Perpustakaan Digital ITB

Dalam Industri 4.0, Beberapa teknik digunakan, yaitu IoT, pembelajaran mesin, kecerdasan buatan, dll. Teknologi ini diuji untuk meningkatkan kualitas dan produktivitas industri. Beberapa industri manufaktur sedang mengerjakan teknik manufaktur cerdas yang terintegrasi dengan beberapa sensor di dalam mesin. Sensor manufaktur ini disinkronkan dengan berbagai sistem melalui IoT dan digunakan untuk manajemen prediksi yang berbeda. Industri manufaktur terus berupaya meningkatkan efisiensi operasional, khususnya dalam penggunaan mesin penggilingan Computer Numerical Control (CNC), yang memainkan peran penting dalam proses produksi modern. Penelitian ini berpusat pada penerapan pemeliharaan prediktif berbasis data untuk mengoptimalkan kinerja alat berat dan mengurangi waktu henti yang tidak terduga. Penelitian ini bertujuan untuk memperoleh model prediksi terbaik untuk mengklasifikasikan kondisi mesin produksi dengan membandingkan model pembelajaran mesin. Model pemeliharaan prediktif diharapkan dapat meramalkan jadwal pemeliharaan mesin, memperpanjang umur mesin produksi, dan memperkirakan biaya pemeliharaan. Metode analisis yang digunakan berkisar pada analisis klasifikasi, membandingkan enam model klasifikasi: Decision Tree, Random Forest, K-Nearest Neighborm, Gradient Boosting, Gaussian Naïve Bayes, dan Multi-Layer Perceptron. Perbandingan algoritma ini bertujuan untuk mengidentifikasi model klasifikasi yang optimal untuk kasus mesin produksi. Diantara enam algoritma tersebut, model terbaik diperoleh dari Random Forest Model dengan akurasi sebesar 97,9%.