Perancangan Model Sistem Monitoring Mesin Kapal Berbasis Internet Of Things (IoT): Arsitektur 4-Tier Dengan Deteksi Anomali Berbasis Machine Learning Dan Analisis Keandalan Sistem

Sakeeb Arselan (Universitas Ibnu Sina)
Febrianto Febrianto (Universitas Ibnu Sina)
Moh. Hafidz Efendy (Universitas Ibnu Sina)

Engineering and Technology International Journal (EATIJ)
Vol 6 No 03 (2024): Engineering and Technology International Journal (EATIJ)

Kegagalan mesin kapal yang tidak terdeteksi dini merupakan penyebab 28% insiden di laut menurut data IACS (2022), dengan biaya perbaikan darurat rata-rata 3–8× lebih tinggi dibandingkan perawatan terencana. Penelitian ini menyajikan perancangan dan implementasi prototipe sistem monitoring mesin kapal berbasis Internet of Things (IoT) dengan arsitektur 4-tier yang mengintegrasikan lapisan persepsi sensor, jaringan komunikasi ganda (WiFi 802.11n + LoRaWAN sebagai backup), edge computing, dan cloud analytics. Kebaruan penelitian mencakup: (1) implementasi algoritma deteksi anomali Isolation Forest + Gaussian Mixture Model (GMM) pada edge node (Raspberry Pi 4) yang mampu memproses data 8 sensor secara simultan dengan latensi median 11,5 ms; (2) strategi komunikasi adaptif dual-channel dengan failover otomatis dari WiFi ke LoRaWAN; (3) validasi akurasi sensor terhadap instrumen referensi kalibrasi (RMSE suhu = 0,724°C, RMSE tekanan = 0,048 bar); dan (4) analisis komprehensif keandalan sistem selama 40 minggu pengujian lapangan (rata-rata uptime = 99,12%). Prototipe diuji pada kapal motor diesel dengan 8 parameter mesin: suhu, tekanan oli, getaran, RPM, flow bahan bakar, kualitas oli, dan knock sensor. Sistem berhasil mendeteksi 3 insiden anomali nyata dengan precision = 91,3%, recall = 87,6%, F1 = 89,4%, dan AUC-ROC = 0,953. Analisis biaya-manfaat menunjukkan payback period 1,2 tahun dengan penghematan bersih IDR 52 juta/tahun.