Perpustakaan Digital ITB

Electrical Submersible Pump (ESP) merupakan metode artificial lift yang banyak digunakan dalam industri produksi minyak. Kondisi operasi ESP umumnya dipantau melalui ammeter chart, yaitu grafik polar yang merekam perubahan arus motor terhadap waktu. Interpretasi ammeter chart secara manual bergantung pada pengalaman engineer sehingga rentan subjektif, memakan waktu, dan sulit dilakukan secara konsisten. Penelitian ini mengembangkan pendekatan deep learning berbasis Explainable Artificial Intelligence (XAI) untuk mengklasifikasikan citra ammeter chart ke dalam 15 kelas kondisi ESP serta memberikan penjelasan visual terhadap dasar prediksi model. Tantangan utama penelitian ini adalah acquisition gap, yaitu perbedaan distribusi antara citra digital bersih dan foto layar yang diambil menggunakan kamera ponsel di lapangan. Foto kamera dapat mengalami distorsi perspektif, perubahan pencahayaan, pantulan cahaya, blur, derau, dan artefak kompresi. Untuk mengatasi hal tersebut, dirancang strategi augmentasi akuisisi yang mensimulasikan degradasi geometris, fotometrik, dan sensor selama proses pelatihan. Empat arsitektur CNN dievaluasi, yaitu SmallCNN, MobileNetV3, ResNet-50, dan ConvNeXt-Tiny, dengan Grad-CAM dan LIME sebagai metode XAI. Hasil pengujian menunjukkan bahwa ConvNeXt- Tiny mencapai akurasi 100% dan macro-F1 1,000 pada citra bersih. Pada foto kamera nyata, augmentasi akuisisi meningkatkan performa secara signifikan, misalnya ResNet-50 meningkat dari 10,7% menjadi 89,3% berdasarkan uji McNemar dengan nilai p < 0,05, serta memperbaiki kalibrasi model dengan penurunan ECE dari 0,66 menjadi 0,07. ConvNeXt-Tiny menjadi model terbaik pada foto kamera dengan akurasi 93,3%. Visualisasi Grad-CAM dan LIME menunjukkan bahwa model berfokus pada area kurva arus yang relevan secara domain, bukan pada elemen latar seperti teks atau bingkai grafik. Sistem juga diwujudkan dalam prototipe aplikasi mobile berbasis iOS yang mengintegrasikan input citra, klasifikasi, dan visualisasi XAI secara end-to-end. Hasil ini menunjukkan bahwa pendekatan yang dikembangkan berpotensi menjadi sistem pendukung diagnosis ESP berbasis foto ponsel yang lebih andal dan transparan.