Article Sidebar

Download
PDF

Main Article Content

Abstract

Kerusakan bearing menjadi salah satu penyebab dominan kegagalan pada motor elektrik di lingkungan industri, sehingga deteksi dini kondisi anomali menjadi kebutuhan penting dalam strategi predictive maintenance. Penelitian ini bertujuan membandingkan kemampuan tiga metode deteksi anomali, yaitu Isolation Forest, Autoencoder, dan Z-score, dalam mengidentifikasi kondisi anomali pada sinyal vibrasi bearing motor. Penelitian menggunakan dataset Case Western Reserve University (CWRU) yang berisi 2300 sampel dengan sembilan fitur statistik domain waktu (max, min, mean, standard deviation, RMS, skewness, kurtosis, crest factor, dan form factor) dari sepuluh kondisi bearing, terdiri dari satu kondisi normal dan sembilan jenis kerusakan dengan variasi lokasi dan tingkat keparahan. Ketiga model dilatih hanya menggunakan data kondisi normal, kemudian diuji pada keseluruhan data untuk mengevaluasi kemampuan deteksi terhadap kondisi anomali. Hasil pengujian menunjukkan Z-score mencapai accuracy 0,9961 dan F1-score 0,9978, Isolation Forest mencapai accuracy 0,9900 dan F1-score 0,9945, sedangkan Autoencoder mencapai accuracy 0,8600 dan F1-score 0,9167 dengan recall terendah di antara ketiga metode (0,8556). Temuan ini menunjukkan bahwa metode statistik sederhana dapat memberikan performa setara atau lebih baik dibandingkan metode berbasis deep learning pada kasus fitur domain waktu yang memiliki separabilitas tinggi antarkondisi. Hasil penelitian ini dapat menjadi pertimbangan dalam pemilihan metode deteksi anomali untuk sistem pemantauan kondisi motor elektrik berbasis machine learning.

Keywords

anomaly detection autoencoder bearing isolation forest predictive maintenance

Article Details

License

Copyright (c) 2026 Dzaky Rinaldi, Indri Purwita Sary

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

References

  1. E. R. Naufal, G. Priyandoko, and F. Hunaini, “Klasterisasi Kerusakan Bearing Motor Induksi 3 Fasa Menggunakan Metode Transformasi Wavelet Diskrit dan K-Medoids,” ELKHA: Jurnal Teknik Elektro, vol. 12, no. 2, pp. 54–61, 2020, doi: 10.26418/elkha.v12i2.41511.
  2. W. S. Alfira WS, “Analisis Predictive Maintenance pada Motor High Pressure Oil Pump (HP Oil Pump) dengan Monitoring Vibrasi di PLTU Barru,” Jurnal Media Elektrik, vol. 20, no. 2, pp. 14–19, 2023. [Online]. Available: https://ojs.unm.ac.id/mediaelektrik/article/view/45235
  3. Z. Umari and J. Supardi, “Deteksi Anomali Sinyal Vibrasi pada Mesin Industri Menggunakan Autoencoder di PT. Pusri Palembang,” Jurnal Pendidikan dan Teknologi Indonesia, vol. 4, no. 12, pp. 737–746, 2024, doi: 10.52436/1.jpti.553.
  4. R. Amanda, E. Helmud, and C. Kirana, “Deteksi Anomali Polusi Udara Menggunakan Algoritma Isolation Forest tanpa Label pada Dataset Kualitas Udara Torino,” Jurnal Pendidikan dan Teknologi Indonesia, vol. 5, no. 9, pp. 2719–2729, 2025, doi: 10.52436/1.jpti.950.
  5. P. R. Sihombing, S. Suryadiningrat, D. A. Sunarjo, and Y. P. A. C. Yuda, “Identifikasi Data Outlier (Pencilan) dan Kenormalan Data Pada Data Univariat serta Alternatif Penyelesaiannya,” Jurnal Ekonomi dan Statistik Indonesia, vol. 2, no. 3, pp. 307–316, 2022. [Online]. Available: https://jurnaljesi.com/index.php/jurnaljesi/article/view/112
  6. S. Zhang, F. Ye, B. Wang, and T. G. Habetler, “Semi-Supervised Learning of Bearing Anomaly Detection via Deep Variational Autoencoders,” arXiv preprint arXiv:1912.01096, 2019.
  7. O. Das, D. Bagci Das, and D. Birant, “Machine Learning for Fault Analysis in Rotating Machinery: A Comprehensive Review,” Heliyon, vol. 9, no. 6, p. e17584, 2023, doi: 10.1016/j.heliyon.2023.e17584.
  8. A. Ambarwari, Q. J. Adrian, and Y. Herdiyeni, “Analisis Pengaruh Data Scaling Terhadap Performa Algoritma Machine Learning untuk Identifikasi Tanaman,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 4, no. 1, pp. 117–122, 2020. [Online]. Available: https://jurnal.iaii.or.id/index.php/RESTI/article/view/1517
  9. D. K. Riyanto, P. Asri, and A. T. Nugraha, “Monitoring Akselerasi Getaran dan Suhu Motor Induksi,” Elektriese: Jurnal Sains dan Teknologi Elektro, vol. 11, no. 1, pp. 33–39, 2022. [Online]. Available: https://jurnal.itscience.org/index.php/elektriese/article/view/1626
  10. V. Jorry, Z.-S. Duma, T. Sihvonen, S.-P. Reinikainen, and L. Roininen, "Statistical batch-based bearing fault detection," Journal of Mathematics in Industry, vol. 15, art. 4, 2025, doi: 10.1186/s13362-025-00169-w.
  11. N. A. Mohammed, O. F. Abdulateef, and A. H. Hamad, "An IoT and Machine Learning-Based Predictive Maintenance System for Electrical Motors," Journal Européen des Systèmes Automatisés, vol. 56, no. 4, pp. 651–656, 2023, doi: 10.18280/jesa.560414.
  12. T. Smolen and L. Benova, "Comparing Autoencoder and Isolation Forest in Network Anomaly Detection," in 2023 33rd Conference of Open Innovations Association (FRUCT), 2023.
  13. brjapon, “CWRU Bearing Datasets,” Kaggle. [Online]. Available: https://www.kaggle.com/datasets/brjapon/cwru-bearing-datasets