JURNAL TEKNIK POMITS Vol. 1, No.

1, (2014) 1-6

Analisis Vibrasi untuk Klasifikasi Kerusakan

Motor di PT Petrokimia Gresik Menggunakan
Fast Fourier Transform dan Neural Network
Nirma Priatama, Dimas Anton Asfani, I Made Yulistya Negara
Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia
e.mail: nirma.priatama10@mhs.ee.its.ac.id, dimas@ee.its.ac.id, yulistya@ee.its.ac.id
AbstrakPada studi ini data vibrasi motor dari PT
Petrokimia Gresik dianalisis untuk diklasifikasikan jenis
kerusakan motor yang terjadi menggunakan Fast Fourier
Transform (FFT) dan neural network. Data sinyal vibrasi motor
diubah ke dalam domain frekuensi menggunakan FFT, sehingga
didapat data amplitudo spektrum vibrasi tiap jenis kerusakan
yang dijadikan sebagai input neural network. Neural network
digunakan untuk mengklasifikasikan jenis kerusakan motor ke
dalam lima kondisi, yaitu normal, unbalance, misalignment,
looseness, dan kerusakan anti-friction bearing. Neural network
yang dirancang diuji dengan 10 data vibrasi motor dengan jenis
kerusakan yang berbeda. Tingkat ketepatan neural network
dalam mengklasifikasikan jenis kerusakan mencapai 100%.
Kata Kunci analisis vibrasi, fast fourier transform, klasifikasi
kerusakan motor, neural network.

I.

PENDAHULUAN

otor listrik merupakan salah satu komponen penting

dalam proses industri, tak terkecuali di PT Petrokimia
Gresik. Jika motor mengalami kerusakan maka proses
produksi dapat terganggu dan dapat menyebabkan kerugian
ekonomis [1]. Oleh karena itu, PT Petrokimia Gresik
menerapkan sistem pemeliharaan prediktif pada motor dengan
pemantauan vibrasi.
Data pengukuran vibrasi dapat digunakan untuk mengenali
kerusakan yang terjadi pada motor [2]. Identifikasi kerusakan
motor dilakukan dengan menganalisis spektrum vibrasi yang
memiliki karakteristik berbeda pada tiap jenis kerusakan [3].
Analisis vibrasi dapat dilakukan dalam domain waktu maupun
dalam domain frekuensi. Analisis domain waktu memberikan
gambaran fisik vibrasi yang asli namun secara praktis sulit
dianalisis jika sinyal vibrasi kompleks. Sebaliknya dengan
analisis domain frekuensi, amplitudo dan frekuensi spektrum
vibrasi dapat diidentifikasi, sehingga diperoleh informasi yang
lebih rinci untuk mengenali kerusakan motor [4]. Salah satu
metode untuk mengubah sinyal vibrasi dari domain waktu ke
domain frekuensi adalah dengan Fast Fourier Transform
(FFT) [5].
Jenis kerusakan yang terjadi pada motor dapat dikenali
secara langsung oleh operator dengan melihat spektrum
vibrasi hasil pengukuran. Namun jika jumlah data vibrasi
motor yang akan diperiksa banyak maka proses pengenalan
jenis kerusakan akan memakan waktu yang lama [6]. Untuk
mengenali jenis kerusakan pada beberapa data vibrasi motor

