Dalam era revolusi industri 4.0, digitalisasi dan otomatisasi tidak hanya menyentuh lini produksi, tetapi juga strategi pemeliharaan. Predictive Maintenance (PdM) atau pemeliharaan prediktif telah menjadi kebutuhan utama dalam menjaga kelangsungan operasional industri. PdM merupakan pendekatan berbasis data yang memungkinkan deteksi dini potensi kerusakan mesin sebelum benar-benar terjadi. Pendekatan ini mengandalkan analisis data historis dari sensor-sensor industri yang memantau kondisi mesin secara real time. Namun demikian, untuk membangun model PdM yang akurat, dibutuhkan data yang berkualitas dan berlabel dengan benar. Inilah titik krusial di mana penelitian Adelina Zian Andriani pada tahun 2021 menjadi sangat relevan dan layak mendapat sorotan.
Penelitian ini secara khusus membahas penerapan Active Learning (AL) dan Semi-Supervised Learning (SSL) sebagai metode untuk mengatasi permasalahan keterbatasan data berlabel dalam pengembangan PdM. Active Learning adalah pendekatan dalam pembelajaran mesin di mana algoritme secara aktif memilih data yang paling informatif untuk dilabeli oleh manusia (expertise), sehingga meminimalkan jumlah pelabelan manual. Sedangkan Semi-Supervised Learning merupakan gabungan dari supervised learning (dengan data berlabel) dan unsupervised learning (dengan data tidak berlabel), yang memanfaatkan data tidak berlabel dalam proses pelatihan model. Gabungan dari kedua metode ini menghasilkan model prediktif yang tidak hanya efisien, tetapi juga akurat meskipun dengan keterbatasan data.
Latar Belakang dan Permasalahan Industri
Industri modern, khususnya manufaktur, sangat tergantung pada ketersediaan dan keandalan mesin. Downtime atau waktu henti produksi, baik yang terencana maupun tidak, dapat menyebabkan kerugian signifikan. Misalnya, kasus Amazon tahun 2013 yang mengalami downtime selama 49 menit mengakibatkan kerugian sekitar 4 juta dolar AS. Permasalahan seperti ini bukan hanya berdampak pada kerugian finansial, tetapi juga mengganggu rantai pasok, menurunkan kepuasan pelanggan, dan berisiko terhadap keselamatan kerja.
Dalam praktiknya, strategi pemeliharaan tradisional terbagi menjadi tiga kategori utama, yaitu:
- Corrective Maintenance (CM): Pemeliharaan yang dilakukan setelah kerusakan terjadi. Pendekatan ini memiliki risiko biaya tinggi dan potensi downtime mendadak.
- Preventive Maintenance (PM): Pemeliharaan yang dilakukan secara berkala berdasarkan estimasi waktu atau siklus kerja mesin. Meskipun mencegah kerusakan mendadak, PM sering kali tidak efisien karena jadwalnya tidak selalu mencerminkan kondisi aktual mesin.
- Predictive Maintenance (PdM): Strategi modern yang memanfaatkan sensor dan algoritme pembelajaran mesin untuk memprediksi kegagalan sebelum terjadi, sehingga intervensi pemeliharaan bisa dilakukan secara tepat waktu.
PdM berpotensi besar mengurangi downtime tak terduga, meningkatkan efisiensi pemeliharaan, memperpanjang umur peralatan, dan mengurangi biaya operasional. Namun, implementasi PdM menghadapi tantangan besar, terutama dalam pengumpulan dan pelabelan data. Mayoritas data sensor tidak berlabel dan proses pelabelan manual tidak hanya mahal tetapi juga rawan kesalahan.
Tujuan Penelitian dan Kontribusi
Penelitian ini bertujuan untuk:
- Mengembangkan model fault diagnostic, yaitu sistem yang mampu mengklasifikasikan jenis kerusakan mesin berdasarkan data sensor.
- Mengembangkan model fault prognostic, yaitu sistem yang mampu memprediksi Remaining Useful Life (RUL) atau sisa usia pakai suatu mesin.
- Merumuskan strategi pemeliharaan berbasis hasil prediksi tersebut, termasuk jadwal planned maintenance yang optimal.
Kontribusi utama penelitian ini adalah penerapan gabungan Active Learning dan Semi-Supervised Learning untuk mengatasi masalah data tidak berlabel, serta pemanfaatan kombinasi algoritme machine learning yang optimal, yaitu Random Forest (RF) untuk klasifikasi dan Support Vector Regression (SVR) untuk prediksi regresi.
Metodologi dan Implementasi
Studi dilakukan pada PT X, sebuah perusahaan manufaktur semen yang menggunakan berbagai mesin berat seperti IDFAN (Induced Draft Fan), Coal Feeder, dan Kiln. Mesin-mesin tersebut dilengkapi dengan sensor yang merekam data secara kontinu dan disimpan dalam server PLC (Programmable Logic Controller). Data diambil selama periode 2017–2019 dengan frekuensi pencatatan setiap 10 detik.
Langkah awal adalah proses pre-processing, yang mencakup:
- Data Cleaning: Menghapus data duplikat, mengisi nilai kosong, dan menghilangkan outlier (data yang ekstrem dan tidak wajar).
- Data Transformation: Menstandardisasi data agar memiliki skala yang seragam.
- Data Reduction: Menggunakan PCA (Principal Component Analysis) untuk mereduksi dimensi data tanpa mengurangi informasi penting.
