<![CDATA[Industri 4.0 mendorong integrasi sistem digital untuk mengurangi kegagalan produksi yang tidak terduga, di mana keausan pahat (tool wear) menjadi tantangan signifikan karena sulit diprediksi secara real-time. Penelitian ini bertujuan mengeksplorasi model prediksi keausan pahat menggunakan machine learning berbasis dataset NASA Milling guna mendukung strategi predictive maintenance. Metodologi meliputi akuisisi data, preprocessing, dan feature engineering untuk mengekstraksi indikator fisik seperti wear rate, total vibration, total acoustic emission, dan cutting intensity. Hasil penelitian menunjukkan bahwa Logistic Regression adalah model terbaik dengan akurasi 76,5% dan nilai recall mencapai 93,3%. Tingginya recall membuktikan keandalan model dalam meminimalkan risiko false negative yang berpotensi merusak benda kerja. Penelitian menyimpulkan bahwa melalui feature engineering yang tepat, model linear sederhana mampu memberikan prediksi yang lebih stabil dibandingkan model kompleks pada dataset industri yang terbatas.]]>
Copyrights © 2026
