Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti...

16
1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti Aisyah, MT) Jurusan Teknik Fisika – Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih – Sukolilo, Surabaya 60111 Abstrak Getaran yang ditimbulkan oleh motor berakibat pada kinerja seiring dengan waktu pemakaian motor tersebut. Agar tidak terjadi kerusakan dini akibat pemakaian secara terus-menerus perlu dilakukan identifikasi kerusakan. Salah satu metode yang digunakan adalah melalui pola sinyal suara yang ditimbulkan oleh motor. Pada penelitian ini dilakukan identifikasi terhadap 2 kondisi suara yaitu, normal dan unbalance. Kedua data tersebut direkam dan disimpan dalam format wave (data dalam domain waktu) yang selanjutnya akan ditranformasikan ke domain frekuensi melaui algoritma PSD. Hasil transformasi berupa ekstrasi fitur frekuensi dasar, frekuensi harmonik ke-2 dan frekuensi harmonik ke-3 yang akan dijadikan sebagai input untuk identifikasi dengan menggunakan ANFIS dari hasil simulasi. Struktur ANFIS ini terdiri dari 4 lapisan dengan 3 input, 36 aturan fuzzy dan 1 output. Simulasi didapatkan bahwa untuk identifikasi kerusakan mesin berputar berdasarkan sinyal suara menghasilkan RMS eror training sebesar 2.2 x 10 -5 . Kata kunci : Getaran, suara, normal, unbalance, PSD, ANFIS. I. Pendahuluan Motor merupakan salah satu komponen yang sering dipakai di industri maupun di peralatan rumah tangga sehingga menjadi komponen penting yang perlu diperhatikan. Setiap mesin rotasi (motor) pasti mengalami getaran. Seiring dengan waktu pemakaian, mesin akan mengalami penurunan performansi atau kinerja. Penurunan itu menunjukkan adanya ketidaknormalan atau kerusakan pada mesin jika dibandingkan pada saat kondisi awal pembelian. Gejala ketidaknormalan atau kerusakan dapat diidentifikasi dengan meng- analisa getaran mesin dengan membandingkan getaran pada kondisi normal dengan kondisi setelah pemakaian. Dengan analisa getaran dapat diketahui jenis-jenis kerusakan yang terjadi pada mesin tersebut. Perubahan getaran mesin tersebut akan mengakibatkan perubahan pola suara yang diemisikan mesin. Suara motor merupakan karakteristik penting yang mengindikasikan kondisi suatu motor di samping karakteristik getaran dan listrik (arus dan tegangan). Penyimpangan pada suara motor dari kondisi normal kemungkian tinggi menyatakan adanya kerusakan pada motor. Suara yang diemisikan oleh mesin rotasi pada berbagai macam kasus merefleksikan kondisi suatu mesin itu sendiri. Manfaat penting dari penggunaan suara sebagai dasar untuk deteksi kerusakan adalah kemudahan instalasi dan monitoring. . Saat ini terdapat berbagai macam metode pengenalan suara. Sebagain besar berdasarkan pada pemrosesan data yang pada umumnya pola pengenalan atau identifikasi didasarkan dari informasi karakteristik dari spektrum FFT atau dengan kata lain melalui pengamatan visual. Ada juga yang menambahkan logika fuzzy sebagai algoritma klasifikasinya dan ada juga yang menambahkan jaringan syaraf tiruan sebagai algoritma klasifikasinya. Pada penelitian ini memperkenalkan metode Adaptive Neuro Fuzzy Inference Syetem (ANFIS) sebagai sebagai algoritma klasifika- sinya. Jaringan syaraf tiruan dapat mempelajari data input sinyal suara dari beberapa kondisi kerusakan dan dapat membangun sistem identifikasi yang sangat baik dengan akurasi tinggi. Sedangkan logika fuzzy memiliki kemampuan dalam menirukan pengambilan keputusan seperti halnya pada manusia (melalui pengamatan visual). Dengan demikian, pemanfaatkan kedua kelebihan- kelebihan dari metode itu digunakan metode Adaptive Neuro Fuzzy Inference Syetem (ANFIS) yang merupakan gabungan dari kedua metode tersebut. Diharapkan dengan penerepan metode ini dapat meningkatkan identifikasi mesin dan dapat dijadikan tool yang efisien untuk mendeteksi kerusakan pada mesin dengan akurasi tinggi.

Transcript of Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti...

Page 1: Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti ...digilib.its.ac.id/public/ITS-Undergraduate-13029-Paper.pdf1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA

1

IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARADENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM

(Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti Aisyah, MT)

Jurusan Teknik Fisika – Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember

Kampus ITS, Keputih – Sukolilo, Surabaya 60111

Abstrak Getaran yang ditimbulkan oleh motor berakibat pada kinerja seiring dengan waktu pemakaian

motor tersebut. Agar tidak terjadi kerusakan dini akibat pemakaian secara terus-menerus perlu dilakukan identifikasi kerusakan. Salah satu metode yang digunakan adalah melalui pola sinyal suara yang ditimbulkan oleh motor. Pada penelitian ini dilakukan identifikasi terhadap 2 kondisi suara yaitu, normal dan unbalance. Kedua data tersebut direkam dan disimpan dalam format wave (data dalam domain waktu) yang selanjutnya akan ditranformasikan ke domain frekuensi melaui algoritma PSD. Hasil transformasi berupa ekstrasi fitur frekuensi dasar, frekuensi harmonik ke-2 dan frekuensi harmonik ke-3 yang akan dijadikan sebagai input untuk identifikasi dengan menggunakan ANFIS dari hasil simulasi. Struktur ANFIS ini terdiri dari 4 lapisan dengan 3 input, 36 aturan fuzzy dan 1 output. Simulasi didapatkan bahwa untuk identifikasi kerusakan mesin berputar berdasarkan sinyal suara menghasilkan RMS eror training sebesar 2.2 x 10-5.

Kata kunci : Getaran, suara, normal, unbalance, PSD, ANFIS.

I. PendahuluanMotor merupakan salah satu komponen

yang sering dipakai di industri maupun di peralatan rumah tangga sehingga menjadi komponen penting yang perlu diperhatikan. Setiap mesin rotasi (motor) pasti mengalami getaran. Seiring dengan waktu pemakaian, mesin akan mengalami penurunan performansi atau kinerja. Penurunan itu menunjukkan adanya ketidaknormalan atau kerusakan pada mesin jika dibandingkan pada saat kondisi awal pembelian. Gejala ketidaknormalan atau kerusakan dapat diidentifikasi dengan meng-analisa getaran mesin dengan membandingkan getaran pada kondisi normal dengan kondisi setelah pemakaian. Dengan analisa getaran dapat diketahui jenis-jenis kerusakan yang terjadi pada mesin tersebut. Perubahan getaran mesin tersebut akan mengakibatkan perubahan pola suara yang diemisikan mesin. Suara motor merupakan karakteristik penting yang mengindikasikan kondisi suatu motor di samping karakteristik getaran dan listrik (arusdan tegangan). Penyimpangan pada suara motor dari kondisi normal kemungkian tinggi menyatakan adanya kerusakan pada motor. Suara yang diemisikan oleh mesin rotasi pada berbagai macam kasus merefleksikan kondisi suatu mesin itu sendiri. Manfaat penting dari penggunaan suara sebagai dasar untuk deteksi kerusakan adalah kemudahan instalasi dan monitoring..

Saat ini terdapat berbagai macam metode pengenalan suara. Sebagain besar berdasarkan pada pemrosesan data yang pada umumnya pola pengenalan atau identifikasi didasarkan dari informasi karakteristik dari spektrum FFTatau dengan kata lain melalui pengamatan visual. Ada juga yang menambahkan logikafuzzy sebagai algoritma klasifikasinya dan ada juga yang menambahkan jaringan syaraf tiruan sebagai algoritma klasifikasinya. Pada penelitian ini memperkenalkan metode Adaptive Neuro Fuzzy Inference Syetem(ANFIS) sebagai sebagai algoritma klasifika-sinya.

Jaringan syaraf tiruan dapat mempelajari data input sinyal suara dari beberapa kondisi kerusakan dan dapat membangun sistem identifikasi yang sangat baik dengan akurasi tinggi. Sedangkan logika fuzzy memiliki kemampuan dalam menirukan pengambilan keputusan seperti halnya pada manusia (melalui pengamatan visual). Dengan demikian, pemanfaatkan kedua kelebihan-kelebihan dari metode itu digunakan metode Adaptive Neuro Fuzzy Inference Syetem(ANFIS) yang merupakan gabungan dari kedua metode tersebut. Diharapkan dengan penerepan metode ini dapat meningkatkan identifikasi mesin dan dapat dijadikan toolyang efisien untuk mendeteksi kerusakan pada mesin dengan akurasi tinggi.

