DETEKSI DINI KERUSAKAN BEARING MENGGUNAKAN MACHINE LEARNING PENDEKATAN SUPPORT VECTOR REGRESSION (SVR)

Abstract

Bearing adalah sebuah komponen mekanis yang digunakan untuk mengurangi gesekan antara dua komponen yang bergerak relatif satu sama lain. Bantalan biasanya terdiri dari sebuah lingkaran luar dan lingkaran dalam yang dipisahkan oleh benda bulat yang disebut bola atau rol. Bantalan dapat digunakan pada berbagai jenis mesin dan peralatan, seperti mesin industri, kendaraan, dan alat berat. Kondisi yang buruk pada bantalan dapat menyebabkan kerusakan pada mesin dan mengurangi umur pemakaian mesin. Oleh karena itu, pemantauan dan perawatan yang tepat pada bantalan sangat penting untuk memastikan kinerja mesin yang optimal dan menghindari kerusakan yang tidak diinginkan. Dalam rangka mencegah terjadinya kerusakan yang lebih serius, maka dibutuhkan suatu proses yang dapat memprediksi potensi terjadinya kegagalan dan menentukan estimasi sisa waktu operasi atau remaining useful life (RUL) dari suatu komponen sebelum terjadi kegagalan. Penelitian ini bertujuan untuk menganalisis kinerja algoritma machine learning dalam memprediksi kondisi kerusakan bantalan NASA (National Aeronautics and Space Administration) menggunakan dataset NASA Bearing Data Set. Dataset ini kemudian diolah sehingga mempermudah dalam proses machine learning, serta dilakukan ekstraksi fitur. Setelah memilih fitur terbaik, langkah selanjutnya adalah melakukan beberapa tahapan untuk mempersiapkannya sebagai input untuk algoritma machine learning Support Vector Regression (SVR). Hasil penelitian menunjukkan terdapat 12 model yang dihasilkan dari proses tersebut dengan akurasi prediksi yang berbeda-beda namun mampu memberikan estimasi waktu kapan bantalan akan mengalami kegagalan, yang dihitung mulai dari saat terdeteksi adanya kerusakan. Dengan adanya model ini, diharapkan dapat membantu dalam melakukan prediksi kerusakan bantalan sehingga perawatan dan perbaikan dapat dilakukan lebih awal dan mencegah terjadinya kerusakan yang lebih parah.