Perpustakaan Digital ITB

Sistem deteksi anomali suara mesin merupakan sistem yang bertujuan untuk mendeteksi kerusakan pada mesin berdasarkan suara yang dihasilkan oleh mesin tersebut. Pada pembangunan sistem deteksi anomali suara mesin, metode pembelajaran unsupervised memiliki kelebihan terhadap metode pembelajaran supervised sebab tidak memerlukan data suara berkelas anomali pada proses pelatihan model yang lebih sulit diperoleh dibandingkan data berkelas normal. Akan tetapi, penggunaan model unsupervised tertentu seperti model autoencoder belum dapat memberikan kinerja akurasi yang baik pada sistem disebabkan keterbatasan model dalam menangani beberapa karakteristik suara mesin tertentu khususnya suara nonstasioner. Sedangkan, pada aspek fitur, penggunaan fitur log Mel spectrogram merupakan metode yang paling populer digunakan, tetapi akurasi klasifikasi yang dihasilkan belum optimal sebab fitur ini diekstraksi pada domain frekuensi dengan memanfaatkan STFT yang memiliki beberapa kelemahan. Oleh karena itu, pada tugas akhir ini diusulkan sistem deteksi anomali suara memanfaatkan fitur time domain Gammatone spectrogram yang diekstraksi pada domain waktu untuk meningkatkan presisi fitur. Fitur yang diekstraksi dimodelkan dengan memanfaatkan arsitektur model IDNN dengan 2 variasi, yaitu model AE-IDNN dan UNet-IDNN. Dalam hal ini, model IDNN digunakan sebab berpotensi meningkatkan kinerja akurasi khususnya pada mesin dengan karakteristik suara nonstasioner dan penggabungannya dengan model UNet berpotensi menghasilkan efek komplemen sebab keduanya memiliki kelebihannya masing-masing. Hasil pengujian menunjukkan kelebihan fitur time domain Gammatone spectrogram terhadap fitur log Mel spectrogram dengan perbedaan skor AUC sebesar 5,9% pada model UNet-IDNN. Selain itu, secara keseluruhan model IDNN berhasil meningkatkan kinerja model autoencoder sebesar 9% dan model UNet sebesar 6,6%. Pada model IDNN, model UNet-IDNN memberikan kinerja yang lebih baik dibandingkan model AE-IDNN sebesar 0,2%. Hasil hyperparameter tuning dari model menghasilkan skor AUC keseluruhan sebesar 92,5%.