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