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

Penerapan industri 4.0 menjadi hal yang saat ini gencar dikembangkan. Salah satu komponen yang banyak dikaji adalah sistem pemeliharaan dengan metode prediktif. Metode ini terbukti dapat menghemat biaya pemeliharaan dan mengurangi kerugian akibat pemberhentian proses produksi secara mendadak. Terdapat beberapa teknik pemeliharaan prediktif, salah satunya adalah analisis vibrasi. Analisis vibrasi biasanya digunakan untuk mendiagnosis kondisi dari sebuah mesin rotasi dan menentukan letak kerusakan yang terjadi. Dalam pengembangannya, beberapa metode dikembangkan dalam proses analisis vibrasi dari sebuah mesin rotari, diantaranya analisis domain waktu, analisis koefisien wavelet, dan analisis spektrum frekuensi. Analisis domain waktu dan analisis koefisien wavelet cukup gencar dikembangkan, namun masih mempunyai beberapa kekurangan dan saat ini belum efektif jika digunakan pada aplikasi praktis. Salah satu metode yang sudah digunakan sangat luas dan terbukti akurat dalam menentukan kerusakan dari sebuah mesin rotari adalah analisis spektrum frekuensi. Fast Fourier Transform (FFT) merupakan algoritma yang sering digunakan untuk mendekomposisi frekuensi-frekuensi yang muncul dari sebuah vibrasi. Namun demikian, FFT memiliki beberapa kekurangan, diantaranya adalah kebocoran frekuensi dan juga pergeseran frekuensi akibat kesalahan pengukuran yang dapat menyebabkan kesalahan klasifikasi dalam proses deteksi kerusakan pada mesin rotari. Kebocoran frekuensi mengakibatkan amplitudo dari sebuah frekuensi lebih kecil dibandingkan nilai sebenarnya dan pergeseran frekuensi menyebabkan kesalahan pembacaan amplitudo pada proses ekstraksi fitur. Oleh karena itu, pada karya tulis ini dilakukan analisis vibrasi dengan perspektif yang sama dengan analisis spektrum, namun dengan pendekatan yang sedikit berbeda. Secara umum, proses yang dilakukan adalah dengan melakukan filter dengan rentang frekuensi tertentu pada frekuensi fundamental dan harmonisa. Selanjutnya dilakukan perhitungan nilai Root Mean Square (RMS) dari masing-masing subsinyal hasil filter dan dilakukan normalisasi untuk mendapatkan aproksimasi dari nilai amplitudo sebenarnya. Metode ini kemudian disebut sebagai metode FiltRA (Filtering and RMS Approximation). Nilai-nilai yang diperoleh kemudian digunakan sebagai input untuk proses pemelajaran mesin. ii Proses analisis vibrasi yang dilakukan pada karya tulis ini dibagi menjadi dua bagian, yaitu analisis vibrasi frekuensi rendah dan analisis vibrasi frekuensi tinggi. pada analisis vibrasi frekuensi rendah, kerusakan yang diamati adalah ketidakseimbangan, ketidaksejajaran, dan kelonggaran mekanikal. Kemudian, pada analisis vibrasi frekuensi tinggi, kerusakan yang diamati adalah kerusakan bantalan gelinding, yang terdiri dari kerusakan outer race, inner race, roller, dan cage. Pembagian ini dilakukan dengan alasan bahwa pada banyak kasus, kerusakan pada elemen frekuensi tinggi tertutup oleh kerusakan pada elemen frekuensi rendah. Oleh sebab itu, dengan adanya pembagian tersebut, diharapkan kerusakan pada frekuensi rendah dan frekuensi tinggi masing-masing dapat diketahui dengan jelas. Dalam proses klasifikasi, analisis frekuensi rendah menghasilkan keluaran berupa kerusakan dominan. Sedangkan analisis frekuensi tinggi dapat menghasilkan keluaran berupa kerusakan yang muncul secara bersamaan. Hal ini dapat dilakukan karena pada analisis frekuensi tinggi, frekuensi kerusakan muncul pada nilai yang berbeda. Namun, pada analisis frekuensi rendah, nilai frekuensi yang digunakan bernilai sama sehingga cukup sulit untuk mengekstraksi kerusakan yang terjadi bersamaan. Sistem klasifikasi yang digunakan, baik pada frekuensi rendah dan frekuensi tinggi terdiri dari tiga algoritma klasifikasi, yaitu Multi Level Perceptron (MLP), K-Nearest Neighbor (KNN), dan Random Forest (RF). Setelah dilakukan proses latihan dan dilanjutkan dengan pengujian, diperoleh bahwa algoritma RF mempunyai performa terbaik dengan akurasi 99,66% dengan waktu komputasi sebesar 0,044 ms untuk memerediksi sebuah data vibrasi dengan domain kerusakan frekuensi rendah. Hasil yang sama juga diperoleh pada analisis vibrasi untuk kerusakan bantalan gelinding, diperoleh bahwa algoritma RF mempunyai akurasi hingga 100% dengan waktu komputasi per data tes sebesar 0,052 ms. Namun demikian, pada jenis kerusakan bantalan gelinding, seluruh algoritma klasifikasi yang digunakan dapat menghasilkan akurasi hingga 100% karena perbedaan antara kelas kerusakan dan kondisi normal sudah terlihat dengan jelas