Article Per Year (5 Year)
p-Index From 2019 - 2024
0.92
P-Index
This Author published in this journals
All Journal Jurnal Riset Statistika Bandung Conference Series: Statistics STATISTIKA
Sutawanir Darwis
Statistika, Universitas Islam Bandung
Decision Sciences, Operations Research & Management Education Mathematics

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal%20Riset%20Statistika

 1 
Penerapan Metode K-Nearest Neighbors (kNN) pada Bearing Anggi Priliani Yulianto; Sutawanir Darwis
Jurnal Riset Statistika Volume 1, No. 1, Juli 2021, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (982.36 KB) | DOI: 10.29313/jrs.v1i1.16

Abstract

Abstract. Monitoring the condition of the engine is a top priority to avoid damage. To know the condition of the bearing, it is important to know the remaining useful life of the machine. In the IEEE PHM 2012 Prognostic Challenge platform provides real data related to accelerated bearing degradation carried out under constant operating conditions and online controlled variables of temperature and vibration (with horizontal and vertical accelerometers). In this platform, the data used is bearing2_3 data in the horizontal direction which has a duration of about 2 hours, calculated RMS every 1/10 second (2560 data). In this study machine learning based modeling will be done using the k-nearest neighbor (kNN) method to determine the prediction of RMS bearings. The kNN method is based on the classification of objects based on training data that is the closest distance to the object. kNN is a nonparametric machine learning algorithm which is a model that does not assume distribution. The advantage is that the class decision line produced by the model can be very flexible and very nonlinear. The smallest MSE value was obtained at k = 16 with MSE value = 0.157579. After getting the optimum k value, proceed with predicting a RMS of 97 lags and identifying bearing performance in several phases. Abstrak. Pemantauan kondisi mesin menjadi prioritas utama untuk menghindari adanya kerusakan. Untuk mengetahui kondisi bantalan, penting untuk mengetahui sisa masa manfaat dari mesin tersebut. Dalam platfrom IEEE PHM 2012 Prognostic Challenge ini menyediakan data nyata terkait dengan degradasi bantalan yang dipercepat yang dilakukan di bawah kondisi operasi konstan dan variabel yang dikendalikan secara online berupa suhu dan getaran (dengan akselerometer horizontal dan vertikal). Dalam platform ini, data yang digunakan adalah data bearing2_3 pada arah horizontal yang berdurasi sekitar 2 jam ini dihitung RMS setiap 1/10 detik (2560 data). Dalam penelitian ini akan dilakukan pemodelan berbasis machine learning menggunakan metode k-nearest neighbor (kNN) untuk mengetahui prediksi RMS bearing. Metode kNN didasarkan pada klasifikasi terhadap objek berdasarkan data pelatihan yang jaraknya paling dekat dengan objek tersebut. kNN merupakan salah satu algoritma pembelajaran mesin yang bersifat nonparametrik yakni model yang tidak mengasumsikan distribusi. Kelebihannya adalah garis keputusan kelas yang dihasilkan model tersebut bisa jadi sangat fleksibel dan sangat nonlinier. Nilai MSE terkecil diperoleh pada k = 16 dengan nilai MSE = 0,157579. Setelah mendapatkan nilai k optimum, dilanjutkan dengan memprediksi RMS sebanyak 97-lag serta mengidentifikasi performance kinerja bearing dalam beberapa fase.
Prediksi Sisa Umur Bearing Menggunakan Distribusi Weibull Uun Unaijah; Sutawanir Darwis
Jurnal Riset Statistika Volume 2, No. 1, Juli 2022, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (215.497 KB) | DOI: 10.29313/jrs.vi.909

Abstract

Abstract. The condition of the machine to avoid damage, the machine must always be monitored so that there is no decrease in operating time or unexpected damage to the machine. The condition of the health of the machine can detect, classify and predict future failures, it is very important in reducing operating and maintenance costs. There are several methods to analyze the life of the machine, one of which is the analysis using the Weibull distribution which can be used to estimate reliability, maintenance, and can be used to estimate damage. The data used in this study is secondary data obtained from the Intelligent Maintenance System (IMS), IEEE PHM 2012 through FEMTO-ST Institute storage and the Zhai Journal with the title Analysis of Time-to-Failure Data with Weibull Model in Product Life Cycle Management. Determine Time to Failure by determining the maximum value in each period. The results of data analysis from research conducted on the prediction of the remaining life of the bearing machine, it is found that the Weibull distribution can be used to analyze failure data using the smallest method based on the maximum probability and probability. However, in this case the method using the least squares method is more accurate than the maximum likelihood method. Abstrak. Pemantauan kondisi mesin untuk menghindari adanya kerusakan, mesin harus selalu dipantau agar tidak terjadi penurunan waktu operasi atau kerusakan pada mesin yang tak terduga. Kondisi dari kesehatan mesin dapat mendeteksi, mengklasifikasikan dan memperkirakan kerusakan yang akan datang, hal tersebut sangat penting dalam mengurangi biaya operasi dan pemeliharaan. Terdapat beberapa metode untuk menganalisis masa pakai mesin salah satunya analisis dengan menggunakan distribusi Weibull yang dapat digunakan untuk memperkirakan tentang persoalaan reliability, mantainability dan dapat digunakan untuk memperkirakan kerusakan bearing. Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari Intelligent Maintenance System (IMS), IEEE PHM 2012 melalui penyimpanan FEMTO-ST Institute dan Jurnal Zhai dengan judul Analysis of Time-to-Failure Data with Weibull Model in Product Life Cycle Management. Penentuan Time to Failure yaitu dengan menentukan nilai maksimum dalam setiap periode. Berdasarkan hasil analisis data dari penelitian yang dilakukan tentang prediksi sisa umur mesin bearing maka didapatkan bahwa distribusi Weibull dapat digunakan untuk menganalisis data waktu kegagalan dengan menggunakan estimasi metode kuadrat terkecil dan maksimum likelihood. Namun dalam hal ini metode dengan menggunakan metode kuadrat terkecil lebih akurat dibandingkan metode maksimum likelihood.
Co-Authors Achmad Widodo Anggi Priliani Yulianto Gimma Sefira Alamsya Nusar Hajarisman Rejeki Wulan Islamiyati Silvya Rahmatiara Putri Suliadi Uun Unaijah