Predictive Maintenance Berbasis AI: Pelajaran Uji Coba Kemenperin 2026 untuk Pabrik
Predictive maintenance berbasis AI adalah cara merawat mesin pabrik dengan membaca data sensor untuk menebak kapan sebuah komponen akan rusak, lalu memperbaikinya sebelum benar-benar mogok. Sederhananya, mesin diservis saat datanya menunjukkan gejala, bukan menunggu jadwal atau menunggu rusak. Tulisan ini membahas pengertiannya, besarnya kerugian akibat downtime, hasil uji coba Kemenperin di Kalbe Farma tahun 2026, cara kerja deteksi anomali, perbedaan tiga pola perawatan, aturan yang relevan, syarat teknis, hingga langkah memulai proyek untuk pabrik Anda.
TLDR
Apa Itu Predictive Maintenance Berbasis AI?
Perawatan mesin yang dipicu oleh tanda kerusakan dari data sensor, dengan AI sebagai pembaca polanya.
Berapa Kerugian Akibat Downtime Mesin Tak Terencana?
Siemens (2024) memperkirakan 500 perusahaan terbesar dunia kehilangan hampir 1,4 triliun dolar AS per tahun, setara 11 persen pendapatan mereka.
Hasil Uji Coba AI Kemenperin di Kalbe Farma 2026
Uji coba April sampai Juni 2026 meraih skor kepuasan 8 dari 10 dan mencapai penuh dua dari tiga target utama.
Bagaimana AI Mendeteksi Gejala Kerusakan Mesin?
AI mempelajari pola normal hubungan antarsensor, lalu memberi peringatan ketika pola itu mulai menyimpang.
Preventif, Prediktif, dan Preskriptif: Apa Bedanya?
Ketiganya berbeda pada pemicu perawatan: jadwal tetap, tanda kerusakan dari data, atau rekomendasi tindakan otomatis.
Aturan yang Perlu Diperhatikan Pabrik di Indonesia
Permenperin Nomor 21 Tahun 2020 tentang INDI 4.0 dan UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi menjadi rujukan utama.
Syarat Data dan Integrasi sebelum Memasang AI di Pabrik
Tanpa sensor yang tepat, riwayat kerusakan, dan integrasi ke sistem perawatan, model AI tidak punya bahan untuk belajar.
Cara Memulai Proyek Predictive Maintenance untuk Bisnis Anda
Mulai dari satu lini kritis lewat proof of concept dengan target terukur, lalu perluas bertahap.
Kesimpulan
AI untuk perawatan mesin sudah teruji di pabrik Indonesia, kuncinya ada pada target yang jelas dan data yang rapi.
Bayangkan sebuah lini produksi tablet berhenti mendadak pukul dua dini hari karena bantalan motor pengaduk aus. Tim teknik baru tahu setelah alarm berbunyi, suku cadang harus dipesan, dan jadwal pengiriman ke distributor mundur dua hari. Kejadian seperti ini akrab bagi banyak manajer pabrik di Indonesia. Pertanyaannya, bisakah tanda keausan itu terbaca beberapa hari sebelumnya? Uji coba yang difasilitasi Kementerian Perindustrian pada pertengahan 2026 memberi jawaban awal yang menarik, sekaligus pelajaran tentang apa yang perlu disiapkan sebelum pabrik ikut memakai AI.
Apa Itu Predictive Maintenance Berbasis AI?
Predictive maintenance berbasis AI adalah strategi perawatan mesin yang memakai data sensor dan model machine learning untuk mendeteksi gejala kerusakan lebih awal. Perawatan dilakukan ketika data menunjukkan risiko naik, sehingga pabrik bisa mencegah mesin berhenti mendadak tanpa harus mengganti komponen yang sebenarnya masih sehat.
