DETEKSI KERUSAKAN MESIN FAN BOOSTER MELALUI EKSTRAKSI SUARA SHORT TIME FOURIER TRANSFORM MENGGUNAKAN PETRAINED DEEP CONVOLUTIONAL NEURAL NETWORK

NUGROHO, IRFAN EVI (2024) DETEKSI KERUSAKAN MESIN FAN BOOSTER MELALUI EKSTRAKSI SUARA SHORT TIME FOURIER TRANSFORM MENGGUNAKAN PETRAINED DEEP CONVOLUTIONAL NEURAL NETWORK. S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) 01 Cover.pdf Download (500kB) | Preview
	Text (BAB I) 02 Bab 1.pdf Restricted to Registered users only Download (37kB)
	Text (BAB II) 03 Bab 2.pdf Restricted to Registered users only Download (356kB)
	Text (BAB III) 04 Bab 3.pdf Restricted to Registered users only Download (135kB)
	Text (BAB IV) 05 Bab 4.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) 06 Bab 5.pdf Restricted to Registered users only Download (33kB)
	Text (DAFTAR PUSTAKA) 07 Daftar Pustaka.pdf Restricted to Registered users only Download (90kB)
	Text (LAMPIRAN) 08 Lampiran.pdf Restricted to Registered users only Download (206kB)

Abstract

This study aims to develop a method for detecting damage to fan booster machines using sound feature extraction based on Short Time Fourier Transform (STFT) and pretrained deep convolutional neural network (DCNN). The main problem faced in machine maintenance is the early detection of breakdowns, which can lead to increased reliability and availability of the system. The proposed fault detection method uses STFT to generate a representation of the spectrogram feature of the fan booster machine's sound signal, which is then incorporated into the previously studied DCNN for damage classification. The research methodology involved collecting normal and problematic fan booster machine sound data, feature extraction using STFT, DCNN training on training data, and performance testing on test data that had never been seen before. The experimental results show that the proposed approach can detect damage to the fan booster machine with a good validation accuracy rate of 99.73%. Thus, this research makes a significant contribution to the development of sound-based early detection technology of engine damage to improve predictive maintenance performance. Keywords: Short Time Fourier Transform (STFT), Pretrained Deep Convolutional Neural Network (DCNN), Spectrogram Feature Representation, Damage Classification, Performance Testing, Sensitivity and Specificity Penelitian ini bertujuan untuk mengembangkan metode deteksi kerusakan pada mesin fan booster menggunakan ekstraksi fitur suara berbasis Short Time Fourier Transform (STFT) dan jaringan saraf konvolusi mendalam (deep convolutional neural network/DCNN) yang telah dilatih sebelumnya (pretrained). Masalah utama yang dihadapi dalam pemeliharaan mesin adalah deteksi dini kerusakan, yang dapat mengarah pada peningkatan keandalan dan ketersediaan sistem. Metode deteksi kerusakan yang diajukan menggunakan STFT untuk menghasilkan representasi fitur spektrogram dari sinyal suara mesin fan booster, yang kemudian dimasukkan ke dalam DCNN yang telah dipelajari sebelumnya untuk klasifikasi kerusakan. Metodologi penelitian melibatkan pengumpulan data suara mesin fan booster yang normal dan bermasalah, ekstraksi fitur menggunakan STFT, pelatihan DCNN pada data latih, dan pengujian kinerja pada data uji yang tidak pernah dilihat sebelumnya. Hasil eksperimen menunjukkan bahwa pendekatan yang diusulkan dapat mendeteksi kerusakan pada mesin fan booster dengan tingkat akurasi validasi yang baik yaitu 99.73%. Dengan demikian, penelitian ini memberikan kontribusi signifikan dalam pengembangan teknologi deteksi dini kerusakan mesin berbasis suara untuk meningkatkan kinerja pemeliharaan prediktif. Kata Kunci : Short Time Fourier Transform (STFT), Pretrained Deep Convolutional Neural Network (DCNN), Representasi Fitur Spektrogram, KlasifikasiKerusakan, Pengujian Kinerja, Sensitivitas dan Spesifisitas

Item Type:	Thesis (S1)
Call Number CD:	FT/MSN. 24 124
NIM/NIDN Creators:	41319110021
Uncontrolled Keywords:	Short Time Fourier Transform (STFT), Pretrained Deep Convolutional Neural Network (DCNN), Representasi Fitur Spektrogram, KlasifikasiKerusakan, Pengujian Kinerja, Sensitivitas dan Spesifisitas
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 006 Special Computer Methods/Metode Komputer Tertentu > 006.3 Artificial Intelligence/Kecerdasan Buatan > 006.32 Neural Nets (Neural Network)/Jaringan Saraf Buatan 600 Technology/Teknologi > 620 Engineering and Applied Operations/Ilmu Teknik dan operasi Terapan > 621 Applied Physics/Fisika terapan > 621.8 Machine Engineering, Machinery/Teknik Mesin 600 Technology/Teknologi > 680 Manufacture For Specific Uses/Industri Pembuatan produk untuk penggunaan tertentu > 681 Precision Instruments/Produksi Instrumen Presisi > 681.2 Testing, Measuring, Sensing Instruments/Produksi Alat-alat untuk Tes, Pengujian dan Sensor
Divisions:	Fakultas Teknik > Teknik Mesin
Depositing User:	khalimah
Date Deposited:	21 Sep 2024 08:42
Last Modified:	21 Sep 2024 08:42
URI:	http://repository.mercubuana.ac.id/id/eprint/91678

Actions (login required)

View Item