PREDIKSI KERUSAKAN MESIN PRODUKSI BERBASIS MODEL SVR

Wega Putra Mulyo
Taufiq Agung Cahyono

Abstract


Kemajuan teknologi di bidang industri dipengaruhi oleh pertumbuhan dan perkembangan teknologi informasi. Hal ini dikarenakan banyak sistem industri yang dibangun sebagai jawaban atas kesulitan-kesulitan yang dihadapi oleh industri. Di sektor industri, solusi statistik untuk memprediksi kerusakan mesin masih sangat jarang ditemukan. Banyak sektor yang membutuhkan dan belum mengadopsi sistem prediksi untuk mengurangi biaya, masalah dalam penelitian ini adalah seberapa baik pendekatan Support Vector Regression (SVR) dalam memprediksi kerusakan mesin berdasarkan uraian latar belakang. Tujuan dari penelitian ini adalah untuk membuat model prediksi kerusakan mesin produksi dengan menggunakan metode Support Vector Regression (SVR), dengan menggunakan library bahasa komputer Python, data variabel tersebut dapat diperiksa menggunakan Support Vector Regression (SVR) setelah variabel Time To Repair dan Time Between Failure diperoleh. 3021 menit adalah hasil prediksi untuk nilai uji 40 dalam uji regresi linier. Tabel sampel data, di mana nilai Time To Repair sebesar 40 seharusnya memiliki Time Between Failure sebesar 3011 dan nilai r2 sistem prediksi sebesar -0.12. Saran untuk penelitian selanjutnya adalah mengumpulkan data waktu nyata dari mesin industri melalui penggunaan teknologi sensor dan Internet of Things (IoT), yang memungkinkan pemantauan yang lebih akurat dan perkiraan yang lebih cepat.


Full Text:

PDF

Article Metrics :

References


Davari, N., Veloso, B., Costa, G. de A., Pereira, P. M., Ribeiro, R. P., & Gama, J. (2021). A survey on data-driven predictive maintenance for the railway industry. Sensors, 21(17), 1–22. https://doi.org/10.3390/s21175739

Dhillon, B. S. (2006). Maintenance , and Reliability and Reliability.

Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199–222.K. Elissa, “Title of paper if known,” unpublished.

Kurniawan, E., Syaifurrahman, & Jekky, B. (2020). Rancang Bangun Mesin CNC Lathe Mini 2 Axis. Jurnal Engine, 4(2), 83–90.

Lee, J., Ni, J., Singh, J., Jiang, B., Azamfar, M., & Feng, J. (2020). Intelligent Maintenance Systems and Predictive Manufacturing. Journal of Manufacturing Science and Engineering, Transactions of the ASME, 142(11). https://doi.org/10.1115/1.4047856

Lu, I. R. R., Thomas, D. R., & Zumbo, B. D. (2005). Embedding IRT in structural equation models: A comparison with regression based on IRT scores. Structural Equation Modeling, 12(2), 263–277. https://doi.org/10.1207/s15328007sem1202_5

P, K. (2021). Machine Learning Approach to Predictive Maintenance in Manufacturing Industry - A Comparative Study. Journal of Soft Computing Paradigm, 2(4), 246–255. https://doi.org/10.36548/jscp.2020.4.006

Pajankar, A., & Joshi, A. (2022). Introduction to Machine Learning with Scikit-learn. In Hands-on Machine Learning with Python. https://doi.org/10.1007/978-1-4842-7921-2_5

Ramadhan, R. F., & Mukhaiyar, R. (2020). Penggunaan Database Mysql dengan Interface PhpMyAdmin sebagai Pengontrolan Smarthome Berbasis Raspberry Pi. JTEIN: Jurnal Teknik Elektro Indonesia, 1(2), 129–134. https://doi.org/10.24036/jtein.v1i2.55

Romanssini, M., de Aguirre, P. C. C., Compassi-Severo, L., & Girardi, A. G. (2023). A Review on Vibration Monitoring Techniques for Predictive Maintenance of Rotating Machinery. Eng, 4(3), 1797–1817. https://doi.org/10.3390/eng4030102


Tips Main yang Aman dan Seru

judi bolavipbet88vipbet88bolago88