prediksi sisa umur pada rotating machinery … · i tugas akhir – tm 091486 prediksi sisa umur...
TRANSCRIPT
i
TUGAS AKHIR – TM 091486
PREDIKSI SISA UMUR PADA ROTATING
MACHINERY DENGAN METODE ANFIS
(ADAPTIVE NEURO-FUZZY INFERENCE SYSTEMS)
MOHAMMAD TAUFAN
NRP. 2106 100 147
Dosen Pembimbing
Dr. Muh. Nur Yuniarto
JURUSAN TEKNIK MESIN
Fakultas Teknologi Industri
Institut Teknologi Sepuluh Nopember
Surabaya 2010
[Halaman ini sengaja dikosongkan]
FINAL PROJECT– TM 091486
REMAINING USEFUL LIFETIME PREDICTION OF
ROTATING MACHINERY USING ANFIS
(ADAPTIVE NEURO-FUZZY INFERENCE SYSTEMS)
MOHAMMAD TAUFAN
NRP. 2106 100 147
Advisor
Dr. Muh. Nur Yuniarto
MECHANICAL ENGINEERING
Faculty of Industrial Technology
Sepuluh Nopember Institute of Technology
Surabaya 2010
[Halaman ini sengaja dikosongkan]
PREDIKSI SISA UMUR PADA ROTATING MACHINERY
DENGAN METODE ANFIS
(ADAPTIVE NEURO-FUZZY INFERENCE SYSTEMS)
TUGAS AKHIR
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Teknik
pada
Program Studi S-1 Jurusan Teknik Mesin
Fakultas Teknologi Industri
Institut Teknologi Sepuluh Nopember
Oleh :
MOHAMMAD TAUFAN NRP. 2106 100 147
Disetujui oleh Tim Penguji Tugas Akhir :
1. Dr. M. Nur Yuniarto
NIP. 197506301998021001 ...................(Pembimbing I)
2. Ir. Bambang Pramujati, MSc. Eng., Ph.D
NIP. 196912031994031001 ........................... (Penguji I)
3. Ir. Witantyo, M.Eng.Sc
NIP. 196303141988031002 .......................... (Penguji II)
4. Ir. Sudiyono Kromodihardjo, M.Sc. Ph.D
NIP. 195208011978031005 ........................ (Penguji III)
SURABAYA
Agustus, 2010
[Halaman ini sengaja dikosongkan]
PREDIKSI SISA UMUR PADA ROTATING MACHINERY
DENGAN METODE ANFIS (ADAPTIVE NEURO-FUZZY
INFERENCE SYSTEMS)
Nama Mahasiswa : Mohammad Taufan
NRP : 2106.100.147
Jurusan : Teknik Mesin FTI – ITS
Dosen Pembimbing: Dr. Muhammad Nur Yuniarto
Abstrak
Prognosa kerusakan pada sebuah rotating machinery
menjadi aspek penting dalam penerapan maintenance karena
terjadinya kerusakan dapat mengakibatkan turunnya produktifitas
sebuah perusahaan. Pengukuran getaran adalah salah satu metode
yang cukup baik untuk mengetahui kondisi mesin karena getaran
merupakan indikator kondisi mekanikal dan indikator awal dari
adanya cacat pada suatu mesin secara menyeluruh. Penerapan
Artificial Intelligence dalam pemrosesan data getaran untuk
prognosa kerusakan semakin meningkat. Hal ini disebabkan
karena keputusan yang dihasilkan tidak subjektif dan performa
prediksinya lebih baik. Prastowo (2006) memanfaatkan JST
(Jaringan Syaraf Tiruan) dalam memprediksi sisa umur dari
sebuah mesin, akan tetapi error yang terjadi dirasa masih cukup
besar. Untuk itu diperlukan sebuah metode lain yang diharapkan
memiliki performa lebih baik.
Di dalam penelitian ini akan dilakukan prediksi sisa umur
pakai dari sebuah rotating machinery dengan metode ANFIS
(Adaptive Neuro-Fuzzy Inference Systems) menggunakan
program Matlab. Data getaran yang diambil menggunakan sensor
getaran pada rentang waktu tertentu akan digunakan untuk
memprediksi degradasi unjuk kerja dari suatu mesin. Data getaran
inilah yang akan digunakan untuk data training dan testing pada
ANFIS. Tipe membership function segitiga, lonceng dan
trapezoidal akan dibandingkan dalam proses training dan testing
menggunakan sistem hybrid dan backpropagation. Pengaruh
penambahan jumlah membership function sebanyak 2 buah juga
akan dilihat pada proses tersebut.
Dari penelitian ini diketahui bahwa ANFIS dengan sistem
pembelajaran hybrid menghasilkan average error yang lebih baik
daripada backpropagation. Uji coba dengan data testing
didapatkan bahwa ANFIS mampu memprediksi sisa umur pakai
dari data yang diinputkan kepadanya. Testing error ketika
menggunakan membership function tipe segitiga sebesar 0.002.
Pengaruh penambahan 2 membership function pada sistem hybrid
akan memperbesar error sedangkan pada backpropagation akan
menurunkan error.
Kata kunci : Rotating Machinery, Prognostic, Prediksi sisa
umur, Vibration monitoring, Anfis
REMAINING USEFUL LIFETIME PREDICTION OF
ROTATING MACHINERY USING ANFIS (ADAPTIVE
NEURO-FUZZY INFERENCE SYSTEMS)
Name : Mohammad Taufan
NRP : 2106.100.147
Departement : Teknik Mesin FTI – ITS
Academic Supervisor : Dr. Muhammad Nur Yuniarto
Abstract
The failure prognosis on a rotating machinery becomes an
important aspect in the implementation of maintenance because of
this failure can lead productivity degradation of a company.
Vibration measurement is one method that is good enough to
know the machine condition because vibration is an indicator of
mechanical condition and early indicator of the defects in a
machine. Application of Artificial Intelligence in failure
prognosis is increasing. It is because the decisions are not
subjective and better prediction performance. Prastowo (2006)
using ANN (Artificial Neural Network) in predicting remaining
useful lifetime of a machine, but the error that occurred is too
high. So, it needs a method which is expected to have better
performance.
In this paper, will be conducted the remaining useful
lifetime prediction of a rotating machinery using ANFIS
(Adaptive Neuro-Fuzzy Inference Systems) method. Vibration
data taken using the vibration sensor at a certain time span will be
used to predict the performance degradation of a machine
condition. Vibration data is to be used for training data and testing
on ANFIS. Triangular, trapezoidal and bell type membership
function will be compared in the process of training and testing
using backpropagation and hybrid learning system. Effect of
addition in number of membership functions will also be seen in
the process.
ANFIS with the hybrid learning system produces an
average error better than backpropagation. Testing with the
testing data showed that the ANFIS is able to predicts its
remaining useful lifetime. Testing errors when using triangular
type membership function is 0.002. Effect of the addition of two
membership functions in the hybrid learning system is error will
increase while the backpropagation will decrease it.
Keywords : Rotating Machinery, Prognostic, Remaining Useful
Lifetime, Vibration monitoring, Anfis
KATA PENGANTAR
Segala puji hanya milik Allah. Kita memuji, memohon
pertolongan dan ampunan-Nya, bertaubat dan berlindung kepada-
Nya dari kejahatan diri dan keburukan amal perbuatan kita.
Barangsiapa yang diberi petunjuk oleh Allah maka tiada yang
dapat menyesatkannya dan barangsiapa yang disesatkan oleh-Nya
maka tiada yang dapat menunjukinya. Saya bersaksi bahwa tiada
Tuhan yang berhak disembah kecuali Allah, tiada sekutu bagi-
Nya. Dan saya bersaksi bahwa Muhammad adalah hamba dan
utusan-Nya. Semoga shalawat dan salam tetap tercurah atas
beliau, seluruh keluarga, para sahabat dan para pengikutnya yang
setia sampai akhir zaman.
Puji syukur penulis panjatkan kehadirat Allah Subhanahu
wa Ta’Ala karena berkat rahmat-Nyalah penulis dapat
menyelesaikan tugas akhir yang berjudul “Prediksi Sisa Umur
Pada Rotating Machinery Dengan Metode ANFIS (Adaptive
Neuro-Fuzzy Inference Systems)”. Tugas akhir ini disusun sebagai
salah satu syarat untuk memperoleh gelar Sarjana Teknik di
Institut Teknologi Sepuluh Nopember, Surabaya. Pada
kesempatan ini, penulis ingin menyampaikan rasa terima kasih
kepada:
1. Ibu, bapak serta kakak-kakak yang selalu memberikan doa dan
dukungannya.
2. Bapak Dr. Muh. Nur Yuniarto selaku dosen pembimbing tugas
akhir yang telah yang secara tidak langsung mengajarkan arti
pentingnya sebuah kerja keras, tanggung jawab, dan
konsekuensi.
3. Bapak Ir. Bambang Pramujati, M.Sc.Eng., Ph.D., Bapak Ir.
Witantyo, M.Eng.Sc., dan Bapak Ir. Sudiyono Kromodihardjo,
M.Sc. Ph.D selaku tim penguji tugas akhir yang telah banyak
memberikan masukan kepada penulis sehingga tugas akhir ini
menjadi lebih sempurna.
4. Semua dosen Jurusan Teknik Mesin FTI ITS, yang telah
memberikan ilmu pengetahuannya, semoga Allah membalas
jasa dan budi baikmu.
5. Rekan-rekan satu angkatan, M49, yang telah banyak mengukir
prestasi di tingkat lokal, nasional, maupun internasional. Saya
sangat bangga menjadi bagian dari angkatan ini.
6. Rekan-rekan Manufacture Study Club: Purna, Yani, Dede,
Ariawan, Andra, Izul, Prita, Niken, Intan, Linna, Edo, Andra,
Niga, dan semuanya.
7. Tim sukses : Titin, Niken, Fani,Oke’dkk. Tanpa kalian saya
bukan apa-apa. Hahahah..
8. Keluarga Mahasiswa Mesin, Himpunan Mahasiswa Mesin,
klub pers Dimensi, M*ITS Autosport, Mesin Music Club,
Lembaga Bengkel Mahasiswa Mesin, Lembaga Dakwah Ash-
shaff. Tempat saya ”belajar” tentang organisasi dan
kekeluargaan.
Akhir kata, salah dan khilaf adalah fitrah manusia. Penulis
menyadari bahwa tugas akhir ini masih memiliki banyak
kekurangan. Oleh karena itu, kritik dan saran sangat penulis
harapkan demi kesempurnaan tugas akhir ini. Akhir kata, semoga
laporan tugas akhir ini dapat bermanfaat untuk kita semua.
