Tantangan Memantau Mesin Industri
Perkembangan Industri 4.0 membuat semakin banyak mesin produksi dilengkapi sensor yang mampu merekam kondisi peralatan secara terus-menerus. Sensor tersebut dapat memantau berbagai indikator, termasuk getaran, temperatur, arus listrik, dan parameter lain yang berkaitan dengan kesehatan mesin.
Data tersebut penting karena kerusakan mesin tidak selalu terjadi secara tiba-tiba. Perubahan kecil pada pola operasi dapat menjadi tanda awal adanya gangguan atau penurunan kondisi komponen.
Pendekatan ini berkaitan erat dengan predictive maintenance, yaitu strategi pemeliharaan yang menggunakan data kondisi mesin untuk mengantisipasi kerusakan sebelum menyebabkan penghentian produksi. Kegagalan mesin yang tidak terduga dapat mengakibatkan gangguan produksi, peningkatan biaya pemeliharaan, serta menurunkan keandalan sistem.
Namun, pemantauan berbasis cloud memiliki tantangan tersendiri. Data sensor harus dikirim ke server pusat untuk diproses. Proses tersebut dapat menambah waktu komunikasi, menggunakan bandwidth, dan membuat sistem bergantung pada ketersediaan jaringan.
Di sinilah Edge AI menjadi penting. Alih-alih mengirim seluruh data ke server pusat, sebagian proses kecerdasan buatan dilakukan lebih dekat dengan sumber data, misalnya pada perangkat edge yang berada di lingkungan mesin. Pendekatan ini memungkinkan analisis dilakukan lebih cepat dan mengurangi ketergantungan terhadap komunikasi dengan cloud.
Menggabungkan Tiga Jenis Data Sensor
Marsutiyawan Aji mengembangkan sistem pemantauan yang menggunakan tiga parameter utama: getaran, temperatur, dan arus listrik. Ketiganya memberikan informasi yang berbeda mengenai kondisi mesin.
Getaran dapat menunjukkan perubahan mekanis, termasuk ketidakseimbangan atau indikasi degradasi komponen. Temperatur menggambarkan perubahan kondisi termal selama mesin bekerja, sedangkan arus listrik dapat mencerminkan perubahan beban mesin.
Penelitian tersebut menganalisis 10.000 observasi sensor, yang terdiri atas 8.000 data kondisi normal dan 2.000 data anomali. Data kemudian diproses dan digunakan untuk melatih serta menguji model deteksi anomali.
Nilai sensor menunjukkan variasi yang cukup besar. Data getaran berada pada rentang 8,5–95,7 Hz dengan rata-rata 27,4 Hz. Temperatur berkisar antara 28,3–86,5°C dengan rata-rata 43,8°C, sementara arus listrik berada pada kisaran 1,2–6,8 A dengan rata-rata 2,9 A.
Autoencoder Belajar Mengenali Kondisi Normal
Untuk mendeteksi anomali, Aji menggunakan model Autoencoder, salah satu pendekatan pembelajaran mendalam yang dapat mempelajari pola kondisi normal mesin.
Sederhananya, model terlebih dahulu belajar mengenali seperti apa pola operasi mesin dalam kondisi normal. Ketika menerima data yang memiliki pola sangat berbeda, sistem menghasilkan kesalahan rekonstruksi yang lebih besar. Perbedaan tersebut kemudian digunakan sebagai indikator adanya kondisi tidak normal.
Model dilatih menggunakan 7.000 sampel, divalidasi dengan 1.500 sampel, dan kemudian diuji menggunakan 1.500 sampel. Proses pelatihan berlangsung selama 100 epoch. Hasilnya menunjukkan penurunan training loss dari 0,0184 pada epoch ke-20 menjadi 0,0039 pada epoch ke-100. Validation loss juga turun dari 0,0197 menjadi 0,0045.
Akurasi Deteksi Mencapai 96,8 Persen
Pada pengujian menggunakan 1.500 sampel, sistem menunjukkan performa yang relatif tinggi.
