<![CDATA[Pemeliharaan prediktif merupakan pendekatan penting dalam meningkatkan keandalan dan efisiensi mesin produksi, khususnya mesin Computer Numerical Control (CNC), yang memiliki peran krusial dalam industri manufaktur modern. Perkembangan machine learning memungkinkan pemanfaatan data operasional mesin untuk memprediksi potensi kegagalan secara lebih akurat dibandingkan metode pemeliharaan konvensional. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap dua model pembelajaran mesin berbasis pohon, yaitu Decision Tree Classifier dan Random Forest, dalam mengklasifikasikan kondisi kegagalan mesin CNC. Penelitian ini menggunakan pendekatan klasifikasi berbasis data dengan memanfaatkan sejumlah parameter operasional mesin, seperti temperatur udara, temperatur proses, kecepatan putar, torsi, dan keausan pahat. Dataset dibagi menjadi data pelatihan sebesar 70% dan data pengujian sebesar 30%. Evaluasi kinerja model dilakukan menggunakan beberapa metrik, antara lain accuracy, precision, recall, F1-score, confusion matrix, serta Receiver Operating Characteristic (ROC) dan Area Under the Curve (AUC). Selain itu, diterapkan teknik cross-validation dan hyperparameter tuning untuk meningkatkan keandalan dan kemampuan generalisasi model. Hasil penelitian menunjukkan bahwa model Random Forest memiliki kinerja yang lebih unggul dibandingkan dengan model Decision Tree, dengan tingkat akurasi sebesar 0,892, sedangkan Decision Tree memperoleh akurasi sebesar 0,804. Nilai AUC yang tinggi juga mengindikasikan kemampuan Random Forest yang lebih baik dalam membedakan kondisi mesin normal dan gagal. Berdasarkan hasil tersebut, Random Forest dinilai sebagai model yang lebih efektif dan andal untuk diterapkan pada skema pemeliharaan prediktif mesin CNC. Temuan penelitian ini diharapkan dapat memberikan kontribusi dalam pemilihan model machine learning yang tepat untuk aplikasi predictive maintenance di lingkungan industri manufaktur.]]>
Copyrights © 2026
