<![CDATA[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.]]>
