UNKLABUNKLAB

CogITo Smart JournalCogITo Smart Journal

Penelitian ini bertujuan untuk mengurangi kesalahan manusia dalam pemilihan mesin untuk pemeliharaan prediktif menggunakan deep learning. Dataset yang digunakan dalam penelitian ini adalah data operasional mesin alat berat dari salah satu perusahaan kelapa sawit di Indonesia dengan 9 fitur independen dan 1 fitur dependen. Fitur dependen adalah fitur target yang berisi dua kelas target yang mewakili mesin yang efektif dan tidak efektif. Dataset dalam penelitian ini mengandung outlier, skala fitur yang sangat berbeda, dan kelas data tidak seimbang. Untuk menangani outlier dan menstandarisasi skala data, metode Z-score digunakan. Sementara itu, metode over sampling digunakan untuk menangani kelas data tidak seimbang. Untuk memperoleh kinerja model terbaik, jumlah epoch dan dua jenis optimizer (adam & adamax) dari neural network dipilih. Dalam memilih jumlah epoch, eksperimen dilakukan menggunakan 100 epoch. Penelitian ini memperoleh hubungan linearitas antara jumlah epoch dan akurasi dengan nilai akurasi menggunakan optimizer Adam dan Adamax adalah 94,82% dan 93,11% pada epoch ke-100.

Penelitian ini menunjukkan bahwa pendekatan deep learning dapat meningkatkan akurasi dalam mengklasifikasikan kondisi mesin alat berat.Hasil penelitian menunjukkan bahwa optimizer Adam memberikan kinerja yang lebih baik dibandingkan Adamax dalam dataset yang digunakan.Selain itu, penyesuaian hyperparameter seperti jumlah epoch memiliki dampak signifikan terhadap hasil akhir model.Oleh karena itu, pemilihan optimizer yang tepat dan penentuan jumlah epoch yang optimal sangat penting untuk meningkatkan kinerja model.

Berdasarkan hasil penelitian ini, terdapat beberapa saran penelitian lanjutan yang dapat dilakukan. Pertama, perlu dilakukan eksplorasi lebih lanjut terhadap jenis-jenis optimizer lain, seperti RMSprop dan Adagrad, untuk menguji efektivitasnya dalam meningkatkan kinerja model. Kedua, investigasi terhadap kombinasi hyperparameter yang lebih kompleks, termasuk learning rate schedules dan batch sizes, dapat memberikan wawasan lebih lanjut dalam mengoptimalkan model deep learning untuk klasifikasi efisiensi mesin. Ketiga, penelitian dapat difokuskan pada pengembangan model yang mampu mengintegrasikan data sensor dari mesin secara real-time untuk meningkatkan akurasi prediksi kegagalan mesin. Dengan demikian, perusahaan dapat melakukan pemeliharaan secara lebih proaktif dan mengurangi downtime yang tidak terduga, sehingga meningkatkan efisiensi operasional secara keseluruhan. Pengembangan model yang lebih adaptif terhadap perubahan kondisi operasional mesin juga menjadi fokus penting, sehingga model dapat memberikan rekomendasi pemeliharaan yang lebih akurat dan relevan.

  1. High performance of optimizers in deep learning for cloth patterns detection | Amelia Dewi | IAES International... doi.org/10.11591/ijai.v12.i3.pp1407-1418High performance of optimizers in deep learning for cloth patterns detection Amelia Dewi IAES International doi 10 11591 ijai v12 i3 pp1407 1418
  2. An analysis of predictive maintenance strategies in supply chain management. analysis predictive maintenance... doi.org/10.30574/ijsra.2022.6.1.0144An analysis of predictive maintenance strategies in supply chain management analysis predictive maintenance doi 10 30574 ijsra 2022 6 1 0144
  3. Pengembangan Aplikasi E-learning Berbasis Web Menggunakan Model Waterfall Pada SMK Strada 2 Jakarta |... ejurnal.umri.ac.id/index.php/JIK/article/view/1878Pengembangan Aplikasi E learning Berbasis Web Menggunakan Model Waterfall Pada SMK Strada 2 Jakarta ejurnal umri ac index php JIK article view 1878
  4. Mechanisation Technology for Small-Scale Oil Palm Plantations | Advances in Agricultural and Food Research... doi.org/10.36877/aafrj.a0000406Mechanisation Technology for Small Scale Oil Palm Plantations Advances in Agricultural and Food Research doi 10 36877 aafrj a0000406
Read online
File size571.31 KB
Pages13
DMCAReport

Related /

ads-block-test