Analisis Komparatif Prediksi Remaining Useful Life Mesin Turbofan Menggunakan XGBoost Dan Bi-LSTM Berbasis Explainable AI
Keywords:
Remaining Useful Life, C-MAPSS, XGBoost, Bi-LSTM, Explainable AIAbstract
Prediksi Remaining Useful Life (RUL) mesin turbofan merupakan permasalahan penting dalam pemeliharaan prediktif karena kompleksitas kondisi operasi dan pola degradasi dapat memengaruhi kinerja model secara berbeda. Selain itu, penelitian pada dataset C-MAPSS umumnya mengevaluasi subset secara terbatas dan belum banyak membandingkan model tree-based dan deep learning berbasis attention secara seragam serta menganalisis konsistensi interpretasi antar-metode Explainable Artificial Intelligence (XAI). Penelitian ini bertujuan membandingkan performa eXtreme Gradient Boosting (XGBoost) dan Bidirectional Long Short-Term Memory (Bi-LSTM) berbasis attention dalam memprediksi RUL mesin turbofan pada empat subset C-MAPSS serta menganalisis kontribusi sensor menggunakan XAI. Pendekatan meliputi pelabelan RUL piecewise-linear dengan ambang 125 siklus, normalisasi condition-aware untuk subset multi-kondisi FD002 dan FD004, serta segmentasi sliding window sepanjang 30 siklus untuk Bi-LSTM. Interpretasi model dilakukan menggunakan SHAP TreeExplainer untuk XGBoost dan Integrated Gradients untuk Bi-LSTM. Hasil menunjukkan bahwa Bi-LSTM mengungguli XGBoost pada tiga dari empat subset, yaitu FD001 dengan RMSE 15,35, FD002 dengan RMSE 27,92, dan FD003 dengan RMSE 17,33. Sebaliknya, XGBoost memberikan hasil lebih baik pada subset FD004 yang paling kompleks dengan RMSE 30,22 dibandingkan 33,40 pada Bi-LSTM. Analisis konsensus XAI menunjukkan kesepakatan 80% pada subset multi-kondisi dan 20% pada subset kondisi tunggal, sedangkan sensor Ps30, NRc, Nc, dan BPR teridentifikasi sebagai indikator degradasi yang konsisten. Kontribusi penelitian ini adalah menyediakan komparasi sistematis kedua paradigma model pada seluruh subset C-MAPSS serta analisis konsensus XAI untuk mengidentifikasi konsistensi kontribusi sensor terhadap prediksi RUL.
References
[1] A. Saxena, K. Goebel, D. Simon, and N. Eklund, “Damage propagation modeling for aircraft engine run-to-failure simulation,” in Proc. IEEE Int. Conf. Prognostics and Health Management (PHM), 2008, pp. 1–9. doi: 10.1109/PHM.2008.4711414.
[2] F. Xue, G. Jin, L. Tan, C. Zhang, and Y. Yu, “Predictive maintenance programs for aircraft engines based on remaining useful life prediction,” Sci. Rep., vol. 15, no. 1, Dec. 2025, doi: 10.1038/s41598-025-19957-w.
[3] F. O. Heimes, “Recurrent neural networks for remaining useful life estimation,” in 2008 International Conference on Prognostics and Health Management, IEEE, Oct. 2008, pp. 1–6. doi: 10.1109/PHM.2008.4711422.
[4] C. Peng, J. Wu, Q. Wang, W. Gui, and Z. Tang, “Remaining Useful Life Prediction Using Dual-Channel LSTM with Time Feature and Its Difference,” Entropy, vol. 24, no. 12, Dec. 2022, doi: 10.3390/e24121818.
[5] S. M. Elsherif, B. Hafiz, M. A. Makhlouf, and O. Farouk, “A deep learning-based prognostic approach for predicting turbofan engine degradation and remaining useful life,” Sci. Rep., vol. 15, no. 1, Dec. 2025, doi: 10.1038/s41598-025-09155-z.
[6] O. A. Ghoneim, A. Sleem, I. Gad, and T. Allam, “Remaining useful life prediction for turbofan engines using an attention-based data-driven deep-learning approach,” PeerJ Comput. Sci., vol. 11, p. e3438, Dec. 2025, doi: 10.7717/peerj-cs.3438.
[7] J. Shi, J. Zhong, Y. Zhang, B. Xiao, L. Xiao, and Y. Zheng, “A dual attention LSTM lightweight model based on exponential smoothing for remaining useful life prediction,” Reliab. Eng. Syst. Saf., vol. 243, p. 109821, Mar. 2024, doi: 10.1016/j.ress.2023.109821.
