PERANCANGAN APLIKASI PREDICTIVE MAINTENANCE

DENGAN METODE NEURAL NETWORK PADA ROBOT WELDING

(STUDI KASUS DI PT. TMMIN)

PROPOSAL SKRIPSI

Oleh:

BOBBY YUDHA SETIAWAN

NIM. 190402015

PROGRAM STUDI S1 TEKNIK ELEKTRO

DEPARTEMEN TEKNIK ELEKTRO
FAKULTAS TEKNIK
UNIVERSITAS SUMATERA UTARA
MEDAN
2023
 KATA PENGANTAR

Puji syukur penulis panjatkan ke hadirat Allah SWT, karena berkat rahmat-Nya penulis

dapat menyelesaikan proposal skripsi yang berjudul "PERANCANGAN APLIKASI

PREDICTIVE MAINTENANCE DENGAN METODE NEURAL NETWORK

PADA ROBOT WELDING (STUDI KASUS DI PT. TMMIN)”. Proposal ini disusun

sebagai salah satu syarat untuk menyelesaikan Program Sarjana pada Program Studi Teknik

Elektro, Fakultas Teknik, Universitas Sumatera Utara.

Penelitian ini bertujuan untuk merancang sebuah aplikasi predictive maintenance

berbasis machine learning pada robot yang digunakan di welding shop PT. TMMIN.

Dengan menggunakan sistem predictive maintenance ini, diharapkan dapat

mengoptimalkan perawatan robot dan meningkatkan efisiensi produksi di PT. TMMIN.

Penulis menyadari bahwa penulisan proposal skripsi ini masih jauh dari

kesempurnaan. Oleh karena itu, kritik dan saran yang membangun dari Bapak/Ibu Dosen

Pembimbing dan pihak-pihak terkait lainnya akan sangat penulis hargai untuk

memperbaiki proposal ini menjadi lebih baik. Penulis berharap proposal skripsi ini dapat

memberikan kontribusi positif bagi pengembangan ilmu pengetahuan serta dapat menjadi

referensi bagi peneliti dan praktisi di bidang teknik elektro dan robotika.

Medan, 13 Maret 2023

Bobby Yudha Setiawan

NIM. 190402015

i
 DAFTAR ISI

KATA PENGANTAR .......................................................................................................... i

DAFTAR ISI ....................................................................................................................... ii

DAFTAR TABEL ..............................................................................................................iii

DAFTAR GAMBAR .......................................................................................................... iv

BAB I. PENDAHULUAN .................................................................................................. 1

1.1 Latar belakang ..................................................................................................... 1

1.2 Perumusan masalah ............................................................................................. 2
1.3 Tujuan penelitian ................................................................................................. 3
1.4 Batasan masalah .................................................................................................. 3
1.5 Manfaat penelitian ............................................................................................... 4
1.6 Sistematika penulisan .......................................................................................... 4

BAB II. TINJAUAN PUSTAKA ........................................................................................ 5

2.1 Maintenance ........................................................................................................ 5

2.1.1 Corrective Maintenance ......................................................................... 6
2.1.2 Preventive Maintenance ......................................................................... 6
2.2 Industrial Internet of Things (IIoT) ..................................................................... 7
2.2.1. Operational Technology (OT)................................................................ 8
2.2.2. Information Technology (IT)................................................................ 11
2.3 Machine Learning ............................................................................................. 12

BAB III. METODE PENELITIAN ................................................................................... 15

3.1 Umum ................................................................................................................ 15

3.2 Waktu dan Tempat ............................................................................................ 15
3.3 Alat dan Bahan .................................................................................................. 15
3.4 Variabel yang diamati ....................................................................................... 18
3.5 Prosedur Percobaan ........................................................................................... 19

DAFTAR PUSTAKA ........................................................................................................ 21

ii
 DAFTAR TABEL

Tabel 3. 1 Spesifikasi PC yang digunakan ........................................................................ 16

Tabel 3. 2 Spesifikasi laptop untuk meremote PC............................................................. 17

iii
 DAFTAR GAMBAR

Gambar 2. 1 Diagram efektifitas maintenance .................................................................... 5

Gambar 2. 2 Konvergensi OT dan IT pada IIOT................................................................. 7

Gambar 2. 3 Robot arm dalam industri manufaktur ............................................................ 8

Gambar 2. 4 PLC dengan industrial standard ..................................................................... 9

Gambar 2. 5 SCADA untuk melakukan pengawasan pada industri .................................. 10

Gambar 2. 6 Perekaman data oleh software Device XPlorer ............................................ 10

Gambar 2. 7 Visualisasi data pada suatu proses ................................................................ 12

Gambar 3. 1 Robot welding pada industri manufaktur ...................................................... 16

