Hermawan, Galih Prihasetya (2025) MODEL PREDIKSI DAN SISTEM PERINGATAN DINI PENURUNAN KINERJA KOMPRESOR BERBASIS MACHINELEARNING. Master thesis, Fakultas Teknik Universitas Sultan Ageng Tirtayasa.
![[img]](https://eprints.untirta.ac.id/style/images/fileicons/text.png) |
Text (Fulltext)
Galih Prihasetya Hermawan_7787230023_Fulltext.pdf Restricted to Registered users only Download (8MB) | Request a copy |
|
Text (BAB 1)
Galih Prihasetya Hermawan_7787230023_01.pdf Restricted to Registered users only Download (2MB) | Request a copy |
|
Text (BAB 2)
Galih Prihasetya Hermawan_7787230023_02.pdf Restricted to Registered users only Download (978kB) | Request a copy |
|
Text (BAB 3)
Galih Prihasetya Hermawan_7787230023_03.pdf Restricted to Registered users only Download (386kB) | Request a copy |
|
Text (BAB 4)
Galih Prihasetya Hermawan_7787230023_04.pdf Restricted to Registered users only Download (3MB) | Request a copy |
|
Text (BAB 5)
Galih Prihasetya Hermawan_7787230023_05.pdf Restricted to Registered users only Download (101kB) | Request a copy |
|
Text (DAFTAR REFERENSI)
Galih Prihasetya Hermawan_7787230023_Ref.pdf Restricted to Registered users only Download (156kB) | Request a copy |
|
Text (LAMPIRAN)
Galih Prihasetya Hermawan_7787230023_Lamp.pdf Restricted to Registered users only Download (1MB) | Request a copy |
|
Text (CEK PLAGIASI)
Galih Prihasetya Hermawan_7787230023_CP.pdf Restricted to Registered users only Download (21MB) | Request a copy |
Abstract
Di era industri 4.0, efisiensi operasional dan keandalan peralatan menjadi kunci untuk menjaga kontinuitas produksi dan keselamatan kerja, terutama pada kompresor yang beroperasi di lingkungan korosif. Penelitian ini bertujuan untuk mengevaluasi performa algoritma machine learning XGBoost, Random Forest, dan Support Vector Regression (SVR) dalam membangun model prediksi kegagalan kompresor berbasis data sensor serta mengembangkan sistem early detection warning. Metode yang digunakan mencakup preprocessing data sensor, analisis korelasi, normalisasi, serta penerapan dan validasi model dengan teknik cross validation dan uji statistik residual. Hasil penelitian menunjukkan bahwa XGBoost adalah model terbaik dengan nilai R² 0.984. Sistem peringatan dini berbasis analisis residual dan 3-sigma rule berhasil membedakan tiga tingkat keparahan potensi kegagalan kompresor, dengan rekomendasi tindakan yang sesuai. Pendekatan ini dapat meningkatkan keandalan operasional dan mendukung implementasi predictive maintenance yang lebih efisien, khususnya pada kompresor di lingkungan korosif.
| Item Type: | Thesis (Master) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Contributors: |
|
|||||||||
| Uncontrolled Keywords: | machine learning, predictive maintenance, compressor failure prediction, early warning system | |||||||||
| Subjects: | H Social Sciences > HD Industries. Land use. Labor H Social Sciences > HD Industries. Land use. Labor > HD28 Management. Industrial Management Q Science > QA Mathematics T Technology > T Technology (General) T Technology > TJ Mechanical engineering and machinery |
|||||||||
| Divisions: | 03-Fakultas Teknik > 26201-Jurusan Teknik Industri | |||||||||
| Depositing User: | Mr Galih Prihasetya Hermawan | |||||||||
| Date Deposited: | 07 Jul 2025 08:43 | |||||||||
| Last Modified: | 07 Jul 2025 08:43 | |||||||||
| URI: | http://eprints.untirta.ac.id/id/eprint/50609 |
Actions (login required)
 |
View Item |