Analisis Komparatif Model Decision Tree dan Random Forest untuk Pemeliharaan Prediktif Mesin Computer Numerical Control (CNC) Milling

Achmad Harpin Asrori; Nanang Kurnia Wahab

doi:10.31004/riggs.v5i1.6676

Authors

Achmad Harpin Asrori Institut Az Zuhra
Nanang Kurnia Wahab Institut Az Zuhra

DOI:

https://doi.org/10.31004/riggs.v5i1.6676

Keywords:

Predictive Maintenance, Machine Learning, Classification, Random Forest, Decision Tree, CNC Machine

Abstract

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.

Downloads

Download data is not yet available.

References

S. Box and J. Lopez-Gonzalez, “The future of technology: Opportunities for ASEAN in the digital economy,” Glob. megatrends Implic. ASEAN Econ. community, pp. 37–60, 2017.

D. G. S. Pivoto, L. F. F. de Almeida, R. da Rosa Righi, J. J. P. C. Rodrigues, A. B. Lugli, and A. M. Alberti, “Cyber-physical systems architectures for industrial internet of things applications in Industry 4.0: A literature review,” J. Manuf. Syst., vol. 58, pp. 176–192, 2021.

T. Czvetkó, A. Kummer, T. Ruppert, and J. Abonyi, “Data-driven business process management-based development of Industry 4.0 solutions,” CIRP J. Manuf. Sci. Technol., vol. 36, pp. 117–132, 2022.

W. Nugroho et al., “Development of CNC Milling Machine for Small Scale Industry,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1068, no. 1, p. 012017, 2021, doi: 10.1088/1757-899x/1068/1/012017.

B. T. H. T. Baharudin, N. Dimou, and K. K. B. Hon, “Tool wear behaviour of micro-tools in high speed CNC machining,” in Proceedings of the 34th International MATADOR Conference: Formerly The International Machine Tool Design and Conferences, Springer, 2004, pp. 111–118.

M. Paolanti, L. Romeo, A. Felicetti, A. Mancini, E. Frontoni, and J. Loncarski, “Machine Learning approach for Predictive Maintenance in Industry 4.0,” 2018 14th IEEE/ASME Int. Conf. Mechatron. Embed. Syst. Appl. MESA 2018, Aug. 2018, doi: 10.1109/MESA.2018.8449150.

W. Luo, T. Hu, Y. Ye, C. Zhang, and Y. Wei, “A hybrid predictive maintenance approach for CNC machine tool driven by Digital Twin,” Robot. Comput. Integr. Manuf., vol. 65, p. 101974, 2020.

O. Surucu, S. A. Gadsden, and J. Yawney, “Condition Monitoring using Machine Learning: A Review of Theory, Applications, and Recent Advances,” Expert Syst. Appl., vol. 221, no. February, p. 119738, Jul. 2023, doi: 10.1016/j.eswa.2023.119738.

S. Zhang, H. Dong, U. Maschek, and H. Song, “A digital-twin-assisted fault diagnosis of railway point machine,” Proc. 2021 IEEE 1st Int. Conf. Digit. Twins Parallel Intell. DTPI 2021, pp. 430–433, Jul. 2021, doi: 10.1109/DTPI52967.2021.9540118.

K. Y. Nazara, “Perancangan Smart Predictive Maintenance untuk Mesin Produksi,” Semin. Nas. Off. Stat., vol. 2022, no. 1, pp. 691–702, 2022, doi: 10.34123/semnasoffstat.v2022i1.1575.

M. F. Süve, C. Gezer, and G. İnce, “Predictive Maintenance Framework for Production Environments Using Digital Twin,” Lect. Notes Networks Syst., vol. 308, pp. 455–462, 2022, doi: 10.1007/978-3-030-85577-2_54/TABLES/1.

W. Kritzinger, M. Karner, G. Traar, J. Henjes, and W. Sihn, “Digital Twin in manufacturing: A categorical literature review and classification,” IFAC-PapersOnLine, vol. 51, no. 11, pp. 1016–1022, Jan. 2018, doi: 10.1016/J.IFACOL.2018.08.474.

R. Saravanan and P. Sujatha, “A state of art techniques on machine learning algorithms: a perspective of supervised learning approaches in data classification,” in 2018 Second international conference on intelligent computing and control systems (ICICCS), IEEE, 2018, pp. 945–949.

D. Awari, M. Bhamare, A. Ghanwat, K. Jadhav, and J. Chahande, “Methodology for Selecting Components for Fabricating CNC Milling Machine for Small Scale Industry,” Int. J. Sci. Res. Dev., vol. 4, no. 11, pp. 168–171, 2017.

Y. Jiang et al., “Tool Wear Prediction Upgrade Kit for Legacy CNC Milling Machines in the Shop Floor,” in Proceedings of the Conference on Production Systems and Logistics: CPSL 2022, Hannover: publish-Ing., 2022, pp. 131–140.