DAFTAR ISI
HALAMAN JUDUL i
LEMBAR PENGESAHAN v
ABSTRAK vii
KATA PENGANTAR xi
DAFTAR ISI xiii
DAFTAR GAMBAR xv
DAFTAR TABEL xviii
BAB I PENDAHULUAN 1
1.1 Latar Belakang 1
1.2 Perumusan Masalah 4
1.3 Tujuan Penelitian 4
1.4 Manfaat Penelitian 5
1.5 Batasan Masalah 5
BAB II TINJAUAN PUSTAKA 7
2.1 Kegagalan 7
2.2 Analisa Getaran 8
2.3 Penelitian-penelitian Terdahulu Tentang
Analisa getaran Pada Rotating Machinery 8
2.4 ANFIS (Adaptive Neuro-Fuzzy Inference
Systems) 16
2.4.1 Struktur ANFIS 16
2.4.2 Proses Pembelajaran Pada ANFIS 19
BAB III METODOLOGI PENELITIAN 21
3.1 Diagram Alir Penelitian 21
3.2 Studi Pustaka 22
3.3 Perumusan Masalah 23
3.4 Mengumpulkan Data Sekunder 23
3.5 Proses FFT dengan Software Matlab 23
3.6 Preprocessing Jaringan 23
3.7 Penyusunan FIS dan Set Input Membership 23
Function
3.8 Input Data Training ke ANFIS 23
3.9 Testing ANFIS 24
3.10 Eksperimen Validasi/Checking ANFIS 24
3.11 Analisa Pembahasan 24
3.12 Kesimpulan dan Saran 24
BAB IV PERMODELAN ANFIS 27
4.1 Data yang Digunakan 27
4.2 Analisa Data yang Digunakan 34
4.3 Struktur dan Permodelan ANFIS 42
4.3.1 Fuzzifikasi dan Set Membership
Function untuk Penentuan Sisa Umur 43
4.3.2 Rule Evaluation Fuzzifikasi Untuk
Penentuan Sisa Umur 44
BAB V TRAINING DAN VALIDASI ANFIS 51
5.1 Input Data Training 51
5.2 Testing ANFIS 64
5.3 Perbandingan Performa Prediksi
Menggunakan ANFIS dan JST 73
BAB VI PENUTUP 75
6.1 Kesimpulan 75
6.2 Saran 76
DAFTAR PUSTAKA 77
LAMPIRAN-LAMPIRAN 79
DAFTAR GAMBAR
Halaman
Gambar 2.1
Gambar 2.2(a)
Gambar 2.2(b)
Gambar 2.3
Gambar 2.4
Gambar 2.5
Gambar 2.6
Gambar 2.7
Gambar 2.8
Gambar 2.9
Gambar 3.1
Gambar 4.1
Gambar 4.2
Gambar 4.3
Gambar 4.4
Gambar 4.5
Gambar 4.6(a)
Gambar 4.6(b)
Gambar4.6(c)
Kurva Potential Failure to Failure
(Moubray,1997)
Data Getaran Time Domain
(Roky,2006)
Data Getaran Frequency Domain
(Roky,2006)
Hasil Program Analisa Sinyal
Menggunakan FFT (Roky,2006)
Contoh Spektrum Getaran (Lee,2004)
Performance Degradation (Lee,2004)
Program Prediksi Sisa Umur
Menggunakan JST (Prastowo,2006)
Diagram Penelitian Tentang Analisa
Getaran Pada Rotating Machinery
Arsitektur ANFIS orde I (Jang,1997)
Proses Pembelajaran Hibrid Pada
ANFIS
Diagram Alir Penelitian
Sistem Cooling Waterpump 2A
Spektrum MIBV
Spektrum MIBV Gabungan
Histogram Peak MIBV
Sinyal Spektrum Misalignment
(Girdhar,2004)
Angular Misalignment
Parallel Misalignment
Combination Angular and Parallel
Misalignment
7
9
9
10
12
13
14
15
17
19
21
27
28
32
33
35
35
36
36
Gambar 4.7
Gambar 4.8
Gambar 4.9
Gambar 4.10
Gambar 4.11
Gambar 4.12
Gambar 4.13
Gambar 4.14
Gambar 4.15
Gambar 4.16
Gambar 4.17
Gambar 5.1
Gambar 5.2(a)
Gambar 5.2(b)
Gambar 5.2(c)
Gambar 5.3(a)
Gambar 5.3(b)
Gambar 5.3(c)
Gambar 5.4
Gambar 5.5
Efek Misalignment pada Poros
Kopling
Dimensi pada bearing
Flowchart permodelan ANFIS
Fuzzifikasi dan Membership Function
untuk power spektrum
Fuzzifikasi dan Membership Function
untuk frekuensi
Rule penentuan sisa umur
Program ANFIS GUI
Setting parameter untuk grid partisi
pada anfis
Training data pada ANFIS
Struktur ANFIS
Surface Viewer
Hubungan iput-output pada struktur
ANFIS
Hybrid training ANFIS dengan
membership function trimf
Hybrid training ANFIS dengan
membership function gbell
Hybrid training ANFIS dengan
membership function trapmf
Backpropagation training ANFIS
dengan membership function trimf
Backpropagation training ANFIS
dengan membership function gbell
Backpropagation training ANFIS
dengan membership function trapmf
Pengaruh penambahan 2 buah MF
dalam proses training data
menggunakan sistem pembelajaran
hybrid
Pengaruh penambahan 2 buah MF
37
39
42
43
44
45
46
47
48
49
49
51
52
53
53
56
56
57
62
63
Gambar 5.6
Gambar 5.7
dalam proses training data
menggunakan sistem pembelajaran
hybrid
Testing pada hybrid ANFIS dengan
membership function trapmf
Testing pada backpropagation ANFIS
dengan membership function trapmf
64
65
[Halaman ini sengaja dikosongkan]
DAFTAR TABEL & GRAFIK
Halaman
Tabel 2.1
Tabel 2.2
Tabel 2.3
Tabel 2.4
Tabel 4.1
Tabel 5.1
Tabel 5.2
Tabel 5.3
Table 5.4
Tabel 5.5
Tabel 5.6
Gejala-gejala Kegagalan Yang
Timbul Pada Pompa (Beebe,2004)
Validasi Data Independen
Menggunakan Sistem Hibrid
(Abet,2009)
Perbandingan kinerja Antara Sistem
Fuzzy Dengan Jaringan Syaraf tiruan
(Dewi,2006)
Proses Pembelajaran Hibrid pada
ANFIS (Jang,1997)
Penamaan Sinyal Testing
Training data menggunakan sistem
pembelajaran hybrid(34 MF)
Training data menggunakan sistem
pembelajaran backpropagation (34
MF)
Training data menggunakan sistem
pembelajaran hybrid (56 MF)
Training data menggunakan sistem
pembelajaran backpropagation (56
MF)
Testing data pada hybrid anfis (3 4
MF)
Perbandingan performa prediksi
8
11
16
19
34
54
57
59
60
66
68
[Halaman ini sengaja dikosongkan]
BAB I
PENDAHULUAN
1.1 Latar Belakang
Rotating machinery memegang peranan penting pada proses
produksi berbagai industri di dunia. Kondisi komponen-
komponen mesin ini sangat menjadi perhatian khusus oleh pihak
perusahaan, karena jika terjadi kerusakan dapat mengakibatkan
turunnya produktifitas. Oleh sebab itu sangat penting untuk
melakukan diagnosa dan prognosa kerusakan pada sebuah
rotating machinery sebelum kerusakan terjadi, sehingga bisa
direncanakan metode dan waktu pelaksanaan maintenance yang
lebih tepat.
Prognosa adalah suatu proses penting dalam reliability,
availability, maintainability dan safety suatu mesin. Tujuan utama
dari sistem prognosa adalah untuk mengestimasikan sisa umur
pakai (remaining useful life) dari sebuah mesin yang berguna
untuk mengetahui sisa waktu sebelum terjadi kegagalan pada
mesin tersebut (Jardin,2006).
Ada berbagai metode yang dapat digunakan untuk mengukur
kondisi mesin, seperti vibration analysis, oil analysis,
temperature measurement, pressure measurement, flow rate
measurement, dan lain-lain. Pengukuran vibrasi mesin adalah
salah satu metode yang cukup baik untuk mengetahui kondisi
mesin karena getaran merupakan indikator kondisi mekanikal dan
indikator awal dari adanya cacat (defect) pada suatu mesin secara
keseluruhan. Semakin tinggi getaran yang terjadi
mengindikasikan penurunan kondisi dari mesin tersebut.
Produktifitas juga tidak akan menurun karena mesin tetap
beroperasi ketika dilakukan pengambilan data getaran. Dari hasil
pengukuran vibrasi secara rutin akan didapatkan data vibrasi
berupa time domain, yang selanjutnya akan dirubah menjadi
frekuensi domain.
Dalam kondisi aktualnya, kerusakan yang terjadi pada
sebuah mesin sangatlah kompleks, sehingga sangat sulit untuk
mencari model matematik dari sebuah mesin yang dapat
digunakan sebagai parameter dalam melakukan diagnosa dan
prognosa kerusakan. Selain itu hubungan antara kerusakan dan
gejala kerusakan terkadang juga terlalu kompleks. Sehingga hasil
dari diagnosa mengandung ketidakpastian (fuzzines) yang cukup
tinggi (Ping Yang dan Sui – sheng Liu, 2005). Metode artificial
intelligent gabungan antara fuzzy logic dengan neural network
(JST) atau yang lebih dikenal dengan istilah ANFIS (Adaptive
Neuro-Fuzzy Inference System) banyak sekali diaplikasikan untuk
mengatasi permasalahan diatas. Fuzzy logic memiliki kelebihan
dalam memodelkan aspek kualitatif dari pengetahuan manusia
dan proses pengambilan keputusan dengan menerapkan basis
aturan (rules). Sedangkan Jaringan syaraf tiruan (JST) memiliki
kelebihan dalam mengenali pola, belajar dan berlatih dalam
menyelesaikan suatu permasalahan tanpa memerlukan
permodelan matematik. Selain itu jaringan syaraf tiruan dapat
bekerja berdasarkan data historis yang diinputkan kepadanya dan
dapat memprediksi kejadian yang akan datang berdasarkan data-
data tersebut.
Penelitian mengenai analisa vibrasi pada rotating machinery
sudah banyak dilakukan. Mas’udi (2009) melakukan penelitian
tentang diagnosa kerusakan pada rotating machinery
menggunakan JST (Jaringan Syaraf Tiruan). Dengan melakukan
eksperimen, Mas’udi memvariasikan beberapa jenis kerusakan
seperti misalignment, unbalance, bad bearing, bad gear serta
kombinasinya yang akan digunakan sebagai data training untuk
JST agar dapat mendiagnosa kerusakan secara otomatis.
Kemampuan JST dalam mendiagnosa/mengenali jenis-jenis
kerusakan yang terjadi sangat dipengaruhi oleh banyaknya data
training. Oleh sebab itu, semakin banyak sinyal yang ditraining
akan semakin bagus. Namun disisi lain, jaringan syaraf tiruan
memiliki kelemahan. Yaitu masih membutuhkan waktu yang
relatif cukup lama dan sering mengalami keterlambatan dalam
mengidentifikasi dan mendiagnosa kerusakan yang terjadi pada
sebuah sistem yang kompleks (Ping Yang dan Sui – sheng Liu,
2005). JST yang disusun oleh Mas’udi mampu mengidentifikasi
kerusakan dengan tingkat toleransi error 10-7
. Akan tetapi
performa dalam mengidentifikasi kerusakan ini dirasa masih
perlu ditingkatkan untuk mendapatkan suatu sistem prediksi yang
lebih handal.
Kemudian Abet (2009) melakukan pengembangan penelitian
dengan menggunakan data yang sama seperti Mas’udi. Metode
yang digunakan oleh Abet adalah ANFIS (Adaptive Neuro-Fuzzy
Inference Systems) dimana metode ini adalah gabungan dari
sistem fuzzy logic dan JST. Dari perbandingan kedua penelitian
yang dilakukan, didapat kesimpulan bahwa performa ANFIS
lebih baik dibanding JST dalam mendiagnosa kerusakan. Hal ini
dikarenakan kelebihan ANFIS yang mempunyai metode
pembelajaran hybrid, yaitu pembelajaran arah maju (forward
pass) dengan menggunakan metode Galat Kuadrat Terkecil
(Recursive Least Square Estimator) atau sering disebut RLSE dan
pembelajaran arah mundur (backward pass) yang menggunakan
metode turunan (gradient descent) atau yang lebih dikenal dengan
istilah backpropagation. Pada arah maju, parameter premis dibuat
tetap. Dengan menggunakan metode RLSE, parameter konsekuen
diperbaiki berdasarkan pasangan data masukan-keluaran. Metode
RLSE dapat diterapkan karena parameter konsekuen yang
diperbaiki adalah parameter linier. Metode RLSE akan
mempercepat proses belajar. Setelah parameter konsekuen
didapat, masukan dilewatkan jaringan adaptif kembali dan hasil
keluaran jaringan adaptif ini dibandingkan dengan keluaran
sebenarnya. Pada arah mundur, parameter konsekuen dibuat tetap.
