PREDIKSI SISA UMUR PADA ROTATING MACHINERY … · i tugas akhir – tm 091486 prediksi sisa umur...

i

TUGAS AKHIR – TM 091486

PREDIKSI SISA UMUR PADA ROTATING

MACHINERY DENGAN METODE ANFIS

(ADAPTIVE NEURO-FUZZY INFERENCE SYSTEMS)

MOHAMMAD TAUFAN

NRP. 2106 100 147

Dosen Pembimbing

Dr. Muh. Nur Yuniarto

JURUSAN TEKNIK MESIN

Fakultas Teknologi Industri

Institut Teknologi Sepuluh Nopember

Surabaya 2010

[Halaman ini sengaja dikosongkan]

FINAL PROJECT– TM 091486

REMAINING USEFUL LIFETIME PREDICTION OF

ROTATING MACHINERY USING ANFIS


MOHAMMAD TAUFAN

NRP. 2106 100 147

Advisor

Dr. Muh. Nur Yuniarto

MECHANICAL ENGINEERING

Faculty of Industrial Technology

Sepuluh Nopember Institute of Technology

Surabaya 2010

PREDIKSI SISA UMUR PADA ROTATING MACHINERY

DENGAN METODE ANFIS


TUGAS AKHIR

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

pada

Program Studi S-1 Jurusan Teknik Mesin

Fakultas Teknologi Industri

Institut Teknologi Sepuluh Nopember

Oleh :

MOHAMMAD TAUFAN NRP. 2106 100 147

Disetujui oleh Tim Penguji Tugas Akhir :

1. Dr. M. Nur Yuniarto

NIP. 197506301998021001 ...................(Pembimbing I)

2. Ir. Bambang Pramujati, MSc. Eng., Ph.D

NIP. 196912031994031001 ........................... (Penguji I)

3. Ir. Witantyo, M.Eng.Sc

NIP. 196303141988031002 .......................... (Penguji II)

4. Ir. Sudiyono Kromodihardjo, M.Sc. Ph.D

NIP. 195208011978031005 ........................ (Penguji III)

SURABAYA

Agustus, 2010

PREDIKSI SISA UMUR PADA ROTATING MACHINERY

DENGAN METODE ANFIS (ADAPTIVE NEURO-FUZZY

INFERENCE SYSTEMS)

Nama Mahasiswa : Mohammad Taufan

NRP : 2106.100.147

Jurusan : Teknik Mesin FTI – ITS

Dosen Pembimbing: Dr. Muhammad Nur Yuniarto

Abstrak

Prognosa kerusakan pada sebuah rotating machinery

menjadi aspek penting dalam penerapan maintenance karena

terjadinya kerusakan dapat mengakibatkan turunnya produktifitas

sebuah perusahaan. Pengukuran getaran adalah salah satu metode

yang cukup baik untuk mengetahui kondisi mesin karena getaran

merupakan indikator kondisi mekanikal dan indikator awal dari

adanya cacat pada suatu mesin secara menyeluruh. Penerapan

Artificial Intelligence dalam pemrosesan data getaran untuk

prognosa kerusakan semakin meningkat. Hal ini disebabkan

karena keputusan yang dihasilkan tidak subjektif dan performa

prediksinya lebih baik. Prastowo (2006) memanfaatkan JST

(Jaringan Syaraf Tiruan) dalam memprediksi sisa umur dari

sebuah mesin, akan tetapi error yang terjadi dirasa masih cukup

besar. Untuk itu diperlukan sebuah metode lain yang diharapkan

memiliki performa lebih baik.

Di dalam penelitian ini akan dilakukan prediksi sisa umur

pakai dari sebuah rotating machinery dengan metode ANFIS

(Adaptive Neuro-Fuzzy Inference Systems) menggunakan

program Matlab. Data getaran yang diambil menggunakan sensor

getaran pada rentang waktu tertentu akan digunakan untuk

memprediksi degradasi unjuk kerja dari suatu mesin. Data getaran

inilah yang akan digunakan untuk data training dan testing pada

ANFIS. Tipe membership function segitiga, lonceng dan

trapezoidal akan dibandingkan dalam proses training dan testing

menggunakan sistem hybrid dan backpropagation. Pengaruh

penambahan jumlah membership function sebanyak 2 buah juga

akan dilihat pada proses tersebut.

Dari penelitian ini diketahui bahwa ANFIS dengan sistem

pembelajaran hybrid menghasilkan average error yang lebih baik

daripada backpropagation. Uji coba dengan data testing

didapatkan bahwa ANFIS mampu memprediksi sisa umur pakai

dari data yang diinputkan kepadanya. Testing error ketika

menggunakan membership function tipe segitiga sebesar 0.002.

Pengaruh penambahan 2 membership function pada sistem hybrid

akan memperbesar error sedangkan pada backpropagation akan

menurunkan error.

Kata kunci : Rotating Machinery, Prognostic, Prediksi sisa

umur, Vibration monitoring, Anfis

REMAINING USEFUL LIFETIME PREDICTION OF

ROTATING MACHINERY USING ANFIS (ADAPTIVE

NEURO-FUZZY INFERENCE SYSTEMS)

Name : Mohammad Taufan

NRP : 2106.100.147

Departement : Teknik Mesin FTI – ITS

Academic Supervisor : Dr. Muhammad Nur Yuniarto

Abstract

The failure prognosis on a rotating machinery becomes an

important aspect in the implementation of maintenance because of

this failure can lead productivity degradation of a company.

Vibration measurement is one method that is good enough to

know the machine condition because vibration is an indicator of

mechanical condition and early indicator of the defects in a

machine. Application of Artificial Intelligence in failure

prognosis is increasing. It is because the decisions are not

subjective and better prediction performance. Prastowo (2006)

using ANN (Artificial Neural Network) in predicting remaining

useful lifetime of a machine, but the error that occurred is too

high. So, it needs a method which is expected to have better

performance.

In this paper, will be conducted the remaining useful

lifetime prediction of a rotating machinery using ANFIS

(Adaptive Neuro-Fuzzy Inference Systems) method. Vibration

data taken using the vibration sensor at a certain time span will be

used to predict the performance degradation of a machine

condition. Vibration data is to be used for training data and testing

on ANFIS. Triangular, trapezoidal and bell type membership

function will be compared in the process of training and testing

using backpropagation and hybrid learning system. Effect of

addition in number of membership functions will also be seen in

the process.

ANFIS with the hybrid learning system produces an

average error better than backpropagation. Testing with the

testing data showed that the ANFIS is able to predicts its

remaining useful lifetime. Testing errors when using triangular

type membership function is 0.002. Effect of the addition of two

membership functions in the hybrid learning system is error will

increase while the backpropagation will decrease it.

Keywords : Rotating Machinery, Prognostic, Remaining Useful

Lifetime, Vibration monitoring, Anfis

KATA PENGANTAR

Segala puji hanya milik Allah. Kita memuji, memohon

pertolongan dan ampunan-Nya, bertaubat dan berlindung kepada-

Nya dari kejahatan diri dan keburukan amal perbuatan kita.

Barangsiapa yang diberi petunjuk oleh Allah maka tiada yang

dapat menyesatkannya dan barangsiapa yang disesatkan oleh-Nya

maka tiada yang dapat menunjukinya. Saya bersaksi bahwa tiada

Tuhan yang berhak disembah kecuali Allah, tiada sekutu bagi-

Nya. Dan saya bersaksi bahwa Muhammad adalah hamba dan

utusan-Nya. Semoga shalawat dan salam tetap tercurah atas

beliau, seluruh keluarga, para sahabat dan para pengikutnya yang

setia sampai akhir zaman.

Puji syukur penulis panjatkan kehadirat Allah Subhanahu

wa Ta’Ala karena berkat rahmat-Nyalah penulis dapat

menyelesaikan tugas akhir yang berjudul “Prediksi Sisa Umur

Pada Rotating Machinery Dengan Metode ANFIS (Adaptive

Neuro-Fuzzy Inference Systems)”. Tugas akhir ini disusun sebagai

salah satu syarat untuk memperoleh gelar Sarjana Teknik di

Institut Teknologi Sepuluh Nopember, Surabaya. Pada

kesempatan ini, penulis ingin menyampaikan rasa terima kasih

kepada:

1. Ibu, bapak serta kakak-kakak yang selalu memberikan doa dan

dukungannya.

2. Bapak Dr. Muh. Nur Yuniarto selaku dosen pembimbing tugas

akhir yang telah yang secara tidak langsung mengajarkan arti

pentingnya sebuah kerja keras, tanggung jawab, dan

konsekuensi.

3. Bapak Ir. Bambang Pramujati, M.Sc.Eng., Ph.D., Bapak Ir.

Witantyo, M.Eng.Sc., dan Bapak Ir. Sudiyono Kromodihardjo,

M.Sc. Ph.D selaku tim penguji tugas akhir yang telah banyak

memberikan masukan kepada penulis sehingga tugas akhir ini

menjadi lebih sempurna.

4. Semua dosen Jurusan Teknik Mesin FTI ITS, yang telah

memberikan ilmu pengetahuannya, semoga Allah membalas

jasa dan budi baikmu.

5. Rekan-rekan satu angkatan, M49, yang telah banyak mengukir

prestasi di tingkat lokal, nasional, maupun internasional. Saya

sangat bangga menjadi bagian dari angkatan ini.

6. Rekan-rekan Manufacture Study Club: Purna, Yani, Dede,

Ariawan, Andra, Izul, Prita, Niken, Intan, Linna, Edo, Andra,

Niga, dan semuanya.

7. Tim sukses : Titin, Niken, Fani,Oke’dkk. Tanpa kalian saya

bukan apa-apa. Hahahah..

8. Keluarga Mahasiswa Mesin, Himpunan Mahasiswa Mesin,

klub pers Dimensi, M*ITS Autosport, Mesin Music Club,

Lembaga Bengkel Mahasiswa Mesin, Lembaga Dakwah Ash-

shaff. Tempat saya ”belajar” tentang organisasi dan

kekeluargaan.

Akhir kata, salah dan khilaf adalah fitrah manusia. Penulis

menyadari bahwa tugas akhir ini masih memiliki banyak

kekurangan. Oleh karena itu, kritik dan saran sangat penulis

harapkan demi kesempurnaan tugas akhir ini. Akhir kata, semoga

laporan tugas akhir ini dapat bermanfaat untuk kita semua.

