PT. Integral Industrial Indonesia adalah perusahaan yang beroperasi di lingkungan industri
yang kompleks di mana desain, pengoperasian, dan pemeliharaan aset yang optimal sangat penting. Salah
satu produknya adalah sensor putaran yang dipasang pada part bearing di mesin pembuat kertas.
Penelitian ini bertujuan untuk memprediksi variabel temperatur pada bearing dengan memperhatikan
variabel-variabel yang telah terekam oleh sensor. PT. Integral Industrial Indonesia untuk menerapkan
sistem predictive maintenance agar dapat mengefisiensikan bearing dan memprediksi kerusakan sebelum
benar-benar terjadi. Dalam pengumpulan datanya diambil dari pabrik pembuat kertas PT. XYZ yang telah
bekerja sama dengan PT. Integral Industrial Indonesia. Pengolahan data dilakukan dengan membuat
algoritma machine learning, model yang digunakan K-Nearest Neighbors, Support Vector Machine, dan
Artificial Neural Network. Kemudian, dilakukan evaluasi model terhadap 3 model tersebut dengan
menggunakan Mean Absolute Percentage Error (MAPE), Root Mean Square Error (RMSE), dan RSquared. Pada model K-Nearest Neighbors didapatkan hasil MAPE sebesar 4,44%, RMSE sebesar
1,9623 dan R-Squared sebesar 0,849. Pada model Support Vector Machine didapatkan hasil MAPE
sebesar 7,52%, RMSE sebesar 1,8190 dan R-Squared sebesar 0,749. Pada model Artificial Neural
Network didapatkan hasil MAPE sebesar 5,55%, RMSE sebesar 2.0209 dan R-Squared sebesar 0,799.
Berdasarkan evaluasi model tersebut yang terbaik adalah model K-Nearest Neighbors yang akan
digunakan oleh perusahaan untuk memprediksi temperatur. Dilanjutkan dengan menentukan Feature
Importance dengan model K-Nearest Neighbors untuk mengetahui variabel yang paling berpengaruh
terhadap variabel temperatur sehingga didapatkan variabel yang memiliki nilai feature importance
tertinggi yaitu: : Y.rms bernilai (1082,4209), posisi kedua Y.peak bernilai (1066,7731) dan posisi ketiga
Z.rms bernilai (1023,5485). Selain itu, dilakukan juga analisis finansial dengan perhitungan Potential
Cost Savings pada implementasi predictive maintenance dan didapatkan hasil produktivitas tambahan
sebesar 22,52% atau 78.820 ton/mesin produksi kertas dan Return of Investment (ROI) sebesar 6,56%.
Sehingga implementasi predictive maintenance sangat menguntungkan bagi perusahaan PT. XYZ.
Kata Kunci : Predictive Maintenance, Sensor Putaran, Bearing, Machine Learning, K-Nearest Neighbors,
Support Vector Machine, Artificial Neural Network, Prediksi, Feature Importance, Potential Cost
Savings.