Prediksi Waktu Kerusakan Mesin Batching plant Menggunakan Metode Support Vector Machine untuk Meningkatkan Efisiensi Operasional

Authors

  • Dena Rany Riyantati Program Studi Teknik Industri, Fakultas Sains dan Teknologi, Universitas Muhammadiyah Sidoarjo
  • Tedjo Sukmono Program Studi Teknik Industri, Fakultas Sains dan Teknologi, Universitas Muhammadiyah Sidoarjo

DOI:

https://doi.org/10.30737/jatiunik.v8i1.5543

Keywords:

Batching plant, Operational efficiency, Predictive maintenance, SVM

Abstract

The increasing need for productivity and the use of high technology in the form of machines increases the need for maintenance functions. At PT. XYZ, which produces ready mix concrete  , has problems with the production machine with excess machine load. This results in downtime and delays in the production process, resulting in a decrease in machine operational productivity. The purpose of this study is to predict the time of damage to the engine, so that it can determine the right engine maintenance schedule periodically. In this research, the method used is Support Vector Machine which is implemented to python. This prediction is carried out to improve the efficiency and performance of the machine by predicting damage or failure that may occur in the future. Where this SVM can accurately predict breakdowns and proactively optimize maintenance schedules at the right time. This allows companies to improve efficiency in their operational systems, extend the life of machines, and reduce maintenance costs.

References

Y. Y. Rohmatin, “Modeling Dan Clustering Data Maining Pemeliharaan Mesin Dengan Menggunakan Rapid Mainer,” Pros. SeNTIK, vol. 3, pp. 85–87, 2019.

S. C. R. H. Haliza and A. Qoiriah, “Predictive Maintenance untuk Kendaraan Bermotor dengan Menggunakan Support Vector Machine (SVM),” J. Informatics Comput. Sci., vol. 2, no. 03, pp. 159–168, 2021, doi: 10.26740/jinacs.v2n03.p159-168.

S. Hadi, Perawatan Dan Perbaikan Mesin Industri, 1st ed. Jakarta Gramedia Pustaka Utama, 2019.

R. M. Karina, “Perancangan Program Perawatan Yang Efektif Untuk Menurunkan Downtime Mesin Pada Lube Oil Blending Plant (LOBP),” vol. 50, no. 3, pp. 185–191, 2016.

Ilmumanajemenindustri, “Jenis - Jenis Perawatan Mesin Industri,” ilmumanajemenindustri.com.

M. Achouch et al., “On predictive maintenance in industry 4.0: Overview, models, and challenges.,” Appl. Sci., vol. 12, no.

, p. 8081., 2022.

M. Syaripudin, B. Budiharjo, and D. A. Rostikawati, “Usulan Perawatan Mesin Bending 90 dengan Pendekatan Preventive Maintenance Berdasar Metode Keandalan dan FMEA di PT. Rinnai Indonesia-Cikupa.,” J. Ilm. Tek. dan Manaj. Ind., vol. 2, no. 2, pp. 175–184, 2022.

M. Nasution, A. Bakhori, and W. Novarika, “Manfaat Perlunya Manajemen Perawatan Untuk Bengkel Maupun Industri,” Bul. Utama Tek., vol. 16, No. 3, pp. 248–252, 2021.

I. Zein, D. Mulyati, and I. Saputra, “Perencanaan Perawatan Mesin Kompresor Pada PT. Es Muda Perkasa Dengan Metode Reliability Centered Maintenance (RCM),” J. Serambi Eng., vol. 4, no. 1, p. 383, 2019, doi: 10.32672/jse.v4i1.848.

B. P. Kamiel, A. J. Wiranto, B. Riyanta, and S. Yulianto, “Klasifikasi Cacat Lintasan Dalam Bantalan Bola Berbasis Support Vector Machine (SVM) pada Fan Industri,” Semesta Tek., vol. 22, no. 2, pp. 143–152, 2019, doi: 10.18196/st.222246.

I. Alfarobi, S. Wirahadi, and K. Widianto, “Menggunakan Hyperparameter Tunning Svm Dan Logistic Regression,” Jisamar, vol. 7, no. 3, pp. 854–861, 2023, doi: 10.52362/jisamar.v7i3.771.

