Implementasi Feature Engineering dan Random Forest dalam Klasifikasi Kegagalan Mesin Menggunakan Dataset AI4I 2020

Bryan Mandagi

doi:10.60036/z2ypm943

Authors

Bryan Mandagi Politeknik Negeri Batam Author

DOI:

https://doi.org/10.60036/z2ypm943

Keywords:

Random Forest, Predictive Maintenance, Klasifikasi, Kegagalan Mesin

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan kondisi kegagalan mesin pada sistem predictive maintenance menggunakan metode Random Forest dengan memanfaatkan AI4I 2020 Predictive Maintenance Dataset. Data diperoleh dari UCI Machine Learning Repository dan melalui tahapan preprocessing berupa penghapusan atribut yang tidak relevan, penanganan data leakage, serta one-hot encoding pada data kategorikal. Selanjutnya dilakukan feature engineering dengan membentuk fitur baru, yaitu Power_W, Temp_diff_K, dan Wear_Torque, untuk meningkatkan representasi karakteristik mesin. Model Random Forest kemudian dilatih menggunakan data yang telah distandardisasi dan dievaluasi menggunakan Confusion Matrix, ROC Curve, Histogram Distribusi Fitur, Scatter Plot, serta metrik Accuracy, Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa model memperoleh akurasi sebesar 99,08%, precision sebesar 93,06%, recall sebesar 78,82%, F1-score sebesar 85,35%, serta AUC sebesar 0,982. Hasil tersebut menunjukkan bahwa metode Random Forest mampu mengklasifikasikan kondisi mesin dengan tingkat akurasi yang tinggi sehingga berpotensi diterapkan sebagai pendukung sistem predictive maintenance pada lingkungan otomasi industri.

References

[1] A. Matzka, “Explainable Artificial Intelligence for Predictive Maintenance Applications: A Survey,” IEEE Access, vol. 9, pp. 118784–118806, 2021.

[2] D. Chicco and G. Jurman, “The Advantages of the Matthews Correlation Coefficient over F1 Score and Accuracy in Binary Classification Evaluation,” BMC Genomics, vol. 21, no. 6, pp. 1–13, 2020.

[3] F. Pedregosa et al., “Scikit-learn: Machine Learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011.

[4] L. Breiman, “Random Forests,” Machine Learning, vol. 45, no. 1, pp. 5–32, 2001.

[5] UCI Machine Learning Repository, “AI4I 2020 Predictive Maintenance Dataset,” University of California, Irvine, 2020.

[6] S. K. S. Fan, Y. C. Hsu, and C. C. Tsai, “Machine Learning Techniques for Predictive Maintenance in Smart Manufacturing,” IEEE Access, vol. 10, pp. 55733–55747, 2022.

[7] K. P. Murphy, Machine Learning: A Probabilistic Perspective. Cambridge, MA, USA: MIT Press, 2012.

[8] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.

[9] T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning, 2nd ed. New York, NY, USA: Springer, 2009.

[10] J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Burlington, MA, USA: Morgan Kaufmann, 2012.

[11] S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 4th ed. Pearson, 2021.

[12] C. M. Bishop, Pattern Recognition and Machine Learning. New York, NY, USA: Springer, 2006.

[13] G. James, D. Witten, T. Hastie, and R. Tibshirani, An Introduction to Statistical Learning, 2nd ed. New York, NY, USA: Springer, 2021.

[14] T. M. Mitchell, Machine Learning. New York, NY, USA: McGraw-Hill, 1997.

[15] J. Gama, I. Žliobaitė, A. Bifet, M. Pechenizkiy, and A. Bouchachia, “A Survey on Concept Drift Adaptation,” ACM Computing Surveys, vol. 46, no. 4, pp. 1–37, 2014.