Implementasi Predictive Maintenance Pada Bearing Dengan Menggunakan Machine Learning Untuk Memprediksi Temperatur

Abstract

PT. Integral Industrial Indonesia adalah perusahaan yang beroperasi di lingkungan industri yang kompleks di mana desain, pengoperasian, dan pemeliharaan peralatan yang optimal sangat penting. Salah satu produknya adalah sensor putaran yang dipasang pada bearing mesin kertas. Penelitian ini bertujuan untuk memprediksi variabel suhu pada suatu bearing dengan memfokuskan pada variabel yang terekam oleh sensor. PT. Integral Industrial Indonesia menerapkan sistem pemeliharaan prediktif untuk meningkatkan efisiensi part bearing dan memprediksi kerusakan sebelum benar-benar terjadi. Pada saat pengumpulan data, data diperoleh dari pabrik pembuat kertas PT. XYZ yang bekerja sama dengan PT. Industri Integral Indonesia. Pemrosesan data dilakukan dengan membuat algoritma machine learning. Model yang digunakan adalah K-Nearest Neighbors, Support Vector Machine, dan Artificial Neural Network. Kemudian dilakukan evaluasi model untuk ketiga model menggunakan Mean Absolute Percentage Error (MAPE), Root Mean Square Error (RMSE), dan R-squared. Untuk model K-Nearest Neighbors diperoleh hasil MAPE sebesar 4,44%, RMSE sebesar 1,9623, dan R-squared sebesar 0,849. Untuk model Support Vector Machine diperoleh hasil MAPE sebesar 7,52%, RMSE sebesar 1,8190, dan R-squared sebesar 0,749. Untuk model Artificial Neural Network diperoleh hasil MAPE sebesar 5,55%, RMSE sebesar 2,0209, dan R-squared sebesar 0,799. Berdasarkan evaluasi model ini, model K-Nearest Neighbors menjadi pilihan terbaik yang digunakan perusahaan dalam memprediksi suhu karena memiliki nilai MAPE terkecil, RMSE yang mendekati 0 dan nilai R-Squared yang mendekati 1. Model K-Nearest Neighbors kemudian digunakan untuk menentukan feature importances dan mencari variabel yang memiliki pengaruh terbesar terhadap variabel suhu berdasarkan nilai feature importances tertinggi. Didapatkan nilai feature importances tertinggi yaitu: Y.rms bernilai (1082.4209), posisi kedua Y.peak  bernilai (1066.7731), dan posisi ketiga Z.rms bernilai (1023.5485). Selain itu, analisis finansial dilakukan untuk menghitung potensi penghematan biaya penerapan pemeliharaan prediktif, dengan  hasil produktivitas tambahan sebesar 22,52% (78.820 ton/mesin kertas) dan laba atas investasi (ROI) sebesar 6,56%. Oleh karena itu, penerapan pemeliharaan prediktif sangat bermanfaat bagi perusahaan PT. XYZ.