N. Khumaidah and T. Sukmono, “Forecasting the Number of Offset Printing Machine Breakdowns Using the Support Vector Machine (SVM) Metdhod,” Procedia Eng. Life Sci., vol. 1, no. 2, 2021, doi: 10.21070/pels.v1i2.1027.

K. Y. Nazara, “Perancangan Smart Predictive Maintenance untuk Mesin Produksi,” Semin. Nas. Off. Stat., vol. 2022, no. 1, pp. 691–702, 2022, doi: 10.34123/semnasoffstat.v2022i1.1575.

B. M. Werdiningsih, Indah; Nuqoba, DATA MINING MENGGUNAKAN ANDROID, WEKA, dan SPSS. Surabaya: Airlangga University Press, 2020.

R. Tineges, A. Triayudi, and I. D. Sholihati, “Analisis Sentimen Terhadap Layanan Indihome Berdasarkan Twitter Dengan Metode Klasifikasi Support Vector Machine (SVM),” J. Media Inform. Budidarma, vol. 4, no. 3, p. 650, 2020, doi: 10.30865/mib.v4i3.2181.

D. S. Permana and A. Silvanie, “Prediksi Penyakit Jantung Menggunakan Support Vector Machine dan Python pada Basis Data Pasien di Cleveland,” JUNIF J. Nas. Inform., vol. 2, no. 1, pp. 29–34, 2021.

T. J. Wibowo, T. S. Hidayatullah, and A. Nalhadi, “Analisa Perawatan pada Mesin Bubut dengan Pendekatan Reliability Centered Maintenance (RCM),” J. Rekayasa Ind., vol. 3, no. 2, pp. 110–120, 2021, doi: 10.37631/jri.v3i2.485.

A. W. Daseno, A. Komari, and H. B. Santoso, “Perencanaan Pengelolaan Limbah Kaca Grafir Menjadi Produk Inovasi Baru Guna Menambah Pendapatan Perusahaan (Sudi Kasus Pada UD. Pelangi Art Glass),” JURMATIS (Jurnal Manaj. Teknol. dan Tek. Ind., vol. 3, no. 1, p. 24, 2021, doi: 10.30737/jurmatis.v3i1.1403.

S. H. Situmorang, I. Muda, M. Doli, and F. S. Fadli, Analisis data untuk riset manajemen dan bisnis. USU press, 2010.

A. B. Sulistyo and S. Muhlis, “Analisis Sistem Perawatan Pada Mesin Gulung Primer Dengan Metode Reliability Centered Maintenance (RCM) Dan Failure Mode And Effect Analysis (FMEA),” J. InTent, vol. 5, no. 2, pp. 27–35, 2022.

T. Zonta, C. A. Da Costa, R. da Rosa Righi, M. J. de Lima, E. S. da Trindade, and G. P. Li, “Predictive maintenance in the Industry 4.0: A systematic literature review,” Comput. Ind. Eng., vol. 150, no. 106889, 2020.

A. Santosa, Budi; Umam, Data Mining dan Big Data Analytics: Teori dan implementasi menggunakan phyton dan apache spark, Edisi 2. Yogyakarta: Penebar Media Pustaka, 2018.

I. Daqiqil, Machine Learning Teori, Studi kasus dan Implementasi Menggunakan Python, Edisi 1. Riau UR PRESS, 2021.

B. Sajiwo et al., “PREDIKSI REMAINING USEFUL LIFE ( RUL ) PADA JET ENGINE SEBAGAI UPAYA,” vol. 11, no. 4, pp. 7–18, 2023.

Y. Amrozi, D. Yuliati, A. Susilo, N. Novianto, and R. Ramadhan, “Klasifikasi Jenis Buah Pisang Berdasarkan Citra Warna dengan Metode SVM,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 11, no. 3, pp. 394–399, 2022, doi: 10.32736/sisfokom.v11i3.1502.

Downloads

PlumX Metrics

Published

2024-10-22

How to Cite

Rany Riyantati, D., & Sukmono, T. (2024). Prediksi Waktu Kerusakan Mesin Batching plant Menggunakan Metode Support Vector Machine untuk Meningkatkan Efisiensi Operasional. JATI UNIK : Jurnal Ilmiah Teknik Dan Manajemen Industri, 8(1). https://doi.org/10.30737/jatiunik.v8i1.5543

Issue

Section

Articles