Page 2: Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti ...digilib.its.ac.id/public/ITS-Undergraduate-13029-Paper.pdf1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA

2

II. Teori Penunjang2.1. Mesin Berputar

Mesin berputar merupakan suatu mesin yang berfungsi mengubah energi listrik menjadi energi mekanik berupa putaran. Mekanisme pada mesin berputar, yaitu arus listrik dalam medan magnet akan memberikan gaya. Kawat yang membawa arus dibengkokkan menjadi sebuah lingkaran/loop,maka kedua sisi loop, yaitu pada sudut kanan medan magnet akan mendapatkan gaya pada arah yang berlawanan. Sehingga pasangan gaya tersebut menghasilkan tenaga putar/torque untuk memutar kumparan (rotor)[22].

Gambar 1 Proses Konversi Energi yang terjadi pada Mesin Berputar[22]

Proses ini terjadi pada batas udara antara stator (bagian yang diam) dengan rotor (bagian yang berputar). Pada rotor terdapat shaft yang berfungsi untuk meneruskan energi mekanik ke luar. Jenis-jenis mesin berputar yang sering digunakan diantaranya fan/kipas, blower, pompa, turbin, dan motor.

Gambar 2 Bagian-Bagian Mesin Berputar(Motor)[23]

2.2 Getaran dan Suara

Bunyi atau suara adalah kompresi mekanikal atau gelombang longitudinal yang merambat melalui medium pada kecepatan yang tergantung pada suhu. Medium atau zat perantara ini dapat berupa zat cair, padat, gas.

Suara dihasilkan ketika sebuah objek bergetar[31,36]. Ketika sebuah objek bergetar, molekul udara di sekitar objek juga bergetar. Objek yang bergetar (selama mereka tidak berada dalam ruang hampa) menghasilkan suara. Suara berjalan pada tingkat yang

berbeda dalam media yang berbeda. Pada udara kering, suara berjalan pada 331,6 m/detik pada 0oC.

Setiap molekul bergerak maju-mundur pada jarak kecil, tetapi cukup untuk menyebabkan partikel-partikel udara untuk saling bertabrakan. Hal ini menciptakandaerah dimana terdapat banyak molekul yang berdekatan (memampat) dan daerah-daerah di mana molekul tersebar berjauhan(merenggang). Pemampatan dan perenggangan ini bergerak ke luar menjauhi sumber suara dalam suatu bentuk lingkaran. Sebuah gelombang suara terbentuk ketika ada perubahan tekanan (gelombang bergerak melalui udara)[34].

Gambar 3 Pembangkitan Gelombang Suara[36]

Pada awalnya komponen mesin dapat bergetar dikarenakan adanya gesekan antara 2 atau lebih komponen mesin pada saat mesin sedang berputar. Getaran mesin kemudian dipropagasikan melalui komponen-komponen mesin, kemudian baru keluar dari bodi mesin sehingga menimbulkan suara. Kerusakan pada mesin yang semakin parah akan menyebabkan bunyi yang khas dan semakin lama semakin keras. Deteksi kerusakan dapat dilakukan karena perbedaan kerusakan akan menyebabkan perbedaan getaran dan perbedaan getaran pada akhirnya akan menimbulkan perbedaan suara yang keluar dari mesin. Perbedaan kerusakan juga akan menimbulkan bunyi yang berbeda-beda tergantung pada jenis kerusakan mesin[32].

2.3 Kerusakan pada Mesin BerputarAda beberapa jenis kerusakan yang

biasanya terjadi pada mesin berputar, diantaranya : Unbalance, Misaligment, Bent Shaft, Looseness, Bearing Defects, Gear Defects, Eccentricity, dll. Namun Dalam penelitian ini jenis kerusakan yang akan diidentifikasi adalah Unbalance.

Page 3: Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti ...digilib.its.ac.id/public/ITS-Undergraduate-13029-Paper.pdf1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA

3

2.3.1. Balance (Normal)Balancing merupakan suatu cara untuk

mengurangi getaran dan beban bearing untuk meningkatkan performansi dan reliabilitinya. Pada keaadan inilah suatu mesin dikatakan normal (balance). Balancing juga bisa diartikan koreksi dari masalah manufacturingkarena tidak ada proses atau bahan manufakturing yang sempurna.

Balancing mengurangi getaran karena getaran dapat menyebabkan bagian suatu mesin menjadi longgar, menghasilkan bising, memberikan persepsi kualitas rendah dan mungkin berbahaya bagi kesehatan pada alat yang dipakai secara langsung dengan tangan. Balancing juga mengurangi beban pada bearing karena umur bearing sebanding dengan beban dan kecepatan[23].

2.3.2. UnbalanceUnbalance merupakan jenis kerusakan

mesin yang paling umum terjadi pada rotor dan mudah untuk dideteksi sekaligus diperbaiki. ISO mendifinisikan unbalancesebagai kondisi yang terdapat pada rotor ketika ada getaran, gaya atau gerakan yang diteruskan ke bearing sebagai hasil dari gaya centrifugal. Bisa juga didefinisikan sebagai ketidak- seimbangan distribusi massa di sekitar centerline (garis tengah) rotasi rotor.

Gambar 4 Salah Satu Jenis Unbalance, yaituStatic Unbalnce[18]

Terdapat empat jenis unbalance yaitu, static, couple, quasi-static dan dynamic[18].Untuk semua jenis unbalance, spectrum FFT akan menunjukkan predominant pada frekuensi getaran 1 x rpm. Amplitude getaran pada frekuensi 1 x rpm akan berubah-ubah sebanding dengan kuadrat kecepatan rotasi[8].Umumnya, signal getaran ini terukur baik pada bidang vertical maupun horizontal[18]. Bisa juga, kerusakan ini mungkin menyebabkan getaran axial and radial yang tinggi.

2.4 Estimasi PSD Menggunakan FFT Analisis spectral banyak diaplikasikan di

berbagai bidang. Pada monitoring getaran, spectal content dari signal yang terukur memberikan informasi pada saat pemakaian dan karakteristik lain dari bagian mekanik. Dalam bidang ekonomi, meteorologi, astronomi dan beberapa bidang lain, analisis spectral dapat menunjukkan “hidden periodic” pada data yang dikaji, yang dihubungkan dengan perilaku siklus proses. Pada analisis suara, model spectral dari signal suara berguna dalam proses produksi suara yang lebih baik dan selain itu dapat digunakan baik pada sintesis dan pengenalan suara. Pada radar dan sistem sonar, spectral content dari signalyang diterima memberikan informasi lokasi sumber atau target. Pada bidang medis, analisis spectral dari berbagai macam signalyang terukur dari pasien seperti signal electrocardiogram (ECG) atau electroence-phalogram (EEG) dapat memberikan infor-masi yang berguna untuk diagnosis. Pada seismologi, analisa dari signal yang terekam sebelumnya dan selama kejadian gempa bumi memberikan informasi yang berguna untuk mengetahui pergerakan tanah yang sesuai dengan kejadiannya dan dapat membantu dalam memprediksi gempa[29].

Power spectral density (PSD) merupakan variasi daya (energi) sebagai fungsi frekuensi dalam bentuk kerapatan spectrum yang diestimasi menggunakan FFT. Power spectral density (PSD) yang dikomputasi menggunakan Dicrete Fourier Transformation (DFT), yang mana dapat dikomputasi secara cepat dan efisien dengan Fast Fourier Transformation (FFT)

21

0

1k

Nj n

xx kn

P x n eN

(1)

2, 0,1,..., 1k

kk N

N

(2)

2.5 Adaptive Neuro Fuzzy InferenceAdaptive neuro fuzzy inference (ANFIS)

atau system adaptive network-based buzzy inference system atau neuro fuzzy merupakan hasil perpaduan dari jaringan syaraf tiruan dan logika fuzzy. Untuk sistem berbasis aturan linguistik, teknik jaringan syaraf tiruan akan memberikan kemampuan pembelajaran dan adaptasi untuk mengekstraksi parameter-parameter (premis dan konsekuen) aturan

Page 4: Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti ...digilib.its.ac.id/public/ITS-Undergraduate-13029-Paper.pdf1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA

4

fuzzy dari sekumpulan data numerik. Secara khusus, jaringan neuro-fuzzy menghilangkan kekurangan dalam desain sistem fuzzy konvensional dimana perancang harus men-tuning (menala) dengan trial-eror fungsi keanggotaan dari himpunan fuzzy yang didefinisikan pada masukan dan keluaran dari semesta pembicaraan.

