Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal ALINIER: Journal of Artificial Intelligence & Applications
Adistra Shanda Syahputi
Unknown Affiliation
Automotive Engineering Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Monitoring Bearing Motor Induksi Pada Variasi Noise Menggunakan Pengolahan Sinyal FFT Adistra Shanda Syahputi; Moch Iqbal Widjaya Ash Siddiq; Belly Yan Dewantara; Iradiratu Diah Prahmana Karyatanti; Muhammad Dzikri Akbar Bahtiar
ALINIER: Journal of Artificial Intelligence & Applications Vol. 5 No. 1 (2024): ALINIER Journal of Artificial Intelligence & Applications
Publisher : Program Studi Teknik Elektro S1 ITN Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/alinier.v5i1.5104

Abstract

Motor induksi memiliki berbagai keunggulan dibandingkan dengan motor listrik jenis yang lain karena kontruksinya yang sederhana, handal dan berharga murah. Meskipun memiliki konstruksi yang kuat, bukan berarti motor induksi tidak pernah mengalami kerusakan. Kerusakan bagian motor yang sering terjadi adalah kerusakan bearing. Fault diagnosis (FD) secara kontinue diperlukan untuk mengantisipasi terjadinya kerusakan lebih parah, menjaga keandalan, menekan biaya perawatan, dan tindakan perawatan tepat waktu. Kebisingan lingkungan tidak dapat dihindari dari lokasi motor, sehingga pada penelitian ini FD akan diuji pada beberapa tingkat kebisingan lingkungan. Penelitian ini mengusulkan pengembangan FD elemen bearing dengan teknik non-invasive berdasarkan sinyal suara dengan mempertimbangkan pengaruh kebisingan lingkungan. Filtering sinyal suara harus dilakukan dengan cermat agar hasil deteksi tidak diragukan. Band-pass filter diterapkan untuk memberikan informasi frekuensi resonansi yang menggambarkan kondisi elemen bearing. Data analisis dan feature extraction menggunakan pendekatan fast fourier transform dan analisis spectrum. FD yang dikembangkan berupa hardware yang dirancang menggunakan Raspberry pi dengan software Phyton. Pengembangan ini menawarkan FD yang real-time dimana sinyal suara langsung diproses sehingga hasil diagnosis dapat ditampilkan di LCD. Signifikasi hasil penelitian adalah menawarkan sistem monitoring kondisi motor dengan hardware yang dikembangkan sehingga hasil deteksi lebih cepat, mudah, murah, dan akurasi tinggi meskipun ada pengaruh kebisingan lingkungan. Dengan metode yang diusulkan mendapatkan akurasi deteksi sebesar 95.58%.
Pengolahan Sinyal Suara Menggunakan Transformasi Wavelet Untuk Monitoring Kondsi Bearing Motor Induksi Adistra Shanda Syahputi; Johan Prasetya; Muhammad Dzikri Akbar Bahtiar
ALINIER: Journal of Artificial Intelligence & Applications Vol. 5 No. 2 (2024): ALINIER Journal of Artificial Intelligence & Applications
Publisher : Program Studi Teknik Elektro S1 ITN Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/alinier.v5i2.10003

Abstract

Motor induksi adalah jenis motor listrik yang banyak digunakan dibandingkan jenis motor lain. Bearing adalah komponen utama motor untuk membantu shaft berputar. Bagian motor ini sering mengalami kerusakan sehingga mengganggu operasional motor. Motor induksi akan mengalami panas berlebih, noise, percikan bunga api, bahkan menyebabkan motor induksi berhenti berputar. Oleh karena itu diperlukan tool yang bertugas memonitong kondisi bearing dengan tujuan meningkatkan performa mesin, mengurangi biaya perawatan dan menjaga keandalan. Penelitian ini memberikan solusi monitoring kondisi bearing dengan teknik non-invasive menggunakan sinyal suara. Suara yang keluar dari operasional mesin diolah menggunakan algoritma wavelet agar sinyal suara dalam domain waktu dapat dianalisis karakteristiknya. Karakteristik sinyal suara akan memberikan informasi yang relevan terhadap kondisi bearing. Dari analisis energi rata-rata yang diperoleh dari dekomposisi wavelet didapatkan bahwa algortima ini memberikan persentase keberhasilan diagnosa sebesar 52,71%.
Co-Authors Belly Yan Dewantara Iradiratu Diah Prahmana Karyatanti Johan Prasetya Moch Iqbal Widjaya Ash Siddiq Muhammad Dzikri Akbar Bahtiar