Perpustakaan Digital ITB

Dalam desain kontrol modern, pengontrolan yang tepat dan handal sangat penting untuk memastikan kerja, efisiensi dan keamanan yang optimal dari sebuah sistem. Sensor memainkan peran penting dari sistem untuk memungkinkan algoritma pengontrol mengambil keputusan yang tepat. Sistem pendeteksian kesalahan merupakan salah satu komponen penting yang sepatutnya ada dalam design control modern. Tidak hanya pendeteksi, namun sistem pengklasifikasi kesalahan dibutuhkan untuk memudahkan proses diagnosis dan mitigasi yang dilakukan. Kesuksesan Convolutional neural network (CNN) dalam pengenalan pola dan deteksi objek, digunakan metode Gramian Angular Field untuk merepresentasikan data deret waktu menjadi gambar sebagai input CNN. Penelitian ini akan berfokus kepada perancangan sistem deteksi dan klasifikasi kesalahan menggunakan metode Deep Learning, yaitu menggunakan metode CNN, Tiled CNN dan Transfer Learning menggunakan model EfficientV2M. Kesalahan yang akan dideteksi merupakan incipient fault berupa bias dan drift. Sistem diharapkan dapat mengklasifikasikan data tersebut kedalam tiga kategori yaitu data normal, data bias dan data drift. Hasil dari penelitian ini didapatkan bahwa pendeteksi dan pengklasifikasi menggunakan masukan dua dimensi memiliki performa yang lebih baik dibandingkan menggunakan masukan berupa deret waktu. Metode CNN menghasilkan akurasi data tes sebesar 97.2% dan menggunakan metode Tiled CNN menghasilkan akurasi 97.08%, performa system menggunakan metode CNN dan Tiled CNN jauh lebih baih dibandingkan dengan performa system menggunakan ANN dengan masukan deret data yang memiliki akurasi 17%. Sementara sistem pendeteksi dan pengklasifikasi menggunakan transfer learning model EfficientV2M menghasilkan hasil yang paling memuaskan diantara metode yang lainnya dengan akurasi 99.05% untuk data tes, dengan rata-rata presisi sebesar 99%, recall 99% dan F-1 score 99%.