secara cepat digunakan neural network [7]. Neural network

adalah salah satu kecerdasan buatan yang memiliki
kemampuan untuk mengidentifikasi suatu data melalui proses
penalaran yang sistematis sehingga dapat dimanfaatkan untuk
klasifikasi kerusakan motor [6].
Pada studi ini data vibrasi motor dari PT Petrokimia Gresik
dianalisis untuk diklasifikasikan jenis kerusakan motor yang
terjadi menggunakan Fast Fourier Transform (FFT) dan neural
network. Data sinyal vibrasi motor diubah ke domain
frekuensi menggunakan FFT, sehingga didapat data spektrum
vibrasi tiap jenis kerusakan motor. Data spektrum vibrasi hasil
FFT terdiri dari data frekuensi dan data amplitudo. Data
amplitudo spektrum vibrasi dijadikan sebagai input neural
network. Neural network digunakan untuk mengklasifikasikan
jenis kerusakan motor ke dalam lima kondisi, yaitu normal,
unbalance, misalignment, looseness, dan kerusakan antifriction bearing.
II. METODE KLASIFIKASI KERUSAKAN MOTOR Data
sinyal vibrasi motor yang didapat dari PT Petrokimia
Gresik dianalisis untuk menentukan spesifikasi FFT yang
digunakan, antara lain jumlah sampel data, waktu sampling,
dan frekuensi sampling. Data spektrum vibrasi hasil
transformasi FFT kemudian dianalisis kembali untuk
menentukan arsitektur neural network. Arsitektur neural
network yang dirancang meliputi jumlah neuron pada input
layer, jumlah neuron pada output layer, serta jumlah neuron
pada hidden layer.
A. Spesifikasi FFT [5]
Spesifikasi sinyal vibrasi dari PT Petrokimia Gresik yang
dijadikan sebagai masukan FFT dihitung sebagai berikut :
Jumlah sampel data (N) = 1024
Waktu sampling (T) = 60 ms = 0.06 s
N
Frekuensi sampling (Fs) = T

1024 = 17000 Hz

(1)

0.06

Sedangkan spesifikasi spektrum keluaran FFT dihitung

sebagai berikut :
Fs 17000
Frekuensi maksimum
)= 2 =
= 8500 Hz (2)
2
(Fmax
1024
Jumlah spectral lines =

N
2

= 512

(3)

Resolusi frekuensi (dF) =

Fs

= 16.6
= 17000
N
1024

(4)

Data spektrum vibrasi keluaran FFT yang diperoleh terdiri

dari 513 spectral lines, termasuk 1 spectral line komponen DC
(frekuensi yang bernilai nol).
B. Pengelompokan Data Spektrum Vibrasi
Untuk membedakan antara spektrum vibrasi motor normal
dan motor yang mengalami kerusakan, digunakan acuan batas
RMS velocity vibrasi dari standar ISO-10816-1 [3] pada
Gambar 1. Sedangkan karakteristik spektrum vibrasi pada tiap
kondisi motor ditunjukkan pada Tabel 1 [4].

Gambar 1. Standar Vibrasi Motor ISO-10816-1

Tabel 1.
Karakteristik Spektrum Vibrasi Motor
Kondisi

Karakteristik Spektrum
Vibrasi

Normal

Unbalance

Misalignment

Data Target Neural Network

Looseness

Kerusaka
n Antifriction
Bearing

Nilai
Amplitu
do yang
Semua nilai
amplitudo
tidak tinggi,
di bawah
4.5 mm/s

Pada 1x
frekuensi
putaran
motor

Pada 1x
dan 2x
frekuensi
putaran
motor
Antara 1x
hingga 6x
frekuensi
putaran
motor
Pada
frekuensi
tinggi.
Bukan
merupakan
fungsi dari
putaran

