Claim Missing Document
Check
Articles

Found 1 Documents
Search

Analisis Komparatif Prediksi Remaining Useful Life Mesin Turbofan Menggunakan XGBoost Dan Bi-LSTM Berbasis Explainable AI Andri Laksono; Majid Rahardi
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v13i5.9868

Abstract

Prediksi Remaining Useful Life (RUL) mesin turbofan merupakan permasalahan penting dalam pemeliharaan prediktif karena kompleksitas kondisi operasi dan pola degradasi dapat memengaruhi kinerja model secara berbeda. Selain itu, penelitian pada dataset C-MAPSS umumnya mengevaluasi subset secara terbatas dan belum banyak membandingkan model tree-based dan deep learning berbasis attention secara seragam serta menganalisis konsistensi interpretasi antar-metode Explainable Artificial Intelligence (XAI). Penelitian ini bertujuan membandingkan performa eXtreme Gradient Boosting (XGBoost) dan Bidirectional Long Short-Term Memory (Bi-LSTM) berbasis attention dalam memprediksi RUL mesin turbofan pada empat subset C-MAPSS serta menganalisis kontribusi sensor menggunakan XAI. Pendekatan meliputi pelabelan RUL piecewise-linear dengan ambang 125 siklus, normalisasi condition-aware untuk subset multi-kondisi FD002 dan FD004, serta segmentasi sliding window sepanjang 30 siklus untuk Bi-LSTM. Interpretasi model dilakukan menggunakan SHAP TreeExplainer untuk XGBoost dan Integrated Gradients untuk Bi-LSTM. Hasil menunjukkan bahwa Bi-LSTM mengungguli XGBoost pada tiga dari empat subset, yaitu FD001 dengan RMSE 15,35, FD002 dengan RMSE 27,92, dan FD003 dengan RMSE 17,33. Sebaliknya, XGBoost memberikan hasil lebih baik pada subset FD004 yang paling kompleks dengan RMSE 30,22 dibandingkan 33,40 pada Bi-LSTM. Analisis konsensus XAI menunjukkan kesepakatan 80% pada subset multi-kondisi dan 20% pada subset kondisi tunggal, sedangkan sensor Ps30, NRc, Nc, dan BPR teridentifikasi sebagai indikator degradasi yang konsisten. Kontribusi penelitian ini adalah menyediakan komparasi sistematis kedua paradigma model pada seluruh subset C-MAPSS serta analisis konsensus XAI untuk mengidentifikasi konsistensi kontribusi sensor terhadap prediksi RUL.