Pemodelan Survival Menggunakan Support Vector Regression (SVR) pada Data Vibrasi Bearing
Abstract
Abstract. Machine health condition is a priority for a company. Prognostic health machines that are used to improve the condition of the engine in the future and predict the time needed before damage to the machine. The analysis used for machine health analysis is survival analysis and Support Vector Regression (SVR). This paper discusses the application of survival analysis and Support Vector Regression (SVR) on bearing vibration data. Survival analysis that will be used is Kaplan-Meier Estimation and Probability Density Function (PDF). The data used in this study uses Vibration Data from FEMTO ST-Institute. Vibration data is converted into RMS value form then converted to time-to-failure data by providing a limit failure using Threshold 1. Time-to-failure data is applied to Kaplan-Meier survival analysis and PDF Estimation, while the average of the two survival analysis is used as a target vector in the SVR. From the results of the SVR equation using the Gaussian RBF Kernel function with  value of 98.72% and 97.96% for testing data.
Keywords: Vibration bearing, Kaplan-Meier Estimation, PDF Estimation, Support Vector Regression (SVR).
Abstrak. Kondisi Kesahatan mesin merupakan prioritas utama bagi sebuah perusahaan. Prognostik pada kesehatan mesin digunakan untuk mengamati kondisi mesin di masa depan dan memprediksi waktu yang tersisa sebelum kerusakan terjadi pada mesin tersebut. Salah satu analisis yang digunakan untuk prognostik pada kesehatan mesin adalah analisis survival dan Support Vector Regression (SVR). Makalah ini membahas penerapan analisis survival dan Support Vector Regression (SVR) pada data vibrasi bearing. Analisis survival yang akan digunakan adalah Estimasi Kaplan-Meier dan Estimasi Probability Density Function (PDF). Data yang digunakan dalam penelitian ini menggunakan Data Vibrasi dari FEMTO ST-Institute. Data vibrasi diubah kedalam bentuk nilai RMS kemudian diubah menjadi data time-to-failure dengan memberikan batas failure menggunakan Threshold 1. Data time-to-failure diaplikasikan kedalam analisis survival Kaplan-Meier dan Estimasi PDF, dimana rata-rata dari kedua analisis survival tersebut digunakan sebagai target vektor pada SVR. Dari hasil persamaan SVR menggunakan fungsi Kernel Gaussian RBF diperoleh nilai  sebesar 98.72% untuk data training dan 97.96% untuk data testing.
Kata Kunci: Vibrasi bearing, Estimasi Kaplan-Meier, Estimasi PDF, Support Vector Regression (SVR).
Keywords
References
Ayuningtyas, N.P. (2018). Prediksi Failure Degradation dengan Metode Support Vector Regression (SVR). Skripsi ini tidak dipublikasikan. Bandung: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Bandung.
Collect, D. (2003). Modelling Survival Data in Medical Research, 3rd Edition. London: Taylor and Francis Group.
Kaplan, E.L., dan Meier, P. (1958). Nonparametric Estimation from Incomplete Observations. Journal of the American Statistical Association, 53, 457-481.
Kleinbaum, D.G dan Klein. (2012). Survival Analysis – A Self-Learning Text, 3rd Edition. New York: Spinger.
Niemann, G. (1981). Elemen Mesin. Terjemahan oleh Anton Budiman dan Bambang Priambodo (1982). Jakarta: Penerbit Erlangga.
Santoso, B. (2007). Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.
Septiningrum, dkk. (2015). Prediksi Indeks Harga Saham Gabungan menggunakan Support Vector Regression (SVR) dengan Algoritma Grid Search. Jurnal Gaussian Volume 4 Halaman 315-321. Semarang: Universitas Dipenogoro.
Shigley, J.E dan Mitchell, L,D. (1983). Perencanaan Teknik Mesin, Edisi ke-4. Terjemahan oleh Gandhi Harahap (1984). Jakarta: Penerbit Erlangga.
Smola, A.J. dan Scholkopf, B. (2003). A Tutorial on Support Vector Regression. Technical Report, Neurocolt.
Sularso, K.S. (1997). Dasar Perencanaan dan Pemilihan Elemen Mesin. Jakarta: Pradnya Paramita.
Widodo, A. dan Yang, B.S. (2011). Machine Health Prognostics using Survival Probability and Support Vector Machine (SVR). Expert Systems with Applications, 8430-8437.
DOI: http://dx.doi.org/10.29313/.v0i0.19593