C. Pembagian Data Training dan Data Testing

Untuk melakukan klasifikasi dengan neural network,
diperlukan dua macam data input, yaitu data training (data
pelatihan) dan data testing (data pengujian) [8]. Data vibrasi
motor yang didapat dari PT Petrokimia Gresik total ada 30
buah. Pembagian data training dan data testing dilakukan
dengan persentase 80% dan 20%. Untuk meningkatkan
akurasi neural network data training ditambah 20 buah
menggunakan metode fungsi distribusi normal. Data training
baru ini dihitung dari rata-rata deviasi data lama. Jumlah data
training dan data testing untuk tiap kondisi motor ditunjukkan
pada Tabel 2.
D. Spesifikasi Neural Network
Data spektrum vibrasi yang dijadikan input neural network
adalah data amplitudo. Tiap data amplitudo terdiri dari 513
elemen nilai, sehingga jumlah neuron pada input layer adalah
513 unit.
Target klasifikasi neural network adalah lima macam
kondisi motor, yaitu normal, unbalance, misalignment,
looseness dan kerusakan anti-friction bearing. Kelima macam
kondisi motor ini diwakili oleh matriks target yang tiap
elemennya bernilai 0 atau 1 [9]. Rincian data target neural
network dapat dilihat pada Tabel 3.
Jumlah hidden layer yang digunakan ada dua buah.
Pemilihan jumlah neuron pada hidden layer dilakukan dengan
melatih neural network menggunakan beberapa variasi jumlah
neuron. Kombinasi jumlah neuron untuk tiap hidden layer
dipilih antara 8 hingga 20 unit. Dari hasil pelatihan dicari nilai
MSE (Mean Squared Error) yang paling kecil. Kombinasi
jumlah neuron yang menghasilkan MSE paling kecil
kemudian diterapkan pada neural network untuk sistem
klasifikasi. Hasil MSE pelatihan neural network dengan
variasi jumlah neuron pada hidden layer diperlihatkan dalam
Tabel 4 dan Gambar 2.
Tabel 2.
Jumlah Data Training dan Data Testing
Kondisi

Data Training

Data Testing

Normal

Unbalance

Misalignment

Looseness

Kerusakan bearing

40

10

Total Data

Tabel 3.
Kondisi

Kela
s

Matriks Target
T1

T2

T3

T4

T5

Normal

Unbalance

Misalignment

Looseness

Kerusakan
bearing

Tabel 4.
Hasil MSE Pelatihan Neural Network dengan Variasi Jumlah Neuron
Jumlah neuron pada hidden layer kedua
8
Ju
ml
ah
ne
ur
on
pa
da
hi
dd
en
la
ye
r
pe
rt
a

