Pertemuan 22: AI untuk Otomasi Industri – Prediksi Perawatan

20 Sep 2026kribbiadminAI Fundamental & IoT

Mata Kuliah: MKK.10.01.005 — Kecerdasan Buatan & Internet of Things (TW1). Durasi: 120 menit (Tatap Muka). Penyusun: Irfan Yusin Syahrullah.

Tujuan Pembelajaran

Memahami konsep predictive maintenance dalam industri
Menggunakan sensor untuk memantau indikator kinerja mesin
Membangun model prediksi kondisi mesin sederhana
Menyusun mekanisme peringatan untuk perawatan dini

Capaian Pembelajaran

Mahasiswa mampu membangun sistem prediksi kondisi peralatan sederhana untuk mendukung perawatan prediktif di industri.

Konsep Materi

Predictive maintenance adalah strategi merawat peralatan berdasar prediksi kapan kerusakan mungkin terjadi, sehingga perawatan dilakukan tepat waktu dan menghindari kerusakan mendadak yang mahal.

Data seperti suhu, getaran, arus, dan jam operasi dapat menjadi sinyal degradasi mesin. Kenaikan suhu atau getaran yang abnormal umumnya mendahului kegagalan komponen.

Tanpa akselerometer mahal, kelas ini dapat menggunakan kombinasi sensor suhu (DHT) dan arus/lampu indikator untuk mendeteksi perubahan perilaku yang menandakan beban abnormal mesin.

Model sederhana dapat memetakan fitur (suhu, waktu operasi) menjadi kategori kondisi mesin (normal, perhatian, kritis) melalui aturan atau regresi yang dilatih pada data historis.

Penerapan di industri mengharuskan keandalan data dan integrasi ke platform monitoring. Sistem memberi peringatan sebelum mesin mencapai kondisi kritis, menghemat biaya dan gangguan produksi.

Langkah Praktik

Rancang skenario: pantau suhu ‘mesin’ (disimulasikan dengan pemanas/hand) selama operasi.
Kumpulkan data suhu dan waktu operasi, lalu beri label kondisi berdasarkan ambang yang disepakati.
Di Python, latih penggolong sederhana (logistic regression atau aturan ambang) berdasar data tersebut.
Implementasikan logika klasifikasi kondisi pada ESP32 untuk menentukan status mesin.
Sambungkan status dengan lampu indikator (hijau/kuning/merah) dan notifikasi ke dashboard.

Kode Contoh

# Klasifikasi kondisi mesin sederhana
def kondisi_mesin(suhu):
    if suhu < 30:
        return "NORMAL"
    elif suhu < 40:
        return "PERHATIAN"
    else:
        return "KRITIS"

# Pada ESP32: terapkan fungsi yang sama untuk menentukan status
# lalu nyalakan LED indikator/relay alarm sesuai status

Latihan / Proyek

Tentukan ambang kondisi yang masuk akal untuk mesin kelas Anda dan justifikasi pilihannya.
Buat grafik tren suhu mesin selama praktik dan tandai saat status berpindah.
Diskusikan data tambahan apa saja yang ideal dipantau untuk predictive maintenance riil.

Rekap & Tindak Lanjut

Mahasiswa memahami konsep predictive maintenance dan mampu membangun sistem sederhana yang mengklasifikasi kondisi mesin serta memicu peringatan dini. Aplikasi AI khas industri telah dipraktikkan.