Penerapan Metode SVM dan Decision Tree untuk Monitoring Kondisi Bearing dan Klasifikasi Tindakan Perbaikan pada Sistem Predictive Maintenance

Kerusakan pada bearing merupakan masalah serius dalam sistem penggerak mesin industri, khususnya pada konveyor belt, karena komponen ini berfungsi menopang poros agar sistem dapat bekerja dengan baik. Apabila kerusakan tidak terdeteksi sejak dini, performa mesin dapat menurun hingga menimbulkan kerusakan menyeluruh yang berdampak besar pada produktivitas. Penelitian ini mengembangkan sistem monitoring kerusakan bearing SKF 204 secara real-time berbasis IoT dan machine learning sebagai implementasi predictive maintenance pada konveyor belt. Sistem yang dikembangkan menggunakan mikrokontroler ESP32 yang terintegrasi dengan sensor accelerometer ADXL345 untuk mengukur getaran tiga sumbu, sensor suhu PT100 melalui modul MAX31865, dan sensor tachometer infrared untuk mengukur kecepatan putar. Data sensor dikirimkan setiap 2 detik melalui protokol MQTT ke sistem pemrosesan berbasis Python. Ekstraksi fitur dilakukan menggunakan algoritma Fast Fourier Transform (FFT) dengan window 256 sampel dan Hanning window untuk menghasilkan amplitudo pada empat frekuensi karakteristik bearing SKF 204, yaitu 1X (46,667 Hz), BPFO (200,049 Hz), BPFI (313,284 Hz), dan FTF (18,186 Hz). Dari 157.136 baris data mentah yang dikumpulkan dari empat unit bearing SKF 204 dengan kondisi berbeda, dihasilkan 610 windows fitur yang terdiri dari 488 windows data pelatihan (80%) dan 122 windows data pengujian (20%). Algoritma Support Vector Machine (SVM) dengan kernel RBF digunakan untuk mengklasifikasikan kondisi bearing ke dalam empat kelas: NORMAL, BPFO, BPFI, dan FTF. Algoritma Decision Tree dengan kriteria entropy digunakan untuk menghasilkan enam kategori rekomendasi tindakan perawatan berdasarkan kombinasi kondisi bearing, suhu operasi, dan amplitudo getaran. Hasil evaluasi menunjukkan model SVM mencapai akurasi 100,00% pada data pengujian dengan nilai precision, recall, dan F1-score sebesar 1,0000 untuk seluruh kelas. Model Decision Tree mencapai akurasi 96,72% pada data pengujian. Analisis feature importance menunjukkan bahwa fitur suhu berkontribusi sebesar 65,54%, amplitudo FTF sebesar 29,80%, dan amplitudo BPFO sebesar 4,66%. Hasil diagnosis dan rekomendasi tindakan ditampilkan secara real-time pada dashboard Node-RED dengan latensi end-to-end kurang dari 2 detik.