Jurnal Elektrika Vol.
18 No.
1 April 2026
P-ISSN 2085-0565 | E-ISSN 2580-8486
INTEGRASI MONITORING OEE REAL-TIME BERBASIS PLC-HMI DAN
ANALISIS LOG GRANULAR UNTUK OPTIMASI PRODUKSI
Cahyadi Rian Dwi.
dan Mir'atul Khusna Mufida.
Jurusan Teknik Informatika.
Politeknik Negeri Batam.
Indonesia Jl.
Ahmad Yani.
Tlk.
Tering.
Kec.
Batam Kota.
Kota Batam.
Kepulauan Riau 29461.
e-mail: riandwicahyadi10@gmail.
dan vda@polibatam.
1, .
ABSTRACT
Overall Equipment Effectiveness (OEE) is a crucial metric in modern manufacturing.
however, conventional monitoring systems often focus on aggregate reporting, lacking the capability for automated root-cause identification.
This research develops an integrated real-time OEE monitoring system utilizing Schneider PLCs and Weintek HMIs via an OPC Server (KEPServerEX) with a Double-Buffer Persistency mechanism.
Unlike traditional methods, this study introduces granular event-log analysis to dissect production data at millisecond resolution.
The system achieved 100% data transmission reliability even during peak outputs of 58,063 units per day.
Analytical results reveal a critical performance-quality trade-off: extreme cycle time acceleration to 0.
552s triggered a significant surge in Type 2 Rejects (Ejector Failur.
, accounting for 71.
86% of total quality losses.
This micro-anomaly was physically validated as a violation of mechanical dwell time limits.
By identifying a Safe Operating Window between 0.
630s Ae 0.
635s and implementing a proposed speed capping strategy, this research projects a significant OEE improvement through the balance of speed and process stability.
This study provides a technical reference for future researchers in implementing adaptive speed control based on real-time quality feedback in automated assembly lines.
Keywords: IIoT.
OPC server.
Double-buffer persistency.
Real-time monitoring.
Smart Manufactur
ABSTRAK
Overall Equipment Effectiveness (OEE) merupakan metrik krusial dalam manufaktur modern, namun sistem monitoring konvensional seringkali hanya berfokus pada pelaporan agregat tanpa kemampuan identifikasi akar penyebab masalah secara Penelitian ini mengembangkan sistem monitoring OEE real-time terintegrasi menggunakan PLC Schneider dan HMI Weintek melalui OPC Server (KEPServerEX) dengan mekanisme Double-Buffer Persistency.
Berbeda dengan metode tradisional, penelitian ini memperkenalkan analisis event-log granular untuk membedah data produksi pada resolusi milidetik.
Sistem yang dibangun berhasil mencapai keandalan transmisi data sebesar 100% bahkan pada output puncak sebanyak 58.
unit per hari.
Hasil analisis mengungkap adanya trade-off kritis antara performa dan kualitas: akselerasi cycle time ekstrem hingga 0,552 detik memicu lonjakan signifikan pada Type 2 Rejects .
egagalan ejekto.
yang menyumbang 71,86% dari total kerugian kualitas.
Anomali mikro ini divalidasi secara fisik sebagai pelanggaran batas mechanical dwell time.
Dengan mengidentifikasi Safe Operating Window antara 0,630 detik Ae 0,635 detik dan menerapkan usulan strategi speed capping, penelitian ini memproyeksikan peningkatan nilai OEE melalui keseimbangan antara kecepatan dan stabilitas proses.
Temuan ini memberikan kontribusi ilmiah berupa referensi teknis bagi penerapan pengendalian kecepatan adaptif berbasis umpan balik kualitas real-time pada lini perakitan otomatis.
Kata Kunci: IIoT.
OPC server.
Penyangga Ganda.
Monitoring real-time.
Industri Pintar
PENDAHULUAN
ADA lanskap industri manufaktur modern yang kompetitif, optimalisasi efisiensi operasional bukan lagi sekadar pilihan, melainkan kebutuhan Overall Equipment Effectiveness (OEE) telah diakui secara luas sebagai kerangka kerja evaluasi kinerja yang komprehensif dengan mengintegrasikan parameter ketersediaan mesin, efisiensi performa, dan tingkat kualitas produk .
Pentingnya OEE juga terlihat dalam manajemen rantai pasok industri skala besar untuk memastikan stabilitas produksi .
Implementasi teknologi Industrial Internet of Things (IIoT) telah membawa paradigma baru dalam pemantauan aset melalui akuisisi data otomatis yang bersifat kontinu .
Kendati demikian, banyak entitas manufaktur, termasuk industri kecil dan menengah, masih menghadapi tantangan besar dalam memperoleh kalkulasi OEE yang akurat untuk meningkatkan produktivitas mereka .
Ketergantungan pada metodologi konvensional yang bersifat reaktif dan pelaporan berbasis manual seringkali mengakibatkan distorsi data, di mana deviasi kecil namun krusial pada lini produksi gagal terdeteksi secara dini.
Pemanfaatan sensor berbasis IoT sebenarnya telah mulai diterapkan pada berbagai bidang untuk pemantauan parameter lingkungan secara presisi .
Namun, tantangan muncul saat sistem dihadapkan pada kecepatan produksi ekstrem.
Guna mengatasi hal ini, infrastruktur Programmable Logic Controller (PLC) dan Human Machine Interface (HMI) diintegrasikan melalui standar komunikasi OPC UA, yang memungkinkan pengembangan Digital Twin untuk pemantauan dan simulasi sistem penanganan Jurnal Elektrika Vol.
18 No.
1 2026 P-ISSN 2085-0565 | E-ISSN 2580-8486
Received 15 Apr 2026.
Revised 24 Apr 2026.
Accepted 29 Apr 2026 DOI 10.
26623/elektrika.
material secara real-time .
Melalui integrasi tersebut sistem dapat menangkap dinamika mesin secara Namun, volume trafik data yang sangat tinggi seringkali menyebabkan terjadinya data loss atau kegagalan sinkronisasi saat informasi dialirkan menuju pangkalan data pusat.
Kehilangan integritas data ini merupakan hambatan kritis, karena laporan efektivitas yang dihasilkan menjadi tidak valid sebagai dasar pengambilan keputusan.
Selain masalah konektivitas, keterbatasan utama dalam sistem monitoring saat ini adalah rendahnya resolusi informasi yang disajikan.
Penting untuk dipahami bahwa terdapat hubungan erat antara faktor manusia dan efektivitas peralatan yang perlu dianalisis secara mendalam .
Mayoritas sistem saat ini hanya mampu menyajikan angka persentase OEE tanpa kemampuan untuk menelusuri akar penyebab anomali secara spesifik.
Diperlukan sebuah sistem informasi yang mampu memonitor dan menganalisis efisiensi peralatan secara otomatis dan akurat .
Upaya untuk meminimalkan kegagalan mesin melalui evaluasi solusi yang tepat menjadi krusial dalam menjaga kelangsungan industri .
Meskipun beberapa penelitian telah mencoba meningkatkan OEE pada mesin cetak spesifik, analisis terhadap kegagalan mikro pada lini berkecepatan tinggi masih sangat terbatas .
