ANALISIS PREDICTIVE MAINTENANCE MESIN PRODUKSI DI ATMI IGI CENTER MENGGUNAKAN METODE RANDOM FOREST

Abstract

Efisiensi operasional adalah tuntutan utama industri manufaktur modern. Namun, ATMI IGI Center menghadapi masalah tingginya frekuensi downtime tak terencana pada mesin Computer Numerical Control (CNC) akibat sistem perawatan konvensional yang kurang efisien, sehingga memicu lonjakan biaya darurat. Penelitian ini bertujuan merancang sistem predictive maintenance menggunakan algoritma Random Forest guna memprediksi estimasi downtime mesin secara akurat. Metode yang digunakan meliputi pemantauan arus listrik secara real-time via sensor DC Signal Isolator 50 Ampere. Pra-pemrosesan data menerapkan teknik feature engineering (Rolling Mean dan Rolling Standard Deviation) untuk mengekstraksi volatilitas sinyal kelistrikan. Hasil pengujian model klasifikasi menunjukkan performa superior dengan tingkat akurasi 99,33% dan presisi 1,00, di mana fitur volatilitas terdeteksi sebagai prediktor kegagalan paling konsisten. Keterbatasan pada nilai recall (0,50) terjadi sebagai akibat dari ketidakseimbangan kelas (extreme class imbalance) pada data historis. Sebagai luaran fungsional, penelitian ini berhasil mengimplementasikan Early Warning System berbasis web Laravel untuk memproyeksikan jadwal perawatan preventif secara presisi bagi teknisi di lapangan