Selama puluhan tahun, pabrik merawat mesin dengan dua cara. Cara pertama adalah memperbaiki setelah rusak. Cara kedua adalah perawatan berkala, misalnya mengganti oli atau bantalan setiap sekian ribu jam operasi. Cara kedua lebih aman, tetapi sering boros karena komponen yang masih layak ikut diganti. Predictive maintenance mencoba mengambil jalan tengah, yaitu merawat tepat ketika dibutuhkan.
Peran AI di sini adalah membaca data dalam jumlah besar yang mustahil diawasi manusia satu per satu. Sebuah mesin produksi modern bisa punya puluhan titik pengukuran, seperti suhu, getaran, arus listrik, tekanan, dan kecepatan putar. Model machine learning mempelajari bagaimana angka-angka itu bergerak saat mesin sehat, lalu menandai pola yang mulai menyimpang sebelum operator merasakan ada yang aneh.
Kementerian Perindustrian menggambarkan manfaat pendekatan ini dengan cukup lugas. Dalam rilis uji coba di sektor farmasi pada Juli 2026, Kemenperin menyebut sistem semacam ini membuat potensi gangguan peralatan bisa dideteksi lebih dini, sehingga mampu mengurangi risiko downtime, meningkatkan keandalan aset, mengoptimalkan proses pemeliharaan, serta mendukung pengambilan keputusan berbasis data.
Penting untuk dicatat, predictive maintenance bukan alat ajaib yang menghapus semua kerusakan. Model hanya sebaik data yang masuk. Jika sensor terpasang di titik yang salah atau riwayat kerusakan tidak pernah dicatat, prediksinya akan lemah. Karena itu, banyak perusahaan memulai dari uji coba terbatas untuk membuktikan akurasi sebelum memasang sistem di seluruh pabrik.
Bagi pembaca bisnis, cara paling mudah memahami konsep ini adalah membandingkannya dengan pemeriksaan kesehatan. Perawatan berkala mirip cek rutin tahunan, sedangkan predictive maintenance mirip jam tangan pintar yang terus memantau detak jantung dan memberi peringatan saat ada pola tidak biasa. Keduanya berguna, tetapi yang kedua memberi waktu lebih banyak untuk bertindak.
Berapa Kerugian Akibat Downtime Mesin Tak Terencana?
Menurut laporan The True Cost of Downtime 2024 dari Siemens, 500 perusahaan terbesar dunia kehilangan hampir 1,4 triliun dolar AS per tahun akibat downtime tak terencana. Angka itu setara 11 persen pendapatan mereka, dan menjadi alasan utama perusahaan manufaktur mulai serius memakai perawatan berbasis data.
Laporan Siemens (2024) juga menunjukkan biaya per jam yang makin mahal. Di sektor otomotif, satu jam lini produksi yang berhenti kini bernilai 2,3 juta dolar AS, atau lebih dari 600 dolar AS per detik. Di ujung paling rendah, sektor barang konsumsi cepat saji (FMCG) kehilangan sekitar 36.000 dolar AS untuk setiap jam yang hilang. Bagi pabrik makanan, minuman, dan farmasi di Indonesia, sektor FMCG adalah pembanding yang paling dekat.
Ada kabar baiknya. Siemens mencatat jumlah insiden downtime turun menjadi rata-rata 25 kejadian per bulan per fasilitas, dari 42 kejadian pada 2019. Jam yang hilang juga turun menjadi 27 jam per bulan untuk pabrik besar, dari 39 jam pada 2019. Meski begitu, 27 jam masih lebih dari satu hari produksi penuh setiap bulan.
Kerugian tahunan per pabrik juga besar. Siemens (2024) memperkirakan lini produksi yang menganggur di pabrik otomotif besar kini bernilai 695 juta dolar AS per tahun, 1,5 kali lebih tinggi dibanding lima tahun sebelumnya. Untuk pabrik industri berat, angkanya 59 juta dolar AS per tahun, 1,6 kali lebih tinggi dibanding 2019. Rata-rata pabrik besar di sektor yang disurvei menanggung biaya downtime sekitar 253 juta dolar AS per tahun.