Untuk membangun arsitektur ANFIS, aturan if - then berdasarkan model Sugeno Orde 1:

Gambar 5 Mekanisme Penalaran Model Fuzzy Tipe Sugeno Dua Input-Dua Aturan Orde

Satu[14].

Rule 1: If ( x is A1) and ( y is B1) then ( f1 = p1x+q1y+r1)Rule 2: If ( x is A2) and ( y is B2) then ( f2 = p2x+q2y+r2)

Gambar 6 Struktur Jaringan ANFIS dengan 5layer[14].

Dengan x dan y adalah input crisp, Ai dan Bi merupakan himpunan fuzzy, fi merupakan output yang dihasilkan dan berdasarkan aturan fuzzy yang diberikan, pi, qi dan ri adalah parameter desain yang didapatkan melalui proses training. Arsitektur ANFIS ditunjukkan pada Gambar 7, yang mana lingkaran menandakan fixed node dan persegi menandakan adaptive node.

Pada layer 1, seluruh node merupakan adaptive node (parameter dapat berubah) dan output dari layer 1 merupakan derajat keanggotaan fuzzy dari input yang didefinisikan sebagai:

1, ( )ii AO x 2,1i (3)

21, ( )ii BO y

4,3i (4)

dan μAi(x), μBi-2(y) dapat mengadopsi berbagai macam fuzzy membership function. Salah satu fungsi keanggotaan adalah Generalized-Bellyang didefinisikan sebagai berikut

2

1( )

1i iA b

i

i

xx c

a

dengan ai, bi, ci merupakan parameter dari membership function yang membentuk fungsi Generalized-Bell. Parameter pada layer ini disebut dengan parameter premis.

Node yang terdapat pada layer ke- 2 merupakan fixed node dan terlabeli denganTT. Hal ini mengindikasikan operasi multiplier (perkalian) yang digunakan sebagaiinterpretasi kata hubung “and” dengan menggunakan operator t-norm. Representasi dari output pada layer ini adalah:

2, ( ) ( )i ii i A BO w x y 2,1i (5)

dan umumnya disebut sebagai firing strength(derajat pengaktifan) dari aturan yangdiberikan. Fungsi ini dapat diperluas apabila bagian premis memiliki lebih dari dua himpunan fuzzy. Banyaknya simpul pada lapisan ini menunjukkan banyaknya aturan yang dibentuk.

Untuk node yang terdapat pada layer ke- 3 juga merupakan fixed node, dan memiliki label N. Label N mengindikasikan dilakukannya normalisasi terhadap output dari layer ke- 2. output dari layer ini adalah:

3,1 2

iii

wO w

w w

2,1i (6)

Umumnya sering disebut sebagai firing strength yang ternormalisasi (normalized firing strength) dan merupakan rasio keluaran node ke-i pada layer sebelumnya terhadap seluruh keluaran layer sebelumnya.

Pada layer ke- 4, node yang terdapat pada layer ini merupakan node adaptive. Output dari node ini merupakan hasil product dari normalized firing strength dengan polynomialorde 1 (untuk fuzzy model Sugeno Orde 1).Parameter pada layer ini disebut dengan parameter konsekuen. Sehingga output dari layer ini adalah

Page 5: Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti ...digilib.its.ac.id/public/ITS-Undergraduate-13029-Paper.pdf1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA

5

4, ( )i ii i i i iO w f w p x q y r (7)

Pada layer ke- 5 hanya terdapat satu fixed node yang memiliki label . Pada node ini, dilakukan operasi summation pada seluruh sinyal yang masuk ke node ini. Sehingga output keseluruhan dari pemodelan ini adalah:

5,i ii

ii ii ii

w fO w f

w

(8)

Diketahui bahwa pada arsitektur ANFIS terdapat dua adaptive layer, yang mana adalah layer pertama dan ke- empat. Pada layerpertama terdapat 3 modifiable parameter {ai, bi, ci}, yang berelasi dengan membership function pada input. Parameter tersebut merupakan analogi dari parameter premise. Pada layer ke-4, juga terdapat 3 modifiable parameter {pi, qi, ri}, parameter ini berdasarkan atas polynomial orde 1. Parameter ini dapat dianalogikan sebagai parameter consequent.

III. Data dan MetodePelaksanaan penelitian ini dilakukan

melalui beberapa tahapan. Berikut diuraikan tahapan yang dilakukan dalam membangun desain sistem identifikasi untuk kerusakan mesin berputar berdasarkan sinyal suara dengan metode adaptive neuro fuzzy inference system melalui simulasi dengan MATLAB 7.1.

Mulai

Studi Literatur

Perekaman Sinyal Suara

Pengolahan Sinyal Suara

Selesai

Perancangan Sistem Identifikasi

Analisis Hasil Simulasidan Penyusunan Laporan

Apakah Parameter yang diingingkan telah terpenuhi ?

(RMS error kecil)

Ya

TidakValidasi Sistem Identifikasi

Gambar 7 Diagram Alir Metodologi Perancangan Sistem

3.1.Perekaman Sinyal SuaraProses perekaman merupakan tahapan

penting penelitian ini yaitu, dengan merekam sinyal suara mesin. Suara motor akibat dari

motor yang bergerak dan menimbulkan getaran direkam dengan menggunakan Mikrofon yang terhubung dengan perangkat keras M-Audio Fast Track dan Soundcardyang digunakan untuk proses perekaman.Kemudian dengan menggunakan software Adobe Audition yang terdapat di komputer proses perekaman dilakukan.

Dalam proses perekaman, terdapat faktor yang perlu diperhatikan sebelum proses perekaman yaitu frekuensi sampling. Frekuensi sampling pada proses perekaman ini adalah 44.100 kHz, mono dan 16 bits. Frekuensi sampling ini diambil dengan memperhatikan bahwa rentang frekuensi sinyal suara mesin adalah 0 – 5500 Hz[27], untuk memenuhi kriteria Nyquist maka frekuensi sampling harus lebih besar sama dengan dua kali frekuensi maksimum.

2 x 2 x 5500s i sf f f 11000sf Hz (11 kHz)

Sesuai dengan perhitungan di atas, frekuensi sampling yang diambil lebih besar dari 11 kHz, misal 44.100 kHz.

Proses perekaman sinyal suara mesin diambil dalam 2 kondisi operasi yaitu normaldan unbalance. Masing-masing dilakukanperekaman selama 5 detik pada jarak kurang dari 30 cm secara bergantian dan dilakukan diruang kedap suara dengan tujuan mencegah suara memantul yang akan mempengaruhi masukan suara yang masuk dalam sensor mikrofon dan disimpan dalam bentuk format file *wave. Pengambilan data sinyal suara mesin pada jarak kurang dari 30 cm telah dilakukan dan dihitung pada penelitian sebelumnya[27] untuk mengetahui bahwa distribusi suara di sekitar titik pada jarak kurang dari 30 cm menghasilkan pengukuran yang sama

3.2 Pengolahan Sinyal SuaraSetelah proses perekaman sinyal suara dan

diperoleh waveform, langkah berikutnya adalah melakukan perubahan dari domain waktu (waveform) ke domain frekuensi (PSD) dengan menggunakan software Matlab. Power spectral density (PSD) merupakan variasi daya (energi) sebagai fungsi frekuensi dalam bentuk kerapatan spectrum yang diestimasi menggunakan FFT. Proses perubahan dari domain waktu ke domain frekuensi dengan menggunakan algoritma FFT tidak memberikan resolusi frekuensi yang baik.

Page 6: Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti ...digilib.its.ac.id/public/ITS-Undergraduate-13029-Paper.pdf1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA

6

Untuk mengatasi batasan dari performansi terhadap resolusi frekuensi yang dilakukan melalui pendekatan FFT, salah satu teknik estimasi spectral modern yang diajukan selama dekade ini, yaitu Power Spectral Density (PSD)[20,29]. Dengan menggunakan algoritma PSD masalah resolusi frekuensi dapat teratasi.

Gambar 8 Waveform dari Sinyal Suara Normal

Gambar 9 PSD dari Sinyal Suara Normal

Gambar 10 Waveform dari Sinyal Suara Unbalance

Gambar 11 PSD dari Sinyal Suara Unbalance

Dalam menganalisa kerusakan pada suatu mesin terdapat faktor yang perlu diperhatikan yaitu frekuensi natural yang dimiliki suatu mesin berputar. Frekuensi natural terdiri dari frekuensi dasar dan frekuensi harmonik.

