![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
Dokumen Asli
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Perkembangan pabrik berjalan seiring dengan semakin banyak dan kompleksnya
mesin. Pengawasan secara manual tidaklah efektif untuk situasi tersebut dan
mendorong pengawasan yang lebih terotomasi. Pengawasan secara terotomasi
membantu untuk mendeteksi malfungsi/anomali mesin pabrik secara lebih efektif.
Deteksi anomali ini banyak dilakukan melalui suara mesin karena suara dapat
didengar secara cepat dan memiliki rentang senstivitas yang besar dan dinamis.
Pada sistem deteksi anomali suara / anomaly sound detection (ASD) mesin,
banyak dilakukan menggunakan pendekatan unsupervised karena tidak
memerlukan data anomali, label yang sulit diperoleh, pada pelatihan. Selain itu,
banyak digunakan fitur-fitur yang beragam. Salah satu fitur baru dan prospektif
pada penelitian ASD adalah fitur timbre, tetapi belum pernah diuji dengan
pendekatan unsupervised. Selain itu, ditemukan potensi dari fitur terkait kelainan
suara manusia / human voice disorder (HVD) untuk digunakan pada ASD mesin.
Temuan tersebut mendorong pengujian kedua jenis fitur tersebut dengan
pendekatan unsupervised. Penelitian ini berfokus pada fitur yang diajukan dan
belum diketahui jenis model yang cocok untuk fitur tersebut. Hal ini mendorong
penggunaan berbagai model sederhana yaitu, shallow learning. Model yang
digunakan adalah one-class SVM, gaussian mixture, local outlier factor, dan
isolation forest. Jenis model-model ini juga bermanfaat untuk pengawasan secara
real-time.
Hasil pengujian menunjukkan fitur timbre dan fitur HVD terbukti efektif untuk
ASD mesin secara unsupervised, dengan rata-rata ROC AUC terbaik adalah 0.921
dan 0.912, menggunakan model gaussian mixture. Selain itu, ditemukan
kombinasi keduanya memberikan rata-rata ROC AUC yang lebih baik, yaitu
0.939. Didapatkan model yang memberikan hasil terbaik adalah model gaussian
mixture dan diikuti oleh local outlier factor. Penelitian ini memberikan kontribusi
dalam pengembangan metode deteksi anomali suara yang lebih efisien dan akurat.