TY  - THES
KW  - machine learning
KW  -  predictive maintenance
KW  -  compressor failure
prediction
KW  -  early warning system
Y1  - 2025/06/17/
AV  - restricted
PB  - Fakultas Teknik Universitas Sultan Ageng Tirtayasa
N2  - 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 Rē 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.
M1  - masters
UR  - https://eprints.untirta.ac.id/50609/
EP  - 176
TI  - MODEL PREDIKSI DAN SISTEM PERINGATAN DINI PENURUNAN 
KINERJA KOMPRESOR BERBASIS MACHINELEARNING
A1  - Hermawan, Galih Prihasetya
ID  - eprintuntirta50609
ER  -