Implementasi Pemeliharaan Prediktif Mesin Printing di UMKM Batik X dengan Metode Long Short-term Memory (LSTM) dan Gated Recurrent Unit (GRU)

Abstract

Pemeliharaan mesin merupakan salah satu aspek penting dalam keberlangsungan operasional industri. Penelitian ini bertujuan untuk mengimplementasikan sistem pemeliharaan prediktif (predictive maintenance) pada mesin printing di UMKM Batik X dengan menggunakan metode Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Permasalahan yang di angkat adalah tingginya downtime dan biaya operasional akibat penerapan corrective maintenance yang selama ini digunakan. Data yang digunakan dalam penelitian ini berupa data sensor mesin yang bersifat time series. Penelitian ini meliputi tahapan pengumpulan data, pembersihan data, preprocessing data, pembangunan serta pelatihan model LSTM dan GRU, evaluasi performa model dengan metrik Mean Squared Error (MSE), Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan R-squared (R2), serta analisis perbandingan biaya antar metode pemeliharaan. Hasil penelitian menunjukkan bahwa kedua model deep learning tersebut mampu memprediksi Remaining Useful Life (RUL) mesin dengan baik, dimana ditunjukan dengan nilai Test Loss sebesar 0,00381, Mean Absolute Error (MAE) sebesar 0,0539, Root Mean Squared Error (RMSE) sebesar 3,2111 jam, dan R-Squared sebesar 0,9483. Nilai ini menunjukkan tingkat akurasi tinggi, dengan 94,83% variabilitas data Remaining Useful Life (RUL) dapat dijelaskan oleh model, serta rata-rata kesalahan prediksi hanya sekitar 3,2 jam dari nilai aktual. Sedangkan untuk hasil perbandingan biaya pemeliharaan menunjukkan bahwa metode predictive maintenance menghasilkan biaya operasional terendah sebesar 23% dari total biaya, lebih efisien dibandingkan preventive maintenance sebesar 27,7% dan corrective maintenance sebesar 38,6%. Implementasi predictive maintenance pada UMKM Batik X terbukti mampu mengurangi biaya operasional, meminimalkan downtime, dan meningkatkan efisiensi penggunaan sumber daya manusia. Temuan ini diharapkan dapat menjadi acuan bagi UMKM lain dalam mengoptimalkan proses produksi melalui pemanfaatan teknologi berbasis machine learning.