<![CDATA[Dalam sistem pemeliharaan prediktif, ketidakseimbangan kelas seringkali memengaruhi kinerja model pembelajaran mesin, terutama dalam mendeteksi kondisi mesin yang tidak sehat. Penelitian ini mengusulkan strategi relabeling menggunakan algoritma K-Means clustering untuk mengatasi ketidakseimbangan kelas pada prediksi kesehatan mesin diesel. Dataset yang digunakan terdiri dari enam parameter operasional (RPM mesin, tekanan oli, tekanan bahan bakar, tekanan pendingin, suhu oli, dan suhu pendingin), yang diproses melalui tahap pembersihan data, analisis korelasi, serta penyesuaian distribusi label dengan memindahkan sebagian data dari kelas mayoritas ke minoritas. Dua model prediksi dikembangkan: Support Vector Machine (SVM) dengan kernel RBF dan Sigmoid, serta Back Propagation Neural Network (BPNN) dengan arsitektur [3 3 1] dan fungsi aktivasi satlins. Hasil evaluasi menunjukkan bahwa proses relabeling meningkatkan akurasi model secara signifikan dari 72,30% menjadi 91,93%. Model BPNN memberikan kinerja terbaik dengan akurasi 94,21%, melampaui model SVM maupun studi acuan sebelumnya. Pendekatan ini menunjukkan efektivitas dalam meningkatkan keandalan prediksi melalui distribusi data yang lebih seimbang, khususnya untuk mendeteksi kerusakan mesin.]]>
Copyrights © 2025