Penelitian ini bertujuan untuk mengembangkan sebuah sistem integrasi monitoring OEE real-time yang Fokus utama terletak pada pengembangan metodologi analisis event-log secara granular dengan mengevaluasi setiap denyut produksi pada resolusi milidetik untuk memetakan perilaku teknis mesin secara presisi.
Kontribusi utama dari penelitian ini mencakup: .
pengembangan arsitektur integrasi ITOT yang tahan terhadap kegagalan sinkronisasi data pada trafik tinggi.
metodologi analisis log milidetik untuk identifikasi otomatis anomali pada sistem ejektor.
penentuan Safe Operating Window untuk menyeimbangkan performa mesin dan kualitas output melalui strategi speed capping yang berbasis data.
II.
KAJIAN PUSTAKA
Bagian ini menyajikan landasan teoretis dan tinjauan literatur yang menjadi dasar pengembangan sistem monitoring OEE real-time.
Pembahasan dimulai dengan menguraikan infrastruktur perangkat keras otomasi, protokol komunikasi industri, hingga konsep integrasi Industrial Internet of Things (IIoT).
Penjelasan mendalam mengenai metrik Overall Equipment Effectiveness (OEE) dan analisis komparatif terhadap penelitian terdahulu juga disajikan untuk mempertegas posisi serta kebaruan .
dari ekosistem manufaktur cerdas.
Programmable Logic Controller (PLC) Gambar 1.
Schneider Electric Modicon M221 Series PLC CPU Programmable Logic Controller (Gambar .
merupakan unit pemrosesan digital yang dirancang untuk beroperasi dalam lingkungan industri yang berat.
PLC
berfungsi sebagai tulang punggung akuisisi data lapangan dengan memproses sinyal dari berbagai sensor produksi secara real-time.
Dalam ekosistem industri modern, pemanfaatan PLC telah bertransformasi menjadi penyedia wawasan produksi .
roduction insight.
melalui solusi analitik data yang bertujuan untuk mengoptimalkan efisiensi manufaktur dan utilitas mesin.
Integrasi IoT dan analisis data real-time ini kini menjadi standar krusial dalam mencapai performa lini produksi yang maksimal .
Dalam arsitektur monitoring OEE.
PLC Schneider digunakan untuk menangkap setiap pulsa produksi dan status mesin .
eperti Running.
Standby, atau Erro.
Keunggulan penggunaan PLC dalam penelitian ini terletak pada determinisme logikanya yang mampu menjamin sinkronisasi data sensor tanpa interferensi dari proses komputasi tingkat atas.
Human Machine Interface (HMI) Gambar 2.
HMI cMT X Series HMI (Gambar .
adalah antarmuka grafis yang menjembatani interaksi antara operator manusia dengan sistem kontrol PLC.
Selain berfungsi sebagai alat visualisasi performa lini produksi.
HMI modern berperan strategis sebagai Local Data Gateway.
Tren masa depan manufaktur cerdas sangat bergantung pada kemampuan Industrial IoT dalam membentuk ekosistem yang terintegrasi .
HMI memfasilitasi input manual terkait kategori reject dan alasan downtime yang tidak dapat ditangkap oleh sensor otomatis.
Dengan protokol Modbus TCP/IP.
HMI mengonsolidasikan data dari PLC sebelum diteruskan ke lapisan Information Technology (IT).
Jurnal Elektrika Vol.
18 No.
1 April 2026 OPC Server dan Protokol OPC UA Gambar 3.
KEPServerEX OPC server Kepware Open Platform Communications (OPC), khususnya standar Unified Architecture (UA) (Gambar .
, merupakan standar interoperabilitas global untuk pertukaran data yang aman di dunia otomasi industri.
KEPServerEX dalam sistem ini bertindak sebagai entitas translatif yang menghubungkan protokol kepemilikan vendor perangkat keras dengan perangkat lunak monitoring.
Penggunaan metrik OEE sebagai standar kualitas sangat krusial untuk mencapai keunggulan manufaktur .
OPC UA menjamin bahwa setiap variabel yang dikirimkan memiliki timestamp asli dari sumbernya, yang sangat krusial untuk validitas analisis log granular.
Industrial Internet of Things dan Konektivitas IIoT merupakan integrasi teknologi informasi ke dalam operasional industri untuk menciptakan ekosistem manufaktur yang transparan.
Implementasi OEE sangat efektif untuk meminimalkan six big losses pada proses permesinan .
Melalui paradigma IIoT, data dialirkan secara kontinu untuk diolah menjadi wawasan strategis.
Peningkatan efektivitas peralatan juga dapat dicapai melalui pemeliharaan terencana yang terintegrasi dengan sistem monitoring .
Dalam konteks konektivitas jaringan, optimasi infrastruktur menjadi kunci Penggunaan metode load balancing pada router dapat menjamin stabilitas transmisi data antara lantai produksi dan server .
Selain itu, sistem keamanan dan monitoring kelistrikan berbasis IoT juga berperan penting dalam menjaga keberlangsungan operasional mesin produksi seperti CNC .
Implementasi monitoring secara real-time telah terbukti efektif dalam berbagai aplikasi kontrol mesin berbasis IoT .
Metrik Overall Equipment Effectiveness (OEE) OEE adalah metrik standar untuk mengevaluasi efisiensi peralatan dengan membedah tiga kategori kehilangan utama: Availability.
Performance, dan Quality.
Penelitian ini melampaui perhitungan OEE tradisional dengan mengintegrasikan analisis log milidetik.
Hal ini memungkinkan identifikasi anomali teknis, seperti ketidaksesuaian antara kecepatan mesin dengan P-ISSN 2085-0565 | E-ISSN 2580-8486 batas toleransi mekanis, yang seringkali menjadi akar penyebab rendahnya nilai Quality pada lini produksi Pengembangan Sistem Berbasis Sensor dan Komunikasi Sistem mengintegrasikan sensor canggih untuk deteksi Penggunaan sensor ultrasonik untuk penghindaran hambatan pada robot merupakan salah satu bentuk pengembangan deteksi fisik yang presisi .
Dari sisi perangkat lunak, pengembangan sistem berbasis web dengan visualisasi interaktif sangat mendukung perencanaan jaringan yang lebih terstruktur .
Untuk skala infrastruktur, integrasi kamera dan Firebase memungkinkan pemantauan aset dilakukan secara terpusat .
Bahkan, untuk jangkauan luas, teknologi nirkabel seperti LoRa yang dikombinasikan dengan ARIMA mengoptimalkan distribusi data secara efisien .
Perbandingan Penelitian Terdahulu dan Kebaruan (Tabel .
menyajikan posisi penelitian ini di tengah literatur ilmiah yang ada untuk menonjolkan kontribusi unik yang ditawarkan.
TABLE I
MATRIKS PERBANDINGAN FITUR DAN KEBARUAN PENELITIAN
Media Analisis Integritas Ref Fokus Transmisi Data Data Optimasi Manual / Agregat Industri SemiTerbatas (Haria.
Plastik Otomatis IoT & Statistik Standar (Sin.
Real-time Cloud IoT Deskriptif gle Buffe.
Analytics Six Big PLC ke Analisis Tidak Dise.