Siemens menyebut predictive maintenance yang makin umum sebagai salah satu faktor penting di balik penurunan itu. Hampir separuh perusahaan yang disurvei kini punya tim khusus predictive maintenance, dua kali lipat dibanding 2019. Sembilan dari sepuluh responden juga sudah menjalankan pemantauan kondisi mesin dalam bentuk tertentu.
Laporan yang sama memuat estimasi potensi penghematan jika praktik pemantauan kondisi dan predictive maintenance diadopsi penuh oleh organisasi industri dalam daftar Fortune Global 500. Hasilnya, 2,1 juta jam downtime bisa dihemat setiap tahun, produktivitas naik 5 persen yang setara 388 miliar dolar AS, dan biaya perawatan turun 40 persen yang setara 233 miliar dolar AS.
Angka-angka ini perlu dibaca dengan hati-hati. Siemens adalah penyedia solusi predictive maintenance, sehingga estimasi penghematannya wajar dianggap sebagai skenario terbaik, bukan janji untuk setiap pabrik. Namun, data biaya per jam downtime cukup berguna sebagai titik awal. Manajer pabrik bisa menghitung sendiri berapa nilai produksi yang hilang per jam di lininya, lalu membandingkannya dengan biaya sensor dan perangkat lunak.
Hasil Uji Coba AI Kemenperin di Kalbe Farma 2026
Pada April sampai Juni 2026, Kemenperin melalui BPSDMI dan Pusat Industri Digital Indonesia 4.0 memfasilitasi proof of concept teknologi SIAT buatan PT NEC Indonesia bersama Bogor Technology di PT Kalbe Farma Tbk. Hasilnya, Kalbe memberi skor kepuasan 8 dari 10, dan dua dari tiga target utama tercapai penuh.
Uji coba ini berfokus pada predictive maintenance berbasis AI dan pemantauan kondisi peralatan produksi secara real time. Menurut keterangan Kemenperin yang dikutip TVRI News pada 20 Juli 2026, evaluasinya tidak hanya melihat kemampuan sistem mendeteksi potensi gangguan. Tim juga menilai tingkat akurasi, kemudahan integrasi dengan sistem perusahaan yang sudah ada, serta peluang pengembangan pada tahap implementasi berikutnya.
Menteri Perindustrian Agus Gumiwang Kartasasmita menempatkan uji coba ini dalam kerangka peta jalan Making Indonesia 4.0, di mana farmasi menjadi salah satu sektor prioritas. "Akselerasi transformasi digital dan adopsi teknologi canggih seperti kecerdasan buatan (Artificial Intelligence/AI) bukan lagi pilihan, melainkan keharusan untuk mendongkrak efisiensi dan daya saing global sektor kimia dan farmasi kita," kata Agus Gumiwang dalam keterangan tertulis yang dikutip TVRI News, 20 Juli 2026.
Kepala BPSDMI Doddy Rahadi menjelaskan alasan pemerintah memilih format proof of concept. "PIDI 4.0 memfasilitasi pelaksanaan Proof of Concept (PoC) sebagai sarana bagi perusahaan untuk menguji kelayakan suatu solusi digital dalam kondisi operasional yang sesungguhnya sebelum diimplementasikan dalam skala yang lebih luas," ungkap Doddy. Format ini penting karena banyak solusi terlihat meyakinkan di ruang presentasi, tetapi baru teruji saat berhadapan dengan mesin dan data nyata.
Dari sisi pengguna, Engineering Group Head PT Kalbe Farma Tbk Ronald Effendi menyoroti kemampuan sistem mengolah data. "Sistem SIAT ini sangat komprehensif dalam mengintegrasikan dan mengolah data. Hal ini membuka potensi baru bagi kami dan meningkatkan daya saing perusahaan untuk menghadapi tantangan di industri farmasi," ujar Ronald. Presiden Direktur PT NEC Indonesia Akifumi Katano menyebut keberhasilan uji coba ini sebagai tonggak penting untuk mempercepat inovasi digital di sektor industri Indonesia.
