ANALISIS DETEKSI KERUSAKAN PADA POROS MELALUI PENDEKATAN MACHINE LEARNING BERBASIS GETARAN

Poros merupakan komponen penting dalam sistem mekanis yang berfungsi menyalurkan tenaga dari mesin ke komponen lain. Kerusakan pada poros dapat mengurangi efisiensi transfer tenaga yang dihasilkan sehingga dapat mengakibatkan kegagalan sistem secara menyeluruh. Diperlukan metode pemantauan kondisi poros yang efektif dan mudah diterapkan. Metode deteksi berdasarkan inspeksi visual sejumlah memiliki keterbatasan, diantaranya membutuhkan inspektor yang handal dan kurang efektif untuk mendeteksi kerusakan komponen pada kedalaman tertentu. Penelitian ini mengusulkan dua metode machine learning (ML), yaitu Artificial Neural Network (ANN) dan Support Vector Machine (SVM) dalam mendeteksi kerusakan poros. Metode ini efektif dalam mengklasifikasikan kondisi poros dan mudah dioperasikan. Penelitian ini menggunakan poros AISI 1045 dengan panjang 250 mm dan diameter 16 mm. Sebuah takik menggambarkan kerusakan yang dipotong tegak lurus terhadap sumbu aksial poros. Terdapat tiga variasi kondisi poros yang diukur melalui sinyal getaran, yaitu kondisi normal, kerusakan 10%, dan kerusakan 25%. Gaya atau eksitasi diberikan pada spesimen menggunakan impact hammer. Akselerometer diletakkan di tengah panjang poros untuk merekam data getaran. Data tersebut kemudian diproses menggunakan metode Fast Fourier Transform(FFT) dan Frequency Response Function (FRF). Fitur input berupa frekuensi natural yang dibagi menjadi 80 persen data latih dan 20 persen data uji dengan total data sebanyak 150 data pada setiap kondisi poros. Kemudian dilakukan normalisasi data menggunakan metode Damage Index (DI) dan Standard Scaler. Metode normalisasi data memiliki pengaruh yang cukup signifikan terhadap kinerja model. Penerapan normalisasi DI menghasilkan performa model ANN yang kurang optimal, dengan 15 dari 30 data poros kerusakan 10 persen salah diklasifikasikan sebagai poros normal, sementara SVM hanya salah mengklasifikasikan 3 dari 30 data. Akurasi ANN tercatat sebesar 82,2 persen, sedangkan SVM mencapai 96,7 persen. Setelah menerapkan normalisasi Standard Scaler, performa kedua model meningkat. ANN hanya salah mengklasifikasikan 2 dari 30 data poros kerusakan 10 persen, sedangkan SVM salah 1 data. Hasil penelitian menunjukkan bahwa performa model SVM lebih efektif dibandingkan dengan model ANN dengan akurasi 98,9 persen daripada ANN yang hanya mencapai 97,8 persen ketika menggunakan Standard Scaler.