DAFTAR ISI

HALAMAN JUDUL i

LEMBAR PENGESAHAN v

ABSTRAK vii

KATA PENGANTAR xi

DAFTAR ISI xiii

DAFTAR GAMBAR xv

DAFTAR TABEL xviii

BAB I PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Perumusan Masalah 4

1.3 Tujuan Penelitian 4

1.4 Manfaat Penelitian 5

1.5 Batasan Masalah 5

BAB II TINJAUAN PUSTAKA 7

2.1 Kegagalan 7

2.2 Analisa Getaran 8

2.3 Penelitian-penelitian Terdahulu Tentang

Analisa getaran Pada Rotating Machinery 8

2.4 ANFIS (Adaptive Neuro-Fuzzy Inference

Systems) 16

2.4.1 Struktur ANFIS 16

2.4.2 Proses Pembelajaran Pada ANFIS 19

BAB III METODOLOGI PENELITIAN 21

3.1 Diagram Alir Penelitian 21

3.2 Studi Pustaka 22

3.3 Perumusan Masalah 23

3.4 Mengumpulkan Data Sekunder 23

3.5 Proses FFT dengan Software Matlab 23

3.6 Preprocessing Jaringan 23

3.7 Penyusunan FIS dan Set Input Membership 23

Function

3.8 Input Data Training ke ANFIS 23

3.9 Testing ANFIS 24

3.10 Eksperimen Validasi/Checking ANFIS 24

3.11 Analisa Pembahasan 24

3.12 Kesimpulan dan Saran 24

BAB IV PERMODELAN ANFIS 27

4.1 Data yang Digunakan 27

4.2 Analisa Data yang Digunakan 34

4.3 Struktur dan Permodelan ANFIS 42

4.3.1 Fuzzifikasi dan Set Membership

Function untuk Penentuan Sisa Umur 43

4.3.2 Rule Evaluation Fuzzifikasi Untuk

Penentuan Sisa Umur 44

BAB V TRAINING DAN VALIDASI ANFIS 51

5.1 Input Data Training 51

5.2 Testing ANFIS 64

5.3 Perbandingan Performa Prediksi

Menggunakan ANFIS dan JST 73

BAB VI PENUTUP 75

6.1 Kesimpulan 75

6.2 Saran 76

DAFTAR PUSTAKA 77

LAMPIRAN-LAMPIRAN 79

DAFTAR GAMBAR

Halaman

Gambar 2.1

Gambar 2.2(a)

Gambar 2.2(b)

Gambar 2.3

Gambar 2.4

Gambar 2.5

Gambar 2.6

Gambar 2.7

Gambar 2.8

Gambar 2.9

Gambar 3.1

Gambar 4.1

Gambar 4.2

Gambar 4.3

Gambar 4.4

Gambar 4.5

Gambar 4.6(a)

Gambar 4.6(b)

Gambar4.6(c)

Kurva Potential Failure to Failure

(Moubray,1997)

Data Getaran Time Domain

(Roky,2006)

Data Getaran Frequency Domain

(Roky,2006)

Hasil Program Analisa Sinyal

Menggunakan FFT (Roky,2006)

Contoh Spektrum Getaran (Lee,2004)

Performance Degradation (Lee,2004)

Program Prediksi Sisa Umur

Menggunakan JST (Prastowo,2006)

Diagram Penelitian Tentang Analisa

Getaran Pada Rotating Machinery

Arsitektur ANFIS orde I (Jang,1997)

Proses Pembelajaran Hibrid Pada

ANFIS

Diagram Alir Penelitian

Sistem Cooling Waterpump 2A

Spektrum MIBV

Spektrum MIBV Gabungan

Histogram Peak MIBV

Sinyal Spektrum Misalignment

(Girdhar,2004)

Angular Misalignment

Parallel Misalignment

Combination Angular and Parallel

Misalignment

7

9

9

10

12

13

14

15

17

19

21

27

28

32

33

35

35

36

36

Gambar 4.7

Gambar 4.8

Gambar 4.9

Gambar 4.10

Gambar 4.11

Gambar 4.12

Gambar 4.13

Gambar 4.14

Gambar 4.15

Gambar 4.16

Gambar 4.17

Gambar 5.1

Gambar 5.2(a)

Gambar 5.2(b)

Gambar 5.2(c)

Gambar 5.3(a)

Gambar 5.3(b)

Gambar 5.3(c)

Gambar 5.4

Gambar 5.5

Efek Misalignment pada Poros

Kopling

Dimensi pada bearing

Flowchart permodelan ANFIS

Fuzzifikasi dan Membership Function

untuk power spektrum

Fuzzifikasi dan Membership Function

untuk frekuensi

Rule penentuan sisa umur

Program ANFIS GUI

Setting parameter untuk grid partisi

pada anfis

Training data pada ANFIS

Struktur ANFIS

Surface Viewer

Hubungan iput-output pada struktur

ANFIS

Hybrid training ANFIS dengan

membership function trimf


membership function gbell


membership function trapmf

Backpropagation training ANFIS

dengan membership function trimf


dengan membership function gbell


dengan membership function trapmf

Pengaruh penambahan 2 buah MF

dalam proses training data

menggunakan sistem pembelajaran

hybrid

Pengaruh penambahan 2 buah MF

37

39

42

43

44

45

46

47

48

49

49

51

52

53

53

56

56

57

62

63

Gambar 5.6

Gambar 5.7

dalam proses training data

menggunakan sistem pembelajaran

hybrid

Testing pada hybrid ANFIS dengan

membership function trapmf

Testing pada backpropagation ANFIS

dengan membership function trapmf

64

65

DAFTAR TABEL & GRAFIK

Halaman

Tabel 2.1

Tabel 2.2

Tabel 2.3

Tabel 2.4

Tabel 4.1

Tabel 5.1

Tabel 5.2

Tabel 5.3

Table 5.4

Tabel 5.5

Tabel 5.6

Gejala-gejala Kegagalan Yang

Timbul Pada Pompa (Beebe,2004)

Validasi Data Independen

Menggunakan Sistem Hibrid

(Abet,2009)

Perbandingan kinerja Antara Sistem

Fuzzy Dengan Jaringan Syaraf tiruan

(Dewi,2006)

Proses Pembelajaran Hibrid pada

ANFIS (Jang,1997)

Penamaan Sinyal Testing

Training data menggunakan sistem

pembelajaran hybrid(34 MF)


pembelajaran backpropagation (34

MF)


pembelajaran hybrid (56 MF)


pembelajaran backpropagation (56

MF)

Testing data pada hybrid anfis (3 4

MF)

Perbandingan performa prediksi

8

11

16

19

34

54

57

59

60

66

68

BAB I

PENDAHULUAN

1.1 Latar Belakang

Rotating machinery memegang peranan penting pada proses

produksi berbagai industri di dunia. Kondisi komponen-

komponen mesin ini sangat menjadi perhatian khusus oleh pihak

perusahaan, karena jika terjadi kerusakan dapat mengakibatkan

turunnya produktifitas. Oleh sebab itu sangat penting untuk

melakukan diagnosa dan prognosa kerusakan pada sebuah

rotating machinery sebelum kerusakan terjadi, sehingga bisa

direncanakan metode dan waktu pelaksanaan maintenance yang

lebih tepat.

Prognosa adalah suatu proses penting dalam reliability,

availability, maintainability dan safety suatu mesin. Tujuan utama

dari sistem prognosa adalah untuk mengestimasikan sisa umur

pakai (remaining useful life) dari sebuah mesin yang berguna

untuk mengetahui sisa waktu sebelum terjadi kegagalan pada

mesin tersebut (Jardin,2006).

Ada berbagai metode yang dapat digunakan untuk mengukur

kondisi mesin, seperti vibration analysis, oil analysis,

temperature measurement, pressure measurement, flow rate

measurement, dan lain-lain. Pengukuran vibrasi mesin adalah

salah satu metode yang cukup baik untuk mengetahui kondisi

mesin karena getaran merupakan indikator kondisi mekanikal dan

indikator awal dari adanya cacat (defect) pada suatu mesin secara

keseluruhan. Semakin tinggi getaran yang terjadi

mengindikasikan penurunan kondisi dari mesin tersebut.

Produktifitas juga tidak akan menurun karena mesin tetap

beroperasi ketika dilakukan pengambilan data getaran. Dari hasil

pengukuran vibrasi secara rutin akan didapatkan data vibrasi

berupa time domain, yang selanjutnya akan dirubah menjadi

frekuensi domain.

Dalam kondisi aktualnya, kerusakan yang terjadi pada

sebuah mesin sangatlah kompleks, sehingga sangat sulit untuk

mencari model matematik dari sebuah mesin yang dapat

digunakan sebagai parameter dalam melakukan diagnosa dan

prognosa kerusakan. Selain itu hubungan antara kerusakan dan

gejala kerusakan terkadang juga terlalu kompleks. Sehingga hasil

dari diagnosa mengandung ketidakpastian (fuzzines) yang cukup

tinggi (Ping Yang dan Sui – sheng Liu, 2005). Metode artificial

intelligent gabungan antara fuzzy logic dengan neural network

(JST) atau yang lebih dikenal dengan istilah ANFIS (Adaptive

Neuro-Fuzzy Inference System) banyak sekali diaplikasikan untuk

mengatasi permasalahan diatas. Fuzzy logic memiliki kelebihan

dalam memodelkan aspek kualitatif dari pengetahuan manusia

dan proses pengambilan keputusan dengan menerapkan basis

aturan (rules). Sedangkan Jaringan syaraf tiruan (JST) memiliki

kelebihan dalam mengenali pola, belajar dan berlatih dalam

menyelesaikan suatu permasalahan tanpa memerlukan

permodelan matematik. Selain itu jaringan syaraf tiruan dapat

bekerja berdasarkan data historis yang diinputkan kepadanya dan

dapat memprediksi kejadian yang akan datang berdasarkan data-

data tersebut.

Penelitian mengenai analisa vibrasi pada rotating machinery

sudah banyak dilakukan. Mas’udi (2009) melakukan penelitian

tentang diagnosa kerusakan pada rotating machinery

menggunakan JST (Jaringan Syaraf Tiruan). Dengan melakukan

eksperimen, Mas’udi memvariasikan beberapa jenis kerusakan

seperti misalignment, unbalance, bad bearing, bad gear serta

kombinasinya yang akan digunakan sebagai data training untuk

JST agar dapat mendiagnosa kerusakan secara otomatis.

Kemampuan JST dalam mendiagnosa/mengenali jenis-jenis

kerusakan yang terjadi sangat dipengaruhi oleh banyaknya data

training. Oleh sebab itu, semakin banyak sinyal yang ditraining

akan semakin bagus. Namun disisi lain, jaringan syaraf tiruan

memiliki kelemahan. Yaitu masih membutuhkan waktu yang

relatif cukup lama dan sering mengalami keterlambatan dalam

mengidentifikasi dan mendiagnosa kerusakan yang terjadi pada

sebuah sistem yang kompleks (Ping Yang dan Sui – sheng Liu,

2005). JST yang disusun oleh Mas’udi mampu mengidentifikasi

kerusakan dengan tingkat toleransi error 10-7

. Akan tetapi

performa dalam mengidentifikasi kerusakan ini dirasa masih

perlu ditingkatkan untuk mendapatkan suatu sistem prediksi yang

lebih handal.

Kemudian Abet (2009) melakukan pengembangan penelitian

dengan menggunakan data yang sama seperti Mas’udi. Metode

yang digunakan oleh Abet adalah ANFIS (Adaptive Neuro-Fuzzy

Inference Systems) dimana metode ini adalah gabungan dari

sistem fuzzy logic dan JST. Dari perbandingan kedua penelitian

yang dilakukan, didapat kesimpulan bahwa performa ANFIS

lebih baik dibanding JST dalam mendiagnosa kerusakan. Hal ini

dikarenakan kelebihan ANFIS yang mempunyai metode

pembelajaran hybrid, yaitu pembelajaran arah maju (forward

pass) dengan menggunakan metode Galat Kuadrat Terkecil

(Recursive Least Square Estimator) atau sering disebut RLSE dan

pembelajaran arah mundur (backward pass) yang menggunakan

metode turunan (gradient descent) atau yang lebih dikenal dengan

istilah backpropagation. Pada arah maju, parameter premis dibuat

tetap. Dengan menggunakan metode RLSE, parameter konsekuen

diperbaiki berdasarkan pasangan data masukan-keluaran. Metode

RLSE dapat diterapkan karena parameter konsekuen yang

diperbaiki adalah parameter linier. Metode RLSE akan

mempercepat proses belajar. Setelah parameter konsekuen

didapat, masukan dilewatkan jaringan adaptif kembali dan hasil

keluaran jaringan adaptif ini dibandingkan dengan keluaran

sebenarnya. Pada arah mundur, parameter konsekuen dibuat tetap.

