Panduan Predictive Maintenance dengan Analisis Getaran Pabrik Sawit

Setiap jam downtime yang tidak terduga di pabrik kelapa sawit (PKS) bukan sekadar gangguan operasional—ini adalah ancaman langsung terhadap profitabilitas. Ketika mesin screw press berhenti mendadak, boiler mengalami penurunan tekanan, atau ripple mill macet di tengah shift, dampaknya berantai: stagnasi produksi melampaui standar 5%, biaya perbaikan membengkak, dan rendemen CPO menurun drastis. Ironisnya, sebagian besar PKS di Indonesia masih bergantung pada corrective maintenance—memperbaiki mesin setelah rusak—yang terbukti paling mahal dan tidak efisien.

Artikel ini adalah panduan langkah-demi-langkah pertama dalam bahasa Indonesia yang menggabungkan teori analisis getaran dari sumber otoritatif (ITB, Fluke, standar ISO) dengan aplikasi spesifik pada mesin-mesin kritis PKS: screw press, boiler, sterilizer, dan ripple mill. Anda akan mempelajari urgensi transisi ke predictive maintenance, prinsip kerja analisis getaran, cara implementasi bertahap, pemilihan alat ukur yang tepat, studi kasus nyata penurunan getaran dan kalkulasi ROI, serta sertifikasi yang relevan untuk tim technical Anda.

Mengapa Predictive Maintenance Penting untuk Pabrik Kelapa Sawit?

Transisi dari strategi perawatan reaktif ke prediktif bukan sekadar tren industri—ini adalah kebutuhan bisnis yang mendesak. Data dari berbagai penelitian mengkonfirmasi bahwa PKS yang masih menggunakan corrective maintenance mengalami kerugian finansial signifikan yang sebenarnya dapat dicegah.

Dalam praktik perawatan mesin, terdapat tiga pendekatan utama dengan karakteristik dan dampak biaya yang sangat berbeda:

Corrective Maintenance (perbaiki saat rusak) adalah strategi yang paling dominan di PKS Indonesia. Mesin dioperasikan hingga benar-benar breakdown, baru kemudian diperbaiki. Pendekatan ini memiliki biaya langsung yang tinggi—suku cadang mahal, waktu perbaikan panjang, dan kerugian produksi akibat downtime—ditambah biaya tidak langsung seperti penurunan kualitas produk dan lembur teknisi.[1]

Preventive Maintenance (perawatan terjadwal) dilakukan berdasarkan interval waktu tetap, misalnya ganti oli setiap 500 jam operasi atau ganti bearing setiap 3 bulan. Meskipun lebih baik daripada corrective, strategi ini sering menyebabkan over-maintenance (mengganti komponen yang masih layak) atau sebaliknya, under-maintenance (komponen rusak sebelum jadwal perawatan tiba).[2]

Predictive Maintenance (perawatan berdasarkan kondisi) menggunakan data aktual kondisi mesin—dalam hal ini data getaran—untuk menentukan kapan perawatan benar-benar diperlukan. Pendekatan ini menghindari pemborosan over-maintenance dan mencegah kejutan breakdown. Studi implementasi pada genset diesel yang dipublikasikan di jurnal SOSTECH menunjukkan bahwa setelah perbaikan bearing dan alignment berdasarkan data getaran, tingkat getaran turun drastis dari 7,25 mm/s menjadi 0,68 mm/s—penurunan lebih dari 90% yang memperpanjang umur mesin secara signifikan.[3]

Kerusakan mesin mendadak di PKS bukan sekadar masalah teknis—ini adalah masalah bisnis dengan konsekuensi berantai. Penelitian pada PT. Sumber Sawit Sejahtera mengkonfirmasi bahwa target produksi tidak tercapai secara konsisten karena sistem maintenance yang tidak optimal.[4]

Data dari lapangan menunjukkan bahwa standar stagnasi (waktu henti produksi) PKS akibat kerusakan mesin tak terduga adalah 5% dari total jam operasi.[5] Untuk pabrik dengan kapasitas 30 ton TBS/jam yang beroperasi 20 jam/hari, ini berarti 1 jam downtime per hari—setara dengan 30 ton TBS yang tidak terolah per hari, atau sekitar 900 ton per bulan. Dengan harga CPO yang fluktuatif, kerugian ini dapat mencapai ratusan juta rupiah per bulan.

