Permasalahan klasifikasi data tidak seimbang kerap menjadi hambatan utama dalam implementasi sistem pemeliharaan prediktif. Untuk menjawab tantangan ini, Arya Wijna Astungkara, mahasiswa Magister Teknik Industri, Departemen Teknik Mesin dan Industri (DTMI) UGM, menghadirkan pendekatan integratif berbasis granular computing dan affinity propagation. Seminar Hasil dengan judul “Integrasi Komputasi Granular dan Propagasi Afinitas untuk Masalah Klasifikasi Data yang Tidak Seimbang – Studi Kasus pada Pemeliharaan Prediktif” dipresentasikan pada Selasa (24/06).
Masalah data tidak seimbang dalam konteks predictive maintenance berdampak pada akurasi prediksi dan efisiensi operasional. Untuk itu, Arya mengembangkan algoritma gabungan bernama MGRUAPGBS (Multi-Granularity Relabeled Undersampling, Affinity Propagation, and Granular Ball Sampling) yang mampu meningkatkan deteksi kelas minoritas secara signifikan.
Validasi dilakukan menggunakan sembilan belas dataset dari KEEL Repository, dengan perbandingan terhadap metode sampling lainnya menggunakan metrik F1 score dan Negative Prediction Value (NPV). Hasil eksperimen menunjukkan bahwa MGRUAPGBS konsisten mengungguli metode lain dalam hal NPV, dengan peringkat tertinggi pada empat dari tujuh algoritma: Decision Tree, Gradient Boost Decision Tree, Random Forest, dan XGBoost. Selain itu, metode ini juga menunjukkan performa kompetitif dalam F1 score, terutama pada algoritma K-Nearest Neighbors, Logistic Regression, Support Vector Machine, dan XGBoost.
Aplikasi lanjutan algoritma ini pada kasus nyata pemeliharaan prediktif membuktikan efektivitasnya dalam meningkatkan akurasi dan keandalan prediksi. Hal ini memperkuat kontribusi granular computing dan teknik clustering dalam mengatasi tantangan data tidak seimbang, serta memperluas penerapannya pada sistem pemeliharaan berbasis kecerdasan buatan.
Penelitian ini memiliki relevansi tinggi terhadap pencapaian Tujuan Pembangunan Berkelanjutan (Sustainable Development Goals / SDGs), khususnya:
– SDG 9: Industri, Inovasi, dan Infrastruktur, dengan pemanfaatan teknologi pembelajaran mesin untuk meningkatkan keandalan sistem industri.
– SDG 12: Konsumsi dan Produksi yang Bertanggung Jawab, melalui efisiensi sistem pemeliharaan yang berbasis data.
– SDG 13: Penanganan Perubahan Iklim, melalui optimasi operasional yang dapat mengurangi pemborosan energi dan sumber daya.
Dengan inovasi ini, Arya Wijna menunjukkan bahwa pendekatan matematis dan kecerdasan buatan yang tepat dapat meningkatkan keandalan sistem industri masa depan, sekaligus mendorong efisiensi dan keberlanjutan.
Kontributor: Maryanti, A.Md.
Penyusun: Gusti Purbo Darpitojati, S.I.Kom.
