Sebagai subjek penelitian, PT. XYZ mengalami munculnya frekuensi kerusakan mesin, terutama pada unit, sebagai akibat dari kurangnya penerapan sistem prediktif dalam pendekatan pemeliharaan mesin. Studi ini bertujuan untuk meningkatkan efisiensi pemeliharaan mesin di industri manufaktur dengan mengembangkan sistem klasifikasi kerusakan mesin (machine failure) yang berbasis pembelajaran mesin. Data yang dikumpulkan dari mesin cooling tower mencakup delapan parameter utama: suhu masuk dan keluar, tekanan (alat pengukur tekanan), dan kondisi bagian mekanis lainnya. Pendekatan yang digunakan adalah metode supervised learning Dengan membandingkan tiga algoritma klasifikasI Artificial Neural Network, Support Vector Machine, dan Logistic Regression. Model dibangun menggunakan platform Visual Studio Code dan memiliki tahapan preprocessing data yang mencakup normalisasi, penyeimbangan data menggunakan smote, dan validasi berulang menggunakan 10 cross-validation. Penilaian kinerja model didasarkan pada metrik confusion matrix, akurasi, precision, recall, F1-Score, dan ROCCurve. Hasil penelitian menunjukkan bahwa Artificial Neural Network adalah yang terbaik dalam mengklasifikasikan kondisi mesin dengan nilai tertinggi pada iterasi ke- 15 dengan nilai Dengan nilai akurasi : 0,97, precision : 0,97, recall : 0,97, F1- score : 0,97, dan nilai AUC : 1,00 dan memberikan visualisasi klasifikasi yang paling stabil. Ini terutama berlaku ketika jumlah iterasi ditingkatkan. Model ini kemudian dikembangkan menjadi aplikasi web sederhana untuk membantu PT. XYZ menerapkan sistem pemeliharaan prediktif. Dengan demikian, penelitian ini memberikan kontribusi untuk meningkatkan efisiensi operasional perusahaan, mengurangi kemungkinan downtime produksi, dan menawarkan referensi untuk pengembangan sistem prediksi kerusakan mesin berbasis data di masa depan.

S12000

TID 0125 2025

Bekasi

Tersedia