 Getaran didefinisikan sebagai gerak osilasi dari suatu objek terhadap posisi netral atau

diam. Waktu yang dibutuhkan untuk satu siklus disebut sebagai periode getaran. Jumlah
siklus pada suatu selang waktu tertentu disebut sebagai frekuensi getaran. Perpindahan
(displacement) mengindikasikan berapa jauh suatu objek bergetar, kecepatan (velocity)
mengindikasikan berapa cepat objek bergetar dan percepatan (acceleration) suatu objek
bergetar terkait dengan gaya penyebab getaran.

 Diagnosa kerusakan mesin dengan analisa getaran

Penggunaan sinyal getaran dan emisi akustik sangat umum digunakan pada
pemantauan kondisi mesin rotasi dengan membandingkan sinyal dari kondisi mesin
normal dan yang mengalami kerusakan, deteksi kerusakan seperti : Unbalance,
misalignment, rub rotor, loosenes, kerusakan gigi, dan kerusakan bantalan dapat
dilakukan.

 Unbalance (Ketidakseimbangan)
Berdasarkan International Standart Organization (ISO) definisi unbalance adalah kondisi
yang terjadi pada rotor akibat dari gaya sentrifugal, dimana ketika bergetar, gaya atau
gerak rotor akan diteruskan pada bantalannya. Unbalance dapat juga didefinisikan
distribusi massa yang tidak merata terhadap sumbu putar rotor.

Gambar Kondisi Unbalance

 Mechanical looseness (Kelonggaran mekanik)

Kelonggaran mekanik adalah salah satu fenomena yang terjadi di mesin. Pada mesin
rotasi kelonggaran mekanik dapat terjadi dalam bentuk kelonggaran pada komponen
internal (internal assembly looseness) dan kelonggaran pada struktur (structur
loosenes).

Gambar Kondisi structure looseness

 Misalignment (Ketidaksesumbuan)
Misalignment adalah kondisi dimana sumbu dari poros yang dikopel tidak sesumbu. Jika
sumbu poros antara dua mesin sejajar satu sama lain tapi tidak sesumbu maka disebut
parallel misalignment. Apabila poros sejajajar bertemu pada suatu titik tetapi tidak
pararel maka misalignment tersebut adalah angular misalignment.

Gambar Kondisi angular misalignment

Gambar Kondisi parallel misalignment

 Rolling element bearing defect (kerusakan bantalan gelinding)

Kerusakan pada bantalan dapat terjadi pada semua komponen dan akan menyebabkan
getaran dengan frekuensi tinggi. Pada hampir semua kasus, komponen bantalan yang
mengalami kerusakan dapat diidentifikasi, karena frekuensi spesifik getaran yang
dieksitasi berbeda untuk himpunan tiap kondisi kerusakan bantalan. Raceways dan
elemen gelinding yang rusak dapat dengan mudah terdeteksi. Frekuensi bantalan rusak
tidak terintegrasi pada harmonik kecepatan putaran.

Gambar Komponen penyusun bantalan gelinding

 Ekstraksi ciri sinyal getaran

Kerusakan mesin akan meningkatkan nilai getaran mesin. Pada prinsipnya informasi
kondisi mesin adalah karakteristik dari getaran. Oleh sebab itu, karakteristik getaran
yang baru atau sedang terjadi dapat dibandingkan dengan karakteristik sebelumnya. Hal
itu, untuk mencari apakah komponen berperilaku normal atau menunjukkan tanda-tanda
kerusakan. Pada penerapannya menggunakan perbandingan seperti itu adalah tidak
efektif. Hal itu dikarenakan besarnya variasi, sehingga sulit membandingkan secara
langsung. Sebagai pengganti, sebuah teknik yang sangat bermanfaat dengan
memasukkan ektraksi ciri sinyal getaran. Secara ideal, ciri lebih stabil dan memiliki pola
 yang baik dibanding sinyal getaran. Ciri juga menghasilkan pengurangan jumlah data
untuk aplikasi pengenalan pola dan teknik identifikasi kerusakan mesin

 Ekstraksi ciri sinyal getaran domain waktu

Sinyal getaran yang dihasilkan dari pengukuran merupakan rangkaian nilai digital
parameter getaran (perpindahan, kecepatan, dan percepatan) dalam domain waktu.
Gelombang terhadap waktu dapat diolah menjadi data input pada sistem diagnosis.
Beberapa ciri seperti parameter statistik dapat menjadi sangat signifikan pada
penggunaan teknik analisa getaran domain waktu. Kondisi kerusakan mesin dapat
dibedakan menggunakan representasi kuantitatif ciri domain waktu. Parameter statistik
tersebut, antara lain: Root Mean Square (RMS), skewness, kurtosis, crest factor dan
shape-factor.

 RMS dan Delta RMS

RMS merupakan ciri yang mengukur komposisi karakteristik energi dari sinyal getaran.
Ciri ini baik dalam mengidentifikasi tingkat noise secara keseluruhan, tetapi tidak
menyediakan informasi apapun tentang lokasi komponen yang rusak. Delta RMS adalah
perbedaan antara nilai RMS saat ini dan sebelumnya. Pendekatan yang paling dasar
untuk pengukuran kerusakan dalam domain waktu adalah menggunakan pendekatan
RMS. Pendekatan RMS sering tidak cukup sensitif, khususnya untuk mendeteksi
kerusakan yang baru mulai

 Kurtosis.
Didefinisikan sebagai momen keempat dari distribusi dan mengukur kelancipan dan
kedataran relative sebuah distribusi dibanding distribusi normal. Kurtosis memberikan
suatu pengukuran dari ukuran tail distribusi dan digunakan sebagai indikator puncak
utama dalam sebuah kumpulan data. Untuk mendapatkan nilai kurtosis (K), persamaan
yang digunakan adalah :

Nilai merupakan nilai rata-rata dan standar deviasi

 Crest-Factor
Pendekatan paling sederhana untuk mengetahui kerusakan pada domain waktu
menggunakan pendekatan RMS, tetapi nilai RMS tidak dapat menunjukkan perubahan
himpunan tiap tahap kerusakan pada roda gigi dan bantalan. Pengukuran lebih baik
adalah menggunakan crest factor yang didefinisikan sebagi rasio dari nilai maksimal dari
sinyal input terhadap nilai RMS. Untuk mendapatkan nilai crest factor (CF), maka
persamaan yang digunakan adalah

Dengan Xmax adalah nilai maksimum dari Xi.

 Shape-Factor
Shape factor didefinisikan sebagai rasio antara nilai RMS dengan nilai rata-rata. Shape
factor merupakan salah satu symtoms paramaters (SP). Pada diagnosa kerusakan
symtoms paramater digunakan untuk indentifikasi kondisi mesin, karena menunjukkan
informasi yang diindikasikan oleh sinyal hasil pengukuran. Untuk mendapatkan nilai
shape factor (SF), persamaan yang digunakan adalah :

 Skewnes
Skewnes menunjukkan sebuah kemiringan atau ketidaksimetrisan dari sebuah distribusi
frekuensi. Untuk mendapatkan nilai skewness (sk), maka persamaan yang digunakan
adalah:

 Fuzzy Logic
Pada tahun 1965, Lotfi Zadeh memperkenalkan Fuzzy logic, sebuah tool matematika
untuk menyelesaikan permasalahan yang berhubungan dengan ketidakpastian. Fuzzy
logic memberikan teknik untuk menyelsaikan ketidakpresisian dan kegranularitasan
informasi.

 Himpunan Fuzzy
Lotfi Zadeh menawarkan ide tentang himpunan keanggotaan agar menghasilkan
keputusan yang sesuai ketika menghadapi ketidakpastian. Nilai keanggotaanya adalah 1
jika masuk kedalam himpunan tersebut dan 0 jika tidak. Keanggotaan ini kemudian
diperluas untuk memproses “derajat keanggotaan” pada interval kontinyu nyata [0,1].
Zadeh membentuk himpunan fuzzy pada semua himpunan X yang dapat
mengakomodasi “derajat keanggotaan”. Suatu himpunan fuzzy dalam semesta U
 direpresentasikan sebagai pasangan elemen u dengan tingkat fungsi keanggotaan
dinyatakan pada persamaan 8.

 Fungsi Keanggotaan
Fungsi keanggotaan menyatakan derajat keanggotaan dari masing-masing anggota
dalam semesta pembicaraan. Adapun fungsi keanggotaan yang sering dipakai dalam
praktek antara lain:

 Operasi Himpunan Fuzzy

Dua himpunan fuzzy A dan B dalam suatu himpunan semesta U dengan fungsi
keanggotaan masing-masing μA dan μb. Memiliki operasi-operasi himpunan antara lain
sebagai berikut:

 Analisis potensi kerusakan digunakan dalam predictive maintenance. Pada dasarnya

predictive maintenance adalah preventive maintenance berdasakan kondisi mesin.
Walaupun kondisi mesin dapat diketahui dengan berbagai teknik analisis seperti:
a) Analisis vibrasi
b) Emisi akustik
c) Analisis pelumas
d) Analisis partikel
e) Pemantauan korosi
f) Termografi
g) Pemantauan performansi

 Namun analisis vibrasi merupakan kunci untuk melakukan predictive maintenance. Pada
dasarnya, semua yang bergerak menghasilkan vibrasi. Mesin-mesin tertentu akan
menghasilkan vibrasi yang khas. Analisis vibrasi mula-mula digunakan untuk mesin-
mesin berputar, seperti: turbin uap dan gas, pompa, motor, kompresor, mesin kertas,
rolling mill, mesin perkakas dan gearbox. Kemajuan terbaru dalam teknologi ini
memungkinkan analisis pada peralatan torak seperti mesin diesel besar dan kompresor
torak.

 Keuntungan penting dari analisis vibrasi ini adalah bahwa analisis ini dapat mendeteksi
adanya masalah yang sedang berkembang sebelum menjadi serius yang menyebabkan
unscheduled downtime. Pemantauan vibrasi bisa dilakukan secara:
a) Berbasis kontinu
b) Terjadwal berkala.

 Selanjutnya, perlu dilakukan analisis terhadap hasil pemantauan. Secara sedehana,

operator dan teknisi sering mendeteksi suara-suara yang tidak biasa atau getaran pada
 mesin atau lantai tempat mereka bekerja setiap hari. Untuk menentukan apakah
masalah serius benar-benar ada, mereka bisa melanjutkan dengan analisis getaran. Jika
masalah memang terdeteksi, analisis lebih lanjut dapat dilakukan secara akurat
mendefinisikan masalah dan untuk memperkirakan berapa lama mesin dapat terus
berkerja sebelum kegagalan serius terjadi.

 Analisis Diagnostik
Kalau analisis potensi kerusakan lebih proaktif, maka analisis diagnostik lebih bersifat
reaktif, yang dilakukan bila terjadi kerusakan. Seringkali masalahnya begitu berat,
sehingga mesih harus dimatikan. Kerusakan yang bisa dideteksi melalui diagnosis
vibrasi adalah:
a) Baut tidak kencang
b) Lasan yang retak
c) Grouting yang lepas atau menjadi bubuk
d) Rotor tak seimbang, dll.

 Vibrasi secara sedehana berarti gerakan mesin atau bagiannya bolak-balik dari posisi
diamnya. Jika suatu massa digatung pada sebuah pegas kemudian dikenakan sedikit
dorongan (kecepatan awal), kemudian dibiarkan bergarak, maka massa tersebut akan
bergerak. Vibrasi bisa juga dalam bentuk gerakan bolak-balik, yang dilakukan oleh
sejumlah titik secara berurutan seperti gelombang pada tali atau pada permukaan air.
Gelombang seperti ini disebut gelombang transversal.

 Frekuensi adalah banyaknya getaran yang teradi dalam 1 detik. Amplitudo adalah jarak
titik tertinggi dari titik kesetimbangan. Panjang gelombang adalah jarak ditempati oleh
satu gelombang sempurna pada gelombang transversal.

 Vibrasi yang terjadi adalah vibrasi bebas, dimana massa akan bergetar dengan
frekuensi naturalnya. Posisi benda pada waktu t terhadap titik O, dinyatakan oleh x(t).
Jika setelah itu kemudian massa m dilepaskan, maka m akan berosilasi. Pada kondisi ini
akan terjadi 3 gaya yang jumlahnya sama dengan nol, yaitu:
1. Kelembaman massa M, yang besarnya = m a
2. Kekakuan pegas k , yang besarnya = m x
3. Peredaman viskus c, yang besarnya = c v
 Gambar dibawah menunjukkan posisi benda x(t) dari waktu ke waktu pada berbagai
kondisi peredaman.