10

11

12

13

14

15

16

17

18

19

20

0.016
4
0.005

0.00
27
0.04

0.00
43
0.00

0.01
71
0.01

0.00
99
0.00

0.02
45
0.00

0.09
17
0.00

0.11
55
0.01

0.05
27
0.03

0.06
04
0.00

0.01
22
0.01

0.00
46
0.00

1
1
11

0.010
0.004
40.016

0.02
0.00
44
0.03

0.00
11
0.00
06
0.00
16
0.04
80
0.00

0.00
0.00
75
0.01

0.01
0.03
04
0.00

0.06
0.00
49
0.00

0.01
0.00
78
0.00

0.01
0.05
68
0.01

0.01
0.00
92
0.00

0.00
0.05
20
0.01

0.00
0.02
05
0.06

0.00
0.00
69
0.01

0.01
0.00
89
0.02

12
31

90.009
90.005

88
0.00
54
0.00

70
0.00
17
0.12

31
0.00
53
0.00

82
0.02
55
0.01

67
0.00
98
0.00

40
0.00
36
0.00

10
0.00
68
0.00

48
0.00
49
0.01

31
0.00
93
0.00

24
0.01
61
0.01

01
0.00
72
0.04

25
0.04
52
0.00

41
51

40.006
00.004

09
0.00
76
0.00

30
0.00
17
0.00

67
0.04
28
0.00

00
0.00
57
0.01

24
0.00
68
0.00

38
0.01
47
0.00

56
0.01
27
0.00

53
0.01
71
0.01

91
0.00
83
0.01

90
0.01
35
0.00

81
0.01
59
0.01

70
0.00
48
0.00

61
71

80.004
30.008

40
0.00
07
0.06

53
0.00
63
0.03

62
0.00
42
0.00

15
0.00
29
0.00

91
0.00
51
0.01

41
0.00
55
0.00

75
0.05
92
0.03

59
0.01
08
0.04

03
0.15
97
0.02

40
0.00
40
0.00

42
0.01
06
0.00

32
0.00
09
0.02

8
1

1
0.005

09
0.00

41
0.00

91
0.01

60
0.01

34
0.00

49
0.06

00
0.01

39
0.02

14
0.01

50
0.00

24
0.00

0.005

0.00

83
0.00
06
0.00
37

0.00

0.01

0.00

0.02

0.00

0.00

0.01

0.01

0.01

0.00

8
9

Tabel 5.
Spesifikasi Neural Network
data training = 40
Jumlah data input
buah data testing =
Input layer
513 neuron
hidden layer pertama = 9
Hidden layer
neuron hidden layer kedua =
Output layer
5 neuron
Fungsi aktivasi
sigmoid bipolar (tansig)
scaled conjugate
Fungsi pembelajaran
gradient
Iterasi maksimal
100
Normalisasi input
mapminmax
Pembagian data pelatihan
training = 85% ; validation = 15%

Gambar 2. Grafik Hasil MSE Pelatihan Neural Network dengan Variasi

Jumlah Neuron

Dari Tabel 4 diperoleh dua kombinasi jumlah neuron yang

menghasilkan nilai MSE terkecil yaitu 9-10 dan 19-10.
Ketiganya sama-sama menghasilkan MSE sebesar 0.0006.
Karena model neural network yang baik adalah model yang
parsimony (sederhana) [10], maka kombinasi jumlah neuron
yang dipilih adalah 9-10 atau 9 neuron pada hidden layer
pertama dan 10 neuron pada hidden layer kedua.
Neural network yang akan digunakan adalah jenis feedforward dengan fungsi pembelajaran scaled conjugate
gradient backpropagation (trainscg). Fungsi pembelajaran ini
dipilih agar proses pelatihan untuk jumlah data input yang
besar seperti pada sistem klasifikasi yang dirancang ini tidak
memakan waktu yang lama [11]. Fungsi aktivasi yang
digunakan adalah fungsi sigmoid bipolar (tansig).
Spesifikasi dan arsitektur neural network untuk sistem
klasifikasi kerusakan motor menggunakan data vibrasi
diperlihatkan pada Tabel 5 dan Gambar 3.

Gambar 3. Arsitektur Neural Network

III.HASIL PENGUJIAN DAN ANALISIS Pengujian sistem

klasifikasi kerusakan motor dilakukan
dengan memasukkan 10 data sinyal vibrasi testing. Epoh
pelatihan maksimum untuk pengujian ini sebanyak 100 iterasi.
Untuk menganalisis ketepatan hasil klasifikasi dapat dilihat
kembali karakteristik spektrum vibrasi motor pada Tabel 1
yang dijadikan sebagai referensi.

Waveform

Velocity (mm/s)

-5
0
Amplitudo (mm/s)

E. Kerusakan Anti-Friction Bearing

Putaran motor = 3000 RPM = 50 Hz

10

20

30
Waktu (ms)

40

50

1
0.5
0
0

100

150

200
250
300
Frekuensi (Hz)

350

400

450

500

HASIL KLASIFIKASI = NORMAL

-40
0

20

60
Waktu (ms)

40

80

100

120

Spektrum

15

Amplitudo (mm/s)

Velocity (mm/s)

0
-20

10
5
50

100

150

200
250
300
Frekuensi (Hz)

350

400

450

500

HASIL KLASIFIKASI = UNBALANCE

Gambar 5. Hasil uji klasifikasi data vibrasi motor C2212A

Waveform

20

Amplitudo (mm/s)

Velocity (mm/s)

C. Kondisi Misalignment
Putaran motor = 3000 RPM = 50 Hz

10

20

30
Waktu (ms)

40

50

60

Spektrum

10

5
0
0

50
100
150
200
250
300
Frekuensi (Hz)
HASIL KLASIFIKASI = MISALIGNMENT

350

400

450

500

Gambar 6. Hasil uji klasifikasi data vibrasi motor P1241B

Velocity (mm/s)