Yang lebih kritis, analisis FMEA (Failure Mode and Effect Analysis) yang dipublikasikan di JITEKH mengidentifikasi bahwa mesin screw press memiliki Risk Priority Number (RPN) tertinggi di antara semua mesin di PKS, mengkonfirmasi bahwa screw press adalah titik kegagalan paling kritis yang membutuhkan prioritas perawatan tertinggi.[6] MITECH Indonesia juga mengkonfirmasi temuan yang sama: screw press adalah mesin dengan downtime tertinggi di PKS.[7]

Analisis getaran adalah metode deteksi dini kerusakan mesin tanpa perlu membongkar komponen—seperti mendengarkan detak jantung pasien tanpa operasi. Metode ini bekerja berdasarkan prinsip bahwa setiap perubahan kondisi mekanis mesin menghasilkan perubahan pola getaran yang unik dan dapat diukur.

Dasar ilmiah analisis getaran adalah bahwa setiap kerusakan mesin membangkitkan sinyal getaran yang khas—disebut signature getaran.[2] Ketika bearing mulai aus, muncul frekuensi getaran tertentu. Ketika poros mengalami unbalance, pola getaran yang berbeda muncul. Ketika terjadi misalignment, signature lagi-lagi berbeda.

Handheld vibration tester modern, seperti yang dijelaskan oleh Fluke Corporation, dapat mendiagnosis secara cepat kondisi unbalance, looseness, dan misalignment, serta merekomendasikan jenis perbaikan yang diperlukan.[8] Ini berarti teknisi tidak perlu menebak-nebak penyebab kerusakan—cukup membaca data getaran dan mengambil tindakan yang tepat.

Dalam analisis getaran, terdapat tiga parameter utama yang diukur, masing-masing dengan kegunaan spesifik:

• Displacement (mm): Mengukur jarak perpindahan fisik komponen. Paling sensitif untuk getaran frekuensi rendah. Penelitian pada screw press 12 ton/jam di PT. Socfin Indonesia menemukan displacement maksimum 7,224 mm pada arah horizontal.[9]
• Velocity (mm/s): Mengukur kecepatan getaran. Ini adalah parameter yang paling umum digunakan untuk evaluasi kondisi mesin rotating berdasarkan standar internasional. Studi yang sama mencatat velocity tertinggi 4,61 mm/s pada arah longitudinal.[9]
• Acceleration (m/s²): Mengukur percepatan getaran. Paling sensitif untuk getaran frekuensi tinggi, seperti yang dihasilkan oleh kerusakan bearing tahap awal. Percepatan tertinggi pada screw press tersebut adalah 5,12 m/s² pada arah vertikal.[9]

Untuk memastikan interpretasi data getaran yang konsisten dan dapat diandalkan, standar internasional ISO 10816-3:2009[10] menyediakan klasifikasi zona keparahan getaran untuk mesin industri dengan daya di atas 15 kW dan kecepatan 120-15.000 RPM—yang mencakup hampir semua mesin rotating di PKS.

Standar ini membagi tingkat getaran menjadi empat zona:

• Zona A (Baik): Getaran normal, mesin dapat dioperasikan tanpa batasan
• Zona B (Dapat Diterima): Getaran dalam batas wajar, pemantauan rutin diperlukan
• Zona C (Tidak Memuaskan): Getaran tinggi, perencanaan perbaikan diperlukan
• Zona D (Berbahaya): Getaran sangat tinggi, penghentian operasi segera diperlukan

Untuk mesin kelas II (15-300 kW, kategori yang mencakup mayoritas mesin PKS), batasannya adalah: Zona A < 1,8 mm/s, Zona B 1,8-4,5 mm/s, Zona C 4,5-11,2 mm/s, Zona D > 11,2 mm/s. Data dari Jurnal Darma Agung menunjukkan bahwa screw press di PT. Socfin Indonesia memiliki velocity 4,61 mm/s—berada di batas atas Zona B, artinya masih dalam batas dapat diterima namun memerlukan pemantauan ketat.[9]

Implementasi predictive maintenance tidak harus dimulai dengan investasi besar. Berikut adalah framework lima langkah yang dapat diterapkan secara bertahap, dimulai dari satu mesin kritis.

Langkah pertama adalah menentukan mesin mana yang paling membutuhkan predictive maintenance. Gunakan Failure Mode and Effect Analysis (FMEA) untuk menghitung Risk Priority Number (RPN) setiap mesin berdasarkan tiga faktor: severity (tingkat keparahan), occurrence (frekuensi kegagalan), dan detection (kemampuan mendeteksi).

