Optimasi Parameter Support Vector Machine menggunakan Particle Swarm Optimization untuk Bearing Fault Diagnosis
Abstract
Abstract. To assist industrial activities in generating power, humans create components that are developed through machines. One of the key elements that plays an important role in the process of a shaft rotation movement on the machine is the bearing. Given their widespread use, bearing vibration components can predict machine breakdowns or forecast indicators by leveraging forecasting models to diagnose bearings before failure occurs. One of the popular methods used for forecasting machine failure is the Support Vector Machine (SVM) which was introduced by Cortes and Vapnik in 1995 to overcome the problem of dividing two conflicting groups when demonstrating superiority in nonlinear small sample pattern recognition. SVM is optimized by incorporating Particle Swarm Optimization (PSO). The advantage of the PSO method is that it is able to produce accuracy values that are more precise and accurate than other mathematical algorithms and heuristic techniques (Pambudi, Wihandika, & Putri, 2019).
Untuk membantu aktivitas industri dalam menghasilkan tenaga, manusia menciptakan komponen yang dikembangkan melalui mesin. Salah satu bagian elemen kunci yang berperan penting dalam proses suatu gerakan putaran poros pada mesin adalah bearing. Mengingat penggunaannya yang luas, komponen getaran bearing dapat memprediksi kerusakan mesin atau indikator peramalan dengan memanfaatkan model peramalan untuk mendiagnosis bearing sebelum terjadinya kerusakan. Salah satu metode yang populer digunakan untuk peramalan pada kerusakan mesin adalah Support Vector Machine (SVM) yang diperkenalkan oleh Cortes dan Vapnik pada tahun 1995 untuk mengatasi masalah pembagian dua kelompok yang saling bertentangan saat menunjukkan keunggulan dalam pengenalan pola sampel kecil nonlinier.SVM dioptimalkan dengan menggabungkan Particle Swarm Optimization (PSO). Kelebihan dari metode PSO ini adalah mampu menghasilkan nilai akurasi lebih tepat dan cermat daripada algoritma matematika dan teknik heuristik yang lain (Pambudi, Wihandika, & Putri, 2019). Pada Analisis data bearing CWRU, hasil akurasi yang didapat dengan menggunakan algoritma SVM lebih unggul daripada hasil akurasi yang didapat dengan menggunakan PSO.
References
Nur, H. (2021). Peramalan Vibrasi Bearing Melalui Sisa Usia Pakai Menggunakan Regresi Eksponensial. Bandung: Universitas Islam Bandung.
Aji, K. (2007). Deteksi Kerusakan Bantalan Gelinding Pada Pompa Sentrifugal Dengan Analisa Sinyal Getaran. Surakarta: Universitas Sebelas Maret.
Mardia, K. V., Kent, J. T., & Bibby, J. M. (1995). Multivariate Analysis. San Diego: Academic Press.
Pujianto, R., Adiwijaya, & Rahmawati, A. A. (2019). Analisis Ekstraksi Fitur Principle Component Analysis pada Klasifikasi Microarray Data Menggunakan Classification And Regression Trees. ISSN : 2355-9365, 2368-2379.
Suwanda, M. (2020). Principal Component Analysis. Bandung: Universitas Islam Bandung.
Ud, M. (2015). Implementasi Principal Component Analysis (PCA) dan Euclidean Distance untuk Identifikasi Citra Daging Sapi dan Daging Babi. Semarang: Universitas Dian Nuswantoro.
Primandari, P. N., & Hardiansyah, B. (2015). Ekstraksi Fitur Menggunakan Principal
Component Analisys (PCA). ISBN : 978-602-53170-2-6.
Nikravesh, S. M., Rezaie, H., Kilpatrik, M., & Taheri, H. (2019). Intelligent Fault Diagnosis of Bearings Based on Energy Levels in Frequency Bands Using Wavelet and Support Vector Machines (SVM), MDPI; doi:10.3390/jmmp3010011.
Zhu, K., Chen, L., & Hu, X. (2018). Rolling Element Bearing Fault Diagnosis by Combining Adaptive Local Iterative Filtering, Modified Fuzzy Entropy and Support Vector Machine, MDPI;doi:10.3390/e20120926.
Neupane, D., & Seok, J. (2020). Bearing Fault Detection and Diagnosis Using Case Western Reserve University Dataset With Deep Learning Approaches: A Review. IEEE Access, 93155-93178.
Stanevski, N., & Tsvetkov, D. (2005). Using Support Vector Machine as a Binary Classifier. IAA 14, 1-5.
Zhang, X., Zhao, B., & Lin, Y. (2021). Machine Learning Based Bearing Fault Diagnosis Using the Case Western Reserve University Data. IEEE Access, 155598-155608.
