Sustainable Maintenance Through Predictive Preventive Maintenance in a Cold Roll Mills Plant Using Naïve Bayes Classifier and Decision Tree Algorithms

(1)

Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322

Vol. 9, No. 2, Juni 2022, Hal. 876-890 E- ISSN 2503-2933 876

th

Sustainable Maintenance Melalui Prediksi Preventive Maintenance Di Plant Cold Roll Mills (CRM) PT. Krakatau Steel (Persero) Tbk Dengan Algoritma

Naïve Bayes Classifier Dan Decision Tree

Hidayatudin Shodikin¹, Atika Montori², Christina Juliane³

1,2,3

STMIK Likmi; Jl. Ir. H. Juanda No. 51, Bandung e-mail: ¹[email protected], ²[email protected]

3[email protected]

Abstrak

PT. Krakatau Steel (Persero) Tbk merupakan perusahaan BUMN yang bergerak di bidang produksi baja terbesar di Indonesia. Meningkatnya jumlah produksi produk baja di PT Krakatau Steel, perlu ditunjang dengan kondisi fasilitas produksi yang prima. Perusahaan perlu memprediksi kapan mesin harus dilakukan pemeliharaan sehingga sustainable maintenance dapat dilaksanakan dengan baik. Tujuan dalam penelitian ini adalah untuk mencegah timbulnya kerusakan-kerusakan yang tidak terduga, terutama untuk peralatan yang memiliki potensi kerusakan yang tinggi. Peneliti melakukan prediksi preventive maintenance untuk lokasi perawatan, jenis perawatan dan cost center di plant CRM (Cold Roll Mills).

Pengolahan Data Mining yang dilakukan dengan menggunakan Algorithma Naïve Bayes untuk membantu menemukan prediksi dari dua jenis pemeliharaan (WP: Preventive & WE:

Emergency). Data diolah kembali dengan menggunakan algoritma Decision Tree untuk menentukan lokasi perawatan mana saja yang perlu di lakukan kegiatan pemeliharaan. Hasil penelitian menunjukan bahwa Preventive Maintenance di Plant CRM (Cold Roll Mills) sudah berjalan dengan baik, karena hanya 1.39% saja data Emergency Maintenance dari Total 5034 record. Hasil prediksi dari algoritma Naïve Bayes dihasilkan 8 record emergency maintenance dengan class presisi sebesar 88.89%. Data preventive maintenance 2416 records sesuai prediksi dan hanya 1 record yang diprediksi akan mengalami emergency dengan class presisi 99.96%. Penelitian ini menggunakan data testing 2626 record dengan tingkat akurasi 99.92%.

Hasil dari Decision tree menunjukan lokasi, aktivitas pemeliharaan, jenis pemeliharaan serta cost center mana saja yang harus mendapatkan perawatan.

Kata kunci—preventive maintenance, data mining, Naïve Bayes, Decision Tree, PT Krakatau Steel

Abstract

PT. Krakatau Steel (Persero),Tbk is a state-owned company engaged in the largest steel producer in Indonesia. The increasing number of steel product production at PT Krakatau Steel needs to be supported by excellent production facilities. The production process can be stopped if there is damage to the machine. Companies need to predict when the machine must be maintained so that sustainable maintenance can be carried out properly. The purpose of this research is to prevent unexpected damages, especially for equipment that has potential damage.

Researchers predict preventive maintenance for maintenance locations, types of maintenance, and cost centers at the CRM (Cold Roll Mills) plant. Data Mining processing using the Naïve Bayes Algorithm to help find predictions for two types of maintenance (WP: Preventive & WE:

Emergency). The data is reprocessed using the Decision Tree algorithm to determine which

(2)

877 Jatisi ISSN 2407-4322 Vol. 9, No. 2, Juni 2022, Hal. 876-890 E- ISSN 2503-2933

Hidayatudin, et., al [Sustainable Maintenance Melalui Prediksi Preventive Maintenance di Plant Cold Roll Mills (CRM) PT. Krakatau Steel (Persero) Tbk Dengan Algoritma Naïve Bayes Classifier dan Decision Tree]

maintenance locations need maintenance activities. The results showed that Preventive Maintenance in Plant CRM (Cold Roll Mills) was running well in only 1.39% of Emergency Maintenance data from a total of 5034 records. Prediction results from the Naïve Bayes algorithm resulted in 8 emergency maintenance records with a class precision of 88.89%.

