ANALISIS PREDICTIVE MAINTENANCE MESIN PRODUKSI DI ATMI IGI CENTER MENGGUNAKAN METODE RANDOM FOREST

Efisiensi operasional adalah tuntutan utama industri manufaktur modern. Namun, ATMI IGI Center menghadapi masalah tingginya frekuensi gangguan operasional tak terjadwal pada mesin, di mana aktivitas running dan machining menjadi penyebab utama terjadinya gangguan tersebut, sehingga memicu lonjakan biaya darurat. Penelitian ini bertujuan merancang sistem predictive maintenance menggunakan algoritma Random Forest guna memprediksi estimasi downtime mesin secara akurat. Penelitian ini menggunakan dataset historis sebanyak 750 data arus listrik yang dikumpulkan selama kurang lebih satu bulan periode pengambilan data pada mesin produksi. Metode yang digunakan meliputi pemantauan arus listrik secara real-time via sensor DC Signal Isolator 50 Ampere, yang hasil pemantauannya diperiksa secara rutin setiap hari oleh staff maintenance melalui dashboard Live Monitoring. Pra-pemrosesan data menerapkan teknik feature engineering (Rolling Mean dan Rolling Standard Deviation) untuk mengekstraksi volatilitas sinyal kelistrikan. Validitas model diuji menggunakan skema pembagian data latih dan data uji (train-test split) sebesar 80:20 secara stratified untuk menjaga proporsi kelas, kemudian performanya dievaluasi menggunakan Confusion Matrix. Hasil pengujian model klasifikasi menunjukkan performa superior dengan tingkat akurasi 99,33% dan presisi 1,00, di mana fitur volatilitas terdeteksi sebagai prediktor kegagalan paling konsisten. Keterbatasan pada nilai recall (0,50) terjadi sebagai akibat dari ketidakseimbangan kelas (extreme class imbalance) pada data historis. Sebagai luaran fungsional, penelitian ini berhasil mengimplementasikan Early Warning System berbasis web Laravel untuk memproyeksikan jadwal perawatan preventif secara presisi bagi teknisi di lapangan.