INTEGRASI SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE (SMOTE) DAN SUPPORT VECTOR MACHINE (SVM) UNTUK DETEKSI ANOMALI PADA MESIN POMPA

Chusnul Chuluq, 2011910004 (2023) INTEGRASI SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE (SMOTE) DAN SUPPORT VECTOR MACHINE (SVM) UNTUK DETEKSI ANOMALI PADA MESIN POMPA. Undergraduate thesis, Universitas Internasional Semen Indonesia.

	Text (COVER) 0. COVER.pdf Download (169kB)
	Text (HALAMAN JUDUL) 1. HALAMAN JUDUL.pdf Download (108kB)
	Text (HALAMAN PENGESAHAN) 2. HALAMAN PENGESAHAN.pdf Restricted to Repository staff only Download (395kB) | Request a copy
	Text (HALAMAN PERSETUJUAN PUBLIKASI) 3. HALAMAN PERSETUJUAN PUBLIKASI.pdf Restricted to Repository staff only Download (370kB) | Request a copy
	Text (HALAMAN PERNYATAAN ORISINALITAS) 4. HALAMAN PERNYATAAN ORISINALITAS.pdf Download (325kB)
	Text (HALAMAN HASIL FINAL DETEKSI PLAGIASI) 5. HALAMAN HASIL FINAL DETEKSI PLAGIASI.pdf Restricted to Repository staff only Download (728kB) | Request a copy
	Text (ABSTRAK) 6. ABSTRAK.pdf Download (249kB)
	Text (KATA PENGANTAR) 7. KATA PENGANTAR.pdf Restricted to Repository staff only Download (310kB) | Request a copy
	Text (DAFTAR ISI) 8. DAFTAR ISI.pdf Download (313kB)
	Text (DAFTAR GAMBAR) 9. DAFTAR GAMBAR.pdf Restricted to Repository staff only Download (302kB) | Request a copy
	Text (DAFTAR TABEL) 10. DAFTAR TABEL.pdf Restricted to Repository staff only Download (293kB) | Request a copy
	Text (BAB I PENDAHULUAN) 11. BAB 1 PENDAHULUAN.pdf Download (328kB)
	Text (BAB II TINJAUAN PUSTAKA) 12. BAB II TINJAUAN PUSTAKA.pdf Restricted to Repository staff only Download (728kB) | Request a copy
	Text (BAB III METODOLOGI PENELITIAN) 13. BAB III METODOLOGI PENELITIAN.pdf Restricted to Repository staff only Download (449kB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) 14. BAB IV HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (742kB) | Request a copy
	Text (BAB V PENUTUP) 15. BAB V PENUTUP.pdf Restricted to Repository staff only Download (244kB) | Request a copy
	Text (DAFTAR PUSTAKA) 16. DAFTAR PUSTAKA.pdf Download (379kB)
	Text (LAMPIRAN) 17. LAMPIRAN.pdf Restricted to Repository staff only Download (128kB) | Request a copy
	Text (FULLTEXT) 18. SKRIPSI - CHUSNUL CHULUQ (2011910004).pdf Restricted to Repository staff only Download (2MB) | Request a copy
	Text (FULLTEXT DOC) 19. SKRIPSI - CHUSNUL CHULUQ (2011910004).docx Restricted to Repository staff only Download (6MB) | Request a copy
	Text (POSTER PDF) 20. POSTER PENELITIAN - CHUSNUL CHULUQ (2011910004).pdf Download (209kB)

Abstract

Pengaplikasian machine learning di industri 4.0 diterapkan pada predictive maintenance sudah sangat populer. Machine learning dapat digunakan untuk mendeteksi anomali pada mesin. Pengaplikasian machine learning dibutuhkan dataset dengan kelas yang seimbang agar data tidak memiliki bias dan mempengaruhi tingkat akurasi perfomansi. Dalam mengatasi ketidakseimbangan dataset dalam proses machine learning, teknik Synthetic Minority Oversampling Technique (SMOTE) akan digunakan dalam penelitian ini. Penelitian ini bertujuan untuk mengetahui performansi dari deteksi anomali pada mesin pompa. Untuk mengetahui perfomansi dari model machine learning, penelitian ini menggunakan wavfile sebagai dataset dengan nilai Signal to Noise Rasio (SNR) sebesar 6 dB dan dibagi menjadi dua keadaan yaitu keadaan normal dan keadaan abnormal. Dataset yang digunakan dalam penelitian ini setelah proses SMOTE berjumlah 1404 data. Jumlah data yang digunakan dalam pembelajaran mesin (training data) sebesar 70% dari total jumlah dataset dan jumlah data yang digunakan dalam pengujian model yang dihasilkan 30% dari total jumlah dataset. Training data akan digunakan untuk membangun model salah satu metode klasifikasi machine learning yaitu support vector machine (SVM). Model tersebut akan dievaluasi perfomansinya. Pengukuran perfomansi model yang digunakan berdasarkan hasil confusion matrix yaitu accuracy, sensitivity, specificity, dan F1-Score. Hasil penelitian menunjukkan bahwa integrasi SMOTE dan SVM sangat cocok digunakan pada penelitian ini. Hal tersebut ditandai dengan adanya peningkatan perfomansi rata-rata akurasi. Model klasifier OpSVM yang diperoleh dari seleksi entropy mempunyai perfomansi rata-rata accuracy tertinggi untuk deteksi anomali pada mesin pompa sebesar 96,24% dengan k-fold validation 5 dan sebesar 96,34% dengan k-fold validation 10. Hasil perbandingan perfomansi menunjukkan integrasi SMOTE dan SVM mampu meningkatkan perfomansi dibandingkan teknik undersampling dan SVM pada penelitian sebelumnya.

Item Type:	Thesis (Undergraduate)
Additional Information:	Softfile/KK.23/UISI-01/MR
Uncontrolled Keywords:	Deteksi Anomali, Mesin Pompa, Machine Learning, Synthetic Minority Oversampling Techinique (SMOTE), Support Vector Machine (SVM)
Contributors:	Contribution Name Email Thesis advisor Anindita Adikaputri Vinaya, S.T., M.T. anindita.vinaya@uisi.ac.id
Subjects:	T Technology > T Technology (General) T Technology > TA Engineering (General). Civil engineering (General)
Divisions:	Department of Engineering Management
Depositing User:	Chusnul Chuluq
Date Deposited:	09 Aug 2023 10:07
Last Modified:	09 Aug 2023 14:33
URI:	https://repository.uisi.ac.id/id/eprint/4993

Actions (login required)

View Item