Kesalahan (error) yang terjadi antara keluaran jaringan adaptif
dan keluaran sebenarnya dipropagasikan mundur dengan
menggunakan gradient descent untuk memperbaiki parameter
premis.
Prastowo (2006) melakukan penelitian tentang prediksi sisa
umur pakai mesin Cooling Waterpump 2A PT. PJB UP. Gresik
dengan menggunakan metode JST (Jaringan Syaraf Tiruan). Dari
hasil plot frekuensi domain oleh FFT dari sinyal learning
waveform MIBV(Motor Inboard Vertical) diketahui bahwa
Jaringan syaraf tiruan yang disusun Prastowo mampu
memprediksi sisa umur pakai dengan tingkat toleransi error 10-7
.
Penelitian Prastowo masih perlu dikembangkan, dimana performa
dalam memprediksi sisa umur pakai dirasa penting untuk
ditingkatkan. Untuk itu, dalam penelitian ini akan dilakukan
sebuah pengembangan ANFIS menggunakan input getaran untuk
melakukan prediksi sisa umur pakai dari rotating machinery.
1.2 Perumusan Masalah
Dari uraian diatas, maka dapat diambil perumusan masalah
untuk dalam penelitian ini adalah :
1. Bagaimana menyusun struktur ANFIS (Adaptive Neuro -
Fuzzy inference system) yang dapat digunakan untuk
memprediksi sisa umur pakai efektif dari sebuah rotating
machinery berdasarkan data sekunder berupa data
getaran.
2. Bagaimana memvalidasi output ANFIS yang telah
disusun sehingga dapat menjamin kemampuan dari
metode tersebut.
3. Bagaimana perbandingan performa prediksi sisa umur
menggunakan ANFIS dengan JST.
1.3 Tujuan Penelitian
Tujuan Penelitian ini adalah :
1. Membuat sistem prognosa otomatis yang mampu
memprediksi sisa umur efektif dari komponen mekanikal
menggunakan ANFIS (Adaptive Fuzzy Neuro-inference
system).
2. Menguji tingkat validasi output ANFIS (Adaptive Fuzzy
Neuro-inference system) yang telah disusun sehingga
dapat menjamin kemampuan dari metode tersebut.
3. Membandingkan sistem hybrid ANFIS dengan sistem
backpropagation dalam memprediksi sisa umur.
4. Membandingkan pengaruh penggunaan tipe membership
funcion trimpf (segitiga), gbell (lonceng) dan trapezoidal
dalam memprediksi sisa umur.
5. Mengembangkan penelitian tentang aplikasi artifical
intelligance dalam bidang maintenace, khususnya untuk
condition monitoring via vibrasi.
1.4 Manfaat Penelitian
Manfaat dari penelitian ini adalah :
1. Mampu memprediksi sisa umur pakai efektif dari sebuah
komponen mesin agar dapat disusun metode
pemeliharaan yang tepat sehingga bisa meningkatkan
kapasitas produksi dan mengurangi biaya perbaikan.
2. Mengurangi faktor subjektifitas manusia dalam
penentuan keputusan mengenai sisa umur pakai sebuah
mesin.
1.5 Batasan Masalah
Batasan masalah dan asumsi yang digunakan untuk
menganalisa antara lain:
1. Data yang digunakan adalah data sekunder dari lapangan
pada sistem Cooling Waterpump 2A PT.PJB UP. Gresik.
2. Penyusunan ANFIS menggunakan software Matlab 7.1.
3. Penentuan sisa umur efektif berdasarkan hasil output
ANFIS yang telah disusun.
“Halaman ini sengaja dikosongkan”
BAB II
TINJAUAN PUSTAKA
2.1 Kegagalan
Kegagalan/failure adalah ketidakmampuan dari
suatu komponen, sub-sistem, atau sistem untuk melakukan
fungsinya pada performansi standar menurut desainnya.
Kinerja standar dari suatu sistem, sub-sistem, peralatan atau
komponen berkaitan dengan apa yang harus kita capai dan
evaluasi kita terhadap kemampuan desain dan keandalan
intrinsik dari sistem, sub-sistem, peralatan, atau komponen
tersebut.
Dari hasil penelitian John Moubray, pada bukunya
yang berjudul “RCM II”, diketahui bahwa keandalan
(reliability) dari suatu komponen mesin akan turun seiring
dengan waktu operasi dari komponen mesin tersebut. Dari
kurva Potensial Failure to Failure (P-F) penelitian dari
Moubray dapat dilihat fenomena kerusakan yang terjadi
sepanjang fungsi interval waktu. Dari mulai awal terjadinya
kerusakan(titik P) sampai fungsi operasional dari peralatan
tersebut tidak berfungsi bisa diamati. Dari gambar 2.1
diketahui pula bahwa getaran mesin mengindikasikan
kerusakan sejak awal yaitu 9 bulan sebelum kerusakan
fungsional terjadi yaitu pada titik P1. Indikasi selanjutnya
yang muncul seperti adanya geram pada pelumas,
kebisingan, lalu overheating.
Gambar 2.1 Kurva Potential Failure to Failure (Moubray,
1997)
2.2 Analisa Getaran
Vibration analysis adalah metode yang paling sering
digunakan dalam condition monitoring pada berbagai
rotating machinery terutama pompa (Beebe,2004). Hal ini
dikarenakan getaran merupakan indikator kondisi mekanikal
yang baik dan indikator awal dari adanya cacat (defect) pada
suatu mesin secara keseluruhan. Hal ini ditunjukkan dalam
tabel berikut.
Tabel 2.1 Gejala-gejala kegagalan yang timbul pada pompa
(Beebe, 2004)
Tabel 2.1 diatas adalah tabel dari berbagai macam
kegagalan pada pompa dan gejala-gejala yang yang
ditimbulkannya. Dari tabel tersebut bisa dilihat bahwa
getaran menjadi indikator untuk mayoritas kegagalan pada
pompa. Hal ini menunjukan bahwa getaran merupakan
indikator kondisi mekanikal yang paling baik untuk
mendiagnosa kegagalan.
2.3 Penelitian-Penelitian Terdahulu Tentang Analisa
Getaran Pada Rotating Machinery
Roky (2006) melakukan penelitian tentang diagnosa
kegagalan pada mesin cooling waterpump 2A PT. PJB UP
Gresik menggunakan metode analisa getaran. Dari hasil
pengukuran getaran pada pompa didapatkan data getaran
dalam basis time domain. Data getaran time domain adalah
adalah gabungan dari banyak sekali sinyal getaran pada
suatu waktu tertentu, dimana setiap sinyal getaran pada
grafik waveform mempunyai fungsi matematis sendiri-
sendiri. Data ini belum bisa digunakan untuk mencari jenis
kerusakan yang terjadi beserta penyebabnya. Oleh karena itu
Roky meneliti bagaimana caranya data getaran dari time
domain tersebut dirubah ke basis frekuensi domain untuk
mencari jenis kerusakan yang terjadi. Dalam hal ini Roky
menggunakan metode Fast Fourier Transform (FFT).
Gambar 2.2 mengilustrasikan perbedaan antara data getaran
time domain dengan frekuensi domain.
(a) (b)
Gambar 2.2 (a) Data getaran time domain , (b) Data getaran
frequency domain (spektrum) (Roky,2006)
FFT adalah suatu algoritma, dimana dapat
membedakan frekuensi-frekuensi getaran/vibrasi pada suatu
mesin yang sedang beroperasi. Dengan proses FFT yang
terdapat pada software Matlab, maka akan dihasilkan grafik
spectrum yang menunjukan besarnya amplitudo pada setiap
frekuensi. Outputan FFT dibandingkan dengan tabel
karakteristik getaran untuk mencari jenis kerusakan dan
kemungkinan penyebabnya.
Hasil ini membutuhkan kemampuan dan
pengalaman yang cukup banyak dari analisatornya. Selain
itu, hasil analisanya sangat subyektif oleh faktor manusia
yang menganalisa dan waktu yang dibutuhkan juga relatif
lama. Hasil akhir penelitian dari Roky dapat dilihat pada
gambar 2.3 dibawah.
Gambar 2.3 Hasil program analisa sinyal menggunakan
FFT (Roky, 2006)
Abet (2009) melakukan penelitian tentang diagnosa
kerusakan pada rotating machinery menggunakan ANFIS
(Adaptive Neuro Fuzzy Inference Systems). Dengan
melakukan eksperimen, Abet Mardani memvariasikan
beberapa jenis kerusakan seperti misalignment, unbalance,
bad bearing, bad gear serta kombinasinya yang akan
digunakan sebagai data training untuk ANFIS agar dapat
mendiagnosa kerusakan secara otomatis. Dari simulasi
menggunakan ANFIS toolbox menggunakan sistem hybrid,
didapatkan data sebagai berikut :
Tabel 2.2 Validasi data independent menggunakan sistem
hybrid (Abet,2009)
Checking Data Horizontal Sistem Hybrid
Jenis Kerusakan Tipe MF
segitiga lonceng trapesium
Misalignment 5.63x10-5
3.61x10-6
5.63x10-5
Misalignment,Unbalance 0.0001129 6.02x10-6
3.34x10-8
Misalignment, bearing 0.00016922 5.59x10-6
1.48x10-8
Misalignment, Gear 5.34x10-5
0.099997 5.58x10-8
Misalignment,unbalance,bearing 0.0002834 7.15x10-6
6.66x10-8
Misalignment, unbalance,gear 0.00034045 1.05x10-5
2.12x10-7
Misalignmnet, bearing,gear, 0.000397 1.13x10-5
1.13x10-6
Misalignment, Unbalance,
Bearing,Gear 9.95*10
-8 1.79x10
-5 9.95x10
-8
Dari data diatas dapat diketahui bahwa error terkecil
didapatkan pada menggunakan tipe fungsi keanggotaan
trapezoidal. Dan nilai error terkecil didapakan pada saat
sinyal kerusakan misalignment, unbalance, bearing, dan
gear. Hal ini ditunjukkan dengan nilai error yang paling
kecil pada 2 tipe fungsi keanggotaan. Yaitu pada tipe trimpf
(segitiga) sebesar 9.9596*10-8
dan tipe trapezoidal sebesar
9.9598*10-8
. Dari data diatas dapat diketahui bahwa error
hasil checking menggunakan data struktur ANFIS hasil
pengukuran vertikal hampir semuanya mendeteksi sinyal
yang diinputkan sebagai data kerusakan. Hal ini ditunjukkan
dengan average checking error yang lebih kecil dari nilai
toleransi error yang telah ditentukan yaitu 10-6
.
Sisa umur pakai pada suatu komponen mesin adalah
rentang waktu dari kondisi saat ini hingga komponen
tersebut mengalami kegagalan. Untuk menentukan sisa
umur pakai biasanya dilakukan monitoring pada kondisi
mesin. Degradasi unjuk kerja suatu mesin pada umumnya
dapat terlihat sebelum terjadinya kegagalan. Dengan
memonitor tren dari degradasi unjuk kerja suatu mesin maka
akan dapat direncanakan suatu tindakan yang tepat sebelum
terjadinya kegagalan. Monitoring tren dari degradasi unjuk
kerja memerlukan adanya proses learning/training dan
pengenalan pola (pattern recognition).
Cohen (1995) memprediksikan unjuk kerja dari
sebuah gearbox dari sebuah material handling system.
