PENERAPAN PREDICTIVE MAINTENANCE DENGAN MACHINE LEARNING MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINES, RANDOM FOREST, XGBOOST (STUDI KASUS: PT. JINWOO ENGINEERING INDONESIA)

Abstract

PT. Jinwoo Engineering Indonesia yang bergerak pada bidang roduksi plastik lembaran dan fabrikasi logam memasangkan sensor pada mesin vacuum forming. Penelitian ini mengkaji penerapan predictive maintenance berbasis machine learning pada mesin vacuum forming milik PT. Jinwoo Engineering Indonesia. Tujuan utama penelitian adalah membangun model klasifikasi kondisi mesin ke dalam kategori normal dan failure, serta menentukan algoritma terbaik berdasarkan metrik evaluasi seperti akurasi, precision, recall, dan F1-score. Algoritma yang digunakan meliputi Support Vector Machine (SVM), Random Forest, dan XGBoost. Data yang dianalisis merupakan data historis maintenance dan sensor yang digunakan pada mesin vacuum forming yang dikumpulkan selama periode September hingga Desember 2024. Sebelum proses pemodelan, dilakukan tahapan pre-processing berupa cleansing, eliminasi atribut tak relevan, dan teknik undersampling untuk menyeimbangkan proporsi kelas data. Evaluasi model dilakukan dengan menggunakan confusion matrix, sebuah teknik yang memungkinkan analisis performa klasifikasi model dengan mengukur jumlah prediksi benar dan salah dalam setiap kelas. Hasil eksperimen menunjukkan bahwa Random Forest menghasilkan performa terbaik dengan akurasi 98%, precision dan recall masing-masing sebesar 98%. Analisis feature importance mengidentifikasi bahwa variabel temperatur heater, tingkat getaran, dan tekanan udara memberikan kontribusi signifikan terhadap klasifikasi kondisi mesin. Penerapan metode ini diharapkan mampu membantu perusahaan dalam mendeteksi potensi kerusakan secara dini, sehingga mengurangi downtime dan meningkatkan efisiensi produksi secara keseluruhan.