ALGORITMA DECISION TREES UNTUK MENDIAGNOSIS KERUSAKAN BANTALAN GELINDING

BANTALAN ADALAH SALAH SATU ELEMEN MESIN YANG UMUM DITEMUKAN PADA MESIN-MESIN ROTARI. BAGIAN-BAGIAN YANG TERDAPAT PADA BANTALAN GELINDING SEPERTI LINTASAN DALAM, LINTASAN LUAR, ELEMEN GELINDING, DAN CANGKANG MERUPAKAN BAGIAN YANG SERING MENGALAMI KERUSAKAN (CACAT). SECARA KONVENSIONAL ANALISIS SPEKTRUM DIGUNAKAN UNTUK MENDIAGNOSIS CACAT BANTALAN. NAMUN, ANALISIS SPEKTRUM TIDAK EFEKTIF DITERAPKAN PADA BANTALAN DENGAN CACAT AWAL KARENA SINYAL GETARAN YANG DIHASILKAN DIDOMINASI OLEH KOMPONEN FREKUENSI DARI ELEMEN MESIN LAINNYA, SEHINGGA FREKUENSI CACAT BANTALAN TIDAK DAPAT DIAMATI. TUJUAN PENELITIAN INIMENGUSULKAN METODE ALTERNATIF DETEKSI CACAT BANTALAN BERBASIS SINYAL GETARAN MENGGUNAKAN MACHINE LEARNING DENGAN ALGORITMA DECISION TREES. SINYAL GETARAN DARI BANTALAN NORMAL, CACAT LINTASAN DALAM, DAN CACAT LINTASAN LUAR DIREKAM MENGGUNAKAN ACCELEROMETER YANG DILETAKKAN DIATAS RUMAH BANTALAN PADA SEBUAH RIG UJI BANTALAN. ELECTRICAL DISHCARGE MACHINE (EDM) DIGUNAKAN UNTUK MEMBUAT CACAT PADA LINTASAN LUAR DAN LINTASAN DALAM BANTALAN DENGAN LEBAR GORESAN 0,4 MM DAN KEDALAMAN 1,4 MM. 9 PARAMETER STATISTIK DOMAIN WAKTU DAN 6 PARAMETER STATISTIK DOMAIN FREKUENSI DIESKTRAK DARI SINYAL GETARAN KEMUDIAN DIJADIKAN INPUT DECISION TREES. DATA EKSTRAKSI DIPARTISI MENJADI 75