PENERAPAN MACHINE LEARNING DALAM PREDICTIVE MAINTENANCE PADA UNIT INTERCOOLER TURBO MESIN INDUK NKK SEMT- PIELSTICK 12PC4-2V-570 PADA KAPAL PASSENGER

Ahmad, Invinandri Joko (2024) PENERAPAN MACHINE LEARNING DALAM PREDICTIVE MAINTENANCE PADA UNIT INTERCOOLER TURBO MESIN INDUK NKK SEMT- PIELSTICK 12PC4-2V-570 PADA KAPAL PASSENGER. Diploma thesis, Politeknik Perkapalan Negeri Surabaya.

Text 0320040084 - Invinandri Joko Ahmad - Penerapan _i_Machine Learning__i_ dalam _i_Predictive Maintenance__i_ pada Unit _i_Intercooler Turbo__i_ Mesin Induk NKK SEMT- PIELSTICK 12PC4-2V-570 pada Kapal _i_Passenger__i_.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Predictive maintenance (PdM) digunakan untuk memprediksi kapan peralatan mungkin mengalami kegagalan, membantu menyediakan pemantauan serta perencanaan pemeliharaan sebelum potensi kegagalan dimasa mendatang. Peneltian ini membahas pdM unit intercooler turbo mesin induk NKK-SEMT- PIELSTICK12PC4-2V-570 pada kapal penumpang. meliputi bagaimana pemodelan pdM menggunakan machine learning menggunakan metode supervised learning, yaitu decision tree (dt) dan random forest (rf), model dan metode apa yang memiliki akurasi tertinggi dan untuk mendapatkan jam operasional peralatan hingga mengalami kegagalan. Pendekatan dt digunakan untuk memprediksi kategori dan menyusun pengetahuan berdasarkan data pelatihan dan labelnya. Rf merupakan kumpulan dt, dihasilkan dari pemilihan sampel secara acak dengan membelah simpul yang berbeda. Rf memanfaatkan subset pada setiap pohon, lalu mencari ambang batas yang terbaik untuk memisahkan data. Melalui anomali performance sistem turbo penggunaan machine learning dapat melakukan pengolahan data yang telah diklasifikasikan sebelumnya untuk mendapatkan output berupa predictive maintenance. Berdasarkan hasil pemodelan pdM, dt merupakan metode paling akurat dengan rasio pembagian data training dan testing 60:40 menghasilkan akurasi tertinggi. Dengan nilai MAE 0, RMSE 0, RAE 0%, TP rate 1, FP rate 0, recall 1, F-measure 1, dan Accuracy 100%. Menggunakan model dt dengan rasio data set 60:40, dilakukan predict fututre, equipment diprediksi akan mengalami kegagalan setelah beroprasi selama 3112 jam kedepan.

Actions (login required)

View Item