Preventive maintenance data is 2416 records as predicted, and only one record predicted to emergency maintenance with a precision class of 99.96%. This research uses data testing 2626 records with an accuracy rate of 99.92%. This study uses data testing 2626 records with an accuracy rate of 99.92%. The result of the Decision tree is that it can show the location, maintenance activities, types of maintenance, and which cost centers should receive treatment.

Keywords— preventive maintenance, data mining, naïve bayes, decision tree, PT. Krakatau Steel

1. PENDAHULUAN

aat ini penerapan teknologi informasi dalam bidang industri telah banyak dipergunakan, karena memungkinkan proses produksi di dalam industri lebih efisien dan lebih efektif. Hal tersebut membuat perusahaan dituntut untuk melakukan peningkatan kuantitas dan kualitas produk yang dihasilkan. Salah satu faktor penting untuk menghasilkan suatu produk dan mendukung proses produksi di perusahaan adalah mesin. Proses produksi bisa menjadi tidak efektif apabila mesin mengalami kerusakan atau gangguan, sehingga menghentikan proses produksi, membengkaknya biaya perawatan, dan menurunkan kualitas produk yang dihasilkan.

Perawatan adalah kegiatan untuk memelihara atau menjaga fasilitas peralatan pabrik dan mengadakan perbaikan atau pergantian yang memuaskan sesuai dengan apa yang direncanakan.

Sustainable Maintenance merupakan usaha perawatan fasilitas produksi secara berkelanjutan sehingga fasilitas produksi tersebut dapat secara optimal digunakan.

Pada dasarnya proses produksi pada perusahaan dengan skala besar, menengah dan kecil diperlukan adanya perawatan mesin dengan baik, agar kegiatan produksi dapat berjalan dengan baik [1]. Tetapi dalam prakteknya untuk skala perusahaan kecil sampai dengan menengah jarang sekali perawatan mesin dan peralatan penunjang produksi mendapatkan perhatian dalam hal perawatan, oleh sebab itu dibutuhakan sistem perawatan yang terorganisir guna mendukung terciptanya kelancaran dalam proses produksi [2].

Pada sebuah sistem perawatan, terdapat dua sistem yaitu preventive maintenance dan corrective maintenance [3]. Sistem preventive maintenance adalah perawatan yang dilakukan sebelum adanya kerusakan dan corrctive maintenance adalah perawatan yang dilakukan pasca terjadinya kerusakan [4]. Predictive maintenance dilakukan dengan cara melakukan monitoring beberapa kondisi yang berhubungan dengan peralatan [5], Pada preventive maintenance bertujuan untuk pencegahan terjadinya kegagalan produksi, mengetahui kegagalan yang tersembunyi, peningkatan reliabilitas serta mengetahui ketersedian komponen yang harus diganti, sehingga dengan melakukan preventive maintenance sebuah kegagalan dapat diatasi sebelum hal tersebut terjadi [6].

Beberapa hasil penelitian yang relevan telah dilakukan dengan menghasilkan kesimpulan yang berbeda seperti, [7] yang menyimpulkan hasil penelitian bahwa preventive maintenance mampu memperpanjang umur ekonomis peralatan industri serta meminimalisir biaya perawatan jika dilakukan dengan baik. [8] menyimpulkan bahwa kegiatan preventive maintenance dilakukan guna meminimalisir kegagalan produksi dengan cara melakukan peningkatan keandalan melalui proses pemeriksaan mesin secara berkala, sehingga kegagalan produksi dapat diantisipasi. Sedangkan [9] menyimpulkan bahwa hal utama yang perlu

S

(3)

Jatisi ISSN 2407-4322

Vol. 9, No. 2, Juni 2022, Hal. 876-890 E- ISSN 2503-2933 878

dilakukan dalam preventive maintenance adalah mengutamakan komponen kritis pada metode RCM sehingga dapat menentukan keputusan yang tepat untuk melakukan pemeliharaan.

Perbedaan tersebut menjadi sebuah dasar perlu dilakukannya penelitian lanjutan dengan objek penelitian yang berbeda yaitu di PT. Krakatau Steel (Persero).

2. METODE PENELITIAN

Pada tahapan ini peneliti menjelaskan metodologi penelitian yang digunakan. Metode ini digunakan untuk menjelaskan tahapan-tahapan dalam penelitian yang dilakukan.