Gambar 3. 2 Diagram alir tahapan penelitian .................................................................... 19

iv
 BAB I. PENDAHULUAN

1.1 Latar belakang

Konsep Industri 4.0 telah menjanjikan transformasi besar pada dunia industri [1],

dengan menggunakan teknologi canggih seperti IIOT (Industrial Internet Of Things), Big

Data, dan Machine Learning. Teknologi tersebut memungkinkan pengumpulan data dari

berbagai mesin dan peralatan dalam lingkungan produksi, termasuk robot secara realtime

[2]. Pada era industri 4.0 robotik memegang peranan penting pada suatu industri. Pekerjaan

yang sebelumnya dilakukan oleh manusia, perlahan mulai digantikan dengan robot-robot

yang dianggap lebih mampu dalam melakukan kegiatan yang kompleks, berulang dan

menghadapi lingkungan kerja yang keras [3]. Namun robot-robot tersebut perlu untuk

dilakukan pemeliharaan agar tetap dapat melakukan pekerjaan dengan baik dan dapat

diandalkan [4]. Maintenance robot yang dilakukan dengan baik dapat membantu suatu

industri untuk terus memenuhi permintaan dari pelanggan dan memberikan kualitas produk

yang baik [4].

Dalam menjaga margin keuntungan pada suatu industri, maka diperlukan sebuah

sistem yang memiliki keandalan tinggi dengan biaya yang relatif kecil, sehingga hal

tersebut menjadi acuan dasar dalam perkembangan sistem maintenance [4, 5, 6]. Dalam

satu dekade terakhir, kegiatan pemeliharaan berevolusi dari corrective maintenance

dimana pemeliharaan akan dilakukan setelah mesin mengalami kegagalan menjadi

preventive maintenance yang melakukan pemeliharaan berdasarkan histori data pada mesin

[4, 5]. Predictive Maintenance merupakan jenis preventive maintenance yang bertujuan

untuk memberikan informasi mengenai probabilitas suatu mesin mengalami kegagalan

agar dapat menghindari kerusakan yang mengakibatkan kerugian biaya yang besar dan

mengganti equipment apabila diperlukan [2, 4], sehingga RUL (Remaining Useful Lifetime)

sebelum mengalami kegagalan dapat dimanfaatkan secara optimal.

1
 Penelitian yang berjudul “Data Analytics for Predictive Maintenance of Industrial

Robots” oleh Tawfik Borgi dan teman-teman, memanfaatkan data histori robot untuk

memprediksi terjadinya kegagalan pada sebuah robot dengan memanfaatkan model

prediktif regresi linier. Melalui penelitian tersebut diketahui bahwa model prediktif dengan

regresi linier mampu memprediksi RUL pada robot dengan nilai MSE (Mean Square Error)

sebesar 0,008 [7]. Pada penelitian lain yang berjudul “Long Short-Term Memory Networks

for Facility Infrastructure Failure and Remaining Useful Life Prediction” yang ditulis oleh

Rodney Kizito dan teman-teman, yang membandingkan metode LSTM (Long Short-Term

Memory) dengan Random Forest (RF) untuk memprediksi RUL pada sebuah motor. Dari

penelitian tersebut diketahui bahwa LSTM lebih baik daripada metode RF dengan nilai

MAE (Mean Absolut Error) masing-masing ialah 0,075 dan 0,091 [8].

Berdasarkan hasil dari kedua penelitian tersebut, peneliti merasa tertarik untuk

membandingkan kinerja antara regresi linier dengan Recurrent Neural Network (LSTM)

dalam melakukan prediksi RUL pada robot welding di PT. TMMIN. Penelitian ini

bertujuan untuk mengetahui metode mana yang lebih efektif dalam melakukan predictive

maintenance, sehingga dapat memberikan kontribusi pengembangan teknologi dalam

bidang predictive maintenance.

1.2 Perumusan masalah

Adapun rumusan masalah dari penelitian ini adalah sebagai berikut:

1. Bagaimana algoritma machine learning dengan menggunakan metode neural

network dapat mengetahui RUL suatu equipment pada robot?

2. Apakah algoritma machine learning dengan menggunakan metode neural network

dapat lebih baik melakukan prediksi RUL daripada metode regresi linier?

2
3. Bagaimana machine learning dapat memberikan informasi kepada Operator

maintenance mengenai equipment yang sudah mengalami degradasi?

4. Bagaimana machine learning dapat memberikan informasi kepada Operator

maintenance terkait waktu penggantian equipment sebelum terjadinya kerusakan

yang mengakibatkan produksi terhenti?

1.3 Tujuan penelitian

Tujuan penelitian ini adalah untuk mengembangkan sistem peringatan kondisi

equipment pada robot yang dapat memberikan informasi bahwa telah terjadinya degradasi

yang cukup signifikan, serta menentukan strategi untuk melakukan penggantian equipment

sebelum menimbulkan kerusakan pada robot yang dapat menyebabkan downtime dan

produksi terhenti.

