Publisher

UMBUMB

Journal Jurnal Ilmiah FIFOJurnal Ilmiah FIFO Abstract

Penelitian ini bertujuan untuk mengembangkan model Neural Network untuk memprediksi kegagalan mesin berdasarkan parameter operasional. Pemeliharaan prediktif telah menjadi penting dalam meningkatkan kinerja dan keandalan mesin dengan memprediksi potensi kegagalan dan memungkinkan tindakan pemeliharaan preventif. Studi ini menggunakan berbagai teknik preprocessing, termasuk pengkodean data kategorikal, normalisasi, dan oversampling acak, untuk meningkatkan kualitas data dan kinerja model. Model Neural Network, yang terdiri dari beberapa lapisan tersembunyi dengan fungsi aktivasi ReLU dan lapisan output sigmoid, dilatih menggunakan algoritma optimisasi Adam dan fungsi loss binary cross-entropy. Hyperparameter seperti jumlah epoch, learning rate, batch size, dan dropout rate dioptimalkan untuk meningkatkan kinerja model. Model ini mencapai akurasi tinggi sebesar 97,8%, precision sebesar 96,9%, recall sebesar 97,8%, dan F1-score sebesar 97,3%, menunjukkan kemampuannya untuk mengenali pola kompleks dalam data operasional mesin. Analisis komparatif dengan model lain seperti k-Nearest Neighbor (k-NN), Logistic Regression, dan Support Vector Machine (SVM) menunjukkan bahwa Neural Network memiliki kinerja yang unggul. Selain itu, teknik Ensemble Learning yang menggabungkan SVM dan Logistic Regression sebagai base learners dan Neural Network sebagai meta-learner, menunjukkan peningkatan akurasi prediksi. Metrik evaluasi seperti presisi, recall, dan F1-score memberikan penilaian komprehensif tentang kinerja model. Analisis confusion matrix mengungkapkan area yang memerlukan perbaikan dalam menangani kelas minoritas. Secara keseluruhan, studi ini menyimpulkan bahwa Neural Network sangat efektif untuk aplikasi pemeliharaan prediktif, memberikan prediksi yang akurat dan andal yang meningkatkan efisiensi operasional dan mengurangi biaya pemeliharaan. Penelitian di masa depan akan fokus pada peningkatan kinerja model untuk kelas minoritas dan validasi model pada kondisi operasional yang lebih beragam.

Conclusion

Penelitian ini mengembangkan model Neural Network untuk prediksi kegagalan mesin berbasis parameter operasional dan menunjukkan kinerja yang sangat baik dengan akurasi mencapai 97,8%.Hasil ini menegaskan kemampuan Neural Network dalam menangkap pola non-linear dan kompleks yang sulit diidentifikasi oleh metode konvensional.Penerapan teknik prapemrosesan, seperti pengkodean data kategorikal, normalisasi, dan random oversampling, terbukti efektif dalam meningkatkan kualitas data serta kinerja model, khususnya pada kondisi dataset yang tidak seimbang.Selain itu, hasil evaluasi menunjukkan bahwa Neural Network memiliki performa yang lebih unggul dibandingkan metode pembanding seperti k-Nearest Neighbor, Logistic Regression, dan Support Vector Machine dalam hal akurasi dan kemampuan generalisasi.Kontribusi utama penelitian ini terletak pada penerapan pendekatan ensemble learning yang mengombinasikan SVM dan Logistic Regression sebagai base learners dengan Neural Network sebagai meta-learner, yang terbukti meningkatkan kinerja prediksi secara signifikan.Temuan ini memperkuat bukti empiris bahwa integrasi beberapa model mampu menghasilkan prediksi yang lebih robust pada data operasional mesin yang kompleks.Secara ilmiah, penelitian ini memberikan kontribusi dalam pengembangan metode pemeliharaan prediktif berbasis pembelajaran mesin, khususnya dalam meningkatkan akurasi dan keandalan model pada kondisi data tidak seimbang, serta menunjukkan pentingnya optimasi prapemrosesan dan strategi pemodelan dalam meningkatkan performa klasifikasi kegagalan mesin.

Future Research

Berdasarkan hasil penelitian ini, berikut adalah beberapa saran untuk penelitian lanjutan:. . 1. Peningkatan kinerja model untuk kelas minoritas: Meskipun model Neural Network menunjukkan kinerja yang unggul secara keseluruhan, masih ada kelas kegagalan dengan presisi dan recall yang lebih rendah. Penelitian di masa depan dapat fokus pada pengembangan teknik-teknik khusus untuk meningkatkan kinerja model dalam menangani kelas-kelas minoritas ini. Hal ini dapat mencakup penggunaan teknik-teknik seperti SMOTE atau Borderline-SMOTE untuk penyeimbangan data yang lebih efektif.. . 2. Validasi model pada kondisi operasional yang lebih beragam: Penelitian ini dilakukan pada dataset operasional mesin yang spesifik. Untuk meningkatkan keandalan dan generalisasi model, penelitian di masa depan dapat mengeksplorasi validasi model pada kondisi operasional yang lebih beragam, termasuk berbagai jenis mesin, kondisi lingkungan yang berbeda, dan skenario kegagalan yang lebih kompleks.. . 3. Integrasi teknik-teknik tambahan: Penelitian ini telah menunjukkan keunggulan Neural Network dalam aplikasi pemeliharaan prediktif. Namun, masih ada ruang untuk pengembangan lebih lanjut. Penelitian di masa depan dapat mengeksplorasi integrasi teknik-teknik tambahan, seperti teknik-teknik pengolahan sinyal atau teknik-teknik pengolahan data yang lebih canggih, untuk meningkatkan kinerja model dan kemampuan dalam menangani data yang lebih kompleks.. . Dengan menggabungkan teknik-teknik ini, penelitian di masa depan dapat meningkatkan keandalan dan efisiensi operasional industri secara lebih menyeluruh, serta memberikan kontribusi yang signifikan dalam pengembangan metode pemeliharaan prediktif berbasis pembelajaran mesin.

References

1. Implementasi Model Neural Network untuk Prediksi Maintenance Mesin Berdasarkan Parameter Operasional... publikasi.mercubuana.ac.id/index.php/fifo/article/view/38181Implementasi Model Neural Network untuk Prediksi Maintenance Mesin Berdasarkan Parameter Operasional publikasi mercubuana ac index php fifo article view 38181

Metadata

File size	412.41 KB
Pages	13
DMCA	Report