Kesalahan (error) yang terjadi antara keluaran jaringan adaptif

dan keluaran sebenarnya dipropagasikan mundur dengan

menggunakan gradient descent untuk memperbaiki parameter

premis.

Prastowo (2006) melakukan penelitian tentang prediksi sisa

umur pakai mesin Cooling Waterpump 2A PT. PJB UP. Gresik

dengan menggunakan metode JST (Jaringan Syaraf Tiruan). Dari

hasil plot frekuensi domain oleh FFT dari sinyal learning

waveform MIBV(Motor Inboard Vertical) diketahui bahwa

Jaringan syaraf tiruan yang disusun Prastowo mampu

memprediksi sisa umur pakai dengan tingkat toleransi error 10-7

.

Penelitian Prastowo masih perlu dikembangkan, dimana performa

dalam memprediksi sisa umur pakai dirasa penting untuk

ditingkatkan. Untuk itu, dalam penelitian ini akan dilakukan

sebuah pengembangan ANFIS menggunakan input getaran untuk

melakukan prediksi sisa umur pakai dari rotating machinery.

1.2 Perumusan Masalah

Dari uraian diatas, maka dapat diambil perumusan masalah

untuk dalam penelitian ini adalah :

1. Bagaimana menyusun struktur ANFIS (Adaptive Neuro -

Fuzzy inference system) yang dapat digunakan untuk

memprediksi sisa umur pakai efektif dari sebuah rotating

machinery berdasarkan data sekunder berupa data

getaran.

2. Bagaimana memvalidasi output ANFIS yang telah

disusun sehingga dapat menjamin kemampuan dari

metode tersebut.

3. Bagaimana perbandingan performa prediksi sisa umur

menggunakan ANFIS dengan JST.

1.3 Tujuan Penelitian

Tujuan Penelitian ini adalah :

1. Membuat sistem prognosa otomatis yang mampu

memprediksi sisa umur efektif dari komponen mekanikal

menggunakan ANFIS (Adaptive Fuzzy Neuro-inference

system).

2. Menguji tingkat validasi output ANFIS (Adaptive Fuzzy

Neuro-inference system) yang telah disusun sehingga

dapat menjamin kemampuan dari metode tersebut.

3. Membandingkan sistem hybrid ANFIS dengan sistem

backpropagation dalam memprediksi sisa umur.

4. Membandingkan pengaruh penggunaan tipe membership

funcion trimpf (segitiga), gbell (lonceng) dan trapezoidal

dalam memprediksi sisa umur.

5. Mengembangkan penelitian tentang aplikasi artifical

intelligance dalam bidang maintenace, khususnya untuk

condition monitoring via vibrasi.

1.4 Manfaat Penelitian

Manfaat dari penelitian ini adalah :

1. Mampu memprediksi sisa umur pakai efektif dari sebuah

komponen mesin agar dapat disusun metode

pemeliharaan yang tepat sehingga bisa meningkatkan

kapasitas produksi dan mengurangi biaya perbaikan.

2. Mengurangi faktor subjektifitas manusia dalam

penentuan keputusan mengenai sisa umur pakai sebuah

mesin.

1.5 Batasan Masalah

Batasan masalah dan asumsi yang digunakan untuk

menganalisa antara lain:

1. Data yang digunakan adalah data sekunder dari lapangan

pada sistem Cooling Waterpump 2A PT.PJB UP. Gresik.

2. Penyusunan ANFIS menggunakan software Matlab 7.1.

3. Penentuan sisa umur efektif berdasarkan hasil output

ANFIS yang telah disusun.

“Halaman ini sengaja dikosongkan”

BAB II

TINJAUAN PUSTAKA

2.1 Kegagalan

Kegagalan/failure adalah ketidakmampuan dari

suatu komponen, sub-sistem, atau sistem untuk melakukan

fungsinya pada performansi standar menurut desainnya.

Kinerja standar dari suatu sistem, sub-sistem, peralatan atau

komponen berkaitan dengan apa yang harus kita capai dan

evaluasi kita terhadap kemampuan desain dan keandalan

intrinsik dari sistem, sub-sistem, peralatan, atau komponen

tersebut.

Dari hasil penelitian John Moubray, pada bukunya

yang berjudul “RCM II”, diketahui bahwa keandalan

(reliability) dari suatu komponen mesin akan turun seiring

dengan waktu operasi dari komponen mesin tersebut. Dari

kurva Potensial Failure to Failure (P-F) penelitian dari

Moubray dapat dilihat fenomena kerusakan yang terjadi

sepanjang fungsi interval waktu. Dari mulai awal terjadinya

kerusakan(titik P) sampai fungsi operasional dari peralatan

tersebut tidak berfungsi bisa diamati. Dari gambar 2.1

diketahui pula bahwa getaran mesin mengindikasikan

kerusakan sejak awal yaitu 9 bulan sebelum kerusakan

fungsional terjadi yaitu pada titik P1. Indikasi selanjutnya

yang muncul seperti adanya geram pada pelumas,

kebisingan, lalu overheating.

Gambar 2.1 Kurva Potential Failure to Failure (Moubray,

1997)

2.2 Analisa Getaran

Vibration analysis adalah metode yang paling sering

digunakan dalam condition monitoring pada berbagai

rotating machinery terutama pompa (Beebe,2004). Hal ini

dikarenakan getaran merupakan indikator kondisi mekanikal

yang baik dan indikator awal dari adanya cacat (defect) pada

suatu mesin secara keseluruhan. Hal ini ditunjukkan dalam

tabel berikut.

Tabel 2.1 Gejala-gejala kegagalan yang timbul pada pompa

(Beebe, 2004)

Tabel 2.1 diatas adalah tabel dari berbagai macam

kegagalan pada pompa dan gejala-gejala yang yang

ditimbulkannya. Dari tabel tersebut bisa dilihat bahwa

getaran menjadi indikator untuk mayoritas kegagalan pada

pompa. Hal ini menunjukan bahwa getaran merupakan

indikator kondisi mekanikal yang paling baik untuk

mendiagnosa kegagalan.

2.3 Penelitian-Penelitian Terdahulu Tentang Analisa

Getaran Pada Rotating Machinery

Roky (2006) melakukan penelitian tentang diagnosa

kegagalan pada mesin cooling waterpump 2A PT. PJB UP

Gresik menggunakan metode analisa getaran. Dari hasil

pengukuran getaran pada pompa didapatkan data getaran

dalam basis time domain. Data getaran time domain adalah

adalah gabungan dari banyak sekali sinyal getaran pada

suatu waktu tertentu, dimana setiap sinyal getaran pada

grafik waveform mempunyai fungsi matematis sendiri-

sendiri. Data ini belum bisa digunakan untuk mencari jenis

kerusakan yang terjadi beserta penyebabnya. Oleh karena itu

Roky meneliti bagaimana caranya data getaran dari time

domain tersebut dirubah ke basis frekuensi domain untuk

mencari jenis kerusakan yang terjadi. Dalam hal ini Roky

menggunakan metode Fast Fourier Transform (FFT).

Gambar 2.2 mengilustrasikan perbedaan antara data getaran

time domain dengan frekuensi domain.

(a) (b)

Gambar 2.2 (a) Data getaran time domain , (b) Data getaran

frequency domain (spektrum) (Roky,2006)

FFT adalah suatu algoritma, dimana dapat

membedakan frekuensi-frekuensi getaran/vibrasi pada suatu

mesin yang sedang beroperasi. Dengan proses FFT yang

terdapat pada software Matlab, maka akan dihasilkan grafik

spectrum yang menunjukan besarnya amplitudo pada setiap

frekuensi. Outputan FFT dibandingkan dengan tabel

karakteristik getaran untuk mencari jenis kerusakan dan

kemungkinan penyebabnya.

Hasil ini membutuhkan kemampuan dan

pengalaman yang cukup banyak dari analisatornya. Selain

itu, hasil analisanya sangat subyektif oleh faktor manusia

yang menganalisa dan waktu yang dibutuhkan juga relatif

lama. Hasil akhir penelitian dari Roky dapat dilihat pada

gambar 2.3 dibawah.

Gambar 2.3 Hasil program analisa sinyal menggunakan

FFT (Roky, 2006)

Abet (2009) melakukan penelitian tentang diagnosa

kerusakan pada rotating machinery menggunakan ANFIS

(Adaptive Neuro Fuzzy Inference Systems). Dengan

melakukan eksperimen, Abet Mardani memvariasikan

beberapa jenis kerusakan seperti misalignment, unbalance,

bad bearing, bad gear serta kombinasinya yang akan

digunakan sebagai data training untuk ANFIS agar dapat

mendiagnosa kerusakan secara otomatis. Dari simulasi

menggunakan ANFIS toolbox menggunakan sistem hybrid,

didapatkan data sebagai berikut :

Tabel 2.2 Validasi data independent menggunakan sistem

hybrid (Abet,2009)

Checking Data Horizontal Sistem Hybrid

Jenis Kerusakan Tipe MF

segitiga lonceng trapesium

Misalignment 5.63x10-5

3.61x10-6

5.63x10-5

Misalignment,Unbalance 0.0001129 6.02x10-6

3.34x10-8

Misalignment, bearing 0.00016922 5.59x10-6

1.48x10-8

Misalignment, Gear 5.34x10-5

0.099997 5.58x10-8

Misalignment,unbalance,bearing 0.0002834 7.15x10-6

6.66x10-8

Misalignment, unbalance,gear 0.00034045 1.05x10-5

2.12x10-7

Misalignmnet, bearing,gear, 0.000397 1.13x10-5

1.13x10-6

Misalignment, Unbalance,

Bearing,Gear 9.95*10

-8 1.79x10

-5 9.95x10

-8

Dari data diatas dapat diketahui bahwa error terkecil

didapatkan pada menggunakan tipe fungsi keanggotaan

trapezoidal. Dan nilai error terkecil didapakan pada saat

sinyal kerusakan misalignment, unbalance, bearing, dan

gear. Hal ini ditunjukkan dengan nilai error yang paling

kecil pada 2 tipe fungsi keanggotaan. Yaitu pada tipe trimpf

(segitiga) sebesar 9.9596*10-8

dan tipe trapezoidal sebesar

9.9598*10-8

. Dari data diatas dapat diketahui bahwa error

hasil checking menggunakan data struktur ANFIS hasil

pengukuran vertikal hampir semuanya mendeteksi sinyal

yang diinputkan sebagai data kerusakan. Hal ini ditunjukkan

dengan average checking error yang lebih kecil dari nilai

toleransi error yang telah ditentukan yaitu 10-6

.

Sisa umur pakai pada suatu komponen mesin adalah

rentang waktu dari kondisi saat ini hingga komponen

tersebut mengalami kegagalan. Untuk menentukan sisa

umur pakai biasanya dilakukan monitoring pada kondisi

mesin. Degradasi unjuk kerja suatu mesin pada umumnya

dapat terlihat sebelum terjadinya kegagalan. Dengan

memonitor tren dari degradasi unjuk kerja suatu mesin maka

akan dapat direncanakan suatu tindakan yang tepat sebelum

terjadinya kegagalan. Monitoring tren dari degradasi unjuk

kerja memerlukan adanya proses learning/training dan

pengenalan pola (pattern recognition).

