Bagi Anda yang sudah lama atau bahkan baru mulai mendalami proactive maintenance khususnya predictive maintenance (PdM) pasti sudah familiar dengan istilah lifetime data dan survival analysis. Ide utama yang mendasari banyak solusi PdM adalah sisa masa manfaat dari komponen suku cadang mesin. Sederhananya, hal ini melibatkan prediksi waktu yang tersisa sebelum suku cadang mesin mungkin memerlukan perbaikan atau penggantian.
Di dalam PdM, untuk mengetahui sisa masa manfaat sebuah komponen mesin sangat bergantung pada data yang tersedia, dan semuanya dapat dianggap sebagai indikator kondisi bagian-bagian mesin. Seperti kebanyakan aplikasi artificial intelligence (AI), semakin banyak data semakin baik. Hal tersebut berkaitan dengan pendekatan statistik yang dikenal sebagai survival analysis yang di dalamnya terdapat model lifetime data.
Tapi, apa sebenarnya yang dimaksud lifetime data dan survival analysis?
Survival analysis atau analisis kelangsungan hidup adalah sebuah metode untuk menentukan masa hidup suatu komponen mesin dengan menggunakan model probabilitas. Dari data historis, metode ini menghitung probabilitas berapa hari sebuah item komponen bisa bertahan dengan mempertimbangkan durasi kegagalan dari komponen baik yang diamati dan tidak diamati. Maksud dari diamati di sini adalah bahwa seluruh umur komponen tersebut dicatat dari awal sampai akhir. Sedangkan yang tidak diamati berarti adanya gangguan pada komponen tetapi kita tetap mempertimbangkan waktu yang tumpang tindih dan dicatat. Misalnya, pemasangan mesin terjadi sebelum data direkam, artinya kita tahu bagian tersebut bertahan lebih lama dari awal pencatatan hingga kegagalan pertama.
Untuk menjalankan analisis kelangsungan hidup dengan optimal, perusahaan harus memiliki model data umur mesin atau machine lifetime data beserta komponen-komponennya. Model data ini berisi kumpulan data historis sejak pembelian mesin, tanggal-tanggal komponen mesin diganti serta saat terjadi kegagalan pada mesin. Setiap peristiwa baik yang diamati dan tidak diamati dihitung dengan mempertimbangkan keadaan setiap mesin dan menghitung berapa kali bagian itu gagal. Baru setelah itu kemungkinan kegagalan bisa diperkirakan dengan menggunakan penggabungan machine learning dan distribusi probabilitas.
