UQGRESIKUQGRESIK

Qomaruna: Journal of Multidisciplinary StudiesQomaruna: Journal of Multidisciplinary Studies

Mesin Computer Numerical Control (CNC) menghilangkan material dari sebuah benda kerja dengan menggunakan kontrol digital untuk menghasilkan komponen yang dirancang secara khusus. Penting untuk menjaga akurasi dan presisi mesin ini di bawah kondisi yang menantang setelah penggunaan jangka panjang. Penelitian ini bertujuan untuk mengevaluasi kualitas produk CNC menggunakan Overall Equipment Effectiveness (OEE) dan meningkatkan kinerja jangka panjang melalui pendekatan berbasis data. Metode penelitian ini berfokus pada analisis laju scrap, penggunaan u-chart untuk memantau stabilitas, serta penerapan model regresi machine learning—K-Nearest Neighbour (KNN) dan Random Forest (RF)—untuk memprediksi laju scrap. Prediksi tersebut membantu mengidentifikasi waktu yang tepat untuk melakukan pemeliharaan pencegahan, sehingga presisi mesin dapat tetap terjaga seiring waktu. Penelitian ini juga memanfaatkan visualisasi hasil menggunakan Microsoft Power BI untuk meningkatkan interpretasi data dan memfasilitasi respons cepat terhadap potensi masalah. Hasil penelitian menunjukkan bahwa RF memiliki kinerja lebih baik dibandingkan KNN dalam memprediksi laju scrap. Penggunaan stacking pada model-model tersebut lebih lanjut meningkatkan akurasi, sehingga memberikan alat pengambilan keputusan yang lebih andal dalam mengantisipasi masalah kualitas. Dengan mendeteksi anomali secara dini, produsen dapat melakukan pemeliharaan tepat waktu, meminimalkan waktu henti, serta memperpanjang umur operasional mesin CNC. Kesimpulannya, integrasi analisis laju scrap, pengendalian proses statistik, dan teknik pembelajaran mesin yang canggih dapat secara efektif menjaga kualitas produk serta mengurangi ketidakakuratan. Perusahaan sebaiknya mengadopsi perencanaan pemeliharaan yang lebih proaktif dengan memanfaatkan peramalan yang lebih baik.

Penelitian ini menunjukkan bahwa penerapan u-chart dan model regresi machine learning mampu mendukung strategi pemeliharaan pencegahan pada mesin CNC melalui prediksi laju scrap yang lebih akurat.Integrasi antara pemantauan statistik dan peramalan berbasis data memungkinkan pengambilan keputusan yang lebih baik, sehingga mengurangi limbah produksi dan downtime.Meskipun demikian, hasil penelitian ini memiliki keterbatasan terkait kualitas data dan generalisasi model pada konteks lain.

Pertama, perlu dikembangkan penelitian yang menggabungkan data sensor waktu nyata dari mesin CNC dengan model prediktif yang sudah ada untuk melihat sejauh mana data kondisi operasional langsung dapat meningkatkan akurasi prediksi laju scrap. Kedua, sebaiknya dilakukan studi komparatif terhadap penerapan algoritma lain seperti gradient boosting atau jaringan saraf tiruan pada data scrap CNC guna mengevaluasi apakah algoritma yang lebih kompleks dapat memberikan hasil yang lebih stabil dibanding Random Forest dan stacking. Ketiga, perlu dirancang penelitian yang mengeksplorasi faktor non-teknis seperti keterampilan operator dan variasi material baku dalam model prediksi, untuk memahami kontribusi variabel manusia dan material terhadap fluktuasi kualitas produk serta bagaimana faktor-faktor tersebut dapat diintegrasikan ke dalam sistem pemeliharaan prediktif secara sistematis. Penelitian-penelitian ini akan melengkapi temuan saat ini dengan memberikan pendekatan yang lebih holistik terhadap pemeliharaan mesin CNC. Dengan demikian, perusahaan dapat membangun sistem yang tidak hanya mengandalkan data produksi historis, tetapi juga mempertimbangkan dinamika operasional secara menyeluruh. Pendekatan seperti ini diharapkan dapat meningkatkan keandalan prediksi, mempercepat deteksi dini masalah, serta memperluas penerapan sistem cerdas di lini produksi. Selain itu, integrasi faktor eksternal akan membuat model lebih adaptif terhadap perubahan kondisi nyata di pabrik. Hasilnya, strategi pemeliharaan dapat menjadi lebih efisien, terjangkau, dan mudah diadopsi dalam skala yang lebih luas. Dengan kata lain, masa depan sistem pemeliharaan cerdas terletak pada kemampuannya untuk menyatukan data teknis dan non-teknis dalam satu kerangka analitik yang utuh.

  1. Validate User. validate user sorry experiencing unusual traffic time please help us confirm robot take... doi.org/10.1108/IJPPM-03-2019-0126Validate User validate user sorry experiencing unusual traffic time please help us confirm robot take doi 10 1108 IJPPM 03 2019 0126
Read online
File size2.28 MB
Pages19
DMCAReport

Related /

ads-block-test