

• Struktur Komprehensif: Menyentuh seluruh siklus PdM dari data ke keputusan
• Ragam Teknik ML: Diberikan cukup lengkap dengan klasifikasi dan contoh
• Penekanan Praktis: Menekankan pentingnya FS, interpretasi P-F curve, dan kebijakan organisasi

❌ Kekurangan:

• Minim Studi Kasus: Tidak ada pembuktian konkret implementasi di sektor industri tertentu
• Kurangnya Perbandingan Kinerja: Tidak ada evaluasi mana teknik ML yang paling efektif dalam PdM
• Keterbatasan Visualisasi: Kurangnya visualisasi atau flowchart yang bisa mempermudah pemahaman teknis

📌 Kesimpulan: Menuju Industri Bebas Downtime

Paper ini menyusun dasar-dasar teknis dan teoritis untuk perusahaan yang ingin bertransformasi dari pemeliharaan konvensional ke strategi prediktif berbasis data. Ia tidak hanya menawarkan metode, tetapi juga menyadarkan bahwa investasi PdM bukan hanya soal software, tetapi mindset, data management, dan sinergi antar divisi.

Jika diterapkan secara konsisten, pendekatan ini mampu:

• Memperpanjang umur alat
• Mengurangi kehilangan produksi
• Meningkatkan respons tim teknik
• Menurunkan beban biaya operasional

Namun, kesuksesan PdM tidak bisa dilepaskan dari pemahaman menyeluruh terhadap data dan pemilihan teknik yang tepat. Machine Learning bukan sekadar “tool keren” tetapi harus dijinakkan agar selaras dengan proses bisnis nyata.

🔗 Referensi Resmi

Judul: Predictive Maintenance in Industry 4.0: A Survey of Planning Models and Machine Learning Techniques
Penulis: Ida Hector & Rukmani Panjanathan
Jurnal: PeerJ Computer Science
Tahun: 2024
DOI: https://doi.org/10.7717/peerj-cs.2016