Analisis Pengelompokan Kondisi Mesin Milling Menggunakan Metode K-Means Clustering

Abstract

Keandalan dan stabilitas kondisi mesin milling CNC merupakan faktor penting dalam menjaga kualitas serta keberlangsungan proses produksi di industri manufaktur. Kondisi operasional mesin dipengaruhi oleh berbagai parameter fisik dan mekanis seperti suhu udara, suhu proses, kecepatan putar spindle, torsi pemotongan, dan tingkat keausan alat potong. Parameter tersebut bersifat multivariat dan berubah secara kontinu sehingga memerlukan pendekatan analisis berbasis data untuk memahami pola kondisinya. Penelitian ini bertujuan untuk mengelompokkan kondisi operasional mesin milling CNC menggunakan metode K-Means clustering serta menganalisis karakteristik setiap kelompok yang terbentuk. Data yang digunakan merupakan data historis kondisi mesin yang merepresentasikan berbagai kondisi operasi dalam lingkungan industri manufaktur. Tahapan penelitian meliputi pembersihan data, penanganan nilai hilang, standarisasi variabel numerik, penentuan jumlah kelompok optimal, dan proses pengelompokan menggunakan algoritma K Means clustering. Hasil penelitian menunjukkan bahwa jumlah cluster optimal yang terbentuk adalah 3 cluster (k = 3) berdasarkan metode Elbow, Silhouette, dan Gap Statistics. Data terbagi menjadi Cluster 1 sebanyak 2.088 data, Cluster 2 sebanyak 3.903 data, dan Cluster 3 sebanyak 4.009 data, dengan tingkat representasi model sebesar 57,8%. Setiap cluster memiliki karakteristik kondisi operasional yang berbeda, yaitu Cluster 1 menunjukkan kondisi operasi tinggi dengan nilai rotational speed tertinggi, Cluster 2 menunjukkan kondisi operasi sedang dengan temperatur dan torsi yang relatif tinggi, sedangkan Cluster 3 menunjukkan kondisi operasi rendah dengan nilai temperatur, tool wear, kecepatan putar, dan torsi yang lebih rendah. Hasil pengelompokan ini dapat digunakan untuk mendukung pemantauan kondisi mesin serta membantu mendeteksi potensi gangguan operasional lebih dini.