APLIKASI PRINCIPAL COMPONENT ANALYSIS DAN K-NEAREST NEIGHBORS UNTUK DIAGNOSIS KAVITASI PADA POMPA SENTRIFUGAL

Fenomena kavitasi merupakan permasalahan yang sering terjadi pada pompa sentrifugal. Fenomena kavitasi menyebabkan penurunan kinerja yang dapat menimbulkan kerusakan total pada pompa jika tidak segera datasi. Oleh karena itu dibutuhkan sebuah metode yang dapat memantau kondisi pompa secara berkala. Penggunaan sinyal getaran dalam teknik pengenalan pola (machine learning) untuk memantau kondisi mesin telah dibuktikan efektifitasnya oleh banyak peneliti. Salah satu algoritma machine learning paling populer digunakan sebagai classifier adalah K-Nearest Neighbors dengan input berupa parameter statistik sinyal getaran. Principal Component Analysis (PCA) dapat digunakan untuk mereduksi jumlah parameter statistik tanpa harus kehilangan informasinya.
Penelitian ini menggunakan alat uji simulasi kavitasi berupa rangkaian pipa air loop tertutup. Data sinyal getaran diambil pada kondisi pompa normal, kavitasi awal, kavitasi tengah, dan kavitasi lanjut dengan mengatur tekanan vacuum pada tangki. Accelerometer dipasang pada casing untuk merekam getaran pompa sentrifugal. Data getaran yang diperoleh kemudian di ekstraksi ke dalam parameter statistik domain waktu. Kemudian data yang sudah di ekstraksi dibagi menjadi data training dan data testing. Classifier dilatih menggunakan data training dan diuji akurasinya dalam mengklasifikasi setiap kondisi pompa menggunakan data testing. Prosedur melatih dan menguji ini dilakukan pada classifier yang inputnya tanpa seleksi maupun dengan input hasil seleksi menggunakan PCA.
Hasil penelitian menunjukan bahwa metode K Nearest Neighbors dapat digunakan untuk diagnosis kavitasi pada pompa sentrifugal dengan tingkat akurasinya 99,8% menggunakan input 10 parameter statistik dan 100