Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Teknik Industri : Jurnal Hasil Penelitian dan Karya Ilmiah dalam Bidang Teknik Industri Jurnal Teknologi dan Manajemen Industri Terapan
Mokh Suef
Sepuluh Nopember Institute of Technology
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering Environmental Science Industrial & Manufacturing Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Pengembangan Model Predictive Maintenance Pada Main Motor Mesin Raw Mill Fauziyyah Firdausi Zakiyyah; Mokh Suef
Jurnal Teknologi dan Manajemen Industri Terapan Vol. 5 No. 1 (2026): Jurnal Teknologi dan Manajemen Industri Terapan
Publisher : Yayasan Inovasi Kemajuan Intelektual

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55826/jtmit.v5i1.1482

Abstract

Downtime akibat kegagalan mesin yang terjadi secara tiba-tiba dapat menyebabkan kerugian yang signifikan bagi perusahaan. Oleh karena itu, diperlukan strategi perawatan yang tepat untuk meminimalkan risiko kegagalan tersebut. Seiring dengan perkembangan smart manufacturing, mesin-mesin industry menghasilkan data sensor yang digunakan untuk memantau kondisi kesehatan mesin. Pengelolaan data berskala besar ini menuntut penerapan Teknik analitik yang andal, khususnya dalam konteks predictive maintenance di Industri 4.0. Predictive maintenance dinilai lebih efektif dibandingkan dengan preventive dan corrective maintenance karena mampu memantau kondisi mesin secara real-time dan memprediksi kegagalan dan Remaining Useful Life (RUL) peralatan. Penelitian ini bertujuan untuk membangun model prognosis berbasis klasifikasi RUL pada komponen main motor raw mill menggunakan algoritma Long Short-Term untuk membentuk representasi deret waktu, kemudian dilakukan pelabelan RUL berdasarkan interval waktu terhadap kejadian kegagalan untuk mengidentifikasi kondisi early fault. Pemisahan data dilakukan secara time-based untuk menghindari data leakage. Selain itu, dilakukan hyperparameter tuning untuk memperoleh konfigurasi model yang optimal. Hasil pengujian menunjukkan bahwa pada model diagnosis akurasi terbaik didapatkan sebesar 97,4% dengan parameter optimal. Sedagkan pada model prognosis menggunakan LSTM mampu memberikan kinerja klasifikasi RUL yang baik dengan nilai ROC AUC sebesar 0,806 yang menunjukkan kemampuan model dalam membedakan kondisi normal dan early fault. Dengan demikian, model yang diusulkan dapat digunakan sebagai sistem pendukung pengambilan Keputusan dalam implementasi predictive maintenance pada mesin industri.
Reducing No Booting Defects in IC SoC Functional Testing Using Six Sigma DMAIC: Evidence from PCBA Digital Test Stations Novian Hadinata; Mokh Suef
JTI: Jurnal Teknik Industri Vol 12 No 2 (2026): December 2026
Publisher : Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/e7sn0n75

Abstract

The No Booting defect blocks functional verification of Integrated Circuit System on Chip (IC SoC) components during Printed Circuit Board Assembly (PCBA) testing. This study applies Six Sigma with the Define, Measure, Analyze, Improve, and Control (DMAIC) framework to reduce No Booting defects at the Digital Rights Management (DRM) and Digital Function Test (DFT) stations of PT XYZ, a television and monitor manufacturer. A Pareto analysis of the baseline data showed that No Booting accounted for 82.51% of all IC SoC defects, making it the dominant quality problem at these two stations. Root-cause analysis, combining a 6M fishbone diagram with Failure Mode and Effects Analysis (FMEA), ranked a thermal gap between the thermal pad and the heatsink on the test fixture as the leading risk (RPN = 720), ahead of any actual defect in the IC SoC itself. Direct temperature measurement confirmed that the fixture was overheating the component during testing, producing a false NG (Not Good) result rather than a true component failure. Correcting the thermal gap cut the defect rate by 83.40% and raised the process sigma level from 4.22 to 4.77, a statistically significant improvement. The case shows that a defect first classified as an IC SoC failure was, in this instance, caused by the test system rather than the component, and the corrective action was directed at the fixture rather than at replacing the chip.
Co-Authors Fauziyyah Firdausi Zakiyyah Novian Hadinata