Dalam transformasi besar-besaran yang disebut sebagai Industri 4.0, teknologi bukan lagi sekadar alat bantu, tetapi menjadi fondasi utama keberlangsungan operasi industri modern. Salah satu teknologi kunci dalam era ini adalah Predictive Maintenance (PdM), atau pemeliharaan prediktif, yang memungkinkan pabrik-pabrik mendeteksi potensi kegagalan mesin bahkan sebelum kerusakan terjadi. Dalam konteks ini, karya Susan Hosseini dari Eindhoven University of Technology menyajikan sebuah framework menyeluruh berbasis Internet of Things (IoT) yang tidak hanya dibangun secara teoritis, tetapi juga diimplementasikan langsung pada kasus nyata mesin cetak milik NTS Group, sebuah perusahaan teknologi tinggi di Belanda.
Paper ini bukanlah telaah literatur semata, melainkan paduan antara telaah mendalam terhadap studi-studi terdahulu, desain sistem terstruktur berbasis lima blok utama, serta eksperimen nyata dalam lingkungan industri yang sesungguhnya. Dalam resensi ini, kita akan mengurai setiap elemen penting dari framework tersebut, menganalisis efektivitasnya, serta menilai implikasinya terhadap kebutuhan industri yang terus berkembang.
Mendasari Framework: Masalah Industri Nyata dan Kebutuhan akan Inovasi
NTS Group, perusahaan tempat studi ini dilakukan, menghadapi permasalahan yang sangat umum dalam industri: kerusakan mesin yang tak terduga, mahalnya biaya perawatan, serta keterbatasan data awal untuk membangun sistem prediktif. Mesin cetak digital yang digunakan di pabrik mereka memiliki kompleksitas tinggi dan terdiri atas berbagai komponen penting—salah satunya adalah pompa tinta, yang menjadi objek utama penelitian.
Tantangan utama yang dihadapi antara lain:
- Tidak adanya data historis yang cukup mengenai kondisi normal dan abnormal mesin (masalah cold start)
- Kompleksitas tinggi dalam mengintegrasikan sensor, protokol komunikasi, dan sistem pengambilan keputusan
- Keputusan antara menggunakan sistem berbasis cloud atau on-premise untuk analisis dan penyimpanan data
- Kebutuhan mendesak untuk sistem real-time alert yang efisien, akurat, dan tidak mahal
Dari permasalahan-permasalahan tersebut, Hosseini merancang pendekatan yang mampu menghubungkan semua tahapan—dari pengambilan data, pemrosesan, hingga pengambilan keputusan—dalam satu arsitektur holistik yang disebut sebagai End-to-End Predictive Maintenance Framework.
Lima Blok Framework Predictive Maintenance: Solusi Holistik IoT untuk Dunia Nyata
Framework ini terbagi menjadi lima lapisan yang saling terhubung dan berjalan secara berurutan:
1. Data Acquisition
Pada tahap ini, dilakukan pengumpulan data dari sensor-sensor pada mesin. Proses ini mencakup:
- Penempatan sensor di bagian pompa mesin cetak
- Pengambilan data tekanan, getaran, dan kecepatan aliran
- Pengaturan sampling rate dan skema visualisasi sinyal
- Penggunaan protokol industri seperti ModbusTCP, EtherCAT, dan OPC-UA
2. Data Preprocessing
Data yang dikumpulkan dari mesin sering kali masih mentah dan berisik. Oleh karena itu, dilakukan beberapa proses seperti:
- Noise filtering (pengurangan sinyal gangguan)
- Feature extraction: pengambilan ciri-ciri penting dari sinyal (misalnya: nilai RMS, skewness, kurtosis)
- Dimension reduction: menggunakan teknik PCA (Principal Component Analysis) dan PCC (Pearson Correlation Coefficient) untuk menyeleksi fitur yang benar-benar berkontribusi pada prediksi
Namun, peneliti menemukan bahwa teknik PCA kurang efektif ketika distribusi data tidak ideal, karena bisa mengurangi akurasi model.
3. Predictive Analytics
Ini adalah jantung dari framework, di mana machine learning digunakan untuk memprediksi kerusakan. Model yang diuji:
- Regressor (untuk prediksi nilai kontinyu):
- Linear Regression
- Generalized Linear Regression
- Decision Tree Regression
- Classifier (untuk klasifikasi kondisi sehat/sakit):
- Logistic Regression (LR): akurasi 95%
- Decision Tree (DT): akurasi 99%
- Random Forest (RF): akurasi 98%
- Semi-supervised learning:
- One-Class SVM (Support Vector Machine): deteksi anomali, akurasi 99% di semua metrik (precision, recall, F1-score)
Model semi-supervised sangat krusial karena menangani keterbatasan data abnormal (failure), yang sulit dikumpulkan di industri karena kerusakan jarang terjadi secara terencana.