2.1 Perumusan Masalah

Pada tahap ini merupakan penentuan objek dari penelitian. Penelitian ini dilakukan di salah satu plant PT. Krakatau Steel (Persero), Tbk yaitu Plant CRM (Cold Roll Mills). Pihak operator produksi sangat bergantung kepada mesin untuk mengubah coil semifinished menjadi coil finished product yang siap untuk dijual.

Perawatan terhadap mesin produksi sangat diperlukan untuk menghindari kerusakan yang dapat mengakibatkan stop line di area produksi. Saat ini perusahaan sudah memiliki aplikasi ERP (Enterprise Resources Planning), yaitu sebuah aplikasi yang terintegrasi termasuk modul Plant Maintenance. Data pemeliharaan tersebut belum diolah untuk memprediksi mesin di lokasi mana yang akan rusak dan kapan sebaiknya dilakukan Preventive Maintenance.

Berdasarkan permasalahan di atas, maka batasan masalah dari penelitian ini adalah:

1. Data maintenance yang mencatat semua perawatan baik Preventive maupun Emergency di plant CRM (Cold Roll Mills) dengan jumlah record sebanyak 7.460 records yang dibagi ke dua data : Data Training 5034 record dan Data Testing sebanyak 2426 record

2. Data record pemeliharaan Januari 2020 hingga Maret 2021

3. Metode yang akan digunakan untuk data mining adalah Naïve Bayes Classifier dan Decision Tree

4. Tools yang digunakan adalah perangkat lunak RapidMiner Studio

2.2 Studi Literatur

Peneliti membaca dan mempelajari sumber-sumber yang bisa dijadikan pendukung dalam penelitian ini. Adapun sumber – sumber yang peneliti gunakan yaitu jurnal, buku literatur yang berkaitan dengan metode yang digunakan untuk dijadikan pendukung dalam penyelesaian penelitian ini agar mendapatkan hasil yang baik dan sesuai harapan.

2.2.1 Data Mining

Data mining adalah proses yang menggunakan statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat.

Data Mining didefinisikan sebagai proses penemuan pola dalam data. Berdasarkan tugasnya, data mining dikelompokkan menjadi deskripsi, estimasi, prediksi, klasifikasi, clustering dan asosiasi. Proses dalam tahap data mining terdiri dari tiga langkah Utama, yaitu data Preparation Pada langkah ini, data dipilih, dibersihkan, dan dilakukan preprocessed mengikuti pedoman dan knowledge dari ahli domain yang menangkap dan mengintegrasikan data internal dan eksternal ke dalam tinjauan organisasi secara menyeluruh. Penggunaan algoritma data mining dilakukan untuk menggali data yang terintegrasi untuk memudahkan identifikasi informasi bernilai [10].

Namun semakin besar data yang diolah maka semakin besar pula waktu prosesnya [11].

(4)

879 Jatisi ISSN 2407-4322 Vol. 9, No. 2, Juni 2022, Hal. 876-890 E- ISSN 2503-2933

2.2.2. Naïve Bayes

Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik untuk memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya, sehingga dikenal dengan Teorema Bayes [12].

Persamaan dari teorema Bayes adalah:

| = ^|. (1) Keterangan:

: Data dengan class yang belum diketahui

: Hipotesis data X merupakan suatu class spesifik

| : Probabilitas hipotesis H berdasar kondisi X (posteriori probability) : Probabilitas hipotesis H (prior probability)

| : Probabilitas X berdasarkan kondisi pada hipotesis H : Probabilitas X

Adapun alur dari metode Naive Bayes adalah sebagai berikut:

1. Baca data training

2. Hitung Jumlah dan probabilitas, namun apabila data numerik maka:

a. Cari nilai mean dan standar deviasi dari masing – masing parameter yang merupakan data numerik.

b. Cari nilai probabilistik dengan cara menghitung jumlah data yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut.

