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]