Perpustakaan Digital ITB

Electrical Submersible Pump (ESP) memerlukan pemantauan kondisi yang tepat karena perubahan parameter operasi dapat berkembang menjadi penurunan performa dan gangguan produksi. Penelitian ini bertujuan mengembangkan model pembelajaran mesin untuk memprediksi Remaining Useful Life (RUL), mengklasifikasikan level warning, serta menganalisis kontribusi parameter operasi terhadap keluaran model menggunakan SHapley Additive exPlanations (SHAP). Data penelitian berasal dari digitasi grafik operasi ESP pada empat dataset, yaitu ESP1, ESP2, OTC1, dan OTC2, dengan parameter Power, Hz, PIP, PDP, Ti, Tm, A, dan V. Prediksi RUL dilakukan menggunakan model regresi, sedangkan level warning dibentuk berdasarkan Drop Deviation terhadap tren normal dan diklasifikasikan menjadi Normal, Early Drop, 1st Alarm, 2nd Alarm, dan 3rd Alarm. Model Random Forest dipilih untuk prediksi RUL dengan nilai MSE 0,925, RMSE 0,962, MAE 0,370, MAPE 7,689%, sMAPE 5,825%, dan R 20,987. Model Gradient Boosting dipilih untuk klasifikasi level warning dengan AUC 0,994, CA 0,949, F1-score 0,948, precision 0,948, recall 0,949, dan MCC 0,916. Hasil menunjukkan bahwa peningkatan level warning tidak selalu disertai penurunan RUL secara monotonik karena dipengaruhi oleh penyimpangan pola RUL terhadap tren normal. Analisis SHAP menunjukkan bahwa Power, Hz, dan Tm lebih dominan pada prediksi RUL, sedangkan PIP, A, dan V lebih berperan dalam membedakan level warning. Integrasi kedua workflow menghasilkan pendekatan interpretatif untuk membaca pola perubahan kondisi ESP melalui kontribusi parameter operasi terhadap perubahan prediksi RUL dan peningkatan level warning.