Gambar Posisi benda x(t) pada berbagai kondisi peredaman

 Pada kondisi peredaman sama dengan nol (tak teredam), posisinya, kecepatan dan
percepatanya setiap saat adalah:

 Frekuensi natural tak teredam (undamped natural frequency) dari sisem tersebut adalah:

Dimana:
fn = ω/2π = frekuensi natural tak teredam [Hz]
ω = kecepatan sudut vibrasi [rad/s]
k = konstanta pegas [N/m]
m = massa [kg]

 Bila ada peredaman, frekuensi natural teredam (damped natural frequency) adalah:

 Suatu mesin yang sedang diobservasi atau didiagnosis bisa dipandang sebagai sebuah
sistem vibrasi. Sistem tersebut mempunyai massa, pegas dan peredam, bervibrasi
akibat fungsi paksa yang dihasilkan berbagai komponen di dalam mesin itu sendiri,
misalnya massa tak seimbang dari rotor yang berputar.

 Vibrasi yang terjadi pada sistem tersebut, diukur dengan pickup vibrasi berupa
transduser, diolah, kemudian dipresentasikan atau disimpan.

 Analisis Frekuensi
Data vibrasi dari transduser harus diubah menjadi bentuk yang bermakna dan sesuai
untuk diagnosis. Ada dua jenis yang dapat ditampilkan yaitu domain waktu dan domain
frekuensi. Tampilan domain waktu menunjukkan bagaimana sinyal amplitudo bervaiasi
 terhadap waktu. Gambar berikut ini menunjukkan tampilan data domain waktu yang
diperoleh dari sebuah fan.

 Tampilan data vibrasi dalam domain waktu berupa gelombang sinusoidal yang
mengalami distorsi harmonik. Dengan menggunakan analisis FFT (Fast Fourier
Transformation), bentuk data vibrasi dalam domain waktu dapat dipecah menjadi
gelombang sinusoidal murni dasar dan harmoniknya. Sinyal domain frekuensi adalah
plot sinyal amplitudo pada sumbu y, terhadap frekuensi pada sumbu x. Hal ini disebut
signature frequency dalam dunia industri. Gambar ini menunjukkan signature frequency
diperoleh dari data vibrasi dalam domain waktu pada Gambar diatas

Gambar Tampilan data domain frekuensi

 Prognosa kerusakan pada sebuah rotating machinery menjadi aspek penting dalam
penerapan maintenance karena terjadinya kerusakan dapat mengakibatkan turunnya
produktifitas sebuah perusahaan. Pengukuran getaran adalah salah satu metode yang
cukup baik untuk mengetahui kondisi mesin karena getaran merupakan indikator kondisi
mekanikal dan indikator awal dari adanya cacat pada suatu mesin secara menyeluruh.
Penerapan Artificial Intelligence dalam pemrosesan data getaran untuk prognosa
kerusakan semakin meningkat. Hal ini disebabkan karena keputusan yang dihasilkan
tidak subjektif dan performa prediksinya lebih baik. Prastowo (2006) memanfaatkan JST
(Jaringan Syaraf Tiruan) dalam memprediksi sisa umur dari sebuah mesin, akan tetapi
 error yang terjadi dirasa masih cukup besar. Untuk itu diperlukan sebuah metode lain
yang diharapkan memiliki performa lebih baik.

 Di dalam penelitian ini akan dilakukan prediksi sisa umur pakai dari sebuah rotating
machinery dengan metode ANFIS (Adaptive Neuro-Fuzzy Inference Systems)
menggunakan program Matlab. Data getaran yang diambil menggunakan sensor
getaran pada rentang waktu tertentu akan digunakan untuk memprediksi degradasi
unjuk kerja dari suatu mesin. Data getaran inilah yang akan digunakan untuk data
training dan testing pada ANFIS. Tipe membership function segitiga, lonceng dan
trapezoidal akan dibandingkan dalam proses training dan testing menggunakan sistem
hybrid dan backpropagation. Pengaruh penambahan jumlah membership function
sebanyak 2 buah juga akan dilihat pada proses tersebut.

 Dari penelitian ini diketahui bahwa ANFIS dengan sistem pembelajaran hybrid
menghasilkan average error yang lebih baik daripada backpropagation. Uji coba dengan
data testing didapatkan bahwa ANFIS mampu memprediksi sisa umur pakai dari data
yang diinputkan kepadanya. Testing error ketika menggunakan membership function tipe
segitiga sebesar 0.002. Pengaruh penambahan 2 membership function pada sistem
hybrid akan memperbesar error sedangkan pada backpropagation akan menurunkan
error.

 Kegagalan/failure adalah ketidakmampuan dari suatu komponen, sub-sistem, atau

sistem untuk melakukan fungsinya pada performansi standar menurut desainnya.
Kinerja standar dari suatu sistem, sub-sistem, peralatan atau komponen berkaitan
dengan apa yang harus kita capai dan evaluasi kita terhadap kemampuan desain dan
keandalan intrinsik dari sistem, sub-sistem, peralatan, atau komponen tersebut.

 Dari hasil penelitian John Moubray, pada bukunya yang berjudul “RCM II”, diketahui
bahwa keandalan (reliability) dari suatu komponen mesin akan turun seiring dengan
waktu operasi dari komponen mesin tersebut. Dari kurva Potensial Failure to Failure (P-
F) penelitian dari Moubray dapat dilihat fenomena kerusakan yang terjadi sepanjang
fungsi interval waktu. Dari mulai awal terjadinya kerusakan (titik P) sampai fungsi
operasional dari peralatan tersebut tidak berfungsi bisa diamati. Dari gambar berikut
diketahui pula bahwa getaran mesin mengindikasikan kerusakan sejak awal yaitu 9
bulan sebelum kerusakan fungsional terjadi yaitu pada titik P1. Indikasi selanjutnya yang
muncul seperti adanya geram pada pelumas, kebisingan, lalu overheating.
 Tren kenaikan amplitudo getaran akibat kerusakan komponen

Time domain (waveform) – frequency domain

 Penelitian-Penelitian Terdahulu Tentang Analisa Getaran Pada Rotating Machinery.

Roky (2006) melakukan penelitian tentang diagnosa kegagalan pada mesin cooling
waterpump 2A PT. PJB UP Gresik menggunakan metode analisa getaran. Dari hasil
pengukuran getaran pada pompa didapatkan data getaran dalam basis time domain.
Data getaran time domain adalah adalah gabungan dari banyak sekali sinyal getaran
pada suatu waktu tertentu, dimana setiap sinyal getaran pada grafik waveform
mempunyai fungsi matematis sendiri-sendiri. Data ini belum bisa digunakan untuk
mencari jenis kerusakan yang terjadi beserta penyebabnya. Oleh karena itu Roky
meneliti bagaimana caranya data getaran dari time domain tersebut dirubah ke basis
frekuensi domain untuk mencari jenis kerusakan yang terjadi. Dalam hal ini Roky
menggunakan metode Fast Fourier Transform (FFT). Gambar diatas mengilustrasikan
perbedaan antara data getaran time domain dengan frekuensi domain.
 FFT adalah suatu algoritma, dimana dapat membedakan frekuensi-frekuensi
getaran/vibrasi pada suatu mesin yang sedang beroperasi. Dengan proses FFT yang
terdapat pada software Matlab, maka akan dihasilkan grafik spectrum yang menunjukan
besarnya amplitudo pada setiap frekuensi. Outputan FFT dibandingkan dengan tabel
karakteristik getaran untuk mencari jenis kerusakan dan kemungkinan penyebabnya.
 Abet (2009) melakukan penelitian tentang diagnosa kerusakan pada rotating machinery
menggunakan ANFIS (Adaptive Neuro Fuzzy Inference Systems). Dengan melakukan
eksperimen, Abet Mardani memvariasikan beberapa jenis kerusakan seperti
misalignment, unbalance, bad bearing, bad gear serta kombinasinya yang akan
digunakan sebagai data training untuk ANFIS agar dapat mendiagnosa kerusakan
secara otomatis. Dari simulasi menggunakan ANFIS toolbox menggunakan sistem
hybrid, didapatkan data sebagai berikut :

Tabel Validasi data independent menggunakan sistem hybrid (Abet,2009)

 Dari data diatas dapat diketahui bahwa error terkecil didapatkan pada menggunakan tipe
fungsi keanggotaan trapezoidal. Dan nilai error terkecil didapakan pada saat sinyal
kerusakan misalignment, unbalance, bearing, dan gear. Hal ini ditunjukkan dengan nilai
error yang paling kecil pada 2 tipe fungsi keanggotaan. Yaitu pada tipe trimpf (segitiga)
sebesar 9.9596*10-8 dan tipe trapezoidal sebesar 9.9598*10-8. Dari data diatas dapat
diketahui bahwa error hasil checking menggunakan data struktur ANFIS hasil
pengukuran vertikal hampir semuanya mendeteksi sinyal yang diinputkan sebagai data
kerusakan. Hal ini ditunjukkan dengan average checking error yang lebih kecil dari nilai
toleransi error yang telah ditentukan yaitu 10-6.

 Sisa umur pakai pada suatu komponen mesin adalah rentang waktu dari kondisi saat ini
hingga komponen tersebut mengalami kegagalan. Untuk menentukan sisa umur pakai
biasanya dilakukan monitoring pada kondisi mesin. Degradasi unjuk kerja suatu mesin
pada umumnya dapat terlihat sebelum terjadinya kegagalan. Dengan memonitor tren
dari degradasi unjuk kerja suatu mesin maka akan dapat direncanakan suatu tindakan
 yang tepat sebelum terjadinya kegagalan. Monitoring tren dari degradasi unjuk kerja
memerlukan adanya proses learning/training dan pengenalan pola (pattern recognition).

 Cohen (1995) memprediksikan unjuk kerja dari sebuah gearbox dari sebuah material
handling system. Dimana dengan menempatkan sensor getaran akan dapat diketahui
unjuk kerja dari gearbox tersebut. Dari data getaran yang didapat kemudian diproses
sehingga akan diketahui degradasi unjuk kerja dari gearbox tersebut. Gambar dari data
getaran dapat diilustrasikan pada gambar 2.4. berikut

Gambar Contoh Spektrum Getaran (Lee et al, 2004)

 Gambar diatas adalah contoh data getaran berbasis waktu (waveform) dari tiga sumbu
(vertikal, horizontal dan aksial) pada bantalan spindel sebuah mesin CNC. Salah satu
metode yang dapat digunakan untuk memproses data getaran untuk dapat memprediksi
sisa umur pakai dari suatu mesin atau time series prediction adalah dengan membuat
jaringan syaraf. Dari susunan jaringan syaraf tiruan tersebut diharapkan akan dapat
diketahui degradasi unjuk kerja dari suatu mesin. Hal tersebut dapat diilustrasikan pada
gambar berikut

Gambar Performance Degradation (Lee et al., 2004)

 Pada gambar diatas, semakin besar confidence value (CV) menunjukkan bahwa mesin
akan semakin sering mengalami kegagalan (failure) dan sebaliknya.

 Prastowo (2006) untuk melakukan penelitian tentang prediksi sisa umur pakai mesin
Cooling Waterpump 2A PT. PJB UP. Gresik dengan metode jaringan saraf tiruan. Metode
 jaringan syaraf tiruan (JST) ini memiliki kelebihan dalam mengenali, belajar, dan berlatih
dalam menyelesaikan suatu permasalahan tanpa memerlukan pemodelan matematik
sehingga dapat mereduksi asumsi-asumsi matematik seperti asumsi linearitas atau
asumsi matematik lainnya. Dalam proses belajarnya, sinyal-sinyal dari jaringan pada
Feed-forward Backpropagation Neural Network tidak hanya bergerak menuju ke satu
arah akan tetapi dapat juga berbalik arah yang nantinya dapat digunakan sebagai
feedback dari output yang diperoleh. Berikut hasil akhir penelitian dari Prastowo.

Gambar Hasil program prediksi sisa umur menggunakan JST (Prastowo,2006)

 Dari hasil plot frekuensi domain oleh FFT dari sinyal learning waveform MIBV (Motor
Inboard Vertical) diketahui bahwa Jaringan saraf tiruan yang disusun Anugrah prastowo
mampu memprediksi sisa umur pakai, yaitu dengan hasil akhir ”Maintenance kurang 12
bulan”

 Dari penelitian-penelitian sebelumnya dapat diketahui bahwa jaringan syaraf tiruan

dapat digunakan untuk melakukan diagnosa dan prediksi sisa umur pada suatu
komponen mesin secara otomatis. Metode ANFIS juga dapat digunakan untuk
melakukan diagnosa kerusakan dengan performa yang lebih baik dibanding jaringan
syaraf tiruan.

 ANFIS (Adaptive Neuro-Fuzzy Inference System) adalah gabungan dari dua sistem yaitu
sistem logika fuzzy dan jaringan syaraf tiruan. Sistem ANFIS berdasar pada sistem
inferensi fuzzy yang dilatih menggunakan algoritma pembelajaran yang diturunkan dari
sistem jaringan syaraf tiruan. Berikut ditunjukkan perbandingan kinerja antara sistem
fuzzy dengan jaringan saraf tiruan:
 Tabel Perbandingan kinerja antara sistem fuzzy dengan jaringan syaraf tiruan

Dengan demikian sistem ANFIS memiliki semua kelebihan yang dimiliki oleh sistem
inferensi fuzzy dan jaringan syaraf tiruan.

