Pengembangan Model Diagnosa Otomatis Rotating Equipment Berbasis Machine Learning untuk Mengurangi Subjektivitas Maintenance di Industri Pupuk

Oleh :
Pradipta Daniswara - I0322097 - Fak. Teknik

Penelitian ini bertujuan mengembangkan model diagnosa otomatis rotating equipment berbasis machine learning untuk mengurangi subjektivitas maintenance di industri pupuk PT. XYZ. Data historis vibrasi mesin 107JA, 107JB, dan 107JC berformat plain text (.txt) yang tidak terstruktur diproses menggunakan pipeline otomatis berbasis Regular Expression menjadi data tabular. Pendekatan unsupervised learning menggunakan Gaussian Mixture Model (GMM) diterapkan untuk mengklasifikasikan kondisi "Normal" dan "Rusak", disusul algoritma DBSCAN pada data "Rusak" untuk mendeteksi jenis kerusakan Unbalance dan Misalignment. Hasil klaster divalidasi dengan domain knowledge untuk menghasilkan pseudo-label yang digunakan dalam melatih algoritma random forest classifier pada kerangka supervised learning. Evaluasi model menunjukkan tingkat akurasi sebesar 89,97% dalam memprediksi kondisi dan jenis kerusakan mesin. Seluruh pipeline prediksi ini kemudian diintegrasikan ke dalam dashboard interaktif berbasis Laravel untuk mendukung pengambilan keputusan predictive maintenance secara efisien, objektif, dan otomatis.