# Predictive Maintenance Pabrik dengan IoT dan AI: Panduan untuk Pabrik Skala Menengah > Panduan praktis perawatan prediktif untuk pabrik menengah: beda perawatan reaktif, terjadwal, dan prediktif, memilih mesin pertama, sensor getaran dan suhu, data yang dibutuhkan model AI, integrasi dengan work order di ERP atau CMMS, serta cara menghitung manfaatnya secara jujur. Source: https://www.agsora.tech/blog/predictive-maintenance-dengan-iot-dan-ai-untuk-pabrik-skala-menengah Category: Teknologi · Published: 2026-11-14 · Updated: 2026-11-14 · By PT Agsora Teknologi Indonesia Di banyak pabrik skala menengah, perawatan mesin masih berjalan dengan dua cara: memperbaiki saat rusak, atau mengganti komponen sesuai jadwal tanpa melihat kondisi sebenarnya. Cara pertama membuat produksi berhenti mendadak dan pesanan terlambat. Cara kedua lebih aman, tetapi sering membuang komponen yang masih layak dan tetap tidak mencegah kerusakan yang muncul di antara jadwal. Perawatan prediktif atau predictive maintenance menawarkan jalan tengah: memantau kondisi mesin secara terus-menerus melalui sensor, lalu memakai analisis data dan AI untuk memperkirakan kapan sebuah komponen akan bermasalah. Teknologi ini dulu identik dengan perusahaan besar yang punya tim data sendiri. Kini sensor nirkabel lebih murah, gateway IoT lebih mudah dipasang, dan pemrosesan bisa dilakukan di perangkat edge maupun cloud. Laporan industri tahun 2026 menunjukkan perawatan prediktif mulai keluar dari tahap uji coba ke penerapan rutin, termasuk di pabrik menengah. Pendorong lainnya adalah hilangnya pengetahuan perawatan ketika teknisi senior pensiun. Artikel ini membahas cara memulainya secara realistis tanpa proyek besar yang berisiko. ## Ringkasan - Mulailah dari satu atau dua mesin yang paling mahal jika berhenti, bukan dari seluruh pabrik - Sensor getaran, suhu, arus listrik, dan tekanan sudah cukup untuk banyak jenis kerusakan umum - Model AI membutuhkan data riwayat kerusakan dan perawatan, jadi pencatatan work order harus rapi sejak awal - Peringatan dari sistem harus berubah menjadi work order di ERP atau CMMS, bukan sekadar notifikasi - Hitung manfaat dari jam henti yang dihindari, suku cadang yang dihemat, dan lembur yang berkurang - Tetap libatkan teknisi berpengalaman karena pengetahuan mereka mempercepat model menjadi akurat *Perawatan prediktif tidak menggantikan teknisi; ia membantu teknisi datang sebelum kerusakan terjadi* ## Tiga pendekatan perawatan Perawatan reaktif berarti memperbaiki mesin setelah rusak. Biayanya terlihat murah karena tidak ada aktivitas rutin, tetapi kerugian tersembunyi sangat besar: produksi berhenti, bahan terbuang, pengiriman terlambat, dan suku cadang harus dibeli mendadak dengan harga lebih tinggi. Perawatan preventif atau terjadwal berarti mengganti oli, bearing, atau sabuk setelah jumlah jam atau hari tertentu. Pendekatan ini jauh lebih baik dan menjadi dasar yang wajib dimiliki. Kelemahannya, jadwal dibuat berdasarkan rata-rata, padahal kondisi setiap mesin berbeda tergantung beban kerja, lingkungan, dan kualitas operator. Perawatan prediktif melihat kondisi aktual. Jika getaran bearing mulai naik di luar pola normal, sistem memberi peringatan beberapa hari atau minggu sebelum kerusakan. Teknisi bisa menjadwalkan penggantian saat jeda produksi. Pendekatan ini tidak menggantikan perawatan preventif, tetapi melengkapinya untuk mesin-mesin kritis. Dasar pengelolaan aset dan perawatan terjadwal dibahas di [manajemen aset dan perawatan peralatan dengan ERP](https://www.agsora.tech/blog/manajemen-aset-dan-perawatan-peralatan-dengan-erp). ## Memilih mesin pertama Kesalahan umum adalah ingin memasang sensor di semua mesin sekaligus. Hasilnya, biaya besar, data menumpuk, dan tim kewalahan. Lebih baik memilih satu atau dua mesin dengan kriteria berikut: - Jika mesin ini berhenti, seluruh lini produksi ikut berhenti - Kerusakannya pernah terjadi dan biayanya terasa, baik dari jam henti maupun perbaikan - Waktu tunggu suku cadangnya lama atau harganya mahal - Jenis kerusakannya bisa dideteksi dari kondisi fisik, seperti getaran, panas, atau