DECISION TREES CLASSIFIER UNTUK MENDETEKSI KAVITASI PADA POMPA SENTRIFUGAL

Dunia perindustrian banyak menggunakan pompa sentrifugal untuk proses kegiatan produksi. Permasalahan pada penggunaan pompa sentrifugal adalah kerap terjadi kavitasi. Kavitasi mengakibatkan penurunan performa pompa sehingga mengganggu kegiatan produksi. Oleh karena itu, dibutuhkan metode untuk memantau aktivitas pompa secara intensif. Sinyal getaran adalah parameter yang dapat digunakan untuk mengetahui kondisi operasi mesin. Metode berbasis teknik pengenalan pola (machine learning) menggunakan sinyal getaran telah banyak diterapkan pada mesin rotari untuk mendeteksi berbagai kerusakan komponen namun belum banyak diteliti efektivitasnya untuk mendeteksi kavitasi. Penelitian ini bertujuan menghasilkan metode deteksi kavitasi berbasis sinyal getaran menggunakan algoritma machine learning yaitu decision trees. Decision trees adalah classifier yang unggul karena dapat mengeliminasi jumlah perhitungan maupun data yang tidak diperlukan selama jumlah kelas dan kriteria yang digunakan tidak terlalu banyak.
Penelitian ini dilakukan menggunakan alat uji simulasi kavitasi berupa rangkaian pipa air loop tertutup bertekanan yang terdiri dari beberapa komponen diantaranya pompa sentrifugal, kompresor vakum, katup, pressure gauge, flowmeter, instalasi perpipaan, dan tangki vakum. Simulasi dilakukan dengan mengatur tekanan vakum pada tangki vakum. Accelerometer dipasang pada casing untuk merekam getaran pompa sentrifugal. Data getaran kemudian diekstrak menjadi parameter statistik domain waktu. Setelah ekstraksi sinyal getaran data akan dibagi menjadi data training dan data testing. Data training digunakan untuk melatih classifier dan akan diuji tingkat akurasinya menggunakan data testing.
Decision trees dapat digunakan untuk mendeteksi berbagai level kavitasi pada pompa sentrifugal. Metode deteksi kavitasi menggunakan decision trees classifier menghasilkan nilai akurasi training sebesar 97,10