- Akurasi: 96,80%
- Precision: 95,90%
- Recall: 96,30%
- F1-score: 96,10%
Dari 1.500 sampel pengujian, sebanyak 1.452 sampel diklasifikasikan dengan benar. Model juga mampu mengenali sebagian besar kondisi anomali dalam dataset pengujian.
Analisis lebih lanjut menunjukkan bahwa dari 1.200 kondisi aktual yang normal, sistem mengklasifikasikan 1.186 sebagai normal dan 14 sebagai anomali. Sementara dari 300 kondisi aktual yang mengalami anomali, sebanyak 266 berhasil dikenali sebagai anomali dan 34 diklasifikasikan sebagai normal.
Hasil tersebut menunjukkan bahwa penggunaan beberapa parameter sensor secara bersamaan dapat memberikan gambaran kondisi mesin yang lebih lengkap dibandingkan hanya mengandalkan satu jenis sensor.
Respons Sistem Hanya 0,28 Detik
Selain akurasi, kecepatan menjadi faktor penting dalam pemantauan industri. Sistem yang akurat tetapi terlambat memberikan peringatan tetap dapat kurang efektif ketika digunakan untuk kondisi yang membutuhkan respons cepat.
Dalam penelitian Aji, keseluruhan proses dari pengambilan data hingga klasifikasi anomali membutuhkan rata-rata 0,28 detik. Waktu tersebut terdiri atas 0,12 detik untuk akuisisi data sensor, 0,05 detik untuk prapemrosesan, 0,08 detik untuk proses inference Autoencoder, dan 0,03 detik untuk klasifikasi anomali.
Menurut Aji dari PT. Karyatama Solusindo, integrasi data getaran, temperatur, dan arus listrik memungkinkan sistem memperoleh informasi yang lebih komprehensif mengenai perilaku mesin. Pemrosesan AI di perangkat edge juga memungkinkan deteksi dilakukan tanpa sepenuhnya bergantung pada pemrosesan cloud.
Mendukung Pemeliharaan Prediktif
Temuan ini memiliki implikasi praktis bagi industri yang ingin meningkatkan sistem pemeliharaan mesin. Sistem Edge AI dapat memberikan indikasi awal ketika pola operasi mesin mulai menyimpang dari kondisi normal.
Dengan informasi tersebut, tim pemeliharaan dapat memperoleh dasar tambahan untuk menentukan kapan pemeriksaan atau tindakan pemeliharaan perlu dilakukan. Dalam jangka operasional, pendekatan tersebut berpotensi membantu mengurangi unplanned downtime dan meningkatkan keandalan peralatan.
Namun, hasil penelitian belum berarti sistem tersebut telah teruji pada seluruh jenis mesin industri. Penelitian masih menggunakan jumlah parameter sensor yang terbatas dan dilakukan dalam skenario pemantauan tertentu. Penulis merekomendasikan pengujian menggunakan dataset industri yang lebih besar, jenis mesin yang berbeda, serta lingkungan operasional nyata. Parameter tambahan seperti sinyal akustik, tekanan, dan konsumsi energi juga dapat dipertimbangkan pada penelitian berikutnya.
Profil Penulis
Marsutiyawan Aji merupakan penulis penelitian Edge AI Based Anomaly Detection for Real Time Monitoring of IoT Enabled Industrial Systems. Afiliasinya tercatat di PT. Karyatama Solusindo. Penelitian yang diterbitkan berfokus pada penerapan Edge AI, Internet of Things (IoT), deteksi anomali, pemantauan industri, dan Autoencoder.
Sumber Penelitian
Aji, Marsutiyawan. “Edge AI Based Anomaly Detection for Real Time Monitoring of IoT Enabled Industrial Systems.” Formosa Journal of Science and Technology (FJST), Vol. 5, No. 9, 2026, hlm. 2523–2538. DOI: 10.55927/fjst.v5i9.162. Artikel diterbitkan sebagai artikel akses terbuka.
URL jurnal: Formosa Journal of Science and Technology
0 Komentar