Perbandingan Dampak Penggunaan LASSO dan Hyperparameter Tuning terhadap Performa Prediksi Kegagalan Mesin pada Model Machine Learning

Abstract

Revolusi Industri 4.0 telah mendorong integrasi teknologi seperti Big Data, Internet of Things (IoT), dan machine learning dalam industri untuk meningkatkan efisiensi serta mengurangi downtime. Salah satu tantangan utama di sektor manufaktur adalah terjadinya kerusakan mesin secara mendadak yang dapat mengganggu proses produksi dan meningkatkan biaya perawatan. Predictive Maintenance menjadi solusi penting dengan memanfaatkan data sensor dan model prediksi untuk mencegah kerusakan sejak dini. Penelitian ini membandingkan performa tiga algoritma machine learning, yaitu K-Nearest Neighbor (KNN), Logistic Regression (LR), dan Support Vector Machine (SVM), dalam memprediksi kegagalan mesin berdasarkan empat skenario. Skenario pertama menguji ketiga algoritma klasifikasi, yaitu KNN, SVM, dan Logistic Regression, tanpa optimasi (baseline). Skenario kedua menerapkan seleksi fitur menggunakan Least Absolute Shrinkage and Selection Operator (LASSO), kemudian menguji kembali ketiga algoritma tersebut. Pada skenario ketiga, dilakukan hyperparameter tuning tanpa seleksi fitur. Sementara itu, skenario keempat menggabungkan seleksi fitur LASSO dengan hyperparameter tuning untuk memperoleh model yang lebih optimal. Hasil penelitian menunjukkan bahwa algoritma KNN merupakan model dengan kinerja paling unggul. Pada skenario keempat, KNN mencapai akurasi maksimum sebesar 97,4% dengan parameter terbaik n_neighbors = 4 dan weights = ‘distance’. Selanjutnya, algoritma SVM mencatat akurasi sebesar 97,2% dengan parameter C = 13,716, gamma = ‘scale’, dan kernel = ‘rbf’. Sementara itu, algoritma Logistic Regression menunjukkan performa paling rendah. Meskipun telah dioptimalkan, akurasi tertingginya hanya mencapai 88,2% dengan konfigurasi C = 2,053, penalty = ‘l2’, dan solver = ‘sag’.