 Berikut penjelasan tentang lapisan-lapisan yang terdapat dalam struktur ANFIS :

a) Lapisan 1
Semua simpul pada lapisan ini adalah simpul adaptif (parameter dapat berubah)
dengan fungsi simpul :

untuk i = 1,2, atau untuk I = 3,4

Dengan x dan y adalah masukan pada simpul i. A1-2 dan B1-2 adalah fungsi
keanggotaan masing-masing simpul. Simpul O1,i berfungsi menyatakan derajat
keanggotaan tiap masukan terhadap himpunan fuzzy A dan B.

b) Lapisan 2
Semua simpul pada lapisan ini adalah non adaptif (parameter tetap). Fungsi simpul
ini adalah mengalikan setiap sinyal masukan yang akan datang. Fungsi simpul :

Tiap keluaran simpul menyatakan derajat pengaktifan (firing strength) tiap aturan
fuzzy. Banyaknya simpul pada lapisan ini menunjukkan banyaknya aturan yang
dibentuk. Fungsi perkalian yang digunakan adalah interpretasi opaerator AND.
 c) Lapisan 3
Setiap simpul dalam lapisan lapisan ini adalah simpul non adaptif yang menampilkan
fungsi derajat pengaktifan ternormalisasi (normalized Firing Strength) yaitu rasio
keluaran simpul ke-I pada lapisan sebelumnya, dengan bentuk simpul :

Apabila dibentuk lebih dari 2 aturan, fungsi dapat diperluas dengan membagi dengan
jumlah total W untuk semua aturan.

d) Lapisan 4
Setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul :

Dengan Wi adalah derajat pengaktifan ternormalisasi dari lapisan 3 dan parameter p,

q, r menyatakan parameter konsekuen yang adaptif.

e) Lapisan 5
Fungsi lapisan ini adalah untuk menjumlahkan semua masukan. Fungsi simpul :

Jaringan adaptif dengan lima lapisan diatas ekivalen dengan sistem inferensi fuzzy
Takagi-Sugeno-Kang (TSK ) atau yang lebih dikenal dengan sugeno.

 Proses Pembelajaran Pada ANFIS

ANFIS mempergunakan algoritma belajar hibrida, yaitu menggabungkan metode Least-
squares estimator (LSE) dan error backpropagation (EBP). Dalam struktur ANFIS
metode EBP dilakukan pada lapisan 1, sedangkan metode LSE dilakukan di lapisan 4.

Gambar Proses pembelajaran hibrid pada ANFIS (Jang, 1997)

 Pada lapisan 1 parameternya merupakan parameter dari fungsi keanggotaan himpunan

fuzzy sifatnya nonlinear terhadap keluaran sistem. Proses belajar pada parameter ini
menggunakan metode EBP untuk memperbaharui nilai parameternya. Sedangkan pada
lapisan ke 4, parameter merupakan parameter linear terhadap keluaran sistem, yang
menyusun basis kaidah fuzzy. Proses belajar untuk memperbaharui pada lapisan ini
menggunakan metode LSE.
 Tabel Proses pembelajaran hybrid pada ANFIS (Jang, 1997)

 Diagram Alir Penelitian

Metodologi penelitian digambarkan dalam flowchart gambar berikut ini

 Hasil training dari ANFIS dapat dievaluasi dengan eksperimen validasi. Eksperimen
validasi dapat berupa testing pada jaringan yang telah ditraining sebelumnya. Dengan
menentukan besar error tertentu maka akan diketahui apakah anfis yang telah disusun
valid atau tidak. Jika error RMSE (Root Mean Square Error) maka anfis berhasil
mengidentifikasi kerusakan komponen. Nilai RMSE merupakan ukuran performance
untuk melihat kemampuan dari jaringan untuk menggeneralisasi informasi yanag
didapatkan. Nilai RSME yang ditentukan adalah 10-6.
 Setelah dilakukan eksperimen validasi, maka langkah selanjutnya adalah melakukan
testing dengan menginputkan data baru terhadap anfis yang telah disusun. Pada tahap
ini akan dapat diketahui apakah anfis yang telah disusun dapat digunakan untuk
memprediksi sisa umur efektif dari suatu komponen mekanikal atau tidak.

 Setelah dilakukan eksperimen validasi dan testing, kemudian dilakukan analisa dan
pembahasan dari hasil prediksi sisa umur efektif yang diperoleh dari output anfis.
Selanjutnya performa hasil prediksi menggunakan ANFIS ini akan dibandingkan dengan
JST hasil penelitian Prastowo.

 Dari hasi analisa data dan pembahasan yang dilakukan maka dapat diambil kesimpulan
dan rekomendasi saran-saran pengembangan dari penelitian ini akan diberikan demi
kesempurnaan penelitian selanjutnya.

Figure Schematic View of a Centrifugal Pump

 Data yang akan digunakan untuk training jaringan adalah data MIBV (Motor Inboard
Vertikal). Pemilihan ini didasarkan pada :
1. Adanya 12 data berurutan yang menunjukkan adanya tren yang semakin naik.
Dimana hal tersebut mengindikasikan adanya gejala failure yang akan terjadi.
2. Dari keterangan yang diperoleh di lapangan diketahui bahwa komponen yang sering
mengalami kerusakan adalah bantalan.

 Adapun bentuk masing-masing spektrum dari MIBV ke-1 sampai 12 ditunjukan oleh
gambar dibawah ini :
a) Dari MIBV ke-1 sampai 29 yang ditunjukkan oleh gambar diatas, dapat dilihat
bahwa adanya tren peak getaran yang semakin naik. Hal ini mengindikasikan
terjadinya gejala failure dan penurunan kondisi pada mesin. Berikut adalah data
MIBV lapangan yang diperoleh berupa 29 data spektrum getaran yang digambarkan
sebagai histogram dari amplitudo dominannya.
b) Setiap data spektrum memiliki 513 titik (titik sampel) dan data tersebut akan
digunakan sebagai acuan untuk memprediksikan sisa umur pakai dari data-data
getaran selanjutnya. Dari 29 data yang diperoleh tersebut dibagi menjadi dua yaitu :
 1. Data training: Sebagai data training akan digunakan data ke-1 sampai data ke-
12.
2. Data testing: Sebagai data testing akan digunakan data ke-13 sampai data ke-
29.

 Pada proses training sinyal input tersebut (data spektrum) diberi nama dengan sisa
umur pakai mesin sebagai berikut:

Tabel Penamaan Sinyal Training

 Sinyal MIBV yang pertama diberi nama kurang 12 bulan, kemudian sinyal kedua diberi
nama kurang 11 bulan dan seterusnya. Dimana yang dimaksud adalah waktu untuk
melakukan perawatan (sisa umur) kurang 12 bulan, 11 bulan, dan seterusnya. Setelah
semua data di-training dengan ANFIS yang telah disusun dan telah dapat mencapai
error jaringan yang telah ditentukan, maka langkah selanjutnya adalah melakukan
validasi terhadap ANFIS yang telah disusun. Proses validasi ini dilakukan dengan
melakukan testing dengan menggunakan data 1 tahun setelah dilakukan perawatan.

 Analisa Data yang Digunakan

Dari tiap spektrum MIBV, sebagian besar menunjukan peak pada 2xRPM. Diagnosa dari
sinyal spektrum pada pengukuran di titik MIBV adalah adanya indikasi misalignment
pada poros yang menghubungkan pompa dan motor. Selain itu apabila dilihat dari
gambar contoh spektrum dibawah ini, kondisi diatas juga berarti ada indikasi
misalignment.

Gambar Sinyal Spektrum Misalignment (Girdhar,2004)

 Pada contoh gambar diatas terlihat bahwa misalignment ditunjukkan dengan adanya
peak spektrum pada 2xRPM dengan amplitudo yang lebih tinggi daripada 1xRPM.
Gambar dibawah menunjukkan jenis-jenis misalignment yang umum terjadi.

Gambar Combination Angular/Parallel Misalignment

 Gambar diatas merupakan gambar jenis angular misalignment. Pada angular
misalignment ini, signature vibrasi umumnya akan muncul pada frekuensi yang sama
dengan kecepatan putar (RPM) dari poros. Frekuensi tersebut seringkali disebut dengan
1x RPM. Hal ini dikarenakan saat terjadi angular misalignment kedua permukaan kopling
akan membentuk sudut dengan besar tertentu. Apabila kopling tersebut berputar maka
 akan muncul getaran pada frekuensi yang sebanding dengan putaran poros kopling,
disebabkan adanya siklus kontak-lepas- kontak-lepas dari permukaan kopling. Hal inilah
nantinya juga yang menyebabkan munculnya amplitude pada frekuensi 1xRPM.

 Gambar 4.6(b) merupakan gambar jenis parallel misalignment. Pada parallel

misalignment ini, maka akan muncul spektrum getaran pada frekuensi 2xRPM, dengan
amplitudo yang lebih tinggi daripada 1xRPM. Hal tersebut adalah karakteristik utama
dari indikasi/gejala adanya paralel/offset misalignment. Ketika misalignment yang terjadi
semakin parah maka akan terjadi peak amplitudo pada putaran harmonisnya (3xRPM
sampai 8xRPM).

Gambar 4.7 Efek Misalignment pada Poros Kopling (Girdhar,2004)

 Gambar 4.7 diatas menunjukkan bahwa pada saat terjadi misalignment pada poros
kopling, maka dalam 1 siklus terjadi 2 kali hantaman yang menyebabkan getaran. Hal
inilah yang membuktikan bahwa pada kondisi misalignment terjadi spectrum yang tinggi
pada 2xRPM. Terjadinya misalignment pada poros selalu mengakibatkan terjadinya
unbalance, hal ini diindikasikan dengan amplitudo yang besar pada 1x RPM. Selain itu,
terjadinya misalignment mengakibatkan peningkatan gaya-gaya yang terjadi pada
bearing dan seal. Apabila seal bocor maka sistem pelumasan bearing akan mengalami
kontaminasi dari partikel-partikel asing ataupun air. Kontaminasi pada pelumasan ini
dapat mempengaruhi fungsi-fungsi dari pelumas sebagai pendingin dan pencegah
keausan. Hal-hal tersebut dapat mempengaruhi umur dari bearing tersebut.

 Bearing yang digunakan pada Cooling Waterpump 2A adalah SKF 6318 yang memiliki
spesifikasi sebagai berikut :
 Bd = 36 mm
Pd = 140 mm
N=8

= 00

 Untuk mengetahui adanya indikasi kerusakan pada bearing, maka perlu dilakukan
perhitungan empat frekuensi utama dari bearing. Empat frekuensi utama tersebut yaitu :
1. Fundamental Train Frequency (FTF) : Frekuensi ini menunjukan kondisi dari cage
ball bearing.
2. Ball Spin (BS) Frequency : Frekuensi ini menunjukkan kondisi dari bola pada
bearing.
3. Outer Race (OR) Frequency : Frekuensi ini menunjukkan kondisi dari cincin luar dari
bearing.
4. Inner Ring (IR) Frequency : Frekuensi ini menunjukkan kondisi dari cincin dalam dari
bearing.

 Formula dari keempat frekuensi diatas dapat dirumuskan sebgai berikut :

Dimana:
rps = revolutions per second of inner race
Bd = ball diameter
Pd = pitch diameter
N = number of balls

= contact angle
 Gambar Dimensi pada Bearing

Gambar diatas mengilustrasikan Pitch Diameter(Pd), Number of Balls(N), Sudut Kontak

dan Ball Diameter(Bd). Ball bearing yang tidak memiliki thrust load diasumsikan memiliki
sudut kontak nol. Pada putaran mesin sebesar 1470 rpm (24,5 rps), maka akan
diperoleh empat frekuensi utama dari bantalan SKF 6318 sebagai berikut:

 Dari perhitungan dan grafik spektrum yang diperoleh terlihat adanya indikasi dari
kerusakan bearing. Kerusakan ini dapat dilihat pada spektrum MIBV ke-12 kisaran
frekuensi outer ringi (OR), yaitu 72,8 Hz (3x RPM) yang mempunyai peak value
dikisaran 0,10447 mm/s. Amplitudo pada kisaran frekuensi tersebut merupakan indikasi
terjadinya kerusakan pada bearing.
 Akan tetapi dari grafik spektrum MIBV ke-12 dapat diketahui bahwa terdapat amplitudo
yang tinggi pada frekuensi 143,5553 Hz (6xRPM). Peak tersebut muncul dikarenakan
adanya excessive clearance pada sambungan kopling. Jumlah baut pada sambungan
kopling berjumlah 6. Pada saat misalignment yang terjadi semakin parah, maka
clearance pada sambungan kopling akan semakin besar. Akibatnya terjadi impact pada
keenam baut saat kopling berputar, yang direpresentasikan dengan munculnya peak
spectrum pada 6xRPM.

 Diagnosa dari sinyal spektrum pada pengukuran di titik MIBV adalah adanya indikasi
misalignment. Dapat diambil kesimpulan bahwa misalignment merupakan root cause
(akar permasalahan), karena mengakibatkan terjadinya indikasi kerusakan bearing dan
excessive clearance pada sambungan kopling.

