Prediksi Sisa Umur Bearing Menggunakan Distribusi Weibull

Unaijah, Uun; Darwis, Sutawanir

doi:10.29313/jrs.vi.909

Cited by 2 publications

(2 citation statements)

References 2 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Kemudian menghitung nilai komponen utama untuk data testing dengan menggunakan didapatkan nilai komponen utama dari nilai eigen : Hotelling T 2 Melalui Komponen Utama Kernel Hotelling T 2 dapat digunakan untuk mendeteksi bearing rusak pada data proses multivariat. Hipotesis Pengujian yang digunakan yaitu: H0: Tidak terjadi kerusakan pada bearing, dan untuk H1: Terjadi kerusakan pada bearing [10]. Sedangkan untuk statistik uji untuk tiap-tiap pengamatan, yaitu:…”

Section: Data Trainingunclassified

Deteksi Kerusakan Bearing Menggunakan Komponen Utama Kernel

Asti,

Sutawanir Darwis

2023

JRS

View full text Add to dashboard Cite

Abstract. Various factors can cause bearing damage, this is a major problem because it can cause substansial losses and affect production schedules. It is recommended to control bearing damage in order to provide early information about the damage. The method used in this paper is Hotelling T2 through Kernel Principal Component Analysis(KPCA). The principal component of kernel used to construct Hotelling T2 statistics in order to obtain T2 statistical values for detection bearing damage. The purpose of this paper is to apply KPCA as a statistic to use normal and damaged bearing. Data from NASA Bearing Dataset that contains normal bearing and damage bearing. Data divided into 1153 data for training and 323 data for testing. In this paper, 8 features are used as input for KPCA, reduced to 6 kernel principal component. Training data can obtained eigenvalue as input Hotelling T2, testing is used to detect bearings condition. Bearings are detected to damaged when T2 > 12.6939 with a significance level of 5%, from 323 training data 294 observations detected as damaged bearings and 29 observations detected as normal bearings. After conducting research, KPCA method can use to detect bearing damage. Abstrak. Berbagai faktor dapat menyebabkan kerusakan bearing, hal ini merupakan masalah utama karena dapat menyebabkan kerugian cukup besar dan mempengaruhi jadwal produksi. Dianjurkan mengontrol kerusakan bearing agar dapat memberikan informasi awal kerusakan bearing. Metode digunakan dalam penelitian Hotelling T2 melalui komponen utama kernel. Komponen utama kernel digunakan untuk mengkontruksi statistik Hotelling T2 sehingga diperoleh nilai statistik T2 untuk deteksi kerusakan bearing. Tujuan penelitian adalah menerapkan komponen utama kernel sebagai statistik untuk menggunakan Hotelling T2 bearing normal dan bearing rusak. Data sekunder NASA Bearing Dataset berisikan data bearing normal serta data bearing rusak. Proses deteksi bearing melalui komponen utama kernel dibagi menjadi data training sebanyak 1153 data sedangkan data testing sebanyak 323 data. Berdasarkan hasil penelitian, 8 fitur dijadikan sebagai input komponen utama kernel, direduksi menjadi enam komponen utama kernel. Menggunakan data training diperoleh nilai eigen sebagai input Hotelling T2, data testing digunakan untuk mendeteksi kondisi bearing. Bearing terdeteksi rusak ketika statistik T2 > 12.6939. Dengan taraf signifikansi 5 %, didapatkan sebanyak 294 data pengamatan dari 323 terdeteksi merupakan bearing rusak sedangkan sisanya 29 data pengamatan terdeteksi merupakan bearing normal. Setelah dilakukan penelitian metode komponen utama kernel layak digunakan untuk mendeteksi kerusakan bearing.

show abstract

Section: Data Trainingunclassified

Deteksi Kerusakan Bearing Menggunakan Komponen Utama Kernel

Asti,

Sutawanir Darwis

2023

JRS

View full text Add to dashboard Cite

show abstract

“…Diagram kendali dapat dibedakan menjadi dua jenis yaitu variabel dan atribut. Diagram kendali variabel digunakan ketika tipe datanya kontinu seperti rata-rata, rentang, dan standar deviasi, sedangkan untuk diagram kendali atribut digunakan untuk tipe data diskrit seperti jumlah kerusakan, proporsi jumlah cacat (2). Diagram kendali digunakan sebagai alat pengendalian manajemen untuk mencapai tujuan tertentu dengan kualitas proses.…”