D. Kondisi Looseness
Putaran motor = 3000 RPM = 50 Hz
Waveform

20

10

20

30
Waktu (ms)

40

50

60

Spektrum

0
0

30
Waktu (ms)

40

50
100
150
200
250
300
Frekuensi (Hz)
HASIL KLASIFIKASI = LOOSENESS

50

60

Spektrum

200
400
600
800
1000
1200
1400
Frekuensi (Hz)
HASIL KLASIFIKASI = KERUSAKAN ANTI-FRICTION BEARING

1600

1800

2000

Terlihat pada spektrum Gambar 5 nilai amplitudo vibrasi

tinggi terjadi pada frekuensi 1x putaran motor (25 Hz).
Data sinyal vibrasi motor P1241B pada Gambar 6
diklasifikasikan secara tepat ke dalam kondisi misalignment.
Terlihat pada spektrum Gambar 6 nilai amplitudo vibrasi
tinggi terjadi pada frekuensi 2x putaran motor (100 Hz).
Data sinyal vibrasi motor P1207C pada Gambar 7
diklasifikasikan secara tepat ke dalam kondisi looseness.
Terlihat pada spektrum Gambar 7 nilai amplitudo vibrasi
tinggi terjadi pada frekuensi 1x, 3x, 4x, 5x, dan 6x putaran
motor yaitu pada 50 Hz, 150 Hz, 200 Hz, 250 Hz, dan 300 Hz.
Data sinyal vibrasi motor P2252B pada Gambar 8
diklasifikasikan secara tepat ke dalam kerusakan anti-friction
bearing. Terlihat pada spektrum Gambar 8 terjadi vibrasi pada
frekuensi tinggi yaitu pada frekuensi antara 1200 Hz hingga
1600 Hz yang bukan merupakan fungsi dari putaran motor.
F. Perhitungan MSE
MSE (Mean Squared Error) adalah nilai error kuadrat yang
dirata-rata dari suatu nilai yang diharapkan dengan suatu nilai
yang aktual terjadi [12]. Dalam perhitungan MSE untuk
klasifikasi, nilai yang diharapkan adalah nilai target,
sedangkan nilai yang aktual terjadi adalah nilai output. Nilai
MSE dari data target Ti dan output Yi untuk untuk sejumlah n
data dihitung dengan persamaan berikut :
(%) =

-20
0

20

Data sinyal vibrasi motor P951B pada Gambar 4

diklasifikasikan secara tepat ke dalam kondisi normal.
Dibuktikan dengan seluruh nilai amplitudo pada spektrum
vibrasi Gambar 4 besarnya di bawah 4.5 mm/s.
Data sinyal vibrasi motor pada C2212A pada Gambar 5
diklasifikasikan secara tepat ke dalam kondisi unbalance.

Waveform

20

Amplitudo (mm/s)

10

Gambar 8. Hasil uji klasifikasi data vibrasi motor P2252B

B. Kondisi Unbalance
Putaran motor = 1500 RPM = 25 Hz

-20
0

0
-20
0

0
0
50

Gambar 4. Hasil uji klasifikasi data vibrasi motor P951B

0
0

20

60

Spektrum

1.5

Waveform

40

Amplitudo (mm/s)

Velocity (mm/s)

A. Kondisi Normal
Putaran motor = 3000 RPM = 50 Hz

350

Gambar 7. Hasil uji klasifikasi data vibrasi motor P1207C

400

450

500

( )2 100%

(5)

=1
Dari hasil perhitungan nilai MSE untuk klasifikasi data
testing pada Tabel 6 terlihat bahwa tingkat error rata-rata
antara target yang diharapkan dengan output neural network
cukup kecil yaitu sebesar 5.86%. Hasil ini menunjukkan
bahwa sistem klasifikasi kerusakan motor yang dirancang
memiliki tingkat akurasi yang cukup baik.