3. Mendapatkan nilai dalam tabel mean, standar deviasi dan probabilitas.

2.2.3 Decision Tree

Metode ini adalah sebuah struktur pohon, dimana setiap node pohon merepresentasikan attribute yang telah diuji, setiap cabang merupakan suatu pembagian hasil uji, dan node daun (leaf) merepresentasikan kelompok kelas tertentu. Level node teratas dari sebuah Decision Tree adalah node akar (root) yang biasanya berupa attribute yang paling memiliki pengaruh terbesar pada suatu kelas tertentu. Pada umumnya Decision Tree melakukan strategi pencarian secara top-down untuk solusinya. Pada proses mengklasifikasi data yang tidak diketahui, nilai attribute akan diuji dengan cara melacak jalur dari node akar (root) sampai node akhir (daun) dan kemudian akan diprediksi kelas yang dimiliki oleh suatu data baru tertentu. Secara singkat bahwa Decision Tree merupakan salah satu metode klasifikasi pada Text Mining.

2.2.4 Rapidminer

Rapidminer merupakan software/perangkat lunak untuk pengolahan data. Dengan menggunakan prinsip dan algoritma data mining, Rapidminer mengekstrak pola-pola dari data set yang besar dengan mengkombinasikan metode statistika, kecerdasan buatan dan database.

Rapidminer memudahkan penggunanya dalam melakukan perhitungan data yang sangat banyak dengan menggunakan operator. Operator ini berfungsi untuk memodifikasi data. Data dihubungkan dengan node pada operator kemudian kita hanya tinggal menghubungkannya ke node hasil untuk melihat hasilnya. Hasil yang diperlihatkan Rapidminer pun dapat ditampilkan secara visual dengan grafik. Menjadikan Rapidminer adalah salah satu software pilihan untuk melakukan ekstraksi data dengan metode data mining [13].

(5)

Jatisi ISSN 2407-4322

Vol. 9, No. 2, Juni 2022, Hal. 876-890 E- ISSN 2503-2933 880

3. HASIL DAN PEMBAHASAN

Pada tahap ini dilakukan percobaan dan pengujian metode yang digunakan yaitu menghitung dengan menggunakan algoritma yang diusulkan yaitu Algoritma Naïve Bayes dan Decision Tree .

3.1. Tahap – Tahap Data Mining

Proses data mining merupakan tahap pengolahan data menggunakan metode Naïve Bayes.

Proses ini menggunakan software Rapidminer Studio untuk memudahkan dalam pengolahan data yang berjumlah besar.

3.1.1.Pengolahan Data

Pada tahap ini dataset yang digunakan bersumber dari data maintenance yang mencatat semua perawatan baik Preventive maupun Emergency di plant CRM (Cold Roll Mills) selama kurun waktu 2010 - 2021 dengan jumlah record sebanyak 7.460 records yang dibagi ke dua data : Data Training 5034 records dan Data Testing sebanyak 2426 records.

Tabel 1. Dataset Maintenance di Plant Cold Roll Mills (CRM)

Peneliti melakukan analisa dari dataset sehingga didapatkan attribute yang dibutuhkan untuk algoritma Naïve Bayes maupun Decision Tree, yaitu:

a. Attribute PLANT (pabrik produksi) yang terdiri dari 8 Plant. Pada penelitian ini hanya Plant CRM (Cold Roll Mills)

b. Attribute TYPE (tipe pemeliharaan) merupakan tipe data binominal yaitu : WP (Preventive Maintenance) dan WE (Emergency Maintenance)

c. Attribute MAT (jenis aktivitas pemeliharaan) merupakan tipe polynominal terdiri dari :

(6)

881 Jatisi ISSN 2407-4322 Vol. 9, No. 2, Juni 2022, Hal. 876-890 E- ISSN 2503-2933

Tabel 2. Attribute MAT & Penjelasannya

d. Attribute Func.Loc (Area perawatan) merupakan tipe polynominal sebanyak 456 Functional Location yang menunjukan posisi perawatan dilakukan

e. Attribute Cost.Ctr (Cost Center) merupakan tipe polynominal sebagai penampung biaya perawatan.

Tabel 3. Attribute Cost Center & Penjelasannya

3.1.2.Pembersihan Data (Data Cleaning)

Pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten atau data tidak relevan. Pada umumnya data yang di peroleh memiiliki isian yang tidak sempurna seperti data hilang, data yang tidak valid. Selain itu, ada juga Attribute data yang tidak relevan dengan hipotesa data mining yang dimiliki. Pembersihan data juga akan mempengaruhi performasi dari teknik data mining, karena data yang ditangani akan berkurang jumlah dan kompleksitasnya. Pembersihan data dilakukan dalam Rapidminer menggunakan operators Select Attributes, Filter Example dan Replace Missing Value.