Losses Database Downtime Integrasi Analisis OPC UA DoubleOEE BerLog MiSekarng (KEPSBuffer Persisbasis Log erverEX) Granular (Anomal.
Penelitian ini terletak pada penggabungan mekanisme Double-Buffer Persistency untuk menjamin nol kehilangan data pada throughput tinggi dan penggunaan analisis log granular untuk diagnosa fisik Kerangka Teoretis Integrasi IT-OT Alur kerja teoretis dalam penelitian ini didasarkan pada prinsip sinkronisasi antara Physical Layer (PLC/HMI) dan Information Layer (OPC Server/IoT Platfor.
Kerangka ini menekankan bahwa data yang berkualitas adalah hasil dari transmisi yang tahan terhadap gangguan (Fault Toleran.
Melalui integrasi ini, data mentah diubah menjadi pengetahuan diagnostik yang mampu membedakan antara kegagalan operasional manusia dan anomali mekanis mesin.
Jurnal Elektrika Vol.
18 No.
1 2026 P-ISSN 2085-0565 | E-ISSN 2580-8486
Received 15 Apr 2026.
Revised 24 Apr 2026.
Accepted 29 Apr 2026 DOI 10.
26623/elektrika.
METODE PENELITIAN
Metodologi yang diterapkan dalam penelitian ini dirancang untuk menjembatani kebutuhan integrasi data operasional berkecepatan tinggi dengan analisis diagnostik yang akurat.
Pendekatan penelitian ini difokuskan pada pengembangan arsitektur sistem yang mampu mempertahankan integritas data pada volume trafik yang padat, sekaligus mengekstraksi informasi granular dari setiap kejadian di lini produksi.
Melalui kombinasi perancangan sistem IT-OT yang deterministik dan metodologi pengembangan yang adaptif, penelitian ini bertujuan untuk menciptakan solusi monitoring yang tidak hanya bersifat pelaporan, tetapi juga berfungsi sebagai alat optimasi performa Secara sistematis, bagian ini akan menguraikan tahapan penelitian mulai dari perancangan arsitektur integrasi, spesifikasi infrastruktur perangkat keras dan lunak, hingga implementasi algoritma Double-Buffer Persistency yang diuji dalam skenario produksi nyata.
Keseluruhan fase penelitian dilaksanakan dengan prinsip ketelitian data milidetik untuk memastikan dipertanggungjawabkan secara ilmiah.
Perancangan Arsitektur Sistem (IIoT Integratio.
Konvergensi antara Operational Technology (OT) dan Information Technology (IT) dalam penelitian ini dirancang menggunakan arsitektur integrasi berlapis untuk menjamin aliran data yang bersifat deterministik.
Struktur sistem ini membagi proses menjadi tiga tingkatan fungsional utama: Field Level.
Control Level, dan Information Level.
Seperti yang di jelaskan pada Sinergi antar lapisan ini bertujuan untuk mentransformasi aktivitas fisik mesin menjadi entitas data digital yang terstruktur tanpa mengganggu siklus logika utama pada lini produksi.
Gambar 4.
Arsitektur sistem IIoT Lapisan Lapangan (Field Leve.
Pada tingkatan paling dasar, berbagai sensor industri diintegrasikan pada titik-titik kritis mesin untuk menangkap kejadian fisik secara real-time.
Sinyal-sinyal ini, yang mencakup pulsa penghitung produk (OeeQCounte.
serta status sensor ejektor, dikirimkan langsung ke unit PLC Schneider melalui pengkabelan discrete I/O.
Penggunaan koneksi fisik langsung pada tahap ini sangat krusial untuk mengeliminasi latensi akuisisi data, sehingga setiap dinamika mekanis mesin yang berlangsung dalam skala milidetik dapat terdeteksi dengan presisi tinggi.
Lapisan Kontrol dan Gateway (Control Leve.
PLC Schneider bertindak sebagai unit pemrosesan logika utama yang mengolah data mentah dari sensor melalui program Ladder Logic menjadi register data yang siap diakses.
Selanjutnya.
HMI Weintek berperan sebagai Data Gateway yang mengonsolidasikan informasi dari PLC melalui protokol Modbus TCP/IP.
Pada level ini.
HMI tidak hanya berfungsi sebagai antarmuka visual bagi operator, tetapi juga melakukan validasi data awal dan menyematkan metadata operasional seperti identitas Lot produksi serta parameter timestamp lokal sebelum data dialirkan ke infrastruktur IT.
Communication Layer (Network Laye.
: Lapis ini memfasilitasi distribusi data antara gateway dan server menggunakan protokol MQTT (Message Queuing Telemetry Transpor.
yang berbasis publish/subscribe .
Mekanisme ini memastikan transmisi data yang efisien dengan overhead paket minimal, menjaga stabilitas jaringan kampus, dan menurunkan latensi pembaruan status slot.
Lapisan Informasi dan Analitik (Information Leve.
Data yang telah terorganisir pada HMI kemudian ditransmisikan menuju server pusat yang menjalankan platform Connect IoT dengan menggunakan KEPServerEX (OPC Serve.
sebagai jembatan komunikasi.
Standar OPC UA dipilih karena kemampuannya dalam menjaga integritas paket data serta mendukung fitur keamanan enkripsi yang mumpuni.
Pada lapisan inilah mekanisme Double-Buffer Persistency diimplementasikan untuk menjaga keberlanjutan data.
Sistem analitik kemudian mengekstraksi informasi dari event-log granular untuk menghasilkan laporan efektivitas peralatan yang akurat serta melakukan diagnosis otomatis terhadap anomali performa lini produksi.
Metodologi Pengembangan Sistem (Agile Approac.
Dalam proses perancangan dan implementasi sistem monitoring OEE berbasis integrasi IT-OT ini, pengembangan mengadopsi metodologi Agile.
Pemilihan kerangka kerja ini didasarkan pada kebutuhan akan fleksibilitas tinggi mengingat sistem harus diimplementasikan pada lini produksi yang sedang berjalan aktif.
Berbeda dengan model pengembangan linear konvensional, pendekatan Agile memungkinkan peneliti untuk melakukan iterasi cepat terhadap konfigurasi perangkat keras dan perangkat lunak berdasarkan umpan balik langsung dari data lapangan dan kendala teknis yang ditemukan selama fase pengumpulan data.
Jurnal Elektrika Vol.
18 No.
1 April 2026 Secara operasional, metodologi Agile dalam penelitian ini diwujudkan melalui siklus iterasi yang mencakup empat tahapan fundamental seperti (Gambar Gambar 5.
Metodologi Pengembangan (Agile Approac.
Fase Perencanaan dan Analisis Prioritas (Sprint Plannin.
Pada tahap awal.
Dekomposisi terhadap kebutuhan sistem menjadi unit-unit kerja yang lebih kecil .
Prioritas utama diletakkan pada pembentukan jalur komunikasi antara PLC Schneider dan HMI Weintek untuk menangkap parameter inti seperti OeeQCounter.
Analisis mendalam dilakukan untuk menentukan variabel kritis yang akan membedakan delapan jenis reject (OEE_Q_Reject1 hingga OEE_Q_Reject.
