Smart Predictive Maintenance PRO V2.0

Sistem Cerdas Deteksi Dini Kerusakan Mesin Produksi Berbasis 5 Parameter Sensor

Google Colab Pipeline
Model Terpilih
Random Forest
Balanced + Feature Eng.
Tingkat Akurasi
96.10%
Validasi Test Set
Recall (Sensitivitas)
97.50%
Deteksi Kerusakan Kritis
Skor ROC-AUC
0.9822
Diskriminasi Probabilitas
PRESET SKENARIO DEMONSTRASI PENGUJIAN

Parameter Sensor Telemetri

Sesuaikan nilai sensor secara presisi melalui slider interaktif atau kotak angka.

[K] Kelvin
Rentang operasional normal: 295.0 K – 304.0 K
[K] Kelvin
Suhu internal potong: biasanya ~10 K di atas suhu udara
[RPM]
Kecepatan putaran nominal mesin: 1350 – 1800 RPM
[Nm] Newton-Meter
Beban kerja wajar: 20 – 55 Nm (Kritis jika >65 Nm)
[min] Menit
Akumulasi pemakaian pisau (Batas ganti kritis: >200 min)

Hasil Diagnostik & Analisis Risiko

Inferensi real-time model machine learning terhadap status kesehatan mesin.

Probabilitas Kerusakan
1.1%
Tingkat Risiko
LOW
Skala Probabilitas Kerusakan 1.1%
Rekomendasi Tindakan Teknisi:
AI: sensenova-6.8-flash-lite
Seluruh indikator sensor beroperasi dalam batas toleransi aman operasional mesin dapat dilanjutkan sesuai SOP.
Δ Suhu: 10.5 K Daya Mekanik: 6898.41 W Engine: Random Forest

Tim Pengembang Proyek Sistem Cerdas

Program Studi Teknik Informatika — Fakultas Teknik, Universitas Muhammadiyah Ponorogo

LI
Lazuardi Irham Karaman
NIM: 23533740
Machine Learning & Architecture
AD
Andika Dwi Putra
NIM: 23533795
Feature Engineering & Pipeline
MY
Maulana Yusuf Alwi
NIM: 23533804
Backend & Integration
NE
Nabil Eka Ardhani
NIM: 23533762
UI/UX & Documentation