IDENTIFIKASI KERUSAKAN BEARING MENGGUNAKAN ANALISIS ALGORITMA BOOSTING

---

• Dipublikasikan pada 22 Oktober 2024

Abstrak

Komponen mesin yang memiliki peranan cukup penting dalam menopang beban sebuah poros agar dapat berputar secara halus dan aman adalah bearing. Komponen ini akan mereduksi besarnya gaya gesek yang ditimbulkan selama poros berputar. Dari peranan yang cukup penting ini, pemantauan kondisi bearing perlu dilakukan untuk mengidentifikasi sedini mungkin kerusakan yang terjadi. Penelitian ini menggunakan model machine learning dengan konsep ensemble learning yang menggunakan teknik boosting yaitu AdaBoost, XGBoost dan CatBoost untuk mengidentifikasi kerusakan pada bearing berdasarkan data sinyal getaran dari tiga kondisi bearing yaitu normal, outer race fault, dan inner race fault. Tujuan dari penelitian ini yaitu menentukan model machine learning yang paling efektif dalam mengidentifikasi kerusakan dari bearing. Model machine learning akan dilatih menggunakan data sinyal getaran yang sudah dilakukan ektraksi fitur dengan menggunakan 7 parameter statistik. Berdasarkan hasil penelitian, model CatBoost menunjukkan performa yang lebih baik dibandingkan model lainnya, model ini memiliki training accuracy sebesar 98.39%, testing accuracy sebesar 98.33%, precision sebesar 98.33%, recall sebesar 98.33%, f1-score sebesar 98.33%. Selain itu, CatBoost mampu melakukan generalisasi paling baik pada unseen data dengan rata-rata waktu eksekusi paling cepat yaitu 0.1729 detik. Dari penelitian ini menunjukkan bahwa model CatBoost paling efektif dalam mengidentifikasi kerusakan pada bearing berdasarkan data sinyal getaran. 

Kata kunci: Pemantauan Kondisi Bearing, Analisa Sinyal Getaran, AdaBoost, XGBoost, CatBoost