PENERAPAN SELEKSI FITUR RELIEFF DAN MODEL CONVOLUTION NEURAL NETWORK DALAM DIAGNOSIS MISALIGNMENT PADA KOPLING FLEKSIBEL BERBASIS SINYAL GETARAN
Penulis Utama
:
Kalvin Alwi
NIM / NIP
:
I0421083
×<p>Misalignment pada kopling fleksibel merupakan salah satu penyebab utama kerusakan pada sistem transmisi mesin berputar. Untuk mendiagnosis kondisi ini secara dini dan akurat, penelitian ini mengusulkan penerapan metode Convolutional Neural Network (CNN) yang dikombinasikan dengan algoritma seleksi fitur ReliefF berbasis sinyal getaran. Data getaran dikumpulkan dari simulator kerusakan mesin dengan variasi tingkat keparahan angular dan parallel misalignment pada kecepatan 500 rpm, 1000 rpm, dan 1500 rpm. Ekstraksi fitur dilakukan dalam domain waktu dan frekuensi, kemudian dilakukan seleksi fitur menggunakan algoritma ReliefF untuk mengidentifikasi fitur statistik paling relevan. Hasil penelitian menunjukkan bahwa kombinasi seleksi fitur ReliefF dan CNN mampu meningkatkan akurasi diagnosis kerusakan dengan akurasi klasifikasi mencapai lebih dari 95% pada berbagai kondisi misalignment. Pendekatan ini terbukti efektif dalam menyederhanakan dimensi data dan meningkatkan performa model klasifikasi berbasis sinyal getaran.Misalignment pada kopling fleksibel merupakan salah satu penyebab utama kerusakan pada sistem transmisi mesin berputar. Untuk mendiagnosis kondisi ini secara dini dan akurat, penelitian ini mengusulkan penerapan metode Convolutional Neural Network (CNN) yang dikombinasikan dengan algoritma seleksi fitur ReliefF berbasis sinyal getaran. Data getaran dikumpulkan dari simulator kerusakan mesin dengan variasi tingkat keparahan angular dan parallel misalignment pada kecepatan 500 rpm, 1000 rpm, dan 1500 rpm. Ekstraksi fitur dilakukan dalam domain waktu dan frekuensi, kemudian dilakukan seleksi fitur menggunakan algoritma ReliefF untuk mengidentifikasi fitur statistik paling relevan. Hasil penelitian menunjukkan bahwa kombinasi seleksi fitur ReliefF dan CNN mampu meningkatkan akurasi diagnosis kerusakan dengan akurasi klasifikasi mencapai lebih dari 95% pada berbagai kondisi misalignment. Pendekatan ini terbukti efektif dalam menyederhanakan dimensi data dan meningkatkan performa model klasifikasi berbasis sinyal getaran.</p>
×
Penulis Utama
:
Kalvin Alwi
Penulis Tambahan
:
-
NIM / NIP
:
I0421083
Tahun
:
2025
Judul
:
PENERAPAN SELEKSI FITUR RELIEFF DAN MODEL CONVOLUTION NEURAL NETWORK DALAM DIAGNOSIS MISALIGNMENT PADA KOPLING FLEKSIBEL BERBASIS SINYAL GETARAN
