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
M 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
1
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 anti-
friction 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 1024
Frekuensi sampling (Fs) = = = 17000 Hz (1)
T 0.06
Sedangkan spesifikasi spektrum keluaran FFT dihitung
sebagai berikut :
Fs 17000
Frekuensi maksimum (Fmax ) = = = 8500 Hz (2)
2 2
N 1024
Jumlah spectral lines = = = 512 (3)
2 2
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 2

Fs 17000 C. Pembagian Data Training dan Data Testing

Resolusi frekuensi (dF) = = = 16.6 (4)
N 1024 Untuk melakukan klasifikasi dengan neural network,
Data spektrum vibrasi keluaran FFT yang diperoleh terdiri diperlukan dua macam data input, yaitu data training (data
dari 513 spectral lines, termasuk 1 spectral line komponen DC pelatihan) dan data testing (data pengujian) [8]. Data vibrasi
(frekuensi yang bernilai nol). motor yang didapat dari PT Petrokimia Gresik total ada 30
buah. Pembagian data training dan data testing dilakukan
B. Pengelompokan Data Spektrum Vibrasi dengan persentase 80% dan 20%. Untuk meningkatkan
Untuk membedakan antara spektrum vibrasi motor normal akurasi neural network data training ditambah 20 buah
dan motor yang mengalami kerusakan, digunakan acuan batas menggunakan metode fungsi distribusi normal. Data training
RMS velocity vibrasi dari standar ISO-10816-1 [3] pada baru ini dihitung dari rata-rata deviasi data lama. Jumlah data
Gambar 1. Sedangkan karakteristik spektrum vibrasi pada tiap training dan data testing untuk tiap kondisi motor ditunjukkan
kondisi motor ditunjukkan pada Tabel 1 [4]. 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.
Gambar 1. Standar Vibrasi Motor ISO-10816-1 Jumlah hidden layer yang digunakan ada dua buah.
Pemilihan jumlah neuron pada hidden layer dilakukan dengan
Tabel 1. melatih neural network menggunakan beberapa variasi jumlah
Karakteristik Spektrum Vibrasi Motor neuron. Kombinasi jumlah neuron untuk tiap hidden layer
Nilai
dipilih antara 8 hingga 20 unit. Dari hasil pelatihan dicari nilai
Kondisi Karakteristik Spektrum Vibrasi Amplitudo
yang Tinggi MSE (Mean Squared Error) yang paling kecil. Kombinasi
jumlah neuron yang menghasilkan MSE paling kecil
Semua nilai kemudian diterapkan pada neural network untuk sistem
amplitudo tidak klasifikasi. Hasil MSE pelatihan neural network dengan
Normal
tinggi, di bawah
4.5 mm/s
variasi jumlah neuron pada hidden layer diperlihatkan dalam
Tabel 4 dan Gambar 2.

Tabel 2.
Pada 1x Jumlah Data Training dan Data Testing
Unbalance frekuensi Kondisi Data Training Data Testing
putaran motor
Normal 8 2
Unbalance 8 2
Misalignment 8 2
Pada 1x dan 2x Looseness 8 2
Misalignment frekuensi
putaran motor Kerusakan bearing 8 2
Total Data 40 10

Tabel 3.
Antara 1x Data Target Neural Network
hingga 6x
Looseness Matriks Target
frekuensi
putaran motor Kondisi Kelas
T1 T2 T3 T4 T5
Normal 1 1 0 0 0 0
Pada frekuensi Unbalance 2 0 1 0 0 0
Kerusakan tinggi. Bukan
Misalignment 3 0 0 1 0 0
Anti-friction merupakan
Bearing fungsi dari Looseness 4 0 0 0 1 0
putaran motor
Kerusakan bearing 5 0 0 0 0 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 3

Tabel 4.
Hasil MSE Pelatihan Neural Network dengan Variasi Jumlah Neuron
Jumlah neuron pada hidden layer kedua
8 9 10 11 12 13 14 15 16 17 18 19 20
Jumlah neuron pada hidden layer pertama

