Penerapan Algoritma Support Vector Machine (SVM) untuk Deteksi Dini Kondisi Peralatan Berdasarkan Data Sensor

Stefanny Aprilia

doi:10.60036/ft9xkr14

Authors

Stefanny Aprilia Teknik Mekatronika, Teknik Elektro, Politeknik Negeri Batam Author

DOI:

https://doi.org/10.60036/ft9xkr14

Keywords:

SVM,, klasifikasi, sensor industri, prediktif maintenance , data mining

Abstract

Dalam dunia industri modern, sistem otomasi berbasis data semakin banyak digunakan, salah satunya untuk keperluan pemeliharaan peralatan secara prediktif. Penelitian ini membahas penerapan algoritma Support Vector Machine (SVM) dalam mendeteksi kondisi peralatan (normal atau bermasalah/faulty) berdasarkan data sensor seperti suhu, tekanan, getaran, dan kelembaban. Data yang digunakan sebanyak 1.535 data yang terbagi menjadi dua kelas, yaitu 0 (normal) dan 1 (faulty). Proses dimulai dari pra-pemrosesan data, normalisasi, pemisahan data latih dan uji, hingga pelatihan model SVM menggunakan kernel RBF. Hasil evaluasi menunjukkan model SVM memiliki akurasi sebesar 97%, nilai AUC 0,978, serta f1-score untuk kelas faulty sebesar 0,87. Hasil ini menunjukkan bahwa SVM mampu melakukan klasifikasi kondisi peralatan dengan sangat baik dan cocok digunakan untuk sistem maintenance otomatis.
Kata kunci: SVM, klasifikasi, sensor industri, prediktif maintenance, data mining.

References

[1] V. Vapnik, The Nature of Statistical Learning Theory, Springer, 1995.

[2] J. Brownlee, "Support Vector Machines for Machine Learning," MachineLearningMastery.com, 2022. [Online]. Available: https://machinelearningmastery.com/support-vector-machines-for-machine-learning/

[3] Scikit-Learn Documentation: SVC. [Online]. Available: https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html

[4] A. Widodo and B.-S. Yang, "Support vector machine in machine condition monitoring and fault diagnosis," Mechanical Systems and Signal Processing, vol. 21, no. 6, pp. 2560-2574, 2007.