Diagnosa Kesehatan Motor Induksi menggunakan CNNs 1D pada Sinyal Multimodal

Abstract

Penelitian ini mengambangkan model Convolutional Neural Networks (CNNs) 1D untuk mendiagnosa kondisi Kesehatan motor induksi menggunakan data multimodal dari sensor akselerometer, mikrofon dan temperature. Model ini dirancang untuk mempelajari pola kompleks dalam data domain waktu dan mengklasifikasikan kondisi motor induksi ke dalam 2 kategori : “Sehat” atau “Rusak”. Eksperimen dilakukan dengan menvariasikan kondisi data (Unloaded dan Loaded), rasio pembagian data training dan testing (50:50, 70:30, 80:20, 90:10), serta jumlah parameter epoch (50,100, 500, 1000). Hasil menunjukkan bahwa model mencapai akurasi yang bervariasi tergantung pada kondisi parameter tersebut. Pada kondisi Unloaded, akurasi tertinggi 89.10% dicapai pada rasio data 90:10 dan 50 epoch, sedangkan pada kondisi Loaded, akurasi tertinggi 87.20% dicapai pada rasio 50:50 dan 100 epoch. Secara umum, akurasi lebih tinggi pada kondisi Unloaded, yang mengindikasikan perbedaan karakteristik data. Penelitian ini menunjukkan potensi CNNs 1D dalam diagnosis motor induksi. Namun penelitian lebih lanjut diperlukan untuk meningkatkan kinerja dan generalisasi model.