8 0.0164 0.0027 0.0011 0.0043 0.0171 0.0099 0.0245 0.0917 0.1155 0.0527 0.0604 0.0122 0.0046
9 0.0051 0.0451 0.0006 0.0021 0.0115 0.0028 0.0042 0.0093 0.0152 0.0324 0.0083 0.0126 0.0048
10 0.0104 0.0282 0.0016 0.0068 0.0172 0.0602 0.0108 0.0130 0.0140 0.0063 0.0036 0.0087 0.0105
11 0.0044 0.0044 0.0480 0.0075 0.0304 0.0049 0.0078 0.0568 0.0092 0.0520 0.0205 0.0069 0.0089
12 0.0169 0.0388 0.0070 0.0131 0.0082 0.0067 0.0040 0.0110 0.0048 0.0131 0.0624 0.0101 0.0225
13 0.0099 0.0054 0.0017 0.0053 0.0255 0.0098 0.0036 0.0068 0.0049 0.0093 0.0161 0.0072 0.0452
14 0.0054 0.0009 0.1230 0.0067 0.0100 0.0024 0.0038 0.0056 0.0153 0.0091 0.0190 0.0481 0.0070
15 0.0060 0.0076 0.0017 0.0428 0.0057 0.0068 0.0147 0.0127 0.0171 0.0083 0.0135 0.0159 0.0048
16 0.0048 0.0040 0.0053 0.0062 0.0115 0.0091 0.0041 0.0075 0.0159 0.0103 0.0040 0.0142 0.0032
17 0.0043 0.0007 0.0063 0.0042 0.0029 0.0051 0.0055 0.0592 0.0108 0.1597 0.0040 0.0106 0.0009
18 0.0081 0.0609 0.0383 0.0041 0.0091 0.0160 0.0034 0.0349 0.0400 0.0239 0.0014 0.0050 0.0224
19 0.0051 0.0037 0.0006 0.0060 0.0117 0.0166 0.0086 0.0663 0.0122 0.0246 0.0148 0.0039 0.0056
20 0.0051 0.0025 0.0037 0.0091 0.0102 0.0070 0.0211 0.0042 0.0053 0.0114 0.0104 0.0148 0.0062

Tabel 5.
Spesifikasi Neural Network
data training = 40 buah
Jumlah data input
data testing = 10 buah
Input layer 513 neuron
hidden layer pertama = 9 neuron
Hidden layer
hidden layer kedua = 10 neuron
Output layer 5 neuron
Fungsi aktivasi sigmoid bipolar (tansig)
scaled conjugate gradient
Fungsi pembelajaran
backpropagation (trainscg)
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 feed-
Gambar 3. Arsitektur Neural Network
forward dengan fungsi pembelajaran scaled conjugate
gradient backpropagation (trainscg). Fungsi pembelajaran ini
dipilih agar proses pelatihan untuk jumlah data input yang III. HASIL PENGUJIAN DAN ANALISIS
besar seperti pada sistem klasifikasi yang dirancang ini tidak Pengujian sistem klasifikasi kerusakan motor dilakukan
memakan waktu yang lama [11]. Fungsi aktivasi yang dengan memasukkan 10 data sinyal vibrasi testing. Epoh
digunakan adalah fungsi sigmoid bipolar (tansig). pelatihan maksimum untuk pengujian ini sebanyak 100 iterasi.
Spesifikasi dan arsitektur neural network untuk sistem Untuk menganalisis ketepatan hasil klasifikasi dapat dilihat
klasifikasi kerusakan motor menggunakan data vibrasi kembali karakteristik spektrum vibrasi motor pada Tabel 1
diperlihatkan pada Tabel 5 dan Gambar 3. yang dijadikan sebagai referensi.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 4

A. Kondisi Normal E. Kerusakan Anti-Friction Bearing

Putaran motor = 3000 RPM = 50 Hz Putaran motor = 3000 RPM = 50 Hz
Waveform Waveform
5 40

Velocity (mm/s)
Velocity (mm/s)

20
0
0

-5 -20
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Waktu (ms)
Waktu (ms)
Spektrum Spektrum

Amplitudo (mm/s)
1.5 4
Amplitudo (mm/s)

1
2
0.5
0
0 0 200 400 600 800 1000 1200 1400 1600 1800 2000
0 50 100 150 200 250 300 350 400 450 500 Frekuensi (Hz)
Frekuensi (Hz) HASIL KLASIFIKASI = KERUSAKAN ANTI-FRICTION BEARING
HASIL KLASIFIKASI = NORMAL
Gambar 4. Hasil uji klasifikasi data vibrasi motor P951B Gambar 8. Hasil uji klasifikasi data vibrasi motor P2252B

B. Kondisi Unbalance Data sinyal vibrasi motor P951B pada Gambar 4

Putaran motor = 1500 RPM = 25 Hz diklasifikasikan secara tepat ke dalam kondisi normal.
Waveform
20 Dibuktikan dengan seluruh nilai amplitudo pada spektrum
Velocity (mm/s)

0 vibrasi Gambar 4 besarnya di bawah 4.5 mm/s.