[8] M. Li, L. Zhu, M. Luo, and T. Ke, “Remaining Useful Life Prediction of Airplane Engine Based on Bidirectional Mamba and Causal Discovery,” Sensors, vol. 25, no. 11, Jun. 2025, doi: 10.3390/s25113429.
[9] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. 2016.
[10] T. Chen and C. Guestrin, “XGBoost: A scalable tree boosting system,” in Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Association for Computing Machinery, Aug. 2016, pp. 785–794. doi: 10.1145/2939672.2939785.
[11] H. Özcan, “Interpretable ensemble remaining useful life prediction enables dynamic maintenance scheduling for aircraft engines,” Sci. Rep., vol. 15, no. 1, Dec. 2025, doi: 10.1038/s41598-025-23473-2.
[12] M. Ravly Andryan et al., “KOMPARASI KINERJA ALGORITMA XGBOOST DAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK DIAGNOSA PENYAKIT KANKER PAYUDARA,” Jurnal Informatika dan Komputer), vol. 6, no. 1, pp. 1–5, 2022.
[13] Muhammad Surono, Muhammad Fadli, Dian Sri Purwanti, and Erliyan Redy Susanto, “Hybrid XGBoost-SVM Model untuk Sistem Pendukung Keputusan dalam Prediksi Penyakit Diabetes,” INSOLOGI: Jurnal Sains dan Teknologi, vol. 4, no. 3, pp. 443–454, Jun. 2025, doi: 10.55123/insologi.v4i3.5410.
[14] G. Abdurrahman, H. Oktavianto, and M. Sintawati, “Optimasi Algoritma XGBoost Classifier Menggunakan Hyperparameter Gridesearch dan Random Search Pada Klasifikasi Penyakit Diabetes,” INFORMAL: Informatics Journal, vol. 7, no. 3, p. 193, Dec. 2022, doi: 10.19184/isj.v7i3.35441.
[15] A. A. Nababan, M. Jannah, M. Aulina, and D. Andrian, “PREDIKSI KUALITAS UDARA MENGGUNAKAN XGBOOST DENGAN SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE (SMOTE) BERDASARKAN INDEKS STANDAR PENCEMARAN UDARA (ISPU),” Jurnal Teknik Informatika Kaputama (JTIK), vol. 7, no. 1, 2023.
[16] N. Selle, N. Yudistira, and C. Dewi, “PERBANDINGAN PREDIKSI PENGGUNAAN LISTRIK DENGAN MENGGUNAKAN METODE LONG SHORT TERM MEMORY (LSTM) DAN RECURRENT NEURAL NETWORK (RNN),” vol. 9, no. 1, pp. 155–162, 2022, doi: 10.25126/jtiik.202295585.
[17] H. T. A. Simanjuntak, A. Lumbanraja, G. Samosir, and Regita, “Prediksi Single-Step dan Multi-Step Data Cuaca Menggunakan Model Long Short-Term Memory dan Sarima,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 12, no. 2, pp. 399–410, Apr. 2025, doi: 10.25126/jtiik.2025129444.
[18] Haeruddin, Rinaldo, and Gautama, “Pengembangan Sistem Prediksi Harga Saham Berbasis Web Menggunakan Model LSTM dan CNN–LSTM,” 2025, doi: 10.35889/jutisi.v15i1.3518.
[19] N. P. N. P. Dewi, N. K. Kertiasih, and N. L. D. Sintiari, “Modifikasi Fruit Fly Optimiziation Algorithm untuk Optimasi General Regression Neural Network pada Kasus Prediksi Time-Series,” Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), vol. 11, no. 3, pp. 192–204, Dec. 2022, doi: 10.23887/janapati.v11i3.54521.
[20] S. Lundberg and S.-I. Lee, “A Unified Approach to Interpreting Model Predictions,” Nov. 2017, [Online]. Available: http://arxiv.org/abs/1705.07874
[21] C. Molnar, Interpretable Machine Learning. 2022.
[22] M. Sundararajan, A. Taly, and Q. Yan, “Axiomatic Attribution for Deep Networks,” Jun. 2017, [Online]. Available: http://arxiv.org/abs/1703.01365
[23] A. Junaid, A. Iqbal, A. Khan, G. Husnain, A.-R. Ahmad, and M. Al-Naeem, “Engine Failure Prediction on Large-Scale CMAPSS Data Using Hybrid Feature Selection and Imbalance-Aware Learning,” Computers, Materials & Continua, vol. 0, no. 0, pp. 1–10, 2025, doi: 10.32604/cmc.2025.073189.
