| dc.description.abstract | Pompa PD-200 pada Unit Big Gossan Mill Facility (BGMF) di PT. Freeport Indonesia (PTFI) mempunyai fungsi vital dalam mengirimkan tailing ke unit pengolahan untuk mendukung kegiatan pertambangan bawah tanah Big Gossan. Berbagai strategi perawatan telah diterapkan pada pompa ini untuk menunjang availability-nya. Penerapan Predictive Maintenance berbasis model prediktif diharapkan mampu meningkatkan efisiensi dan efektifitas pada kegiatan perawatan pabrik sesuai konsep industri 4.0. Machine Learning tengah populer digunakan untuk mengembangkan model ini, namun hingga saat ini belum diterapkan pada kegiatan perawatan pabrik di PTFI. Penelitian ini bertujuan untuk mengembangkan model Machine Learning dengan kemampuan pendeteksian anomali pada pompa PD-200, mengkaji luaran Machine Learning dalam meminimalkan downtime pompa, dan merumuskan pengembangan sistem Machine Learning pada Pabrik Konsentrat PTFI. Metode yang digunakan untuk pengembangan model adalah CRISP-DM, dengan alat yang digunakan adalah aplikasi Python. Data yang digunakan adalah data sekunder atribut pompa PD-200 dan profil BGMF. Alur kegiatan perawatan pabrik digunakan untuk pengembangan integrasi model Machine Learning. Data yang digunakan adalah data primer dari hasil wawancara. Arsitektur referensi IIRA digunakan untuk merumuskan pengembangan sistem Machine Learning. Data yang digunakan adalah wawancara untuk pemaparan Business Viewpoint dan Usage Viewpoint, dan observasi untuk pemaparan Functional Viewpoint dan Implementation Viewpoint. Hasil penelitian menunjukkan bahwa model machine learning telah berhasil dikembangkan pada pompa PD-200 dan mampu mendeteksi anomali pada pompa. Model yang dikembangkan mempunyai akurasi sebesar 92,5% dan presisi sebesar 94,57%. Luaran Machine Learning diperkirakan dapat meminimalkan downtime sebesar 33,8% dengan integrasi pada kegiatan perawatan pabrik. Pengembangan sistem machine learning di Pabrik Konsentrat PTFI telah berhasil didesain diawali dengan penyusunan Key Objectives dan Fundamental Capabilities pada Business Viewpoint. Kedua hal ini diturunkan dari visi misi dan nilai-nilai perusahaan dan sesuai dengan tujuan kegiatan perawatan pabrik. Dua skenario penggunaan sistem Machine Learning, yaitu Training dan Predicting kemudian dijelaskan pada Usage Viewpoint. Pihak-pihak yang terlibat dan perannya juga ditentukan pada sudut pandang ini. Pada Functional Viewpoint dijabarkan fungsionalitas sistem pada domain aplikasi dan interaksinya dengan domain bisnis, domain informasi, domain kontrol, dan domain operasi. Pada Implementation Viewpoint didesain topologi jaringan penerapan sistem. | id |
