Bibliografi

Barcode

Pengarang

Adimas Putra Pratama Hendrata;

Cat. Karya

No. Induk

Pembimbing

Bayu Distiawan Trisedya

Kata Kunci

Predictive Maintenance, Sequence Processing, LSTM, Long Short-Term Memory, Machine Learning, Sequence to Sequence

Pembimbing 3

Pembimbing 2

Tahun buku

2023

Barcode RFID baru

11734972

Progam Studi

Sistem Informasi

Tahun Angkatan

2019

Lokasi

FASILKOM-UI;

Tanggal Datang

13/09/2023

Abstrak Indonesia

ABSTRAK Nama : Adimas Putra Pratama Hendrata Program Studi : Sistem Informasi Judul : Analisis Penerapan Algoritma Sequence Processing untuk Memprediksi Kegagalan pada Mesin Pembimbing : Bayu Distiawan Trisedya, S.Kom., M.Kom., Ph.D. Masuknya industri 4.0 di Indonesia membuat mesin dapat terintegrasi dengan komputer melalui perangkat IoT sehingga membuat proses produksi lebih efisien. Salah satu upaya untuk mempertahankan hal tersebut adalah dengan melakukan maintenance menggunakan metode predictive maintenance. Kegagalan mesin dalam predictive maintenance dapat diprediksi menggunakan machine learning. Metode sequence processing adalah algoritma machine learning yang cocok digunakan dalam predictive maintenance berbasis timeseries. Penelitian ini mencoba berbagai macam cara penerapan sequence processing untuk memprediksi kegagalan pada mesin. LSTM merupakan metode sequence processing yang populer digunakan untuk predictive maintenance. Terdapat tiga cara penerapan model LSTM yang diuji pada penelitian ini, yaitu model klasifikasi, regresi, dan regresi menggunakan sequence to sequence Ketiga model tersebut akan diuji menggunakan data yang didapat dari database terbuka. Setiap model akan dievaluasi dan dikomparasi untuk mengetahui model yang terbaik. Penelitian ini menunjukkan bahwa model klasifikasi memiliki kinerja yang buruk karena mengalami overfitting. Sementara itu, model regresi sequence to sequence memiliki kinerja yang paling baik, yaitu dengan nilai f-1 score mencapai 57.45%. Kata kunci: Predictive Maintenance, Sequence Processing, LSTM, Long Short-Term Memory, Machine Learning, Sequence to Sequence

Daftar Isi

Cat. Umum

Judul

Analisis penerapan algoritma sequence processing untuk memprediksi kegagalan pada mesin

Asal

Korporasi

NPM

1906305575

Abstrak English

ABSTRACT Name : Adimas Putra Pratama Hendrata Study Program : Information System Title : Analysis of Sequence Processing Algorithm Implementation for Predicting Machine Faults Counsellor : Bayu Distiawan Trisedya, S.Kom., M.Kom., Ph.D. The implementation of Industry 4.0 in Indonesia enables machines to be integrated with computers through IoT devices, resulting in more efficient production processes. One of the efforts to maintain this is by performing maintenance using predictive maintenance methods. Machine learning can be used to predict machine failures in predictive maintenance. Sequence processing is a suitable machine learning algorithm for predictive maintenance based on timeseries data. This research explores various ways to apply sequence processing for predicting machine failures. LSTM is a popular sequence processing method used in predictive maintenance. Three approaches for implementing LSTM models were tested in this study: classification, regression, and sequence to sequence regression. These models were tested using data obtained from an open database. Each model was evaluated and compared to determine the best-performing model. The research findings indicate that the classification model performed poorly due to overfitting. On the other hand, the sequence to sequence regression model achieved the best performance, with an f-1 score of 57.45%. Key words: Predictive Maintenance, Sequence Processing, LSTM, Long Short-Term Memory, Machine Learning, Sequence to Sequence

Pengarang 2

Subjek

Penguji 2

Dadan Hardianto

Penguji 3

Pembimbing 1

Fisik

xiii, 73 hlm, ill, 30 cm

Bahasa

Ind

Lulus Semester

Ganjil 2023

Penerbitan

Depok: Fakultas Ilmu Komputer UI, 2023

No. Panggil

SK-2185 (Softcopy SK-1667)

Penguji 1

Amril Syalim

Lulus semester SI

Ganjil 2023