Frekuensi dasar merupakan frekuensi terendah dari sinyal yang menentukan akibat 1 x rpm atau sering disebut sebagai frekuensi harmonik pertama sedangkan frekuensi harmonik merupakan kelipatan dari frekuensi dasar (2f, 3f, 4f,…dst). Pada kondisi operasi normal,mesin memiliki frekuensi dasar dengan amplitudo puncak (peak) pada frekuensi 43.07 Hz sebesar -63.71 dB/Hz, frekuensi harmonik kedua 990.53 Hz sebesar -74.80 dB/Hz dan frekuensi harmonik ketiga 1809 Hz sebesar -75.09 dB/Hz. Pada kondisi operasi unbalancemuncul peak dengan amplitudo tinggi pada frekuensi dasar 43.07 Hz sebesar -52.67dB/Hz (amplitudo tinggi pada 1 x rpm), frekuensi harmonik kedua 990.53 Hz sebesar -71.09 dB/Hz dan frekuensi harmonik ketiga 1809 Hz sebesar -82. 28 dB/Hz.

Nilai-nilai yang diperoleh di atas berdasarkan pada visual inspection(pengamatan secara visual), pada penelitian ini diharapkan dapat membedakan kondisi operasi secara otomatis berdasarkan kode nilai yang diberikan pada setiap kondisi operasi. Salah satu metode yang digunakan adalah Adaptive Neuro Fuzzy Inference System atau yang sering disingkat dengan ANFIS. Metode ini dipilih karena ANFIS telah terbukti dapat menirukan sistem pengambilan keputusan seperti halnya pada manusia dan dapat mengklasifikasikan nilai fitur-fitur frekuensi dari visual inspection (pada frekuensi tertentu yang dianggap penting) berdasarkan fungsi keanggotaan dan aturan jika-maka. Tujuan dari ektrasi nilai fitur-fitur frekuensi ini adalah untuk mendapatkan fitur-fitur frekuensi yang significant (penting) yang nantinya berpengaruh langsung pada hasil identifikasi akhir. Pada penelitian ini ekstrasi fitur frekuensi berupa frekuensi dasar dan frekuensi harmonik.

Tabel 1 Ekstrasi Fitur FrekuensiNama Frekuensi Dasar

Frekuensi harmonik ke-2

Frekuensi harmonik ke-3

Nilai 43.07 Hz 947.46 Hz 2670.12 Hz

Pengukuran dilakukan sebanyak 50 kaliuntuk masing-masing kondisi operasi sehingga total data pengukuran sebanyak 100. Catatan bahwa pengukuran dilakukan sebanyak 50 kali bertujuan untuk melihat sifat dari repeatabilitysistem rangcangan ANFIS. Di bawah ini ditampilkan gambaran set data yang akan digunakan dalam proses perancangan identifikasi untuk masing-masing kondisi.

Page 7: Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti ...digilib.its.ac.id/public/ITS-Undergraduate-13029-Paper.pdf1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA

7

Data dibagi menjadi dua bagian 25 data digunakan untuk data training dan 25 data lainnya digunakan untuk data checking.Data training terdiri dari 2 motor jenis INTERDAB DB MODEL AQUA 1080, sedangkan data checking terdiri dari 2 motor jenis INTERDAB DB-107.

Tabel 2 Deskripsi Pembagian Set Data untukmasing-masing Kondisi

KondisiOperasi

Jumlah DataTraining

Jumlah DataChecking

KodeKerusakan

Normal 25 25 100Unbalance 25 25 200

Total 50 50

3.3 Perancangan Sistem Identifikasi Tahap selanjutnya adalah melakukan

perancangan suatu sistem identifikasi yang didasarkan pada metode Adaptive Neuro Fuzzy Inference System. Pada model ini menggunakan Fuzzy Inference system model Sugeno Orde 0, sehingga output dari model ini berupa suatu konstanta. Langkah pertama membetuk fungsi keanggotaan awal, misal “gbellmf” yang berjumlah tiga untuk masing-masing input.

Arsitektur untuk pemodelan sistem identifikasi terdiri dari 4 layer, layer I merupakan layer input di mana banyaknya input pada layer ini terdapat 3 input yang mempunyai 3 jumlah fungsi keanggotaan ditiap inputnya. Representasi tiap inputnya adalah input pertama berupa nilai peak frekuensi dasar, input kedua berupa nilai peak frekuensi dominan pertama dan input ketiga berupa nilai peak frekuensi dominan kedua. Layer II merupakan representasi input fungsi keanggotaan dari tiap tiga input sebelumnya. Layer III merupakan representasi aturan fuzzy yang terbentuk berdasarkan tiap fungsi keanggotaan yang saling berelasi untuk menghasilkan suatu output. Layer IV adalah output layer yang merupakan hasil dari tiap aturan fuzzy. Dan layer V merupakan outputdari pemodelan dengan struktur ANFIS secara keseluruhan dimana hasil ini didapatkan dengan menggunakan operator penjumlahan.

Aturan fuzzy dengan struktur ANFIS terbentuk melalui fungsi keanggotaan yang saling berinteraksi dengan fungsi keanggotaan lainnya pada masukan yang berbeda. Interaksi ini terkoneksi dengan operator fuzzy ANDyang terbentuk dalam suatu model dengan 3masukan. Hasil dari tiap aturan ini akan digunakan sebagai acuan untuk melakukan identifikasi terhadap sinyal yang akan diolah

dan diuji untuk mendapatkan keluaran untuk model ini.

Agar mendapatkan hasil identifikasi yang lebih baik, maka fungsi kenggotaan awal yang sudah dirancang dilatih dengan algoritma pembelajan hybrid terhadap masukan traningsampai eror terkecil pada epoch tertentu Dengan catatan masukan training harus bisa mengikuti masukan checking sampai mendekati eror terkecil.

Hasil training ini akan mengubah nilai parameter-parameter fungsi keanggotaan(gbellmf). Proses training ini dilakukan sampai mendapatkan nilai identifikasi yang mendekati nilai output dan bertujuan untuk mendapatkan error yang stabil dan konvergensi pada hasil output model. Fungsi keanggotaan (gbellmf) akhir ini nantinya akan digunakan sebagai model yang akan dilakukan proses pengujian dengan input selain inputtraining.

3.4 Pengujian dan Hasil SimulasiTahap terakhir adalah melakukan

pengujian terhadap model ANFIS. Pengujian dilakukan dengan data uji selain data trainingdan data checking untuk mengetahui performa model sistem identifikasi ini yaitu, kemampuan suatu model untuk identifikasi dan pengenalan suatu data sinyal sebagai sinyal normal atau unbalance. Performa model ANFIS didasarkan pada eror dalam satu defuzifikasi. Eror ini merupakan besaran RMSE yang dimiliki suatu model berstruktur jaringan. Hasil simulasi direpresentasikan dalam bentuk rule viewer yang berguna untuk melihat alur penalaran fuzzy pada sistem.

IV. HasilAnalisa perancangan dan hasil pengujian

yang didapatkan setelah dilakukannya trainingpada berbagai macam model perancangan ANFIS untuk sistem identifikasi dengan maksud agar diperoleh hasil identifikasi yang optimal dengan error terkecil. Analisa perancangan dan hasil pengujian ini didasarkan pada pemilihan jenis-jenis fungsi keanggotaan dan kombinasinya sebagai inputANFIS, serta simulasi dari hasil identifilasi yang memiliki error terkecil dalam bentuk rule viewer.

Training pada struktur ANFIS dengan metode optimasi hybrid learning. Dengan metode ini, parameter pada fungsi keanggotanyang digunakan dapat diatur sedemikian rupa

Page 8: Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti ...digilib.its.ac.id/public/ITS-Undergraduate-13029-Paper.pdf1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA

8

sehingga pemetaan yang dilakukan dapat menyesuaikan parameter pada fungsi keanggotaan input dengan output target. Setelah training dilakukan, didapatkan parameter baru pada input struktur ANFIS. Dengan parameter baru ini, otomatis bentuk fungsi keanggotaan pun berubah bersesuaian dengan pemetaan yang dilakukan.

Berikut dilakukan training pada tiga inputdengan kombinasi jumlah fungsi keanggotaan yang digunakan sebagai acuan untuk mendapatkan model identifikasi dengan errorterkecil. Pemilihan untuk tiga input kombinasi ini terdiri dari input pertama berupa frekuensidasar, input kedua berupa frekuensi harmonik ke-2 dan input ketiga berupa frekuensiharmonik ke-3. Di mana jenis fungsi keanggotaan yang dipakai untuk ketiga inputadalah fungsi keanggotaan triangular,trapezoidal, gaussian, dan generalized bell.Sedangkan jenis output yang digunakan adalah konstan (Sugeno orde 0) serta menggunakan metode optimasi hybrid sebagai proses pembelajaran untuk mendapatkan errorchecking minimum pada epoch tertentu.

