PENERAPAN MACHINE LEARNING DALAM PREDICTIVE MAINTENANCE PADA UNIT L.O COOLER MESIN INDUK NKK SEMPT – PIELSTICK 12PC4-2V-570 PADA KAPAL PASSENGER

SEPTIANGGA, KELVIANO DAFFA (2024) PENERAPAN MACHINE LEARNING DALAM PREDICTIVE MAINTENANCE PADA UNIT L.O COOLER MESIN INDUK NKK SEMPT – PIELSTICK 12PC4-2V-570 PADA KAPAL PASSENGER. Diploma thesis, Politeknik Perkapalan Negeri Surabaya.

Text 0320040076 - Kelviano Daffa Septiangga - Penerapan _i_Machine Learning__i_ dalam _i_Predictive Maintenance__i_ pada Unit _i_L.O Cooler__i_ Mesin Induk Nkk Sempt – Pielstick 12pc4-2v-570 pada Kapal _i_Passenger __i_.pdf Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Predictive maintenance (PdM) merupakan metode pemeliharaan yang digunakan untuk memprediksi kapan suatu peralatan atau sistem akan mengalami kegagalan dan membantu dalam merencanakan pemeliharaan sebelum potensi kegagalan di masa depan. Condition Based Monitoring (CBM) merupakan penunjang pemeliharaan yang dilakukan dengan cara memantau kondisi peralatan dengan menggunakan sensor, software, atau Internet of Things (IoT). Hasil pemantauan kemudian dianalisis menggunakan predictive maintenance untuk diprediksi terjadinya kegagalan dimasa mendatang. Dalam penelitian ini, dilakukan penerapan predictive maintenance pada unit L.O cooler pada mesin induk kapal passenger untuk memprediksi terjadinya kegagalan pada unit tersebut berdasarkan data engine log sheet yang berasal dari kondisi operasional mesin atau peralatan (Condition Based Monitoring). Penerapan predictive maintenance dilakukan menggunakan machine learning tipe supervised learning dengan metode yang digunakan adalah Support Vector Machine (SVM) dan logistic regression. Berdasarkan hasil evaluasi rasio dan metode, didapatkan bahwa metode logistic regression dengan rasio 90%:10% merupakan metode paling akurat dibuktikan dengan nilai MAE, RMSE, RAE, dan Accuracy berturut-turut yaitu 0.0012, 0.035, 0.631% dan 99.877%. Hasil dari pemodelan predictive maintenance didapatkan bahwa LO cooler diprediksi akan mengalami anomali kembali saat 3292 jam beroperasi.

Actions (login required)

View Item