Berdasarkan analisis FMEA pada PKS, screw press memiliki RPN tertinggi, menjadikannya prioritas #1 untuk program predictive maintenance.[6] Urutan prioritas mesin kritis yang direkomendasikan adalah:

1. Screw Press (downtime tertinggi, dampak langsung pada rendemen)
2. Boiler (jantung operasional, kegagalan menghentikan seluruh pabrik)
3. Sterilizer (siklus batch kritis)
4. Ripple Mill (kualitas nut crack kritis)
5. Thresher (stasiun penerimaan TBS)

Untuk memulai program predictive maintenance, vibration meter portabel adalah titik awal yang optimal.[8] Pertimbangan pemilihan alat meliputi:

• Portabilitas: Pilih alat yang ringan dan mudah dibawa ke berbagai titik pengukuran di PKS yang luas
• Kemampuan penyimpanan data: Vibration meter modern dapat menyimpan hingga 3.500 pengukuran di memori internal[8], memungkinkan tren data jangka panjang
• Fitur bawaan: Beberapa vibration meter juga mengukur kondisi bearing dan temperatur secara simultan, memberikan gambaran kondisi mesin yang lebih lengkap dalam satu kali pengukuran
• Ketahanan lingkungan: PKS memiliki lingkungan berdebu, lembab, dan panas—pilih alat dengan IP rating yang memadai

Setelah alat dan mesin prioritas ditentukan, langkah selanjutnya adalah:

1. Tentukan titik ukur: Pasang tanda permanen pada bearing housing dan struktur mesin di tiga arah (horizontal, vertikal, longitudinal) untuk konsistensi pengukuran
2. Lakukan pengukuran baseline: Ukur getaran pada kondisi operasi normal untuk mendapatkan data awal. Contoh baseline dari penelitian nyata: velocity screw press 4,61 mm/s pada arah longitudinal.[9]
3. Tetapkan frekuensi pengukuran: Untuk mesin kritis (screw press, boiler), lakukan pengukuran mingguan. Untuk mesin pendukung, pengukuran bulanan sudah memadai
4. Dokumentasikan dengan disiplin: Catat tanggal, waktu, kondisi operasi, dan nilai getaran di setiap titik ukur

Interpretasi data getaran adalah keterampilan kunci yang membedakan predictive maintenance yang efektif dari sekadar mengumpulkan data. Setiap kerusakan mesin membangkitkan sinyal getaran unik yang dapat diidentifikasi tanpa membongkar mesin.[2]

Dalam spektrum getaran (frequency domain):

• Unbalance: Muncul puncak dominan pada 1× RPM (frekuensi putaran)
• Misalignment: Puncak signifikan pada 2× RPM, sering dengan harmonik
• Bearing fault: Puncak pada frekuensi tinggi spesifik yang dihitung dari geometri bearing
• Looseness: Puncak pada 1× RPM dengan banyak harmonik dan noise dasar yang tinggi

Studi kasus dari jurnal SOSTECH menunjukkan bagaimana interpretasi yang tepat memungkinkan deteksi kerusakan bearing dan ketidaksejajaran pada genset diesel. Setelah perbaikan berdasarkan diagnosis getaran, tingkat getaran turun dari 7,25 mm/s (Zona D/berbahaya) menjadi 0,68 mm/s (Zona A/baik).[3]

Ketika data getaran menunjukkan nilai yang melampaui threshold yang ditetapkan, langkah selanjutnya adalah:

1. Konfirmasi diagnosis: Bandingkan dengan data historis dan lakukan pengukuran ulang jika diperlukan
2. Tentukan jenis perbaikan: Berdasarkan pola spektrum, tentukan apakah diperlukan penggantian bearing, balancing poros, realignment, atau pengencangan baut
3. Jadwalkan perbaikan: Manfaatkan data untuk merencanakan perbaikan pada waktu yang paling tepat—misalnya saat pergantian shift atau akhir pekan—bukan menunggu hingga mesin mati sendiri
4. Verifikasi hasil: Setelah perbaikan, lakukan pengukuran ulang untuk memastikan getaran kembali ke zona aman, seperti yang ditunjukkan dalam studi kasus SOSTECH.[3]

Data nyata dari penelitian dan implementasi di lapangan memberikan bukti konkret bahwa predictive maintenance dengan analisis getaran bukan sekadar teori—ini adalah solusi yang telah terbukti.

