Arya Wijna, mahasiswa Program Magister Teknik Industri, Departemen Teknik Mesin dan Industri (DTMI) UGM telah menyelesaikan Ujian Tesisnya pada Senin (21/07). Tesisnya yang berjudul ”Integrasi Komputasi Granular dan Propagasi Afinitas untuk Masalah Klasifikasi Data yang Tidak Seimbang – Studi Kasus pada Pemeliharaan Prediktif” diuji oleh tim penguji beranggotakan Prof. Ir. Nur Aini Masruroh, ST., M.Sc., Ph.D., IPU., ASEAN Eng., Ir. Budhi Sholeh Wibowo, S.T., M.T., PDEng., IPM., ASEAN Eng., Dr.Eng. Ir. Muh Arif Wibisono, S.T., M.T., IPM., ASEAN Eng..
Tesis yang pengerjaannya dibimbing oleh Achmad Pratama Rifai, S.T., M.Eng., Ph.D. ini menghadirkan pendekatan baru untuk mengatasi tantangan klasifikasi data tidak seimbang dalam predictive maintenance. ”Dengan menggabungkan metode Multi-Granularity Relabeled Undersampling (MGRU), Affinity Propagation (AP), dan Granular Ball Sampling (GBS) dalam satu algoritma terintegrasi bernama MGRUAPGBS, pendekatan ini menawarkan peningkatan signifikan dalam deteksi data minoritas,” papar Arya. Evaluasi dilakukan terhadap sembilan belas dataset dari KEEL Repository, dengan perbandingan kinerja melalui F1 score dan Negative Prediction Value (NPV) terhadap berbagai metode sampling lainnya.
Hasil uji menunjukkan bahwa MGRUAPGBS meraih hasil terbaik dalam NPV, unggul di empat dari tujuh jenis classifiers seperti Decision Tree, Gradient Boost Decision Tree, Random Forest, dan XGBoost. Dalam hal F1 score, pendekatan ini juga menunjukkan kinerja kompetitif dan unggul dalam K-Nearest Neighbors, Logistic Regression, Support Vector Machine, serta XGBoost. Implementasi metode ini dalam case study predictive maintenance menunjukkan efektivitasnya dalam meningkatkan keakuratan dan keandalan prediksi. Temuan ini menggarisbawahi pentingnya integrasi granular computing dan teknik clustering dalam mengembangkan strategi predictive maintenance yang tangguh dan dapat diandalkan.
Kontributor: Maryanti, A.Md.
Penyusun: Gusti Purbo Darpitojati, S.I.Kom.
Dalam paparannya, Frieda menjelaskan bahwa baterai bekas kendaraan listrik mengandung material bernilai tinggi namun juga berpotensi menimbulkan dampak lingkungan jika tidak dikelola secara tepat. 