 Fuzzifikasi dan Set Membership Function Untuk Penentuan Sisa Umur

Untuk penentuan membership function awal menggunakan tipe fungsi keangotaan gbell
dan dengan input frekuensi dan amplitudo (power spektrum), maka akan didapatkan
kurva membership function sebagai berikut :

Gambar Fuzzikasi dan Membership function untuk power spektrum

 Gambar Fuzzikasi dan Membership function untuk frekuensi

 Rule Evaluation Fuzzifikasi Untuk Penentuan Sisa Umur

Tahap kedua setelah fuzzifikasi adalah rule evaluation. Dalam tahapan ini digunakan
aturan IF……THEN…… dengan penghubung AND. Karena power spektrum memiliki 3
fuzzy value dan frekuensi memiliki 4 fuzzy value maka rule evaluation mengikuti aturan 3
x 4 rule. Sehingga terdapat 12 rule seperti pada gambar 4.12 dibawah :

Gambar Rule penentuan sisa umur

 Training Data ke Anfis
Untuk proses training anfis ditunjukkan pada gambar 4.13 dibawah.

Gambar Program ANFIS GUI

 Secara umum penggunaan anfis memiliki 3 tahapan, yaitu :

1. Load data
Baik data training, checking untuk validasi maupun data data testing.
2. Generate FIS
Pada tahap ini digunakan grid partisi untuk men-generate FIS. Dimana grid
partisi merupakan pemilihan type membership funtion, jumlah membership
function dan tipe output yang diinginkan. Dalam tugas akhir ini akan diinginkan
output linier. Berikut tampilan grid partisi dari program anfis.

Gambar Setting parameter untuk grid partisi pada anfis.

3. Training FIS
Pada tahap ini akan dipilih proses training untuk FIS yang telah dibuat. Dalam
tugas akhir ini akan dibandingkan antara metode pembelajaran backpropagation
dengan hybrid. Namun sebelumnya dilakukan setting parameter untuk
menentukan error toleransi dan maksimum iterasi yang diinginkan.

Maksimum iterasi menunjukan jumlah iterasi maksimum yang boleh dilakukan

selama proses training. Iterasi akan dihentikan apabila nilai iterasi melebihi
maksimum iterasi yang ditetapkan. Error yang ingin dicapai mengindikasikan
sampai sejauh mana proses training berhasil. Setelah parameter telah
ditetapkan, maka dilakukan proses training dan akan menghasilkan error
tertentu. Proses training dinyatakan berhasil jika error yang terjadi memenuhi
batas error yang telah ditetapkan. Jika error yang terjadi besar berarti training
gagal sehingga perlu dilakukan perubahan pada jaringan. Untuk tugas akhir ini
akan diset toleransi error 10-6 dan jumlah iterasi 100 untuk masing-masing sisa
umur. Pada gambar 4.15 dibawah ditunjukkan proses training pada program
anfis.

Gambar Training data pada anfis

Setelah proses training selesai, maka akan didapatkan sebuah struktur anfis
yang dapat digunakan untuk memprediksi sisa umur berdasarkan pola input data
yang diberikan. Stuktur anfis ini merupakan struktur FIS sugeno yang telah
mengalami proses training. Karena pada saat proses belajar (training) terjadi
perubahan-perubahan parameter pada fungsi keanggotaannya.
 Pada gambar dibawah ditunjukkan struktur anfis dalam mengidentifikasi sisa
umur 1 bulan.

Pada Gambar diatas ditunjukkan surface viewer yang memberikan informasi

tentang hubungan input-output dari anfis yang akan digunakan dalam
memprediksi sisa umur.

4. Tes checking dan testing anfis

Hasil training dari Anfis dapat dievaluasi dengan eksperimen validasi.
Eksperimen validasi (checking) dapat berupa testing pada jaringan yang telah
ditraining sebelumnya. Dengan menentukan besar error tertentu maka akan
diketahui apakah anfis yang telah disusun valid atau tidak. Jika error ≤ RMSE
(Root Mean Square Error) maka anfis berhasil memprediksi sisa umur
 komponen. Nilai RMSE merupakan ukuran performance untuk melihat
kemampuan dari jaringan untuk memproses informasi yang didapatkan. Nilai
RSME yang ditentukan adalah 10-6.

 Record data getaran tersebut diperoleh melalui pengambilan data tiap bulan pada
sepuluh titik pengukuran yaitu:
1. MOH (Motor Outboard Horizontal)
2. MOV (Motor Outboard Vertikal)
3. MIH (Motor Inboard Horizontal)
4. MIV (Motor Inboard Vertikal)
5. MIA (Motor Inboard Aksial)
6. PIH (Pompa Inboard Horizontal)
7. PIV (Pompa Inboard Vertikal)
8. POH (Pompa Outboard Horizontal)
9. POV (Pompa Outboard Vertikal)
10. POA (Pompa Outboard Aksial)

 Input Data Training

Data yang akan digunakan sebagai data input I anfis adalah power spektrum. Karena
power spektrum merepresentasikan besarnya getaran yang terjadi. Sedangkan sebagai
input 2 adalah frekuensi, dimana frekuensi dapat merepresentasikan letak dari masing-
masing penyebab getaran.

Gambar Hubungan input -output pada struktur anfis

 Dengan menggunakan program anfis yang telah dibuat, akan dibandingkan performance
dari sistem pembelajaran backpropagation dengan hybrid pada anfis dalam mengenali
sinyal dalam memprediksi sisa umur saat proses training dan validasi. Pada proses ini
akan dibandingkan pengaruh 3 tipe membership function (MF) yaitu gbell (lonceng), trimf
(segitiga) dan trapezoidal (trapesium) dengan 3 4 MF. Lalu akan dibandingkan juga
pengaruh penambahan membership function sebanyak 2 buah pada masing-masing
model anfis yang telah dibuat.

 Output Data Training

Output dari anfis toolbox ini adalah Root Mean Square Error (RMSE). Error yang terjadi
menunjukkan tingkat keakurasian struktur anfis yang telah disusun dalam mengenali
pola data yang merepresentasikan sisa umur. Adapun contoh proses traning anfis
dengan metode pembelajaran hybrid untuk masing-masing tipe membership function
terlihat pada gambar dibawah ini :

Gambar Hybrid training anfis dengan membership function trimf (segitiga)

Kurva biru menunjukkan konvergensi Root Mean Square Error (RMSE) dari data
training. Kurva konvergensi ini digunakan untuk mengevaluasi hasil dari proses training
yang dilakukan. Dari grafik konvergensi dapat dilihat juga bahwa jaringan memiliki tren
descending (semakin menurun). Apabila penurunan pada RMSE sudah tidak signifikan,
proses training bisa dihentikan. Pada gambar 5.2(a) dan 5.2(c) terlihat bahwa proses
hybrid training dengan menggunakan type membership function segitiga dan trapesium
langsung dapat mencapai error minimalnya pada iterasi ke 2. Pada gambar 5.2(b),
proses hybrid training dengan menggunakan type membership function lonceng dapat
mencapai error minimalnya pada iterasi ke 25. Karena anfis yang telah disusun telah
dapat mencapai error yang diinginkan, ini berarti jaringan telah mempelajari data dengan
baik sehingga siap untuk digunakan dalam memprediksi sisa umur.
 Dari data training menggunakan sistem pembelajaran menggunakan sistem
pembelajaran hybrid dengan 3 4 membership function diperoleh data seperti pada table
dibawah.
Tabel Training data menggunakan sistem pembelajaran hybrid (3 4 MF)

 Dari proses training dengan sistem pembelajaran hybrid yang telah dilakukan dapat
diketahui bahwa stuktur anfis yang disusun dapat digunakan untuk memprediksi sisa
umur bantalan pada Cooling Waterpump. Hal ini dapat dilihat dari hasil error yang
didapatkan kurang dari toleransi error yang ditentukan yaitu sebesar 10-6. Dari tabel
juga diketahui bahwa membership function tipe trapezoidal (trapesium) memiliki akurasi
yang paling baik. Hal ini dapat dilihat dari average training error sebesar 3.5239x10-7,
lebih baik dibandingkan dengan dibandingkan dengan tipe trimf (segitiga) dan tipe gbell
(lonceng) dengan average training error sebesar 7.0109x10-7 dan 9.7476x10-6.
Sedangkan contoh proses traning anfis untuk masing-masing tipe membership function
terlihat pada gambar dibawah ini :
 Dari kurva konvergensi RMSE pada backpropagation training terlihat bahwa jaringan
tersebut dapat mencapai error minimalnya pada iterasi sekitar 80. Akan tetapi error
minimal tersebut dirasa masih cukup tinggi dan masih jauh dari target error yang
diinginkan

 Hasil training menggunakan metode pembelajaran backpropagation (3 4 MF) dapat

dilihat pada tabel dibawah ini
 Dari tabel 5.2 dapat diketahui bahwa hasil training anfis menggunakan metode
pembelajaran backpropagation menghasilkan error yang lebih besar daripada sistem
pembelajaran hybrid. Hal ini berarti bahwa tingkat akurasi dari sistem pembelajaran
hybrid lebih baik jika dibandingkan dengan backpropagation karena sistem
pembelajaran hybrid merupakan gabungan dari 2 sistem, yaitu RLSE dan
backpropagation. Dari tabel diatas diketahui pula bahwa hasil training menggunakan
membership function tipe gbell (lonceng) memiliki tingkat keakurasian yang paling baik.
Hal ini dapat dilihat dari average training error sebesar 0.24702, lebih baik dibandingkan
dengan tipe trimf (segitiga) dan tipe trapezoidal (trapesium) dengan average training
error sebesar 0.26971 dan 0.30138. Selanjutnya akan dilakukan perbandingan hasil
dengan penambahan membership function sebanyak 2 buah pada masing-masing
model anfis yang telah dibuat. Dari data training menggunakan sistem pembelajaran
menggunakan sistem pembelajaran hybrid dengan 5 6 membership function diperoleh
data seperti pada table dibawah ini.

Tabel Training data menggunakan sistem pembelajaran hybrid (5 6 MF)

 Dari tabel diatas diketahui bahwa membership function tipe trimf (segitiga) memiliki
akurasi yang paling baik. Hal ini dapat dilihat dari average training error sebesar
1.1591x10-6, lebih baik dibandingkan dengan tipe trapezoidal (trapesium) dan tipe gbell
(lonceng) dengan average training error sebesar 1.9355x10-6 dan 1.06x10-5.

 Sedangkan hasil training menggunakan metode pembelajaran backpropagation yang

dapat dilihat pada tabel dibawah ini
 Tabel Training data menggunakan sistem pembelajaran backpropagation (5 6 MF)

 Dari tabel diatas diketahui pula bahwa hasil training menggunakan membership function
tipe gbell (lonceng) memiliki tingkat keakurasian yang paling baik. Hal ini dapat dilihat
dari average training error sebesar 0.20852, lebih baik dibandingkan dengan tipe trimf
(segitiga) dan tipe trapezoidal (trapesium) dengan average training error sebesar
0.22847 dan 0.24272.

 Dengan penambahan jumlah membership function sebanyak 2 buah pada proses

training menggunakan sistem pembelajaran hybrid didapatkan hasil bahwa average
training error akan cenderung meningkat. Hal ini terlihat pada saat menggunakan tipe
lonceng dan segitiga. Akan tetapi pada saat mengidentifikasi sisa umur 1, 6, 9, 10 dan
11 bulan cenderung memperbaiki error. Sedangkan average training error ketika
menggunakan sistem pembelajaran backpropagation cenderung menurunkan error saat
menggunakan tipe membership function segitiga, lonceng maupun trapesium.
 Gambar Pengaruh penambahan 2 buah MF dalam proses training data
menggunakan sistem pembelajaran backpropagation

 Pada proses training dengan variasi tipe membership function, didapatkan bahwa tipe
trapezoidal memiliki akurasi prediksi yang paling baik dengan average training error
sebesar 3.5239x10-7. Hal ini berarti bahwa membership function tipe trapezoidal paling
baik dalam memodelkan pola data yang diinputkan kepadanya, yaitu spektrum MIBV.
Tidak ada prosedur baku dalam proses penentuan tipe membership function, karena
proses ini sangat bergantung dengan pola data yang ingin diklasifikasikan. Pada anfis,
proses penentuan membership function sangat menguntungkan karena kemampuan
learning dari jaringan syaraf tiruan digunakan untuk mengatur parameter dalam
membership function sehingga didapatkan hasil yang optimal. Membership function tipe
trapezoidal memiliki core region yang lebih besar dari yang lain, sehingga
menguntungkan ketika digunakan dalam pola data yang kompleks (Jang,1997).