Penelitian yang dipublikasikan di Jurnal Darma Agung (2025) oleh Sihombing et al. memberikan data getaran aktual pada mesin screw press kapasitas 12 ton/jam di PT. Socfin Indonesia.[9] Pengukuran menggunakan vibrometer pada tiga arah menunjukkan:

• Displacement maksimum: 7,224 mm pada arah horizontal (detik ke-10)
• Velocity maksimum: 4,61 mm/s pada arah longitudinal (detik ke-90)
• Acceleration maksimum: 5,12 m/s² pada arah vertikal (detik ke-10)

Berdasarkan standar ISO 10816-3, velocity 4,61 mm/s berada di Zona B (dapat diterima) untuk mesin kelas II. Mesin masih dapat dioperasikan, namun pemantauan rutin sangat diperlukan untuk mendeteksi jika kondisi memburuk menuju Zona C. Studi ini memberikan baseline berharga bagi PKS lain yang ingin membandingkan data getaran screw press mereka.

Penelitian yang dipresentasikan di konferensi IEOM Society International (2025) oleh Saleh et al. mengungkapkan temuan yang mengejutkan: stasiun boiler di sebuah PKS beroperasi dengan Overall Equipment Effectiveness (OEE) hanya 27,03%—jauh di bawah standar world-class 85%.[11]

Penelitian ini mengembangkan model predictive maintenance menggunakan logistic regression berbasis Python untuk memprediksi probabilitas kegagalan komponen boiler berdasarkan data historis (tipe komponen, jam pemakaian, hari sejak perawatan terakhir, dan durasi downtime). Keunggulan metode ini adalah interpretabilitasnya—teknisi PKS dapat dengan mudah memahami hasil prediksi tanpa memerlukan keahlian data science yang mendalam.

Dengan predictive maintenance, potensi peningkatan OEE boiler sangat besar. Setiap persentase peningkatan OEE berarti tambahan jam produksi, penurunan biaya perbaikan darurat, dan peningkatan rendemen CPO.

Salah satu pertanyaan paling kritis bagi manajer PKS adalah: “Berapa biaya implementasi predictive maintenance, dan kapan saya akan mendapatkan kembali investasi saya?”

Data dari implementasi vibration monitoring di berbagai industri menunjukkan hasil yang sangat menarik:

• Pengurangan biaya perawatan: Hingga 30% dibandingkan corrective maintenance
• Return on Investment (ROI): Sekitar 22% dalam periode tiga tahun[12]

Untuk memberikan gambaran konkret, mari kita hitung biaya downtime untuk PKS kapasitas 30 ton/jam:

• Kapasitas produksi: 30 ton TBS/jam
• Harga CPO: Rp 15.000/kg (asumsi konservatif)
• Rendemen: 22%
• Produksi CPO per jam: 30 ton × 22% = 6.600 kg
• Pendapatan per jam: 6.600 kg × Rp 15.000 = Rp 99.000.000

Dengan standar stagnasi 5% (1 jam downtime per hari untuk operasi 20 jam), kerugian pendapatan per hari adalah Rp 99 juta. Dalam satu bulan (25 hari kerja), kerugian mencapai Rp 2,475 miliar. Dengan predictive maintenance yang mengurangi downtime hingga 50%, potensi penghematan tahunan sangat signifikan—jauh melampaui investasi awal vibration meter yang berkisar Rp 5-10 juta.

Pemilihan vibration meter yang tepat adalah keputusan krusial yang menentukan keberhasilan program predictive maintenance Anda.

Lingkungan PKS memiliki karakteristik yang menantang: debu dari serat dan cangkang sawit, temperatur tinggi di sekitar boiler, kelembaban tinggi di stasiun sterilizer, dan getaran latar yang konstan. Vibration meter yang ideal untuk PKS harus memiliki:

• IP rating tinggi: Minimal IP54 untuk ketahanan terhadap debu dan percikan air
• Baterai tahan lama: Setidaknya 8 jam operasi kontinu untuk satu shift penuh pengukuran
• Kapasitas penyimpanan besar: Minimal 1.000 titik data untuk pemantauan tren mingguan
• Sensor stabil: Kemampuan mempertahankan kalibrasi di lingkungan dengan fluktuasi temperatur

Untuk PKS yang baru memulai program predictive maintenance dengan anggaran terbatas, AMTAST TV2000 adalah pilihan yang sangat tepat. Vibration meter portabel ini mengukur tiga parameter utama—velocity, displacement, dan acceleration—dengan akurasi yang memadai untuk diagnosis awal. Dengan memori penyimpanan internal, teknisi dapat melakukan pengukuran rutin, mencatat data, dan menganalisis tren tanpa perlu mencatat manual di lapangan.

