KLASIFIKASI JENIS KEGAGALAN MESIN MENGGUNAKAN HYPERPARAMETER TUNNING SVM DAN LOGISTIC REGRESSION

Ibnu Alfarobi; Sofian Wirahadi; Kudiantoro Widianto

doi:10.52362/jisamar.v7i3.771

Ibnu Alfarobi Universitas Bina Sarana Informatika
Sofian Wirahadi Universitas Bina Sarana Informatika
Kudiantoro Widianto Universitas Bina Sarana Informatika

DOI: https://doi.org/10.52362/jisamar.v7i3.771

Abstract

kegagalan peralatan atau mesin dari suatu proses manufaktur sering mengakibatkan kerugian finansial yang besar bagi bisnis. Berdasarkan tingkat jenis kegagalan mesin, model dengan penurunan kinerja adalah sama untuk berbagai jenis tetapi akan berbeda untuk faktor manusia, mesin dan lingkungan. Dengan mengevaluasi efek dan penanganan yang berbeda, menjadi sangat penting untuk dapat memprediksi faktor – faktor yang menentukan jenis kegagalan mesin. Dengan memanfaatkan model machine learning, pengklasifikasi diharapkan mampu memprediksi suatu jenis kegagalan dari mesin. Pada penelitian ini, memaksimalkan untuk mendapatkan hasil model dengan memanfaatkan hyerparameter yang di tuning pada algoritma Support Vector Machine dan Logistic Regression. Metode penanganan data seperti teknik Smote dan data preprocessing lainnya digunakan. Model menghasilkan perbedaan tingkat akurasi yang cukup besar yaitu 23%. Sehingga dapat disimpulkan model dengan menggunakan algoritma SVM bisa lebih baik dalam memprediksi jenis kegagalan mesin pada tingkat keakuratan sebesar 90% dibandingkan dengan model menggunakan algoritma Logistic Regression yang hanya menghasilkan keakuratan sebesar 67%.

Downloads

Download data is not yet available.

References

[1] A. Bousdekis, D. Apostolou, and G. Mentzas, “Predictive Maintenance in the 4th Industrial Revolution: Benefits, Business Opportunities, and Managerial Implications,” IEEE Eng. Manag. Rev., vol. 48, no. 1, pp. 57–62, 2020.
[2] S. Keartland and T. L. Van Zyl, “Automating predictive maintenance using oil analysis and machine learning,” 2020 Int. SAUPEC/RobMech/PRASA Conf. SAUPEC/RobMech/PRASA 2020, 2020.
[3] J. Yan, Z. Zhang, L. Xie, and Z. Zhu, “A unified framework for decision tree on continuous attributes,” IEEE Access, vol. 7, pp. 11924–11933, 2019.
[4] K. Y. Nazara, “Perancangan Smart Predictive Maintenance untuk Mesin Produksi,” Semin. Nas. Off. Stat., vol. 2022, no. 1, pp. 691–702, 2022.
[5] I. Irmawati, K. Widianto, F. Aziz, A. Rifai, and A. Rahmawati, “Implementasi artificial neural network dalam mendeteksi penyakit hati (liver),” J. Inf. Syst. Applied, Manag. Account. Res., vol. 6, no. 1, pp. 193–198, 2022.
[6] Y. Alkhalifi, A. Fazriansyah, M. S. Azis, and K. Widianto, “Deep learning untuk pendeteksian penyakit kanker payudara dengan optimasi Adam,” vol. 7, no. 1, pp. 124–136, 2023.
[7] A. Desiani, M. Akbar, Irmeilyana, and A. Amran, “Implementasi Algoritma Naïve Bayes dan Support Vector Machine ( SVM ) Pada Klasifikasi Penyakit Kardiovaskular,” J. Tek. Elektro dan Komputasi, vol. 4, no. 2, pp. 207–214, 2022.
[8] H. Rianto and R. S. Wahono, “Resampling Logistic Regression untuk Penanganan Ketidakseimbangan Class pada Prediksi Cacat Software,” J. Softw. Eng., vol. 1, no. 1, pp. 46–53, 2015.
[9] W. Feng, W. Huang, and W. Bao, “Imbalanced Hyperspectral Image Classification with an Adaptive Ensemble Method Based on SMOTE and Rotation Forest with Differentiated Sampling Rates,” IEEE Geosci. Remote Sens. Lett., vol. 16, no. 12, pp. 1879–1883, 2019.
[10] B. Jonathan, P. H. Putra, and Y. Ruldeviyani, “Observation Imbalanced Data Text to Predict Users Selling Products on Female Daily with SMOTE, Tomek, and SMOTE-Tomek,” Proc. - 2020 IEEE Int. Conf. Ind. 4.0, Artif. Intell. Commun. Technol. IAICT 2020, pp. 81–85, 2020.
[11] F. Y. Pamuji, S. Dwi, and A. Putri, “Komparasi Metode SMOTE dan ADASYN Untuk Penanganan Data Tidak Seimbang MultiClass,” pp. 331–338, 2021.