Tabel 6.
Nilai MSE Untuk Tiap Data Testing

Tabel 7.
Confusion Matrix Data Training

Kelas Output

Kelas Target

10

Kondisi

Targ
et
1
0
0
Normal
0
0
1
0
0
Normal
0
0
0
1
0
Unbalance
0
0
0
1
0
Unbalance
0
0
0
0
1
Misalignment
0
0
0
0
1
Misalignment
0
0
0
0
0
Looseness
1
0
0
0
0
Looseness
1
0
0
0
Kerusakan
0
Anti0
Friction
1
Bearing
0
0
Kerusakan
0
Anti0
Friction
1
Bearing
MSE Rata-Rata

Outp
ut
0.55
5
0.02
9
0.31
4
0.21
8
0.06
70.61
-8
0.132
0.08
5
0.54
20.08
-7
0.241
0.94
-8
0.122
0.18
10.01
-2
0.090
0.79
-9
0.112
0.21
0
0.00
50.38
-3
0.015
0.83
-4
0.058
0.02
30.38
-1
0.005
0.85
-2
0.073
0.03
3
0.13
6
0.28
-3
0.234
0.67
60.04
7
0.48
60.00
-1
0.029
0.57
4
0.06
8
0.19
-6
0.146
0.17
-3
0.108
0.89
10.60
-0
0.389
0.36
-7
0.043
1.31
6

Erro
r
0.44
5
0.02
9
0.31
4
0.21
8
0.06
70.38
2
0.13
20.08
5
0.54
20.08
7
0.24
1
0.05
2
0.12
2
0.18
10.01
2
0.09
00.20
1
0.11
20.21
0
0.00
50.38
3
0.01
5
0.16
6
0.05
8
0.02
30.38
1
0.00
50.14
8
0.07
30.03
3
0.13
6
0.28
3
0.23
4
0.32
40.04
7
0.48
60.00
1
0.02
90.42
6
0.06
8
0.19
6
0.14
6
0.17
3
0.10
8
0.10
90.60
0
0.38
90.36
7
0.04
30.31
6

MSE
(%)

Nor
mal
8
Normal

6.992

Unbalan
ce

9.439

Misalignm
ent
Loosene
ss

2.174

0%

20%

0%

0%

0%

20%

0%

0%

0%

20
%
0

0
%
8

0%

0%

0%

20
%
100

Tot
al
100
%
0
%
100
%
0
%
100
%
0
%
100
%
0
%
100
%
0
%
100

20
%
0

0%
0
0%
0

Bearing

0%
100

Total

2.100

0%

Unbala
nce
0

Misalignm
ent
0

Loose
ness
0

Beari
ng
0

0%

0%

0%

0
%
0
0
%
0
0
%
0

100

100%

100

0%

0%

0%

0
%

0
%

Tabel 8.
Confusion Matrix Data Testing
Kelas Target

3.574
Nor
mal
2
Normal

3.471
Unbalan
ce

5.215

8.467

Kelas Output

D
a

Misalignm
ent
Loosenes
s

0%

20%

0%

0%

0%

20%

0%

0%

0%

0
%
2
20
%
100

Tot
al
100
%
0
%
100
%
0
%
100
%
0
%
100
%
0
%
100
%
0
%
100

0
%

0
%

20
%
0

0%
0
0%
0

Bearing

0%
100

Total

0%

Unbala
nce
0

Misalignm
ent
0

Loose
ness
0

Beari
ng
0

0%

0%

0%

0
%
0

20
%
0

0%

0%

0%

100

100%

100

0%

0%

0%

2.266

14.964

5.866

G. Analisis Confusion Matrix

Confusion matrix adalah suatu matriks yang menampilkan
hasil klasifikasi ke dalam kelas target dan kelas output disertai
dengan persentase hasil klasifikasi yang benar dan yang salah.
Kolom confusion matrix menunjukkan kelas target, sedangkan
baris confusion matrix menunjukkan kelas output. Hasil
analisis confusion matrix untuk klasifikasi data training
diperlihatkan pada Tabel 7, sedangkan untuk klasifikasi data
testing diperlihatkan pada Tabel 8.

