Publication Search

Wastewater Treatment Plant (WWTP) pada kawasan industri konvensional umumnya masih mengandalkan strategi pemeliharaan berbasis interval waktu yang tetap. Pendekatan tersebut berisiko menyebabkan penurunan performa pompa yang tidak teridentifikasi secara dini serta meningkatkan potensi pemborosan energi operasional. Penelitian ini mengembangkan Green Maintenance Framework berbasis machine learning untuk meningkatkan reliabilitas pompa sirkulasi pada sistem Moving Bed Biofilm Reactor (MBBR). Analisis dilakukan menggunakan dataset telemetri multi-sensor yang mencakup parameter getaran, temperatur, tekanan, debit aliran, dan rotasi per menit (RPM). Proses rekayasa fitur diterapkan melalui pembentukan System Efficiency Index untuk meningkatkan sensitivitas model terhadap indikator degradasi kinerja pompa. Model prediktif dibangun menggunakan algoritma Random Forest Classifier dengan skema pembagian data 80:20 secara stratified. Hasil pengujian menunjukkan bahwa model menghasilkan tingkat akurasi klasifikasi sebesar 100%, dengan variabel Vibration dan Temperature menjadi parameter yang paling dominan dalam proses prediksi. Analisis operasional memperlihatkan bahwa degradasi pompa menyebabkan penurunan flow rate meskipun nilai rotasi per menit (RPM) mengalami peningkatan, sehingga memicu kenaikan konsumsi energi dan meningkatkan risiko gangguan pada proses biologis Moving Bed Biofilm Reactor (MBBR). Dari aspek ekonomi, kondisi tersebut menyebabkan pemborosan energi sebesar 5.623 kWh atau setara Rp6.271.236, - per bulan untuk setiap unit pompa. Penelitian ini berkontribusi pada pengembangan sistem predictive maintenance berbasis kecerdasan buatan untuk mendukung efisiensi energi serta implementasi green manufacturing di kawasan industri.

Penelitian ini dilatarbelakangi oleh tingginya biaya penyimpanan dan meningkatnya stok mati pada Delyana Hijab, yang menunjukkan belum optimalnya pengelolaan persediaan bahan baku. Ketidaksesuaian antara jumlah bahan baku dan kebutuhan produksi menyebabkan pemborosan biaya serta menurunkan efisiensi operasional. Penelitian ini bertujuan untuk menentukan kebutuhan material yang optimal melalui pendekatan forecasting dan Material Requirement Planning (MRP). Metode yang digunakan adalah deskriptif kuantitatif dengan teknik pengumpulan data berupa observasi, wawancara, dan dokumentasi. Tahapan analisis meliputi peramalan permintaan, penyusunan Master Production Schedule (MPS), Bill of Materials (BOM), perhitungan kebutuhan bersih (MRP), serta penentuan ukuran pemesanan melalui metode lot sizing. Hasil penelitian menunjukkan bahwa metode regresi linier menghasilkan tingkat kesalahan peramalan terendah sehingga mampu memproyeksikan kebutuhan produksi dengan lebih akurat. Penerapan MRP menghasilkan perencanaan kebutuhan bahan baku yang lebih terarah dan sesuai dengan jadwal produksi. Pada tahap lot sizing, metode Lot For Lot (LFL) menjadi yang paling efisien dengan total biaya persediaan sebesar Rp108.669.000. Dalam penerapannya, jumlah pemesanan bahan baku mengikuti kebutuhan bersih tiap periode, misalnya kebutuhan kain katun berkisar 5-7 roll per minggu dan dipesan dalam jumlah yang sama tanpa kelebihan stok. Pola ini mampu menekan penumpukan persediaan dan mengurangi risiko stok mati karena bahan baku langsung digunakan sesuai kebutuhan. Dengan demikian, tujuan penelitian untuk menentukan kebutuhan material yang optimal telah terjawab melalui penerapan metode Lot For Lot yang mampu menghasilkan kuantitas pemesanan yang tepat dan efisien.