Pada fase ini, target integritas data ditetapkan secara absolut untuk menangani volume produksi harian yang mencapai 58.
063 unit.
Fase Pengembangan Iteratif (Development Sprin.
Fase ini difokuskan pada pengodean logika program (Ladder Logi.
pada PLC dan penulisan skrip makro pada HMI untuk mendukung mekanisme Double-Buffer Persistency.
Proses pengembangan dilakukan dalam siklus pendek, di mana fungsi transmisi data dari HMI ke KEPServerEX diuji secara Peneliti secara aktif mengonfigurasi alamat Modbus TCP/IP dan mematangkan struktur file untuk memastikan data persistensi dapat ditulis secara otomatis tanpa menghambat siklus pemrosesan data Fase Validasi dan Pengujian Lapangan (Field Testing & Daily Stand-u.
Sistem yang telah dikembangkan diuji secara langsung dalam lingkungan produksi nyata selama 10 hari .
eriode 21Ae31 Januari 2.
Setiap anomali yang muncul, seperti kegagalan sinkronisasi data saat mesin berakselerasi di bawah ambang batas 0,630 detik, dievaluasi secara harian.
Fase ini memungkinkan peneliti untuk melakukan modifikasi instan pada algoritma parsing log agar mampu menangkap kejadian dengan resolusi milidetik, sehingga setiap pergerakan ejektor dapat terekam secara presisi.
P-ISSN 2085-0565 | E-ISSN 2580-8486
Fase Peninjauan dan Optimasi (Sprint Review & Retrospectiv.
Setelah satu siklus pengujian selesai, dilakukan tinjauan menyeluruh terhadap data log yang dihasilkan.
Temuan mengenai pola reject mekanis yang disebabkan oleh pelanggaran cycle time .
eperti temuan ejektor pada kecepatan 0,552 deti.
digunakan sebagai dasar untuk melakukan iterasi perbaikan pada sistem.
Penyesuaian parameter speed capping dan sinkronisasi buffer ganda dilakukan kembali dalam fase ini untuk mencapai tingkat keandalan sistem yang optimal sebelum memasuki tahap finalisasi penelitian.
Adopsi metodologi Agile ini memberikan jaminan bahwa sistem monitoring yang dihasilkan memiliki ketangguhan terhadap variabel industri yang dinamis.
Pendekatan ini memastikan bahwa setiap fitur teknis, mulai dari konektivitas OPC UA hingga analisis granular, telah melalui proses validasi berulang yang berbasis pada data empiris dari lantai produksi.
Spesifikasi Perangkat Keras dan Perangkat Lunak.
Keberhasilan implementasi sistem monitoring OEE dengan resolusi granular sangat bergantung pada kapabilitas teknis dari infrastruktur pendukungnya.
Penentuan spesifikasi perangkat keras dan lunak dalam penelitian ini didasarkan pada kebutuhan akan pemrosesan data real-time, ketahanan operasional di lingkungan industri, serta dukungan terhadap protokol komunikasi standar Industri 4.
Infrastruktur Perangkat Keras (Hardwar.
Perangkat keras yang digunakan berfungsi sebagai unit akuisisi data primer dan jembatan komunikasi antara mesin produksi dengan basis data pusat.
Rincian spesifikasi perangkat keras adalah sebagai berikut:
Programmable Logic Controller (PLC) Schneider Modicon M221 bertindak sebagai unit kontrol logika PLC ini dipilih karena memiliki kecepatan eksekusi instruksi sebesar 0,2 per instruksi boolean, yang memungkinkan penangkapan pulsa counting produk dan status sensor ejektor pada frekuensi tinggi tanpa risiko skipping data.
PLC ini dikonfigurasi dengan ekspansi modul I/O untuk menangkap 8 jenis variasi reject.
Human Machine Interface (HMI) Weintek MT8071iE berfungsi sebagai gateway komunikasi Perangkat ini memiliki layar TFT 7 inci dengan prosesor ARM Cortex A8 600MHz, yang cukup kuat untuk menjalankan skrip makro kompleks guna mengelola mekanisme Double-Buffer Persistency.
Dukungan protokol Modbus TCP/IP pada HMI ini memastikan sinkronisasi data dengan PLC berlangsung stabil melalui koneksi Ethernet.
Sensor Induktif dan Optik digunakan untuk mendeteksi kehadiran produk dan pergerakan mekanis ejektor.
Sensor ini memiliki frekuensi switching yang tinggi untuk mendukung cycle time mesin yang mencapai angka 0,552 detik pada kondisi akselerasi ekstrem.
Server Lokal / Workstation.
Unit komputer dengan prosesor multi-core yang Jurnal Elektrika Vol.
18 No.
1 2026 P-ISSN 2085-0565 | E-ISSN 2580-8486
Received 15 Apr 2026.
Revised 24 Apr 2026.
Accepted 29 Apr 2026 DOI 10.
26623/elektrika.
didedikasikan untuk menjalankan layanan OPC Server dan platform IoT secara kontinu selama masa pengujian 10 hari.
Infrastruktur Perangkat Lunak (Softwar.
Perangkat lunak berperan dalam pengolahan logika, translasi protokol, hingga visualisasi analitik granular.
Spesifikasi perangkat lunak meliputi: EcoStruxure Machine Expert - Basic digunakan untuk memprogram Ladder Logic pada PLC Schneider.
Perangkat lunak ini memfasilitasi pemetaan register Modbus yang akan dibaca oleh HMI dan sistem tingkat atas.
EasyBuilder Pro perangkat lunak desain HMI yang digunakan untuk membangun antarmuka operator dan menyusun logika makro sistem.
Fitur Data Sampling dan Event Log pada software ini dimanfaatkan untuk menyimpan data persistensi lokal.
KEPServerEX (OPC Serve.
bertindak sebagai middleware yang mengonversi data dari protokol Modbus ke standar OPC UA.
KEPServerEX dikonfigurasi dengan sampling rate milidetik untuk memastikan integritas data log saat dikirim ke platform analitik.
Connect IoT Platform Platform berbasis cloud/on-premise yang berfungsi sebagai pusat pengolah data log.
Platform ini menjalankan algoritma parsing untuk membedah file connectIoT_ControlFile.
json dan menghasilkan diagnosis anomali otomatis.
Mekanisme Akuisisi Data Real-Time Inti dari efektivitas sistem monitoring ini terletak pada presisi mekanisme akuisisi data yang mampu beroperasi dalam skala milidetik.
Proses ini dirancang untuk memastikan bahwa setiap pulsa produksi dan perubahan status mesin ditangkap tanpa adanya kehilangan data .
ata los.
, terutama saat lini produksi beroperasi pada kapasitas maksimalnya.
Mekanisme ini melibatkan dua proses kritikal: pemetaan register alamat .
ddress mappin.
dan sinkronisasi laju pengambilan sampel .
ampling rate synchronizatio.
Pemetaan Register Modbus TCP/IP Data mentah yang dikumpulkan oleh PLC Schneider diklasifikasikan ke dalam register-register spesifik yang dapat diakses oleh HMI dan OPC Server melalui protokol Modbus TCP/IP.