0
%
0
0
%
0

Dari Tabel 7 dan Tabel 8 terlihat bahwa seluruh data

training dan data testing diklasifikasikan secara tepat ke dalam
kelasnya masing-masing, sehingga total persentase klasifikasi
data training dan data testing yang benar adalah 100%.
IV.KESIMPULAN
Beberapa kesimpulan yang bisa diambil dari studi tentang
analisis vibrasi untuk klasifikasi kerusakan motor yaitu
spesifikasi sinyal masukan FFT menentukan spesifikasi
spektrum yang diperoleh. Selain itu semakin banyak jumlah
data pelatihan neural network maka hasil klasifikasi yang
diperoleh akan semakin akurat. Secara keseluruhan sistem
klasifikasi kerusakan motor dengan analisis data vibrasi yang
telah dirancang mempunyai tingkat ketepatan hingga 100%.

DAFTAR PUSTAKA
[1] Hua Su and Kil To Chong, Induction Machine Condition Monitoring
Using Neural Network Modeling, IEEE Transactions on Industrial
Electronics, Vol. 54, No. 1, February, 2007.
[2] IEEE Standard 1415-2006, IEEE Guide for Induction Machinery
Maintenance Testing and Failure Analysis, 2007.
[3] iLearn Interactive, Vibration Training Quick Reference, Mobius
Institute, 2005.
[4] G. Betta, C. Liguori, A. Paolillo, and A. Pietrosanto, A DSP-Based
FFT-Analyzer for the Fault Diagnosis of Rotating Machine Based on
Vibration Analysis, IEEE Transactions on Instrumentation and
Measurements, Vol. 51, No. 6, December, 2002.
[5] Michael Cerna and Audrey F. Harvey, The Fundamentals of FFTBased Signal Analysis and Measurement, National Instruments
Application Note 041, 2000.
[6] M. K. Rad, M. Torabizadeh, and A. Noshadi, Artificial Neural
Network-based Fault Diagnostics of an Electric Motor using Vibration
Monitoring, International Conference on Transportation, Mechanical,
and Electrical Engineering (TMEE), Changchun, December, 2011.
[7] MKM Rahman, Tanver Azam, Sanjoy Kumar Saha, Motor Fault
Detection Using Vibration Patterns, 6th International Conference on
Electrical and Computer Engineering (ICECE), Dhaka, December, 2010.
[8] Mauridhi Hery Purnomo dan Agus Kurniawan, Supervised Neural
Networks dan aplikasinya, Graha Ilmu, Yogyakarta, Bab. 5, 2006.
[9] Moh. Ishak, Moch. Rivai, dan Tri Arief Sardjono, Analisis Proteksi
Vibrasi pada Pompa Sentrifugal dengan Menggunakan Fast Fourier
Transfrom dan Neural Network, ITS, Surabaya, 2012.
[10] Wahyu Wibowo dan Mohamad Atok, Pengaruh Rasio Keuangan
Terhadap Rating Issuer Di PT Bursa Efek Surabaya, LPPM-ITS,
Surabaya, Desember, 2007.
[11] Sri Kusumadewi, Membangun Jaringan Syaraf Tiruan Menggunakan
MATLAB dan Excel Link, Graha Ilmu, Yogyakarta, Bab. 4, 2004.
[12] Wikipedia, Mean squared error <URL: http://en.wikipedia.org/
wiki/Mean_squared_error>, May, 2014.

RIWAYAT HIDUP PENULIS

Nirma Priatama lahir di kota kecil
Trenggalek Jawa Timur pada tanggal 1
Juli 1992. Penulis adalah anak kedua
dari pasangan Riyadi dan Ririn
Argianti. Memulai pendidikan di SDN
1 Ngetal pada tahun
1998-2004,
kemudian
melanjutkan
sekolah
menengah ke SMPN 1 Pogalan pada
tahun 2004-2007 dan ke SMAN 1
Trenggalek pada tahun 2007-2010.
Penulis melanjutkan pendidikan ke jenjang perguruan tinggi di
Institut Teknologi Sepuluh Nopember (ITS) Surabaya, jurusan
Teknik Elektro dan mengambil bidang studi Teknik Sistem
Tenaga. Penulis adalah salah satu asisten di Laboratorium
Tegangan Tinggi Teknik Elektro ITS tahun 2013/2014.