Pengembangan Model Deteksi Anomali Pada Unit Excavator PC 1250 Untuk Predictive Maintenance Berbasis Machine Learning Di Perusahaan Tambang Batubara

Romli, Zacnudin (2024) Pengembangan Model Deteksi Anomali Pada Unit Excavator PC 1250 Untuk Predictive Maintenance Berbasis Machine Learning Di Perusahaan Tambang Batubara. Masters thesis, Institut Teknologi Sepuluh November.

Text 6032212099-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 July 2026. Download (3MB) | Request a copy

Abstract

Excavator Komatsu PC 1250 merupakan salah satu peralatan vital dalam industri pertambangan, yang memainkan peran kunci dalam produksi dan efisiensi biaya proyek penambangan batubara. Untuk memastikan kinerjanya optimal, pemantauan kondisi operasional excavator menjadi sangat penting. Faktor-faktor seperti kondisi material, lingkungan kerja, dan kualitas operasi operator dapat memengaruhi kinerja excavator. Saat ini, pemeliharaan excavator biasanya dilakukan berdasarkan jadwal terencana berdasarkan jam operasional alat. Pendekatan ini seringkali tidak cukup efisien dan tidak mampu mendeteksi masalah yang muncul secara mendadak atau anomali dalam kinerja mesin. Akibatnya, target kesiapan alat sering tidak tercapai sehingga target produksi dapat tidak tercapai dan juga dapat menyebabkan biaya pemeliharaan meningkat. Penelitian ini bertujuan untuk melakukan pendekatan inovatif menggunakann machine learning untuk melakukan deteksi dini anomali pada excavator, tujuannya untuk mengurangi frekuensi pemeliharaan yang tidak terjadwal (unscheduled maintenance) pada excavator, sehingga dapat meningkatkan ketersediaan (availability) dari excavator tersebut. Data data yang digunakan bersumber dari data yang dikumpulkan oleh sensor yang terpasang pada excavator secara real-time dan melalui tahap-tahap analisis, termasuk proses pemilihan fitur atau variable (Feature selection) dan pelabelan untuk tiap variabelnya. Dengan menggunakan model machine learning yang telah dilatih untuk mengenali pola kinerja normal. Ketika anomali terdeteksi, sistem akan memberikan peringatan dan memungkinkan untuk merespons lebih cepat dan mengatasi masalah sebelum berkembang menjadi kerusakan yang lebih serius. Pada penelitian ini berbasis metode machine learning, menggunakan metode Support Vector Machine (SVM) dan Artificial Neural Network (ANN). Berdasarkan data yang dianalisa dan setelah dilakukan evaluasi dengan menggunakan model diatas akan ditentukan model mana yang paling akurat dalam mendeteksi anomali yang terjadi pada excavator berdasarkan tingkat akurasi, presisi, recall dan AUC. Dari hasil penelitian diharapkan dengan pendekatan ini dapat meningkatkan efisiensi pemeliharaan dan kesiapan alat, mengurangi waktu henti produksi, dan menghemat biaya pemeliharaan.
====================================================================================================================================
The Excavator Komatsu type PC 1250 is one of the vital equipment in the mining industry, which plays a key role in the production and cost efficiency of coal mining projects. To ensure optimal performance, monitoring of the operational conditions of the excavator is very important. Factors such as material conditions, work environment and operator quality of operation can affect excavator performance. Currently, excavator maintenance is usually carried out based on a planned schedule based on equipment operating hours. This approach is often not efficient enough and is unable to detect sudden problems or anomalies in the machine performance. As a result, equipment availability targets are often not achieved so that a production target is cannot be achieved too and causing maintenance costs also could be increase. This study purposes to take an innovative approach using machine learning to perform early detection of anomalies on excavators, the purposes is to reduce the frequency of unscheduled maintenance on excavators, so as to increase the availability of the excavator. The data used comes from data collected by sensors attached to the excavator in real-time basis and goes through stages of analysis, including the process of selecting features or variables (Feature selection) and labeling for each variable. By using a machine learning hat has been trained to recognize normal performance patterns. When an anomaly is detected, the system will alerts it and allows it to respond more quickly and fix problems before they effect to more serious damage. In this research based on machine learning methods, using the Support Vector Machine (SVM) and Artificial Neural Network (ANN) methods. Based on the data analyzed and after evaluation using the above model, it will be determined which model is the most accurate in detecting anomalies that occur in excavators based on the level of accuracy, precision, recall and AUC. From the research results it is hoped that this approach can improve maintenance efficiency and equipment availability, reduce downtime, and impact maintenance costs saving

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Deteksi Anomali, Artificial Neural Network, Excavator, Machine Learning, Support Vector Machine; Anomaly Detection, Artificial Neural Network, Excavator, Machine Learning, Support Vector Machine.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Zacnudin Romli
Date Deposited:	15 Feb 2024 04:48
Last Modified:	15 Feb 2024 04:48
URI:	http://repository.its.ac.id/id/eprint/107419

Actions (login required)

View Item