 Testing Anfis
Untuk mengetahui apakah struktur anfis yang disusun telah dapat digunakan untuk
memprediksi sisa umur pakai dari mesin Cooling Waterpump 2A, maka perlu dilakukan
testing. Testing dilakukan dengan menggunakan data MIBV ke-13 sampai dengan 29.
Hasil testing untuk MIBV ke-28dapat dilihat pada gambar 5.6 dan 5.7 dibawah ini:
 Gambar Testing pada hybrid anfis dengan membership function trapmf
(trapesium)

Gambar Testing backpropagation anfis dengan membership function trapmf

(trapesium)

 Kurva merah menunjukkan output anfis aktual dan kurva biru menunjukkan output anfis
yang diharapkan. Perbedaan antara output aktual dan output yang diharapkan adalah
error prediksi yang terjadi pada titik tersebut. Pada prediksi data MIBV ke-28 dengan
sistem pembelajaran hybrid dapat dilihat bahwa error yang terjadi tidak begitu signifikan
dan relatif kecil. Sedangkan pada prediksi data MIBV ke-28 dengan sistem
pembelajaran backpropagation dapat dilihat bahwa jaringan yang disusun tidak dapat
memprediksi data testing dengan baik. Hal ini ditunjukkan dari error yang semakin besar
setelah titik ke 170 hingga 513.
 Tabel Testing data pada hybrid anfis (3 4 MF)

 Dari tabel diatas diketahui bahwa anfis yang disusun dapat mengenali data dengan
benar pada data ke-24 yang dikenali sebagai data sisa umur kurang 5 bulan, ke-25 yang
dikenali sebagai data sisa umur kurang 4 bulan, data ke-26 yang dikenali sebagai data
sisa umur kurang 3 bulan, data ke-27 yang dikenali sebagai data sisa umur kurang 2
bulan, data ke -28 yang dikenali sebagai data sisa umur kurang 1 bulan dan data ke-29
yang dikenali sebagai data kurang 12 bulan seperti yang dijelaskan dalam histogram
peak MIBV pada gambar 4.2. Akan tetapi pada MIBV ke-13 sampai 22 dikenali sebagai
data sisa umur 12 bulan. Hal ini terjadi karena peak spektrum pada MIBV tersebut masih
dibawah dari data training sisa umur terbesar yaitu MIBV ke-1, sehingga anfis mengenali
data tersebut dengan data yang paling mirip dengan data training. Oleh karena itu,
spektrum pada MIBV ke-13 sampai 22 bisa jadi mengindikasikan getaran dengan sisa
umur yang lebih lama. Pada MIBV ke-23 dikenali sebagai data sisa umur 7 bulan, hal ini
terjadi karna pola datanya mengalami kemiripan dengan data sisa umur 7 bulan.
 Error yang didapatkan ketika menggunakan sistem pembelajaran backrpopagation lebih
besar jika dibandingkan dengan sistem pembelajaran hybrid. Hal ini berarti bahwa
tingkat akurasi dari sistem pembelajaran hybrid lebih baik jika dibandingkan dengan
backpropagation karena sistem pembelajaran hybrid merupakan gabungan dari 2
sistem, yaitu RLSE dan backpropagation. Dengan begitu, struktur anfis memiliki
kemampuan yang baik untuk memperbaiki parameter yang akan digunakan dalam
proses prediksi sisa umur.

 Dengan penambahan jumlah membership function sebanyak 2 buah pada proses testing
menggunakan sistem pembelajaran hybrid didapatkan hasil bahwa average training
error akan cenderung meningkat. Baik itu menggunakan tipe membership function
segitiga, lonceng maupun trapesium. Ketika menggunakan sistem pembelajaran
backpropagation cenderung menurunkan error saat menggunakan tipe membership
function segitiga, lonceng maupun trapesium.

 Dari hasil analisa data yang dilakukan, dapat diambil kesimpulan sebagai berikut :
1. Pada proses training dan testing anfis dengan menggunakan sistem pembelajaran
hybrid dihasilkan average error yang lebih baik daripada menggunakan
backpropagation.
2. Pada proses training menggunakan sistem pembelajaran hybrid dan jumlah
membership function 3 4, tipe trapesium menghasilkan average training error yang
paling baik yaitu 3.5239x10-7.
3. Pada proses training menggunakan sistem pembelajaran backpropagation dan
jumlah membership function 3 4, tipe lonceng menghasilkan average training error
yang paling baik yaitu 0.24702.
4. Penambahan membership function sebanyak 2 buah pada proses training dan
testing menggunakan sistem pembelajaran hybrid akan memperbesar nilai average
errornya.
5. Penambahan membership function sebanyak 2 buah pada proses training dan
testing menggunakan sistem pembelajaran backpropagation akan menurunkan nilai
average errornya.
6. Dari hasil testing pada data MIBV ke-24, 25, 26, 27, 28 dan 29, anfis yang disusun
mampu memprediksi sisa umurnya.
7. Dari hasil perbandingan error, diketahui bahwa metode anfis lebih baik dibanding
JST dalam memprediksi sisa umur mesin Cooling Waterpump 2A.
 Saran
1. Untuk rekomendasi penelitian berikutnya, maka penulis menyarankan untuk :
2. Memperbanyak data training anfis untuk meningkatkan performa dari struktur anfis
yang disusun.
3. Dari hasil penelitian ini dapat dibuat sebuah program prediksi sisa umur secara real-
time dengan performa prediksi yang handal.

 Proses input data Training

 Pada proses ini dilakukan training pada 12 data yang sudah ditentukan. Tiap data
dilakukan training dengan 100 kali iterasi. Setelah data 1 sampai 12 selesai detraining
lalu dilakukan langkah ke-2.

 Input data Testing

 Pada proses ini dilakukan input data testing sesuai yang diinginkan. Pilihan data testing
berbentuk popup, sehingga user tinggal memilih lalu klik “test now”. Dan nantinya akan
testing dilakukan terhadap seluruh data training, dan diambil error terkecil yang berarti
terjadi kemiripan pola data pada data training tersebut.

 Hasil test data testing ke-1

 Pada proses ini dilakukan testing untuk data test ke-1. Pada tampilan ditunjukkan bahwa
data tes 1 memiliki error terkecil dibandingkan dengan data training yang
merepresentasikan sisa umur “12 bulan”

 Hasil test data testing ke-2

 Pada proses ini dilakukan testing untuk data test ke-2. Pada tampilan ditunjukkan bahwa
data tes 1 memiliki error terkecil dibandingkan dengan data training yang
merepresentasikan sisa umur “1 bulan”. Hasilnya dapat dilihat pada bagian yang diberi
tanda kotak merah.

 Hasil test data testing ke-3

Pada proses ini dilakukan testing untuk data test ke-3. Pada tampilan ditunjukkan bahwa
data tes 3 memiliki error terkecil dibandingkan dengan data training yang
merepresentasikan sisa umur “2 bulan”.
 Hasil test data testing ke-4

Pada proses ini dilakukan testing untuk data test ke-4. Pada tampilan ditunjukkan bahwa
data tes 4 memiliki error terkecil dibandingkan dengan data training yang
merepresentasikan sisa umur “3 bulan”.

 Hasil test data testing ke-5

Pada proses ini dilakukan testing untuk data test ke-5. Pada tampilan ditunjukkan bahwa
data tes 5 memiliki error terkecil dibandingkan dengan data training yang
merepresentasikan sisa umur “4 bulan”.

 Study remaining life assessment (RLA) dilakukan untuk dapat membantu manajemen
industri dalam menentukan rencana kerja ke depan yang ekonomis, setelah rotating
equipments beroperasi selama bertahun-tahun. Metode metallography untuk dapat
menentukan nilai martensite. Masalah yang sering timbul pada rotating equipment
 adalah pada bagian fast moving objects seperti impeller, shaft, bearing pada pompa.
Ketidaksesuaian kerja pada rotating equipment dapat dideteksi dari tingkat angka
vibrasi. Vibrasi muncul akibat adanya suatu komponen yag bekerja (berputar) secara
tidak sempurna. Mesin yang terdeteksi mempunyai angka vibrasi di atas batas
kelayakan, selanjutnya harus dilakukan pemeriksaan lebih lanjut yang meliputi oil
analysis hingga penggantian komponen agar tidak terjadi perambatan menuju
komponen lain. Semua rotating equipment harus mampu bekerja tanpa henti selama
puluhan tahun, hanya saja disediakan cadangan yang dioperasikan pada saat mesin
sedang menjalani perawatan.

 Langkah penghitungan umur sisa

a. Koleksi dan review data desain dan operation history
b. Koleksi dan review data maintenance dan inspection history
c. Analisa scientific berdasarkan data tahap 1 & 2 dikombinasikan dengan sifat terukur
material peralatan, sebagaimana digambarkan dalam tabel berikut ini

 Pada tingkat 1 data-data dsain dan operasi dikumpulkan dan direview. Melalui review
data-data ini, dapat dilakukan pemilahan alat-alat menajdi dua bagian yaitu critical part
dan non critical part. Selanjutnya dilakukan review tentang failure mechanism yang
mungkin untuk setiap komponen. Beberapa kemungkinan failure mechanism yang
dikenal misalnya : creep, relaxation, therman fatigue, fatigue, embrittlement, erosion dan
corrosion.
 Tingkat 2 memberikan “sejarah” spesifik dari instalasi, sehingga diperoleh data yang
lengkap mulai dari data desain, operasi, maintenance dan inspeksi. Melalui data
maintenance akan didapatkan berbagai informasi penting seperti riwayat penggantian
dan perbaikan komponen. Sedangkan inspeksi atau testing sangat diperlukan untuk
membnadingkan kondisi material suatu komponen/alatsaat ini dengan kondisi awalnya
untuk menentukan besarnya kemunduran (deterioration) alat tersebut.

 Getaran atau vibrasi sangat erat hubungannya dengan rotatibg equipment. Tidak dapat
dipungkiri bahwa sebuah alat yang berputar tentu akan menghasilkan getaran walaupun
 kerap tidak dapat dideteksi secara visual. Oleh karena itu diperlukan alat untuk
membaca besaran vibrasi. Suatu benda yang mengalami gerakan berulang-ulang akan
mengalami kelelahan (fatigue) dan semakin besar gaya (vibrasi) yang terjadi maka
semakin cepat kerusakan mesin terjadi.

 Banyak hal yang menyebabkan suatu equipment mengalami vibrasi, antara lain adalah
karena unbalance, misalignment, rubbing, shaft bengkok atau kerusakan pada sistme
bantalan. Smeua indikasi penyebab gertaran tersebut dapat terbaca dari alat pengukur
vibrasi (spectrum) dengan bentuk yang berbeda-beda sesuai penyebab.

 Pada prisipnya semua benda yang bergerak selalu memiliki titik lelah (fatigue). Suatu
alat yang telah mencapai titik lelahnya, jika tidak ditangani dengan tepat akan mencapai
sebuah kegagalan (failure). Untuk dapat menentukan penyebab suatu kegagalan sangat
perlu dilakukan analisis terhadap kerusakan (failure analysis) agar dapat mengetahui
dan membedakan penyebab dan mekanisme terjadinya kegagalan.

 Remaining life assessment adalah usaha untuk mengukur dan memprediksi umur sisa
suatu mesin. Dengan mengethaui umur sisa suatu peralatan atau bagiannya, maka
teknisis dapat merencanakan penggantian atau perbaikan.

 Data yang dibutuhkan dalam pengukuran umur sisa antara lain :

1. Performance record selama 3 tahun ke belakang
2. Data design dari setiap mesin
3. Piping & instrumentation diagram dari setiap mesin
4. Maintenance record selama 3 tahun ke belakang
5. Martensite data selama beberapa tahun
 Untuk perhitungan unjuuk kerja pompa, harus dibandingkan tenaga yang dikeluarkan
dari pompa denga total tenaga yang diberikan ke pompa. Untuk menghitung tenaga
yang keluar dari pompa atau (dalam satuan HP atau kW), harus mengalikan head
pompa dengan kapasitasnya diikuti dengan angka konversinya. Bagian keluar biasanya
menggunakan term discharge head yang terdiri dari 3 bagian :
1. Statis head
2. Pressure head
3. System/dynamic head
 Dengan penjelasan rumus-rumus dan perhtungan berikut :

 Analisa dan perhitungan

Akibat minimnya data yang diperoileh, maka perhitungan performa pompa hanya
dilakukan terbatas pada daya motor listrik. Untuk menghitung unjuk kerja, akan
dibandingkan dengan kurva pompa dari pabrikan. Penurunan daya pompa umunya
disebabkan pengurangan debit yang harus dialirkan oleh pompa sehingga daya yang
dibutuhkan menurun atau diturunkan. Tetapi yang memang menyebabkan penurunan
pada daya pompa seperti terjadi keausan pada impeller dan casing, peningkatan
gesekan pada bearing yang kondisinya mulai menurun karena usia, kondisi motor yang
menurun, adanya kotoran pada bagian dalam pompa yang dapat menyebabkan
kontaminasi speerti ketidakseimbangan impeller atau terjadi kavitasi dan pengaratan,
pelumasan yang menyebabkan over heat.