Cohen (1995) memprediksikan unjuk kerja dari

sebuah gearbox dari sebuah material handling system.

Dimana dengan menempatkan sensor getaran akan dapat

diketahui unjuk kerja dari gearbox tersebut. Dari data

getaran yang didapat kemudian diproses sehingga akan

diketahui degradasi unjuk kerja dari gearbox tersebut.

Gambar dari data getaran dapat diilustrasikan pada gambar

2.4. berikut

Gambar 2.4 Contoh Spektrum Getaran (Lee et al, 2004)

Gambar 2.4 diatas adalah contoh data getaran

berbasis waktu (waveform) dari tiga sumbu (vertikal,

horizontal dan aksial) pada bantalan spindel sebuah mesin

CNC. Salah satu metode yang dapat digunakan untuk

memproses data getaran untuk dapat memprediksi sisa umur

pakai dari suatu mesin atau time series prediction adalah

dengan membuat jaringan syaraf. Dari susunan jaringan

syaraf tiruan tersebut diharapkan akan dapat diketahui

degradasi unjuk kerja dari suatu mesin. Hal tersebut dapat

diilustrasikan pada gambar 2.5.

Gambar 2.5 Performance Degradation (Lee et al., 2004)

Pada gambar diatas, semakin besar confidence value (CV)

menunjukkan bahwa mesin akan semakin sering mengalami

kegagalan (failure) dan sebaliknya.

Prastowo (2006) untuk melakukan penelitian tentang

prediksi sisa umur pakai mesin Cooling Waterpump 2A PT.

PJB UP. Gresik dengan metode jaringan saraf tiruan.

Metode jaringan syaraf tiruan (JST) ini memiliki kelebihan

dalam mengenali, belajar, dan berlatih dalam menyelesaikan

suatu permasalahan tanpa memerlukan pemodelan

matematik sehingga dapat mereduksi asumsi-asumsi

matematik seperti asumsi linearitas atau asumsi matematik

lainnya. Dalam proses belajarnya, sinyal-sinyal dari jaringan

pada Feed-forward Backpropagation Neural Network tidak

hanya bergerak menuju ke satu arah akan tetapi dapat juga

berbalik arah yang nantinya dapat digunakan sebagai

feedback dari output yang diperoleh. Berikut hasil akhir

penelitian dari Prastowo.

Gambar 2.6 Hasil program prediksi sisa umur

menggunakan JST (Prastowo,2006)

Dari hasil plot frekuensi domain oleh FFT dari sinyal

learning waveform MIBV(Motor Inboard Vertical)

diketahui bahwa Jaringan saraf tiruan yang disusun Anugrah

prastowo mampu memprediksi sisa umur pakai, yaitu

dengan hasil akhir ”Maintenance kurang 12 bulan”.

Dari rangkaian penelitian yang sudah dilakukan

diatas, diagram penelitiannya dapat dilihat pada gambar 2.7.

Getaran

Sensor Getaran

Data Vibrasi Time

Domain dengan

Parameter Velocity

Fast Fourier

Transform (FFT)

Data Vibrasi

Frekuensi Domain

Preposessing

Jaringan

Jaringan Saraf

Tiruan

Identifikasi Jenis

Failure

Prediksi Sisa

Umur Pakai

Mas udi, 2007Prastowo,2006

Dibandingkan secara visual dengan

Tabel Karakteristik Getaran Untuk

Mengidentifikasi Jenis Failure

Rocky ,2006

Identifikasi Jenis

Failure ( ANFIS )

Abet , 2007

Prediksi Sisa Umur

Pakai ( ANFIS )

Gambar 2.7 Diagram penelitian tentang analisa getaran

pada rotating machinery

Dari penelitian-penelitian sebelumnya dapat

diketahui bahwa jaringan syaraf tiruan dapat digunakan

untuk melakukan diagnosa dan prediksi sisa umur pada

suatu komponen mesin secara otomatis. Metode ANFIS juga

dapat digunakan untuk melakukan diagnosa kerusakan

dengan performa yang lebih baik dibanding jaringan syaraf

tiruan.

2.4 ANFIS (Adaptive Neuro-Fuzzy Inference System)

ANFIS adalah gabungan dari dua sistem yaitu sistem

logika fuzzy dan jaringan syaraf tiruan. Sistem ANFIS berdasar

pada sistem inferensi fuzzy yang dilatih menggunakan algoritma

pembelajaran yang diturunkan dari sistem jaringan syaraf tiruan.

Berikut ditunjukkan perbandingan kinerja antara sistem fuzzy

dengan jaringan saraf tiruan:

Tabel 2.3 Perbandingan kinerja antara sistem fuzzy dengan

jaringan syaraf tiruan (Dewi,2006)

Masalah Teknik Penyelesaian

Sistem

Fuzzy

Jaringan Syaraf

Tiruan

Model Matematika Agak Baik Buruk

Kemampuan

Pembelajaran Buruk Baik

Representasi

Pengetahuan Baik Buruk

Pengetahuan Pakar Baik Buruk

Non-Linearitas Baik Baik

Kemampuan

Optimasi Buruk Agak Baik

Toleransi Kegagalan Baik Baik

Toleransi

Ketidakpastian Baik Baik

Operasi Waktu Nyata Baik Agak Baik

Dengan demikian sistem ANFIS memiliki semua kelebihan yang

dimiliki oleh sistem inferensi fuzzy dan jaringan syaraf tiruan.

2.4.1 Struktur ANFIS

Struktur ANFIS orde I ditunjukkan dalam gambar 2.14.

Pada gambar tersebut terdapat 5 lapisan dengan fungsi yang

berbeda untuk tiap lapisannya. Lambang kotak menyatakan

simpul adaptif, artinya nilai parameternya bisa berubah dengan

pembelajaran. Sedangkan lambang lingkaran menyatakan simpul

non adaptif yang nilainya tetap.

Gambar 2.8 Arsitektur ANFIS orde I (Jang, 1997)

Berikut penjelasan tentang lapisan-lapisan yang terdapat

dalam struktur ANFIS : 1. Lapisan 1

Semua simpul pada lapisan ini adalah simpul adaptif

(parameter dapat berubah) dengan fungsi simpul :

untuk i = 1,2, atau

untuk I = 3,4

Dengan x dan y adalah masukan pada simpul i.

A1-2 dan B1-2 adalah fungsi keanggotaan masing-masing

simpul. Simpul O1,i berfungsi menyatakan derajat

keanggotaan tiap masukan terhadap himpunan fuzzy A dan

B.

2. Lapisan 2

Semua simpul pada lapisan ini adalah non adaptif

(parameter tetap). Fungsi simpul ini adalah mengalikan

setiap sinyal masukan yang akan datang. Fungsi simpul :

Tiap keluaran simpul menyatakan derajat pengaktifan (firing

strength) tiap aturan fuzzy. Banyaknya simpul pada lapisan

ini menunjukkan banyaknya aturan yang dibentuk. Fungsi

perkalian yang digunakan adalah interpretasi opaerator

AND.

3. Lapisan 3

Setiap simpul dalam lapisan lapisan ini adalah simpul non

adaptif yang menampilkan fungsi derajat pengaktifan

ternormalisasi (normalized Firing Strength) yaitu rasio

keluaran simpul ke-I pada lapisan sebelumnya, dengan

bentuk simpul :

Apabila dibentuk lebih dari 2 aturan, fungsi dapat diperluas

dengan membagi dengan jumlah total W untuk semua

aturan.

4. Lapisan 4

Setiap simpul pada lapisan ini adalah simpul adaptif dengan

fungsi simpul :

Dengan Wi adalah derajat pengaktifan ternormalisasi dari

lapisan 3 dan parameter p, q, r menyatakan parameter

konsekuen yang adaptif.

5. Lapisan 5

Fungsi lapisan ini adalah untuk menjumlahkan semua

masukan. Fungsi simpul :

Jaringan adaptif dengan lima lapisan diatas ekivalen dengan

sistem inferensi fuzzy Takagi-Sugeno-Kang ( TSK ) atau

yang lebih dikenal dengan sugeno.

2.4.2 Proses Pembelajaran Pada ANFIS

ANFIS mempergunakan algoritma belajar hibrida,

yaitu menggabungkan metode Least-squares estimator

(LSE) dan error backpropagation (EBP). Dalam struktur

ANFIS metode EBP dilakukan pada lapisan 1, sedangkan

metode LSE dilakukan di lapisan 4.

Gambar 2.9 Proses pembelajaran hibrid pada ANFIS (Jang, 1997)

Pada lapisan 1 parameternya merupakan parameter

dari fungsi keanggotaan himpunan fuzzy sifatnya nonlinear

terhadap keluaran sistem. Prosess belajar pada parameter ini

menggunakan metode EBP untuk memperbaharui nilai

parameternya. Sedangkan pada lapisan ke 4, parameter

merupakan parameter linear terhadap keluaran sistem, yang

menyusun basis kaidah fuzzy. Proses belajar untuk

memperbaharui pada lapisan ini menggunakan metode LSE.

Proses belajar pada ANFIS dapat dilihat pada gambar 2.15

dan tabel 2.4.

Tabel 2.4. Proses pembelajaran hybrid pada ANFIS (Jang,

1997)

BAB III

METODOLOGI PENELITIAN

3.1 Diagram Alir Penelitian

Metodologi penelitian digambarkan dalam flowchart

gambar 3.1.

Studi Pustaka

Perumusan

Masalah

Penyusunan FIS dan Set input

Membership Function

Mengumpulkan data sekunder

dari lapangan

Menginputkan data

training ke ANFIS

Proses FFT Matlab

Preprocessing Data

Start

A

Error < RSME

atau

Iterasi Maksimum

YES

NO

A

Testing Jaringan

Analisa dan Pembahasan

- Analisa hasil performa prediksi ANFIS

- Perbandingan hasil performa prediksi

menggunakan ANFIS dengan JST

Kesimpulan dan

Saran

Stop

Gambar 3.1 Diagram Alir Penelitian

3.2 Studi Pustaka

Pada tahap studi pustaka dilakukan kajian secara teoritis

mengenai metode-metode yang dapat mendukung untuk

penyelesaian permasalahan dalam penelitian ini. Studi pustaka

yang digunakan dapat diperoleh dari buku, jurnal, internet atau

penelitian sebelumnya. Tinjauan Pustaka memberikan

pengetahuan mendasar bagi peneliti untuk meneliti obyek

penelitian, sehubungan dengan itu maka dilakukan studi pustaka

mengenai:

1. Prediksi sisa umur efektif pada sebuah mesin khususnya

dengan input getaran.

2. Pengolahan sinyal digital dengan menggunakan Fast

Fourier Transform.

3. Adaptive Neuro-Fuzzy Inference System (ANFIS) yaitu

gabungan antara metode logika fuzzy dengan Jaringan

Saraf Tiruan (JST)

3.3 Perumusan Masalah

Perumusan Masalah dalam penelitian ini adalah

bagaimana melakukan prediksi sisa umur efektif mesin secara

otomatis menggunakan Adaptive Neuro-Fuzzy Inference System

(ANFIS) serta menguji tingkat validasi output jaringan yang telah

disusun sehingga dapat menjamin kemampuan dari metode

tersebut.