Satu hal yang patut dicatat adalah kejujuran hasilnya. Tidak semua target tercapai, karena satu dari tiga target utama belum terpenuhi penuh. Rilis yang beredar tidak merinci target mana yang belum tercapai, sehingga pembaca sebaiknya tidak menganggap uji coba ini sebagai bukti bahwa sistem sudah sempurna. Justru di situlah nilai proof of concept, yaitu menemukan celah sebelum perusahaan berinvestasi lebih besar.
Bagi industri lain, pelajaran utamanya ada pada format kerja sama. Pemerintah berperan sebagai fasilitator, penyedia teknologi membawa solusinya, dan pabrik menyediakan mesin serta data operasional. Kepala Pusat Pendidikan dan Pelatihan SDM Industri Ronggolawe Sahuri menilai kolaborasi seperti ini membuat transformasi digital tidak berhenti sebagai konsep, tetapi terwujud dalam implementasi yang memberi manfaat nyata.
Bagaimana AI Mendeteksi Gejala Kerusakan Mesin?
AI mendeteksi gejala kerusakan dengan mempelajari pola normal dari banyak sensor sekaligus, termasuk hubungan antarsensor, lalu memberi peringatan ketika pola itu menyimpang. Pendekatan ini disebut deteksi anomali. Keunggulannya, sistem tidak perlu menunggu batas suhu atau getaran terlampaui untuk mulai curiga.
Cara lama memantau mesin biasanya memakai ambang batas. Misalnya, alarm berbunyi jika suhu motor melewati angka tertentu. Masalahnya, ketika ambang itu terlampaui, kerusakan sering sudah terjadi. Deteksi anomali bekerja lebih halus. Sistem memperhatikan apakah kombinasi angka masih wajar. Contohnya, arus listrik yang naik tanpa diikuti kenaikan beban produksi bisa menjadi tanda gesekan bertambah di dalam motor.
NEC menggambarkan SIAT sebagai teknologi berbasis AI yang mampu mendeteksi abnormalitas pada sistem industri. Dalam pameran Indonesia 4.0 Conference and Expo di Jakarta pada 17 sampai 18 September 2025, seperti diberitakan Selular.ID, NEC Indonesia menyebut teknologi ini membantu industri beralih dari pemeliharaan preventif menuju prediktif dan preskriptif, sehingga mendorong efisiensi biaya sekaligus peningkatan kualitas produksi.
Secara umum, alur kerja sistem deteksi anomali di pabrik terdiri dari beberapa tahap. Pertama, data dikumpulkan dari sensor dan sistem kontrol mesin. Kedua, model belajar dari periode ketika mesin berjalan normal. Ketiga, model memantau data baru secara real time dan menghitung seberapa jauh kondisi saat ini menyimpang. Keempat, peringatan dikirim ke tim teknik bersama petunjuk sensor mana yang paling berubah.
Diagram cara kerja deteksi anomali dan tahapan proof of concept. Diolah Burung Hantu Infratek dari Kemenperin, NEC Indonesia, dan Siemens.
Tahap terakhir sering diremehkan, padahal sangat menentukan. Peringatan yang hanya berbunyi "ada anomali" tanpa penjelasan akan membuat teknisi bingung dan lama-lama diabaikan. Sistem yang baik menunjukkan sensor mana yang berubah, sejak kapan, dan seberapa besar. Informasi itu membantu teknisi memutuskan apakah perlu inspeksi langsung, mengurangi beban mesin, atau menjadwalkan penggantian komponen.