1.4 Batasan masalah

Agar penelitian menjadi lebih terarah, maka diberikan batasan masalah sebagai

berikut:

1. menggunakan satu jenis robot welding yang ada di PT. TMMIN sebagai objek dalam

penelitian.

2. Data yang akan diuji berasal dari histori data yang dibaca oleh PLC robot dan telah

tersimpan ke dalam database.

3. Equipment yang akan diuji hanya equipment yang terdapat pada robot dalam keadaan

standar pabrikan.

4. Penelitian akan dilakukan dengan menggunakan bahasa pemrograman python.

3
1.5 Manfaat penelitian

Penelitian ini diharapkan dapat memberikan manfaat bagi petugas pemeliharaan agar

lebih efektif mengetahui kondisi degradasi dari peralatan, sehingga dapat mengetahui

waktu yang tepat untuk melakukan penggantian peralatan sebelum terjadinya kerusakan

dan menimbulkan downtime sehingga menurunkan efisiensi pada produksi.

1.6 Sistematika penulisan

Adapun sistematika penulisan pada proposal penelitian ini sebagai berikut:

BAB I : PENDAHULUAN

Bab ini menjelaskan mengenai latar belakang, perumusan masalah, tujuan

penulisan, batasan masalah, manfaat penelitian dan sistematika penulisan.

BAB II : TINJAUAN PUSTAKA

Bab ini membahas tentang dasar-dasar teori yang menjadi landasan utama

dalam penelitian ini.

BAB III : METODE PENELITIAN

Bab ini membahas tentang studi literatur, tahap persiapan alat dan bahan,

tempat dan waktu penelitian, tahap pengambilan data, tahap analisis dan

tahap pelaporan.

4
 BAB II. TINJAUAN PUSTAKA

2.1 Maintenance

Secara umum maintenance ialah tindakan yang terintegrasi antara teknis maupun

administratif seperti perencanaan, pengawasan dan pemantauan terhadap sebuah sistem

agar dapat terus mempertahankan fungsinya [4, 9]. Maintenance memegang peranan

penting dalam kegiatan produksi agar sebuah sistem dapat berjalan dengan lancar, selain

itu maintenance dapat meminimalkan kerugian terhadap kegagalan suatu sistem [10].

Ada beberapa langkah untuk mencapai maintenance yang efektif sesuai dengan

industri yang dijalankan, namun ada empat hal yang wajib dalam mencapai efektifitas pada

maintenance diantaranya ialah; identifikasi isu yang timbul, perencanaan maintenance,

penjadwalan maintenance dan pelaksanaan maintenance [9]. Gambar 2. 1 memperlihatkan

diagram efektifitas dari kegiatan maintenance [4, 9].

1 Identifikasi 2 Perencanaan 3 Penjadwalan

Pemeriksaan peralatan secara Analisa jadwal dari

Atur tempat penyimpanan
regular manpower
part dan bahan
Menentukan pekerjaan yang Buat jadwal untuk melakukan
Pilih orang yang ahli dalam
harus dilakukan maintenance
jual beli
Prioritaskan perintah kerja
dengan benar

4 Penetapan 5 Eksekusi 6 Evaluasi

Sampaikan jadwal kepada

Motivasi pekerja untuk
bagian marketing Validasi hasil eksekusi
meningkatkan performa
Sesuaikan keahlian marketing Perbarui proses kerja
pekerjaan
dengan pekerjaan

Gambar 2. 1 Diagram efektifitas maintenance

5
2.1.1 Corrective Maintenance

Pemeliharaan korektif adalah cara perawatan mesin yang dilakukan dengan

memperbaiki mesin setelah kerusakan terjadi. Dalam metode ini, komponen mesin

digunakan sampai gagal, lalu seluruh mesin dihentikan untuk melakukan perbaikan.

Namun, karena biaya perawatan yang ditimbulkan tinggi dan waktu henti yang tak terduga,

metode ini sering tidak efisien untuk sektor industri [11].

2.1.2 Preventive Maintenance

Pemeliharaan prefentif adalah kegiatan pemeliharaan yang dilakukan sebelum suatu

mesin mengalami kegagalan. Adapun pemeliharaan prefentif terbagi menjadi dua, yaitu:

a. Planned Maintenance, agar tidak terjadi kerusakan pada proses atau peralatan,

perawatan jenis ini dilakukan dengan jadwal yang telah ditentukan dalam

rentang waktu atau iterasi proses [4]. Karena sering dilakukan secara terencana,

perawatan ini juga disebut perawatan berbasis waktu. Walaupun berhasil, dalam

beberapa situasi, perawatan tersebut bisa meningkatkan biaya operasional

karena terlalu banyak melakukan perawatan [11].

b. Predictive Maintenance, adalah strategi dalam melakukan pemeliharaan

terhadap sebuah sistem yang bertujuan untuk menentukan waktu yang tepat

dalam melakukan kegiatan pemeliharaan. Pemeliharaan prediktif merupakan

suatu inovasi pada era industri 4.0 dan mengambil peran besar dalam

pengembangan smart factory. Selain dapat membantu menjaga keandalan

mesin, pemeliharaan prediktif juga dapat membantu mengurangi downtime dan

memberikan biaya pemeliharaan yang efektif [12].