 Remaining life assessment tidak dilakukan pada obyek yang bergerak,komponen-

komponen seperti impeller, shaft, bearing dapat dianggap kondisi awal kembali setelah
dilakukan penggantian.
 Dampak dari getaran adalah terjadinya suara bising, turunnya kinerja dan performa
pompa serta dapat merusak komponen pada pompa terutama pada poros dan bantalan.
Hasil penelitian bahwa sinyal getaran motor & pompa inboard diindikasikan parallel
misalignment, sisi Pompa inboard & outboard dari pembacaan sinyal getaran mengalami
kerusakan pada komponen bantalan kerusakan pada bagian pemisah (cage) ditandai
dengan amplitudo dominan pada 600 CPM (1xFTF) dan kerusakan bola amplitudo
dominan pada 6300 CPM (2xBSF). Kerusakan bearing dan misalignment diakibatkan
oleh kerusakan sudu impeller pompa yang ditandai munculnya amplitudo dominan di
putaran kerja pompa itu sendiri (1480 CPM) dan diikuti amplitudo dominan di frekuensi
sudu impeller hingga harmonik (2xBPF).

 Mesin dikatakan ideal pada prinsipnya apabilla seluruh energi yang dihasilkan menjadi
kerja. Walaupun demikian tidak ada yang ideal dari hasil rancangan manusia karena
sebagian energy akan terbuang menjadi bentuk getaran mekanik. Keausan mesin ini
seringkali terjadi dalam jangka waktu yang cepat padahal perbaikan mesin selalu
menggantikan spare part lama dengan spare part baru. Tetapi mengapa getaran-getaran
yang memberikan peringatan bahwa mesin dalam keadaan aus ini cepat menghampiri
mesin Padahal spare part selalu diganti baru jika ada kerusakan.

Gambar Kerusakan pada komponen pompa dan motor

 Analisa vibrasi sangat penting karena salah satu indikator yang baik untuk mendeteksi
masalah mekanis untuk peralatan berputar (Rotating Equipment), karena getaran suatu
mesin yang disebabkan oleh gaya berulang seperti ketakseimbangan, misalignment,
 poros bengkok, kerusakan bantalan, kelonggaran mekanik, gear aus, kavitasi dan
resonasi. Mengukur suatu getaran mesin dibutuhkan suatu transducer getaran yang
berfungsi untuk mengolah sinyal getaran menjadi sinyal lain, dalam hal ini sinyal listrik,
transducer accelerometer umumnya mempunyai bentuk yang cukup kecil dan ringan,
serta range temperature dan frekuensi kerjanya cukup lebar. Accelerometer merupakan
sensor yang dapat digunakan sebagai system monitor getaran maupun untuk analisa
getaran. Untuk membantu memperoleh hasil pengujian dari getaran yang sering terjadi
pada mesin-mesin industri. Transducer accelerometer umumnya mempunyai bentuk
yang cukup kecil dan ringan, serta range temperature dan frekuensi kerjanya cukup
lebar. Accelerometer adalah merupakan sensor yang dapat digunakan sebagai system
monitor getaran maupun untuk analisis getaran. Transducer ini mempunyai sensitifitas
yang tinggi terhadap getaran dengan frekuensi tinggi. Ukuran accelerometer cukup kecil
dan ringan, sehingga accceloremeter ini sangat cocok digunakan diokasi yang
mempunyai ruang yang sangat terbatas.

Gambar Skematika Accelerometer Transducer

 Beberapa keuntungan yang didapatkan dengan menggunakan transducer accelerometer

untuk system pengukuran getaran adalah:
1. Mempunyai respon yang baik terhadap frekuensi tinggi. Mempunyai range frekuensi
kurang dari 2 Hz sampai lebih dari 20K Hz.
2. Dengan bentuknya yang kecil dan ringan dapat digunakan pada posisi dengan ruang
yang sangat terbatas.
3. Dapat diguanakan pada suhu tinggi, yaitu sampai suhu lebih 500 derajat C.

 Untuk mesin-mesin yang didesain dengan jam operasi yang panjang/lama maka
diberikan secara praktis ISO 10816-3 yang memberikan batasan getaran operasional,
yaitu alarms dan trips. Alarms merupakan nilai batas dari getaran yang ditentukan untuk
memberikan peringatan dini bahwa getaran sudah mencapai ataupun ada perubahan
yang signifikan. Apabila batas alarms terjadi, pengoperasian mesin dapat dilanjutkan
 untuk sementara waktu sambil dilakukan investigasi untuk mengidentifikasi penyebab
perubahan getaran dan menentukan tindakan perbaikannya.

Gambar Standar ISO 10816-3

 Karakteristik lain dari getaran yang agak khusus adalah pengukuran spike energy.
Besaran dari spike energy ini agak abstrak karena tidak dapat dijelaskan dengan
gambar dari getaran bandul. Pengukuran spike energy adalah pengukuran getaran
frekuensi tinggi akibat adanya pulsa dari energi getaran. Pulsa dari energi getaran yang
terjadi pada mesin sebagai akibat dari:
1. Permukaan yang cacat dari element rolling bearing atau gear.
2. Rubs, impacts, dan terjadi kontak antara logam dengan logam di dalam mesin yang
berputar.
3. Aliran steam dengan tekanan tinggi atau kebocoran udar.
4. Kavitasi akibat aliran yang turbulen dalam fluida.
 Gambar Standar Enveloping

 Penilitian ini dimulai dengan penerimaan laporan dari operator mengenai kondisi pompa
yang abnormal dengan alat yang digunakan operation vibropen dan kemudian
melakukan peninjauan / pengamatan langsung dilapangan untuk mengetaui kondisi
terkini guna pengambilan data temperatur dan vibrasi menggunakan microlog analyzer
GX. Dari peninjauan yang dilakukan, diketahui masalah apa yang terjadi pada pompa
dan motor tersebut. Salah atu upaya preventive maintenance yang diakukan pihak PT.
Sulfindo Adiusaha adalah menganalisa kondisi motor dan pompa (condition monitoring)
dengan menggunakan pengamatan secara vsual dan vibration monitoring.Pengamatan
secara visual dilakukan pada komponen pompa atau motor yang mengalami kerusakan
saat pembongkaran berlangsung. Sedangkan untuk pengambilan data vibrasi, dilakukan
pada 4 bagian yaitu sisi dalam dan luar motor, serta sisi dalam dan luar pompa. Pada
setiap sisi dilakukan pengambilan data sebanyak 3 kali, yaitu pada sisi horizontal,
vertikal dan axial. Lokasi dan arah pengambilan data vibrasi seperti yang ditampilkan
pada gambar berikut.

Gambar Titik Pengukuran Vibrasi

 Hasil yang didapat pada pemeriksaan vibrasi berupa nilai dari besarnya yang terjadi,
namun data tersebut harus diolah terlebih dahulu, berikut gambaran proses pengukuran
data vibrasi.

Gambar Proses Pengukuran Vibrasi

 Parameter yang dibandingkan adalah amplitudo dan frekuensi. Karena amplitude

sebanding dengan gaya eksitasi yang terjadi pada komponen pompa dan motor. Maka
menurut teori, apabila terjadi kerusakan pada komponen pompa dan motor, maka akan
timbul amplitudo tinggi pada frekuensi tertentu.

 Dari hasil laporan dari operator mengenai kondisi pompa yang abnormal dengan alat
yang digunakan operation yaitu vibropen, kemudian melakukan peninjauan dan
pengamatan langsung dilapangan untuk mengetaui kondisi terkini guna pengambilan
data vibrasi menggunakan microlog analyzer GX dengan transducer accelerometer.
Maka terdapat pompa yang mengalami masalah, nilai vibrasi sudah melebih standar,
berikut nilai vibrasi di jelaskan di Tabel 1.

Tabel Data Vibrasi & Temperature

 Berikut analisa sinyal getaran velocity dari pompa P-011 C sisi Motor & pompa inboard:

Gambar Sinyal getaran velocity motor inboard

Gambar Sinyal getaran velocity pompa inboard

 Gambar 8 dan 9 merupakan bentuk spektrum dalam domain frekuensi. Sumbu

horizontal menunjukan frekuensi dalam bentuk satuan CPM dan sumbu vertikal
menunjukan amplitudo dalam satuan mm/s.

 Pada Gambar 8 Sinyal getaran velocity motor inboard (DE) terlihat:

1. Frekuensi 2960 CPM (2x putaran kerja) dengan amplitudo cukup besar (0.53 mm/s).
2. Amplitudo di frekuensi 1x CPM dan 3x CPM (Tabel 4.3) lebih kecil dari frekuensi 2x
CPM. Dan amplitudo terbesar berada di frekuensi 8880 CPM (6x putaran kerja)
dengan amplitudo (0.66 mm/s).

 Pada Gambar 9 Sinyal getaran velocity pompa inbard (DE):

1. Terlihat frekuensi 2960 CPM (2x putaran kerja) dengan amplitudo cukup besar (0.98
mm/s).
2. Amplitudo di frekuensi 1x CPM dan 3x CPM (Tabel 4.3) lebih kecil dari frekuensi 2x
CPM.
3. Sama dengan sinyal getaran yang dihasilkan pada motor inboard amplitudo terbesar
(Tabel 4.3) berada di frekuensi 8880 CPM (6x putaran kerja). Ini merupakan
frekuensi sudu, dapat dihitung dari perhitungan dibawah ini:
4. Frekuensi sudu = Jumlah sudu x Putaran poros = 6 x 1480 RPM = 8880 RPM

Tabel Data Sinyal Getaran Velocity

5. Berikut trending dan sinyal getaran enveloping pompa inboard:

Gambar Trending Sinyal Getaran Enveloping Pompa Inboard

6. Nilai overall enveloping mengalami kenaikan terlihat dari trending condition

monitoring (Gambar 10) dan nilai overall yang sebelumnya (6.08 gE) mengalami
kenaikan menjadi (14.11 gE) nilai tersebut melebihi standar yang dijinkan yaitu (4
gE). Nilai (14.1 gE) menunjukan kriteria dalam kondisi unacceptable / Danger.

Gambar Sinyal Getaran Enveloping Pompa Inboard (DE)

 Sinyal getaran enveloping pompa inboard (gambar 11) muncul amplitudo tertinggi di sub
harmonik yaitu 0.4x CPM & 0.8x CPM (putaran kerja) dan muncul inter harmonik
frekuensinya pada 4.2x CPM & 8.4x CPM (putaran kerja). Setelah input data bearing
dan perhitungan menggunakan software, maka muncul frekuensi eksitasi impuls disetiap
komponen bantalan, dari sinyal getaran envelope pompa inboard muncul amplitudo
tertinggi berada difrekuensi eksitasi impuls pada komponen bantalan pemisah (FTF)
diikuti harmoniknya. Dan sinyal getaran enveloping pompa inboard muncul amplitudo
tertinggi berada difrekuensi eksitasi impuls pada komponen bola bantalan (BSF) diikuti
harmoniknya.

Tabel Frekuensi Fundamental Elemen Bantalan Pompa Inboard

Berikut analisa sinyal getaran dari pompa, P-011C sisi volute pompa:

Gambar Trending sinyal getaran enveloping volute pompa

 Nilai overall enveloping mengalami kenaikan terlihat dari trending condition monitoring
(Gambar 12) dan nilai overall yang sebelumnya (10.27 gE) mengalami kenaikan mejadi
(23.64 gE) nilai tersebut melebihi standar yang dijinkan yaitu (4 gE). Nilai (23.64 gE)
menunjukan kriteria dalam kondisi unacceptable / Danger.

Gambar Sinyal getaran enveloping volute Pompa

 Dari sinyal getaran enveloping volute (gambar 13) muncul frekuensi sinyal getaran
secara acak hingga di frekuensi tinggi dengan amplitude terbesar di frekuensi 1.55x
CPM (putaran kerja) dengan nilai amplitudo (0.89 gE). Dan kondisi pada saat pompa
operasi disisi volute terdengar suara dengan tingkat kebisingan yang tidak normal.

Gambar Sinyal getaran velocity volute pompa

Tabel Data sinyal getaran velocity volute pompa

 Ditunjukan pada sinyal getaran velocity (gambar 14 & Tabel 4) muncul frekuensi sudu
diikuti harmonik 2x frekuensi sudu, yang mana dapat dihitung dari perhitungan dibawah
ini: Frekuensi sudu= Jumlah sudu x Putaran poros = 6 x 1480 RPM = 8880 RPM

Tabel Hasil Analisa Sinyal Getaran Motor & Pompa Sentrifugal P-011C

 Analisa Akar Permasalahan

Berdasarkan analisa sinyal getaran (vibrasi) yang dilakukan telah diketahui kerusakan
apa saja yang terjadi pada pompa sentrifugal P-011 C, kemudian langkah selanjutnya
dibuatlah ishikawa diagram untuk memudahkan analisa akar dari kerusakan.