Tantangan terbesar deteksi anomali adalah alarm palsu. Pabrik yang sering berganti produk, mengubah kecepatan lini, atau mematikan mesin untuk pembersihan akan menghasilkan pola data yang berbeda-beda. Jika model tidak mengenali perubahan itu sebagai hal normal, ia akan terus mengirim peringatan yang tidak perlu. Karena itu, evaluasi akurasi seperti dalam uji coba Kemenperin menjadi bagian yang tidak bisa dilewati.
Model juga perlu dirawat, sama seperti mesinnya. Setelah komponen besar diganti, mesin dipindah, atau resep produksi berubah, pola normal yang dipelajari model bisa tidak lagi relevan. Tim perlu menjadwalkan pelatihan ulang dan mencatat setiap perubahan besar di lantai produksi. Tanpa kebiasaan ini, akurasi yang bagus saat uji coba perlahan menurun dan kepercayaan teknisi terhadap peringatan AI ikut hilang.
Preventif, Prediktif, dan Preskriptif: Apa Bedanya?
Perbedaan perawatan preventif, prediktif, dan preskriptif terletak pada pemicunya. Preventif dipicu jadwal tetap, prediktif dipicu tanda kerusakan dari data, sedangkan preskriptif melangkah lebih jauh dengan memberi rekomendasi tindakan. Ketiganya bisa berjalan bersamaan di satu pabrik, tergantung tingkat kritis tiap mesin.
Istilah ini sering tertukar dalam presentasi vendor, jadi ada baiknya dipahami satu per satu. Berikut ringkasan perbedaannya untuk pembaca bisnis.
Reaktif. Mesin diperbaiki setelah rusak. Biaya awalnya paling murah, tetapi kerugian akibat produksi berhenti bisa sangat besar, seperti terlihat dari data Siemens (2024) soal biaya per jam downtime.
Preventif. Perawatan dilakukan berdasarkan jadwal atau jam operasi. Risiko kerusakan mendadak turun, tetapi komponen yang masih layak sering ikut diganti sehingga biaya suku cadang membengkak.
Prediktif. Perawatan dilakukan ketika data sensor menunjukkan gejala kerusakan. Inilah fokus uji coba Kemenperin di Kalbe Farma pada April sampai Juni 2026, yang memadukan predictive maintenance dengan pemantauan kondisi secara real time.
Preskriptif. Sistem tidak hanya memberi tahu bahwa mesin berisiko rusak, tetapi juga menyarankan tindakan, misalnya menurunkan kecepatan, mengganti komponen tertentu, atau mengatur ulang jadwal produksi. NEC Indonesia menyebut SIAT dirancang untuk membantu peralihan menuju tahap prediktif dan preskriptif.
Dalam praktik, tidak semua mesin perlu dipantau dengan AI. Pompa cadangan yang murah dan mudah diganti mungkin cukup dirawat secara preventif. Sebaliknya, mesin utama yang menjadi titik sempit lini produksi layak mendapat pemantauan prediktif karena satu jam berhentinya bisa menahan seluruh pabrik. Keputusan ini sebaiknya dibuat berdasarkan analisis tingkat kritis aset, bukan karena semua mesin harus terlihat canggih.
Ada manfaat lain yang sering luput dari hitungan. Siemens (2024) mencatat bahwa memperbaiki mesin sebelum rusak dapat mengurangi kebutuhan suku cadang pengganti hingga 40 persen, sehingga limbah dan jejak karbon ikut berkurang. Bagi perusahaan yang punya target keberlanjutan, angka ini bisa masuk ke laporan lingkungan sekaligus laporan efisiensi biaya.
Tahap preskriptif juga menuntut kepercayaan lebih tinggi. Ketika sistem mulai menyarankan perubahan kecepatan atau jadwal, keputusan itu menyentuh target produksi dan kualitas. Banyak perusahaan memilih tetap menempatkan teknisi sebagai pengambil keputusan akhir, sementara AI berperan sebagai penasihat. Pendekatan ini sejalan dengan konsep Human-Centric Digital Transformation yang diusung NEC, yaitu teknologi mendukung manusia dan tidak menggantikan perannya sepenuhnya.