Struktur pengalamatan ini dirancang secara sistematis untuk membedakan antara data kumulatif dan data kejadian .
vent-base.
Register Penghitung (Counting Register.
: Alamat register %MW100 hingga %MW105 dialokasikan untuk menyimpan nilai OeeQCounter secara double-word guna menangkap volume produksi besar hingga 58.
063 unit per hari.
Register Status Anomali (Reject Register.
enam hingga delapan register khusus .
isalnya %MW200 hingga %MW.
dipetakan untuk menangkap (OEE_Q_Reject1 - OEE_Q_Reject.
Setiap kali sensor ejektor aktif.
PLC akan memberikan nilai flag pada register terkait yang akan langsung dibaca sebagai kejadian Register Waktu Siklus (Cycle Time Register.
eegister ini menyimpan nilai waktu antara dua pulsa produksi sukses, yang menjadi dasar bagi analisis Performance dalam metrik OEE.
Sinkronisasi Laju Sampel dan Preservasi Timestamp.
Gambar 6.
Sinkronisasi Laju Sampel dan Preservasi Time stamp Berdasaran (Gambar .
untuk mencapai analisis granular, sistem dikonfigurasi dengan sampling rate yang agresif pada tingkat Information Layer.
KEPServerEX (OPC Serve.
diatur untuk melakukan pemindaian .
terhadap register PLC dengan interval sebesar 10 ms hingga 50 ms.
Hal ini sangat krusial mengingat anomali mekanis, seperti kegagalan ejektor yang terjadi pada siklus 0,552 detik, hanya dapat terdeteksi jika sistem memiliki resolusi waktu yang lebih kecil dari durasi kejadian tersebut.
Selain laju sampel, setiap data yang masuk ke dalam sistem analitik dipastikan membawa Original Timestamp dari sumbernya (HMI/PLC).
Preservasi waktu asal ini menjamin bahwa urutan kejadian dalam log tetap valid meskipun terdapat latensi jaringan.
Dengan demikian, sinkronisasi waktu antara jam internal PLC.
HMI, dan Server IoT dikunci menggunakan protokol SNTP (Simple Network Time Protoco.
untuk menghindari pergeseran data .
ata drif.
yang dapat merusak akurasi laporan OEE.
Filter Data dan Validasi Awal Sebelum data dialirkan ke mekanisme persistensi, sistem melakukan validasi awal melalui skrip makro pada HMI.
Data yang masuk difilter untuk menghindari pencatatan ganda akibat noise elektrik pada sensor .
Hanya perubahan status yang valid .
isalnya dari 0 ke 1 pada register rejec.
yang akan memicu penulisan ke dalam file log, sehingga efisiensi penyimpanan tetap terjaga tanpa mengurangi kedalaman informasi.
Mekanisme Double-Buffer Persistency.
Salah satu tantangan utama dalam monitoring OEE real-time pada lini produksi berkecepatan tinggi adalah risiko kehilangan paket data akibat ketidakstabilan jaringan .
etwork jitte.
atau gangguan pada endpoint server.
Untuk memitigasi risiko tersebut, penelitian ini mengimplementasikan mekanisme Double-Buffer Persistency.
Mekanisme ini berfungsi sebagai sistem cadangan berlapis yang memastikan setiap kejadian .
eperti counter produk dan status rejec.
tetap tersimpan secara lokal sebelum berhasil disinkronkan ke basis data Jurnal Elektrika Vol.
18 No.
1 April 2026 Implementasi ini dibagi menjadi dua arsitektur penyangga utama yang bekerja secara simultan Buffer 1 Penyangga Memori Aktif Pada tahap pertama.
HMI Weintek mengalokasikan ruang memori internal (RAM) sebagai penyangga utama untuk menangkap perubahan register dari PLC secara Setiap kali sensor pada Field Level mengirimkan sinyal, skrip makro pada HMI akan menangkap nilai tersebut dan menyimpannya dalam array memori sementara.
Keunggulan dari Buffer 1 adalah kecepatan aksesnya yang sangat tinggi .
kala mikrodeti.
, sehingga mampu menangkap data dari mesin yang memiliki cycle time ekstrem sebesar 0,552 detik tanpa membebani prosesor HMI.
Namun, karena bersifat volatile, data pada Buffer 1 akan hilang jika perangkat mengalami pemutusan daya secara tiba-tiba.
Buffer 2 Penyangga Persistensi File Untuk mengatasi sifat volatile pada memori, sistem secara otomatis melakukan tugas sinkronisasi dari Buffer 1 ke Buffer 2 dalam interval waktu yang ditentukan atau saat terjadi perubahan status yang signifikan.
Buffer 2 diimplementasikan dalam bentuk penyimpanan non-volatile pada memori internal HMI atau SD Card menggunakan format file JSON yang diberi nama connectIoT_ControlFile.
Format JSON dipilih karena sifatnya yang ringan .
dan kemudahannya untuk di-parsing oleh platform Connect IoT.
Di dalam file ini, setiap kejadian disimpan lengkap dengan atribut: EventID: Identitas unik setiap kejadian.
Timestamp: Waktu presisi kejadian dalam milidetik.
Value: Nilai dari register .
isalnya jumlah unit ke58.
063 atau status Reject Type .
Algoritma Fault Tolerance dan Re-Sinkronisasi Mekanisme ini dilengkapi dengan logika Fault Tolerance.
Jika koneksi antara HMI dan KEPServerEX terputus, sistem analitik akan mendeteksi celah data .
ata Saat koneksi pulih kembali, platform Connect IoT tidak hanya mengambil data real-time yang baru, tetapi juga memicu protokol "pembacaan ulang" terhadap file connectIoT_ControlFile.
Proses re-sinkronisasi ini akan membandingkan data terakhir yang diterima server dengan data yang tersimpan di dalam Buffer 2.
Jika terdapat perbedaan .
isalnya, server mencatat 000 unit sedangkan file lokal mencatat 58.
063 uni.
, sistem secara otomatis akan mengunggah 63 unit yang hilang tersebut ke dalam basis data pusat.
Hal inilah yang menjamin integritas data tetap 100% .
ol kehilangan dat.
meskipun terjadi kendala infrastruktur IT selama periode pengujian 10 hari.
Pengembangan Algoritma Analisis Log Granular Setelah data produksi berhasil diamankan melalui mekanisme Double-Buffer Persistency, tahap selanjutnya adalah pemrosesan data menggunakan algoritma analisis granular.
Algoritma ini dirancang untuk melakukan parsing terhadap setiap baris kejadian .
dalam file log untuk mengekstraksi informasi
P-ISSN 2085-0565 | E-ISSN 2580-8486
efisiensi yang melampaui perhitungan OEE standar.
Fokus utama dari algoritma ini adalah diferensiasi antara kegagalan yang disebabkan oleh faktor manusia .
dan faktor teknis .
Metode Parsing dan Ekstraksi Data (Data Decipherin.
Algoritma memulai proses dengan membaca file connectIoT_ControlFile.
json secara sekuensial.
Setiap objek JSON dikonversi menjadi entitas data yang memiliki atribut waktu .
ime stam.
dan status.
Proses ini menggunakan resolusi milidetik untuk menghitung interval antar kejadian.