arus - Ada teknisi yang memahami mesin ini dan mau terlibat Contohnya kompresor udara utama, pompa sirkulasi, motor penggerak konveyor, mesin injeksi plastik, atau extruder. Mesin seperti ini biasanya memiliki komponen berputar yang pola kerusakannya sudah dipahami dengan baik. ## Sensor dan data yang dibutuhkan Untuk banyak kasus, beberapa jenis sensor sudah memadai: - Sensor getaran untuk mendeteksi bearing aus, poros tidak sejajar, atau komponen longgar - Sensor suhu untuk mendeteksi gesekan berlebih, pelumasan kurang, atau beban berlebih - Sensor arus listrik untuk melihat perubahan beban motor - Sensor tekanan dan aliran untuk pompa dan sistem hidrolik - Penghitung jam operasi dan siklus untuk mengetahui pemakaian sebenarnya Sensor nirkabel bertenaga baterai kini memudahkan pemasangan tanpa menarik kabel baru. Data dikirim ke gateway, lalu diteruskan ke server lokal atau cloud. Untuk pabrik dengan koneksi internet yang kurang stabil, pemrosesan awal bisa dilakukan di perangkat edge sehingga peringatan tetap muncul meski koneksi terputus. Pertimbangan praktis memilih perangkat ada di [IoT dan sensor untuk bisnis yang realistis](https://www.agsora.tech/blog/iot-dan-sensor-untuk-bisnis-kecil-yang-realistis). ### Data dari sistem operasional Data sensor saja tidak cukup. Model perlu tahu konteks: produk apa yang sedang dibuat, berapa kecepatan mesin, kapan terakhir kali komponen diganti, dan kerusakan apa yang pernah terjadi. Data ini biasanya ada di ERP, sistem produksi, atau buku catatan teknisi. Jika riwayat perawatan masih di kertas, mulailah mencatatnya secara digital dengan jenis kerusakan dan komponen yang diganti. Tanpa label kerusakan, AI hanya bisa mendeteksi anomali, belum bisa menamai masalahnya. ## Bagaimana AI bekerja di perawatan prediktif Ada beberapa tingkat analisis, dari yang paling sederhana sampai paling canggih. ### Batas ambang Tingkat pertama adalah batas ambang: jika suhu bearing di atas 80 derajat atau getaran melewati nilai tertentu, kirim peringatan. Ini mudah, transparan, dan sering sudah memberi manfaat besar. Standar industri untuk tingkat getaran mesin juga bisa dipakai sebagai acuan awal. ### Deteksi anomali Tingkat kedua adalah deteksi anomali. Model mempelajari pola normal mesin pada berbagai kondisi kerja, lalu menandai perilaku yang menyimpang. Pendekatan ini berguna karena tidak membutuhkan banyak contoh kerusakan, cukup data saat mesin sehat. ### Perkiraan sisa umur Tingkat ketiga adalah perkiraan sisa umur komponen. Model memperkirakan berapa hari lagi sebelum komponen perlu diganti. Ini membutuhkan data riwayat kerusakan yang cukup, sehingga biasanya baru realistis setelah sistem berjalan beberapa waktu. Pabrik menengah sebaiknya mulai dari batas ambang dan deteksi anomali. Keduanya cepat memberi hasil dan membangun kepercayaan tim. Kesiapan data secara umum sebelum proyek AI dibahas di [kesiapan data perusahaan sebelum memulai proyek AI](https://www.agsora.tech/blog/kesiapan-data-perusahaan-sebelum-memulai-proyek-ai). ## Dari peringatan menjadi tindakan Banyak proyek perawatan prediktif gagal bukan karena modelnya salah, tetapi karena peringatannya tidak ditindaklanjuti. Notifikasi di dasbor yang tidak dibuka siapa pun tidak ada gunanya. Alur yang baik adalah sebagai berikut: - Sistem mendeteksi kondisi tidak normal dan menilai tingkat keparahannya - Untuk tingkat sedang, sistem membuat work order perawatan secara otomatis di ERP atau CMMS - Supervisor perawatan menjadwalkan pekerjaan di jeda produksi terdekat - Sistem memeriksa stok suku cadang dan membuat permintaan pembelian jika kurang - Teknisi mencatat temuan aktual, misalnya bearing memang aus atau ternyata sensor longgar - Catatan itu menjadi umpan balik untuk memperbaiki model Umpan balik dari teknisi sangat penting. Setiap peringatan yang ternyata palsu dan setiap kerusakan yang tidak terdeteksi harus dicatat, agar akurasi meningkat dari waktu ke waktu. ### Contoh di pabrik kemasan plastik Sebuah pabrik kemasan di Jawa Timur memasang sensor getaran dan suhu pada motor extruder utama. Dalam bulan kedua, sistem