Bagi perusahaan yang baru mulai, urutan yang masuk akal adalah merapikan perawatan preventif lebih dulu, lalu menambahkan pemantauan kondisi pada mesin paling kritis, baru kemudian menguji model prediktif. Melompat langsung ke tahap preskriptif tanpa fondasi data yang kuat biasanya berakhir dengan rekomendasi yang tidak dipercaya tim di lapangan.
Aturan yang Perlu Diperhatikan Pabrik di Indonesia
Belum ada peraturan khusus yang mengatur predictive maintenance di Indonesia. Dua rujukan yang paling relevan adalah Permenperin Nomor 21 Tahun 2020 tentang Pengukuran Tingkat Kesiapan Industri dalam Bertransformasi Menuju Industri 4.0, serta UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi untuk data pekerja yang ikut terekam.
Permenperin Nomor 21 Tahun 2020 ditetapkan pada 11 Agustus 2020, diundangkan dan mulai berlaku pada 13 Agustus 2020, dan menurut JDIH BPK masih berstatus berlaku. Aturan ini menjadi dasar asesmen INDI 4.0, alat ukur yang dipakai Kemenperin untuk menilai sejauh mana sebuah perusahaan siap bertransformasi ke Industri 4.0. Proyek AI untuk perawatan mesin bisa diletakkan dalam peta transformasi yang sama, sehingga hasilnya terlihat sebagai bagian dari kemajuan digital perusahaan.
INDI 4.0 punya nilai praktis bagi perusahaan. Dalam siaran pers 14 Maret 2023, Kemenperin mencatat ada 76 perusahaan champions INDI 4.0, 13 perusahaan national lighthouse industri 4.0, dan dua perusahaan global lighthouse industri 4.0 di Indonesia. Perusahaan dengan status ini dijadikan referensi dan percontohan bagi industri lain. Mengikuti asesmen INDI 4.0 bisa membantu pabrik melihat posisinya sebelum memilih proyek AI.
Aturan kedua yang tidak boleh dilupakan adalah UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi, yang ditetapkan dan diundangkan pada 17 Oktober 2022. Data getaran atau suhu mesin pada dasarnya bukan data pribadi. Namun, proyek predictive maintenance sering ikut merekam data yang menyentuh orang, misalnya identitas operator per shift, log akses teknisi, atau rekaman kamera di area produksi.
Begitu data semacam itu ikut diproses, perusahaan berperan sebagai pengendali data pribadi dan wajib mengikuti kewajiban dalam UU tersebut. Langkah praktisnya cukup jelas. Pisahkan data mesin dari data identitas sejak desain sistem, batasi siapa yang bisa mengakses data operator, dan pastikan kontrak dengan vendor mengatur di mana data disimpan serta siapa yang bertanggung jawab jika terjadi kebocoran.
Perusahaan juga perlu memperhatikan aturan internal dan standar mutu sektornya. Pabrik farmasi, misalnya, bekerja di bawah standar mutu produksi yang ketat, sehingga setiap perubahan pada sistem yang memantau mesin produksi biasanya perlu didokumentasikan dan divalidasi. Uji coba terbatas seperti proof of concept memberi ruang untuk menyiapkan dokumentasi itu sebelum sistem dipakai dalam skala penuh.
Syarat Data dan Integrasi sebelum Memasang AI di Pabrik
Sebelum memasang AI untuk perawatan mesin, pabrik perlu tiga hal: sensor di titik yang tepat, riwayat perawatan dan kerusakan yang tercatat rapi, serta jalur integrasi ke sistem yang sudah ada. Tanpa ketiganya, model tidak punya bahan belajar dan peringatannya tidak akan sampai ke orang yang tepat.