6
2.2 Industrial Internet of Things (IIoT)

IoT industri (IIoT) memiliki pengaruh dalam pengembangan industri pintar dan

memberikan dampak yang besar pada masa depan manufaktur global. Industri 4.0

mengintegrasikan teknologi siber-fisik untuk meningkatkan efisiensi, kinerja, kualitas,

pengendalian, manajemen dan tindakan yang harus dilakukan pada suatu industri. Untuk

mencapai tujuan ini, dibutuhkan kemajuan sensor generasi berikutnya yang lebih murah

untuk pengumpulan informasi dan komitmen dalam pelaksanaannya oleh industri

manufaktur serta rantai pasok (supply chain) industri tersebut. [1].

Lingkup IoT yang besar dalam dunia industri menimbulkan kewajiban dalam

memenuhi infrastruktur yang memadai antara Operational Technology (OT) dengan

Information Technology (IT). Gambar 2. 2 menunjukan konvergensi antara OT dan IT

dalam suatu sistem IIoT [13].

Gambar 2. 2 Konvergensi OT dan IT pada IIOT

7
2.2.1. Operational Technology (OT)

Operational Technology (OT) memiliki peran penting dalam masyarakat modern

saat ini, karena menggerakkan sekelompok perangkat yang didesain untuk bekerja bersama

sebagai sistem homogen atau terintegrasi. OT merujuk pada perangkat lunak dan perangkat

keras yang digunakan untuk mengendalikan proses fisik, perangkat dan infrastruktur

industri melalui pemantauan dan sistem kontrol [13].

2.2.1.1. Hardware

Perangkat keras sangat banyak digunakan dalam operasional suatu industri

manufaktur, seperti; robot, PLC dan sebagainya. Melalui perangkat ini seluruh kegiatan

operasional dapat diselesaikan dengan tepat dan cepat. Dalam hal industri IoT perangkat-

perangkat ini banyak digunakan untuk mengumpulkan data lalu diproses melalui sistem

Information Technology (IT).

a. Industrial Robot, robot industri merupakan mesin otomatis yang dirancang

untuk melakukan tugas-tugas tertentu di sektor manufaktur, seperti

pengelasan, pengeboran, perakitan, pengangkatan dan banyak lagi. Gambar

robot yang banyak digunakan pada industri manufaktur dapat dilihat melalui

Gambar 2. 3 berikut.

Gambar 2. 3 Robot arm dalam industri manufaktur

8
 b. Programmable Logic Controller (PLC), Programmable Logic Controller

(PLC) adalah sebuah sistem kontrol otomatis yang menggunakan komputer

digital dan didesain secara khusus untuk mengendalikan proses otomatisasi.

PLC memungkinkan pengguna untuk mengendalikan dan memantau

berbagai proses secara otomatis dan dapat diatur sesuai dengan kebutuhan.

Gambar 2. 4 memperlihatkan PLC yang memenuhi standar industri.

Gambar 2. 4 PLC dengan industrial standard

2.2.1.2. Software

Merupakan perangkat lunak yang dapat terintegrasi dengan perangkat keras

seperti robot dan PLC. Perangkat ini juga dapat menerima serta menampung data yang

dikirimkan oleh hardware dan juga dapat melakukan pengawasan terhadap kinerja dari

hardware.

a. Supervisory Control and Data Acquisition (SCADA), sistem SCADA

mengintegrasikan perangkat keras dan perangkat lunak untuk

mengumpulkan, memproses dan menganalisis data dari berbagai perangkat

atau sistem yang terhubung. Sistem SCADA memungkinkan pengguna

untuk memonitor dan mengendalikan sistem atau proses secara jarak jauh,

memantau kinerja perangkat, mengumpulkan data historis untuk analisis

9
 serta memberikan alarm atau notifikasi ketika terjadi kejadian yang tidak

diinginkan. Pada Gambar 2. 5 menunjukkan tampilan sistem SCADA yang

sedang memantau kinerja sebuah sistem.

Gambar 2. 5 SCADA untuk melakukan pengawasan pada industri

b. Device XPlorer, adalah sebuah platform perangkat lunak yang digunakan

untuk mengintegrasikan dan mentransfer data antara berbagai sistem atau

perangkat dalam lingkungan industri. Gambar 2. 6 menunjukan tampilan

data pergerakan suatu robot yang direkam oleh software DXP.