Algoritma akan menghitung Actual Cycle Time .
cNycaycayc ) dengan rumus:
ycNycaycayc = ycNycnycoyceycycycaycoycy.
Oe ycNycnycoyceycycycaycoycy.
cuOe.
Jika ycNycaycayc melebihi ambang batas Ideal Cycle Time yang ditetapkan .
isalnya > 0,630 deti.
, algoritma secara otomatis mengklasifikasikan kejadian tersebut sebagai kehilangan performa (Performance Los.
Diferensiasi Kegagalan (Analisis Diagnosti.
Salah satu fitur utama dari pengembangan algoritma ini adalah kemampuannya membedakan karakteristik Algoritma akan menganalisis pola durasi Kegagalan Teknis ditandai dengan urutan log yang menunjukkan status sensor "Error" secara konsisten sebelum mesin berhenti total.
Faktor Manusia ditandai dengan mesin yang berhenti dalam status "Ready" tanpa adanya flag error pada register PLC, yang biasanya menunjukkan adanya keterlambatan suplai material atau pergantian operator.
Kalkulasi Metrik OEE (Event-Based OEE) Berbeda dengan metode perhitungan OEE konvensional yang umumnya dilakukan secara manual atau berbasis agregasi data di akhir shift, algoritma yang dikembangkan dalam penelitian ini menerapkan sistem kalkulasi dinamis berbasis kejadian .
vent-base.
Setiap kali paket data baru masuk ke dalam sistem analitik baik itu berupa satu unit produksi sukses maupun satu kejadian reject algoritma akan memperbarui nilai OEE secara seketika .
ear real-tim.
Pendekatan ini memberikan visibilitas yang jauh lebih tinggi terhadap fluktuasi performa mesin dari menit ke menit.
Proses kalkulasi ini dilakukan melalui integrasi tiga parameter utama sebagai berikut Availability algoritma menghitung metrik ketersediaan dengan memantau status register mesin secara kontinu untuk membedakan antara waktu operasi produktif (Operating Tim.
dengan waktu henti (Downtim.
Keunggulan utama dari algoritma ini terletak pada kemampuannya mendeteksi micro stoppages kejadian mesin berhenti singkat yang sering kali diabaikan dalam pelaporan manual namun berdampak signifikan secara akumulatif.
Secara teknis, setiap kali interval antar-kejadian yang tertangkap oleh sensor melebihi ambang batas toleransi .
isalnya lebih dari 2 meni.
, algoritma secara otomatis akan mengklasifikasikannya sebagai unplanned Jurnal Elektrika Vol.
18 No.
1 2026 P-ISSN 2085-0565 | E-ISSN 2580-8486
Received 15 Apr 2026.
Revised 24 Apr 2026.
Accepted 29 Apr 2026 DOI 10.
26623/elektrika.
downtime dan menyesuaikan nilai availability secara proporsional berdasarkan durasi nyata di lapangan.
Performa (Performanc.
: Parameter performa menjadi inti dari analisis granular dalam penelitian ini, di mana algoritma secara otomatis membandingkan Actual Cycle Time ycNycaycayc yang diperoleh dari selisih timestamp antar unit produksi dengan Ideal Cycle Time ycNycnyccyceycayco yang telah ditetapkan sebesar 0,630 detik.
Sistem dirancang untuk memberikan visibilitas terhadap efek kecepatan secara presisi jika mesin beroperasi melambat, sistem mencatat penurunan efisiensi performa, namun jika terjadi akselerasi ekstrem hingga menyentuh angka 0,552 detik, algoritma tidak hanya mencatat peningkatan performa semu tetapi juga memberikan sinyal peringatan terkait risiko kegagalan kualitas yang biasanya mengikuti lonjakan kecepatan tersebut.
Kualitas (Qualit.
Kalkulasi kualitas dilakukan dengan tingkat presisi tinggi melalui pemanfaatan delapan variabel reject (OEE_Q_Reject1 hingga OEE_Q_Reject.
yang ditangkap langsung dari sensor ejektor.
Algoritma menjalankan fungsi akumulasi pada register Good Output .
ari OeeQCounte.
dan membandingkannya terhadap total input yang mencakup seluruh barang jadi dan barang cacat.
Dengan dukungan data yang telah diamankan oleh mekanisme Double-Buffer Persistency, algoritma memastikan bahwa angka pembagi dalam rumus kualitas tetap valid hingga unit terakhir pada volume 58.
063 unit, sehingga persentase kualitas yang dihasilkan mencerminkan kondisi riil tanpa adanya distorsi akibat kegagalan sinkronisasi data.
Integrasi OEE Global pada tahap akhir, algoritma mengintegrasikan ketiga parameter tersebut melalui perkalian matematis (A x P x Q) untuk menghasilkan nilai OEE total yang bersifat dinamis.
Hasil kalkulasi ini kemudian dipetakan ke dalam skala waktu tertentu dan divisualisasikan dalam bentuk tren linear, yang memungkinkan pihak manajemen untuk mengidentifikasi mesin secara transparan.
Melalui metode ini, titik balik di mana efisiensi mulai menurun dapat diketahui dengan pasti pada detik kejadiannya, sehingga tindakan korektif dapat difokuskan pada faktor dominan yang menjadi penghambat .
, baik itu stabilitas mesin, kecepatan operasi, maupun akurasi ejeksi produk.
IV.
HASIL DAN PEMBAHASAN
Hasil Akuisisi Data Real-Time Pada tahap awal penelitian, sistem monitoring OEE yang diintegrasikan dan telah berhasil melakukan akuisisi data secara kontinu selama 10 hari kerja .
Januari Ae 31 Januari 2.
Penggunaan OPC Server (KEPServerEX) terbukti mampu menangkap seluruh kejadian produksi tanpa adanya indikasi kehilangan data .
ero data los.
Hal ini divalidasi melalui sinkronisasi yang presisi antara nilai counter pada PLC dengan jumlah entitas log yang tercatat pada sistem.
Sistem secara otomatis mengklasifikasikan data ke dalam dua kategori utama yaitu Data Performa yang mencakup Ideal Cycle Time yang ditetapkan secara konstan pada angka 0,629 detik serta jumlah unit yang Yang kedua data Kualitas Mencakup 8 kategori reject yang terekam secara granular di dalam array kejadian OeeQCounterEvent.
Struktur Data Log dan Ekstraksi Variabel Setiap entri log memuat informasi mengenai status mesin secara mendetail.
Sebagai ilustrasi, ekstraksi data pada akhir shift tanggal 31 Januari 2026 menunjukkan akumulasi data total Output Kotor (Gross Outpu.
868 unit.
Data tersebut dipetakan menggunakan formula ekstraksi kuantitas total reject ycEycNycuycycayco :
ycEycycuycycayco = Oc ycIyceycyceycaycycn ycn=1 Meskipun sistem melakukan kalkulasi secara otomatis, validasi tetap dilakukan melalui perhitungan manual berdasarkan data granular dari 10 hari Dalam analisis ini, variabel Availability diasumsikan stabil pada angka 95% .
etelah dikurangi waktu istirahat dan perawatan terencan.