Dimana dengan menempatkan sensor getaran akan dapat
diketahui unjuk kerja dari gearbox tersebut. Dari data
getaran yang didapat kemudian diproses sehingga akan
diketahui degradasi unjuk kerja dari gearbox tersebut.
Gambar dari data getaran dapat diilustrasikan pada gambar
2.4. berikut
Gambar 2.4 Contoh Spektrum Getaran (Lee et al, 2004)
Gambar 2.4 diatas adalah contoh data getaran
berbasis waktu (waveform) dari tiga sumbu (vertikal,
horizontal dan aksial) pada bantalan spindel sebuah mesin
CNC. Salah satu metode yang dapat digunakan untuk
memproses data getaran untuk dapat memprediksi sisa umur
pakai dari suatu mesin atau time series prediction adalah
dengan membuat jaringan syaraf. Dari susunan jaringan
syaraf tiruan tersebut diharapkan akan dapat diketahui
degradasi unjuk kerja dari suatu mesin. Hal tersebut dapat
diilustrasikan pada gambar 2.5.
Gambar 2.5 Performance Degradation (Lee et al., 2004)
Pada gambar diatas, semakin besar confidence value (CV)
menunjukkan bahwa mesin akan semakin sering mengalami
kegagalan (failure) dan sebaliknya.
Prastowo (2006) untuk melakukan penelitian tentang
prediksi sisa umur pakai mesin Cooling Waterpump 2A PT.
PJB UP. Gresik dengan metode jaringan saraf tiruan.
Metode jaringan syaraf tiruan (JST) ini memiliki kelebihan
dalam mengenali, belajar, dan berlatih dalam menyelesaikan
suatu permasalahan tanpa memerlukan pemodelan
matematik sehingga dapat mereduksi asumsi-asumsi
matematik seperti asumsi linearitas atau asumsi matematik
lainnya. Dalam proses belajarnya, sinyal-sinyal dari jaringan
pada Feed-forward Backpropagation Neural Network tidak
hanya bergerak menuju ke satu arah akan tetapi dapat juga
berbalik arah yang nantinya dapat digunakan sebagai
feedback dari output yang diperoleh. Berikut hasil akhir
penelitian dari Prastowo.
Gambar 2.6 Hasil program prediksi sisa umur
menggunakan JST (Prastowo,2006)
Dari hasil plot frekuensi domain oleh FFT dari sinyal
learning waveform MIBV(Motor Inboard Vertical)
diketahui bahwa Jaringan saraf tiruan yang disusun Anugrah
prastowo mampu memprediksi sisa umur pakai, yaitu
dengan hasil akhir ”Maintenance kurang 12 bulan”.
Dari rangkaian penelitian yang sudah dilakukan
diatas, diagram penelitiannya dapat dilihat pada gambar 2.7.
Getaran
Sensor Getaran
Data Vibrasi Time
Domain dengan
Parameter Velocity
Fast Fourier
Transform (FFT)
Data Vibrasi
Frekuensi Domain
Preposessing
Jaringan
Jaringan Saraf
Tiruan
Identifikasi Jenis
Failure
Prediksi Sisa
Umur Pakai
Mas udi, 2007Prastowo,2006
Dibandingkan secara visual dengan
Tabel Karakteristik Getaran Untuk
Mengidentifikasi Jenis Failure
Rocky ,2006
Identifikasi Jenis
Failure ( ANFIS )
Abet , 2007
Prediksi Sisa Umur
Pakai ( ANFIS )
Gambar 2.7 Diagram penelitian tentang analisa getaran
pada rotating machinery
Dari penelitian-penelitian sebelumnya dapat
diketahui bahwa jaringan syaraf tiruan dapat digunakan
untuk melakukan diagnosa dan prediksi sisa umur pada
suatu komponen mesin secara otomatis. Metode ANFIS juga
dapat digunakan untuk melakukan diagnosa kerusakan
dengan performa yang lebih baik dibanding jaringan syaraf
tiruan.
2.4 ANFIS (Adaptive Neuro-Fuzzy Inference System)
ANFIS adalah gabungan dari dua sistem yaitu sistem
logika fuzzy dan jaringan syaraf tiruan. Sistem ANFIS berdasar
pada sistem inferensi fuzzy yang dilatih menggunakan algoritma
pembelajaran yang diturunkan dari sistem jaringan syaraf tiruan.
Berikut ditunjukkan perbandingan kinerja antara sistem fuzzy
dengan jaringan saraf tiruan:
Tabel 2.3 Perbandingan kinerja antara sistem fuzzy dengan
jaringan syaraf tiruan (Dewi,2006)
Masalah Teknik Penyelesaian
Sistem
Fuzzy
Jaringan Syaraf
Tiruan
Model Matematika Agak Baik Buruk
Kemampuan
Pembelajaran Buruk Baik
Representasi
Pengetahuan Baik Buruk
Pengetahuan Pakar Baik Buruk
Non-Linearitas Baik Baik
Kemampuan
Optimasi Buruk Agak Baik
Toleransi Kegagalan Baik Baik
Toleransi
Ketidakpastian Baik Baik
Operasi Waktu Nyata Baik Agak Baik
Dengan demikian sistem ANFIS memiliki semua kelebihan yang
dimiliki oleh sistem inferensi fuzzy dan jaringan syaraf tiruan.
2.4.1 Struktur ANFIS
Struktur ANFIS orde I ditunjukkan dalam gambar 2.14.
Pada gambar tersebut terdapat 5 lapisan dengan fungsi yang
berbeda untuk tiap lapisannya. Lambang kotak menyatakan
simpul adaptif, artinya nilai parameternya bisa berubah dengan
pembelajaran. Sedangkan lambang lingkaran menyatakan simpul
non adaptif yang nilainya tetap.
Gambar 2.8 Arsitektur ANFIS orde I (Jang, 1997)
Berikut penjelasan tentang lapisan-lapisan yang terdapat
dalam struktur ANFIS : 1. Lapisan 1
Semua simpul pada lapisan ini adalah simpul adaptif
(parameter dapat berubah) dengan fungsi simpul :
untuk i = 1,2, atau
untuk I = 3,4
Dengan x dan y adalah masukan pada simpul i.
A1-2 dan B1-2 adalah fungsi keanggotaan masing-masing
simpul. Simpul O1,i berfungsi menyatakan derajat
keanggotaan tiap masukan terhadap himpunan fuzzy A dan
B.
2. Lapisan 2
Semua simpul pada lapisan ini adalah non adaptif
(parameter tetap). Fungsi simpul ini adalah mengalikan
setiap sinyal masukan yang akan datang. Fungsi simpul :
Tiap keluaran simpul menyatakan derajat pengaktifan (firing
strength) tiap aturan fuzzy. Banyaknya simpul pada lapisan
ini menunjukkan banyaknya aturan yang dibentuk. Fungsi
perkalian yang digunakan adalah interpretasi opaerator
AND.
3. Lapisan 3
Setiap simpul dalam lapisan lapisan ini adalah simpul non
adaptif yang menampilkan fungsi derajat pengaktifan
ternormalisasi (normalized Firing Strength) yaitu rasio
keluaran simpul ke-I pada lapisan sebelumnya, dengan
bentuk simpul :
Apabila dibentuk lebih dari 2 aturan, fungsi dapat diperluas
dengan membagi dengan jumlah total W untuk semua
aturan.
4. Lapisan 4
Setiap simpul pada lapisan ini adalah simpul adaptif dengan
fungsi simpul :
Dengan Wi adalah derajat pengaktifan ternormalisasi dari
lapisan 3 dan parameter p, q, r menyatakan parameter
konsekuen yang adaptif.
5. Lapisan 5
Fungsi lapisan ini adalah untuk menjumlahkan semua
masukan. Fungsi simpul :
Jaringan adaptif dengan lima lapisan diatas ekivalen dengan
sistem inferensi fuzzy Takagi-Sugeno-Kang ( TSK ) atau
yang lebih dikenal dengan sugeno.
2.4.2 Proses Pembelajaran Pada ANFIS
ANFIS mempergunakan algoritma belajar hibrida,
yaitu menggabungkan metode Least-squares estimator
(LSE) dan error backpropagation (EBP). Dalam struktur
ANFIS metode EBP dilakukan pada lapisan 1, sedangkan
metode LSE dilakukan di lapisan 4.
Gambar 2.9 Proses pembelajaran hibrid pada ANFIS (Jang, 1997)
Pada lapisan 1 parameternya merupakan parameter
dari fungsi keanggotaan himpunan fuzzy sifatnya nonlinear
terhadap keluaran sistem. Prosess belajar pada parameter ini
menggunakan metode EBP untuk memperbaharui nilai
parameternya. Sedangkan pada lapisan ke 4, parameter
merupakan parameter linear terhadap keluaran sistem, yang
menyusun basis kaidah fuzzy. Proses belajar untuk
memperbaharui pada lapisan ini menggunakan metode LSE.
Proses belajar pada ANFIS dapat dilihat pada gambar 2.15
dan tabel 2.4.
Tabel 2.4. Proses pembelajaran hybrid pada ANFIS (Jang,
1997)
“Halaman ini sengaja dikosongkan”
BAB III
METODOLOGI PENELITIAN
3.1 Diagram Alir Penelitian
Metodologi penelitian digambarkan dalam flowchart
gambar 3.1.
Studi Pustaka
Perumusan
Masalah
Penyusunan FIS dan Set input
Membership Function
Mengumpulkan data sekunder
dari lapangan
Menginputkan data
training ke ANFIS
Proses FFT Matlab
Preprocessing Data
Start
A
Error < RSME
atau
Iterasi Maksimum
YES
NO
A
Testing Jaringan
Analisa dan Pembahasan
- Analisa hasil performa prediksi ANFIS
- Perbandingan hasil performa prediksi
menggunakan ANFIS dengan JST
Kesimpulan dan
Saran
Stop
Gambar 3.1 Diagram Alir Penelitian
3.2 Studi Pustaka
Pada tahap studi pustaka dilakukan kajian secara teoritis
mengenai metode-metode yang dapat mendukung untuk
penyelesaian permasalahan dalam penelitian ini. Studi pustaka
yang digunakan dapat diperoleh dari buku, jurnal, internet atau
penelitian sebelumnya. Tinjauan Pustaka memberikan
pengetahuan mendasar bagi peneliti untuk meneliti obyek
penelitian, sehubungan dengan itu maka dilakukan studi pustaka
mengenai:
1. Prediksi sisa umur efektif pada sebuah mesin khususnya
dengan input getaran.
2. Pengolahan sinyal digital dengan menggunakan Fast
Fourier Transform.
3. Adaptive Neuro-Fuzzy Inference System (ANFIS) yaitu
gabungan antara metode logika fuzzy dengan Jaringan
Saraf Tiruan (JST)
3.3 Perumusan Masalah
Perumusan Masalah dalam penelitian ini adalah
bagaimana melakukan prediksi sisa umur efektif mesin secara
otomatis menggunakan Adaptive Neuro-Fuzzy Inference System
(ANFIS) serta menguji tingkat validasi output jaringan yang telah
disusun sehingga dapat menjamin kemampuan dari metode
tersebut.
3.4 Mengumpulkam Data Sekunder Data yang akan diolah adalah data sekunder yang
diperoleh dari PT. PJB UP Gresik. Data tersebut berupa data
getaran berbasis time-domain.
3.5 Proses FFT dengan software Matlab
Data sekunder yang diperoleh diplot menjadi grafik
waveform. Untuk dapat dianalisa lebih lanjut, maka grafik
waveform tersebut perlu diubah menjadi grafik spectrum. Untuk
mengubah grafik waveform menjadi spectrum digunakan
Transformasi Fourier (FFT) dengan bantuan software Matlab.