Gambar 2. 6 Perekaman data oleh software Device XPlorer

c. Open Platform Communication (OPC), OPC diperkenalkan pada tahun

1996 sebagai respons terhadap permintaan akan protokol standar industri

yang dapat memfasilitasi komunikasi antara semua peralatan yang

mengendalikan suatu proses. OPC didasarkan pada teknologi Microsoft

untuk Windows yang disebut COM/DCOM dan memungkinkan komunikasi

data antara sistem produksi dan perangkat otomasi dari vendor lain melalui

10
 PC Windows. Dalam konteks otomasi industri, OPC UA dianggap sebagai

protokol mesin-ke-mesin yang dilengkapi dengan keuntungan tidak terbatas

pada suatu sistem operasi tertentu [14].

2.2.2. Information Technology (IT)

Information Technology menyediakan sistem komputasi berbasis data yang

diperoleh dari sistem Operational Technology (OT), dimana sistem OT memonitor

peristiwa, proses dan perangkat serta melakukan penyesuaian dalam industri [15]. Sistem

pada TI umumnya berupa software yang digunakan untuk menyimpan data, mengolah data

maupun melakukan visualisasi data yang diterima dari OT.

2.2.2.1. Data Acquisition

Untuk melakukan akuisisi data dari sistem OT dapat dilakukan dengan

menggunakan platform OPC (Open Platform Communication) yang terdapat pada

beberapa bahasa pemrograman dengan menggunakan library tambahan yang dapat

ditemukan melalui berbagai forum maupun pengembang dari bahasa pemrograman. Ada

banyak bahasa pemrograman yang dapat menjadi OPC client untuk melakukan komunikasi

dengan sistem OT melalui OPC UA (Unified Architecture) diantaranya ialah; C/C++, Java,

.NET, Python, Perl, Ruby, Delphi, LabView, MATLAB, Visual Basic dan masih banyak

lagi lainnya selama bahasa pemrograman tersebut mendukung protokol COM/DCOM [14].

2.2.2.2. Data Storing

Database dapat digunakan untuk menyimpan dan mengelola data dengan efisien,

serta memberikan akses cepat dan mudah ke informasi yang dibutuhkan oleh pengguna.

Adanya sistem keamanan dan hak akses, menjadikan database dapat diatur agar hanya

11
orang tertentu yang dapat mengakses dan memanipulasi data yang tersimpan. Database

juga dapat dikategorikan berdasarkan jenis penyimpanannya, seperti database relasional,

database NoSQL, database MySQL dan lain-lain.

2.2.2.3. Data Visualization

Dashboard adalah sebuah tampilan visual yang menyajikan informasi penting

dalam bentuk grafik atau tabel untuk membantu pengambilan keputusan atau monitoring

suatu proses secara efektif.. Gambar 2. 7 visualisasi data mesin pada suatu proses.

Gambar 2. 7 Visualisasi data pada suatu proses

2.3 Machine Learning

Sebuah sistem machine learning mempelajari data histori, membangun model untuk

melakukan prediksi dan apabila menerima data baru maka machine learning mampu untuk

memprediksi keluaran dari data tersebut [2, 16]. Pada tahun 1952, Arthur Samuel

mengembangkan program Machine Learning pertama untuk membuat sebuah permainan.

Hal tersebut menjadi inspirasi bagi banyak orang sehingga banyak algoritma yang tercipta

untuk berbagai aplikasi pada Machine Learning. Belakangan, bidang Deep Learning

muncul dengan fokus pada pengolahan dataset besar. Pada tahun 1943, Walter Pitts dan

12
Warren Mcculloch mengembangkan model jaringan saraf pertama, dan kemudian

diciptakan banyak jenis jaringan saraf seperti Convolutional Neural Network (CNN) dan

Recurrent Neural Network (RNN) [17].

Penggunaan metode machine learning semakin meluas di berbagai bidang untuk

melakukan beragam tugas. Salah satu area aplikasi yang paling umum dan banyak

digunakan dalam industri adalah diagnosis kesalahan, dimana metode ini digunakan untuk

menentukan apakah peralatan harus diperbaiki atau diganti. Untuk tugas semacam ini,

digunakanlah algoritma klasifikasi biner atau klasifikasi multi-kategori untuk memprediksi

kemungkinan kegagalan [18]. Penggunaan metode ML yang masif pada akhirnya membuat

ML terus berkembang dan banyak digunakan dalam industri seperti melakukan

pemeliharaan prediktif. Berikut ini adalah beberapa metode pada ML yang dapat digunakan

untuk melakukan pemelihraan mesin secara prediktif.

a. Decision Tree, adalah teknik supervised machine learning yang dapat

digunakan untuk menyelesaikan masalah melalui data dengan klasifikasi

dan regresi, tetapi biasanya lebih banyak digunakan untuk menyelesaikan

masalah klasifikasi. Metode ini adalah sebuah klasifikasi berstruktur pohon,

di mana simpul internal mewakili fitur dari dataset, cabang mewakili aturan

keputusan dan setiap simpul daun mewakili hasil akhir [16].