3.4 Mengumpulkam Data Sekunder Data yang akan diolah adalah data sekunder yang

diperoleh dari PT. PJB UP Gresik. Data tersebut berupa data

getaran berbasis time-domain.

3.5 Proses FFT dengan software Matlab

Data sekunder yang diperoleh diplot menjadi grafik

waveform. Untuk dapat dianalisa lebih lanjut, maka grafik

waveform tersebut perlu diubah menjadi grafik spectrum. Untuk

mengubah grafik waveform menjadi spectrum digunakan

Transformasi Fourier (FFT) dengan bantuan software Matlab.

3.6 Preprocessing Jaringan

Pada tahap preprocessing jaringan ini dilakukan

normalisasi data getaran yang diperoleh dari FFT agar dapat

digunakan sebagai input dari anfis sebagai data training.

3.7 Penyusunan FIS dan Set input Membership Function

Pada tahap ini akan dibuat model Fuzzy inference System

(FIS) tipe Sugeno dengan menggunakan Matlab. Pembuatan

model fuzzy sugeno meliputi pembuatan membership fuction,

membangun rule-rule dan transformasi ke anfis.

3.8 Input Data Training ke Anfis

Data yang telah didapatkan kemudian digunakan sebagai

input ANFIS sebagai data training dan testing. Pada proses

training dilakukan pencarian bobot (weight) yang tepat dan

pemilihan fungsi aktifasi yang tepat. Parameter yang disetting

dalam proses training anfis adalah jumlah iterasi yang diinginkan

dan toleransi error yang diinginkan.

3.9 Validating Anfis

Hasil training dari Anfis dapat dievaluasi dengan

eksperimen validasi. Eksperimen validasi dapat berupa testing

pada jaringan yang telah ditraining sebelumnya. Dengan

menentukan besar error tertentu maka akan diketahui apakah anfis

yang telah disusun valid atau tidak. Jika error RMSE (Root

Mean Square Error) maka anfis berhasil mengidentifikasi

kerusakan komponen. Nilai RMSE merupakan ukuran

performance untuk melihat kemampuan dari jaringan untuk

menggeneralisasi informasi yanag didapatkan. Nilai RSME yang

ditentukan adalah 10-6

.

3.10 Testing Anfis

Setelah dilakukan eksperimen validasi, maka langkah

selanjutnya adalah melakukan testing dengan menginputkan data

baru terhadap anfis yang telah disusun. Pada tahap ini akan dapat

diketahui apakah anfis yang telah disusun dapat digunakan untuk

memprediksi sisa umur efektif dari suatu komponen mekanikal

atau tidak.

3.11 Analisa Pembahasan

Setelah dilakukan eksperimen validasi dan testing,

kemudian dilakukan analisa dan pembahasan dari hasil prediksi

sisa umur efektif yang diperoleh dari output anfis. Selanjutnya

performa hasil prediksi menggunakan ANFIS ini akan

dibandingkan dengan JST hasil penelitian Prastowo.

3.12 Kesimpulan dan Saran

Dari hasi analisa data dan pembahasan yang dilakukan

maka dapat diambil kesimpulan dan rekomendasi saran-saran

pengembangan dari penelitian ini akan diberikan demi

kesempurnaan penelitian selanjutnya.

BAB IV

PERMODELAN ANFIS

4.1 Data yang Digunakan

Dalam tugas akhir ini digunakan data sekunder. Data

sekunder yang digunakan berupa data record getaran dari sistem

Cooling Waterpump 2A yang terdiri atas motor, kopling dan

pompa. Data sekunder yang diperoleh adalah data getaran berupa

domain waktu (waveform) dan data domain frekuensi (spectrum).

Record data getaran tersebut diperoleh melalui pengambilan data

tiap bulan pada sepuluh titik pengukuran yaitu:

1. MOH (Motor Outboard Horizontal)

2. MOV (Motor Outboard Vertikal)

3. MIH (Motor Inboard Horizontal)

4. MIV (Motor Inboard Vertikal)

5. MIA (Motor Inboard Aksial)

6. PIH (Pompa Inboard Horizontal)

7. PIV (Pompa Inboard Vertikal)

8. POH (Pompa Outboard Horizontal)

9. POV (Pompa Outboard Vertikal)

10. POA (Pompa Outboard Aksial)

Gambar 4.1 Sistem Cooling Waterpump 2A (PT. PJB, 2006)

Data yang akan digunakan untuk training jaringan adalah data

MIBV (Motor Inboard Vertikal). Pemilihan ini didasarkan pada :

1. Adanya 12 data berurutan yang menunjukkan adanya tren

yang semakin naik. Dimana hal tersebut mengindikasikan

adanya gejala failure yang akan terjadi.

2. Dari keterangan yang diperoleh di lapangan diketahui

bahwa komponen yang sering mengalami kerusakan

adalah bantalan.

Adapun bentuk masing-masing spektrum dari MIBV ke-1 sampai

12 ditunjukan oleh gambar 4.2 dibawah ini :

Gambar 4.2 (a).Spektrum MIBV 1

Gambar 4.2 (b).Spektrum MIBV 2

Gambar 4.2 (c).Spektrum MIBV 3

Gambar 4.2 (d).Spektrum MIBV 4

Gambar 4.2 (e).Spektrum MIBV 5

Gambar 4.2 (f).Spektrum MIBV 6

Gambar 4.2 (g).Spektrum MIBV 7

Gambar 4.2 (h).Spektrum MIBV 8

Gambar 4.2 (i).Spektrum MIBV 9

\Gambar 4.2 (j).Spektrum MIBV10

Gambar 4.2 (k).Spektrum MIBV 11

Gambar 4.2 (l).Spektrum MIBV 12

Gambar 4.3 Spektrum MIBV gabungan

Dari MIBV ke-1 sampai 29 yang ditunjukkan oleh

gambar diatas, dapat dilihat bahwa adanya tren peak getaran yang

semakin naik. Hal ini mengindikasikan terjadinya gejala failure

dan penurunan kondisi pada mesin. Berikut adalah data MIBV

lapangan yang diperoleh berupa 29 data spektrum getaran yang

digambarkan sebagai histogram dari amplitudo dominannya.

Gambar 4.4 Histogram Peak MIBV

Setiap data spektrum memiliki 513 titik (titik sampel) dan

data tersebut akan digunakan sebagai acuan untuk

memprediksikan sisa umur pakai dari data-data getaran

selanjutnya. Dari 29 data yang diperoleh tersebut dibagi menjadi

dua yaitu :

1. Data training: sebagai data training akan digunakan data

ke-1 sampai data ke-12.

2. Data testing: sebagai data testing akan digunakan data ke-

13 sampai data ke-29).

Pada proses training sinyal input tersebut (data spektrum)

diberi nama dengan sisa umur pakai mesin sebagai berikut:

Tabel 4.1 Penamaan Sinyal Training

Sinyal MIBV yang pertama diberi nama kurang 12 bulan,

kemudian sinyal kedua diberi nama kurang 11 bulan dan

seterusnya. Dimana yang dimaksud adalah waktu untuk

melakukan perawatan (sisa umur) kurang 12 bulan, 11 bulan, dan

seterusnya. Setelah semua data di-training dengan ANFIS yang

telah disusun dan telah dapat mencapai error jaringan yang telah

ditentukan, maka langkah selanjutnya adalah melakukan validasi

terhadap ANFIS yang telah disusun. Proses validasi ini dilakukan

dengan melakukan testing dengan menggunakan data 1 tahun

setelah dilakukan perawatan.

4.2 Analisa Data yang Digunakan

Dari tiap spektrum MIBV, sebagian besar menunjukan

peak pada 2xRPM. Diagnosa dari sinyal spektrum pada

pengukuran di titik MIBV adalah adanya indikasi misalignment

pada poros yang menghubungkan pompa dan motor. Selain itu

apabila dilihat dari gambar contoh spektrum dibawah ini, kondisi

diatas juga berarti ada indikasi misalignment.

Gambar 4.5 Sinyal Spektrum Misalignment

(Girdhar,2004)

Pada contoh gambar diatas terlihat bahwa misalignment

ditunjukkan dengan adanya peak spektrum pada 2xRPM dengan

amplitudo yang lebih tinggi daripada 1xRPM. Gambar 4.5

menunjukkan jenis-jenis misalignment yang umum terjadi.

Gambar 4.6 (a). Angular Misalignment

Gambar 4.6 (b). Parallel Misalignment

Gambar 4.6 (c). Combination Angular/Parallel

Misalignment

Gambar 4.6(a) merupakan gambar jenis angular

misalignment. Pada angular misalignment ini, signature vibrasi

umumnya akan muncul pada frekuensi yang sama dengan

kecepatan putar (RPM) dari poros. Frekuensi tersebut seringkali

disebut dengan 1x RPM. Hal ini dikarenakan saat terjadi angular

misalignment kedua permukaan kopling akan membentuk sudut

dengan besar tertentu. Apabila kopling tersebut berputar maka

akan muncul getaran pada frekuensi yang sebanding dengan

putaran poros kopling, disebabkan adanya siklus kontak-lepas-

kontak-lepas dari permukaan kopling. Hal inilah nantinya juga

yang menyebabkan munculnya amplitude pada frekuensi 1xRPM.

Gambar 4.6(b) merupakan gambar jenis parallel

misalignment. Pada parallel misalignment ini, maka akan muncul

spektrum getaran pada frekuensi 2xRPM, dengan amplitudo yang

lebih tinggi daripada 1xRPM. Hal tersebut adalah karakteristik

utama dari indikasi/gejala adanya paralel/offset misalignment.

Ketika misalignment yang terjadi semakin parah maka akan

terjadi peak amplitudo pada putaran harmonisnya (3xRPM

sampai 8xRPM).

Gambar 4.7 Efek Misalignment pada Poros Kopling

(Girdhar,2004)

\

Gambar 4.7 diatas menunjukkan bahwa pada saat terjadi

misalignment pada poros kopling, maka dalam 1 siklus terjadi 2

kali hantaman yang menyebabkan getaran. Hal inilah yang

membuktikan bahwa pada kondisi misalignment terjadi spektrum

yang tinggi pada 2xRPM. Terjadinya misalignment pada poros

selalu mengakibatkan terjadinya unbalance, hal ini diindikasikan

dengan amplitudo yang besar pada 1x RPM. Selain itu, terjadinya

misalignment mengakibatkan peningkatan gaya-gaya yang terjadi

pada bearing dan seal. Apabila seal bocor maka sistem pelumasan

bearing akan mengalami kontaminasi dari partikel-partikel asing

ataupun air. Kontaminasi pada pelumasan ini dapat

mempengaruhi fungsi-fungsi dari pelumas sebagai pendingin dan

pencegah keausan. Hal-hal tersebut dapat mempengaruhi umur

dari bearing tersebut.

Bearing yang digunakan pada Cooling

Waterpump 2A adalah SKF 6318 yang memiliki

spesifikasi sebagai berikut :

Bd = 36 mm

Pd = 140 mm

N = 8

= 00

Untuk mengetahui adanya indikasi kerusakan

pada bearing, maka perlu dilakukan perhitungan empat

frekuensi utama dari bearing. Empat frekuensi utama

tersebut yaitu :

1. Fundamental Train Frequency (FTF) : Frekuensi

ini menunjukan kondisi dari cage ball bearing.

2. Ball Spin (BS) Frequency : Frekuensi ini

menunjukkan kondisi dari bola pada bearing.

3. Outer Race (OR) Frequency : Frekuensi ini

menunjukkan kondisi dari cincin luar dari

bearing.

