Implementasi AI Predictive Maintenance (PdM) dan Condition-Based Maintenance dalam Custom ERP: Otomasi Skoring Risiko Kerusakan dari Telemetri Sensor, Penjadwalan Work Order Berbasis Kondisi Riil, serta Penghitungan OEE dan Biaya Downtime per Aset secara Real-Time
Di hampir setiap pabrik, mesin yang paling mahal bukanlah yang paling sering diperhatikan—melainkan yang paling jarang bermasalah. Kompresor yang berjalan tenang selama dua tahun tidak pernah masuk agenda rapat, sampai suatu pagi ia berhenti dan menghentikan seluruh lini produksi bersamanya. Pola pemeliharaan yang bereaksi setelah kerusakan (run-to-failure) masih menjadi norma di banyak perusahaan manufaktur, bukan karena manajemen tidak peduli, tetapi karena tidak ada data yang cukup cepat sampai ke orang yang tepat. Bearing yang mulai aus mengirim sinyal getaran berminggu-minggu sebelum akhirnya pecah; pompa yang kavitasi menaikkan suhu casing jauh sebelum seal-nya jebol. Masalahnya bukan ketiadaan sinyal, melainkan ketiadaan jalur dari sensor ke keputusan. Di titik itulah AI Predictive Maintenance (PdM) bertemu Custom ERP: mengubah telemetri mentah menjadi work order yang terjadwal, dan downtime menjadi angka rupiah yang bisa dipertanggungjawabkan.
Mengapa Pemeliharaan Reaktif Tetap Mendominasi—dan Berapa Biayanya
Ada alasan struktural mengapa run-to-failure bertahan. Pertama, pemeliharaan preventif berbasis kalender terasa aman: mengganti bearing setiap 4.000 jam terdengar disiplin, padahal ia membuang sisa umur pakai pada aset yang sehat dan tetap gagal pada aset yang menerima beban tidak normal. Kedua, data kondisi mesin biasanya berhenti di ruang kontrol (SCADA/PLC) dan tidak pernah menyeberang ke sistem pemeliharaan. Teknisi menerima instruksi di kertas, mencatat temuan di buku, dan pengetahuan tentang “mesin nomor 3 bunyinya agak aneh sejak Selasa” hanya hidup di kepala satu orang.
Biaya sebenarnya jarang terlihat di laporan keuangan sebagai satu baris. Ia tersebar sebagai: kehilangan output selama perbaikan darurat, harga beli spare part yang mendadak (premium 30–60% karena tidak ada waktu negosiasi), overtime teknisi, produk reject dari proses yang berjalan tidak stabil sebelum mesin benar-benar mati, dan denda keterlambatan pengiriman. Studi industri secara konsisten menempatkan downtime tak terencana sebagai salah satu dari tiga penyebab utama kehilangan margin di pabrik, dan sebagian besar dampaknya tidak pernah teragregasi karena tidak ada satu sistem yang menghubungkan kejadian mesin dengan transaksi produksi dan penjualan yang gagal terjadi.
Langkah pertama yang realistis bukan memasang sensor di seluruh pabrik, melainkan mengklasifikasi aset berdasarkan dampak kegagalan: mesin mana yang jika berhenti 4 jam menghentikan seluruh lini, mana yang punya redundansi, dan mana yang kegagalannya hanya menimbulkan ketidaknyamanan. Dari 300 aset, biasanya hanya 15–25 yang layak dipantau secara intensif. Investasi pertama harus mengikuti nilai risiko, bukan kerataan anggaran.
Membangun Jalur dari Telemetri Sensor ke Skor Risiko Kerusakan
Model prediktif yang baik dimulai dari data yang benar, bukan dari algoritma yang rumit. Tiga hal harus dibereskan lebih dulu. Pertama, taksonomi aset: setiap mesin, sub-komponen, dan titik pengukuran butuh kode unik yang konsisten antara sistem maintenance, sistem produksi, dan gudang spare part. Tanpa ini, skor risiko setinggi apa pun tidak akan bisa diterjemahkan menjadi permintaan part yang tepat. Kedua, konteks operasi: nilai getaran 4,5 mm/s berarti berbeda untuk mesin yang baru saja menerima beban 120% dibanding mesin yang idle. Skor risiko harus selalu dinormalisasi terhadap beban, kecepatan, dan kondisi lingkungan saat pengukuran diambil. Ketiga, label historis: catatan kerusakan masa lalu perlu diselaraskan dengan data sensor pada jendela waktu yang sama, karena tanpa contoh kegagalan nyata, model hanya bisa belajar pola normal.