b. Linear Regression, adalah metode machine learning yang digunakan untuk

mempelajari hubungan antara variabel independen (input) dan variabel

dependen (output) secara terus menerus atau kontinu. Tujuan dari regresi

linier adalah untuk membangun model matematis yang dapat memprediksi

nilai output berdasarkan nilai input. Regresi linier dapat dilakukan dengan

menggunakan persamaan garis lurus untuk menggambarkan hubungan

antara input dan output. Dalam persamaan garis lurus, output diprediksi

sebagai hasil dari perkalian antara input dan parameter kemiringan,

13
 ditambah dengan intercept atau bias. Berikut ini adalah rumus yang dapat

diterapkan dalam metode regresi linier [19].

𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑛 𝑋𝑛 [1]

Dimana 𝑌 adalah variabel respon, 𝑋 adalah variabel yang akan diprediksi

dan 𝛽 adalah konstanta yang digunakan untuk melakukan prediksi.

Sementara n adalah indeks dari variabel dan konstanta prediktif.

c. Random Forest Classifier, adalah klasifikasi yang mengandung beberapa

pohon keputusan pada subset yang berbeda dari dataset yang diberikan dan

mengambil rata-rata dari beberapa pohon keputusan untuk meningkatkan

akurasi prediksi dataset tersebut [16].

d. Support Vector Machine (SVM), adalah salah satu algoritma supervised

learning yang paling populer, yang digunakan untuk masalah klasifikasi

maupun regresi. Namun, fungsi utama SVM yang banyak digunakan adalah

terhadap masalah klasifikasi dalam Machine Learning [16].

e. Long Short-Term Memory (LTSM), adalah jenis jaringan saraf buatan

yang populer digunakan untuk memproses data berurutan atau data dengan

ketergantungan temporal yang panjang. LSTM mengatasi masalah

mengenai vanishing gradient pada jaringan saraf rekursif (RNN), yang dapat

mempengaruhi kemampuan jaringan untuk mempelajari ketergantungan

jangka panjang dalam data berurutan. Jaringan LSTM sangat efektif dalam

mempelajari pengalaman untuk mengenali, memproses dan memprediksi

rangkaian waktu, terutama ketika terdapat jeda waktu yang sangat panjang

dan tidak diketahui ukurannya antara peristiwa penting satu dengan lainnya

[12].

14
 BAB III. METODE PENELITIAN

3.1 Umum

Proses penelitian memerlukan langkah-langkah dan tahapan tertentu untuk

memastikan hasil yang diharapkan dapat dicapai dan dipertanggungjawabkan secara

ilmiah. Penyusunan metode penelitian dimaksudkan untuk membantu peneliti dalam

menentukan kesuksesan penelitian. Ada beberapa tahapan yang perlu dilakukan untuk

mempermudah peneliti dalam menentukan jawaban yang diinginkan, seperti menetapkan

waktu dan tempat penelitian, mempersiapkan alat dan bahan, menentukan variabel yang

diamati dan melakukan penelitian sesuai prosedur percobaan.

3.2 Waktu dan Tempat

Penelitian akan berlangsung selama dua bulan, dimulai pada bulan April hingga

bulan Mei 2023 di welding shop milik PT. Toyota Motor Manufacturing Indonesia,

Karawang, Jawa Barat.

3.3 Alat dan Bahan

Penelitian ini akan dapat berjalan dengan baik apabila seluruh alat dan bahan yang

diperlukan dalam melakukan penelitian terpenuhi. Berikut ini adalah alat dan bahan yang

dipakai dalam melakukan penelitian ini.

a. Robot Welding

Alat yang paling utama dalam penelitian ini adalah robot welding yang

menjadi objek utama dalam penelitian ini. Robot ini berjenis robot arm yang

15
dilengkapi dengan mesin pengelasan dan telah diberi program sedemikian rupa agar

dapat melakukan pengelasan pada parts mobil. Gambar 3. 1 menunjukkan ilustrasi

dari robot arm welding.

Gambar 3. 1 Robot welding pada industri manufaktur

b. Komputer dan Jaringan Internet

Agar robot dapat terhubung dengan software-software yang digunakan, maka

perlu adanya sebuah komputer yang harus terhubung langsung dengan robot. Selain

itu, robot memerlukan koneksi dengan internet agar dapat terhubung dengan server

yang dimiliki oleh perusahaan dan agar dapat melakukan koneksi remote dengan

PC pada jaringan lokal yang ada. Tabel 3. 1 menunjukan spesifikasi minimum pada

komputer yang terhubung dengan robot welding.

