Optimasi Parameter Support Vector Machine menggunakan Particle Swarm Optimization untuk Bearing Fault Diagnosis

Abstract

Abstract. To assist industrial activities in generating power, humans create components that are developed through machines. One of the key elements that plays an important role in the process of a shaft rotation movement on the machine is the bearing. Given their widespread use, bearing vibration components can predict machine breakdowns or forecast indicators by leveraging forecasting models to diagnose bearings before failure occurs. One of the popular methods used for forecasting machine failure is the Support Vector Machine (SVM) which was introduced by Cortes and Vapnik in 1995 to overcome the problem of dividing two conflicting groups when demonstrating superiority in nonlinear small sample pattern recognition. SVM is optimized by incorporating Particle Swarm Optimization (PSO). The advantage of the PSO method is that it is able to produce accuracy values that are more precise and accurate than other mathematical algorithms and heuristic techniques (Pambudi, Wihandika, & Putri, 2019). Untuk membantu aktivitas industri dalam menghasilkan tenaga, manusia menciptakan komponen yang dikembangkan melalui mesin. Salah satu bagian elemen kunci yang berperan penting dalam proses suatu gerakan putaran poros pada mesin adalah bearing. Mengingat penggunaannya yang luas, komponen getaran bearing dapat memprediksi kerusakan mesin atau indikator peramalan dengan memanfaatkan model peramalan untuk mendiagnosis bearing sebelum terjadinya kerusakan. Salah satu metode yang populer digunakan untuk peramalan pada kerusakan mesin adalah Support Vector Machine (SVM) yang diperkenalkan oleh Cortes dan Vapnik pada tahun 1995 untuk mengatasi masalah pembagian dua kelompok yang saling bertentangan saat menunjukkan keunggulan dalam pengenalan pola sampel kecil nonlinier.SVM dioptimalkan dengan menggabungkan Particle Swarm Optimization (PSO). Kelebihan dari metode PSO ini adalah mampu menghasilkan nilai akurasi lebih tepat dan cermat daripada algoritma matematika dan teknik heuristik yang lain (Pambudi, Wihandika, & Putri, 2019). Pada Analisis data bearing CWRU, hasil akurasi yang didapat dengan menggunakan algoritma SVM lebih unggul daripada hasil akurasi yang didapat dengan menggunakan PSO.