-20 Data sinyal vibrasi motor pada C2212A pada Gambar 5
-40
diklasifikasikan secara tepat ke dalam kondisi unbalance.
0 20 40 60 80 100 120
Waktu (ms) Terlihat pada spektrum Gambar 5 nilai amplitudo vibrasi
Spektrum tinggi terjadi pada frekuensi 1x putaran motor (25 Hz).
Amplitudo (mm/s)

15

10
Data sinyal vibrasi motor P1241B pada Gambar 6
diklasifikasikan secara tepat ke dalam kondisi misalignment.
5
Terlihat pada spektrum Gambar 6 nilai amplitudo vibrasi
0
0 50 100 150 200 250 300 350 400 450 500 tinggi terjadi pada frekuensi 2x putaran motor (100 Hz).
Frekuensi (Hz)
HASIL KLASIFIKASI = UNBALANCE Data sinyal vibrasi motor P1207C pada Gambar 7
Gambar 5. Hasil uji klasifikasi data vibrasi motor C2212A
diklasifikasikan secara tepat ke dalam kondisi looseness.
C. Kondisi Misalignment Terlihat pada spektrum Gambar 7 nilai amplitudo vibrasi
Putaran motor = 3000 RPM = 50 Hz tinggi terjadi pada frekuensi 1x, 3x, 4x, 5x, dan 6x putaran
Waveform
20 motor yaitu pada 50 Hz, 150 Hz, 200 Hz, 250 Hz, dan 300 Hz.
Velocity (mm/s)

Data sinyal vibrasi motor P2252B pada Gambar 8

0
diklasifikasikan secara tepat ke dalam kerusakan anti-friction
bearing. Terlihat pada spektrum Gambar 8 terjadi vibrasi pada
-20
0 10 20 30 40 50 60
Waktu (ms) frekuensi tinggi yaitu pada frekuensi antara 1200 Hz hingga
Spektrum 1600 Hz yang bukan merupakan fungsi dari putaran motor.
Amplitudo (mm/s)

10

F. Perhitungan MSE
5
MSE (Mean Squared Error) adalah nilai error kuadrat yang
0
0 50 100 150 200 250 300 350 400 450 500
dirata-rata dari suatu nilai yang diharapkan dengan suatu nilai
Frekuensi (Hz)
HASIL KLASIFIKASI = MISALIGNMENT
yang aktual terjadi [12]. Dalam perhitungan MSE untuk
Gambar 6. Hasil uji klasifikasi data vibrasi motor P1241B klasifikasi, nilai yang diharapkan adalah nilai target,
sedangkan nilai yang aktual terjadi adalah nilai output. Nilai
D. Kondisi Looseness
MSE dari data target T i dan output Y i untuk untuk sejumlah n
Putaran motor = 3000 RPM = 50 Hz data dihitung dengan persamaan berikut :
Waveform
20
Velocity (mm/s)

0 1
(%) = ( )2 100% (5)

-20 =1
0 10 20 30 40 50 60
Waktu (ms)
Spektrum Dari hasil perhitungan nilai MSE untuk klasifikasi data
Amplitudo (mm/s)

4
testing pada Tabel 6 terlihat bahwa tingkat error rata-rata
2 antara target yang diharapkan dengan output neural network
cukup kecil yaitu sebesar 5.86%. Hasil ini menunjukkan
0
0 50 100 150 200 250 300
Frekuensi (Hz)
350 400 450 500 bahwa sistem klasifikasi kerusakan motor yang dirancang
HASIL KLASIFIKASI = LOOSENESS memiliki tingkat akurasi yang cukup baik.
Gambar 7. Hasil uji klasifikasi data vibrasi motor P1207C
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 5