Nugraha, I. (2020). Implementasi Metode Klasifikasi Support Vector Machine Untuk Deteksi Angkot Menggunakan Histogram Of Oriented Gradiented. Bandung: Universitas Komputer Indonesia.
Amadi, D. N. (2015). Penerapan Metode Suport Vector Machine (SVM) Untuk Diagnosis Kerusakan Pada Bantalan Gelinding. Madiun: Universitas Merdeka.
Parapat, I. M., Furqon, M. T., & Sutrisno. (2018). Penerapan Metode Support Vector Machine (SVM) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak. Malang: Universitas Brawijaya.
Octaviani, P. A., Wilandari, Y., & Ispriyanti, D. (2014). Penerapan Metode Klasifikasi Support Vector Machine (SVM) Pada Data Akreditasi Sekolah Dasar (SD) Di Kabupaten Magelang. Semarang: Universitas Diponegoro.
Fathurrohman, M., H, R. Lulus, & Susilo, D. D. (2019). Diagnosa Kerusakan Bantalan Bola Menggunakan Metode Support Vector Machine. Surakarta: Universitas Sebelas Maret.
Sulistio, R. P. (2020). Optical Character Recognition Pada Sertifikat Menggunakan Algoritma Least Square Support Vector Machines. Bandung: Universitas Komputer Indonesia.
Khaulasari, H. (2016). Combine Sampling Least Square Support Vector Machine Untuk Klasifikasi Multi Class Imbalanced Data. Surabaya: Institut Teknologi Sepuluh November.
Jihad. (2019). Ekstraksi Informasi Dokumen Karya Tulis Ilmiah Menggunakan Support Vector Machine. Bandung: Universitas Komputer Indonesia.
Ritonga, A. S., & Purwaningsih, E. S. (2018). Penerapan Metode Support Vector Machine (SVM) Dalam Klasifikasi Kualitas Pengelasan SMAW (Shield Metal Arc Welding). Surabaya: Universitas Wijaya Putra.
Adi, F. R. (2017). Identifikasi Keausan Bantalan Tirus (Tapered Bearing) Berbasis Analisis Vibrasi Dengan Metode Support Vector . Surakarta: Universitas Sebelas Maret.
Gao, X., Wei, H., Li, T., & Yang, G. (2020). A Rolling Bearing Fault Diagnosis Method Based On LSSVM. SAGE Vol.12, 1-10.
Panigrahi, S. T. S. (2017). An Improved Envelope Detection Method Using Particle Swarm Optimisation for Rolling Element Bearing Fault Diagnosis. CDE, 305-317.
Xiong, J., Zhang, Q., Liang, Q., Zhu, H., & Li, H. (2018). Combining the Multi-Genetic Algorithm and Support Vector Machine for Fault Diagnosis of Bearings. Hindawi, 1-13.
Triyono, A. (2017). Perbandingan Metode Least Square Support Vector Machine Dan Backpropagation Dalam Peramalan Indeks Harga Saham Gabungan (IHSG). Medan: Universitas Sumatera Utara.
Velayaty, A A. (2017). Ensembel Least Square Support Vector Machine Menggunakan
Algortima Boosting. Makassar: Universitas Hasanudin.
Triyono, A., Trianto, R. B., & Arum, D. M. (2021). Penerapan Least Squares Support Vector Machines (LSSVM) dalam Peramalan Indonesia Composite Index. Grobogan: Universitas An Nuur.
Sidiq, R. (2020). Implementasi Metode Particle Swarm Optimization Dan Support Vector Machine Dalam Pemilihan Fitur Peringkasan Teks Otomatis. Bandung: Universitas Komputer Indonesia.
Deng, W., Yao, R., Zhao, H., Yang, X., & Li, G. (2018). A novel intelligent diagnosis method using optimal LS-SVM with improved PSO algorithm. https://doi.org/10.1007/s00500-017-2940-9.
Wu, T., Liu, C. C., & He, C. (2019). Fault Diagnosis of Bearings Based on KJADE and VNWOA-LSSVM Algorithm. Hindawi, 1-19.
Gao, S., Li, T., & Zhang, Y. (2019). Rolling Bearing Fault Diagnosis of PSO-LSSVM Based on CEEMD Entropy Fusion. Transactions of the Canadian Society for Mechanical Engineering, 1-19.
Asti, A. P., & Darwis, S. (2023). Deteksi Kerusakan Bearing Menggunakan Komponen Utama Kernel. Jurnal Riset Statistika, 19–26. https://doi.org/10.29313/jrs.v3i1.1771
