Predictive Maintenance Dashboard

Sistem Deteksi Dini Kerusakan Mesin Produksi Berbasis Telemetri Multi-Sensor

Lazzuardi Irham Karaman
NIM 23533740 · Ilmu Data Semester 7

Input Parameter Sensor Mesin

5 Variabel Telemetri
Uji Coba:

Suhu udara lingkungan pabrik (standar normal: 295 - 304 K)

Suhu internal proses pemotongan mesin

Kecepatan putaran spindel (normal: 1300 - 1800 RPM)

Momen puntir beban permesinan (normal: 25 - 55 Nm)

Durasi pemakaian mata pahat (ambang batas kritis: > 200 menit)

Diagnosis & Hasil Prediksi

Status Real-time

Menunggu Input Sensor

Pilih salah satu tombol preset di sebelah kiri atau sesuaikan parameter sensor untuk memulai evaluasi inferensi model.

Spesifikasi Model Teruji

  • Algoritma Random Forest (Balanced)
  • Recall Kelas Failure 85.8%
  • Akurasi Keseluruhan 93.6%
  • Area Under Curve (ROC-AUC) 0.942

Ringkasan Business Understanding (CRISP-DM)

Kesesuaian Masalah Industri & Solusi Analitik

Kebutuhan Organisasi

Mengeliminasi unplanned downtime pada lini pemesinan logam presisi serta memangkas biaya perbaikan darurat komponen mekanik sebesar 20-25%.

Stakeholder Kunci

Plant Manager: Penjaga efektivitas OEE lini.
Maintenance Engineer: Penjadwalan servis & sparepart.
Operator: Pemantauan giliran kerja.

Tujuan Analisis Data

Mendeteksi anomali telemetri sensor secara kontinu untuk mentransformasikan strategi perawatan dari run-to-failure menjadi predictive maintenance.

Indikator Kinerja (KPI)

Bisnis: Penurunan downtime 25%.
Teknis: Recall ≥ 85% untuk meminimalkan kerusakan mesin yang lolos dari deteksi model.

Ruang Lingkup Proyek

Fokus pada 5 sensor fisik mesin pemesinan logam presisi (CNC/bubut). Tidak mencakup faktor eksternal seperti listrik padam PLN atau kelalaian operator.

Data yang Dikonfirmasi

Standarisasi satuan sensor (Kelvin, RPM, Nm, Menit), frekuensi sampling IoT, dan validitas log riwayat kerusakan aktual dari teknisi mekanik pabrik.

Jembatan Minggu Ke-4: Analytical Question & Machine Learning Task

Pertanyaan Analitik: Berdasarkan telemetri 5 sensor operasional saat ini, apakah mesin berada pada kondisi kerja aman atau mendekati kegagalan mekanis?
Pendekatan: Klasifikasi Biner (Supervised Learning) dengan target diskrit: 0 (Normal) vs 1 (Failure), bukan regresi nilai kontinu atau clustering murni.