Analisis Komparatif Getaran Metode LSTM dan XGBoost untuk Pemeliharaan Prediktif pada Sistem Pompa Industri

-, Muhammad (2025) Analisis Komparatif Getaran Metode LSTM dan XGBoost untuk Pemeliharaan Prediktif pada Sistem Pompa Industri. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022232021_Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Abstrak-Pemeliharaan prediktif pada mesin industri umumnya masih bersifat sederhana dan terbatas pada keputusan biner mengenai apakah suatu mesin memerlukan perawatan atau tidak. Pendekatan tersebut belum sepenuhnya memanfaatkan potensi data sensor untuk mengantisipasi degradasi mesin di masa depan maupun mengoptimalkan penjadwalan pemeliharaan. Penelitian ini membandingkan dua metode berbasis data, yaitu jaringan saraf Long Short-Term Memory (LSTM) dan algoritma eXtreme Gradient Boosting (XGBoost), untuk menentukan model yang paling efektif dalam pemeliharaan prediktif pada sistem pompa industri. Perbandingan difokuskan pada akurasi model, efisiensi komputasi, serta kemampuan peramalan kondisi kesehatan pompa untuk jangka waktu 7 dan 30 hari berdasarkan data getaran yang diklasifikasikan sesuai standar ISO-10816-3 untuk mesin Kelas II. Hasil penelitian menunjukkan bahwa XGBoost mencapai akurasi tertinggi sebesar 99,99% dan waktu pelatihan tercepat dalam klasifikasi kondisi saat ini, sedangkan LSTM memberikan performa peramalan yang lebih realistis dengan akurasi yang menurun secara bertahap menjadi 98,3% untuk prediksi 7 hari dan 95,9% untuk 30 hari seiring bertambahnya horizon prediksi. Namun demikian, akurasi yang sangat tinggi ini juga dipengaruhi oleh ketidakseimbangan kelas pada dataset, di mana sebagian besar sampel berada dalam kondisi normal sehingga model lebih mudah mencapai nilai evaluasi yang tampak sempurna. Evaluasi kronologis mengonfirmasi bahwa kedua model menunjukkan performa yang konsisten, dengan akurasi sempurna yang disebabkan oleh komposisi kelas tunggal pada bagian akhir linimasa dataset. Secara keseluruhan, XGBoost lebih sesuai untuk pemantauan kondisi secara langsung, sementara LSTM menawarkan kemampuan peramalan temporal yang kredibel untuk perencanaan pemeliharaan jangka panjang.
===================================================================================================================================
Predictive maintenance in industrial machinery is often implemented using simple binary decision rules that determine whether maintenance is required or not. Such approaches do not fully utililize available sensor data to anticipate future machine degradation or optimize maintenance scheduling. This study compares two data driven methods the Long Short-Term Memory (LSTM) neural network and the eXtreme Gradient Boosting (XGBoost) algorithm to identify the most effective model for predictive maintenance of an industrial pump system. The comparison focuses on model accuracy, computational efficiency, and forecasting capability for predicting pump health conditions 7 and 30 days ahead using vibration data classified according to the ISO-10816-3 standard for Class II machinery. The results show that XGBoost achieved the highest accuracy of 99.99% and the fastest training time for current-state classification, while LSTM provided more realistic forecasting performance, with accuracy decreasing gradually to 98.3% for 7-day forecasts and 95.9% for 30-day forecasts as the prediction horizon extended. However, these high accuracy values are also influenced by the dataset’s class imbalance, where the majority of samples represent normal operating conditions, making it easier for both models to achieve near-perfect evaluation scores. Chronological evaluation confirmed that both models performed consistently, with perfect accuracy partly attributed to the dominance of a single class near the end of the dataset timeline. Overall, XGBoost is more suitable for immediate condition monitoring, whereas LSTM offers credible temporal forecasting capabilities for long-term maintenance planning.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Predictive maintenance, LSTM, XGBoost, Vibration Analysis, Industrial Pump, ISO-10816-3, Machine Learning, pemeliharaan prediktif, LSTM, XGBoost, analisis getaran, pompa industrial, ISO-10816-3, pembelajaran mesin
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T58.8 Productivity. Efficiency T Technology > TJ Mechanical engineering and machinery T Technology > TJ Mechanical engineering and machinery > TJ217.6 Predictive Control
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Muhammad Muhammad
Date Deposited:	29 Jan 2026 01:33
Last Modified:	29 Jan 2026 01:34
URI:	http://repository.its.ac.id/id/eprint/130840

Actions (login required)

View Item