Syarat pertama adalah data sensor. Banyak mesin baru sudah menyimpan data operasional di sistem kontrolnya, tetapi mesin lama sering perlu sensor tambahan. Pilihan sensor bergantung pada jenis kerusakan yang ingin dicegah. Motor dan bantalan umumnya dipantau dari getaran dan suhu, pompa dari tekanan dan aliran, sedangkan panel listrik dari arus dan panas. Memasang sensor tanpa tahu kerusakan apa yang dikejar hanya akan menghasilkan tumpukan data yang tidak terpakai.
Keputusan berikutnya adalah tempat pengolahan data. Sebagian perusahaan memproses data langsung di perangkat dekat mesin agar peringatan bisa keluar cepat walau koneksi internet terganggu. Sebagian lain mengirim data ke server pusat atau layanan cloud supaya model bisa membandingkan banyak mesin sekaligus. Pilihan ini memengaruhi biaya jaringan, kecepatan peringatan, dan siapa yang memegang data, jadi perlu diputuskan bersama tim TI sejak tahap uji coba.
Syarat kedua adalah riwayat. Model belajar paling baik ketika ada contoh nyata, yaitu kapan mesin rusak, komponen apa yang diganti, dan seperti apa datanya sebelum kejadian. Di banyak pabrik, catatan ini tersebar di buku log, lembar kerja, atau ingatan teknisi senior. Mengumpulkan dan merapikan riwayat ini sering memakan waktu lebih lama daripada memasang perangkat lunaknya.
Syarat ketiga adalah integrasi. Kemenperin secara khusus menyebut kemudahan integrasi dengan sistem perusahaan yang sudah ada sebagai salah satu aspek evaluasi dalam uji coba di Kalbe Farma. Ini masuk akal. Peringatan AI baru berguna jika bisa langsung menjadi perintah kerja di sistem manajemen perawatan, muncul di layar ruang kontrol, atau terkirim ke teknisi yang sedang bertugas.
Ada pula sisi keamanan siber yang perlu dipikirkan sejak awal. Menghubungkan mesin produksi ke jaringan untuk mengirim data berarti membuka pintu baru. Jaringan mesin sebaiknya dipisahkan dari jaringan kantor, akses jarak jauh vendor dibatasi dan dicatat, dan perangkat sensor diperbarui secara berkala. Gangguan keamanan pada sistem pemantauan bisa berujung pada downtime yang justru ingin dicegah.
Terakhir, jangan lupakan manusia. Teknisi yang sudah puluhan tahun mengenal suara mesin adalah sumber pengetahuan yang sangat berharga. Libatkan mereka saat menentukan titik sensor dan saat menilai apakah peringatan AI masuk akal. Ronald Effendi dari Kalbe menyebut sistem yang diuji membuka potensi baru dalam mengintegrasikan dan mengolah data, tetapi potensi itu baru terwujud jika tim di lapangan mau memakainya setiap hari.
Cara Memulai Proyek Predictive Maintenance untuk Bisnis Anda
Cara paling aman memulai predictive maintenance adalah lewat proof of concept di satu lini atau satu jenis mesin paling kritis, dengan target terukur yang disepakati sejak awal. Format ini sama dengan yang dipakai Kemenperin di Kalbe Farma, dan memberi bukti nyata sebelum perusahaan berinvestasi di seluruh pabrik.
Berikut urutan langkah yang bisa dipakai perusahaan manufaktur di Indonesia, dari tahap persiapan sampai keputusan perluasan.
Hitung biaya downtime Anda sendiri. Gunakan angka nilai produksi per jam dan frekuensi kerusakan tahun lalu. Data Siemens (2024) bisa menjadi pembanding, tetapi angka internal jauh lebih meyakinkan bagi direksi.
Pilih satu aset paling kritis. Utamakan mesin yang menjadi titik sempit lini produksi dan punya riwayat kerusakan berulang, sehingga dampak keberhasilan mudah terlihat.