mendeteksi getaran yang naik perlahan pada frekuensi tertentu. Work order dibuat, teknisi memeriksa saat pergantian shift, dan menemukan bearing mulai aus. Penggantian dilakukan dalam dua jam terjadwal, bukan berhenti mendadak di tengah pesanan besar. Satu kejadian seperti ini sering sudah menutup biaya sensor untuk mesin tersebut. ## Menghitung manfaat secara jujur Banyak vendor menjanjikan penghematan dengan persentase besar. Angka seperti itu sebaiknya diperlakukan sebagai klaim pemasaran sampai terbukti di pabrik Anda sendiri. Cara yang lebih jujur adalah menghitung dari data sendiri: - Rata-rata jam henti tak terencana per tahun pada mesin terpilih, dikalikan nilai produksi per jam - Biaya perbaikan darurat, termasuk lembur dan pengiriman suku cadang ekspres - Komponen yang diganti terlalu awal karena jadwal preventif - Biaya sistem: sensor, gateway, perangkat lunak, integrasi, dan waktu tim Bandingkan angka sebelum dan sesudah selama enam sampai dua belas bulan. Jika manfaatnya jelas, perluas ke mesin berikutnya dengan prioritas yang sama. ## Menyiapkan tim dan proses perawatan Teknologi hanya separuh pekerjaan. Separuh lainnya adalah orang dan proses. Tentukan siapa yang menerima peringatan, siapa yang memutuskan tindakan, dan berapa lama batas waktu respons untuk setiap tingkat keparahan. Latih teknisi membaca grafik getaran dan suhu sederhana agar mereka memahami alasan di balik peringatan, bukan sekadar menerima perintah dari sistem. Jadwalkan pertemuan singkat mingguan untuk meninjau peringatan yang muncul, tindakan yang diambil, dan temuan di lapangan. Rekam juga pengetahuan teknisi senior, misalnya bunyi atau gejala yang biasanya mendahului kerusakan, ke dalam catatan perawatan digital. Pengetahuan ini berharga untuk melatih teknisi baru sekaligus memperbaiki aturan dan model analisis. ## Kesalahan umum yang perlu dihindari - Memasang sensor di semua mesin sebelum membuktikan nilai di satu mesin - Tidak mencatat riwayat kerusakan sehingga model tidak bisa belajar - Peringatan hanya muncul di dasbor tanpa menjadi work order - Terlalu banyak peringatan palsu sehingga teknisi berhenti percaya - Mengabaikan perawatan preventif dasar karena merasa sudah punya sistem prediktif - Tidak melibatkan teknisi sejak awal, padahal mereka yang paling paham gejala mesin - Memilih platform tertutup yang datanya sulit diekspor ke sistem lain ## Pertanyaan yang sering diajukan ### Berapa biaya awal untuk memulai? Tergantung jumlah mesin, jenis sensor, dan integrasi. Proyek percontohan di satu atau dua mesin biasanya jauh lebih kecil dibandingkan kerugian satu kali berhenti produksi di mesin kritis. Hitung dulu kerugian per jam henti untuk mendapat batas investasi yang masuk akal. ### Apakah mesin lama bisa dipantau? Bisa. Sensor getaran dan suhu dipasang di bagian luar mesin dan tidak membutuhkan sistem kontrol modern. Mesin lama justru sering mendapat manfaat terbesar karena lebih rawan rusak. ### Apakah harus punya data scientist? Tidak untuk tahap awal. Banyak platform menyediakan analisis bawaan. Yang dibutuhkan adalah seseorang yang memahami mesin dan proses, serta mitra yang bisa mengintegrasikan data ke sistem perawatan. ### Bagaimana dengan keamanan jaringan? Pisahkan jaringan sensor dari jaringan kantor, batasi akses perangkat, dan pastikan pembaruan keamanan pada gateway dilakukan secara berkala. ## Kesimpulan Perawatan prediktif bukan lagi teknologi yang hanya cocok untuk pabrik raksasa. Dengan memulai dari mesin yang paling mahal jika berhenti, memakai sensor sederhana, mencatat riwayat perawatan dengan rapi, dan menghubungkan peringatan ke work order, pabrik menengah bisa mengurangi henti produksi secara nyata. Kunci keberhasilannya bukan algoritma tercanggih, melainkan disiplin data, keterlibatan teknisi, dan alur tindak lanjut yang jelas. **Kurangi henti produksi mendadak di mesin kritis** Agsora membantu pabrik menghubungkan data sensor ke sistem perawatan dan ERP, menerapkan deteksi anomali, dan membuat work order otomatis dari peringatan mesin. [Konsultasi gratis](https://www.agsora.tech/services/ai-automation)