Tabel 3 Hasil Perancangan dengan FungsiKenggotaan : triangular

NoNumber of MF

(Input 1)

Number of MF

(Input 2)

Numberof MF

(Input 3)

Training Epochs

RMSE Training

RMSE Checking

1 3 3 3 30 0.080963 23.2959002 3 3 4 1 0.047213 141.4220003 3 4 3 1000 0.000552 142.3790004 3 4 4 197 0.000978 142.1390005 4 3 3 1 0.000214 141.4210006 4 3 4 62 0.000482 141.4210007 4 4 3 1000 0.000486 142.3970008 4 4 4 327 0.001096 142.172000

Tabel 4 Hasil Perancangan dengan FungsiKenggotaan : trapezoidal

NoNumber of MF

(Input 1)

Numberof MF

(Input 2)

Numberof MF

(Input 3)

Training Epochs

RMSE Training

RMSE Checking

1 3 3 3 1 0.000013 158.0810002 3 3 4 11 0.000015 158.0810003 3 4 3 42 0.002934 141.4370004 3 4 4 12 0.000082 141.4370005 4 3 3 111 0.001244 158.0810006 4 3 4 70 0.003909 158.0810007 4 4 3 164 0.004591 141.4350008 4 4 4 77 0.003904 141.436000

Tabel 5 Hasil Perancangan dengan FungsiKenggotaan : gaussian

NoNumber of MF

(Input 1)

Number of MF

(Input 2)

Numberof MF

(Input 3)

Training Epochs

RMSE Training

RMSE Checking

1 3 3 3 437 0.000003 0.0107282 3 3 4 10 0.016119 139.0290003 3 4 3 1 0.016202 14.4922004 3 4 4 8 0.021049 141.3300005 4 3 3 190 0.000031 0.0041536 4 3 4 76 0.009524 92.1568007 4 4 3 147 0.001698 12.0227008 4 4 4 89 0.004496 126.735000

Tabel 6 Hasil Perancangan dengan FungsiKenggotaan : generalized bell

NoNumber of MF

(Input 1)

Number of MF

(Input 2)

Numberof MF

(Input 3)

Training Epochs

RMSE Training

(10-5)

RMSE Checking

(10-5)1 3 3 3 706 0.000027 0.0000262 3 3 4 31 0.013424 3.2687503 3 4 3 210 0.000381 0.4995144 3 4 4 79 0.012599 4.5492905 4 3 3 280 0.000022 0.0000226 4 3 4 970 0.002213 0.0426397 4 4 3 314 0.000447 0.6505208 4 4 4 411 0.000345 0.808794

Pemilihan model perancangan ANFISterbaik dilakukan dengan melihat pada nilaiRMSE terkecil baik pada data trainingmaupun data checking yang diperoleh darihasil perancangan yang telah dilakukan (tabel3 sampai tabel 6). Untuk perancangan dengan jenis fungsi keanggotaan triangular (tabel 3) didapatkan hasil perancangan dengan erorterkecil yaitu pada no. ke 1 (betanda warna abu-abu) di mana nilai eror taining sebesar 0.080963 dan nilai eror checking sebesar 23.295900. Untuk perancangan dengan jenisfungsi keanggotaan trapezoidal (tabel 4) didapatkan hasil perancangan dengan erorterkecil yaitu pada no. ke 7 (betanda warna abu-abu) di mana nilai eror taining sebesar 0.004591 dan nilai eror checking sebesar 141.435000. Pada tabel 5. untuk perancangandengan jenis fungsi keanggotaan gaussiandidapatkan hasil perancangan dengan erorterkecil yaitu pada no. ke 5 (betanda warna abu-abu) di mana nilai eror training sebesar 0.000031 dan nilai eror checking sebesar 0.004153. Pada tabel 6. untuk perancangan dengan jenis fungsi keanggotaan generalized bell didapatkan hasil perancangan dengan erorterkecil yaitu pada no. ke 5 (betanda warna abu-abu) di mana nilai eror training sebesar 0.000022 dan nilai eror checking sebesar 0.000022.

Dari sini dapat disimpulkan bahwa hasil perancangan terbaik ditunjukkan pada jenis fungsi keanggotaan generalized bell yang diperoleh sampai epoch ke-280. Di mana masukan pertama memiliki empat jumlah fungsi keanggotaan, masukan kedua memiliki tiga jumlah fungsi keanggotaan dan masukanketiga memiliki tiga jumlah fungsi keanggotaan. Hasil ini dapat direpresentasikan melalui gambar 12 sebelum di-training dan hasil akhir diperoleh setelah training pada gambar 13. Sedangkan untuk model arsitekturANFIS dari hasil perancangan terbaik telihat pada gambar 14.

Page 9: Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti ...digilib.its.ac.id/public/ITS-Undergraduate-13029-Paper.pdf1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA

9

-62 -60 -58 -56 -54 -52

0

0.2

0.4

0.6

0.8

1

input 1 (initial FIS)

Degre

e o

f m

em

bers

hip

in1mf1 in1mf2 in1mf3 in1mf4

-80 -75 -70

0

0.2

0.4

0.6

0.8

1

input 2 (initial FIS)

Degre

e o

f m

em

bers

hip

in2mf1 in2mf2 in2mf3

-82.5 -82 -81.5

0

0.2

0.4

0.6

0.8

1

input 3 (initial FIS)

Degre

e o

f m

em

bers

hip

in3mf1 in3mf2 in3mf3

Gambar 12 Bentuk Fungsi Keanggotaan Awalsebagai Masukan Model ANFIS sebelum

Training dilakukan.

Tabel 7 Parameter Input Fungsi Keanggotaan Awaldalam Keadaan Default

Input MFs ai bi ci

Input 1

MF1 1.9000 2.0000 -63.3800MF2 1.9000 2.0000 -59.5800MF3 1.9000 2.0000 -55.7800MF4 1.9000 2.0000 -51.9800

Input 2MF1 3.5900 2.0000 -80.9600MF2 3.5900 2.0000 -73.7700MF3 3.5900 2.0000 -66.5800

Input 3MF1 0.3800 2.0000 -82.8000MF2 0.3800 2.0000 -82.0400MF3 0.3800 2.0000 -81.2800

-62 -60 -58 -56 -54 -52

0

0.2

0.4

0.6

0.8

1

input 1 (final FIS)

Degre

e o

f m

em

bers

hip

in1mf1 in1mf2 in1mf3 in1mf4

-80 -75 -70

0

0.2

0.4

0.6

0.8

1

input 2 (final FIS)

Degre

e o

f m

em

bers

hip

in2mf1 in2mf2 in2mf3

-82 -80 -78 -76

0

0.2

0.4

0.6

0.8

1

input 3 (final FIS)

Degre

e o

f m

em

bers

hip

in3mf1in3mf2in3mf3

Gambar 13 Bentuk Fungsi Keanggotaan Akhirsebagai Masukan Model ANFIS setelah

Training dilakukan.

Tabel 8 Parameter Fungsi Keanggotaan Akhirsetelah dilakukan Training

Input MFs ai bi ci

Input 1

MF1 0.7088 3.6750 -62.7100MF2 0.0701 2.7790 -59.2600MF3 0.0465 3.3480 -55.1100MF4 0.9085 3.4080 -52.4000

Input 2MF1 1.2590 4.3880 -81.4400MF2 3.5040 1.4140 -74.1500MF3 1.6850 4.4300 -66.1900

Input 3MF1 0.0003 2.1590 -83.2500MF2 0.5802 1.9520 -82.1100MF3 0.0002 2.0480 -81.1800

Gambar 14 Arsitektur Perancangan ANFISTerbaik.

Hasil simulasi direpresentasikan dalam bentuk rule viewer. Rule viewer ini berguna untuk melihat alur penalaran fuzzy pada

sistem. Pada gambar 14 terdapat 36 aturan yang terbentuk dengan tiga masukan(frekuensi dasar, frekuensi harmonik ke-2 dan frekuensi harmonik ke-3) dan satu keluaran(fault code). Untuk mengetahui suatu jenis kerusakan suatu motor. Langkah pertama yang harus dilakukan adalah mendapatkan nilai parameter fitur frekuensi penting dari sinyal kerusakan berupa frekuensi dasar, frekuensi harmonik ke-2 dan frekuensi harmonik ke-3. Langkah kedua yaitu memasukkan nilai-nilai tersebut ke dalam kolom masukan atau dengan menggeser pita berwarna merah sampai pada nilai-nilai tersebut. Dengan demikian jenis kerusakan dapat teridentifikasi melalui nilai yang ditunjukkan pada fault code.

