<![CDATA[Pompa sentrifugal adalah sebuah mesin fluida yang banyak digunakan di dunia industri yang dalam penggunaannya kerap terjadi kavitasi. Kavitasi berdampak pada penurunan performa pompa sehingga dapat mengganggu proses produksi. Oleh karena itu dibutuhkan metode deteksi kavitasi yang efektif dan akurat. Pada umumnya deteksi kavitasi berbasis sinyal getaran menggunakan analisis spektrum. Namun demikian metode tersebut tidak efektif kerena menghasilkan spektrum yang kontinyu dan tersebar pada bentang frekuensi lebar. Hal ini menyebabkan deteksi kavitasi yang berdasarkan pada peak amplitudo frekuensi karakteristik menjadi sulit dilakukan. Penelitian ini bertujuan mengembangkan metode deteksi kavitasi melalui pendekatan machine learning dengan algoritma decision trees berbasis sinyal getaran. Tidak seperti pada analisis spektrum, metode deteksi ini lebih efektif karena berdasarkan pada klasifikasi pola sinyal getaran dan lebih mudah digunakan karena memberikan status kavitasi atau non-kavitasi secara langsung. Sinyal getaran direkam dari sebuah akselerometer yang diletakkan pada tutup impeler pompa sentrifugal pada sebuah rig uji sistem perpipaan loop tertutup. Sembilan parameter statistik diekstrak dari domain waktu sinyal getaran kemudian digunakan sebagai input decision trees. Hasil penelitian menunjukkan bahwa decision trees dengan menggunakan parameter statistik terpilih, efektif mendeteksi empat status kondisi pompa dengan tingkat akurasi mencapai 97,2% sedangkan dalam perspektif mendeteksi antara kondisi non-kavitasi dan kavitasi akurasinya mencapai 100%.]]>
