Prediksi Remaining Useful Life (RUL) Mesin Turbofan Menggunakan LSTM Berbasis Asymmetric Scoring Function pada Dataset NASA C-MAPSS FD001

Melkianus Reda, Marcellino (2026) Prediksi Remaining Useful Life (RUL) Mesin Turbofan Menggunakan LSTM Berbasis Asymmetric Scoring Function pada Dataset NASA C-MAPSS FD001. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (628kB)
	PDF BAB_I.pdf Download (216kB)
	PDF BAB_II.pdf Download (413kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (474kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (215kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (214kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (686kB)
	Archive (ZIP) 00000082284_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Remaining Useful Life (RUL) merupakan parameter penting dalam Predictive Maintenance untuk memperkirakan sisa umur operasional mesin turbofan sebelum mengalami kegagalan. Ketergantungan temporal pada data sensor deret waktu menyebabkan model konvensional yang mengasumsikan independensi antar data kesulitan menangkap pola degradasi mesin secara akurat. Selain itu, evaluasi performa model dengan metrik simetris seperti Root Mean Square Error (RMSE) dinilai kurang memadai karena tidak mempertimbangkan risiko asimetris, di mana prediksi yang terlalu optimistis (overestimate) berisiko menyebabkan keterlambatan tindakan pemeliharaan. Penelitian ini bertujuan membangun dan mengevaluasi model Single-Layer Long Short-Term Memory (LSTM) untuk memprediksi RUL mesin turbofan pada dataset NASA C-MAPSS FD001, serta membandingkan kinerjanya dengan tiga model pembanding, yaitu Random Forest (RF), Support Vector Regression (SVR), dan Multi-Layer Perceptron (MLP). Target RUL dilabeli menggunakan pendekatan Piece-wise Linear Degradation dengan RULmax = 125, dan seluruh model dilatih menggunakan asymmetric loss function yang mengadopsi prinsip penalti Scoring Function (SF) C-MAPSS. Hasil penelitian menunjukkan bahwa model Single-Layer LSTM memperoleh nilai RMSE sebesar 13,95 dan SF sebesar 243,20, mengungguli MLP (SF 266,20), SVR (SF 294,60), dan RF (SF 318,30) pada metrik SF, meskipun RMSE MLP (13,60) sedikit lebih rendah dibandingkan LSTM. Hal ini menunjukkan bahwa kemampuan LSTM dalam memodelkan dependensi temporal melalui mekanisme cell state dan gating menghasilkan prediksi yang lebih aman dari sisi risiko operasional dibandingkan model yang memproses fitur secara statis, sehingga lebih sesuai untuk konteks prediksi RUL yang berorientasi pada mitigasi risiko.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Melkianus Reda, Marcellino (00000082284)
Contributors:	Kurniawan, Vincentius (0308079501)
Keywords:	Remaining Useful Life, Long Short-Term Memory, Asymmetric Loss, Scoring Function, NASA C-MAPSS, Predictive Maintenance
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 12:18
URI:	https://kc.umn.ac.id/id/eprint/48454

Actions (login required)

View Item