<![CDATA[Industri minyak dan gas membutuhkan strategi pemeliharaan yang mampu mendeteksi risiko kegagalan dan membantu menentukan prioritas tindakan. Penelitian ini mengembangkan Predictive Maintenance Copilot sebagai prototipe Sistem Pendukung Keputusan yang mengintegrasikan prediksi risiko, Physics-Informed Machine Learning, estimasi Remaining Useful Life, dan AI Copilot. Penelitian menggunakan pendekatan mixed method dengan dominasi kuantitatif-komputasional. Pemodelan dilakukan menggunakan AI4I 2020 Predictive Maintenance Dataset dengan membandingkan Logistic Regression, Decision Tree, Random Forest, dan XGBoost. Pendekatan physics-informed diterapkan melalui fitur turunan dan physics guardrails, sedangkan Remaining Useful Life dihitung secara terpisah berdasarkan tool wear, duty cycle, dan wear increment. XGBoost menghasilkan F2-score tertinggi sebesar 0,7373, accuracy 0,9489, dan recall kelas gagal 0,9412. Evaluasi terhadap 10 responden memperoleh tingkat penerimaan 90,8%, sedangkan seluruh pengujian perangkat lunak berhasil dijalankan. Hasil penelitian menunjukkan bahwa sistem berpotensi mendukung penyajian informasi pemeliharaan secara lebih terstruktur, tetapi masih memerlukan validasi menggunakan data mesin industri aktual.]]>
Copyrights © 2026