Gambar Ishikawa diagram kerusakan pompa

 Dari pemeriksaan yang telah dilakukan diketahui bahwa terdapat beberapa kerusakan
pada komponen pompa, sehingga perlu penelusuran lebih lanjut mengapa potongan
kayu dapat masuk ke aliran masuk pompa, dari hasil penelusuran dan pengamatan
langsung terhadap pompa sentrifugal P-011 C antara lain:
1. Struktur cooling tower diperbaki (pergantian kayu struktur) di bulan november 2016,
sehingga dapat dimungkinkan sepihan potongan kayu terjatuh di basin cooling water
dan tergerus air sehingga menuju aliran masuk pompa sentrifugal.
 2. Pada sistem instalasi pompa sentrifugal P-011 C tidak terdapat strainer, sehingga
benda asing dapat masuk ke bagian volute pompa yang mengakibatkan kerusakan
pada impeller. Dan pada sisi housing bearing mengalami kebocoran seal pelumas
bantalan yang ditandai keluarnya pelumas di area cover bantalan, sehingga bantalan
mengalami kekurangan pelumas.

3. Dari pemeriksaan yang telah dilakukan bahwa kerusakan sudu impeller

mengakibatkan kavitasi, disebabkan oleh potongan kayu yang masuk keruang sudu
impeller sehingga getaran yang berlebih disisi pompa dan menyebabkan kebocoran
seal bantalan pompa. Kekurangan pelumas pada bantalan mengakibatkan bantalan
kontak langsung terhadap komponen yang lainnya tanpa adanya pelapis, sehingga
bantalan mengalami kerusakan. Kerusakan bantalan yang tidak lansung ditindak
lanjuti dikarenakan untuk mempertahankan produksi yang maksimal menyebabkan
kerusakan pada poros pompa karena sistem pelumasan bantalan tidak mencukupi,
dari kerusakan tersebut menyebabkan misalignment.

 Berdasarkan kerusakan yang terjadi dan analisa akar penyebab kerusakannya, maka
dirumuskan strategi perbaikan dan perawatan untuk setiap komponen yang mengalami
kerusakan yang dibuat pada tabel sebagai berikut.

Tabel Rekomendasi Perbaikan Untuk Komponen yang Mengalami Kerusakan

 Penambahn strainer pada pipa aliran masuk (suction) guna untuk menghindari kotoran
atau benda asing keruang sudu impeller yang dapat mengakibatkan kerusakan tersebut
terulang kembali dan melaksanakan perbaikan atau perawatan sesuai prosedur.
 Kesimpulan yang diperoleh dari hasil inspeksi dan analisa kerusakan yang dibahas
dalam tugas akhir ini antara lain:
1. Kerusakan yang terjadi pada pompa sentrifugal P-011 C adalah:
Dari sinyal getaran motor & pompa inboard diindikasikan parallel misalignment. Sisi
Pompa Inboard & outboard dari pembacaan sinyal getaran dapat disimpulkan bahwa
kerusakan pada komponen bantalan disisi bola & pemisah yang ditandai munculnya
nilai frekuensi eksitasi fundamental impuls pada komponen bantalan tersebut dan
dindikasikan kelonggaran mekanik disisi bearing yang ditandai munculnya frekuensi
sub-harmonik dan inter harmonik, menurut illustrated vibration diagnostic chart
technical associates of charlotte. Dan volute pompa dari analisa pembacaan sinyal
getaran dapat disimpulkan terdapat kerusakan pada sudu pompa sehingga
mengakibatkan kavitasi, yang ditandai munculnya frekuensi sudu diikuti harmonik 2x
frekuensi sudu dan munculnya sinyal random di frekuensi rendah hingga tinggi. Pada
saat pompa beroperasi terdengar suara dengan tingkat kebisingan yang tidak
normal.
2. Karakteristik sinyal getaran yang dihasilkan adalah:
Getaran yang terjadi lebih besar diarah radial poros dan 2x putaran kerja nilai
amplitudo lebih besar dibandingkan 1x putaran kerja dapat diindikasikan parallel
misalignment. Pada domain frekuensi, indikasi pertama kerusakan bantalan dapat
diamati pada daerah frekuensi tinggi. Bantalan yang mengalami kerusakan pada
bagian pemisah (cage) menghasilkan amplitudo dominan pada 600 CPM (1xFTF)
dan kerusakan bola akan menghasilkan ampitudo dominan pada 6300 CPM
(2xBSF). Kerusakan pada sudu impeller pompa menghasilkan amplitudo dominan di
putaran kerja pompa itu sendiri (1500 CPM) dan diikiuti amplitudo dominan di
frekuensi sudu impeller hingga harmonic (2xBPF).
3. Akar permasalahan dari kerusakan pompa sentrifugal P-011 C adalah disebabkan
oleh potongan kayu yang masuk keruang sudu impeller sehingga getaran yang
berlebih disisi pompa dan menyebabkan kebocoran seal bantalan pompa.
Kekurangan pelumas pada bantalan mengakibatkan bantalan kontak langsung
terhadap komponen yang lainnya tanpa adanya pelapis, sehingga bantalan
mengalami kerusakan.

 Keandalan merupakan kemampuan sistem atau komponen untuk memenuhi fungsi yang
dibutuhkan dalam kondisi tertentu selama rentang waktu yang spesifik. Keandalan
transformator daya dipengaruhi oleh tingkat kegagalannya. Jurnal ini membahas tentang
analisis keandalan transformator daya berdasarkan nilai TTF (Time To Failure).
Kegagalan transformator daya di sub-sistem transmisi tidak hanya mengurangi
keandalan transformator daya tetapi juga memiliki efek yang signifikan terhadap kualitas
daya. Untuk meningkatkan keandalan utilitas, analisis kegagalan dan tingkat, asal
 kegagalan dan penyebab kerusakan fisik harus dianalisis dan dipelajari. Metode yang
digunakan dalam menganalisis adalah Distribusi Weibull. Distribusi Weibull telah banyak
digunakan sebagai metode matematika untuk menghitung laju kegagalan, keandalan,
dan memprediksi waktu sisa umur peralatan apapun. Dengan menggunakan program
matlab, didapat nilai MTTF (Mean Time To Failure) transformator daya gardu induk titi
kuning PT. PLN Persero adalah 0,4327 tahun, nilai rata-rata laju kegagalan (λ ) adalah
2,3113%/tahun.

 Sistem tenaga listrik merupakan jaringan kompleks yang terdiri dari banyak komponen
seperti generator sinkron, transformator daya, jaringan transmisi, jaringan distribusi dan
beban. Ketersediaan operasional transformator daya adalah suatu kepentingan strategis
bagi perusahaan utilitas listrik. Keandalan transformator daya dipengaruhi oleh
gangguan dan pemeliharaan transformator daya tersebut. Gangguan yang serius pada
transformator daya menyebabkan kontinuitas pelayanan listrik terganggu dan berakibat
kerugian secara ekonomi. Pemeliharaan yang terjadwal dan teratur dapat meningkatkan
keandalan transformator daya, akan tetapi pemeliharaan yang tidak tuntas dan tidak
terjadwal dengan baik akan membuat transformator daya lebih sering tidak beroperasi
atau melayani. Dengan menggunakan data gangguan dan pemeliharaan transformator
daya, dapat dilihat penyebab PMT transformator daya trip/lepas, dan dapat dihitung
indeks keandalan transformator daya. Indeks keandalan transformator daya adalah laju
kegagalan atau fungsi Hazardous λ(t) dan MTTF (Mean Time To Failure), adapun
metode statistik yang digunakan untuk mengolah dan menganalisis data adalah metode
Distribusi Weibull.

 Keandalan adalah suatu kemungkinan dari sebuah barang yang bekerja pada suatu
kondisi tertentu dengan memuaskan dalam suatu periode tertentu. Menurut IEEE,
keandalan adalah kemampuan sistem atau komponen untuk memenuhi fungsi yang
dibutuhkan dalam kondisi tertentu selama rentang waktu yang spesifik. Dari sisi
pandang kualitas, keandalan dapat didefinsikan sebagai kemampuan sebuah barang
untuk dapat tetap berfungsi. Sedangkan dari sisi pandang kuantitatif, keandalan
ditunjukkan sebagai kemungkinan bahwa tidak ada gangguan operasional yang akan
muncul dalam suatu rentang waktu tertentu.

 Agar keandalan ini efektif di pendanaan dan waktu, maka keandalan ini harus
terintegrasi dengan aktivitas-aktivitas proyek, dukungan jaminan kualitas, dan upaya
rekayasa secara bersamaan. Keandalan Transformator daya sangat penting
diperhitungkan dalam sistem tenaga listrik, faktor yang mempengaruhinya adalah
gangguan-gangguan yang menyebabkan transformator daya tidak melayani beban, bisa
 dikarenakan gangguan eksternal, internal, bahkan pemeliharaan transformator daya
tersebut juga mengakibatkan transformator daya tidak melayani.

 Hal-hal yang menjadi indikasi keandalan adalah :

1. Probabilitas / kemungkinan
2. Hal ini merupakan cara untuk menunjukkan sesuatu itu akan terjadi atau tidak terjadi.
Besar nilainya diantara 0 dan 1.
3. Bekerja sesuai dengan fungsinya
4. Menunjukkan tugas dari suatu komponen atau sistem
5. Periode waktu
6. Faktor yang menunjukkan pengukuran waktu dalam penentuan kemungkinan
7. Kondisi kerja memiliki pengaruh penting terhadap keandalan

 Ada banyak cara menyajikan sejumlah distribusi statistik atau probabilitas yang berguna
untuk melakukan berbagai jenis penelitian dalam keandalan, kualitas, dan keselamatan
1. Distribusi Normal
2. Distribusi Binominal
3. Distribusi Poisson
4. Distribusi Eksponensial
5. Distribusi Rayleigh
6. Distribusi Weibull

 Dalam teori probabilitas dan statistik, distribusi Weibull adalah salah satu distribusi
kontinu. Distribusi ini dinamai oleh Waloddi Weibull pada tahun 1951. Suatu peubah
acak x berdistribusi Weibull. Parameter-parameter yang dipergunakan dalam evaluasi
keandalan adalah parameter-parameter distribusi peluang. Nilai dari parameter-
parameter ini sangat tergantung pada waktu kegagalan, waktu perawatan dsb. Dengan
kata lain, komponen-komponen di dalam sistem akan gagal tidak pada waktu yang
sama, dan juga akan diperbaiki tidak pada waktu yang sama pula. Dengan demikian
maka Time To Failure (TTF) komponen pun akan berbeda satu sama lain. Setiap pola
distribusi statistika memiliki parameter tersendiri, distribusi weibull mempunyai 2
parameter yaitu Shape Parameter (Parameter Bentuk), Scale Parameter (Parameter
Skala). Untuk mencari nilai indeks keandalan distribusi weibull, kita perlu terlebih dahulu
mencari nilai parameter-parameter distribusi Weibull. Ada 2 metode mencari parameter
distribusi weibull yaitu metode grafik dan metode analisis.

 Distribusi weibull memiliki beberapa indeks keandalan seperti laju kegagalan, fungsi
keandalan dan MTTF (mean time to failure).
 Laju kegagalan adalah fungsi hazard adalah frekuensi suatu sistem atau komponen
gagal bekerja, biasa disimbolkan dengan λ (lambda). Fungsi laju kegagalan atau fungsi
hazard adalah

Dimana :
λ(t) = Fungsi Laju Kegagalan atau Fungsi Hazardous
F(t) = Probabilitas Fungsi Distribusi Kumulatif
f(t) = Fungsi Kepekatan
α = Scale Parameter
θ = Shape Parameter

 MTTF (Mean Time To Failure) adalah waktu rata-rata terjadi kegagalan dalam suatu
sistem atau komponen. Persamaan umum MTTF (Mean Time to Failure) adalah

Dimana :
MTTF=Waktu Rata-rata Terjadi Kegagalan
λ(t) = Fungsi Laju Kegagalan atau Fungsi Hazardous
F(t) = Fungsi Peluang Kumulatif
f(t) = Fungsi Kepekatan
α = Scale Parameter
θ = Shape Parameter

 Sebelum menghitung indeks keandalan terlebih dahulu dihitung nilai parameter distribusi
weibull. Untuk menghitung parameter distribusi weibull, digunakan persamaan sebagai
berikut.

Misalkan:
 Dimana :
F(t) = Fungsi Peluang Kumulatif
θ = Shape Parameter
α = Scale Parameter
N = Jumlah Kumulatif Kegagalan

 Metode pengambilan data transformator daya dengan cara mengumpulkan dan

mengelompokkan data bulanan pengusahaan gardu induk titi kuning, tepatnya data
trip/lepas PMT 150/20 kV transformator daya 60MVA dari Januari 2009 – Desember
2012.. Trip/lepas PMT 150/20 kV 3 transformator daya 60 MVA dikelompokkan
berdasarkan jenis gangguan yang dialami transformator daya[11-14]. Nilai TTF (Time To
Failure) dari transformator daya GI. Titi kuning dapat dilihat pada Tabel 1.

Tabel 1. Nilai TTF (Time To Failure)

 Analisis Parameter Distribusi Weibull

Mendapatkan nilai fungsi laju kegagalan dan, nilai MTTF (Mean Time To Failure) terlebih
dahulu dihitung nilai parameter distribusi weibull. Dari Tabel 1 dapat diperoleh nilai fungsi
probabilitas kumulatif. Nilai fungsi peluang kumulatif dihitung menggunakan program
matlab dapat dilihat pada Tabel 2.