Gambar 1. Operator yang Digunakan Untuk Pembersihan Data Code

RPL REP CON REC MAN MOD INS CLB MEA CAL

Replacement Repair

Contract of Service Recondition Manufacture Modification

Inspection & Adjustment Activities

Lubrication & Cleaning Measurement

Calibration

Code 113447 113443 113444 113424 113412

Description Din Utility CRM Din MS AEI CRM Din MS Mech.CRM Din Roll Proses TCM & RC

(7)

Jatisi ISSN 2407-4322

Vol. 9, No. 2, Juni 2022, Hal. 876-890 E- ISSN 2503-2933 882

Tabel 4. Raw Data dari ERP yang Telah Dikonversi ke Rapidminer

3.1.3.Integrasi Data (Data Integration)

Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru. Data yang diperlukan untuk data mining tidak hanya berasal dari satu database tetapi juga berasal dari beberapa database atau file teks. Integrasi data dilakukan pada atribut - atribut yang mengidentifikasi entitas yang unik seperti attribute: Plant (Pabrik Produksi), Func.Loc (Area Pemeliharaan), Mat (Jenis Aktivitas Pemeliharaan), Type (Type Pemeliharaan, dan CostCtr (Cost Center). Integrasi data perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa menghasilkan hasil yang menyimpang dan bahkan menyesatkan pengambilan aksi nantinya.

(8)

883 Jatisi ISSN 2407-4322 Vol. 9, No. 2, Juni 2022, Hal. 876-890 E- ISSN 2503-2933

Tabel 5. Attribute yang Digunakan Untuk Algoritma Naïve Bayes Hasil Rapidminer

3.1.4.Transformasi Data (Data Transformation)

Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam data mining. Metode data mining membutuhkan format data yang khusus sebelum bisa diaplikasikan dengan algoritma Naïve Bayes & Decision Tree. Metode clustering hanya bisa menerima input data kategorikal. Proses ini sering disebut transformasi data.

Gambar 2. Operator yang Digunakan Untuk Naïve Bayes & Decision Tree

3.1.5. Evaluasi Pola (Pattern Evaluation)

Data diidentifikasi pola-pola yang menarik ke dalam knowledge based yang ditemukan.

Hasil dari teknik data mining berupa pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai.

Evaluasi data untuk attribute TYPE (jenis perawatan) dihasilkan sebagai berikut:

(9)

Jatisi ISSN 2407-4322

Vol. 9, No. 2, Juni 2022, Hal. 876-890 E- ISSN 2503-2933 884

Gambar 3. Hasil Pengolahan Attribute TYPE (Jenis Perawatan) di Rapidminer

Data WE (Emergency Maintenance) sebanyak 9 records dan WP (Preventive Maintenance) sebanyak 2417 record dari 2426 records.

Evaluasi data untuk attribute Func.Loc (Area perawatan) dihasilkan sebagai berikut:

Func.Loc KE-768-M010 area perawatan yang sering terjadi dilakukan perawatan baik Preventive Maintenance maupun Emengency Maintenance

Gambar 4. Frekuensi Perawatan Berdasarkan Func. Loc (Area Perawatan)

Evaluasi data untuk attribute MAT (Jenis Aktitas Perawatan) dihasilkan sebagai berikut: Jenis perawatan area perawatan yang sering dilakukan adalah INS (Inspection)

(10)

885 Jatisi ISSN 2407-4322 Vol. 9, No. 2, Juni 2022, Hal. 876-890 E- ISSN 2503-2933

Gambar 5. Frekuensi Perawatan Berdasarkan MAT (Jenis Aktivitas Perawatan)

Evaluasi data untuk attribute Cost.Ctr (Cost Center) dihasilkan sebagai berikut: Cost center yang sering menampung biaya perawatan adalah Cost Center: 113443 (Din Utility CRM)

Gambar 6. Frekuensi Perawatan Berdasarkan Cost.Ctr (Cost Center)

3.1.6. Presentasi Pengetahuan (Knowledge Presentation)

Visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang diperoleh pengguna. Tahap terakhir dari proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil analisis yang didapat.

