Perpustakaan Digital ITB

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.