SKRIPSI UJI KOMPARASI MULTI LAYER PERCEPTRON (MLP), SUPPORT VECTOR MACHINE (SVM), DAN K-NEAREST NEIGHBOR (KNN) PADA SISTEM KLASIFIKASI VIBRASI BANTALAN | PERPUSTAKAAN UNTIDAR : Repositori Mahasiswa Untidar

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

Text

SKRIPSI UJI KOMPARASI MULTI LAYER PERCEPTRON (MLP), SUPPORT VECTOR MACHINE (SVM), DAN K-NEAREST NEIGHBOR (KNN) PADA SISTEM KLASIFIKASI VIBRASI BANTALAN

SITI FATIMATUZZAHRO - Nama Orang;

INTISARI
Bantalan merupakan salah satu komponen penting pada mesin yang berfungsi untuk menumpu poros dan mengurangi gaya gesek. Peran penting bantalan menjadikan bantalan harus selalu dipantau kondisinya agar tidak mengalami kerusakan yang mempengaruhi mesin. Seiring dengan perkembangan teknologi, pemantauan bantalan dapat dilakukan dengan menerapkan machine learning untuk memprediksi kerusakan dengan mengklasifikasikan vibrasi yang dihasilkan bantalan. Pada penelitian ini akan menerapkan beberapa algoritma machine learning untuk mengklasifikasikan vibrasi bantalan diantaranya Multi Layer Perceptron (MLP), Support Vector Machine (SVM), dan K-Nearest Neigbor (KNN). Ketiga algoritma tersebut akan dibandingkan dan dianalisis untuk mengetahui algoritma manakah yang paling optimal dalam mengklasifikasikan vibrasi bantalan. Algoritma optimal adalah algoritma yang akurasi modelnya>70% dan memiliki akurasi paling tinggi ketika diujikan pada data baru. Hasil dari penelitian ini didapatkan akurasi model dan data baru SVM yaitu 99,88% dan 98%; akurasi model dan data baru MLP yaitu 99,86% dan 92,5%; serta akurasi KNN yaitu 99,77% dan 95,5%. Berdasarkan perbandingan hasil akurasi yang didapatkan, maka SVM adalah algoritma paling optimal untuk mengklasifikasikan vibrasi bantalan karena selain akurasi model dan akurasi data baru yang dihasilkan merupakan akurasi tertinggi, selisih akurasi model dengan data barunya paling sedikit yaitu 1,88% dibandingkan MLP yaitu 7,36% dan KNN yaitu 4,27%.
Kata Kunci – bantalan, KNN, MLP, SVM, vibrasi

Ketersediaan

55-UN57.U1-STE-XII-2022 ELEKTRO FAT U 2022 Ruang Skripsi (TEKNIK ELEKTRO) Tersedia namun tidak untuk dipinjamkan - No Loan

Informasi Detail

Judul Seri: -
No. Panggil: ELEKTRO FAT U 2022
Penerbit: MAGELANG : UNIVERSITAS TIDAR., 2022
Deskripsi Fisik: XIV;160HAL;29.5CM
Bahasa: Indonesia
ISBN/ISSN: -
Klasifikasi: 621.38
Tipe Isi: -
Tipe Media: -
Tipe Pembawa: -
Edisi: -
Subjek: PRODI_S1_TEKNIK_ELEKTRO
Info Detail Spesifik: -
Pernyataan Tanggungjawab: -

Versi lain/terkait

Tidak tersedia versi lain

Lampiran Berkas

HALAMAN ROMAWI, BAB I, BAB II, BAB III

Komentar

Anda harus masuk sebelum memberikan komentar