Ketika terdapat data uji pengukuran untuk mengetahui kondisi operasi, asalkan data masih terdapat pada range dari masukanparameter maka data uji bisa diidentifikasi atau dipetakan sesuai dengan kondisi operasi. Sebaliknya, jika data keluar dari range tersebut, maka otomatis data tidak akan dapat diidentifikasi. Hal ini menunjukkan data tersebut bukan data selain kedua kondisi operasi yang dipetakan (kondisi lain).

Gambar 15 Rule Viewer Perancangan ANFISTerbaik.

Pengujian dilakukan dengan spesifikasi untuk model perancangan ANFIS terbaik, terhadap data sinyal lain (selain data training). Data ini merupakan data checking dan data testing.

Dari hasil uji data checking yang telah dilakukan dari tabel 9 dan tabel 14menunjukkan hasil identifikasi dengan erorrata-rata sebesar 0.00 untuk masing-masing kondisi normal dan unbalance. Sedangkan untuk tabel 9-10 merupakan data testing selain data training dan data checking. Data inidiambil dari perekaman yang dilakukan pada jenis mesin lain. Pada tabel 11 (jenis motor

Page 10: Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti ...digilib.its.ac.id/public/ITS-Undergraduate-13029-Paper.pdf1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA

10

DAB), hasil identifikasinya dikenali sebagai kondisi normal dengan eror rata-rata sebesar 3.90 (96.1 %). Pada tabel 12 (jenis motor DABK14-400), hasil identifikasinya tidak dikenali sebagai kondisi normal dengan eror rata-rata sebesar 71.05 (28.95 %). Pada tabel 13 (jenis motor Electrical Water Pump), hasil identifikasinya dikenali sebagai kondisi normal dengan eror rata-rata sebesar 6.18(93.82 %). Pada tabel 14 (jenis motor SewingMachine Motor), hasil identifikasinya dikenali sebagai kondisi unbalance dengan eror rata-rata sebesar 20.18 (79.82 %), hal ini karena motor ini sudah dipakai bertahun-tahun sebagai penggerak mesin jahit sehingga dimungkinkan terjadi kerusakan unbalance.

Dengan demikian, ANFIS rancangan mempunyai kemampuan mengidentifikasi pada motor jenis DAB, DAB k14-400, Electrical Water Pump, Sewing MachineMotor dan tidak mampu mengidentifikasi pada motor jenis DAB K14-400. Ketidakmampuan ANFIS dalam identifikasi pada jenis DAB K14-400 dikarenakan nilai peak frekuensi tidak masuk dalam nilai peak range frekuensi hasil proses pembelajaran pada ANFIS. Hal ini bisa dilihat pada nilai peak frekuensi dasar sebesar -56.98, nilai peak frekuensi harmonik 1 sebesar -82.81, nilai peak frekuensi harmonik 2 sebesar -88.80. Sedangkan nilai peak range hasil rancangan ANFIS pada nilai peak frekuensi dasar sebesar -62 sampai -52, nilai peak frekuensi harmonik 1 sebesar -90 sampai -70, nilai peak frekuensi harmonik 2 sebesar -82 sampai -76. Sehingga nilai-nilai masukan untuk identifikasi keluar dari nilai range hasil rancangan. Dapat dikatakan bahwa hasil rancangan ANFIS dapat mengidentifikasi kerusakan suatu motor pada jenis mesin tertentu.

V KesimpulanBeberapa hal yang dapat disimpulkan

berdasarkan hasil yang diperoleh melalui analisa perancangan dan pengujian yang telah dilakukan dalam penelitian ini. Untuk menjawab permasalahan dan tujuan yang telah dipaparkan pada Bab I, kesimpulan yang didapat diantaranya adalah:

1. Model ANFIS terbaik yang dirancang untuk melakukan identifikasi kerusakan mesin berputar berdasarkan sinyal suara pada penelitian ini mampu melakukan identifikasi dengan

logika fuzzy yang digunakan adalah Model Logika Fuzzy Sugeno Orde 0 dengan arsitektur jaringan yang digunakan adalah arsitektur ANFIS yang terdiri dari 4 layer. Struktur ini memiliki 3 masukan, 36 aturan fuzzy dan 1 keluaran.

2. Model ANFIS terbaik terdiri dari 3 masukan yaitu, nilai peak dari frekuensi dasar, nilai peak dari frekuensi harmonik ke-2, nilai peak dari frekuensi harmonik ke-3. Masing-masing memiliki 4, 3, 3 jumlah fungsi keanggotaan jenis generalized bell.

3. Proses training untuk memetakan masukan dengan keluaran target pada struktur model sistem identifikasi dilakukan sebanyak 280 epoch dengan RMS eror training sebesar 2.2 x 10-5.

4. Pengujian yang dilakukan untuk mengidentifikasi kerusakan mesin berputar berdasarkan sinyal suara menghasilkan eror checking rata-rata keseluruhan (normal & unbalance)sebesar 0.00 dan eror testing rata-rata sebesar 3.90 pada jenis motor DAB, 71.05 pada jenis motor DAB K14-400, 6.18 pada jenis motor Electrical Water Pump, 20.18 pada jenis motor SewingMachine Motor.

5.2 SaranSaran yang diusulkan untuk penyem-

purnaan pada penelitian ini adalah:1. Memperbanyak jenis data pengukuran

sinyal kondisi operasi yang akan dilakukan identifikasi dengan model ini. Karena semakin banyak databasemaka proses identifikasi atau pengenalan akan semakin baik.

2. Melakukan identifikasi yang lebih detail seperti jenis-jenis unbalancedan/atau jenis-jenis bearing defect, maupun jenis kerusakan lain.

Page 11: Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti ...digilib.its.ac.id/public/ITS-Undergraduate-13029-Paper.pdf1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA

11

DAFTAR PUSTAKA[1] Aroui, T., Koubaa, Y., and Toumi, A.,

2007. ” Application of Feed-forward Neural Network for Induction Machine Rotor Faults Diagnosics Using Stator Current”. Paper of Research Unity of Industrial Proses Control (UCPI), Nasional Engineering School of Sfax (ENIS), B.P : W 3038 Sfax-Tunisia.

[2] Bailly, Ch., April 2008. Tutorial : fft, psd & coherence with Matlab Version 2 <URL: http://acoustique.ec-lyon.fr/cours/tutorial_signal_processing.pdf >.

[3] Benko, Uroš., 2002. Application Of Sound Analysis In Diagno-sing Collector Motors. <URL:http://dsc.ijs.si/phdworkshop2002/Papers/Benko. pdf >.

[4] Benko, Uroš., 2004. “Fault Diagnosis Of A Vacuum Cleaner Motor By Means Of Sound Analy-sis”. Sciencedirect Journal on Sound and Vibra- tion276(2004) 781–806. Elsevier publishing corporation.

[5] Benko, Uroš., 2005. “An Approach To Fault Diagnosis Of Vacuum Cleaner Motors Based On Sound Analysis”. Science-direct Journal on Mecha-nical Systems and Signal Processing 19(2005) 427–445. Elsevier publishing corporation.

[6] Glowacz, A., and Glowacz, W., 2007. “Sound Recognition Of DC Machine With Application Of FFT And Backpropagation Neuronal Network”, Procee-dings of 12th PPEEm Symposium on Fundamental Problems of Power Electro-nics Electromechanics and Mechatronics,PPEEm, Wisla, 9–12 December, 2007, pp. 269–274.

[7] Glowacz, A., Glowacz, W., 2008. Sound Recognition Of DC Machine With Application Of FFT And Fuzzy Logic.

<URL:http://www.imne.pwr.wroc.pl/Wydawnictwa/PNIMNIPEnr62/pdf/74_Glowacz_A_Glowacz_W.pdf>.

[8] Girdhar, P., 2004. Practical Machinery Vibration And Analysis & Predictive Maintenance. Oxford: Newnes Inc.

[9] Hajek, Petr., Jul 23, 2006. Fuzzy Logic. Stanford Encyclopedia of Philosophy. Stanford Univer-sity. <URL: http://plato.stanford.edu/entries/logic-fuzzy/>.

[10] Irvine, Tom., March 3, 2000. An Introduction To Spectral Functions Revision B <URL:http://www.vibrationdata.com/tutorials2/spectral.pdf >.

