Machine Learning untuk Predictive Maintenance Motor: Studi Komparasi Isolation Forest, Autoencoder, dan Z-score

Kerusakan bearing menjadi salah satu penyebab dominan kegagalan pada motor elektrik di lingkungan industri, sehingga deteksi dini kondisi anomali menjadi kebutuhan penting dalam strategi predictive maintenance. Penelitian ini bertujuan membandingkan kemampuan tiga metode deteksi anomali, yaitu Isolation Forest, Autoencoder, dan Z-score, dalam mengidentifikasi kondisi anomali pada sinyal vibrasi bearing motor. Penelitian menggunakan dataset Case Western Reserve University (CWRU) yang berisi 2300 sampel dengan sembilan fitur statistik domain waktu (max, min, mean, standard deviation, RMS, skewness, kurtosis, crest factor, dan form factor) dari sepuluh kondisi bearing, terdiri dari satu kondisi normal dan sembilan jenis kerusakan dengan variasi lokasi dan tingkat keparahan. Ketiga model dilatih hanya menggunakan data kondisi normal, kemudian diuji pada keseluruhan data untuk mengevaluasi kemampuan deteksi terhadap kondisi anomali. Hasil pengujian menunjukkan Z-score mencapai accuracy 0,9961 dan F1-score 0,9978, Isolation Forest mencapai accuracy 0,9900 dan F1-score 0,9945, sedangkan Autoencoder mencapai accuracy 0,8600 dan F1-score 0,9167 dengan recall terendah di antara ketiga metode (0,8556). Temuan ini menunjukkan bahwa metode statistik sederhana dapat memberikan performa setara atau lebih baik dibandingkan metode berbasis deep learning pada kasus fitur domain waktu yang memiliki separabilitas tinggi antarkondisi. Hasil penelitian ini dapat menjadi pertimbangan dalam pemilihan metode deteksi anomali untuk sistem pemantauan kondisi motor elektrik berbasis machine learning.