Perpustakaan Digital ITB

Perkembangan transformasi digital pada sektor manufaktur mendorong industri untuk tidak hanya meningkatkan produktivitas proses pemesinan, tetapi juga mengoptimalkan efisiensi konsumsi energi sebagai bagian dari implementasi manufaktur berkelanjutan. Salah satu komponen yang berkontribusi besar terhadap konsumsi energi pada mesin Computer Numerical Control (CNC) milling adalah motor spindle, sehingga estimasi konsumsi arus listrik selama proses pemesinan menjadi informasi penting untuk mendukung pemantauan energi dan pengambilan keputusan produksi. Berbagai penelitian sebelumnya telah mengembangkan model prediksi konsumsi energi menggunakan pendekatan empiris maupun machine learning. Namun, sebagian besar penelitian tersebut hanya menghasilkan model prediksi tanpa mengintegrasikan informasi konsumsi energi ke dalam representasi data manufaktur berbasis STEP-NC, sehingga informasi energi belum dapat dimanfaatkan sebagai bagian dari data produksi digital yang mendukung interoperabilitas antar sistem. Oleh karena itu, penelitian ini bertujuan mengembangkan model prediksi konsumsi arus listrik motor spindle berdasarkan parameter fisik pemesinan serta mengimplementasikannya ke dalam arsitektur manufaktur berbasis STEP-NC yang terintegrasi dengan layanan komputasi awan, dashboard visualisasi, dan dokumen XML. Penelitian menggunakan pendekatan kuantitatif eksperimental melalui Design of Experiment (DoE) Full Factorial 2? sebanyak 32 run percobaan. Variabel bebas terdiri atas material benda kerja, feed rate (Vf), depth of cut (ap), spindle speed, dan width of cut (ae), sedangkan variabel respon berupa arus listrik motor spindle yang diukur menggunakan sensor SCT-013 berbasis ESP32. Data arus listrik dikirim secara real-time menuju Firebase Realtime Database, kemudian diproses menggunakan Google Colaboratory melalui tahapan sinkronisasi data, filtering menggunakan metode Interquartile Range (IQR) per Run_ID, pengujian asumsi regresi, serta pembangunan model menggunakan Ordinary Least Squares (OLS) dan Generalized Least Squares with Autoregressive (GLSAR). Pemilihan model terbaik dilakukan berdasarkan nilai koefisien determinasi (R²), Adjusted R², Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Model terbaik kemudian divalidasi menggunakan data ii hasil DoE dan data proses produksi aktual, dilanjutkan dengan analisis sensitivitas terhadap perubahan parameter pemesinan serta implementasi model ke dalam arsitektur STEP-NC berbasis cloud. Hasil penelitian menunjukkan bahwa Model 3 OLS dengan filtering IQR clipping per Run_ID memberikan performa terbaik dengan nilai R² sebesar 0,72, Adjusted R² sebesar 0,69, MAE sebesar 1,42 A, RMSE sebesar 1,81 A, dan MAPE sebesar 7,23%. Validasi menggunakan data Design of Experiments (DoE) menghasilkan MAPE sebesar 7,24% (highly accurate forecasting), sedangkan validasi pada data produksi aktual menghasilkan MAPE sebesar 16,53% (good forecasting), yang menunjukkan bahwa model tetap memiliki kemampuan prediksi yang baik meskipun akurasinya menurun pada kondisi produksi nyata akibat faktor – faktor seperti keausan pahat, variasi kondisi pemotongan, dan kondisi operasional yang tidak dimodelkan. Analisis sensitivitas menunjukkan bahwa model memiliki operating window yang andal pada rentang arus 2–33 A, dengan batas prediksi hingga kenaikan feed rate sebesar 130% dan depth of cut sebesar 900% untuk material S45C, serta 120% dan 600% untuk material SKD11. Kebaruan penelitian ini terletak pada pengembangan ekstensi STEP-NC yang mengintegrasikan model prediksi konsumsi arus listrik motor spindle dengan arsitektur manufaktur berbasis cloud melalui Firebase Realtime Database, Google Spreadsheet, Google Colaboratory, Google Looker Studio, dan dokumen XML. Integrasi ini menghubungkan parameter proses, arus listrik aktual dan prediksi, daya, energi, biaya listrik, serta tingkat kesalahan prediksi dalam satu alur data digital, sehingga memperluas fungsi STEP-NC sebagai media pertukaran data manufaktur yang mendukung interoperabilitas, pemantauan konsumsi energi, dan pengambilan keputusan berbasis data pada implementasi manufaktur cerdas.