[11] Irvine, Tom., July 28, 2000. Power Spectral Density Units: [G^2 / Hz] Revision A <URL: http://www.linarisrl.com/POWER%20SPECTRAL%20DENSITY%20UNITS.pdf>.

[12] Jain, L.C., and Martin, N.M., 1999. Fusion of Neural Networks, Fuzzy Systems and Genetic Algorithms: Industrial Applications. USA: CRC Press LLC.

[13] Jang, J.S.R., and Gulley, N., 1997. MATLAB® User’s Guide Fuzzy Logic Toolbox Version 1. The MathWorks, Inc.

[14] Jang, J.-S. R., and C.-T. Sun., 1997. Neuro-Fuzzy and Soft Com-puting: A Computational Approach to Learning and Machine Intelligence. Pren-tice Hall: London.

[15] Kurtus, Ron., 2002, Creating Sound Waves <URL: http://www.schoolforchampions.com/science/sound_create.htm>.

[16] Li, Bo., Goddu, G., and Chow, M., 1999. ” Detection of Common Motor Bearing Faults Using Frequency-DomainVibration Signals and a Neural Network Based Approach”. Procee-dings of the American Control Conference Phila-delphia, Pennsylvania June 1998.

Page 12: Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti ...digilib.its.ac.id/public/ITS-Undergraduate-13029-Paper.pdf1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA

12

[17] Li, X. Rong, 1999. Probability, Random Signal, And Statistis. United States: CRC press LCC.

[18] McMillan, R., 2004. Rotating machi-nery: Practical Solutions To Unbalance And Misalign-ment. Lilburn: Fairmont Press, Inc.

[19] Mobley, R.K., 1999. Vibration Fundamentals (Plant Eng-ineering Maintenance Seri-es). Boston : Newnes Inc.

[20] Mollazade, K., Ahmadi, H., Omid, M., and Alimardani, R, 1997. “An Intelligent Combined Method Based on Power Spectral Density, Decision Trees and Fuzzy Logic for Hydraulic Pumps Fault Diagnosis”. International Journal of Intelligent Systems and Technologies 3:4 2008.

[21] Murad, Samhouri, and H. Hadithi, Rami.,2007. “Machine Condition Monitoring Through Frequency Analysis of Maintenance Records: A Neuro-Fuzzy Approach”. Proceedings of the 37th International Conference on Computers and Industrial Engineering, October 20-23, 2007, Alexandria, Egypt, edited by M. H. Elwany, A. B. Eltawil.

[22] Nave, C.R., 2005. How does an electric motor work? <URL:http://hyperphysics.phy-astr.gsu.edu/hbase/hframe .html>.

[23] Norfield, Derek., 2006. Practical Balancing of Rotating Ma-chinery. United Kingdom: Elsevier

[24] Novák, V., Perfilieva, I., and Močkoř, J., 1999. Mathematical Principles of Fuzzy Logic. Dodrecht: Kluwer Academic.

[25] Openheim, A.V., Schafer, R.W., and Buck, J.R. 1999. Discrete Time Signal Processing : Second Edition. New Jersey: Prentice Hall Inc.

[26] Passino, K.M., and Yurkovich, S., 1998. Fuzzy Control. California :

Addison Wesley Longman, Inc.

[27] Rakhman, Arief., 2009. Deteksi Kerusakan Pada Mesin Berputar Berbasis Analisis Sinyal Suara. Tugas Akhir, Teknik Fisika, FTI-ITS

[28] Sivanandam, S. N., Sumathi, S., and Deepa, S. N., 2006. Introduction to Fuzzy Logic using MATLAB. Heidelberg: Springer.

[29] Stoica, P., and R.L. Moses., 1997. Introduction to Spectral Analysis. New Jersey: Prentice Hall Inc.

[30] Sumandari, 2009. Identifikasi Kerusakan Gearbox Motor Listrik Dengan Pengenalan Pola Sinyal Suara. Tugas Akhir, Teknik Elektro, FTI-ITS.

[31] Tinta, Dejan., 2009. “Fault Diagnosis Of Vacuum Cleaner Motors”. Sciencedirect Journal on Control Engineering Practice 13(2005) 177–187. Elsevier publishing corporation.

[32] University, T., Stoimenov, B., Adachi, K., and Kato, K., 2001. ”Relationship Between Sound and Vibration Generated in Sliding Contact”. Proceeding of JAST Tribology Conference. Tokyo, 14-16 May 2001, 105-106.

[33] ________, Automated Buildings <URL:httpwww.automatedbuildings.com/news/jul01/art/abbd/abbf2.gif>.

[34] ________, Background Information For Sound <URL:http://www.sciencetech.technomuses.ca/English/schoolzone/Info_Sound.cfm>.

[35] ________, Car mileage prediction with ANFIS. The MathWorks, Inc.

[36] ________, FAQ on Accoustics<URL:http://www.rockwool.com/acoustics/faq >.

Page 13: Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti ...digilib.its.ac.id/public/ITS-Undergraduate-13029-Paper.pdf1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA

13

Nama : MiftahuddinNrp : 2405 100 072 Alamat : Jl. Kedung Banteng, No. 18,

Tanggulangin, Sidoarjo.E-mail : [email protected]

Pendidikan :MI Darussalam (1993-1999)SMPN 2 Tanggulangin (1999-2002)MAN Sidoarjo (2002-2005)Teknik Fisika ITS (2005-sekarang)

Page 14: Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti ...digilib.its.ac.id/public/ITS-Undergraduate-13029-Paper.pdf1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA

14

LampiranTabel 9 Pengujian Repeatability Sistem Identifikasi ANFIS Terbaik untuk Pengukuran Kondisi Normal

Data Testing

Freq.Fund

Freq.Har 2

Freq.Har 3

Actual Fault Code

Predicted Fault Code

Eror

1 -62.92 -79.20 -81.39 100 100.00 0.002 -62.10 -79.11 -81.42 100 100.00 0.003 -62.76 -79.46 -81.54 100 100.00 0.004 -62.31 -79.29 -81.38 100 100.00 0.005 -62.47 -79.32 -81.64 100 100.00 0.006 -62.67 -79.14 -81.44 100 100.00 0.007 -62.19 -79.14 -81.52 100 100.00 0.008 -63.01 -79.29 -81.61 100 100.00 0.009 -61.97 -79.08 -81.55 100 100.00 0.0010 -63.11 -79.19 -81.39 100 100.00 0.0011 -62.12 -79.19 -81.28 100 100.00 0.0012 -62.81 -79.48 -81.54 100 100.00 0.0013 -62.50 -79.31 -81.37 100 100.00 0.0014 -62.25 -79.40 -81.58 100 100.00 0.0015 -63.03 -79.36 -81.45 100 100.00 0.0016 -62.03 -79.43 -81.55 100 100.00 0.0017 -63.04 -79.37 -81.45 100 100.00 0.0018 -62.19 -79.47 -81.57 100 100.00 0.0019 -62.67 -79.34 -81.63 100 100.00 0.0020 -62.74 -79.37 -81.56 100 100.00 0.0021 -62.31 -79.13 -81.65 100 100.00 0.0022 -63.08 -79.27 -81.68 100 100.00 0.0023 -62.08 -79.33 -81.88 100 100.00 0.0024 -63.13 -79.19 -82.03 100 100.00 0.0025 -62.35 -79.32 -81.66 100 100.00 0.00

Average eror 0.00

Tabel 10 Pengujian Repeatability Sistem Identifikasi ANFIS Terbaik untuk Pengukuran Kondisi Unbalance

Data Testing

Freq.Fund

Freq.Har 2

Freq.Har 3

Actual Fault Code

Predicted Fault Code

Eror

1 -53.45 -69.14 -82.26 200 200.00 0.002 -52.53 -70.29 -82.80 200 200.00 0.003 -53.32 -70.26 -82.45 200 200.00 0.004 -52.44 -69.67 -82.40 200 200.00 0.005 -53.22 -66.58 -82.19 200 199.99 0.016 -52.36 -69.54 -82.69 200 200.00 0.007 -53.23 -69.04 -82.54 200 200.00 0.008 -52.27 -69.85 -82.56 200 200.00 0.009 -53.27 -70.80 -82.67 200 200.00 0.0010 -52.21 -70.06 -82.55 200 200.00 0.0011 -53.27 -70.22 -82.55 200 200.00 0.0012 -52.27 -70.47 -82.56 200 200.00 0.0013 -53.08 -70.12 -82.68 200 200.00 0.0014 -52.53 -70.17 -82.42 200 200.00 0.0015 -52.81 -69.79 -82.62 200 200.00 0.0016 -52.67 -70.23 -82.48 200 200.00 0.0017 -52.45 -70.34 -82.42 200 200.00 0.0018 -52.95 -70.23 -82.53 200 200.00 0.0019 -52.17 -70.21 -82.51 200 200.00 0.0020 -53.12 -70.83 -82.47 200 200.00 0.0021 -52.09 -70.62 -82.62 200 200.00 0.0022 -53.16 -70.85 -82.50 200 200.00 0.0023 -52.15 -71.12 -82.51 200 200.00 0.0024 -53.01 -71.03 -82.65 200 200.00 0.0025 -52.28 -70.55 -82.47 200 200.00 0.00

