Optimasi Hyperparameter Autoencoder sebagai Ekstraksi Fitur dan XGBoost untuk Deteksi Keausan dan Tingkat Keparahan pada Roda Gigi

Safitriyana, Devita Sella Nur (2025) Optimasi Hyperparameter Autoencoder sebagai Ekstraksi Fitur dan XGBoost untuk Deteksi Keausan dan Tingkat Keparahan pada Roda Gigi. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5007211024-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2028. Download (18MB) | Request a copy

Abstract

Keausan pada roda gigi umum terjadi akibat meshing yang terus-menerus antar gigi. Untuk mengurangi downtime, deteksi keausan menggunakan machine learning diterapkan dengan pendekatan data-driven vibration analysis. Selain itu, supaya perawatan lebih sesuai dengan kondisi aktual, deteksi tingkat keparahannya juga diterapkan. Namun, ekstraksi fitur sering kali menjadi tantangan, karena korelasi antar fitur yang tidak lagi linier. Autoencoder semakin populer karena kemampuannya mengekstrak fitur dari data yang lebih kompleks. Sementara itu, untuk menangani data yang tidak seimbang dan klasifikasi multi kelas, XGBoost dapat memberikan hasil yang lebih baik tanpa memerlukan normalisasi. Oleh karenanya penelitian ini bertujuan untuk memvalidasi model algoritma Autoencoder-XGBoost dengan mengoptimalkan hiperparameter-nya melalui tuning dengan Random Search. Tuning pada setiap algoritma dilakukan untuk menemukan kombinasi hiperparameter terbaik guna mengurangi overfitting dan underfitting. Dataset open source dari Tsinghua University digunakan, dengan fokus pada empat kondisi: keausan rendah, keausan sedang, keausan tinggi, dan gear sehat pada kecepatan poros input 1000 RPM. Setiap dataset memiliki jumlah sampel 1500 sampel, sehingga total sampel untuk deteksi keausan adalah 6000 sampel, sedangkan untuk deteksi tingkat keparahan terdapat 4500 dengan sampel yang sama, namun sampel gear sehat tidak digunakan. Data uji sebesar 20% dari total sampel yang digunakan untuk evaluasi. Latent space Autoencoder juga diterapkan pada Logistic Regression, KNN, Naive Bayes, dan Random Forest, lalu dibandingkan dengan performa XGBoost. Hasilnya menunjukkan bahwa model yang diusulkan dapat mendeteksi keausan dan tingkat keparahan lebih baik dibandingkan model lainnya yaitu dengan akurasi pada deteksi keausan adalah 92% serta presisi, recall, dan F-1 score yaitu 89%. Sementara itu semua metrik evaluasi pada deteksi tingkat keparahan mencapai 77%. Performa multi-class classification lebih rendah daripada binary-class classification, karena meningkatnya kompleksitas yang menyebabkan kesulitan dalam generalisasi. Namun, model yang diajukan tetap mampu membedakan kelas dengan baik, sebagaimana ditunjukkan oleh grafik AUC pada tugas kelas biner mencapai 96% dan 92% untuk tugas klasifikasi multi kelas. Performa yang lebih rendah disebabkan oleh keputusan hasil prediksi yang meleset sebab threshold yang digunakan masih default yaitu 0.5, yang dalam model ini menjadi kurang optimal. Oleh karenanya, penelitian selanjutnya threshold penting untuk dilibatkan dalam melakukan optimasi model.
=====================================================================================================================================
Gear Wear commonly occurs due to the frequent meshing between teeth. To minimize downtime, wear detection using machine learning is applied using a data driven vibration approach. Additionally, to ensure that the applied maintenance strategy aligns with the actual condition, severity detection is incorporated. Feature extraction can be challenging to handle, as the feature correlation is no longer linear. Autoencoder has gained popularity due to its capability to extract meaningful features from complex data. To handle unbalanced data and multi-class classification, XGBoost can provide better results without requiring normalization. Therefore, this study aims to validate the Autoencoder-XGBoost model by optimizing its hyperparameters through Random Search. Tuning on each algorithm is conducted to identify the optimal combination of hyperparameters that can reduce overfitting and underfitting. An open source dataset from Tsinghua University is utilized, specifically focusing on: low wear, medium wear, high wear, and healthy gear datasets at an input shaft speed of 1000 RPM. Each dataset consists of a meaningful sample size of 1500 samples, resulting in a total of 6000 samples for wear detection and 4500 samples for severity detection with the same samples, excluding healthy gear samples. The test data comprises 20% of the total samples. To further evaluate performance, the latent space of Autoencoder is also applied to Logistic Regression, KNN, Naive Bayes, and Random Forest, which are then compared against XGBoost. The results demonstrate that the proposed model can detect wear and severity better than other models, with an accuracy of 92% in wear detection, and precision, recall, F-1 score of 89%. While severity detection achieves 77% across all metrics. The performance of multi-class classification is lower than binary-class classification, due to its increased complexity, making generalization more challenging. However, the proposed model effectively differentiates between classes, as evidenced by the AUC graph of 96% for the binary-class classification and 92% for multi-class classification. The lower performance is attributed to misclassification caused by the default threshold of 0.5, which is not yet optimized for this model. Therefore, further research should focus on optimizing the threshold to improve model performance.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Autoencoder, Deteksi, Hiperparameter, Keausan, Keparahan, Tuning, XGBoost, Detection, Hyperparameter, Severity, Tuning, Wear, XGBoost
Subjects:	T Technology > TJ Mechanical engineering and machinery > TJ217.6 Predictive Control
Divisions:	Faculty of Industrial Technology > Mechanical Engineering > 21201-(S1) Undergraduate Thesis
Depositing User:	Devita Sella Nur Safitriyana
Date Deposited:	18 Mar 2025 07:16
Last Modified:	18 Mar 2025 07:16
URI:	http://repository.its.ac.id/id/eprint/118967

Actions (login required)

View Item