3.6 Preprocessing Jaringan
Pada tahap preprocessing jaringan ini dilakukan
normalisasi data getaran yang diperoleh dari FFT agar dapat
digunakan sebagai input dari anfis sebagai data training.
3.7 Penyusunan FIS dan Set input Membership Function
Pada tahap ini akan dibuat model Fuzzy inference System
(FIS) tipe Sugeno dengan menggunakan Matlab. Pembuatan
model fuzzy sugeno meliputi pembuatan membership fuction,
membangun rule-rule dan transformasi ke anfis.
3.8 Input Data Training ke Anfis
Data yang telah didapatkan kemudian digunakan sebagai
input ANFIS sebagai data training dan testing. Pada proses
training dilakukan pencarian bobot (weight) yang tepat dan
pemilihan fungsi aktifasi yang tepat. Parameter yang disetting
dalam proses training anfis adalah jumlah iterasi yang diinginkan
dan toleransi error yang diinginkan.
3.9 Validating Anfis
Hasil training dari Anfis dapat dievaluasi dengan
eksperimen validasi. Eksperimen validasi dapat berupa testing
pada jaringan yang telah ditraining sebelumnya. Dengan
menentukan besar error tertentu maka akan diketahui apakah anfis
yang telah disusun valid atau tidak. Jika error RMSE (Root
Mean Square Error) maka anfis berhasil mengidentifikasi
kerusakan komponen. Nilai RMSE merupakan ukuran
performance untuk melihat kemampuan dari jaringan untuk
menggeneralisasi informasi yanag didapatkan. Nilai RSME yang
ditentukan adalah 10-6
.
3.10 Testing Anfis
Setelah dilakukan eksperimen validasi, maka langkah
selanjutnya adalah melakukan testing dengan menginputkan data
baru terhadap anfis yang telah disusun. Pada tahap ini akan dapat
diketahui apakah anfis yang telah disusun dapat digunakan untuk
memprediksi sisa umur efektif dari suatu komponen mekanikal
atau tidak.
3.11 Analisa Pembahasan
Setelah dilakukan eksperimen validasi dan testing,
kemudian dilakukan analisa dan pembahasan dari hasil prediksi
sisa umur efektif yang diperoleh dari output anfis. Selanjutnya
performa hasil prediksi menggunakan ANFIS ini akan
dibandingkan dengan JST hasil penelitian Prastowo.
3.12 Kesimpulan dan Saran
Dari hasi analisa data dan pembahasan yang dilakukan
maka dapat diambil kesimpulan dan rekomendasi saran-saran
pengembangan dari penelitian ini akan diberikan demi
kesempurnaan penelitian selanjutnya.
“Halaman ini sengaja dikosongkan”
BAB IV
PERMODELAN ANFIS
4.1 Data yang Digunakan
Dalam tugas akhir ini digunakan data sekunder. Data
sekunder yang digunakan berupa data record getaran dari sistem
Cooling Waterpump 2A yang terdiri atas motor, kopling dan
pompa. Data sekunder yang diperoleh adalah data getaran berupa
domain waktu (waveform) dan data domain frekuensi (spectrum).
Record data getaran tersebut diperoleh melalui pengambilan data
tiap bulan pada sepuluh titik pengukuran yaitu:
1. MOH (Motor Outboard Horizontal)
2. MOV (Motor Outboard Vertikal)
3. MIH (Motor Inboard Horizontal)
4. MIV (Motor Inboard Vertikal)
5. MIA (Motor Inboard Aksial)
6. PIH (Pompa Inboard Horizontal)
7. PIV (Pompa Inboard Vertikal)
8. POH (Pompa Outboard Horizontal)
9. POV (Pompa Outboard Vertikal)
10. POA (Pompa Outboard Aksial)
Gambar 4.1 Sistem Cooling Waterpump 2A (PT. PJB, 2006)
Data yang akan digunakan untuk training jaringan adalah data
MIBV (Motor Inboard Vertikal). Pemilihan ini didasarkan pada :
1. Adanya 12 data berurutan yang menunjukkan adanya tren
yang semakin naik. Dimana hal tersebut mengindikasikan
adanya gejala failure yang akan terjadi.
2. Dari keterangan yang diperoleh di lapangan diketahui
bahwa komponen yang sering mengalami kerusakan
adalah bantalan.
Adapun bentuk masing-masing spektrum dari MIBV ke-1 sampai
12 ditunjukan oleh gambar 4.2 dibawah ini :
Gambar 4.2 (a).Spektrum MIBV 1
Gambar 4.2 (b).Spektrum MIBV 2
Gambar 4.2 (c).Spektrum MIBV 3
Gambar 4.2 (d).Spektrum MIBV 4
Gambar 4.2 (e).Spektrum MIBV 5
Gambar 4.2 (f).Spektrum MIBV 6
Gambar 4.2 (g).Spektrum MIBV 7
Gambar 4.2 (h).Spektrum MIBV 8
Gambar 4.2 (i).Spektrum MIBV 9
\Gambar 4.2 (j).Spektrum MIBV10
Gambar 4.2 (k).Spektrum MIBV 11
Gambar 4.2 (l).Spektrum MIBV 12
Gambar 4.3 Spektrum MIBV gabungan
Dari MIBV ke-1 sampai 29 yang ditunjukkan oleh
gambar diatas, dapat dilihat bahwa adanya tren peak getaran yang
semakin naik. Hal ini mengindikasikan terjadinya gejala failure
dan penurunan kondisi pada mesin. Berikut adalah data MIBV
lapangan yang diperoleh berupa 29 data spektrum getaran yang
digambarkan sebagai histogram dari amplitudo dominannya.
Gambar 4.4 Histogram Peak MIBV
Setiap data spektrum memiliki 513 titik (titik sampel) dan
data tersebut akan digunakan sebagai acuan untuk
memprediksikan sisa umur pakai dari data-data getaran
selanjutnya. Dari 29 data yang diperoleh tersebut dibagi menjadi
dua yaitu :
1. Data training: sebagai data training akan digunakan data
ke-1 sampai data ke-12.
2. Data testing: sebagai data testing akan digunakan data ke-
13 sampai data ke-29).
Pada proses training sinyal input tersebut (data spektrum)
diberi nama dengan sisa umur pakai mesin sebagai berikut:
Tabel 4.1 Penamaan Sinyal Training
Sinyal MIBV yang pertama diberi nama kurang 12 bulan,
kemudian sinyal kedua diberi nama kurang 11 bulan dan
seterusnya. Dimana yang dimaksud adalah waktu untuk
melakukan perawatan (sisa umur) kurang 12 bulan, 11 bulan, dan
seterusnya. Setelah semua data di-training dengan ANFIS yang
telah disusun dan telah dapat mencapai error jaringan yang telah
ditentukan, maka langkah selanjutnya adalah melakukan validasi
terhadap ANFIS yang telah disusun. Proses validasi ini dilakukan
dengan melakukan testing dengan menggunakan data 1 tahun
setelah dilakukan perawatan.
4.2 Analisa Data yang Digunakan
Dari tiap spektrum MIBV, sebagian besar menunjukan
peak pada 2xRPM. Diagnosa dari sinyal spektrum pada
pengukuran di titik MIBV adalah adanya indikasi misalignment
pada poros yang menghubungkan pompa dan motor. Selain itu
apabila dilihat dari gambar contoh spektrum dibawah ini, kondisi
diatas juga berarti ada indikasi misalignment.
Gambar 4.5 Sinyal Spektrum Misalignment
(Girdhar,2004)
Pada contoh gambar diatas terlihat bahwa misalignment
ditunjukkan dengan adanya peak spektrum pada 2xRPM dengan
amplitudo yang lebih tinggi daripada 1xRPM. Gambar 4.5
menunjukkan jenis-jenis misalignment yang umum terjadi.
Gambar 4.6 (a). Angular Misalignment
Gambar 4.6 (b). Parallel Misalignment
Gambar 4.6 (c). Combination Angular/Parallel
Misalignment
Gambar 4.6(a) merupakan gambar jenis angular
misalignment. Pada angular misalignment ini, signature vibrasi
umumnya akan muncul pada frekuensi yang sama dengan
kecepatan putar (RPM) dari poros. Frekuensi tersebut seringkali
disebut dengan 1x RPM. Hal ini dikarenakan saat terjadi angular
misalignment kedua permukaan kopling akan membentuk sudut
dengan besar tertentu. Apabila kopling tersebut berputar maka
akan muncul getaran pada frekuensi yang sebanding dengan
putaran poros kopling, disebabkan adanya siklus kontak-lepas-
kontak-lepas dari permukaan kopling. Hal inilah nantinya juga
yang menyebabkan munculnya amplitude pada frekuensi 1xRPM.
Gambar 4.6(b) merupakan gambar jenis parallel
misalignment. Pada parallel misalignment ini, maka akan muncul
spektrum getaran pada frekuensi 2xRPM, dengan amplitudo yang
lebih tinggi daripada 1xRPM. Hal tersebut adalah karakteristik
utama dari indikasi/gejala adanya paralel/offset misalignment.
Ketika misalignment yang terjadi semakin parah maka akan
terjadi peak amplitudo pada putaran harmonisnya (3xRPM
sampai 8xRPM).
Gambar 4.7 Efek Misalignment pada Poros Kopling
(Girdhar,2004)
\
Gambar 4.7 diatas menunjukkan bahwa pada saat terjadi
misalignment pada poros kopling, maka dalam 1 siklus terjadi 2
kali hantaman yang menyebabkan getaran. Hal inilah yang
membuktikan bahwa pada kondisi misalignment terjadi spektrum
yang tinggi pada 2xRPM. Terjadinya misalignment pada poros
selalu mengakibatkan terjadinya unbalance, hal ini diindikasikan
dengan amplitudo yang besar pada 1x RPM. Selain itu, terjadinya
misalignment mengakibatkan peningkatan gaya-gaya yang terjadi
pada bearing dan seal. Apabila seal bocor maka sistem pelumasan
bearing akan mengalami kontaminasi dari partikel-partikel asing
ataupun air. Kontaminasi pada pelumasan ini dapat
mempengaruhi fungsi-fungsi dari pelumas sebagai pendingin dan
pencegah keausan. Hal-hal tersebut dapat mempengaruhi umur
dari bearing tersebut.
Bearing yang digunakan pada Cooling
Waterpump 2A adalah SKF 6318 yang memiliki
spesifikasi sebagai berikut :
Bd = 36 mm
Pd = 140 mm
N = 8
= 00
Untuk mengetahui adanya indikasi kerusakan
pada bearing, maka perlu dilakukan perhitungan empat
frekuensi utama dari bearing. Empat frekuensi utama
tersebut yaitu :
1. Fundamental Train Frequency (FTF) : Frekuensi
ini menunjukan kondisi dari cage ball bearing.
2. Ball Spin (BS) Frequency : Frekuensi ini
menunjukkan kondisi dari bola pada bearing.
3. Outer Race (OR) Frequency : Frekuensi ini
menunjukkan kondisi dari cincin luar dari
bearing.
4. Inner Ring (IR) Frequency : Frekuensi ini
menunjukkan kondisi dari cincin dalam dari
bearing.
Formula dari keempat frekuensi diatas dapat dirumuskan
sebgai berikut :
FTF = cos12 Pd
Bdrps
(4.1)
BS = 2
2
cos12 Pd
Bdrps
Bd
Pd
(4.2)
OR = FTFN
(4.3)
IR = FTFrpsN
(4.4)
Dimana:
rps = revolutions per second of inner race
Bd = ball diameter
Pd = pitch diameter
N = number of balls
= contact angle
Gambar 4.8 Dimensi Pada Bearing
Gambar 4.8 diatas mengilustrasikan Pitch
Diameter(Pd), Number of Balls(N), Sudut Kontak( ) dan
Ball Diameter(Bd). Ball bearing yang tidak memiliki
thrust load diasumsikan memiliki sudut kontak nol. Pada
putaran mesin sebesar 1470 rpm (24,5 rps), maka akan
diperoleh empat frekuensi utama dari bantalan SKF 6318
sebagai berikut:
FTF = 0cos140
361
2
5,24
= 9,1 Hz
BS = 0cos140
3615,24
36(2
140 2
2
= 44,48 Hz
OR = 1,98
= 72,8 Hz
IR = 1,95,248
= 123,2 Hz
Dari perhitungan dan grafik spektrum yang
diperoleh terlihat adanya indikasi dari kerusakan bearing.
