digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Nicolas Bungaran
PUBLIC Alice Diniarti

COVER Nicolas Bungaran
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 1 Nicolas Bungaran
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 2 Nicolas Bungaran
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 3 Nicolas Bungaran
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 4 Nicolas Bungaran
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 5 Nicolas Bungaran
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

PUSTAKA Nicolas Bungaran
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

Kompresor torak adalah salah satu mesin yang lazim digunakan dalam berbagai industri untuk menghasilkan udara bertekanan dengan cara menghisap dan memampatkan udara tersebut dengan gerak bolak-balik torak. Salah satu kegiatan krusial dalam operasi kompresor torak ini adalah perawatan prediktif dengan metode pemantauan kondisi. Proses perawatan ini menggunakan masukan berupa data yang diambil dari proses pengukuran yang tidak merusak seperti pengukuran vibrasi sehingga tidak menyebabkan waktu henti pada mesin Salah satu disiplin ilmu yang berkembang di era komputasi ini adalah metode kecerdasan buatan. Model kecerdasan buatan yang cukup umum ditemui hingga saat ini adalah model Jaringan Saraf Tiruan (JST). Metode ini meniru cara kerja sistem saraf di otak manusia untuk memodelkan hubungan antara data-data yang ada dan menemukan pola-pola tertentu pada data. Metode Jaringan Saraf Tiruan ini dapat meningkatkan keandalan diagnostik data dan juga kecepatan diagnostik data. Salah satu algoritma Jaringan Saraf tiruan yang lazim digunakan adalah model propagasi balik. Hasil tugas sarjana ini berupa program Jaringan Saraf Tiruan model propagasi balik yang dapat memprediksi kerusakan pada kompresor torak berdasarkan simtom yang ditemukan dari proses pengukuran vibrasi. Hasil pengujian menunjukkan bahwa program Jaringan Saraf Tiruan yang dibuat dengan pelatihan Bayesian Regularization dan jumlah iterasi sebesar 22 kali berhasil memprediksi data masukan berupa data vibrasi secara akurat dengan akurasi sebesar 95,31% untuk 200 data yang diujikan.