KLASIFIKASI KERUSAKAN MOTOR BERDASARKAN SINYAL AKUSTIK MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Ziha, Dzaki Allam (2025) KLASIFIKASI KERUSAKAN MOTOR BERDASARKAN SINYAL AKUSTIK MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. Bachelor thesis, Institut Teknologi Kalimantan.

	Text 04181033_Cover.pdf Download (116kB)
	Text 04181033_approval_sheet.pdf Download (230kB)
	Text 04181033_statement_of_authenticity.pdf Download (102kB)
	Text 04181033_publishing_agreement.pdf Download (186kB)
	Text 04181033_preface.pdf Download (454kB)
	Text 04181033_abstract_id.pdf Download (785kB)
	Text 04181033_abstract_en.pdf Restricted to Repository staff only until 4 January 2027. Download (763kB) | Request a copy
	Text 04181033_table_of_content.pdf Restricted to Repository staff only until 4 January 2027. Download (1MB) | Request a copy
	Text 04181033_illustrations.pdf Restricted to Repository staff only until 4 January 2027. Download (754kB) | Request a copy
	Text 04181033_tables.pdf Restricted to Repository staff only until 4 January 2027. Download (525kB) | Request a copy
	Text 04181033_chapter_1.pdf Restricted to Repository staff only until 4 January 2027. Download (2MB) | Request a copy
	Text 04181033_chapter_2.pdf Restricted to Repository staff only until 4 January 2027. Download (7MB) | Request a copy
	Text 04181033_chapter_3.pdf Restricted to Repository staff only until 4 January 2027. Download (4MB) | Request a copy
	Text 04181033_conclusions.pdf Restricted to Repository staff only until 4 January 2027. Download (1MB) | Request a copy
	Text 04181033_paper.pdf Restricted to Repository staff only until 4 January 2027. Download (2MB) | Request a copy
	Text 04181033_presentation.pdf Restricted to Repository staff only until 4 January 2027. Download (2MB) | Request a copy
	Text 04181033_Form TA-020.pdf Restricted to Repository staff only until 4 January 2027. Download (290kB) | Request a copy
	Text 04181033_bibliography.pdf Download (609kB)
	Text 04181033_chapter_4.pdf Restricted to Repository staff only until 4 January 2027. Download (5MB) | Request a copy
	Text 04181033_enclosure.pdf Restricted to Repository staff only until 4 January 2027. Download (293kB) | Request a copy

Abstract

Kemajuan industri dan otomasi meningkatkan ketergantungan pada motor listrik sebagai komponen utama di berbagai sektor. Kerusakan pada motor dapat menyebabkan downtime yang merugikan dan biaya perbaikan tinggi. Salah satu pendekatan non-invasif untuk deteksi dini kerusakan motor adalah melalui analisis sinyal akustik, yang relatif mudah diakses, tidak memerlukan kontak langsung, dan dapat dilakukan secara real-time. Penelitian ini bertujuan untuk merancang model Convolutional Neural Network (CNN) untuk mengklasifikasikan jenis kerusakan motor berdasarkan sinyal akustik, dengan mengevaluasi pengaruh jumlah koefisien Mel-Frequency Cepstral Coefficients (MFCC) terhadap kinerja klasifikasi. Dataset yang digunakan berasal dari basis data MAFAULDA, terdiri dari kondisi normal, horizontal misalignment, vertical misalignment, dan imbalance, yang dikumpulkan menggunakan mikrofon. Data diolah dengan fitur MFCC menggunakan 13, 23, dan 33 koefisien sebagai masukan untuk pelatihan model CNN. Hasil penelitian menunjukkan bahwa CNN dengan konfigurasi optimal mampu mencapai akurasi tertinggi sebesar 93,75% pada dataset MFCC dengan 13 koefisien, dan 90,34% pada dataset dengan 33 koefisien. Model ini menunjukkan performa stabil dan generalisasi yang baik terhadap data uji. Temuan ini mengindikasikan bahwa kombinasi MFCC dengan CNN efektif untuk mengenali pola akustik kerusakan motor, serta memiliki potensi untuk diterapkan dalam sistem monitoring kondisi motor secara non-invasif dan efisien. Kata kunci: Convolutional Neural Network (CNN), MFCC, sinyal akustik, klasifikasi kerusakan

Item Type:	Thesis (Bachelor)
Subjects:	T Technology > T Technology (General)
Divisions:	Jurusan Teknologi Industri dan Proses > Teknik Elektro
Depositing User:	Dzaki Ziha
Date Deposited:	17 Jul 2025 04:08
Last Modified:	17 Jul 2025 04:08
URI:	http://repository.itk.ac.id/id/eprint/24673

Actions (login required)

View Item