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. ['eprint_fieldopt_thesis_type_ut' not defined] thesis, Fakultas Teknik.

[thumbnail of Thesis] 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

Item Type: Thesis (['eprint_fieldopt_thesis_type_ut' not defined])
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Engineering > Department of Electrical Engineering
Depositing User: 58 lili haryanti
Date Deposited: 19 Jun 2024 08:05
Last Modified: 19 Jun 2024 08:05
URI: https://repository.unib.ac.id/id/eprint/18434

Actions (login required)

View Item
View Item

slot gacor terbaik

slot gacor terpercaya

Situs Resmi Bisawd

slot gacor 4d

Slot Terpercaya

Slot Gacor bet 200