4. Inner Ring (IR) Frequency : Frekuensi ini

menunjukkan kondisi dari cincin dalam dari

bearing.

Formula dari keempat frekuensi diatas dapat dirumuskan

sebgai berikut :

FTF = cos12 Pd

Bdrps

(4.1)

BS = 2

2

cos12 Pd

Bdrps

Bd

Pd

(4.2)

OR = FTFN

(4.3)

IR = FTFrpsN

(4.4)

Dimana:

rps = revolutions per second of inner race

Bd = ball diameter

Pd = pitch diameter

N = number of balls

= contact angle

Gambar 4.8 Dimensi Pada Bearing

Gambar 4.8 diatas mengilustrasikan Pitch

Diameter(Pd), Number of Balls(N), Sudut Kontak( ) dan

Ball Diameter(Bd). Ball bearing yang tidak memiliki

thrust load diasumsikan memiliki sudut kontak nol. Pada

putaran mesin sebesar 1470 rpm (24,5 rps), maka akan

diperoleh empat frekuensi utama dari bantalan SKF 6318

sebagai berikut:

FTF = 0cos140

361

2

5,24

= 9,1 Hz

BS = 0cos140

3615,24

36(2

140 2

2

= 44,48 Hz

OR = 1,98

= 72,8 Hz

IR = 1,95,248

= 123,2 Hz

Dari perhitungan dan grafik spektrum yang

diperoleh terlihat adanya indikasi dari kerusakan bearing.

Kerusakan ini dapat dilihat pada spektrum MIBV ke-12

kisaran frekuensi outer ringi (OR), yaitu 72,8 Hz (3x

RPM) yang mempunyai peak value dikisaran 0,10447

mm/s. Amplitudo pada kisaran frekuensi tersebut

merupakan indikasi terjadinya kerusakan pada bearing.

Akan tetapi dari grafik spektrum MIBV ke-12

dapat diketahui bahwa terdapat amplitudo yang tinggi

pada frekuensi 143,5553 Hz (6xRPM). Peak tersebut

muncul dikarenakan adanya excessive clearance pada

sambungan kopling. Jumlah baut pada sambungan

kopling berjumlah 6. Pada saat misalignment yang terjadi

semakin parah, maka clearance pada sambungan kopling

akan semakin besar. Akibatnya terjadi impact pada

keenam baut saat kopling berputar, yang

direpresentasikan dengan munculnya peak spectrum pada

6xRPM.

Diagnosa dari sinyal spektrum pada pengukuran

di titik MIBV adalah adanya indikasi misalignment.

Dapat diambil kesimpulan bahwa misalignment

merupakan rootcause(akar permasalahan), karena

mengakibatkan terjadinya indikasi kerusakan bearing dan

excessive clearance pada sambungan kopling.

4.3. Struktur dan Pemodelan ANFIS

Permodelan anfis yang digunakan dalam penelitan ini

menggunakan anfis yang diprogram menggunakan matlab.

Adapun tahapan yang digunakan seperti pada Gambar 4.9

dibawah.

Set Membership

Fuction (MF)

Fuzzification

Rule Evaluation

Training Data ke

Anfis

Root Mean Square

Error (RMSE)

Start

End

Set Training Anfis :

- Jumlah Epoch (iterasi)

- Target Error

Metode Backpropagation

Neural NetworkSistem Hybrid

Anfis

Set dan bandingkan :

- Jumlah MF(n), dan n+2

- Type MF : Trimf, trapezoidal, gbellmf

Gambar 4.9 Flowchart permodelan anfis

4.3.1 Fuzzifikasi dan Set Membership Function Untuk

Penentuan Sisa Umur

Untuk penentuan membership function awal

menggunakan tipe fungsi keangotaan gbell dan dengan input

frekuensi dan amplitudo (power spektrum), maka akan didapatkan

kurva membership function sebagai berikut :

Gambar 4.10 Fuzzikasi dan Membership function untuk power

spektrum

Gambar 4.11 Fuzzikasi dan Membership function untuk frekuensi

4.3.2 Rule Evaluation Fuzzifikasi Untuk Penentuan Sisa Umur

Tahap kedua setelah fuzzifikasi adalah rule evaluation.

Dalam tahapan ini digunakan aturan IF……THEN…… dengan

penghubung AND. Karena power spektrum memiliki 3 fuzzy

value dan frekuensi memiliki 4 fuzzy value maka rule evaluation

mengikuti aturan 3 x 4 rule. Sehingga terdapat 12 rule seperti

pada gambar 4.12 dibawah :

Gambar 4.12 Rule penentuan sisa umur

Training Data ke Anfis

Untuk proses training anfis ditunjukkan pada gambar 4.13

dibawah.

Gambar 4.13 Program ANFIS GUI

Secara umum penggunaan anfis memiliki 3 tahapan, yaitu :

1. Load data

Baik data training, checking untuk validasi maupun data data

testing.

2. Generate FIS

Pada tahap ini digunakan grid partisi untuk men-generate FIS.

Dimana grid partisi merupakan pemilihan type membership

funtion, jumlah membership function dan tipe output yang

diinginkan. Dalam tugas akhir ini akan diinginkan output linier.

Berikut tampilan grid partisi dari program anfis.

Gambar 4.14 Setting parameter untuk grid partisi pada anfis.

3. Training FIS

Pada tahap ini akan dipilih proses training untuk FIS yang

telah dibuat. Dalam tugas akhir ini akan dibandingkan antara

metode pembelajaran backpropagation dengan hybrid. Namun

sebelumnya dilakukan setting parameter untuk menentukan error

toleransi dan maksimum iterasi yang diinginkan.

Maksimum iterasi menunjukan jumlah iterasi maksimum

yang boleh dilakukan selama proses training. Iterasi akan

dihentikan apabila nilai iterasi melebihi maksimum iterasi yang

ditetapkan. Error yang ingin dicapai mengindikasikan sampai

sejauh mana proses training berhasil. Setelah parameter telah

ditetapkan, maka dilakukan proses training dan akan

menghasilkan error tertentu. Proses training dinyatakan berhasil

jika error yang terjadi memenuhi batas error yang telah

ditetapkan. Jika error yang terjadi besar berarti training gagal

sehingga perlu dilakukan perubahan pada jaringan. Untuk tugas

akhir ini akan diset toleransi error 10-6

dan jumlah iterasi 100

untuk masing-masing sisa umur. Pada gambar 4.15 dibawah

ditunjukkan proses training pada program anfis.

Gambar 4.15 Training data pada anfis

Setelah proses training selesai, maka akan didapatkan

sebuah struktur anfis yang dapat digunakan untuk memprediksi

sisa umur berdasarkan pola input data yang diberikan. Stuktur

anfis ini merupakan struktur FIS sugeno yang telah mengalami

proses training. Karena pada saat proses belajar (training) terjadi

perubahan-perubahan parameter pada fungsi keanggotaannya.

Pada gambar 4.16 dibawah ditunjukkan struktur anfis dalam

mengidentifikasi sisa umur 1 bulan.

Gambar 4.16. Struktur anfis

Gambar 4.17. Surface viewer

Pada Gambar 4.17 ditunjukkan surface viewer yang

memberikan informasi tentang hubungan input-output dari anfis

yang akan digunakan dalam memprediksi sisa umur.

4. Tes checking dan testing anfis

Hasil training dari Anfis dapat dievaluasi dengan

eksperimen validasi. Eksperimen validasi (checking) dapat berupa

testing pada jaringan yang telah ditraining sebelumnya. Dengan

menentukan besar error tertentu maka akan diketahui apakah anfis

yang telah disusun valid atau tidak. Jika error RMSE (Root

Mean Square Error) maka anfis berhasil memprediksi sisa umur

komponen. Nilai RMSE merupakan ukuran performance untuk

melihat kemampuan dari jaringan untuk memproses informasi

yang didapatkan. Nilai RSME yang ditentukan adalah 10-6

.

BAB V

TRAINING DAN VALIDASI ANFIS

5.1 Input Data Training

Data yang akan digunakan sebagai data input I anfis

adalah power spektrum. Karena power spektrum

merepresentasikan besarnya getaran yang terjadi. Sedangkan

sebagai input 2 adalah frekuensi, dimana frekuensi dapat

merepresentasikan letak dari masing-masing penyebab getaran.

Gambar 5.1 Hubungan input -output pada struktur anfis

Dengan menggunakan program anfis yang telah dibuat,

akan dibandingkan performance dari sistem pembelajaran

backpropagation dengan hybrid pada anfis dalam mengenali

sinyal dalam memprediksi sisa umur saat proses training dan

validasi. Pada proses ini akan dibandingkan pengaruh 3 tipe

membership function (MF) yaitu gbell (lonceng), trimf (segitiga)

dan trapezoidal (trapesium) dengan 3 4 MF. Lalu akan

dibandingkan juga pengaruh penambahan membership function

sebanyak 2 buah pada masing-masing model anfis yang telah

dibuat.

Output dari anfis toolbox ini adalah Root Mean Square

Error (RMSE). Error yang terjadi menunjukkan tingkat

keakurasian struktur anfis yang telah disusun dalam mengenali

pola data yang merepresentasikan sisa umur. Adapun contoh

proses traning anfis dengan metode pembelajaran hybrid untuk

masing-masing tipe membership function terlihat pada gambar 5.2

(a), 5.2(b), 5.2 (c) dibawah ini :

Gambar 5.2(a). Hybrid training anfis dengan membership

function trimf (segitiga)

Gambar 5.2(b). Hybrid training anfis dengan membership

function gbell(lonceng)

Gambar 5.2(c). Hybrid training anfis dengan membership function

trapmf (trapesium)

Kurva biru menunjukkan konvergensi Root Mean Square

Error (RMSE) dari data training. Kurva konvergensi ini

digunakan untuk mengevaluasi hasil dari proses training yang

dilakukan. Dari grafik konvergensi dapat dilihat juga bahwa

jaringan memiliki tren descending (semakin menurun). Apabila

penurunan pada RMSE sudah tidak signifikan, proses training

bisa dihentikan. Pada gambar 5.2(a) dan 5.2(c) terlihat bahwa

proses hybrid training dengan menggunakan type membership

function segitiga dan trapesium langsung dapat mencapai error

minimalnya pada iterasi ke 2. Pada gambar 5.2(b), proses hybrid

training dengan menggunakan type membership function lonceng

dapat mencapai error minimalnya pada iterasi ke 25. Karena anfis

yang telah disusun telah dapat mencapai error yang diinginkan,

ini berarti jaringan telah mempelajari data dengan baik sehingga

siap untuk digunakan dalam memprediksi sisa umur.

Dari data training menggunakan sistem pembelajaran

menggunakan sistem pembelajaran hybrid dengan 3 4

membership function diperoleh data seperti pada table 5.1

dibawah.

