Identifikasi Keausan Bantalan Tirus (Tapered Bearing) Berbasis Analisis Vibrasi dengan Metode Support Vector Machine (SVM)

Abstract

—Data mining memiliki arti kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan, dalam set data berukuran besar[1]. Data mining fokus pada prediksi dan deskripsi data. Support Vector Machine (SVM) adalah salah satu teknik dari data mining, digunakan untuk menyelesaikan kasus klasifikasi dan regresi data. SVM mampu mengklasifikasikan data untuk menghasilkan informasi atau pengetahuan baru. Dalam penelitian ini metode SVM digunakan untuk mengidentifikasi keausan pada bantalan tirus (tapered bearing). Data yang digunakan adalah data yang berasal dari pengukuran vibrasi. Pengukuran vibrasi dilakukan pada bantalan yang tidak mengalami keausan (normal) dan bantalan yang mengalami keausan. Keausan pada inner race diamati pada BPFI, keausan pada outer race diamati pada BPFO. Data vibrasi dari kedua bantalan tersebut disatukan menjadi database. Database tersebut dibagi menjadi data testing dan data training. SVM melakukan train untuk proses klasifikasi data, apabila akurasi SVM masih rendah maka dioptimasi dengan mengubah rasio pembagian dari data training dan data testing. Keausan pada bantalan dapat diidentifikasi salah satunya melalui spektrum data vibrasi dimana muncul sideband di daerah BPFO untuk outer race dan BPFI untuk inner race dengan nilai ± 1x FTF. Identifikasi keausan melalui metode SVM menghasilkan model dengan mengumpulnya data BPFI atau BPFO sebagai indikasi terdapat keausan pada bantalan tersebut. Optimasi metode SVM dilakukan dengan metode K-fold yang menghasilkan metode SVM dengan keakurasian tertinggi. Kata