Produk ini dirancang untuk kemudahan penggunaan oleh teknisi lapangan, dengan layar yang jelas menampilkan nilai getaran secara real-time. Sebagai titik awal program predictive maintenance, AMTAST TV2000 memberikan keseimbangan optimal antara fungsionalitas dan investasi.

Untuk PKS yang ingin mengembangkan program predictive maintenance yang lebih canggih, beberapa merek terkemuka menawarkan opsi dengan fitur lebih lengkap:

• Fluke: Ekosistem alat ukur terlengkap dengan standar global. Vibration meter Fluke seperti Fluke 805 dapat menyimpan data dan mengirim peringatan teks non-teknis, memudahkan komunikasi dengan manajemen.[8]
• Lutron: Tersedia luas di Indonesia dengan 15 model vibration meter untuk berbagai aplikasi industri.[13] Keunggulan utama adalah ketersediaan layanan purna jual dan kalibrasi di dalam negeri.
• SKF: Fokus khusus pada analisis bearing dengan algoritma deteksi kerusakan bearing yang canggih. Ideal jika prioritas utama adalah pemantauan kondisi bearing di screw press dan boiler.
• Emerson: Solusi terintegrasi untuk pabrik yang sudah memiliki sistem kontrol proses, memungkinkan data getaran langsung terhubung ke sistem DCS/PLC.

Alat yang canggih tidak akan optimal tanpa operator yang kompeten. Investasi pada sumber daya manusia sama pentingnya dengan investasi pada peralatan.

Sertifikasi Vibration Analyst yang diakui secara internasional mengikuti standar ISO 18436-2, dengan empat level kompetensi:

• Level I: Mampu melakukan pengukuran getaran sesuai prosedur dan menyusun laporan dasar. Cocok untuk teknisi lapangan yang akan menjadi ujung tombak program predictive maintenance.
• Level II: Mampu menganalisis data getaran, mendiagnosis kerusakan umum, dan merekomendasikan tindakan perbaikan.
• Level III: Mampu mengelola program predictive maintenance, menetapkan threshold alarm, dan menangani diagnosis kompleks.
• Level IV: Ahli yang mampu mengembangkan metodologi baru dan melatih analis level di bawahnya.

Untuk teknisi PKS, sertifikasi Level I atau II sudah memadai untuk memulai. Vibration Institute[14] adalah lembaga sertifikasi ANAB-accredited yang diakui global untuk sertifikasi Vibration Analyst sesuai ISO 18436-2. Di Indonesia, sertifikasi NDT juga tersedia melalui BNSP dan lembaga pelatihan terkait.

Program predictive maintenance harus diukur efektivitasnya, dan metrik Overall Equipment Effectiveness (OEE) adalah alat yang tepat untuk tujuan ini. OEE dihitung dengan rumus: OEE = Availability × Performance × Quality.[15]

Penelitian Susilawati et al. (2019) yang diterbitkan di IOP Conference Series mengembangkan framework OEE khusus untuk stasiun pressing CPO di Indonesia.[16] Framework ini mengidentifikasi “six big losses” yang menghambat efektivitas peralatan pressing dan bagaimana predictive maintenance dapat mengurangi kerugian-kerugian tersebut secara sistematis.

Dengan memantau OEE sebelum dan setelah implementasi predictive maintenance, manajer PKS memiliki bukti kuantitatif untuk menjustifikasi investasi berkelanjutan. Jika OEE boiler naik dari 27,03%[11] menjadi bahkan 50%, itu sudah merupakan peningkatan signifikan yang berdampak langsung pada bottom line.

