Diagnosis Unbalance pada Poros Linier Melalui Sinyal Getaran Menggunakan Artificial Intelligence

Fermana, Fiqri Septi (2023) Diagnosis Unbalance pada Poros Linier Melalui Sinyal Getaran Menggunakan Artificial Intelligence. Diploma thesis, Universitas Andalas.

	Text (Cover dan Abstrak) Cover dan Abstrak_Fiqri Septi Fermana 1710913028.pdf - Published Version Download (60kB)
	Text (BAB I) BAB I_Fiqri Septi Fermana 1710913028.pdf - Published Version Download (73kB)
	Text (BAB V) BAB V_Fiqri Septi Fermana 1710913028.pdf - Published Version Download (37kB)
	Text (Daftar Pustaka) Daftar Pustaka_Fiqri Septi Fermana 1710913028.pdf - Published Version Download (121kB)
	Text (Tugas Akhir Utuh) Tugas Akhir Utuh_Fiqri Septi Fermana 1710913028.pdf - Published Version Restricted to Repository staff only Download (3MB)

Abstract

ABSTRAK Kemampuan komputer untuk melakukan berbagai pekerjaan manusia terus berkembang secara eksponensial. Manusia telah mengembangkan sistem komputer yang tidak hanya lebih cepat, tetapi seiring waktu ukuran komputer juga mengecil. Cabang ilmu komputer yang disebut "Artificial Intelligence" menciptakan komputer yang dapat berpikir layaknya manusia. Selama dua dekade terakhir, pengembangan kecerdasan buatan telah menjadi bidang penelitian di berbagai disiplin ilmu seperti matematika, statistik, dan ilmu computer. Artficial Intelligence ¬juga berperan besar dalam meningkatkan kinerja sistem manufaktur dan layanan. Hal ini didukung oleh pendekatan penggunaan algoritma untuk memperoleh pengetahuan dari kumpulan data yang besar dan heterogen, serta teknologi perangkat lunak yang memungkinkan komputer untuk bersaing dengan kemampuan komputasi manusia normal dalam hal akurasi, kapasitas, dan kecepatan. Sinyal getaran unbalance yang terjadi pada poros linier mesin yang berputar dapat didiagnosis dengan menerapkan Machine Learning (cabang dari Artificial Intelligence) sehingga memberikan alternatif baru untuk deteksi awal kerusakan mesin, mencegah downtime, mengurangi pekerjaan analitis, dan meningkatkan akurasi diagnostik. Penelitian ini menggunakan poros linier yang telah dipasangi disk unbalance dan diputar dengan kecepatan mulai dari 700 rpm sampai dengan 2500 rpm. Disk yang tidak seimbang dibuat dengan memasang baut dan mur dengan memiliki massa yang berbeda. Sinyal getaran yang dihasilkan dari perputaran poros direkam dan disimpan oleh smartphone. Kumpulan data time series tersebut diunggah ke Google Drive untuk diproses menggunakan Google Colaboratory dalam bahasa pemrograman Python. Setelah itu, kumpulan data dikonversi menjadi bentuk spectrogram dan dibagi menjadi 620 subjek (80%) untuk data training dan 156 subjek (20%) untuk data testing. Kumpulan data tersebut kemudian dilatih menggunakan Convolutional Neural Networks. Fast Fourier Transform berhasil digunakan untuk mentransformasikan sinyal getaran dan berhasil menampilkan bentuk sinyal yang tidak seimbang dalam amplitudo getaran terhadap frekuensi. Intensitas suara dan warna pada gambar spektogram dari sinyal getaran unbalance tidak merata. Proses pelatihan menghasilkan akurasi klasifikasi model sebesar 99,52% dari nilai sebenarnya. Evaluasi model juga menunjukkan hasil prediksi yang tepat untuk 10 sampel baru yang diuji. Kata Kunci: Artificial Intelligence, Fast Fourier Transform, Unbalance, Convolutional Neural Networks, Spectrogram.

Actions (login required)

View Item