001 Hak Akses (open/membership)membership
700 Entri Tambahan Nama OrangFaiz Husnayain, supervisor; Aji Nur Widyanto, examiner; Ismi Rosyiana Fitri, examiner
336 Content Typetext (rdacontent)
264b Nama PenerbitFakultas Teknik Universitas Indonesia
710 Entri Tambahan Badan KorporasiUniversitas Indonesia. Fakultas Teknik
049 No. Barkod14-25-23581734
504 Catatan Bibliografipages 44-47
852 LokasiPerpustakaan UI
338 Carrier Typevolume (rdacarrier); online resource (rdacarrier)
590 Cat. Sumber Pengadaan KoleksiDeposit;Deposit
903 Stock Opname
534 Catatan Versi Asli
Tahun Buka Akses2025
053 No. Induk14-25-23581734
653 Kata Kuncipredictive maintenance; time series forecast; neural network
040 Sumber PengataloganLibUI ind rda
245 Judul UtamaRancangan sistem predictive maintenance berbasis data untuk motor listrik pada pabrik dengan State Space Time Series Forecasting dan LSTM-RNN = Design of a Data-Driven Predictive Maintenance System for factory electric motors using State Space Time Series Forecasting and LSTM-RNN
264c Tahun Terbit2025
650 Subyek TopikPredictive Maintenance System; Electric motors
850 Lembaga PemilikUniversitas Indonesia
520 Ringkasan/Abstrak/IntisariDewasa ini, diperlukan inovasi yang berkelanjutan dalam industri manufatur untuk meningkatkan keandalan dan ketahanan dari seluruh aspek industri manufaktur. Untuk memenuhi kebutuhan tersebut, sudah terdapat strategi seperti preventive maintenance dan corrective maintenance untuk memastikan bahwa peralatan-peralatan manufaktur dapat dapat bekerja secara terus-menerus tanpa gangguan. Namun, metode yang sudah ini bersifat statis sehingga tidak bisa digunakan untuk menghadapi perubahan kondisi yang dinamis untuk memprediksi kondisi di masa depan. Salah satu metode untuk menanggulangi kekurangan tersebut adalah predictive maintenance, yang bertujuan untuk mendeteksi kegagalan dan kerusakan peralatan sebelum kerusakan tersebut terjadi. Pada tugas akhir ini diajukan sebuah metode berbasis data untuk motor listrik pabrik, yang memanfaatkan teknik analisis data yaitu state space time series forecasting untuk memprediksi nilai pengukuran motor listrik, dan algoritma pembelajaran mesin LSTM-RNN untuk memprediksi Remaining Useful Lifetime (RUL) dari motor listrik. Metode yang digunakan pada tugas akhir ini didasarkan pada pengukuran akurasi prediksi (RMSE dam NRMSE) dari kedua metode tersebut, dan pertimbangan terhadap kecepatan komputasi serta praktikalitasnya. Hasilnya adalah metode time series forecasting dapat memberikan nilai RMSE sebesar 0,6 dengan wakti komputasi 6,44 detik, sedangkan LSTM-RNN memberikan nilai NRMSE sebesar 0,03 dalam waktu komputasi 7 menit. Kedua metode menunjukkan akurasi dan waktu komputasi yang menjanjikan untuk diterapkan sebagai solusi yang praktikal. ......In today's era, continuous innovation in the manufacturing industry is essential to improve the reliability and resilience of all aspects of manufacturing processes. To meet these demands, strategies such as preventive maintenance and corrective maintenance have been established to ensure that manufacturing equipment operates continuously without disruptions. However, these existing methods have a significant limitation: they are static and unable to adapt to dynamic changes in conditions or predict future states. One approach to address this limitation is predictive maintenance, which aims to detect equipment failures and malfunctions before they occur. This final project proposes a data-driven method for factory electric motors, leveraging data analysis techniques such as state space time series forecasting to predict electric motor measurement values, and the machine learning algorithm LSTM-RNN to predict the Remaining Useful Lifetime (RUL) of the electric motor. The methods employed in this study are evaluated based on prediction accuracy (using RMSE and NRMSE), computational speed, and practicality. The results indicate that the time series forecasting method achieves an RMSE of 0.6 with a computation time of 6.44 seconds, while the LSTM-RNN method achieves an NRMSE of 0.03 with a computation time of 7 minutes. Both methods demonstrate promising accuracy and computational efficiency, making them practical solutions for implementation.
904b Pemeriksa Lembar KerjaAa
090 No. Panggil SetempatS-pdf
d-Entri Utama Nama Orang
500 Catatan UmumTidak dapat diakses di UIANA, karena: akan diterbitkan pada Jurnal Nasional yaitu yang diprediksi akan dipublikasikan pada bulan tahun
337 Media Typeunmediated (rdacontent); computer (rdacontent)
d-Entri Tambahan Nama Orang
526 Catatan Informasi Program StudiTeknik Elektro
100 Entri Utama Nama OrangHilmy Aditara Januarizkiansa, author
264a Kota TerbitDepok
300 Deskripsi Fisikxi, 47 pages : illustrations + appendix
904a Pengisi Lembar KerjaAa
Akses Naskah Ringkas
856 Akses dan Lokasi Elektronik
502 Catatan Jenis KaryaSkripsi
041 Kode Bahasaind