Section: Aunclassified

Diagram Kendali Poisson Progressive Mean (PPM) dalam Pengendalian Kualitas Produksi Kemasan Minyak Goreng di PT. XY

Nur Ramadlan,

Teti Sofia Yanti

2023

BCSS

View full text Add to dashboard Cite

Abstract. In the current modern era, the need for quality products has become an important criterion for consumers when purchasing a product, as the increasing competition in a product market demands companies to produce high-quality products. Quality control is necessary in the production process. Process capability is a quality control technique aimed at estimating the capability of a production process. Statistical quality control can be achieved using control charts, which are diagrams that represent observations of a production process over a specific period of time with Upper Control Limits (UCL) and Lower Control Limits (LCL) that define the pattern of dispersion. Control charts are used to quickly identify products experiencing defects. Control charts are divided into two types: attribute and variable. Attribute control charts are used for discrete data types, such as the number of defects in a product. In real-life situations, there are many cases where monitoring statistical control processes involves attribute data derived from quality characteristics that cannot be measured numerically or quantitatively. To address this type of data, there is a method used for monitoring Poisson processes called the Progressive Mean Attribute Poisson Control Chart (PPM). This research was conducted to examine how much and how quickly the detection of defective products occurred in the production of packaged cooking oil at PT. XY in 2017 using the PPM control chart. After analyzing the PPM control chart, it was concluded that the performance of this control chart was good because it could detect a significant number of data points that were out of control or in an unstable state. Abstrak. Di era modern saat ini, kebutuhan akan produk yang berkualitas menjadi ukuran penting bagi konsumen dalam membeli sebuah produk, karena semakin banyaknya persaingan pada suatu produk membuat perusahaan diminta untuk menghasilkan suau produk yang berkualitas. Pengendalian kualitas perlu dilakukan dalam suatu proses produksi. Kapabilitas proses merupakan sebuah teknik pengendalian kualitas yang bertujuan untuk memperkirakan kemampuan suatu proses produksi. Pegendalian kulitas secara statistik yang dapat digunakan yaitu diagram kendali, diagram kendali merupakan suatu diagram yang menggambarkan pengamatan suatu prosess produksi dalam periode waktu tertentu dengan Batas Kendali Atas (BKA) dan Batas Kendali Bawah (BKB) yang mengatur pola penyebaran. Diagram kendali ini dilakukan dengan tujuan dapat mengidentifikasi secepat mungkin pada produk yang mengalami kerusakan. Diagram kendali dibagi menjadi dua jenis yaitu atribut dan variabel, diagram kendali atribut digunakan untuk tipe data diskrit seperti jumlah kerusakan pada suatu produk. Dalam kehidupan nyata, ada banyak situasi di mana pemantauan proses pengendalian statistik melibatkan data atribut yang berasal dari karakteristik kualitas yang tidak dapat diukur secara numerik atau kuantitatif. Untuk mengatasi jenis data tersebut, terdapat metode yang dapat digunakan untuk pemantauan proses poisson yang disebut diagram kendali atribut Poisson progressive Mean (PPM). Penilitian ini dilakukan untuk melihat seberapa cepat mendeteksi proses produk cacat pada produksi kemasan minyak goreng di PT. XY 2017. Setelah melakukan analisis pada diagram kendali PPM ini diperoleh kesimpulan bahwa kinerja pada diagram kendali ini sudah baik karena dapat mendeteksi banyaknya data yang out of control atau dalam keadaan tidak terkendali.

show abstract

Prediksi Sisa Umur Bearing Menggunakan Distribusi Weibull

Cited by 2 publications

References 2 publications

Deteksi Kerusakan Bearing Menggunakan Komponen Utama Kernel

Deteksi Kerusakan Bearing Menggunakan Komponen Utama Kernel

Diagram Kendali Poisson Progressive Mean (PPM) dalam Pengendalian Kualitas Produksi Kemasan Minyak Goreng di PT. XY

Contact Info

Product

Resources

About