PENERAPAN METODE SUPPORT VECTOR MACHINE PADA MACHINE LEARNING UNTUK PREDIKSI KEGAGALAN MESIN MELALUI STRATEGI PREDICTIVE MAINTENANCE

Kuncoro, Bimo Jati and Suseno, Suseno (2025) PENERAPAN METODE SUPPORT VECTOR MACHINE PADA MACHINE LEARNING UNTUK PREDIKSI KEGAGALAN MESIN MELALUI STRATEGI PREDICTIVE MAINTENANCE. Tugas Akhir thesis, University of Technology Yogyakarta.

Text 5210611096 BIMO JATI KUNCORO_ABSTRAK.pdf Download (201kB)

Abstract

Abstrak Deteksi kegagalan mesin secara akurat memungkinkan produsen untuk mengidentifikasi potensi kerusakan dalam proses produksi guna menghindari downtime yang disebabkan oleh keausan alat yang tidak terduga atau kualitas benda kerja yang tidak dapat diterima. Penelitian ini memanfaatkan Dataset dari UCI Machine Learning Repository untuk memprediksi kegagalan mesin dan mengkategorikannya. Studi ini memiliki dua tujuan utama, yaitu mengksplorasai serta mengimplementasikan algoritma Support Vector Machine SVM pada machine learning dalam prediksi kegagalan mesin dan mengembangkan menjadi sebuah sistem berbasis web. Hasil dari implementasi algoritma Support Vector Machine (SVM) pada klasifikasi biner menunjukan peforma mencapai precision 0,960086 dan recall 0,920848 untuk kelas 0 (non-failure), serta precision 0,923918 dan recall 0,961698 untuk kelas 1 (failure) dengan F1-score di atas 0.93, untuk kedua kelas, serta nilai MCC sebesar 0.8833 yang mengindikasikan korelasi kuat antara prediksi dan label aktual. Pada klasifikasi multi-class menunjukan peforma yang sangat baik dengan akurasi, precision, recalldan F1-score mencapai 1 pada masing masing kelas. Penelitian ini menyimpulkan bahwa machine learning dapat diterapkan secara efektif dalam predictive maintenance. Kata Kunci: Predictive Maintenance, Machine Learning, Support Vector Machine (SVM) Abstract Accurate machine failure detection enables manufacturers to identify potential damage in the production process to avoid downtime caused by unexpected tool wear or unacceptable work piece quality. This study utilizes a dataset from the UCI Machine Learning Repository to predict and categorize machine failures. This study has two main objectives, namely exploring and implementing the Support Vector Machine SVM algorithm in machine learning in predicting machine failures and developing it into a web-based system. The results of the implementation of the Support Vector Machine (SVM) algorithm in binary classification show a precision of 0.960086 and a recall of 0.920848 for class 0 (non-failure), and a precision of 0.923918 and a recall of 0.961698 for class 1 (failure), with an F1-score above 0.93 for both classes, and an MCC value of 0.8833. The results indicate a strong correlation between predictions and actual labels. Multi-class classification demonstrates excellent performance, with accuracy, precision, recall, and an F1-score reaching 1 for each class. This study concludes that machine learning can be effectively applied in predictive maintenance. Keywords: Predictive Maintenance, Machine Learning, Support Vector Machine (SVM)

Item Type:	Thesis (Skripsi, Tugas Akhir or Kerja Praktek) (Tugas Akhir)
Subjects:	T Technology > TS Manufactures
Divisions:	Fakultas Sains dan Teknologi > S1 Teknik Industri
Depositing User:	Kaprodi S1 Teknik Industri UTY
Date Deposited:	31 Dec 2025 02:39
Last Modified:	31 Dec 2025 02:39
URI:	http://eprints.uty.ac.id/id/eprint/19584

Actions (login required)

View Item