, sehingga fokus utama analisis diarahkan pada fluktuasi variabel Performance dan Quality (Tabel .
merangkum performa operasional lini produksi selama periode observasi.
Data diekstraksi dengan parameter waktu operasi bersih ycNycuycy sebesar 800 detik .
per shift.
TABLE II
OEE PERFORMANCE LAPORAN (JANUARY 21-31, 2.
Date
Gross
Output
Total
Reject
Availability Performance 21-Jan
28,956
2,790
22-Jan
36,509
2,795
23-Jan
25,352
1,971
24-Jan
25,352
26-Jan
27-Jan
Quality (Q) OEE
Total
1,972
30,242
1,576
40,233
1,842
28-Jan
44,027
2,044
29-Jan
50,211
2,540
30-Jan
58,063
3,120
31-Jan
47,868
7,054
RataRata
38,681
2,770
Data pada tanggal 30 Januari menunjukkan hasil yang sangat menarik di mana Performance mencapai 126,81% dan OEE 114%.
Ini mengindikasikan bahwa mesin dipaksa bekerja jauh melampaui Ideal Cycle Time yang ditetapkan.
Hal ini berkolerasi dengan penurunan drastis pada Quality di hari berikutnya .
Januari.
Quality turun ke 85,26%) akibat stres mekanis.
Jurnal Elektrika Vol.
18 No.
1 April 2026
P-ISSN 2085-0565 | E-ISSN 2580-8486
31-Jan 30-Jan 29-Jan 28-Jan 27-Jan 26-Jan 25-Jan 24-Jan 23-Jan 22-Jan Berdasarkan grafik tersebut, beberapa poin analisis utama yang dapat ditarik adalah:
Trade-off Kecepatan dan Kualitas Pada tanggal 30 Januari, saat performa mencapai titik tertinggi .
,81%), persentase reject mulai merangkak Namun, dampak kerusakan mekanis yang paling signifikan terlihat pada tanggal 31 Januari, di mana tingkat reject melonjak drastis hingga 14,74%.
Hal ini membuktikan adanya efek laten dari pemaksaan kecepatan mesin terhadap presisi mekanisme ejektor.
Titik Optimal Operasional 140,00% 126,81% Analisis log granular mengonfirmasi bahwa menjaga performa dalam rentang 95% Ae 100% adalah kondisi
120,00%
109,66%
104,55% paling optimal.
Dalam rentang ini, lini produksi mampu 96,16% 100,00% mempertahankan throughput .
asil produks.
yang 87,87% 79,74% tinggi tanpa memicu lonjakan barang cacat yang 80,00% 66,05% 63,24% 55,36% 55,36% Identifikasi Mekanis 60,00% Lonjakan reject pada kecepatan ekstrem .
iklus 0,552 40,00% detik dibandingkan standar 0,629 deti.
menunjukkan bahwa komponen fisik seperti sensor dan aktuator 14,74% 20,00% 9,64% 7,77% 7,78% 5,21% 7,66% 5,37% 5,06% ejektor mengalami kegagalan sinkronisasi ketika 4,64% 4,58% dipaksa bekerja di luar Ideal Cycle Time.
Hubungan 0,00% antara operasional berkecepatan tinggi dengan stabilitas kualitas dianalisis lebih lanjut dengan membandingkan persentase produk cacat .
terhadap tingkat Percentage Reject Performance (P) performa mesin.
Sebagaimana ditunjukkan pada Gambar 8, terdapat peningkatan laju reject yang Gambar 7.
Persentasi Reject dan Performa proporsional saat performa mesin melampaui ambang batas 100%.
Tren ini mengindikasikan bahwa meskipun peningkatan kecepatan dapat menaikkan variabel
OEE Grafik
mengompromikan variabel kualitas akibat stres
140,00%
mekanis pada komponen mesin.
Analisis log granular
114,00%
98,91%
mengonfirmasi bahwa menjaga performa dalam rentang
69,95%
120,00%
95% Ae 100% merupakan kondisi paling optimal untuk 79,66N,11% 84,68% 54,29% .
48,51% 100,00% 59,48% mempertahankan throughput .
asil produks.
yang 48,50% 80,00% 21-Jan Analisis Korelasi Operasi Kecepatan Tinggi terhadap Stabilitas Kualitas Hubungan antara operasional mesin berkecepatan tinggi dengan stabilitas kualitas dianalisis lebih lanjut dengan membandingkan persentase reject terhadap tingkat performance rate.
Sebagaimana ditunjukkan pada Gambar 7, terdapat korelasi proporsional antara kenaikan tingkat reject saat performa mesin melampaui ambang batas 100%.
60,00%
40,00%
20,00%
Performance (P) Quality (Q) 31-Jan
30-Jan
29-Jan
28-Jan
27-Jan
26-Jan
25-Jan
24-Jan
23-Jan
22-Jan
21-Jan
0,00%
OEE Total Gambar 8.
Grafik OEE Fenomena ini mengindikasikan bahwa meskipun peningkatan kecepatan dapat menaikkan variabel performance, hal tersebut secara simultan mengompromikan variabel quality akibat mekanis pada komponen Analisis Data dan Formulasi Matematis Untuk menjamin transparansi metodologi dan memberikan validasi empiris bagi para penelaah.
Bagian ini menyajikan dekonstruksi matematis terhadap data sampel yang diambil pada tanggal 31 Januari 2026.
Analisis ini tidak hanya menunjukkan angka akhir, tetapi juga logika teknis di balik setiap variabel OEE yang dihasilkan oleh algoritma.
Analisis Kuantitatif Kualitas (Quality Analysi.
Variabel kualitas mengukur rasio unit produk yang memenuhi standar spesifikasi terhadap total output yang dihasilkan.
Berdasarkan ekstraksi log granular, ditemukan adanya anomali signifikan pada hari terakhir Dengan formula matematis.
Jurnal Elektrika Vol.
18 No.
1 2026 P-ISSN 2085-0565 | E-ISSN 2580-8486
Received 15 Apr 2026.
Revised 24 Apr 2026.
Accepted 29 Apr 2026 DOI 10.
26623/elektrika.
ycE= yaycycuycyc Oe ycNycuycycayco ycIyceycyceycayc 47,868 Oe 7,054 = 85.
47,868
Penurunan nilai Quality hingga 85,26% merupakan titik terendah selama periode 10 hari.
Melalui pembedahan data log, teridentifikasi bahwa kegagalan ini didominasi oleh Reject Tipe 2 (Type B) yang mencapai 5.
069 unit.
Secara teknis, lonjakan ini berkolerasi langsung dengan kondisi mesin pada hari sebelumnya .
Januar.
di mana mesin dipaksa bekerja pada kecepatan ekstrem.
Hal ini membuktikan adanya kelelahan komponen .
omponent fatigu.
atau pergeseran presisi pada aktuator ejektor yang menyebabkan produk gagal dipisahkan dengan sempurna, sehingga menurunkan efisiensi kualitas secara drastis.
Analisis Kuantitatif Performa (Performance Analysi.
Variabel performa membandingkan laju produksi aktual terhadap kapasitas desain ideal mesin.
Pada titik ini, sistem monitoring mendeteksi kondisi over-speeding.