Tabel 3. 1 Spesifikasi PC yang digunakan

Komponen Tipe
CPU Intel Core i7-1165G7 2.80 GHz
Memori SODIM 16 GB
Penyimpanan Colorful CN600 512 GB
GPU Intel® Iris® Xe Graphics
Jaringan WiFi/LAN
Sistem Operasi Windows 11

16
c. Laptop

Karena lokasi PC yang harus berada dekat dengan robot, sehingga PC diinstal

di lini produksi. Hal tersebut tentu akan cukup menyulitkan bagi peneliti dalam

melakukan pengambilan sampel data selama penelitian serta beresiko menganggu

proses produksi yang sedang berlangsung. Oleh karena itu, peneliti memerlukan

sebuah laptop yang dapat mengendalikan (remote) PC yang ada di lini produksi

tersebut. Dengan menghubungkan PC dan laptop dalam satu jaringan lokal yang

sama maka peneliti dapat melakukan pengambilan sampel data dalam penelitian ini

tanpa harus menghambat proses produksi yang berjalan. Pada Tabel 3. 2 adalah data

spesifikasi laptop yang penguji gunakan dalam penelitian ini.

Tabel 3. 2 Spesifikasi laptop untuk meremote PC

Komponen Tipe
CPU Intel Celeron 4205U 1.8 GHz
Memori SODIM 12 GB (Dual Channel)
Penyimpanan Adata SX8200 Pro 256 GB
GPU Intel® UHD 610 Graphics
Jaringan WiFi/LAN
Sistem Operasi Windows 11

d. Software Ultra VNC

Merupakan software yang peneliti pakai untuk melakukan remote ke PC yang

terhubung dengan robot. Software ini memerlukan IP dari PC yang akan diremote

dan kata sandi yang diatur pada menu Ultra VNC Server di PC yang akan diremote.

e. Software Device XPlorer

Device XPlorer adalah software yang digunakan untuk membaca data-data

dari setiap pergerakan robot secara realtime. Data-data tersebut kemudian dapat

dikirimkan ke internet melalui salah satu fitur yang terdapat pada software tersebut

17
 yaitu OPC Server. Data-data yang dikirimkan tadi akan dikelompokkan berdasarkan

tag data lalu diberikan node id yang dapat dibaca dan diolah dengan menggunakan

OPC UA (Unified Architecture).

f. Python Programming Language

Python adalah bahasa pemrograman yang telah peneliti pilih dalam penelitian

ini untuk membaca data dari OPC Server, mengirim data ke database hingga

melakukan pengujian dengan machine learning. Bahasa pemrograman python ini

juga didukung dengan library dari banyak sumber yang dapat membantu peneliti

untuk melakukan penelitian ini.

g. MySQL

Database yang digunakan dalam penelitian ini. MySQL adalah sistem

manajemen basis data relasional (RDBMS) yang gratis dan open-source. MySQL

digunakan untuk menyimpan, mengelola, dan mengakses data yang terstruktur

dalam basis data, dengan menggunakan bahasa SQL (Structured Query Language).

h. VS Code

Visual Studio Code (biasa disingkat VS Code) adalah editor kode yang

digunakan dalam penelitian ini. Text editor gratis dan open-source yang

dikembangkan oleh Microsoft.

3.4 Variabel yang diamati

Dalam penelitian ini, variabel yang akan diamati dan dianalisis ialah besar arus yang

digunakan dari 8 motor (junctions) pada satu unit robot welding disetiap proses yang

dilakukan oleh robot.

18
3.5 Prosedur Percobaan

Prosedur percobaan yang dilakukan dalam penelitian ini dapat dijelaskan melalui

diagram alir pada Gambar 3. 2 berikut.

Gambar 3. 2 Diagram alir tahapan penelitian

19
 Penelitian ini diawali dengan pengumpulan data yang didapatkan dari robot,

kemudian data-data tersebut dikumpulkan lalu dipilih sedemikian rupa untuk menetapkan

data-data yang dapat dilakukan prediksi. Setelah data sudah siap, peneliti dapat membuat

algoritma machine learning yang telah disiapkan sebelumnya. Selanjutnya peneliti akan

melakukan training terhadap data tersebut dengan menggunakan algoritma yang sudah

dibuat. Keluaran dari pengujian tadi kemudian akan dilakukan evaluasi untuk melakukan

pemeliharaan prediktif terhadap equipment pada robot dan akhirnya peneliti dapat

mengetahui kapan tindakan pemeliharaan harus dilakukan berdasarkan Remaining Useful

Lifetime (RUL) yang menjadi keluaran dari algoritma machine learning yang sudah dibuat.

20
 DAFTAR PUSTAKA

[1] Y. Bin Zikria, R. Ali, M. K. Afzal, and S. W. Kim, “Next-Generation Internet of

Things (IoT): Opportunities, Challenges, and Solutions,” Sensors, vol. 21, no. 4, p.
1174, Feb. 2021, doi: 10.3390/s21041174.

[2] B. Ghasemkhani, O. Aktas, and D. Birant, “Balanced K-Star: An Explainable

Machine Learning Method for Internet-of-Things-Enabled Predictive Maintenance
in Manufacturing,” Machines, vol. 11, no. 3, p. 322, Feb. 2023, doi:
10.3390/machines11030322.