Hasil algoritma Naïve Bayes memberikan pengetahuan yaitu:

(11)

Jatisi ISSN 2407-4322

Vol. 9, No. 2, Juni 2022, Hal. 876-890 E- ISSN 2503-2933 886

Tabel 6. Percobaan Model Confusion Matrix

Berdasarkan gambar percobaan model Naïve Bayes menunjukan bahwa dari 2426 data testing pada tabel 6 Confusion Matrix sebanyak 2416 records perawatan berjenis Preventive Maintenance sesuai prediksi dan hanya 1 record untuk perawatan menjadi prediksi Emergency Maintenance. Sementara 8 record Emergency Maintenance sesuai prediksi dan hanya 1 record perawatan menjadi prediksi Preventive Maintenance. Hasil algoritma dari decision tree memberikan pengetahuan sebagai berikut:

Gambar 7. Hasil dari Algoritma Decision Tree

(12)

887 Jatisi ISSN 2407-4322 Vol. 9, No. 2, Juni 2022, Hal. 876-890 E- ISSN 2503-2933

Berdasarkan gambar percobaan model Decision Tree menunjukan dari 4 Cost Center dibagi ke dalam 2 Type perawatan (WP Preventive Maintenance & WE Emergency Maintenance) kemudian dibagi sesuai dengan jenis aktivitas perawatan dan functional location.

3.2.Pengujian Hasil

Pada tahap ini peneliti melakukan pengujian hasil terhadap hasil pengolahan data alogoritma Naïve Bayes melalui RapidMiner ngan menggunakan pengujian manual melalui Microsoft Excel, dengan hasil sebagai berikut:

Tabel 7. Perbandingan Pengujian Attribute TYPE Microsoft Excel & Rapidminer

Dari hasil pengujian manual melalui Microsoft excel didapatkan hasil yang sesuai dengan yang dihasilkan dalam Rapidminer, yaitu terdapat 70 records untuk pemeliharaan Emergency Maintenance (1.39%) dan 4964 records untuk Preventive Maintenance (98.61%)

Tabel 8. Perbandingan Pengujian Attribute MAT Microsoft Excel & Rapidminer

Dari hasil pengujian manual melalui excel didapatkan hasil yang sesuai dengan yang dihasilkan dalam Rapidminer, yaitu attribute MAT (Jenis Aktitas Perawatan) dihasilkan sebagai berikut: Jenis perawatan area perawatan yang sering dilakukan adalah INS (Inspection)

(13)

Jatisi ISSN 2407-4322

Vol. 9, No. 2, Juni 2022, Hal. 876-890 E- ISSN 2503-2933 888

Tabel 9. Perbandingan Pengujian Attribute Cost.Ctr Microsoft Excel & Rapidminer

Dari hasil pengujian manual melalui excel didapatkan hasil yang sesuai dengan yang dihasilkan dalam Rapidminer, yaitu attribute Cost.Ctr (Cost Center) dihasilkan sebagai berikut : Cost center yang sering menampung biaya perawatan adalah Cost Center : 113443 (Din Utility CRM).

Tabel 10. Perbandingan Pengujian Confusion Matrix Microsoft Excel & Rapidminer

Dari hasil pengujian manual melalui excel didapatkan hasil yang sesuai dengan yang dihasilkan dalam Rapidminer, tingkat akurasi 99.92% dengan sebaran data 2416 records perawatan berjenis Preventive Maintenance sesuai prediksi dan hanya 1 record untuk perawatan menjadi prediksi Emergency Maintenance. Sementara 8 record Emergency Maintenance sesuai prediksi dan hanya 1 record perawatan menjadi prediksi Preventive Maintenance.

3.3. Penutup

Pada bagian ini peneliti melakukan penarikan kesimpulan yang mana nantinya kesimpulan ini adalah manfaat dari hasil penelitian yang bisa dijadikan indikator untuk beberapa hal seperti:

1. Dapat memberikan masukan untuk memprediksi mesin produksi yang akan mengalami kerusakan.

2. Meningkatkan produktivitas dan effisiensi dengan adanya sustainable maintenance.

3. Dapat memperkirakan peralatan mesin yang digunakan untuk melakukan Preventive Maintenance.

CLASS PREDIKSI

WP WE

WP 2416 1

WE 1 8

99,92%

TINGKAT AKURASI

(14)

889 Jatisi ISSN 2407-4322 Vol. 9, No. 2, Juni 2022, Hal. 876-890 E- ISSN 2503-2933

4. KESIMPULAN

Hasil penelitian menunjukan bahwa Preventive Maintenance di Plant CRM (Cold Roll Mills) sudah berjalan dengan baik, karena hanya 1.39% saja data Emergency Maintenance dari Total 5034 records. Hasil prediksi dari algoritma Naïve Bayes dihasilkan 8 records emergency maintenance dengan class presisi sebesar 88.89%. Data preventive maintenance hanya 1 record yang diprediksi akan mengalami emergency dengan class presisi 99.96%. Penelitian ini menggunakan data testing 2626 records dengan tingkat akurasi 99.92%. Hasil dari Decision tree menunjukan lokasi, cost center yang digunakan, jenis pemeliharaan, serta aktivitas pemeliharaan serta apa saja yang harus dilakukan.