Dengan formulasi matematis, ycE= yaycycuycyc Oe yayccyceycayco yaycycaycoyce ycNycnycoyce 47,868 Oe 0.
= 104.
ycCycyyceycycaycycnycuyci ycNycnycoyce .
Hasil kalkulasi menunjukkan nilai 104,55%.
Dalam literatur OEE standar, angka di atas 100% sering kali dianggap sebagai indikasi kesalahan input, namun dalam penelitian ini, data log granular membuktikan bahwa hal tersebut adalah realitas operasional.
Angka ini bermakna bahwa mesin beroperasi dengan rata-rata waktu siklus yang lebih cepat daripada Ideal Cycle Time .
,629 deti.
Meskipun secara kuantitas output meningkat, operasi di atas ambang batas standar desain ini menciptakan risiko kegagalan mekanis.
Sistem monitoring berhasil menangkap durasi siklus hingga ke skala milidetik, mengonfirmasi bahwa akselerasi paksa ini adalah strategi operator untuk mengejar ketertinggalan target produksi dari hari-hari sebelumnya.
Integrasi Kalkulasi OEE Total (OEE Integratio.
OEE total merupakan produk dari ketiga parameter utama (Availability.
Performance, dan Qualit.
yang memberikan gambaran kesehatan lini produksi secara Dengan formulasi matematis :
ycCyaya = A x P x Q = 0.
95 x 1.
10455 x 0.
8526 = 84.
Meskipun variabel Performance memberikan kontribusi positif yang sangat tinggi (>100%), nilai OEE total pada akhirnya hanya menyentuh 84,68%.
Hal ini terjadi karena variabel Quality bertindak sebagai faktor pengurang yang dominan.
Secara teknis, ini menunjukkan fenomena Diminishing Returns dalam manufaktur: upaya meningkatkan Performance dengan memaksa kecepatan mesin justru menyebabkan kerugian yang lebih besar pada sektor Quality.
Hasil integrasi ini memberikan bukti kuat bagi manajemen bahwa pengejaran target volume tanpa memperhatikan batas kemampuan mekanis mesin hanya akan menghasilkan nilai OEE yang berada di bawah standar World Class .
%).
Analisis Korelasi Performa dan Kualitas Penelitian ini mengidentifikasi fenomena Hubungan Performa-Kualitas Terbalik (Inverse PerformanceQuality Relationshi.
Secara matematis, korelasi antara waktu siklus aktual .
ayca ) dengan laju reject (.
cIyc )) dianalisis untuk melihat dampak nyata dari akselerasi mesin terhadap integritas produk.
Dengan asumsi P adalah indeks performa, jika P > 100%, maka hal tersebut berarti .
ayca ) < .
aycn ) .
i mana .
aycn ) = 0,629 deti.
Data pada tanggal 31 Januari menunjukkan P = 104,55%, yang berarti:
ayca ) = .
aycn ) = 0.
TABLE i ANALISIS PARAMETER KORELASI Jan.
Kondisi Stabil Jan.
Extreme Jan.
Input Tinggi 25,352 58,063 47,868 Quality Rate (Q) Total Reject (Uni.
Defect Density (Unit/hour.
1,971 3,120 7,054 Correlation P-Q Normal Ambivalent Analisis Parameter Gross Output (Uni.
Actual Cycle Time Performance Index (P) Negative Impact Reduksi waktu siklus berdasarkan sebesar 0,028 detik .
ari 0,629 detik menjadi 0,601 deti.
mungkin terlihat kecil secara sekilas.
Namun, pada skala produksi massal, percepatan ini secara signifikan meningkatkan beban mekanis pada sistem ejektor dan sensor.
140,00%
120,00%
100,00%
80,00%
60,00%
40,00%
20,00%
0,00%
126,81%
94,63%
92,23%
104,55%
85,26%
55,36%
Performance Index (P) Quality Rate (Q) Gambar 9.
Analisis P dan Q Untuk melihat hubungan antara kecepatan mesin dan kualitas produksi, beberapa variabel kunci dipantau melalui fase pemrosesan data granular.
Hal ini memungkinkan sistem untuk menyinkronkan data temporal .
dengan output fisik secara presisi.
Dengan menyelaraskan Ideal Cycle-Time terhadap Reject Event- Jurnal Elektrika Vol.
18 No.
1 April 2026 Log, momen tepat di mana lonjakan performa memicu kegagalan kualitas dapat diidentifikasi secara objektif.
Temuan utama dari sinkronisasi ini divisualisasikan dalam grafik analisis gabungan pada (Gambar .
, yang mengilustrasikan dinamika pertukaran .
rade-of.
antara variabel Performa (P) dan Kualitas (Q).
Sebagaimana digambarkan dalam grafik, terdapat hubungan terbalik yang jelas selama interval kecepatan ketika garis Performa melonjak melampaui tanda efisiensi 100% akibat akselerasi waktu siklus, garis Kualitas mengalami penurunan secara simultan.
Visualisasi ini mengonfirmasi bahwa "six big losses" pada lini produksi ini didominasi oleh reject yang diinduksi oleh kecepatan .
peed-induced reject.
Hal ini memberikan dasar empiris bagi rekomendasi operasional berupa Jendela Operasi Aman (Safe Operating Windo.
pada rentang 0,630 detik Ae 0,635 detik untuk menstabilkan kedua variabel dan mencapai nilai OEE yang lebih konsisten.
KESIMPULAN
Implementasi sistem monitoring OEE real-time berbasis integrasi PLC Schneider.
HMI Weintek, dan OPC Server KEPServerEX ini telah membuktikan bahwa sinergi antara lapisan OT (Operational Technolog.
dan IT dapat menghasilkan transparansi data produksi yang absolut.
Melalui mekanisme Double-Buffer Persistency, penelitian ini berhasil menjamin integritas data sebesar 100% meskipun menghadapi tantangan latensi jaringan, sementara analisis event-log granular pada skala milidetik memberikan wawasan diagnostik yang melampaui metode konvensional.
Temuan teknis yang paling krusial adalah teridentifikasinya fenomena Inverse Performance-Quality Relationship, di mana akselerasi waktu siklus aktual hingga 0,601 detik (Performa 104,55%) secara empiris memicu lonjakan densitas defek hingga 881,7 unit/jam akibat stres mekanis pada sistem ejektor.
Meskipun rata-rata OEE harian tercatat sebesar 74,51% yang berarti masih berada di bawah tolok ukur World Class keberadaan sistem ini telah memberikan peta jalan diagnostik yang akurat bagi manajemen untuk mengidentifikasi bottleneck operasional secara objektif berdasarkan data riil dari lantai produksi.
UCAPAN TERIMAKASIH
Penulis ingin menyampaikan ucapan terima kasih kepada Jurusan Teknik Informatika Politeknik Negeri Batam atas penyediaan fasilitas dan lingkungan yang diperlukan untuk melaksanakan penelitian ini.
Terima kasih khusus juga disampaikan kepada staf teknis dan mahasiswa yang turut serta dalam uji coba awal dan evaluasi kegunaan sistem.
P-ISSN 2085-0565 | E-ISSN 2580-8486
DAFTAR PUSTAKA