[3] G. Jin, S. Ma, and Z. Li, “Dynamic Simulation Modeling of Industrial Robot
Kinematics in Industry 4.0,” Discrete Dyn Nat Soc, vol. 2022, pp. 1–11, Jan. 2022,
doi: 10.1155/2022/3217360.

[4] H. Erbiyik, “Definition of Maintenance and Maintenance Types with Due Care on
Preventive Maintenance,” in Maintenance Management - Current Challenges, New
Developments, and Future Directions [Working Title], IntechOpen, 2022. doi:
10.5772/intechopen.106346.

[5] O. Bougacha and C. Varnier, “Enhancing Decisions in Prognostics and Health

Management Framework,” Int J Progn Health Manag, vol. 11, no. 1, Mar. 2021,
doi: 10.36001/ijphm.2020.v11i1.2607.

[6] O. Bougacha, C. Varnier, and N. Zerhouni, “Review of Post-Prognostics Decision-

Making in Prognostics and Health Management,” Int J Progn Health Manag, vol.
11, no. 2, Mar. 2021, doi: 10.36001/ijphm.2020.v11i2.2928.

[7] T. Borgi, A. Hidri, B. Neef, and M. S. Naceur, “Data analytics for predictive
maintenance of industrial robots,” in 2017 International Conference on Advanced
Systems and Electric Technologies (IC_ASET), Jan. 2017, pp. 412–417. doi:
10.1109/ASET.2017.7983729.

[8] R. Kizito, P. Scruggs, X. Li, M. Devinney, J. Jansen, and R. Kress, “Long Short-
Term Memory Networks for Facility Infrastructure Failure and Remaining Useful
Life Prediction,” IEEE Access, vol. 9, pp. 67585–67594, 2021, doi:
10.1109/ACCESS.2021.3077192.

21
[9] S. Robatto Simard, M. Gamache, and P. Doyon-Poulin, “Current Practices for
Preventive Maintenance and Expectations for Predictive Maintenance in East-
Canadian Mines,” Mining, vol. 3, no. 1, pp. 26–53, Jan. 2023, doi:
10.3390/mining3010002.

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

[11] M. S. Azari, F. Flammini, S. Santini, and M. Caporuscio, “A Systematic Literature

Review on Transfer Learning for Predictive Maintenance in Industry 4.0,” IEEE
Access, vol. 11, pp. 12887–12910, 2023, doi: 10.1109/ACCESS.2023.3239784.

[12] C. Liu, D. Tang, H. Zhu, and Q. Nie, “A Novel Predictive Maintenance Method
Based on Deep Adversarial Learning in the Intelligent Manufacturing System,”
IEEE Access, vol. 9, pp. 49557–49575, 2021, doi:
10.1109/ACCESS.2021.3069256.

[13] A. Srivastava and A. Agarwal, “Emerging Technology IoT and OT: Overview,
Security Threats, Attacks and Countermeasures,” International Journal of
Engineering Research & Technology (IJERT), vol. 10, no. 07, Jul. 2021.

[14] D.-H. Shin, G.-Y. Kim, and I.-C. Euom, “Vulnerabilities of the Open Platform
Communication Unified Architecture Protocol in Industrial Internet of Things
Operation,” Sensors, vol. 22, no. 17, p. 6575, Aug. 2022, doi: 10.3390/s22176575.

[15] S. Mantravadi, R. Schnyder, C. Moller, and T. D. Brunoe, “Securing IT/OT Links

for Low Power IIoT Devices: Design Considerations for Industry 4.0,” IEEE
Access, vol. 8, pp. 200305–200321, 2020, doi: 10.1109/ACCESS.2020.3035963.

[16] A. K. Sayed, “Anomaly Detection Using Machine Learning,” IJARCCE, vol. 12,
no. 1, Jan. 2023, doi: 10.17148/IJARCCE.2023.12103.

[17] S. Manikandan and K. Duraivelu, “Fault diagnosis of various rotating equipment

using machine learning approaches – A review,” Proceedings of the Institution of
Mechanical Engineers, Part E: Journal of Process Mechanical Engineering, vol.
235, no. 2, pp. 629–642, Apr. 2021, doi: 10.1177/0954408920971976.

22
[18] Z. Kang, C. Catal, and B. Tekinerdogan, “Remaining Useful Life (RUL) Prediction
of Equipment in Production Lines Using Artificial Neural Networks,” Sensors, vol.
21, no. 3, p. 932, Jan. 2021, doi: 10.3390/s21030932.

[19] S. Imai, “Control of a Ball Catch Robot Using Machine Learning,” Journal of
Robotics, Networking and Artificial Life, vol. 7, no. 4, p. 236, 2020, doi:
10.2991/jrnal.k.201215.005.

23