Kerusakan ini dapat dilihat pada spektrum MIBV ke-12
kisaran frekuensi outer ringi (OR), yaitu 72,8 Hz (3x
RPM) yang mempunyai peak value dikisaran 0,10447
mm/s. Amplitudo pada kisaran frekuensi tersebut
merupakan indikasi terjadinya kerusakan pada bearing.
Akan tetapi dari grafik spektrum MIBV ke-12
dapat diketahui bahwa terdapat amplitudo yang tinggi
pada frekuensi 143,5553 Hz (6xRPM). Peak tersebut
muncul dikarenakan adanya excessive clearance pada
sambungan kopling. Jumlah baut pada sambungan
kopling berjumlah 6. Pada saat misalignment yang terjadi
semakin parah, maka clearance pada sambungan kopling
akan semakin besar. Akibatnya terjadi impact pada
keenam baut saat kopling berputar, yang
direpresentasikan dengan munculnya peak spectrum pada
6xRPM.
Diagnosa dari sinyal spektrum pada pengukuran
di titik MIBV adalah adanya indikasi misalignment.
Dapat diambil kesimpulan bahwa misalignment
merupakan rootcause(akar permasalahan), karena
mengakibatkan terjadinya indikasi kerusakan bearing dan
excessive clearance pada sambungan kopling.
4.3. Struktur dan Pemodelan ANFIS
Permodelan anfis yang digunakan dalam penelitan ini
menggunakan anfis yang diprogram menggunakan matlab.
Adapun tahapan yang digunakan seperti pada Gambar 4.9
dibawah.
Set Membership
Fuction (MF)
Fuzzification
Rule Evaluation
Training Data ke
Anfis
Root Mean Square
Error (RMSE)
Start
End
Set Training Anfis :
- Jumlah Epoch (iterasi)
- Target Error
Metode Backpropagation
Neural NetworkSistem Hybrid
Anfis
Set dan bandingkan :
- Jumlah MF(n), dan n+2
- Type MF : Trimf, trapezoidal, gbellmf
Gambar 4.9 Flowchart permodelan anfis
4.3.1 Fuzzifikasi dan Set Membership Function Untuk
Penentuan Sisa Umur
Untuk penentuan membership function awal
menggunakan tipe fungsi keangotaan gbell dan dengan input
frekuensi dan amplitudo (power spektrum), maka akan didapatkan
kurva membership function sebagai berikut :
Gambar 4.10 Fuzzikasi dan Membership function untuk power
spektrum
Gambar 4.11 Fuzzikasi dan Membership function untuk frekuensi
4.3.2 Rule Evaluation Fuzzifikasi Untuk Penentuan Sisa Umur
Tahap kedua setelah fuzzifikasi adalah rule evaluation.
Dalam tahapan ini digunakan aturan IF……THEN…… dengan
penghubung AND. Karena power spektrum memiliki 3 fuzzy
value dan frekuensi memiliki 4 fuzzy value maka rule evaluation
mengikuti aturan 3 x 4 rule. Sehingga terdapat 12 rule seperti
pada gambar 4.12 dibawah :
Gambar 4.12 Rule penentuan sisa umur
Training Data ke Anfis
Untuk proses training anfis ditunjukkan pada gambar 4.13
dibawah.
Gambar 4.13 Program ANFIS GUI
Secara umum penggunaan anfis memiliki 3 tahapan, yaitu :
1. Load data
Baik data training, checking untuk validasi maupun data data
testing.
2. Generate FIS
Pada tahap ini digunakan grid partisi untuk men-generate FIS.
Dimana grid partisi merupakan pemilihan type membership
funtion, jumlah membership function dan tipe output yang
diinginkan. Dalam tugas akhir ini akan diinginkan output linier.
Berikut tampilan grid partisi dari program anfis.
Gambar 4.14 Setting parameter untuk grid partisi pada anfis.
3. Training FIS
Pada tahap ini akan dipilih proses training untuk FIS yang
telah dibuat. Dalam tugas akhir ini akan dibandingkan antara
metode pembelajaran backpropagation dengan hybrid. Namun
sebelumnya dilakukan setting parameter untuk menentukan error
toleransi dan maksimum iterasi yang diinginkan.
Maksimum iterasi menunjukan jumlah iterasi maksimum
yang boleh dilakukan selama proses training. Iterasi akan
dihentikan apabila nilai iterasi melebihi maksimum iterasi yang
ditetapkan. Error yang ingin dicapai mengindikasikan sampai
sejauh mana proses training berhasil. Setelah parameter telah
ditetapkan, maka dilakukan proses training dan akan
menghasilkan error tertentu. Proses training dinyatakan berhasil
jika error yang terjadi memenuhi batas error yang telah
ditetapkan. Jika error yang terjadi besar berarti training gagal
sehingga perlu dilakukan perubahan pada jaringan. Untuk tugas
akhir ini akan diset toleransi error 10-6
dan jumlah iterasi 100
untuk masing-masing sisa umur. Pada gambar 4.15 dibawah
ditunjukkan proses training pada program anfis.
Gambar 4.15 Training data pada anfis
Setelah proses training selesai, maka akan didapatkan
sebuah struktur anfis yang dapat digunakan untuk memprediksi
sisa umur berdasarkan pola input data yang diberikan. Stuktur
anfis ini merupakan struktur FIS sugeno yang telah mengalami
proses training. Karena pada saat proses belajar (training) terjadi
perubahan-perubahan parameter pada fungsi keanggotaannya.
Pada gambar 4.16 dibawah ditunjukkan struktur anfis dalam
mengidentifikasi sisa umur 1 bulan.
Gambar 4.16. Struktur anfis
Gambar 4.17. Surface viewer
Pada Gambar 4.17 ditunjukkan surface viewer yang
memberikan informasi tentang hubungan input-output dari anfis
yang akan digunakan dalam memprediksi sisa umur.
4. Tes checking dan testing anfis
Hasil training dari Anfis dapat dievaluasi dengan
eksperimen validasi. Eksperimen validasi (checking) dapat berupa
testing pada jaringan yang telah ditraining sebelumnya. Dengan
menentukan besar error tertentu maka akan diketahui apakah anfis
yang telah disusun valid atau tidak. Jika error RMSE (Root
Mean Square Error) maka anfis berhasil memprediksi sisa umur
komponen. Nilai RMSE merupakan ukuran performance untuk
melihat kemampuan dari jaringan untuk memproses informasi
yang didapatkan. Nilai RSME yang ditentukan adalah 10-6
.
BAB V
TRAINING DAN VALIDASI ANFIS
5.1 Input Data Training
Data yang akan digunakan sebagai data input I anfis
adalah power spektrum. Karena power spektrum
merepresentasikan besarnya getaran yang terjadi. Sedangkan
sebagai input 2 adalah frekuensi, dimana frekuensi dapat
merepresentasikan letak dari masing-masing penyebab getaran.
Gambar 5.1 Hubungan input -output pada struktur anfis
Dengan menggunakan program anfis yang telah dibuat,
akan dibandingkan performance dari sistem pembelajaran
backpropagation dengan hybrid pada anfis dalam mengenali
sinyal dalam memprediksi sisa umur saat proses training dan
validasi. Pada proses ini akan dibandingkan pengaruh 3 tipe
membership function (MF) yaitu gbell (lonceng), trimf (segitiga)
dan trapezoidal (trapesium) dengan 3 4 MF. Lalu akan
dibandingkan juga pengaruh penambahan membership function
sebanyak 2 buah pada masing-masing model anfis yang telah
dibuat.
Output dari anfis toolbox ini adalah Root Mean Square
Error (RMSE). Error yang terjadi menunjukkan tingkat
keakurasian struktur anfis yang telah disusun dalam mengenali
pola data yang merepresentasikan sisa umur. Adapun contoh
proses traning anfis dengan metode pembelajaran hybrid untuk
masing-masing tipe membership function terlihat pada gambar 5.2
(a), 5.2(b), 5.2 (c) dibawah ini :
Gambar 5.2(a). Hybrid training anfis dengan membership
function trimf (segitiga)
Gambar 5.2(b). Hybrid training anfis dengan membership
function gbell(lonceng)
Gambar 5.2(c). Hybrid training anfis dengan membership function
trapmf (trapesium)
Kurva biru menunjukkan konvergensi Root Mean Square
Error (RMSE) dari data training. Kurva konvergensi ini
digunakan untuk mengevaluasi hasil dari proses training yang
dilakukan. Dari grafik konvergensi dapat dilihat juga bahwa
jaringan memiliki tren descending (semakin menurun). Apabila
penurunan pada RMSE sudah tidak signifikan, proses training
bisa dihentikan. Pada gambar 5.2(a) dan 5.2(c) terlihat bahwa
proses hybrid training dengan menggunakan type membership
function segitiga dan trapesium langsung dapat mencapai error
minimalnya pada iterasi ke 2. Pada gambar 5.2(b), proses hybrid
training dengan menggunakan type membership function lonceng
dapat mencapai error minimalnya pada iterasi ke 25. Karena anfis
yang telah disusun telah dapat mencapai error yang diinginkan,
ini berarti jaringan telah mempelajari data dengan baik sehingga
siap untuk digunakan dalam memprediksi sisa umur.
Dari data training menggunakan sistem pembelajaran
menggunakan sistem pembelajaran hybrid dengan 3 4
membership function diperoleh data seperti pada table 5.1
dibawah.
Tabel 5.1 Training data menggunakan sistem pembelajaran hybrid
(3 4 MF)
Training
Data Hybrid Anfis (3 4 MF)
Sisa Umur Tipe Membership Function (MF)
Segitiga Lonceng Trapesium
1 Bulan 3.0751E-07 2.8131E-05 2.9809E-07
2 Bulan 1.4070E-07 1.7566E-05 2.2088E-07
3 Bulan 7.9946E-08 1.3534E-05 5.5875E-07
4 Bulan 4.9913E-08 1.2218E-05 3.8483E-07
5 Bulan 4.0404E-08 1.0943E-05 1.0723E-07
6 Bulan 2.9978E-06 5.8254E-06 2.5151E-07
7 Bulan 1.5488E-07 4.7708E-06 1.3299E-07
8 Bulan 5.8905E-08 3.8562E-06 1.9584E-06
9 Bulan 3.9158E-07 9.7991E-06 9.2680E-08
10 Bulan 2.7365E-06 5.0427E-06 1.6758E-07
11 Bulan 1.4221E-06 4.1942E-06 4.2176E-08
12 Bulan 3.2801E-08 1.0910E-06 1.3598E-08
Average
error 7.0109E-07 9.7476E-06 3.5239E-07
Dari proses training dengan sistem pembelajaran hybrid
yang telah dilakukan dapat diketahui bahwa stuktur anfis yang
disusun dapat digunakan untuk memprediksi sisa umur bantalan
pada Cooling Waterpump. Hal ini dapat dilihat dari hasil error
yang didapatkan kurang dari toleransi error yang ditentukan yaitu
sebesar 10-6
. Dari tabel juga diketahui bahwa membership
function tipe trapezoidal (trapesium) memiliki akurasi yang
paling baik. Hal ini dapat dilihat dari average training error
sebesar 3.5239x10-7
, lebih baik dibandingkan dengan
dibandingkan dengan tipe trimf (segitiga) dan tipe gbell (lonceng)
dengan average training error sebesar 7.0109x10-7
dan
9.7476x10-6
.