Secara teknis, mayoritas kasus di pabrik tidak memerlukan deep learning. Untuk getaran, suhu, arus motor, dan tekanan, pendekatan feature engineering klasik—RMS, kurtosis, energi pita frekuensi tertentu, tren kemiringan (degradation slope)—dikombinasikan dengan model gradient boosting atau isolation forest sudah memberi hasil yang dapat dipertanggungjawabkan dan, yang lebih penting, dapat dijelaskan kepada teknisi. Interpretabilitas bukan kemewahan: teknisi yang tidak percaya pada skor tidak akan pernah mengubah jadwal kerjanya berdasarkan skor itu.
Di dalam Custom ERP, lapisan ini sebaiknya berdiri sebagai service terpisah yang menerima telemetri melalui API, menghitung fitur, menyimpan skor dan remaining useful life (RUL) per komponen, lalu menerbitkan event ketika ambang risiko terlampaui. ERP tidak perlu menangani streaming data berkecepatan tinggi; ia hanya perlu menerima kesimpulan yang sudah terkurasi: “Pompa P-204, bearing sisi non-drive, risiko tinggi, estimasi 11 hari sampai batas kritis.”
Pemeliharaan prediktif yang berhasil bukan yang paling akurat memprediksi sisa umur komponen, melainkan yang paling cepat mengubah prediksi menjadi tindakan terjadwal—lengkap dengan spare part yang sudah dipesan dan jendela henti mesin yang sudah disepakati dengan produksi.
Dari Prediksi ke Keputusan: Work Order, Spare Part, dan OEE
Nilai sebenarnya muncul ketika skor risiko menyentuh alur kerja operasional. Ketika event risiko tinggi diterbitkan, ERP dapat otomatis membuat draft work order dengan prioritas, menyertakan prosedur pemeliharaan yang relevan, dan—ini bagian yang sering terlewat—mengunci ketersediaan spare part. Tidak ada gunanya menjadwalkan penggantian bearing minggu depan jika part-nya baru tiba tiga minggu lagi. Karena itu, perhitungan kebutuhan part harus langsung memeriksa stok, lead time supplier, dan permintaan yang sudah berjalan untuk aset lain.
Penjadwalan juga tidak boleh berbicara sendiri. Work order prediktif harus diajukan sebagai usulan jendela waktu, lalu diselesaikan bersama rencana produksi: apakah lebih murah menghentikan mesin selama 3 jam pada akhir pekan, atau membiarkannya berjalan 6 hari lagi dengan risiko kegagalan 18%? Keputusan seperti ini adalah keputusan bisnis, bukan keputusan teknis, dan hanya mungkin diambil jika ERP menyajikan kedua sisi dalam satu layar—dampak output terhadap pesanan pelanggan di satu sisi, probabilitas kegagalan dan biaya perbaikan darurat di sisi lain.
Terakhir, seluruh kejadian harus dikembalikan ke angka kinerja. OEE (Availability × Performance × Quality) sebaiknya dihitung per aset, per lini, dan per shift, dengan downtime diklasifikasikan secara disiplin: apakah henti karena kerusakan, karena setup, karena menunggu material, atau karena tidak ada operator. Tanpa klasifikasi ini, pabrik cenderung menyalahkan mesin atas masalah yang sebenarnya berasal dari perencanaan. Ketika klasifikasi berjalan konsisten, pola akan muncul dengan sendirinya—misalnya, 40% downtime ternyata bukan kegagalan teknis melainkan penantian material antar-proses.
Yang membuat pendekatan ini berbeda dari sekadar membeli software CMMS adalah sifatnya yang tertutup: sensor memberi data, model memberi skor, ERP menerjemahkannya menjadi work order, biaya perbaikan tercatat, dan hasilnya kembali menjadi label untuk memperbaiki model. Setiap siklus membuat prediksi berikutnya lebih tajam untuk mesin dan kondisi operasi yang spesifik di pabrik Anda—sesuatu yang tidak dapat diberikan oleh produk rakitan dengan asumsi mesin generik.
Jika pabrik Anda masih menempatkan teknisi terbaik sebagai “detektor kerusakan berjalan” dan mengandalkan pengalaman untuk menebak kapan mesin akan bermasalah, ada cara yang lebih terukur untuk mempertahankan pengetahuan itu. Tim Goodsyst membangun Custom ERP dengan modul pemeliharaan prediktif, manajemen aset, dan pelaporan OEE yang dirancang menyatu dengan alur produksi dan pengadaan Anda—bukan ditempel di sampingnya. Mari berdiskusi singkat mengenai aset paling kritis di fasilitas Anda dan data apa yang sudah tersedia hari ini. Hubungi kami melalui WhatsApp atau email untuk konsultasi gratis, dan kami akan memetakan langkah paling realistis untuk dimulai.
Konsultasikan Kebutuhan Anda
Tertarik dengan solusi di atas? Diskusikan sistem impian bisnis Anda secara gratis bersama tim ahli kami.