Long Short-Term Memory untuk Prediksi Remaining Useful Life pada Mesin Chiller di PT. XYZ

Ahmad Hanafi Mubarok

Abstrak

Mesin chiller merupakan aset krusial dalam operasional industri manufaktur yang kerusakannya dapat menyebabkan kerugian finansial dan gangguan operasional yang signifikan. Untuk mengantisipasi kegagalan tak terduga, diperlukan strategi perawatan prediktif (predictive maintenance). Penelitian ini bertujuan untuk merancang dan mengimplementasikan model deep learning menggunakan metode Long Short-Term Memory (LSTM) untuk memprediksi Remaining Useful Life (RUL) pada komponen mesin chiller. Metodologi penelitian mencakup beberapa tahapan sistematis, mulai dari pra-pemrosesan data sensor, seleksi fitur untuk mendapatkan empat variabel prediktor paling berpengaruh, dan diproses menggunakan model LSTM dua layer. Proses optimasi dilakukan melalui hyperparameter tuning ekstensif untuk menemukan konfigurasi terbaik dari parameter seperti learning rate, dropout, dan durasi epoch. Hasil pengujian menunjukkan bahwa model yang telah dioptimalkan mampu memprediksi tren degradasi mesin dengan tingkat akurasi yang sangat tinggi, dibuktikan dengan nilai error yang rendah yaitu Root Mean Square Error (RMSE) sebesar 0.3172 dan Mean Absolute Percentage Error (MAPE) sebesar 6.48%. Selain validasi kuantitatif, pengujian sistem menggunakan User Acceptance Test (UAT) menghasilkan skor System Usability Scale (SUS) sebesar 80, yang mengindikasikan bahwa sistem dinilai Baik / 'Good' serta informasinya dianggap akurat dan dapat diandalkan oleh pengguna akhir. Kesimpulan dari penelitian ini adalah metode LSTM yang diimplementasikan dengan arsitektur dan konfigurasi hyperparameter yang tepat merupakan solusi yang efektif dan valid untuk memprediksi RUL mesin chiller, sehingga dapat mendukung strategi perawatan prediktif secara proaktif.

© 2026 UPA Perpustakaan POLINEMAStatus LayananKebijakan PrivasiSyarat & Ketentuan

v2026.11.20.5 · 33e0fa7