Sedangkan contoh proses traning anfis untuk masing-
masing tipe membership function terlihat pada gambar 5.3 (a), 5.3
(b), 5.3 (c) dibawah ini :
Gambar 5.3(a). Backpropagation training anfis dengan
membership function trimf (segitiga)
Gambar 5.2(b). Backpropagation training anfis dengan
membership function gbell(lonceng)
Gambar 5.2(c). Backpropagation training anfis dengan
membership function trapmf (trapesium)
Dari kurva konvergensi RMSE pada backpropagation
training terlihat bahwa jaringan tersebut dapat mencapai error
minimalnya pada iterasi sekitar 80. Akan tetapi error minimal
tersebut dirasa masih cukup tinggi dan masih jauh dari target error
yang diinginkan
Hasil training menggunakan metode pembelajaran
backpropagation dapat dilihat pada tabel 5.2 dibawah
Tabel 5.2 Training data menggunakan sistem pembelajaran
backpropagation (3 4 MF)
Training
Data Backpropagation Anfis (5 6 MF)
Sisa Umur Tipe Membership Function (MF)
Segitiga Lonceng Trapesium
1 Bulan 0.29929 0.18496 0.31647
2 Bulan 0.24151 0.23569 0.28544
3 Bulan 0.23549 0.26282 0.29863
4 Bulan 0.28352 0.24746 0.31238
5 Bulan 0.28977 0.19449 0.3197
6 Bulan 0.30989 0.2869 0.33321
7 Bulan 0.26157 0.26788 0.27161
8 Bulan 0.25324 0.26231 0.30981
9 Bulan 0.25739 0.26167 0.20856
10 Bulan 0.26794 0.27175 0.32397
11 Bulan 0.27844 0.24715 0.31678
12 Bulan 0.25842 0.24115 0.32004
Average
error 0.26971 0.24702 0.30138
Dari tabel 5.2 dapat diketahui bahwa hasil training anfis
menggunakan metode pembelajaran backpropagation
menghasilkan error yang lebih besar daripada sistem
pembelajaran hybrid. Hal ini berarti bahwa tingkat akurasi dari
sistem pembelajaran hybrid lebih baik jika dibandingkan dengan
backpropagation karena sistem pembelajaran hybrid merupakan
gabungan dari 2 sistem, yaitu RLSE dan backpropagation.
Dari tabel diatas diketahui pula bahwa hasil training
menggunakan membership function tipe gbell (lonceng) memiliki
tingkat keakurasian yang paling baik. Hal ini dapat dilihat dari
average training error sebesar 0.24702, lebih baik dibandingkan
dengan tipe trimf (segitiga) dan tipe trapezoidal (trapesium)
dengan average training error sebesar 0.26971 dan 0.30138.
Selanjutnya akan dilakukan perbandingan hasil dengan
penambahan membership function sebanyak 2 buah pada masing-
masing model anfis yang telah dibuat. Dari data training
menggunakan sistem pembelajaran menggunakan sistem
pembelajaran hybrid dengan 5 6 membership function diperoleh
data seperti pada table 5.3 dibawah.
Tabel 5.3 Training data menggunakan sistem pembelajaran hybrid
(5 6 MF)
Training
Data Hybrid Anfis (5 6 MF)
Sisa Umur Tipe Membership Function (MF)
Segitiga Lonceng Trapesium
1 Bulan 3.1116E-07 2.3945E-05 4.6904E-07
2 Bulan 6.5992E-07 1.9327E-05 1.9499E-05
3 Bulan 3.6392E-07 1.9457E-05 3.2954E-07
4 Bulan 1.0185E-05 1.3632E-05 2.9428E-07
5 Bulan 2.0698E-07 1.3489E-05 2.7138E-07
6 Bulan 8.1798E-07 5.5565E-06 2.2375E-07
7 Bulan 2.1599E-07 8.5956E-06 2.7559E-07
8 Bulan 4.3930E-07 6.5477E-06 4.9331E-07
9 Bulan 3.3493E-07 8.4727E-06 1.5578E-07
10 Bulan 1.9723E-07 3.3430E-06 1.0270E-06
11 Bulan 1.1325E-07 3.1972E-06 6.6395E-08
12 Bulan 6.3150E-08 1.6360E-06 1.2058E-07
Average
error 1.1591E-06 1.0600E-05 1.9355E-06
Dari tabel diatas diketahui bahwa membership function
tipe trimf (segitiga) memiliki akurasi yang paling baik. Hal ini
dapat dilihat dari average training error sebesar 1.1591x10-6
,
lebih baik dibandingkan dengan dibandingkan dengan tipe
trapezoidal (trapesium) dan tipe gbell (lonceng) dengan average
training error sebesar 1.9355x10-6
dan 1.06x10-5
.
Sedangkan hasil training menggunakan metode
pembelajaran backpropagation dapat dilihat pada tabel 5.4
dibawah
Tabel 5.4 Training data menggunakan sistem pembelajaran
backpropagation (5 6 MF)
Training
Data Backpropagation Anfis (5 6 MF)
Sisa Umur Tipe Membership Function (MF)
Segitiga Lonceng Trapesium
1 Bulan 0.22424 0.19758 0.1779
2 Bulan 0.21541 0.21277 0.23515
3 Bulan 0.21777 0.18967 0.23752
4 Bulan 0.23075 0.18744 0.24264
5 Bulan 0.26724 0.15371 0.27064
6 Bulan 0.24385 0.21627 0.25609
7 Bulan 0.23745 0.2155 0.25048
8 Bulan 0.16979 0.23159 0.26992
9 Bulan 0.24127 0.25516 0.23703
10 Bulan 0.25033 0.23137 0.26733
11 Bulan 0.2297 0.19925 0.202
12 Bulan 0.2138 0.21189 0.26596
Average
error 0.22847 0.20852 0.24272
Dari tabel diatas diketahui pula bahwa hasil training
menggunakan membership function tipe gbell (lonceng) memiliki
tingkat keakurasian yang paling baik. Hal ini dapat dilihat dari
average training error sebesar 0.20852, lebih baik dibandingkan
dengan tipe trimf (segitiga) dan tipe trapezoidal (trapesium)
dengan average training error sebesar 0.22847 dan 0.24272.
Dengan penambahan jumlah membership function
sebanyak 2 buah pada proses training menggunakan sistem
pembelajaran hybrid didapatkan hasil bahwa average training
error akan cenderung meningkat. Hal ini terlihat pada saat
menggunakan tipe lonceng dan segitiga. Akan tetapi pada saat
mengidentifikasi sisa umur 1, 6, 9, 10 dan 11 bulan cenderung
memperbaiki error. Sedangkan average training error ketika
menggunakan sistem pembelajaran backpropagation cenderung
menurunkan error saat menggunakan tipe membership function
segitiga, lonceng maupun trapesium.
Gambar 5.4 Pengaruh penambahan 2 buah MF dalam proses
training data menggunakan sistem pembelajaran
hybrid
Gambar 5.5 Pengaruh penambahan 2 buah MF dalam proses
training data menggunakan sistem pembelajaran
backpropagation
Pada proses training dengan variasi tipe membership
function, didapatkan bahwa tipe trapezoidal memiliki akurasi
prediksi yang paling baik dengan average training error sebesar
3.5239x10-7
. Hal ini berarti bahwa membership function tipe
trapezoidal paling baik dalam memodelkan pola data yang
diinputkan kepadanya, yaitu spektrum MIBV. Tidak ada prosedur
baku dalam proses penentuan tipe membership function, karena
proses ini sangat bergantung dengan pola data yang ingin
diklasifikasikan. Pada anfis, proses penentuan membership
function sangat menguntungkan karena kemampuan learning dari
jaringan syaraf tiruan digunakan untuk mengatur parameter dalam
membership function sehingga didapatkan hasil yang optimal.
Membership function tipe trapezoidal memiliki core region yang
lebih besar dari yang lain, sehingga menguntungkan ketika
digunakan dalam pola data yang kompleks (Jang,1997).
5.2 Testing Anfis
Untuk mengetahui apakah struktur anfis yang disusun
telah dapat digunakan untuk memprediksi sisa umur pakai dari
mesin Cooling Waterpump 2A, maka perlu dilakukan testing.
Testing dilakukan dengan menggunakan data MIBV ke-13
sampai dengan 29.
Hasil testing untuk MIBV ke-28dapat dilihat pada
gambar 5.6 dan 5.7 dibawah ini:
Gambar 5.6 Testing pada hybrid anfis dengan membership
function trapmf (trapesium)
Gambar 5.7 Testing backpropagation anfis dengan membership
function trapmf (trapesium)
Kurva merah menunjukkan output anfis aktual dan kurva
biru menunjukkan output anfis yang diharapkan. Perbedaan antara
output aktual dan output yang diharapkan adalah error prediksi
yang terjadi pada titik tersebut. Pada prediksi data MIBV ke-28
dengan sistem pembelajaran hybrid dapat dilihat bahwa error
yang terjadi tidak begitu signifikan dan relatif kecil. Sedangkan
pada prediksi data MIBV ke-28 dengan sistem pembelajaran
backpropagation dapat dilihat bahwa jaringan yang disusun tidak
dapat memprediksi data testing dengan baik. Hal ini ditunjukkan
dari error yang semakin besar setelah titik ke 170 hingga 513.
Hasil testing keseluruhan dapat dilihat pada tabel 5.5
dibawah:
Tabel 5.5 Testing data pada hybrid anfis (3 4 MF)
Testing Data
Hybrid Anfis (3 4 MF)
Tipe
Membership
Function (MF)
Trapesium
Sisa Umur
Error
MIBV ke-13 6.8302E-08 12 Bulan
MIBV ke-14 0.0047332 12 Bulan
MIBV ke-15 7.5576E-08 12 Bulan
MIBV ke-16 2.3291E-08 12 Bulan
MIBV ke-17 2.4953E-07 12 Bulan
MIBV ke-18 0.007885 12 Bulan
MIBV ke-19 0.011995 12 Bulan
MIBV ke-20 0.0093559 12 Bulan
MIBV ke-21 0.014553 12 Bulan
MIBV ke-22 0.0010572 12 Bulan
MIBV ke-23 5.8742E-08 7 Bulan
MIBV ke-24 0.00044216 5 Bulan
MIBV ke-25 5.6851E-08 4 Bulan
MIBV ke-26 5.5813E-08 3 Bulan
MIBV ke-27 1.7373E-08 2 Bulan
MIBV ke-28 2.1975E-08 1 Bulan
MIBV ke-29 6.8477E-08 12 Bulan
Dari tabel diatas diketahui bahwa anfis yang disusun
dapat mengenali data dengan benar pada data ke-24 yang dikenali
sebagai data sisa umur kurang 5 bulan, ke-25 yang dikenali
sebagai data sisa umur kurang 4 bulan, data ke-26 yang dikenali
sebagai data sisa umur kurang 3 bulan, data ke-27 yang dikenali
sebagai data sisa umur kurang 2 bulan, data ke -28 yang dikenali
sebagai data sisa umur kurang 1 bulan dan data ke-29 yang
dikenali sebagai data kurang 12 bulan seperti yang dijelaskan
dalam histogram peak MIBV pada gambar 4.2. Akan tetapi pada
MIBV ke-13 sampai 22 dikenali sebagai data sisa umur 12 bulan.