4. Result Evaluation
Penilaian model dilakukan berdasarkan metrik umum seperti:
- Accuracy (tingkat ketepatan)
- Precision (tingkat keakuratan deteksi positif)
- Recall (kemampuan mendeteksi semua kegagalan)
- F1-score (harmonisasi precision dan recall)
- RMSE dan MAE untuk model regresi
Hasil evaluasi menunjukkan bahwa model Decision Tree dan Random Forest memiliki performa tertinggi dalam skenario klasifikasi, sementara One-Class SVM unggul dalam mendeteksi anomali tersembunyi.
5. Decision Making
Hasil akhir dari sistem ini digunakan untuk mengambil keputusan otomatis:
- Sistem alarm otomatis yang mengirim email ke teknisi saat mendeteksi anomali
- Visualisasi prediksi dalam antarmuka pengguna berbasis dashboard
- Rekomendasi pemeliharaan secara otomatis, berbasis tren data
Pendekatan ini menggantikan metode konvensional yang bergantung pada inspeksi visual manual, sekaligus mempercepat waktu respons terhadap kegagalan.
Studi Kasus: Pompa Mesin Cetak Industri di NTS Group
Framework ini tidak hanya diuji dalam simulasi, tetapi diimplementasikan langsung pada pompa tinta dari mesin cetak industri. Beberapa poin penting:
- Pengumpulan data dilakukan selama beberapa hari operasional mesin
- Data berisi kondisi sehat (normal) dan kondisi menjelang rusak (unhealthy)
- Dataset dipisahkan menjadi data latih (training) dan data uji (test)
- Evaluasi dilakukan untuk semua model dalam berbagai skenario kombinasi preprocessing dan algoritma ML
Hasil eksperimen menunjukkan bahwa:
- Preprocessing seperti normalisasi dan standarisasi sangat memengaruhi performa model
- Time-domain features dari data sampling rendah menghasilkan akurasi lebih buruk
- Kombinasi preprocessing yang baik dengan Random Forest memberikan prediksi yang sangat akurat
- SVM berhasil mengenali anomali dengan threshold optimal (nu = 0.01)
Kekuatan dan Kelemahan Framework dalam Praktik Industri
Kekuatan:
- Framework end-to-end, mencakup semua tahapan dari sensor hingga keputusan
- Penggunaan pendekatan data-driven, tanpa ketergantungan besar pada domain expert
- Implementasi nyata pada sistem industri, bukan sekadar teori
- Fleksibel terhadap infrastruktur: bisa dijalankan secara on-premise maupun hybrid cloud
- Akurasi tinggi dalam deteksi anomali
Kelemahan:
- Masih terbatas pada satu use case (pompa pada mesin cetak)
- Tidak menggunakan pendekatan deep learning seperti RNN atau LSTM yang bisa lebih adaptif terhadap time series
- PCA dan teknik reduksi dimensi belum optimal untuk semua jenis distribusi data
- Skalabilitas untuk lintas mesin masih perlu diuji lebih lanjut
Dampak Nyata dan Rekomendasi untuk Industri
Framework ini sangat relevan bagi industri manufaktur, terutama yang ingin mengurangi:
- Downtime tak terduga
- Biaya akibat kerusakan mesin mendadak
- Ketergantungan terhadap jadwal perawatan manual
Dengan integrasi sistem notifikasi berbasis email, pengambilan keputusan pemeliharaan menjadi jauh lebih efisien. Perusahaan kini bisa merespons potensi kerusakan sebelum berdampak pada operasional, yang berarti penghematan besar dalam jangka panjang.
Kesimpulan: Pilar Strategis untuk Industri Cerdas
Framework Predictive Maintenance berbasis IoT yang dikembangkan oleh Susan Hosseini menjadi bukti bahwa pendekatan sistematis, praktis, dan berbasis data mampu menjawab tantangan nyata industri. Dengan lima blok utama yang saling terhubung, serta validasi melalui studi kasus nyata, framework ini menjadi panduan penting bagi industri yang ingin mengadopsi pemeliharaan prediktif secara menyeluruh.
Alih-alih hanya mengandalkan inspeksi rutin atau perbaikan setelah kerusakan, pendekatan ini mendorong transisi ke budaya prediktif berbasis bukti, yang sejalan dengan visi Industri 4.0.
Sumber resmi paper:
Susan Hosseini. (2021). A Comprehensive IoT-Enabled Predictive Maintenance Framework: A Case Study of Predictive Maintenance for a Printing Machine. Eindhoven University of Technology.
🔗 https://research.tue.nl/en/studentTheses/9cf621ad-8b78-4d94-b4b8-983edca32e2