KLASIFIKASI KUALITAS AREA KERJA GALANGAN KAPAL SELAM BERDASARKAN PARAMETER LINGKUNGAN DAN PERALATAN DENGAN METODE NEURAL NETWORK.

MAHMUDI, MOH RUSLAN (2025) KLASIFIKASI KUALITAS AREA KERJA GALANGAN KAPAL SELAM BERDASARKAN PARAMETER LINGKUNGAN DAN PERALATAN DENGAN METODE NEURAL NETWORK. Diploma thesis, Politeknik Perkapalan Negeri Surabaya.

Text 0921040030 - Moh Ruslan Mahmudi - Klasifikasi Kualitas Area Kerja Galangan Kapal Selam Berdasarkan Parameter Lingkungan dan Peralatan dengan Metode _i_Neural Network__i_..pdf Download (3MB)

Abstract

Pemeliharaan peralatan yang tidak optimal sering menjadi penyebab utama penurunan produktivitas dan peningkatan biaya operasional. Penelitian ini bertujuan mengembangkan sistem klasifikasi kualitas area kerja bengkel blasting galangan kapal selam berbasis parameter lingkungan dan peralatan menggunakan metode Neural Network. Sistem dirancang berbasis teknologi Internet of Things (IoT) dengan integrasi sensor Power Meter (tegangan dan arus), GP2Y1010AU0F (sensor debu), dan SHT20 (sensor suhu dan kelembapan), yang dikendalikan oleh mikrokontroler ESP32. Data dikumpulkan dan diproses secara lokal, lalu ditampilkan melalui website berbasis localhost, modul Running Text, serta indikator peringatan berupa Tower Light dan buzzer. Metode klasifikasi menggunakan Feedforward Neural Network dengan arsitektur Hidden Layer 1 256 neuron dan Hidden Layer 2 128 neuron, fungsi aktivasi ReLU, dan algoritma optimasi Adam. Model yang dihasilkan mencapai akurasi tinggi dengan R² sebesar 0.9590 dan RMSE 0.0332233 pada epoch ke-189 tanpa overfitting. Sistem mampu mengklasifikasikan area kerja ke dalam tiga kelas: Baik, Sedang, dan Buruk. Uji performa menunjukkan sistem bekerja real-time dan adaptif dengan hasil terbaik pada kondisi ideal (R² = 0.9106, error <1%). Pada kondisi gangguan terbatas, performa menurun (R² = 0.5907, error hingga 21.18%), sedangkan pada kondisi gangguan menyeluruh performa lebih rendah (R² = 0.3502, error 0.44–9.79%) namun tetap mampu mendeteksi anomali seperti arus nol dengan akurasi >90%. Sistem ini berpotensi meningkatkan efisiensi operasional dan mendukung pengambilan keputusan berbasis data.

Actions (login required)

View Item