DIAGNOSA KERUSAKAN BEARING MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS (PCA) DAN NAÏVE BAYES CLASSIFIER

Abstract

Penelitian ini membahas tentang penggunaan data mining untuk mendiagnosa kerusakan yang terjadi pada bearing. Bearing merupakan salah satu komponen penting dalam mesin-mesin industri. Bearing berfungsi untuk mengurangi gesekan pada mesin atau komponen-komponen yang bergerak dan saling menekan antara satu dengan yang lainnya. Diagnosis kerusakan ini dapat menghindari terjadinya kerugian dan kerusakan komponen lain pada suatu mesin. Tahapan penelitian dimulai dengan prapemrosesan data menggunakan transformasi wavelet diskret, esktraksi fitur, reduksi fitur menggunakan PCA (Principal Component Analysis) dan proses klasifikasi menggunakan metode klasifikasi Naïve Bayes. Naïve Bayes adalah metode klasifikasi yang berdasarkan probabilitas dan Teorema Bayesian. Hasil penggunaan metode ini menunjukkan bahwa klasifikasi Naïve Bayes memiliki performa yang cukup bagus terlihat dari akurasi yang dihasilkan dari setiap data yang diuji. Kata kunci: Data mining, Diagnosa kerusakan, PCA, Klasifikasi Naïve Bayes This research was discussed about the usage of data mining which addressed for bearing fault diagnosis. Bearing was one of the essential parts in industry machinery. Bearing was used to reduce machines frictions or could be a moving component which oppressed each other. This fault diagnosis can avoid loss and damage of other machines components. This research was started with data preprocessing using wavelet discrete transformation, feature extraction, feature reduction using Principal Component Analysis (PCA), and classification process using Naïve Bayes classifier methods. Naïve Bayes Classifier is a classification method which based on probability and Bayesian theorem. Output of these method shows that Naïve Bayes classification have a good performance which shown by a good accuracy in each data test. Keyword: Data mining, Fault diagnosis, PCA, Naïve Bayes classification