Average eror 0.00

Page 15: Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti ...digilib.its.ac.id/public/ITS-Undergraduate-13029-Paper.pdf1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA

15

Tabel 11 Pengujian Repeatability Sistem Identifikasi ANFIS Terbaik untuk Pengukuran Jenis Motor DAB

Data Testing

Freq.Fund

Freq.Har 2

Freq.Har 3

Actual Fault Code

Predicted Fault Code

Eror

1 -64.24 -69.04 -79.38 100 96.48 3.522 -65.07 -69.33 -81.41 100 98.64 1.363 -63.68 -69.06 -78.96 100 96.65 3.354 -64.01 -69.03 -78.30 100 96.32 3.685 -65.18 -69.50 -79.52 100 99.21 0.796 -63.72 -69.12 -78.72 100 97.27 2.737 -63.94 -69.15 -79.70 100 97.53 2.478 -65.21 -69.24 -80.49 100 98.21 1.799 -64.01 -69.21 -81.61 100 97.98 2.0210 -63.89 -69.28 -80.95 100 98.40 1.6011 -65.30 -69.20 -80.51 100 97.95 2.0412 -64.11 -68.70 -78.02 100 88.59 11.4113 -63.76 -68.90 -79.18 100 94.31 5.6814 -65.24 -68.94 -77.61 100 95.10 4.9015 -64.23 -68.77 -78.66 100 90.97 9.0316 -63.85 -69.12 -78.16 100 97.25 2.7417 -65.17 -69.17 -80.53 100 97.75 2.2418 -64.41 -68.98 -77.57 100 95.61 4.3919 -63.68 -69.05 -78.72 100 96.52 3.4720 -65.12 -69.00 -78.92 100 95.93 4.0721 -64.59 -68.91 -80.30 100 94.54 5.4622 -63.60 -68.88 -78.19 100 93.85 6.1423 -65.02 -69.03 -79.90 100 96.40 3.6024 -64.73 -68.98 -78.27 100 95.68 4.3225 -63.71 -68.95 -79.03 100 95.16 4.84

Average eror 3.90

Tabel 12 Pengujian Repeatability Sistem Identifikasi ANFIS Terbaik untuk Pengukuran Jenis Motor DAB K14-400

Data Testing

Freq.Fund

Freq.Har 2

Freq.Har 3

Actual Fault Code

Predicted Fault Code

Eror

1 -56.98 -82.81 -88.80 100 37.41 62.592 -57.01 -83.10 -88.57 100 90.43 9.573 -56.97 -82.63 -88.93 100 22.72 77.284 -56.82 -82.47 -89.36 100 17.87 82.135 -57.01 -82.34 -88.81 100 17.28 82.726 -56.87 -82.82 -88.50 100 38.90 61.107 -56.99 -82.84 -89.09 100 41.25 58.758 -56.94 -82.79 -89.16 100 35.51 64.499 -56.87 -82.26 -88.83 100 16.82 83.1810 -57.03 -82.25 -88.61 100 17.30 82.7011 -56.88 -82.72 -88.24 100 28.38 71.6212 -57.01 -82.80 -89.25 100 36.65 63.3513 -56.98 -83.15 -89.01 100 100.59 0.5914 -56.88 -82.68 -88.45 100 25.82 74.1815 -57.03 -82.38 -88.71 100 17.46 82.5416 -56.82 -82.15 -87.60 100 16.98 83.0217 -56.80 -82.09 -87.85 100 17.21 82.7918 -56.95 -81.65 -87.61 100 19.78 80.2219 -56.70 -82.21 -88.58 100 16.60 83.4020 -57.01 -82.08 -87.87 100 17.77 82.2321 -56.85 -82.58 -87.72 100 20.65 79.3522 -56.78 -82.39 -88.21 100 16.90 83.1023 -56.97 -81.80 -88.31 100 19.02 80.9824 -56.78 -82.31 -88.80 100 16.66 83.3425 -56.80 -81.97 -88.22 100 17.78 82.22

Average eror 71.05

Page 16: Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti ...digilib.its.ac.id/public/ITS-Undergraduate-13029-Paper.pdf1 IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA

16

Tabel 13 Pengujian Repeatability Sistem Identifikasi ANFIS Terbaik untuk Pengukuran Jenis Motor Electrical Water Pump

Data Testing

Freq.Fund

Freq.Har 2

Freq.Har 3

ActualFault Code

Predicted Fault Code

Eror

1 -70.73 -86.00 -89.87 100 106.62 6.622 -70.45 -85.82 -89.10 100 105.71 5.713 -70.78 -85.83 -88.92 100 106.78 6.784 -70.59 -85.51 -89.01 100 106.13 6.135 -70.60 -85.74 -89.57 100 106.18 6.186 -70.53 -85.84 -89.64 100 105.94 5.947 -70.63 -85.43 -89.06 100 106.26 6.268 -70.71 -85.84 -88.72 100 106.53 6.539 -70.75 -85.87 -88.90 100 106.67 6.6710 -70.61 -85.73 -89.24 100 106.20 6.2011 -70.24 -85.70 -89.15 100 105.09 5.0912 -70.86 -85.59 -89.01 100 107.04 7.0413 -70.67 -85.81 -89.45 100 106.41 6.4114 -70.82 -85.61 -89.13 100 106.90 6.9015 -70.52 -85.46 -89.78 100 105.92 5.9216 -70.89 -85.44 -89.24 100 107.14 7.1417 -70.28 -85.59 -89.05 100 105.20 5.2018 -70.66 -85.74 -88.68 100 106.39 6.3919 -70.34 -85.73 -88.85 100 105.39 5.3920 -70.73 -85.27 -88.92 100 106.58 6.5821 -70.32 -85.63 -88.99 100 105.31 5.3122 -70.67 -85.92 -89.17 100 106.42 6.4223 -70.35 -85.82 -89.49 100 105.41 5.4124 -70.66 -85.77 -88.94 100 106.38 6.3825 -70.54 -85.69 -89.22 100 105.99 5.99

Average eror 6.18

Tabel 14 Pengujian Repeatability Sistem Identifikasi ANFIS Terbaik untuk Pengukuran Jenis Motor Sewing Machine Motor

Data Testing

Freq.Fund

Freq.Har 2

Freq.Har 3

Actual Fault Code

Predicted Fault Code

Eror

1 -90.14 -70.90 -77.40 200 181.20 18.802 -90.75 -70.11 -77.52 200 181.97 18.033 -90.18 -69.89 -77.95 200 181.22 18.784 -90.61 -70.41 -77.57 200 181.81 18.195 -91.34 -70.18 -77.20 200 182.69 17.316 -91.18 -70.35 -77.13 200 182.51 17.497 -89.89 -70.18 -77.10 200 180.85 19.158 -90.16 -70.28 -76.85 200 181.22 18.789 -87.39 -69.91 -77.71 200 176.87 23.1310 -88.59 -70.33 -77.29 200 178.94 21.0611 -88.71 -70.25 -77.30 200 179.12 20.8812 -89.90 -70.16 -77.80 200 180.87 19.1313 -88.79 -70.09 -77.06 200 179.24 20.7614 -89.23 -70.62 -77.32 200 179.93 20.0715 -91.03 -69.98 -77.64 200 182.30 17.7016 -88.74 -70.85 -77.57 200 179.19 20.8117 -89.84 -70.72 -77.53 200 180.80 19.2018 -89.55 -70.65 -77.35 200 180.40 19.6019 -89.23 -70.48 -77.21 200 179.93 20.0720 -89.87 -70.49 -77.42 200 180.83 19.1721 -89.72 -70.72 -77.46 200 180.64 19.3622 -87.71 -70.40 -77.36 200 177.47 22.5323 -86.14 -70.54 -77.56 200 174.44 25.5624 -85.93 -70.74 -77.53 200 174.00 26.0025 -87.45 -70.17 -77.46 200 177.00 23.00

Average eror 20.18