Hal ini terjadi karena peak spektrum pada MIBV tersebut masih
dibawah dari data training sisa umur terbesar yaitu MIBV ke-1,
sehingga anfis mengenali data tersebut dengan data yang paling
mirip dengan data training. Oleh karena itu, spektrum pada MIBV
ke-13 sampai 22 bisa jadi mengindikasikan getaran dengan sisa
umur yang lebih lama. Pada MIBV ke-23 dikenali sebagai data
sisa umur 7 bulan, hal ini terjadi karna pola datanya mengalami
kemiripan dengan data sisa umur 7 bulan.
Error yang didapatkan ketika menggunakan sistem
pembelajaran backrpopagation lebih besar jika dibandingkan
dengan sistem pembelajaran hybrid. Hal ini berarti bahwa tingkat
akurasi dari sistem pembelajaran hybrid lebih baik jika
dibandingkan dengan backpropagation karena sistem
pembelajaran hybrid merupakan gabungan dari 2 sistem, yaitu
RLSE dan backpropagation. Dengan begitu, struktur anfis
memiliki kemampuan yang baik untuk memperbaiki parameter
yang akan digunakan dalam proses prediksi sisa umur.
Dengan penambahan jumlah membership function
sebanyak 2 buah pada proses testing menggunakan sistem
pembelajaran hybrid didapatkan hasil bahwa average training
error akan cenderung meningkat. Baik itu menggunakan tipe
membership function segitiga, lonceng maupun trapesium. Ketika
menggunakan sistem pembelajaran backpropagation cenderung
menurunkan error saat menggunakan tipe membership function
segitiga, lonceng maupun trapesium.
5.3 Perbandingan performa prediksi menggunakan ANFIS
dengan JST
Performa hasil prediksi menggunakan metode anfis pada
tugas akhir ini akan dibandingkan dengan hasil prediksi
menggunakan metode Jaringan Syaraf Tiruan (JST) yang
dilakukan oleh Prastowo (2007). Dengan menggunakan data
training yang sama maka didapatkan perbandingan seperti pada
tabel 5.5 dibawah.
Tabel 5.6 Perbandingan performa prediksi
Testing
Data
JST ANFIS
Error
Prediksi
Sisa Umur Error
Prediksi
Sisa Umur
MIB
V ke-26 0.00928
Kurang 7
Bulan
5.5813E-
8
Kurang 3
Bulan
MIB
V ke-27 0.00890
Kurang 6
Bulan
1.7373E-
8
Kurang 2
Bulan
MIB
V ke-28 0.00968
Kurang 6
Bulan
2.1975E-
8
Kurang 1
Bulan
MIB
V ke-29 0.00898
Kurang 12
Bulan
6.8477E-
8
Kurang 12
Bulan
Dari tabel diatas terlihat bahwa terjadi kesalahan prediksi
pada metode JST untuk mengidentifikasi data ke-26,27 dan 28.
Pada data ke-26 dikenali sebagai data kurang 7 bulan dan data ke-
27 dikenali sebagai data kurang 6 bulan maintenance. Hal ini
terjadi karena data tersebut memiliki kemiripan dengan data
training ke-6 yang merepresentasikan sisa umur 7 bulan
maintenance dan data training ke-7 yang merepresentasikan sisa
umur 6 bulan maintenance. Lalu, apabila dilihat pada diagram
batang amplitude data testing ke-28 akan menyerupai data
training ke-12 yaitu kurang 1 bulan maintenance.
Hal berbeda ditunjukkan pada hasil prediksi
menggunakan metode anfis, karena sistem pembelajaran hybrid
merupakan gabungan dari 2 sistem, yaitu RLSE dan
backpropagation. Dengan menggunakan metode RLSE,
parameter konsekuen diperbaiki berdasarkan pasangan data
masukan-keluaran. Metode RLSE akan mempercepat proses
belajar. Setelah parameter konsekuen didapat, masukan
dilewatkan jaringan adaptif kembali dan hasil keluaran jaringan
adaptif ini dibandingkan dengan keluaran sebenarnya. Pada arah
mundur, parameter konsekuen dibuat tetap. Kesalahan (error)
yang terjadi antara keluaran jaringan adaptif dan keluaran
sebenarnya dipropagasikan mundur dengan menggunakan
gradient descent untuk memperbaiki parameter premis. Dengan
metode ini sisa umur diprediksi dengan tepat dan nilai error yang
terjadi lebih kecil. Hal Ini menunjukkan bahwa performa dalam
prediksi sisa umur dengan metode anfis lebih baik dibandingkan
JST.
[Halaman ini sengaja dikosongkan]
BAB V
KESIMPULAN DAN SARAN
6.2 Kesimpulan
Dari hasil analisa data yang dilakukan, dapat diambil
kesimpulan sebagai berikut :
1. Pada proses training dan testing anfis dengan
menggunakan sistem pembelajaran hybrid dihasilkan
average error yang lebih baik daripada menggunakan
backpropagation.
2. Pada proses training menggunakan sistem pembelajaran
hybrid dan jumlah membership function 3 4, tipe
trapesium menghasilkan average training error yang
paling baik yaitu 3.5239x10-7.
3. Pada proses training menggunakan sistem pembelajaran
backpropagation dan jumlah membership function 3 4,
tipe lonceng menghasilkan average training error yang
paling baik yaitu 0.24702.
4. Penambahan membership function sebanyak 2 buah pada
proses training dan testing menggunakan sistem
pembelajaran hybrid akan memperbesar nilai average
errornya.
5. Penambahan membership function sebanyak 2 buah pada
proses training dan testing menggunakan sistem
pembelajaran backpropagation akan menurunkan nilai
average errornya.
6. Dari hasil testing pada data MIBV ke-24, 25, 26, 27, 28
dan 29, anfis yang disusun mampu memprediksi sisa
umurnya.
7. Dari hasil perbandingan error, diketahui bahwa metode
anfis lebih baik dibanding JST dalam memprediksi sisa
umur mesin Cooling Waterpump 2A.
6.2 Saran
Untuk rekomendasi penelitian berikutnya, maka penulis
menyarankan untuk :
1. Memperbanyak data training anfis untuk meningkatkan
performa dari struktur anfis yang disusun.
2. Dari hasil penelitian ini dapat dibuat sebuah program
prediksi sisa umur secara real-time dengan performa
prediksi yang handal.
DAFTAR PUSTAKA
Andrianto, Rocky. 2006. ”Diagnosa Kegagalan Pada Mesin
Cooling Waterpump 2A PT.PJB Gresik Menggunakan
Metode Analisa Vibrasi”. Tugas Akhir Jurusan Teknik Mesin
Institut Teknologi Sepuluh Nopember Surabaya.
Beebe, Raymond. 2004. “Predictive Maintenance of Pumps
Using Condition Monitoring”. Elsevier Science & Technology
Books.
Ebeling, Charles. 1997. “An Introduction to Reliability and
Maintainability Engineering”, New York, McGraw-Hill
Companies Inc.
J.S.R. Jang C.T.Sun, dan E.Mizutuni. 1997. “Neuro-Fuzzy and
Soft Computing”, Prentice-Hall International.
Kusumadewi, Sri Hartati. 2006. ”Neuro-Fuzzy;Integrasi Sistem
Fuzzy dan Jaringan Saraf”.Graha Ilmu.
Prastowo, Anugrah. 2006. “Prediksi Sisa Umur Pakai Mesin
Cooling Waterpump 2A PT.PJB Gresik Dengan Metode
Jaringan Syaraf Tiruan”. Tugas Akhir Jurusan Teknik Mesin
Institut Teknologi Sepuluh Nopember Surabaya.
Mardani, Abet. 2009. “Diagnosa Kerusakan Pada Rotating
Machinery Menggunakan ANFIS (Adaptive Neuro-Fuzzy
Inference Systems)”. Tugas Akhir Jurusan Teknik Mesin Institut
Teknologi Sepuluh Nopember Surabaya.
Moubray, John. 1997. “Reliability-Centered Maintenance II”.
Industrial Press Inc.
Muslim,Aziz, dan E.Mahyus. 2007. ”Implementasi Algoritma
Cluster Fuzzy Dan Neuro-Fuzzy Studi Kasus Ekspor
Indonesia ke Jepang”.
Tettamanzi, A dan Tomassini. 2001. “Soft Computing
Integrating Evolutionary, Neural and Fuzzy Systems”. Springer-Verlag, Berlin.
Yang Ping, Liu Sui-Sheng. 2005. ”Fault Diagnosis System For
Turbo-Generator Set Based On Fuzzy Neural Network ”.
International Journal Of Information technology.
DAFTAR RIWAYAT HIDUP
Penulis yang bernama lengkap
Mohammad Taufan, dilahirkan di
Jakarta pada tinggal 26 Agustus 1988.
Merupakan anak bungsu dari empat
bersaudara dari pasangan Tamsil Arief
dan Maryani. Mengawali pendidikan
formal di SDN 03 Jakarta Timur, lulus
pada tahun 2000 dan pada tahun 2003
lulus dari SMPN 109 Jakarta Timur.
Pada tahun 2006, setelah lulus pendidikan dari SMAN 54
Jakarta Timur, diterima di jurusan Teknik Mesin ITS.
Penulis mengisi waktu kuliahnya dengan aktifitas
keorganisasian dan kepemanduan. Pernah menjabat sebagai
Kepala Departemen Umum Himpunan Mahasiswa Mesin
pada periode 2008-2009 dan menjadi koordinator Steering
Comitee pada kegiatan Pekan Mekanika 2009. Penulis juga
aktif menjadi pemandu dalam pelatihan menajemen
mahasiswa di tingkat jurusan dan institut. Penulis dapat
dihubungi pada email [email protected]
LAMPIRAN
1. Proses input data Training
Pada proses ini dilakukan training pada 12 data yang sudah
ditentukan. Tiap data dilakukan training dengan 100 kali
iterasi. Setelah data 1 sampai 12 selesai detraining lalu
dilakukan langkah ke-2.
2. Input data Testing
Pada proses ini dilakukan input data testing sesuai yang
diinginkan. Pilihan data testing berbentuk popup, sehingga
user tinggal memilih lalu klik “test now”. Dan nantinya akan
testing dilakukan terhadap seluruh data training, dan diambil
error terkecil yang berarti terjadi kemiripan pola data pada
data training tersebut.
3. Hasil test data testing ke-1
Pada proses ini dilakukan testing untuk data test ke-1. Pada
tampilan ditunjukkan bahwa data tes 1 memiliki error
terkecil dibandingkan dengan data training yang
merepresentasikan sisa umur “12 bulan”.
4. Hasil test data testing ke-2
Pada proses ini dilakukan testing untuk data test ke-2. Pada
tampilan ditunjukkan bahwa data tes 1 memiliki error
terkecil dibandingkan dengan data training yang
merepresentasikan sisa umur “1 bulan”. Hasilnya dapat
dilihat pada bagian yang diberi tanda kotak merah.
5. Hasil test data testing ke-3
Pada proses ini dilakukan testing untuk data test ke-3. Pada
tampilan ditunjukkan bahwa data tes 3 memiliki error
terkecil dibandingkan dengan data training yang
merepresentasikan sisa umur “2 bulan”.
6. Hasil test data testing ke-4
Pada proses ini dilakukan testing untuk data test ke-4. Pada
tampilan ditunjukkan bahwa data tes 4 memiliki error
terkecil dibandingkan dengan data training yang
merepresentasikan sisa umur “3 bulan”.
7. Hasil test data testing ke-5
Pada proses ini dilakukan testing untuk data test ke-5. Pada
tampilan ditunjukkan bahwa data tes 5 memiliki error
terkecil dibandingkan dengan data training yang
merepresentasikan sisa umur “4 bulan”.
8. Hasil test data testing ke-6
Pada proses ini dilakukan testing untuk data test ke-6. Pada
tampilan ditunjukkan bahwa data tes 6 memiliki error
terkecil dibandingkan dengan data training yang
merepresentasikan sisa umur “5 bulan”.