Tabel 5.1 Training data menggunakan sistem pembelajaran hybrid

(3 4 MF)

Training

Data Hybrid Anfis (3 4 MF)

Sisa Umur Tipe Membership Function (MF)

Segitiga Lonceng Trapesium

1 Bulan 3.0751E-07 2.8131E-05 2.9809E-07

2 Bulan 1.4070E-07 1.7566E-05 2.2088E-07

3 Bulan 7.9946E-08 1.3534E-05 5.5875E-07

4 Bulan 4.9913E-08 1.2218E-05 3.8483E-07

5 Bulan 4.0404E-08 1.0943E-05 1.0723E-07

6 Bulan 2.9978E-06 5.8254E-06 2.5151E-07

7 Bulan 1.5488E-07 4.7708E-06 1.3299E-07

8 Bulan 5.8905E-08 3.8562E-06 1.9584E-06

9 Bulan 3.9158E-07 9.7991E-06 9.2680E-08

10 Bulan 2.7365E-06 5.0427E-06 1.6758E-07

11 Bulan 1.4221E-06 4.1942E-06 4.2176E-08

12 Bulan 3.2801E-08 1.0910E-06 1.3598E-08

Average

error 7.0109E-07 9.7476E-06 3.5239E-07

Dari proses training dengan sistem pembelajaran hybrid

yang telah dilakukan dapat diketahui bahwa stuktur anfis yang

disusun dapat digunakan untuk memprediksi sisa umur bantalan

pada Cooling Waterpump. Hal ini dapat dilihat dari hasil error

yang didapatkan kurang dari toleransi error yang ditentukan yaitu

sebesar 10-6

. Dari tabel juga diketahui bahwa membership

function tipe trapezoidal (trapesium) memiliki akurasi yang

paling baik. Hal ini dapat dilihat dari average training error

sebesar 3.5239x10-7

, lebih baik dibandingkan dengan

dibandingkan dengan tipe trimf (segitiga) dan tipe gbell (lonceng)

dengan average training error sebesar 7.0109x10-7

dan

9.7476x10-6

.

Sedangkan contoh proses traning anfis untuk masing-

masing tipe membership function terlihat pada gambar 5.3 (a), 5.3

(b), 5.3 (c) dibawah ini :

Gambar 5.3(a). Backpropagation training anfis dengan

membership function trimf (segitiga)

Gambar 5.2(b). Backpropagation training anfis dengan

membership function gbell(lonceng)

Gambar 5.2(c). Backpropagation training anfis dengan

membership function trapmf (trapesium)

Dari kurva konvergensi RMSE pada backpropagation

training terlihat bahwa jaringan tersebut dapat mencapai error

minimalnya pada iterasi sekitar 80. Akan tetapi error minimal

tersebut dirasa masih cukup tinggi dan masih jauh dari target error

yang diinginkan

Hasil training menggunakan metode pembelajaran

backpropagation dapat dilihat pada tabel 5.2 dibawah

Tabel 5.2 Training data menggunakan sistem pembelajaran

backpropagation (3 4 MF)

Training

Data Backpropagation Anfis (5 6 MF)



1 Bulan 0.29929 0.18496 0.31647

2 Bulan 0.24151 0.23569 0.28544

3 Bulan 0.23549 0.26282 0.29863

4 Bulan 0.28352 0.24746 0.31238

5 Bulan 0.28977 0.19449 0.3197

6 Bulan 0.30989 0.2869 0.33321

7 Bulan 0.26157 0.26788 0.27161

8 Bulan 0.25324 0.26231 0.30981

9 Bulan 0.25739 0.26167 0.20856

10 Bulan 0.26794 0.27175 0.32397

11 Bulan 0.27844 0.24715 0.31678

12 Bulan 0.25842 0.24115 0.32004

Average

error 0.26971 0.24702 0.30138

Dari tabel 5.2 dapat diketahui bahwa hasil training anfis

menggunakan metode pembelajaran backpropagation

menghasilkan error yang lebih besar daripada sistem

pembelajaran hybrid. Hal ini berarti bahwa tingkat akurasi dari

sistem pembelajaran hybrid lebih baik jika dibandingkan dengan

backpropagation karena sistem pembelajaran hybrid merupakan

gabungan dari 2 sistem, yaitu RLSE dan backpropagation.

Dari tabel diatas diketahui pula bahwa hasil training

menggunakan membership function tipe gbell (lonceng) memiliki

tingkat keakurasian yang paling baik. Hal ini dapat dilihat dari

average training error sebesar 0.24702, lebih baik dibandingkan

dengan tipe trimf (segitiga) dan tipe trapezoidal (trapesium)

dengan average training error sebesar 0.26971 dan 0.30138.

Selanjutnya akan dilakukan perbandingan hasil dengan

penambahan membership function sebanyak 2 buah pada masing-

masing model anfis yang telah dibuat. Dari data training

menggunakan sistem pembelajaran menggunakan sistem

pembelajaran hybrid dengan 5 6 membership function diperoleh

data seperti pada table 5.3 dibawah.

Tabel 5.3 Training data menggunakan sistem pembelajaran hybrid

(5 6 MF)

Training

Data Hybrid Anfis (5 6 MF)



1 Bulan 3.1116E-07 2.3945E-05 4.6904E-07

2 Bulan 6.5992E-07 1.9327E-05 1.9499E-05

3 Bulan 3.6392E-07 1.9457E-05 3.2954E-07

4 Bulan 1.0185E-05 1.3632E-05 2.9428E-07

5 Bulan 2.0698E-07 1.3489E-05 2.7138E-07

6 Bulan 8.1798E-07 5.5565E-06 2.2375E-07

7 Bulan 2.1599E-07 8.5956E-06 2.7559E-07

8 Bulan 4.3930E-07 6.5477E-06 4.9331E-07

9 Bulan 3.3493E-07 8.4727E-06 1.5578E-07

10 Bulan 1.9723E-07 3.3430E-06 1.0270E-06

11 Bulan 1.1325E-07 3.1972E-06 6.6395E-08

12 Bulan 6.3150E-08 1.6360E-06 1.2058E-07

Average

error 1.1591E-06 1.0600E-05 1.9355E-06

Dari tabel diatas diketahui bahwa membership function

tipe trimf (segitiga) memiliki akurasi yang paling baik. Hal ini

dapat dilihat dari average training error sebesar 1.1591x10-6

,

lebih baik dibandingkan dengan dibandingkan dengan tipe

trapezoidal (trapesium) dan tipe gbell (lonceng) dengan average

training error sebesar 1.9355x10-6

dan 1.06x10-5

.

Sedangkan hasil training menggunakan metode

pembelajaran backpropagation dapat dilihat pada tabel 5.4

dibawah

Tabel 5.4 Training data menggunakan sistem pembelajaran

backpropagation (5 6 MF)

Training

Data Backpropagation Anfis (5 6 MF)



1 Bulan 0.22424 0.19758 0.1779

2 Bulan 0.21541 0.21277 0.23515

3 Bulan 0.21777 0.18967 0.23752

4 Bulan 0.23075 0.18744 0.24264

5 Bulan 0.26724 0.15371 0.27064

6 Bulan 0.24385 0.21627 0.25609

7 Bulan 0.23745 0.2155 0.25048

8 Bulan 0.16979 0.23159 0.26992

9 Bulan 0.24127 0.25516 0.23703

10 Bulan 0.25033 0.23137 0.26733

11 Bulan 0.2297 0.19925 0.202

12 Bulan 0.2138 0.21189 0.26596

Average

error 0.22847 0.20852 0.24272

Dari tabel diatas diketahui pula bahwa hasil training

menggunakan membership function tipe gbell (lonceng) memiliki

tingkat keakurasian yang paling baik. Hal ini dapat dilihat dari

average training error sebesar 0.20852, lebih baik dibandingkan

dengan tipe trimf (segitiga) dan tipe trapezoidal (trapesium)

dengan average training error sebesar 0.22847 dan 0.24272.

Dengan penambahan jumlah membership function

sebanyak 2 buah pada proses training menggunakan sistem

pembelajaran hybrid didapatkan hasil bahwa average training

error akan cenderung meningkat. Hal ini terlihat pada saat

menggunakan tipe lonceng dan segitiga. Akan tetapi pada saat

mengidentifikasi sisa umur 1, 6, 9, 10 dan 11 bulan cenderung

memperbaiki error. Sedangkan average training error ketika

menggunakan sistem pembelajaran backpropagation cenderung

menurunkan error saat menggunakan tipe membership function

segitiga, lonceng maupun trapesium.

Gambar 5.4 Pengaruh penambahan 2 buah MF dalam proses

training data menggunakan sistem pembelajaran

hybrid

Gambar 5.5 Pengaruh penambahan 2 buah MF dalam proses

training data menggunakan sistem pembelajaran

backpropagation

Pada proses training dengan variasi tipe membership

function, didapatkan bahwa tipe trapezoidal memiliki akurasi

prediksi yang paling baik dengan average training error sebesar

3.5239x10-7

. Hal ini berarti bahwa membership function tipe

trapezoidal paling baik dalam memodelkan pola data yang

diinputkan kepadanya, yaitu spektrum MIBV. Tidak ada prosedur

baku dalam proses penentuan tipe membership function, karena

proses ini sangat bergantung dengan pola data yang ingin

diklasifikasikan. Pada anfis, proses penentuan membership

function sangat menguntungkan karena kemampuan learning dari

jaringan syaraf tiruan digunakan untuk mengatur parameter dalam

membership function sehingga didapatkan hasil yang optimal.

Membership function tipe trapezoidal memiliki core region yang

lebih besar dari yang lain, sehingga menguntungkan ketika

digunakan dalam pola data yang kompleks (Jang,1997).

5.2 Testing Anfis

Untuk mengetahui apakah struktur anfis yang disusun

telah dapat digunakan untuk memprediksi sisa umur pakai dari

mesin Cooling Waterpump 2A, maka perlu dilakukan testing.

Testing dilakukan dengan menggunakan data MIBV ke-13

sampai dengan 29.

Hasil testing untuk MIBV ke-28dapat dilihat pada

gambar 5.6 dan 5.7 dibawah ini:

Gambar 5.6 Testing pada hybrid anfis dengan membership

function trapmf (trapesium)

Gambar 5.7 Testing backpropagation anfis dengan membership

function trapmf (trapesium)

Kurva merah menunjukkan output anfis aktual dan kurva

biru menunjukkan output anfis yang diharapkan. Perbedaan antara

output aktual dan output yang diharapkan adalah error prediksi

yang terjadi pada titik tersebut. Pada prediksi data MIBV ke-28

dengan sistem pembelajaran hybrid dapat dilihat bahwa error

yang terjadi tidak begitu signifikan dan relatif kecil. Sedangkan

pada prediksi data MIBV ke-28 dengan sistem pembelajaran

backpropagation dapat dilihat bahwa jaringan yang disusun tidak

dapat memprediksi data testing dengan baik. Hal ini ditunjukkan

dari error yang semakin besar setelah titik ke 170 hingga 513.

Hasil testing keseluruhan dapat dilihat pada tabel 5.5

dibawah:

Tabel 5.5 Testing data pada hybrid anfis (3 4 MF)

Testing Data

Hybrid Anfis (3 4 MF)

Tipe

Membership

Function (MF)

Trapesium

Sisa Umur

Error

MIBV ke-13 6.8302E-08 12 Bulan

MIBV ke-14 0.0047332 12 Bulan




MIBV ke-18 0.007885 12 Bulan

MIBV ke-19 0.011995 12 Bulan

MIBV ke-20 0.0093559 12 Bulan

MIBV ke-21 0.014553 12 Bulan

MIBV ke-22 0.0010572 12 Bulan


MIBV ke-24 0.00044216 5 Bulan






Dari tabel diatas diketahui bahwa anfis yang disusun

dapat mengenali data dengan benar pada data ke-24 yang dikenali

sebagai data sisa umur kurang 5 bulan, ke-25 yang dikenali

sebagai data sisa umur kurang 4 bulan, data ke-26 yang dikenali

sebagai data sisa umur kurang 3 bulan, data ke-27 yang dikenali

sebagai data sisa umur kurang 2 bulan, data ke -28 yang dikenali

sebagai data sisa umur kurang 1 bulan dan data ke-29 yang

dikenali sebagai data kurang 12 bulan seperti yang dijelaskan

dalam histogram peak MIBV pada gambar 4.2. Akan tetapi pada

MIBV ke-13 sampai 22 dikenali sebagai data sisa umur 12 bulan.

