KLASIFIKASI KERUSAKAN BANTALAN (ROLLING BEARING) DENGAN MENGGUNAKAN METODE DEEP LEARNING: CNN VS TRANSFORMER

NANDA, SUBEKTI and Novalio, Daratha and Alex, Surapati (2023) KLASIFIKASI KERUSAKAN BANTALAN (ROLLING BEARING) DENGAN MENGGUNAKAN METODE DEEP LEARNING: CNN VS TRANSFORMER. Undergraduated thesis, Fakultas Teknik.

Archive (Thesis) Skripsi Nanda Subekti - Nanda Subekti.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons GNU GPL (Software). Download (7MB)

Abstract

Bantalan merupakan salah satu komponen yang banyak digunakan pada mesin-mesin industri dengan sistem putar (rotary machine). Kerusakan pada bantalan dapat menyebabkan kerugian yang besar sehingga diperlukan analisis kerusakan bantalan. Namun, dalam analisis bantalan diperlukan pakar sehingga memerlukan kesediaan pakar, waktu, dan persiapan yang rumit. Penelitian ini menggunakan metode deep learning dengan algoritma Transformer dan CNN untuk memprediksi kesalahan bantalan. Masukan berupa dataset yang berisi berbagai jenis kesalahan bantalan akan digunakan dan model-model tersebut akan masuk pada tahap pengolahan data yang akan dilatih, diuji, dan divalidasi untuk melihat performa terbaik. Keluaran kedua model akan dibandingkan dari nilai akurasi, waktu proses komputasi, presisi, dll. Dalam eksperimen ini, CNN dapat mencapai nilai akurasi 99% dengan loss sebesar 0,05 dan waktu komputasi 15 epoch 20 detik. Sementara model transformer berhasil mencapai akurasi sebesar 96,14% dengan loss sebesar 0,17. Waktu training yang dibutuhkan adalah 90 epoch selama 129 menit yang didapat dari hasil uji coba dengan variasi terbaik. Hasil eksperimen ini menunjukkan bahwa CNN mengungguli Transformer. Implikasi dari penelitian ini adalah penggunaan transformer dapat menjadi alternatif yang menjanjikan dalam memproses dan mengklasifikasikan data time series untuk deteksi kerusakan bantalan. Kata kunci: Algoritma CNN, Algoritma Transformer, Bearing Fault Diagnosis, Deep learning

Actions (login required)

View Item