Optimalisasi Prediksi Maintenance Menggunakan Regresi Random Forest: Tinjauan Systematic Literature Review

Abstract

Perawatan aset penting untuk menjaga kinerja dan memperpanjang umur. Penjadwalan perawatan optimal penting untuk meminimalkan downtime dan memaksimalkan produktivitas. Regresi Random Forest (RF) adalah metode populer untuk prediksi perawatan, terbukti efektif dalam berbagai tugas prediksi dan klasifikasi. Penelitian ini mengevaluasi penggunaan RF dalam prediksi perawatan, dengan fokus pada keunggulan dan batasan dibandingkan metode lain. Kinerja RF dalam memprediksi waktu perawatan optimal berdasarkan berbagai faktor variabel dianalisis. Systematic Literature Review (SLR) digunakan untuk mengidentifikasi, mengevaluasi, dan mensintesis ide dan penelitian terkait dari periode 2019 hingga 2024. Hasil menunjukkan RF memiliki keunggulan dalam prediksi perawatan, terutama dalam peningkatan konversi penjualan. Namun, beberapa keterbatasan perlu dipertimbangkan sebelum implementasi, seperti ketersediaan data, pengalaman machine learning, dan kualitas data. Faktor variabel terpenting dalam prediksi waktu perawatan adalah Tingkat Akurasi, Sensitivitas, dan Generalisasi. Kesimpulannya, RF adalah metode efektif dalam prediksi perawatan, tetapi perlu dipertimbangkan dengan matang sesuai kebutuhan dan kondisi operasional. Penelitian ini memberikan kontribusi signifikan dalam pengembangan metode prediksi perawatan yang lebih akurat dan efisien.