Tabel 6. Tabel 7.
Nilai MSE Untuk Tiap Data Testing Confusion Matrix Data Training
Data Kelas Target
Kondisi Target Output Error MSE (%)
Ke- Normal Unbalance Misalignment Looseness Bearing Total
1 0.555 0.445
0 0.029 0.029 8 0 0 0 0 100%
Normal
1 Normal 0 0.314 0.314 6.992
20% 0% 0% 0% 0% 0%
0 0.218 0.218
0 0.067 0.067 0 8 0 0 0 100%
Unbalance
1 0.618 0.382 0% 20% 0% 0% 0% 0%
0 -0.132 0.132

Kelas Output
2 Normal 0 0.085 0.085 9.439 0 0 8 0 0 100%
Misalignment
0 0.542 0.542 0% 0% 20% 0% 0% 0%
0 0.087 0.087
0 -0.241 0.241 0 0 0 8 0 100%
Looseness
1 0.948 0.052 0% 0% 0% 20% 0% 0%
3 Unbalance 0 -0.122 0.122 2.174
0 0.181 0.181 0 0 0 0 8 100%
Bearing
0 0.012 0.012 0% 0% 0% 0% 20% 0%
0 -0.090 0.090
1 0.799 0.201 100% 100% 100% 100% 100% 100%
Total
4 Unbalance 0 -0.112 0.112 2.100 0% 0% 0% 0% 0% 0%
0 0.210 0.210
0 0.005 0.005
0 0.383 0.383 Tabel 8.
Confusion Matrix Data Testing
0 -0.015 0.015
Kelas Target
5 Misalignment 1 0.834 0.166 3.574
0 -0.058 0.058 Normal Unbalance Misalignment Looseness Bearing Total
0 0.023 0.023
0 0.381 0.381 2 0 0 0 0 100%
Normal
0 -0.005 0.005 20% 0% 0% 0% 0% 0%
6 Misalignment 1 0.852 0.148 3.471
0 2 0 0 0 100%
0 -0.073 0.073
Unbalance
0 0.033 0.033 0% 20% 0% 0% 0% 0%
0 0.136 0.136
Kelas Output

0 0 2 0 0 100%
0 0.283 0.283
Misalignment
7 Looseness 0 -0.234 0.234 5.215 0% 0% 20% 0% 0% 0%
1 0.676 0.324
0 0 0 2 0 100%
0 0.047 0.047 Looseness
0 0.486 0.486 0% 0% 0% 20% 0% 0%
0 0.001 0.001
0 0 0 0 2 100%
8 Looseness 0 -0.029 0.029 8.467 Bearing
1 0.574 0.426 0% 0% 0% 0% 20% 0%
0 0.068 0.068
100% 100% 100% 100% 100% 100%
0 0.196 0.196 Total
0 -0.146 0.146 0% 0% 0% 0% 0% 0%
Kerusakan Anti-
9 0 0.173 0.173 2.266
Friction Bearing
0 -0.108 0.108
1 0.891 0.109 Dari Tabel 7 dan Tabel 8 terlihat bahwa seluruh data
0 0.600 0.600 training dan data testing diklasifikasikan secara tepat ke dalam
Kerusakan Anti-
0 -0.389 0.389 kelasnya masing-masing, sehingga total persentase klasifikasi
10 0 0.367 0.367 14.964 data training dan data testing yang benar adalah 100%.
Friction Bearing
0 -0.043 0.043
1 1.316 0.316
MSE Rata-Rata 5.866 IV. KESIMPULAN
Beberapa kesimpulan yang bisa diambil dari studi tentang
G. Analisis Confusion Matrix analisis vibrasi untuk klasifikasi kerusakan motor yaitu
Confusion matrix adalah suatu matriks yang menampilkan spesifikasi sinyal masukan FFT menentukan spesifikasi
hasil klasifikasi ke dalam kelas target dan kelas output disertai spektrum yang diperoleh. Selain itu semakin banyak jumlah
dengan persentase hasil klasifikasi yang benar dan yang salah. data pelatihan neural network maka hasil klasifikasi yang
Kolom confusion matrix menunjukkan kelas target, sedangkan diperoleh akan semakin akurat. Secara keseluruhan sistem
baris confusion matrix menunjukkan kelas output. Hasil klasifikasi kerusakan motor dengan analisis data vibrasi yang
analisis confusion matrix untuk klasifikasi data training telah dirancang mempunyai tingkat ketepatan hingga 100%.
diperlihatkan pada Tabel 7, sedangkan untuk klasifikasi data
testing diperlihatkan pada Tabel 8.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 6

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 FFT-
Based 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.