PREDIKSI REMAINING USEFUL LIFE (RUL) PADA JET ENGINE SEBAGAI UPAYA PREDICTIVE MAINTENANCE BERBASIS MACHINE LEARNING

Abstract

Predictive maintenance adalah pendekatan revolusioner dalam pemeliharaan industri yang bertujuan untuk mengurangi kerusakan mesin yang tidak terduga dan mengoptimalkan waktu pemeliharaan. Jet engine adalah komponen kunci dalam industri penerbangan yang memerlukan pemeliharaan yang tepat waktu untuk menjaga keandalan dan keamanan operasional.. Kerusakan pada mesin jet adalah isu kritis dalam industri penerbangan.. Salah satu tantangan utama dalam pemeliharaan mesin jet adalah memprediksi kapan komponen atau sistem akan mengalami kerusakan sehingga pemeliharaan dapat dilakukan sebelum terjadinya kegagalan yang tidak terduga. Dalam upaya untuk meningkatkan efisiensi pemeliharaan mesin jet, penelitian ini fokus pada penggunaan teknik machine learning untuk memprediksi Remaining Useful Life (RUL) jet engine. Penelitian ini menggunakan dataset yang mencakup data operasional mesin jet dan pembacaan sensor dari NASA Turbofan Jet Engine. Penelitian ini bertujuan untuk mengidentifikasi fitur-fitur yang mempengaruhi RUL jet engine  dengan metode feature selection. Tiga model klasifikasi yang digunakan dalam penelitian ini adalah K-Nearest Neighbors (KNN), Support Vector Machine (SVM), dan Random Forest. Model-model ini dilatih menggunakan data historis dan diuji pada data tes untuk mengetahui seberapa akurat model prediksi RUL terhdadap RUL aktual. Evaluasi kinerja model-model ini dilakukan dengan menggunakan metriks R2 dan RMSE. Hasil penelitian ini memberikan wawasan berharga dalam pemeliharaan prediktif mesin jet dan menunjukkan manfaat signifikan dari penerapan machine learning dalam meningkatkan efisiensi dan keandalan pesawat.