5. SARAN

Hasil penelitian ditemukan Func.Loc KE-768-M010 baik secara perawatan Preventive maintenance maupun Emergency Maintenance memiliki frekuensi yang paling tinggi, sehingga membutuhkan perhatian yang lebih khusus. Langkah antisipasi kerusakan mesin dapat lebih ditingkatkan dengan mengetahui lokasi dan peralatan mana yang memiliki potensi kerusakan melalui prediksi Preventive Maintenance.

DAFTAR PUSTAKA

[1] Ahilma, J & Atmaji, F.T.D. 2017. "Software Application for Maintainance System". 2017 Fifth International Conference on Information and Communication Technology (ICoICT), 0 (RCM II)

[2] Atmaji, F.T.D. 2015. "Optimalisasi Jadwal Perawatan Pencegahan pada Mesin Tenun Unit Satu di PT KSM Yogyakarta". Jurnal Rekayasa Sistem & Industri, Vol. 2, No. 2; pp.

7-11.

[3] Atmaji, F.T.D & Putra, A.A.N.N.U. 2018. "Kebijakan Persediaan Suku Cadang di PT ABC Menggunakan Metode RCS. Jurnal Manajemen Industri & Logistik, Vol. 2, No. 1;

pp. 84-94.

[4] Halgado, M., Macci, M & Fumagalli, L. 2016. "Value in Use of e-Maintenance in Service Provision: Survey analysis and Futre Research Agenda". IFAC papers online, Vol. 49, No. 28; pp. 138-143.

[5] Bentley, L.D & Whitten, JL. 2007. System Analysis and Design for The Global Enterprise. Newtork: McDraw-Hill.

[6] Smith, DJ. 2011. Reliability, Maintanability, and Risk 8^th edition. E-book.

[7] Carretero, J. 2003. "Applying RCM in Large Scale System: A Case Study with Railway Network". Reliability Enginering & System Savety, Vol 82, No. 3; pp. 257-273.

(15)

Jatisi ISSN 2407-4322

Vol. 9, No. 2, Juni 2022, Hal. 876-890 E- ISSN 2503-2933 890

[8] Ruijters, E., Guck, D., Van Noort, M & Stoelinga, M. 2016. "Reliability Centered Maintenance of The Elecrically Isulated Railway Join Via Fault Tree Analysis: A Practical Experience Report". Proceedings - 46^th annual IEEE/IFIP international Conference on Dependeble System & Networks, DSN 2016; pp. 662-669.

[9] Gupta, G & Misra, R.P. 2018. "Identification of Critical Components Using ANP for Implementation of Reliability Centered Maintenance". Procedia CIRP, 69 May; pp. 905- 909.

[10] M. M. Baharuddin, T. Hasanuddin & H. Azis. 2019. “Analisis Performa Metode K- Nearest Neighbor Untuk Identifikasi Jenis Kaca”. Ilk. J. Ilm, Vol. 11, No. 28; pp. 269–

274.

[11] Ilham, A. 2017. “Komparasi Algoritma Klasifikasi Dengan Pendekatan Level Data Untuk Menangani Data Kelas Tidak Seimbang”. J. Ilm. Ilmu Komputer, Vol. 3, No. 1, pp. 9–14.

[12] Bustami. 2013. "Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi”, TECHSI: Jurnal Penelitian Teknik Informatika, Vol. 3, No.2; pp. 127-146.

[13] CTI, B. R., Gafar, A. A., Fajriani, N., Ramdani, U., Uyun, F. R., Ransi, N., dkk. 2017.

"Implemetasi K-Means Clustering pada Rapidminer Untuk Analisis Daerah Rawan Kecelakaan". Prosiding Seminar Nasional Riset Kuantitatif Terapan, Vol. 1.