Preventive maintenance dilakukan berdasarkan jadwal tetap (misalnya ganti oli setiap 500 jam atau ganti bearing setiap 6 bulan), tanpa mempertimbangkan kondisi aktual mesin. Predictive maintenance menggunakan data kondisi mesin—dalam hal ini data getaran—untuk menentukan kapan perawatan benar-benar diperlukan. Predictive maintenance lebih efisien karena menghindari over-maintenance (mengganti komponen yang masih layak) dan mencegah under-maintenance (komponen rusak sebelum jadwal).[2][8]

Berdasarkan analisis FMEA dan data downtime dari berbagai penelitian, urutan prioritas mesin kritis adalah: (1) Screw Press—memiliki RPN tertinggi dan downtime terbesar, (2) Boiler—kegagalan menghentikan seluruh pabrik, (3) Sterilizer—siklus batch kritis, (4) Ripple Mill—kualitas nut crack, dan (5) Thresher.[6][7]

Untuk mesin kelas II (15-300 kW) yang mencakup screw press, standar ISO 10816-3 menetapkan: Zona A < 1,8 mm/s (baik), Zona B 1,8-4,5 mm/s (dapat diterima), Zona C 4,5-11,2 mm/s (tidak memuaskan), Zona D > 11,2 mm/s (berbahaya). Data aktual dari PT. Socfin Indonesia menunjukkan velocity screw press 4,61 mm/s—berada di batas atas Zona B, yang berarti aman dioperasikan namun memerlukan pemantauan ketat.[9][10]

Mulailah dengan vibration meter portabel (seperti AMTAST TV2000 atau Fluke 805) untuk satu mesin kritis—idealnya screw press. Lakukan pengukuran baseline, tetapkan titik ukur permanen, dan lakukan pengukuran mingguan. Biaya awal berkisar Rp 5-10 juta untuk alat, dengan ROI 22% dalam 3 tahun dan pengurangan biaya perawatan hingga 30%.[12] Setelah terbukti efektif, perluas ke mesin kritis lainnya secara bertahap.

Perjalanan dari corrective maintenance ke predictive maintenance bukanlah lompatan besar yang membutuhkan investasi miliaran rupiah. Ini adalah transformasi bertahap yang dimulai dengan satu mesin, satu alat ukur, dan satu teknisi yang terlatih. Data dari berbagai penelitian dan implementasi nyata telah membuktikan bahwa predictive maintenance dengan analisis getaran adalah solusi paling efektif untuk mengurangi downtime, menekan biaya perbaikan, dan meningkatkan OEE di pabrik kelapa sawit.

Dengan mengikuti panduan langkah-demi-langkah yang telah diuraikan—mulai dari identifikasi mesin kritis menggunakan FMEA, pemilihan vibration meter yang tepat, pengukuran baseline dan rutin, interpretasi data getaran, hingga pengambilan tindakan perawatan berbasis data—PKS Anda dapat beralih dari strategi perawatan reaktif yang mahal menuju strategi prediktif yang efisien dan terukur.

Siap mengubah strategi perawatan pabrik sawit Anda? Mulai langkah pertama dengan alat ukur getaran yang andal. CV. Java Multi Mandiri adalah supplier dan distributor alat ukur dan instrumentasi pengujian yang berpengalaman dalam melayani kebutuhan bisnis dan aplikasi industri, khususnya di sektor kelapa sawit. Kami dapat membantu perusahaan Anda memilih solusi predictive maintenance yang tepat dan mendukung optimasi operasional pabrik. Diskusikan kebutuhan perusahaan Anda dengan tim teknis kami untuk konsultasi solusi bisnis yang sesuai.

Rekomendasi Vibration Meter

Informasi dalam artikel ini bersifat edukatif. Implementasi analisis getaran harus dilakukan oleh personel bersertifikasi. Produk yang disebutkan (AMTAST TV2000) hanyalah contoh, bukan endorse eksklusif. Konsultasikan dengan teknisi NDT untuk hasil optimal.

1. CV Kinabalu. Jasa Perawatan Mesin Pabrik Kelapa Sawit dan Estimasi Biaya. Retrieved from cvkinabalu.com
2. Institut Teknologi Bandung (ITB) Digilib. Perawatan Mesin Berbasis Data Getaran. Retrieved from digilib.itb.ac.id
3. SOSTECH Journal. Implementasi Predictive Maintenance Berbasis Analisis Getaran Menggunakan ISO 10816 pada Mesin Diesel. Retrieved from sostech.greenvest.co.id
4. Repository Universitas Islam Riau. Analisis Maintenance PKS PT. Sumber Sawit Sejahtera. Retrieved from repository.uir.ac.id
5. Persada Dinamika Jaya. Ternyata Ini yang Buat Pabrik