PROPOSAL SKRIPSI
Oleh:
Puji syukur penulis panjatkan ke hadirat Allah SWT, karena berkat rahmat-Nya penulis
PADA ROBOT WELDING (STUDI KASUS DI PT. TMMIN)”. Proposal ini disusun
sebagai salah satu syarat untuk menyelesaikan Program Sarjana pada Program Studi Teknik
berbasis machine learning pada robot yang digunakan di welding shop 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.
i
DAFTAR ISI
ii
DAFTAR TABEL
iii
DAFTAR GAMBAR
iv
BAB I. PENDAHULUAN
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
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
preventive maintenance yang melakukan pemeliharaan berdasarkan histori data pada mesin
[4, 5]. Predictive Maintenance merupakan jenis preventive maintenance yang bertujuan
agar dapat menghindari kerusakan yang mengakibatkan kerugian biaya yang besar dan
mengganti equipment apabila diperlukan [2, 4], sehingga RUL (Remaining Useful Lifetime)
1
Penelitian yang berjudul “Data Analytics for Predictive Maintenance of Industrial
Robots” oleh Tawfik Borgi dan teman-teman, memanfaatkan data histori robot untuk
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
dapat lebih baik melakukan prediksi RUL daripada metode regresi linier?
2
3. Bagaimana machine learning dapat memberikan informasi kepada Operator
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.
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
3. Equipment yang akan diuji hanya equipment yang terdapat pada robot dalam keadaan
standar pabrikan.
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
BAB I : PENDAHULUAN
Bab ini membahas tentang dasar-dasar teori yang menjadi landasan utama
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
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
5
2.1.1 Corrective Maintenance
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,
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
terhadap sebuah sistem yang bertujuan untuk menentukan waktu yang tepat
suatu inovasi pada era industri 4.0 dan mengambil peran besar dalam
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
pengendalian, manajemen dan tindakan yang harus dilakukan pada suatu industri. Untuk
mencapai tujuan ini, dibutuhkan kemajuan sensor generasi berikutnya yang lebih murah
Lingkup IoT yang besar dalam dunia industri menimbulkan kewajiban dalam
7
2.2.1. Operational Technology (OT)
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
2.2.1.1. Hardware
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
robot yang banyak digunakan pada industri manufaktur dapat dilihat melalui
Gambar 2. 3 berikut.
8
b. Programmable Logic Controller (PLC), Programmable Logic Controller
berbagai proses secara otomatis dan dapat diatur sesuai dengan kebutuhan.
2.2.1.2. Software
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.
untuk memonitor dan mengendalikan sistem atau proses secara jarak jauh,
9
serta memberikan alarm atau notifikasi ketika terjadi kejadian yang tidak
data antara sistem produksi dan perangkat otomasi dari vendor lain melalui
10
PC Windows. Dalam konteks otomasi industri, OPC UA dianggap sebagai
peristiwa, proses dan perangkat serta melakukan penyesuaian dalam industri [15]. Sistem
pada TI umumnya berupa software yang digunakan untuk menyimpan data, mengolah data
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].
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
dalam bentuk grafik atau tabel untuk membantu pengambilan keputusan atau monitoring
suatu proses secara efektif.. Gambar 2. 7 visualisasi data mesin pada suatu proses.
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
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
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,
kemungkinan kegagalan [18]. Penggunaan metode ML yang masif pada akhirnya membuat
pemeliharaan prediktif. Berikut ini adalah beberapa metode pada ML yang dapat digunakan
di mana simpul internal mewakili fitur dari dataset, cabang mewakili aturan
dependen (output) secara terus menerus atau kontinu. Tujuan dari regresi
nilai output berdasarkan nilai input. Regresi linier dapat dilakukan dengan
antara input dan output. Dalam persamaan garis lurus, output diprediksi
13
ditambah dengan intercept atau bias. Berikut ini adalah rumus yang dapat
𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑛 𝑋𝑛 [1]
pohon keputusan pada subset yang berbeda dari dataset yang diberikan dan
maupun regresi. Namun, fungsi utama SVM yang banyak digunakan adalah
yang populer digunakan untuk memproses data berurutan atau data dengan
mengenai vanishing gradient pada jaringan saraf rekursif (RNN), yang dapat
jangka panjang dalam data berurutan. Jaringan LSTM sangat efektif dalam
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
menentukan kesuksesan penelitian. Ada beberapa tahapan yang perlu dilakukan untuk
waktu dan tempat penelitian, mempersiapkan alat dan bahan, menentukan variabel yang
Penelitian akan berlangsung selama dua bulan, dimulai pada bulan April hingga
bulan Mei 2023 di welding shop milik PT. Toyota Motor Manufacturing Indonesia,
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
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
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
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
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
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
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.
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
Python adalah bahasa pemrograman yang telah peneliti pilih dalam penelitian
ini untuk membaca data dari OPC Server, mengirim data ke database hingga
juga didukung dengan library dari banyak sumber yang dapat membantu peneliti
g. MySQL
manajemen basis data relasional (RDBMS) yang gratis dan open-source. MySQL
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
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
18
3.5 Prosedur Percobaan
Prosedur percobaan yang dilakukan dalam penelitian ini dapat dijelaskan melalui
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
Lifetime (RUL) yang menjadi keluaran dari algoritma machine learning yang sudah dibuat.
20
DAFTAR PUSTAKA
[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.
[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.
[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.
[16] A. K. Sayed, “Anomaly Detection Using Machine Learning,” IJARCCE, vol. 12,
no. 1, Jan. 2023, doi: 10.17148/IJARCCE.2023.12103.
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