Setelah data siap, dilakukan proses pembelajaran model:
- Active Learning: Model memilih data tidak berlabel yang paling "informatif" berdasarkan strategi uncertainty sampling, lalu diberikan ke expertise untuk dilabeli.
- Semi-Supervised Learning: Sisa data tidak berlabel dilabeli secara otomatis oleh model berdasarkan keyakinan tertinggi.
Data berlabel hasil kombinasi AL dan SSL kemudian digunakan untuk membentuk dua model utama:
- Fault Diagnostic Model: Menggunakan Random Forest Classifier dan Support Vector Classifier.
- Fault Prognostic Model: Menggunakan Support Vector Regression.
Hasil dan Evaluasi Model
Hasil dari model yang dibangun sangat mengesankan:
- Fault Diagnostic (RFC):
- Akurasi: 99,85%
- Precision dan Recall: Stabil di atas 95% di semua kelas kerusakan.
- Confusion Matrix menunjukkan tingkat kesalahan sangat rendah.
- Fault Prognostic (SVR):
- Akurasi prediksi RUL: 97,09%
- RMSE dan MAE rendah, menunjukkan prediksi sangat dekat dengan data aktual.
- R² Score mendekati 1, artinya model sangat representatif.
Analisis tambahan menggunakan PCA menunjukkan bahwa pengurangan dimensi tidak menurunkan akurasi model secara signifikan, namun mempercepat proses pelatihan dan pengujian.
Perancangan Strategi Pemeliharaan
Berdasarkan model prediksi, disusunlah strategi pemeliharaan terencana:
- Skema Diagnostic: Menggunakan hasil klasifikasi untuk menentukan jenis kerusakan dan komponen mana yang terdampak.
- Skema Prognostic: Menggunakan prediksi RUL untuk menyusun jadwal intervensi sebelum kerusakan terjadi.
- Rekomendasi Planned Maintenance: Rencana pemeliharaan berdasarkan prediksi waktu optimal peralatan harus diperiksa atau diganti.
Dengan strategi ini, perusahaan dapat menghemat biaya, meningkatkan keamanan, dan meminimalisasi downtime.
Opini dan Kritik terhadap Pendekatan
Penelitian ini sangat aplikatif dan memberikan solusi konkret terhadap permasalahan nyata di industri. Pendekatan AL dan SSL berhasil menjawab keterbatasan data berlabel dan membuka jalan bagi implementasi PdM di berbagai sektor, bukan hanya manufaktur semen.
Namun, terdapat beberapa catatan penting:
- Keterbatasan Generalisasi: Studi dilakukan hanya pada satu perusahaan, dengan karakteristik dan mesin tertentu. Perlu dilakukan uji coba lintas industri agar pendekatannya bisa diklaim universal.
- Ketergantungan Expertise: Meskipun jumlah data yang perlu dilabeli manual lebih sedikit, proses tersebut tetap membutuhkan waktu dan tenaga dari ahli yang paham proses industri.
- Fault Prognostic Belum Menggunakan SSL: Bagian prediksi RUL masih sepenuhnya menggunakan supervised learning. Akan lebih lengkap jika SSL juga diterapkan di tahap ini untuk konsistensi pendekatan.
Meski demikian, kombinasi antara akurasi tinggi, efisiensi labeling, dan potensi penghematan biaya membuat penelitian ini sangat layak dijadikan acuan praktis oleh pelaku industri.
Implikasi Industri dan Rekomendasi Implementasi
Penelitian ini memberikan roadmap jelas bagi industri yang ingin menerapkan PdM berbasis machine learning. Langkah-langkah implementatif yang bisa diambil meliputi:
- Instalasi dan integrasi sensor pada mesin utama.
- Penyusunan sistem penyimpanan data real-time (server PLC).
- Pengumpulan data historis minimal 1 tahun.
- Pengembangan model AL untuk mengurangi beban pelabelan.
- Pelatihan model SSL untuk memperluas pelabelan otomatis.
- Implementasi model RFC untuk diagnostic dan SVR untuk prognostic.
- Evaluasi berkelanjutan dengan pengukuran akurasi dan perbaikan model.
Jika dilakukan dengan benar, pendekatan ini dapat mengurangi downtime hingga 40%, menekan biaya pemeliharaan hingga 30%, serta meningkatkan produktivitas secara signifikan.
Kesimpulan: Menuju Masa Depan Pemeliharaan yang Cerdas
Tesis karya Adelina Zian Andriani memberikan kontribusi nyata terhadap pengembangan Predictive Maintenance dalam kerangka Industri 4.0. Dengan mengintegrasikan Active Learning dan Semi-Supervised Learning, pendekatan ini menyelesaikan hambatan utama dalam PdM—yaitu keterbatasan data berlabel.
Model yang dikembangkan terbukti akurat, efisien, dan aplikatif. Meskipun masih ada ruang untuk pengembangan, penelitian ini telah membuka jalan menuju sistem pemeliharaan cerdas yang tidak hanya mendeteksi, tetapi juga memprediksi dan mencegah kerusakan sebelum terjadi.
Untuk perusahaan yang serius ingin meningkatkan efisiensi operasional melalui pendekatan berbasis data dan AI, penelitian ini bisa menjadi referensi penting dan langkah awal dalam transformasi digital sistem pemeliharaan mereka.