Perancangan Sistem Pendeteksi Kesalahan Berbasis Jaringan Syaraf Tiruan – Back Propagation dengan Pendekatan Analisis Residual Pada Medium Pressure Oil Pump (MPOP) Unit 532-P-01A di PT. Saka Indonesia Pangkah Limited Gresik

Habibah, Noviarizqoh Nurul (2021) Perancangan Sistem Pendeteksi Kesalahan Berbasis Jaringan Syaraf Tiruan – Back Propagation dengan Pendekatan Analisis Residual Pada Medium Pressure Oil Pump (MPOP) Unit 532-P-01A di PT. Saka Indonesia Pangkah Limited Gresik. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
02311740000089-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (2MB) | Request a copy
[img] Text
02311740000089-Undergraduate_Thesis.pdf
Restricted to Repository staff only

Download (2MB) | Request a copy
[img] Text
02311740000089-Undergraduate_Thesis.pdf
Restricted to Repository staff only

Download (2MB) | Request a copy

Abstract

Pompa sentrifugal merupakan instrumen yang berfungsi untuk mengalirkan fluida dari satu tempat ke tempat lainnya. Pompa harus dijaga dalam kondisi pengoperasian yang baik untuk menghindari turunnya kinerja sistem yang dapat berpengaruh pada produktivitas serta demi tujuan keselamatan manusia dan lingkungan. Pada penelitian tugas akhir ini, dilakukan perancangan sistem deteksi kesalahan pompa sentrifugal yang terdapat di PT. SAKA. Jenis kesalahan yang akan dideteksi pada sistem ini adalah sindrom kavitasi dan penyumbatan suction strainer. Terdapat 3 sub-sistem sebagai pendekatan untuk memodelkan pompa normal menggunakan jaringan syaraf tiruan – back propagation¬ dengan 3 lapisan di dalamnya. Model pompa statis menghasilkan error MAPE sebesar 2,5547 , model pipa dinamis mempunyai error MAPE sebesar 8,8969 , dan model pompa – pipa dinamis memiliki error MAPE sebesar 7,4179. Untuk membedakan kondisi operasi pompa apakah dalam keadaan normal atau tidak, dapat digunakan analisis residual. Residual adalah selisih antara nilai pada model estimasi JST dengan nilai hasil pengukuran, dimana jika pompa beroperasi normal maka residual bernilai nol. Selanjutnya, dilakukan ekstraksi fitur statistik dari sinyal residual yang dihasilkan. Hasil ekstraksi fitur menjadi masukan pada tahap pelatihan dan pengujian classifier yang didesain yakni Support Vector Machines (SVM), k-Nearest Neighbors (KNN), dan Decision Tree (DT). Performa terbaik ditunjukkan oleh classifier SVM yang menghasilkan akurasi dan presisi sebesar 91,67% serta nilai recall dan F1-score sebesar 93,33% dan 91,53%

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Classifier, Jaringan Syaraf Tiruan, Pompa Sentrifugal, Residual, Sistem Deteksi Kesalahan, Neural Network, Centrifugal Pump, Fault Detection
Subjects: Q Science > Q Science (General) > Q325.5 Machine learning.
Q Science > QA Mathematics > QA336 Artificial Intelligence
Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
T Technology > TJ Mechanical engineering and machinery > TJ919 Centrifugal pumps--Design and construction.
Divisions: Faculty of Industrial Technology and Systems Engineering (INDSYS) > Physics Engineering > 30201-(S1) Undergraduate Thesis
Depositing User: NOVIARIZQOH NURUL HABIBAH
Date Deposited: 19 Aug 2021 06:07
Last Modified: 19 Aug 2021 06:07
URI: https://repository.its.ac.id/id/eprint/87752

Actions (login required)

View Item View Item