DETEKSI ANOMALI PERGERAKAN ROBOT UR3e MENGGUNAKAN METODE HYBRID BIDIRECTIONAL LONG SHORTTERM MEMORY DAN CONVOLUTIONAL NEURAL NETWORK (CNN)

Kamila, Farahdina Intan
Muslim, Muhammad Aziz
Nusantoro, Goegoes Dwi

Jurnal Mahasiswa TEUB
Vol. 13 No. 3 (2025)

Anomali pada pergerakan robot dalam sistemotomasi industri dapat menyebabkan kerusakan perangkatdan mengganggu operasional. Penelitian ini mengusulkanmetode deteksi anomali pada robot UR3e menggunakanpendekatan hybrid Convolutional Neural Network (CNN)dan Bidirectional Long Short-Term Memory (Bi-LSTM).Dataset yang digunakan merupakan data IMU(akselerometer, giroskop, dan magnetometer) daripergerakan robot dalam kondisi normal dan anomali, yangkemudian diproses melalui normalisasi dan segmentasisliding window. Model dilatih menggunakan berbagaikombinasi hyperparameter yang dioptimalkan denganmetode Bayesian Optimization, Random Search, danHyperband. Hasil terbaik diperoleh melalui Hyperbanddengan akurasi 99,93%, precision 1.0, recall 0.9985, dan F1-score 0.9993. Pendekatan hybrid ini terbukti efektif dalammengenali anomali secara presisi dan efisien, serta berpotensibesar diimplementasikan dalam sistem monitoring robotsecara real-time.Kata kunci: Deteksi anomali, robot UR3e, CNN, Bi-LSTM,deep learning, Hyperparameter Tuning.