Yusuf Ahmad (2020) DETEKSI KAVITASI MENGGUNAKAN LINEAR DISCRIMINANT ANALYSIS PADA POMPA SENTRIFUGAL. S2 thesis, Universitas Muhammadiyah Yogyakarta.
Halaman Judul.pdf
Download (639kB)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (864kB)
Abstrak.pdf
Restricted to Registered users only
Download (38kB)
Bab I.pdf
Download (108kB)
Bab II.pdf
Restricted to Registered users only
Download (792kB)
Bab III.pdf
Restricted to Registered users only
Download (350kB)
Bab IV.pdf
Restricted to Registered users only
Download (699kB)
Bab V.pdf
Restricted to Registered users only
Download (36kB)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (167kB)
Lampiran.pdf
Restricted to Registered users only
Download (245kB)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (617kB)
Full Text.pdf
Restricted to Repository staff only
Download (3MB)
Abstract
Kavitasi merupakan fenomena yang sering terjadi pada pompa sentrifugal. Dampak yang ditimbulkan dari kavitasi yaitu turunnya performa pompa yang akan mempengaruhi proses produksi yang sedang berlangsung pada suatu pabrik. Maka, dibutuhkan suatu metode untuk mendeteksi dini fenomena kavitasi. Sinyal getaran merupakan parameter yang sering digunakan dalam melakukan deteksi kavitasi ataupun kerusakan mesin lainnya. Salah satu metode yang digunakan dalam menganalisis suatu sinyal getaran adalah metode pengenalan pola (machine learning). Linear Discriminant Analysis (LDA) merupakan algoritma machine learning yang memiliki keunggulan untuk mereduksi parameter yang digunakan kedalam dimensi yang rendah tanpa mengurangi akurasi klasifikasi.
Penelitian ini menggunakan LDA untuk mengklasifikasi kondisi normal, kavitasi awal, kavitasi menengah dan kavitasi lanjut. Fenomena kavitasi tersebut didapatkan dengan cara mengatur tekanan tangki di alat simulasi kavitasi pada tekanan 0 cmHg untuk kondisi normal, -10 cmHg untuk kavitasi awal, -20 cmHg untuk kavitasi menengah, dan -28 cmHg untuk kavitasi lanjut. Perekaman sinyal getaran dilakukan dengan menggunakan accelerometer sebanyak 500 data dari setiap kondisi sehingga berjumlah 2000 data. Selanjutnya data sinyal getaran diekstraksi dengan menggunakan 10 parameter ekstraksi domain waktu sebagai feature selection LDA yaitu mean, RMS, standar deviasi, kurtosis, skewness, crest factor, clearance factor, shape factor, variance dan peak value. Selanjutnya, data tersebut dibagi menjadi 2 yaitu 1500 untuk data training dan 500 untuk data testing.
Hasil yang didapatkan bahwa classfier LDA dapat mendeteksi dengan tingkat akurasi 98,8% pada training dan 99,6% pada testing. Parameter shape factor, kurtosis, skewness dan RMS merupakan kombinasi parameter yang memiliki kontribusi besar dalam classifier untuk mendeteksi dan mengklasifikasi kondisi kavitasi.
Item Type: | Thesis (S2) |
---|---|
Divisions: | Fakultas Teknik > Teknik Mesin S1 |
Depositing User: | Unnamed user with email robi@umy.ac.id |
Date Deposited: | 12 Oct 2021 06:09 |
Last Modified: | 02 Nov 2021 02:22 |
URI: | https://etd.umy.ac.id/id/eprint/1889 |