Hal ini terjadi karena peak spektrum pada MIBV tersebut masih

dibawah dari data training sisa umur terbesar yaitu MIBV ke-1,

sehingga anfis mengenali data tersebut dengan data yang paling

mirip dengan data training. Oleh karena itu, spektrum pada MIBV

ke-13 sampai 22 bisa jadi mengindikasikan getaran dengan sisa

umur yang lebih lama. Pada MIBV ke-23 dikenali sebagai data

sisa umur 7 bulan, hal ini terjadi karna pola datanya mengalami

kemiripan dengan data sisa umur 7 bulan.

Error yang didapatkan ketika menggunakan sistem

pembelajaran backrpopagation lebih besar jika dibandingkan

dengan sistem pembelajaran hybrid. Hal ini berarti bahwa tingkat

akurasi dari sistem pembelajaran hybrid lebih baik jika

dibandingkan dengan backpropagation karena sistem

pembelajaran hybrid merupakan gabungan dari 2 sistem, yaitu

RLSE dan backpropagation. Dengan begitu, struktur anfis

memiliki kemampuan yang baik untuk memperbaiki parameter

yang akan digunakan dalam proses prediksi sisa umur.

Dengan penambahan jumlah membership function

sebanyak 2 buah pada proses testing menggunakan sistem

pembelajaran hybrid didapatkan hasil bahwa average training

error akan cenderung meningkat. Baik itu menggunakan tipe

membership function segitiga, lonceng maupun trapesium. Ketika

menggunakan sistem pembelajaran backpropagation cenderung

menurunkan error saat menggunakan tipe membership function

segitiga, lonceng maupun trapesium.

5.3 Perbandingan performa prediksi menggunakan ANFIS

dengan JST

Performa hasil prediksi menggunakan metode anfis pada

tugas akhir ini akan dibandingkan dengan hasil prediksi

menggunakan metode Jaringan Syaraf Tiruan (JST) yang

dilakukan oleh Prastowo (2007). Dengan menggunakan data

training yang sama maka didapatkan perbandingan seperti pada

tabel 5.5 dibawah.

Tabel 5.6 Perbandingan performa prediksi

Testing

Data

JST ANFIS

Error

Prediksi

Sisa Umur Error

Prediksi

Sisa Umur

MIB

V ke-26 0.00928

Kurang 7

Bulan

5.5813E-

8

Kurang 3

Bulan

MIB

V ke-27 0.00890

Kurang 6

Bulan

1.7373E-

8

Kurang 2

Bulan

MIB

V ke-28 0.00968

Kurang 6

Bulan

2.1975E-

8

Kurang 1

Bulan

MIB

V ke-29 0.00898

Kurang 12

Bulan

6.8477E-

8

Kurang 12

Bulan

Dari tabel diatas terlihat bahwa terjadi kesalahan prediksi

pada metode JST untuk mengidentifikasi data ke-26,27 dan 28.

Pada data ke-26 dikenali sebagai data kurang 7 bulan dan data ke-

27 dikenali sebagai data kurang 6 bulan maintenance. Hal ini

terjadi karena data tersebut memiliki kemiripan dengan data

training ke-6 yang merepresentasikan sisa umur 7 bulan

maintenance dan data training ke-7 yang merepresentasikan sisa

umur 6 bulan maintenance. Lalu, apabila dilihat pada diagram

batang amplitude data testing ke-28 akan menyerupai data

training ke-12 yaitu kurang 1 bulan maintenance.

Hal berbeda ditunjukkan pada hasil prediksi

menggunakan metode anfis, karena sistem pembelajaran hybrid

merupakan gabungan dari 2 sistem, yaitu RLSE dan

backpropagation. Dengan menggunakan metode RLSE,

parameter konsekuen diperbaiki berdasarkan pasangan data

masukan-keluaran. Metode RLSE akan mempercepat proses

belajar. Setelah parameter konsekuen didapat, masukan

dilewatkan jaringan adaptif kembali dan hasil keluaran jaringan

adaptif ini dibandingkan dengan keluaran sebenarnya. Pada arah

mundur, parameter konsekuen dibuat tetap. Kesalahan (error)

yang terjadi antara keluaran jaringan adaptif dan keluaran

sebenarnya dipropagasikan mundur dengan menggunakan

gradient descent untuk memperbaiki parameter premis. Dengan

metode ini sisa umur diprediksi dengan tepat dan nilai error yang

terjadi lebih kecil. Hal Ini menunjukkan bahwa performa dalam

prediksi sisa umur dengan metode anfis lebih baik dibandingkan

JST.

BAB V

KESIMPULAN DAN SARAN

6.2 Kesimpulan

Dari hasil analisa data yang dilakukan, dapat diambil

kesimpulan sebagai berikut :

1. Pada proses training dan testing anfis dengan

menggunakan sistem pembelajaran hybrid dihasilkan

average error yang lebih baik daripada menggunakan

backpropagation.

2. Pada proses training menggunakan sistem pembelajaran

hybrid dan jumlah membership function 3 4, tipe

trapesium menghasilkan average training error yang

paling baik yaitu 3.5239x10-7.

3. Pada proses training menggunakan sistem pembelajaran

backpropagation dan jumlah membership function 3 4,

tipe lonceng menghasilkan average training error yang

paling baik yaitu 0.24702.

4. Penambahan membership function sebanyak 2 buah pada

proses training dan testing menggunakan sistem

pembelajaran hybrid akan memperbesar nilai average

errornya.

5. Penambahan membership function sebanyak 2 buah pada

proses training dan testing menggunakan sistem

pembelajaran backpropagation akan menurunkan nilai

average errornya.

6. Dari hasil testing pada data MIBV ke-24, 25, 26, 27, 28

dan 29, anfis yang disusun mampu memprediksi sisa

umurnya.

7. Dari hasil perbandingan error, diketahui bahwa metode

anfis lebih baik dibanding JST dalam memprediksi sisa

umur mesin Cooling Waterpump 2A.

6.2 Saran

Untuk rekomendasi penelitian berikutnya, maka penulis

menyarankan untuk :

1. Memperbanyak data training anfis untuk meningkatkan

performa dari struktur anfis yang disusun.

2. Dari hasil penelitian ini dapat dibuat sebuah program

prediksi sisa umur secara real-time dengan performa

prediksi yang handal.

DAFTAR PUSTAKA

Andrianto, Rocky. 2006. ”Diagnosa Kegagalan Pada Mesin

Cooling Waterpump 2A PT.PJB Gresik Menggunakan

Metode Analisa Vibrasi”. Tugas Akhir Jurusan Teknik Mesin

Institut Teknologi Sepuluh Nopember Surabaya.

Beebe, Raymond. 2004. “Predictive Maintenance of Pumps

Using Condition Monitoring”. Elsevier Science & Technology

Books.

Ebeling, Charles. 1997. “An Introduction to Reliability and

Maintainability Engineering”, New York, McGraw-Hill

Companies Inc.

J.S.R. Jang C.T.Sun, dan E.Mizutuni. 1997. “Neuro-Fuzzy and

Soft Computing”, Prentice-Hall International.

Kusumadewi, Sri Hartati. 2006. ”Neuro-Fuzzy;Integrasi Sistem

Fuzzy dan Jaringan Saraf”.Graha Ilmu.

Prastowo, Anugrah. 2006. “Prediksi Sisa Umur Pakai Mesin

Cooling Waterpump 2A PT.PJB Gresik Dengan Metode

Jaringan Syaraf Tiruan”. Tugas Akhir Jurusan Teknik Mesin

Institut Teknologi Sepuluh Nopember Surabaya.

Mardani, Abet. 2009. “Diagnosa Kerusakan Pada Rotating

Machinery Menggunakan ANFIS (Adaptive Neuro-Fuzzy

Inference Systems)”. Tugas Akhir Jurusan Teknik Mesin Institut

Teknologi Sepuluh Nopember Surabaya.

Moubray, John. 1997. “Reliability-Centered Maintenance II”.

Industrial Press Inc.

Muslim,Aziz, dan E.Mahyus. 2007. ”Implementasi Algoritma

Cluster Fuzzy Dan Neuro-Fuzzy Studi Kasus Ekspor

Indonesia ke Jepang”.

Tettamanzi, A dan Tomassini. 2001. “Soft Computing

Integrating Evolutionary, Neural and Fuzzy Systems”. Springer-Verlag, Berlin.

Yang Ping, Liu Sui-Sheng. 2005. ”Fault Diagnosis System For

Turbo-Generator Set Based On Fuzzy Neural Network ”.

International Journal Of Information technology.

DAFTAR RIWAYAT HIDUP

Penulis yang bernama lengkap

Mohammad Taufan, dilahirkan di

Jakarta pada tinggal 26 Agustus 1988.

Merupakan anak bungsu dari empat

bersaudara dari pasangan Tamsil Arief

dan Maryani. Mengawali pendidikan

formal di SDN 03 Jakarta Timur, lulus

pada tahun 2000 dan pada tahun 2003

lulus dari SMPN 109 Jakarta Timur.

Pada tahun 2006, setelah lulus pendidikan dari SMAN 54

Jakarta Timur, diterima di jurusan Teknik Mesin ITS.

Penulis mengisi waktu kuliahnya dengan aktifitas

keorganisasian dan kepemanduan. Pernah menjabat sebagai

Kepala Departemen Umum Himpunan Mahasiswa Mesin

pada periode 2008-2009 dan menjadi koordinator Steering

Comitee pada kegiatan Pekan Mekanika 2009. Penulis juga

aktif menjadi pemandu dalam pelatihan menajemen

mahasiswa di tingkat jurusan dan institut. Penulis dapat

dihubungi pada email [email protected]

mailto:[email protected]

LAMPIRAN

1. Proses input data Training

Pada proses ini dilakukan training pada 12 data yang sudah

ditentukan. Tiap data dilakukan training dengan 100 kali

iterasi. Setelah data 1 sampai 12 selesai detraining lalu

dilakukan langkah ke-2.

2. Input data Testing

Pada proses ini dilakukan input data testing sesuai yang

diinginkan. Pilihan data testing berbentuk popup, sehingga

user tinggal memilih lalu klik “test now”. Dan nantinya akan

testing dilakukan terhadap seluruh data training, dan diambil

error terkecil yang berarti terjadi kemiripan pola data pada

data training tersebut.

3. Hasil test data testing ke-1

Pada proses ini dilakukan testing untuk data test ke-1. Pada

tampilan ditunjukkan bahwa data tes 1 memiliki error

terkecil dibandingkan dengan data training yang

merepresentasikan sisa umur “12 bulan”.





merepresentasikan sisa umur “1 bulan”. Hasilnya dapat

dilihat pada bagian yang diberi tanda kotak merah.

PREDIKSI SISA UMUR PADA ROTATING MACHINERY … · i tugas akhir – tm 091486 prediksi sisa umur...

Documents

Transcript of PREDIKSI SISA UMUR PADA ROTATING MACHINERY … · i tugas akhir – tm 091486 prediksi sisa umur...