Perpustakaan Digital ITB

Sinyal getaran hasil pengukuran umumnya mengandung sinyal pengganggu. Sinyal pengganggu dapat menurunkan keakuratan dalam proses penyeimbangan mesin rotasi. Salah satu metode untuk mereduksi efek dari sinyal pengganggu yang tidak sinkron dengan sinyal referensi adalah Metode Time Synchronous Averaging (TSA). Sayangnya, kemampuan Metode TSA dalam mereduksi sinyal pengganggu sebanding dengan jumlah perata-rataan. Makin banyak jumlah perata-rataan, makin bagus kemampuan Metode TSA dalam mereduksi sinyal pengganggu. Hal ini berarti dibutuhkan jumlah perata-rataan yang banyak agar sinyal pengganggu tereduksi dengan bagus. Akibatnya, dibutuhkan data pengukuran yang banyak yang mengakibatkan pengukuran sinyal getaran membutuhkan waktu yang lama dan memori penyimpanan data yang besar. Sementara itu, Metode Machine Learning (ML) merupakan metode yang telah banyak diaplikasikan pada berbagai bidang, salah satunya pada bidang perawatan mesin karena metode ini memiliki kemampuan belajar sendiri dari kumpulan data statistik. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan Metode TSA yang dilengkapi dengan Metode ML untuk meminimalkan jumlah perata-rataan. Metode ini selanjutnya diterapkan pada kasus getaran akibat massa tak seimbang dari sistem poros rotor dua tingkat. Penelitian diawali dengan mengimpor data pengukuran yang terdiri dari sinyal getaran dan sinyal keyphasor dari penelitian Sumartoyo. Data pengukuran direkam dari getaran sistem akibat massa tak seimbang pada sistem poros rotor dua tingkat. Data pengukuran selanjutnya diolah menggunakan Metode TSA. Sinyal getaran hasil Metode TSA kemudian dipartisi menjadi dua kumpulan data, yaitu kumpulan data pelatihan dan kumpulan data pengujian. Kumpulan data pelatihan digunakan pada tahap pelatihan Metode ML untuk mendapatkan Model Metode ML. Metode ML yang digunakan adalah Metode Regresi, sedangkan algoritma Metode Regresi yang digunakan adalah Decision Tree (DT), Support Vector Machine (SVM), dan Random Forest (RF). Selanjutnya, Model Metode ML yang telah diperoleh diuji dengan kumpulan data pengujian untuk mengetahui apakah metode ini telah berhasil meminimalkan jumlah perata-rataan. Hasil pelatihan Metode ML menunjukkan bahwa ketiga algoritma memberikan nilai Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE) kurang dari 1. Hal ini menunjukkan bahwa nilai respons prediksi mendekati nilai respons sebenarnya. Namun, hasil pengujian Metode ML menunjukkan bahwa nilai RMSE dan MAE lebih besar dibandingkan dengan hasil pelatihan. Hal ini disebabkan oleh proses pengujian yang dilakukan merupakan proses ekstrapolasi. Selanjutnya, hasil prediksi menggunakan Metode ML digunakan untuk membuat sinyal getaran perata-rataan 400 kali. Sinyal getaran perata-rataan 400 kali hasil konstruksi mendekati sinyal getaran hasil Metode TSA perata-rataan 400 kali dengan baik.