Tetapkan target yang terukur. Contohnya, berapa hari peringatan dini sebelum kerusakan, berapa persen alarm palsu yang masih bisa diterima, dan seberapa mudah sistem tersambung ke aplikasi perawatan yang ada. Uji coba Kemenperin memakai tiga target utama dan melaporkan secara terbuka bahwa dua tercapai penuh.
Kumpulkan data dan riwayat. Pastikan sensor terpasang, data mengalir stabil, dan catatan kerusakan masa lalu dirapikan sebelum model mulai dilatih.
Jalankan uji coba dalam waktu terbatas. Uji coba di Kalbe berlangsung sekitar tiga bulan, dari April sampai Juni 2026. Durasi seperti ini cukup untuk melihat pola awal tanpa menguras anggaran.
Evaluasi bersama tim lapangan. Nilai akurasi, kemudahan integrasi, dan kepuasan pengguna, lalu putuskan apakah sistem layak diperluas, perlu diperbaiki, atau dihentikan.
Perusahaan juga bisa memanfaatkan program pemerintah. Pusat Industri Digital Indonesia 4.0 di bawah BPSDMI Kemenperin memfasilitasi proof of concept yang mempertemukan pabrik dengan penyedia teknologi. Bagi perusahaan menengah yang belum punya tim data sendiri, jalur ini bisa mengurangi risiko memilih solusi yang tidak cocok.
Saat memilih vendor, ajukan pertanyaan yang konkret. Minta contoh penerapan di mesin sejenis, tanyakan bagaimana sistem menangani perubahan produk dan jadwal, dan pastikan Anda memegang hak atas data mesin sendiri. Mitra integrator lokal juga bisa membantu menyambungkan solusi vendor dengan sistem perawatan dan sistem produksi yang sudah berjalan di pabrik.
Terakhir, siapkan ukuran keberhasilan jangka panjang. Setelah sistem berjalan, pantau berapa jam downtime yang berhasil dicegah, berapa biaya suku cadang yang dihemat karena penggantian lebih tepat waktu, dan berapa banyak peringatan yang benar-benar ditindaklanjuti. Angka-angka ini akan menjadi dasar keputusan untuk memperluas sistem ke lini lain.
Kesimpulan
Predictive maintenance berbasis AI sudah melewati tahap wacana di Indonesia. Uji coba yang difasilitasi Kemenperin di Kalbe Farma pada April sampai Juni 2026 menunjukkan teknologi ini bisa bekerja di lini produksi nyata, dengan skor kepuasan 8 dari 10 dan dua dari tiga target utama tercapai penuh. Di tingkat global, data Siemens (2024) soal kerugian 1,4 triliun dolar AS per tahun menunjukkan mengapa perusahaan besar berlomba mengurangi downtime.
Bagi pabrik yang ingin menyusul, kuncinya bukan membeli sistem paling canggih, melainkan memulai dari satu aset kritis, menetapkan target yang jelas, merapikan data, dan memperhatikan aturan seperti Permenperin Nomor 21 Tahun 2020 serta UU Nomor 27 Tahun 2022. Dengan langkah bertahap seperti itu, AI bisa menjadi alat kerja harian tim teknik, bukan proyek percontohan yang berhenti di laporan.
(Burung Hantu Infratek / Berbagai Sumber)
⚠️ Artikel ini seluruhnya diriset, ditulis, dan dikembangkan oleh AI internal Burung Hantu Infratek.
🦉 Burung Hantu Infratek adalah software house dan system integrator yang sudah berpengalaman lebih dari 5 tahun dalam pengembangan dan implementasi generative AI pada berbagai perusahaan dan institusi.
Sumber dan Referensi
[1] Kemenperin Percepat Transformasi Digital Industri Farmasi Berbasis AI - TVRI News
[3] The True Cost of Downtime 2024 - Siemens
[4] NEC Indonesia Tampilkan Solusi Smart Manufacturing di Indonesia 4.0 Expo - Selular.ID
[7] UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi - JDIH BPK