Tabel 2.Nilai Fungsi peluang Kumulatif

 Untuk mendapatkan nilai parameter distribusi weibull, dicari terlebih dahulu nilai X dan Y.
Nilai X dan Y dihitung menggunakan program matlab dapat dilihat pada Tabel 3.

Tabel 3. Nilai X dan Y

Nilai parameter dihitung dengan menggunakan persamaan (7) dan (8). Nilai Shape
Parameter (Parameter bentuk) dan Scale Parameter (Parameter Skala) setelah
dilakukan perhitungan menggunakan program Matlab diperlihatkan pada Tabel 4.

Tabel 4. Nilai Parameter Distribusi Weibull

 Analisis Keandalan Transformator Daya

Persamaan yang digunakan untuk menghitung nilai fungsi laju kegagalan adalah
persamaan (1). Nilai ilai fungsi laju kegagalan λt (%/tahun) dapat dilihat pada Tabel 5.
Tabel 5. Nilai Fungsi Laju Kegagalan

Persamaan yang digunakan untuk menghitung nilai MTTF (Mean Time To Failure)
adalah persamaan (2). Nilai MTTF (Mean Time To Failure) menggunakan program
matlab dapat dilihat pada Tabel 6.
 Tabel 6. Nilai MTTF (Mean Time To Failure)

 Pada dunia industri, vibrasi dari suatu mesin berputar dimanfaatkan sebagai dasar
dalam menyusun langkah serta jadwal maintenance. Salah satu strategi maintenance
yang dapat digunakan adalah Predictive Maintenance. Predictive Maintenance
merupakan salah satu metode untuk merawat alat. Salah satu instrumen yang sering
dijadikan penerapan Predictive Maintenance adalah rotary machine. Percobaan
dilakukan pada 3 arah secara axial, vertikal, horisontal kemudian didapatkan masing-
masing grafik dengan menggunakan analisa spectrum frekuensi dari MATLAB.
Pengukuran rpm dilakukan menggunakan stroboskop. Data yang diperoleh saat
pengukuran pompa menggunakan stroboskop sebesar 2980rpm. Kesimpulan yang
dapat diambil antara lain hasil monitoring vibrasi terhadap pompa didapatkan jenis
kerusakan Unbalance dikarenakan posisi putaran tidak seimbang akibat adanya
ketidakseimbangan impeller (unbalanced). Hasil monitoring RPM pompa menunjukkan
data kerusakan yang sama pada frekuensi 50 Hz dan 100Hz.

 Pompa merupakan salah satu perangkat yang berfungsi untuk memindahkan fluida dari
tempat satu ke tempat lainnya dengan memanfaatkan perbedaan tekanan, guna dapat
menaikkan tekanan dan kecepatan fluida tersebut. Pentingnya fungsi pompa dalam
suatu proses baik skala rumahan hingga skala industry khususnya yang berhubungan
dengan perlakuan fluida. Oleh karena penggunaan pompa yang secara kontinyu dapat
menyebabkan penurunan performansi dan kualitas dari pompa, belum lagi ketidak
sempurnaan manufaktur pada saat pembuatan. Penurunan kualitas kinerja pompa di
tunjukkan dengan level vibrasi yang mulai naik atau yang ditandai dengan munculnya
suara yang tidak wajar pada pompa. Jika ketidaknormalan kinerja pompa dibiarkan dan
pompa tetap dipaksa bekerja, maka dapat mengakibatkn timbulnya kerusakan jenis lain
yang nantinya dapat mengakibatkan pompa trip semakin cepat. Penurunan kualitas
pompa ini dapat dilakukan analisa melalui level vibrasi yang dihasilkan, jika level vibrasi
melebihi batas yang telah ditentukan maka perlu dilakukan analisa dengan
menggunakan FFT (Fast Fourier Transform) untuk menginvestigasi kerusakan yang
terjadi pada pompa (Yudhistira, 2015). Namun FFT ini tidak dapat digunakan untuk
mempresiksi waktu yang dibutuhkan pompa sejak awal dioperasikan hingga pompa
 mengalami trip. Oleh Karena itu, dalam penelitian ini dilakukan analisa sinyal getaran
pompa dengan menggunaan Hilbert transform dan Cepstrum analisys Pompa adalah
suatu alat yang digunakan untuk memindahkan suatu fluida dari suatu tempat ke tempat
lain dengan cara menaikkan tekanan cairan tersebut. Standart pompa sesuai dengan
API 610, ISO 5199, DIN 24256 (Martianis, 2012).

 Pompa merupakan alat yang berfungsi untuk menimbulkan perbedaan tekanan dalam
fluida sehingga menyebabkan fluida dapat bergerak. Pompa digerakkan oleh motor
listrik. Daya motor listrik penggerak pompa bergantung pada nilai debit pompa, jika debit
pompa besar maka daya motor listrik besar dan sebaliknya. Proses manufaktur di
industri pompa dan motor listrik tidak sempurna 100 % menyebabkan beberapa bagian
pompa yang digabungkan tidak tergabung dengan sempurna. Toleransi manufaktur yang
demikian menyebabkan vibrasi ketika pompa dan motor listrik dioperasikan. Batas
toleransi manufaktur ditentukan oleh level vibrasi berdasarkan ISO 7327. Pompa yang
dioperasikan secara kontinyu akan mengalami penurunan kualitas yang diindikasikan
dengan level vibrasi yang mulai naik. Jika level vibrasi melebih batas yang telah
ditentukan maka perlu dilakukan analisa lebih lanjut menggunakan FFT untuk
diinvestigasi kemungkinan kerusakan yang terjadi pada pompa. Jika pompa dengan
kerusakan tertentu tetap dioperasikan tanpa menghiraukan kerusakan tersebut, maka
akan timbul kerusakan jenis lain yang dapat menyebabkan pompa trip semakiin cepat.
Kerusakan lain yang timbul dapat dideteksi menggunakan FFT. Namun FFT tidak dapat
digunakan untuk memprediksi waktu yang dibutuhkan pompa sejak awal dioperasikan
hingga trip. Dalam peneletian ini diusulkan penggunaan Hilbert transform untuk
memprediksi waktu trip pompa yang akan dikaitkan dengan analisa reliability pompa.

 Proses pembangkitan listrik tenaga panas bumi melibatkan beberapa mesin besar, yaitu
scrubber, turbin, kondensor, hot well pump, cooling tower, dan reinjection pump. Turbin
merupakan komponen kategori critical 1 merupakan komponen yang dapat
menyebabkan seluruh pembangkit listrik shut down jika komponen trip. Untuk menjaga
performa pembangkit listrik dalam kondisi baik dan mencegah terjadinya shut down yang
tidak diinginkan perlu dilakukan perawatan terhadap turbin. Jenis perawatan yang
digunakan adalah perawatan prediktif (predictive maintenance). Predictive maintenance
adalah perawatan yang dilakukan berdasarkan kondisi terkini suatu mesin atau sistem.
Komponen mesin yang rusak atau diindikasikan akan segera rusak segera diganti.
Perawatan prediktif dapat mengoptimalkan keandalan sistem dan menghemat inventaris
suku cadang karena tidak semua suku cadang komponen harus disediakan. Perawatan
prediktif dilakukan dengan mengukur dan menganalisa parameter fisis yang terjadi di
turbin, yaitu getaran, suhu, displacement, dan kekentalan oli. Parameter getaran yang
dapat diamati yaitu akselerasi, kecepatan, dan perpindahan getar (Yudhistira, 2015).
 Secara umum sistem pengukuran dapat digambarkan dalam blok diagram sebagai
berikut:

Gambar 1. Diagram blok pengukuran

 Pada pengukuran vibrasi sinyal input berupa getaran mekanik diubah oleh tranduser
menjadi sinyal tegangan kemudian ditransmisikan keelemen pengkondisisinyal, diproses
oleh elemen pemroses sinyal dan akhirnya ditampilkan dalam bentuk data angka
maupun grafik (spektrum, waveform dan trend). Sesuai dengan tiga besaran pada
vibrasi maka tranduser yang digunakan untuk tugas akhir dalam pengukuran vibrasi
adalah :

 Pompa merupakan pesawat angkut yang bertujuan untuk memindahkan zat cair melalui
saluran tertutup. Atas dasar kenyataan tersebut maka pompa harus mampu
membangkitkan tekanan fluida sehingga dapat mengalir atau berpindah. Fluida yang
dipindahkan adalah fluida inkompresibel atau fluida yang tidak dapat dimampatkan.
Dalam kondisi tertentu pompa dapat digunakan untuk memindahkan zat padat yang
berbentuk bubukan atau tepung.

 Secara umum pompa dibedakan menjadi dua kelompok besar, yaitu :

1. Dynamic Pump
2. 2.2.1.1 Pompa Sentrifugal

 Sebuah pompa sentrifugal tersusun atas sebuah impeler dan saluran inlet ditengah-
tengahnya. Dengan desain ini maka pada saat impeler berputar, fluida mengalir menuju
casing disekitar impeler sebagai akibat dari gaya sentrifugal. Casing ini berfungsi untuk
menurunkan kecepatan aliran fluida sementara kecepatan putar impeler tetap tinggi.
Kecepatan fluida dikonversikan menjadi tekanan oleh casing sehingga fluida dapat
menuju titik outletnya.

Gambar 2.1. Pompa Sentrifugal

 Efisiensi pompa
Berbicara tentang efisiensi sebuah mesin apapun, kita mengacu pada seberapa baik
mesin itu dapat mengubah satu bentuk energi ke bentuk energi lain. Pengurangan
energi yang dihasilkan oleh sebuah mesin ini dikarenakan adanya kerugian atau losis.
Begitu pula dengan efisiensi pompa yang mengubah energi listrik menjadi energi gerak
untuk memutar impeller agar pompa dapat mentransfer fluida dari tempat yang rendah
ke tempat yang lebih tinggi. Berikut adalah rumus untuk menghitung efisiensi pompa :

Dimana

Dari rumus tersebut kita dapat menjabarkan dari mana kita dapat menemukan Daya
Hidrolik (Pw), dan Daya Poros (Psh).

 Daya Hidrolik (Pw)

Dimana :
Q = Kapasitas (m3/s)
�� = Masa Jenis fluida (kg/m3)
g = Percepatan Gravitasi ( m/s2)
H = Head (m)

 Apabila kapasitas, masa jenis dan percepatan gravitasi telah terdapat pada spesifikasi
dan telah diketahui, maka yang dicari yaitu Head (H), berikut adalah rumus perhitungan
Head (H) :

Dimana :
H = Head total pompa (m)
Ha = Head statis pompa (m)
Δℎ� = Perbedaan tekanan pada kedua permukaan (m)
ℎ� = Kerugian yang keluar (m)
� = kecepatan gravitasi (9,81 m/s2)
 Head statis pompa (Ha)
Head statis adalah perbedaan ketinggian (elevasi) dari sisi keluar (akhir proses) pompa
dengan sisi hisap pompa. Dinyatakan dengan satuan meter (m).

 Head karena perbedaan tekanan pada kedua permukaan (Δℎ��)

Dinyatakan dengan rumus :

Dimana :
P1 = Tekanan sisi inlet (hisap) pompa (Kgf/m2)
P2 = Tekanan sisi outlet pompa (Kgf/m2)
� = Masa jeis fluida (kg/m3)
g = Percepatan gravitasi (m/s2)

 Kerugian yang keluar (hf)

Head kerugian adalah head untuk mengatasi kerugian-kerugian yang terdiri atas head
kerugian gesek di dalam pipa-pipa, kerugian di dalam belokan-belokan, kerugian pada
pembesaran dan pengecilan pipa,kerugian pada percabangan dan kerugian pada katup-
katup. Beberapa diantaranya data yang harus dihitung sebelum menghitung kerugian
head adalah kapasitas tiap aliran dalam pipa dan kecepatan rata-rata pada aliran tiap
pipa.

 Sebelum menerapkan formula untuk mencari kapasitas maka kita harus mengetahui
beberapa simbol yang digunakan pada formula tersebut, berikut simbol-simbol yang
digunakan :
Q = Kapasitas awal (m3/s)
Q1′ = Kapasitas aliran percabangan pertama aksen (m3/s)
Q2′ = Kapasitas aliran percabangan kedua aksen (m3/s)
Q1 = Kapasitas nyata aliran percabangan pertama (m3/s)
Q2 = Kapasitas nyata aliran percabangan kedua (m3/s)
D1 = Diameter pipa pertama (m)
D2 = Diameter pipa kedua (m)
A1 = Luas pipa pertama (m)
A2 = Luas pipa kedua (m)
R1′ = Bilangan Renold pertama aksen
R2′ = Bilangan Renold kedua aksen
f1′ = Faktor gesekan Pertama aksen
f2′ = Faktor gesekan kedua aksen
f2 = Faktor gesekan kedua
V1′ = Kecepatan rata-rata pipa pertama aksen (m⁄s)
 V2′ = Kecepatan rata-rata pipa kedua aksen (m⁄s)
V2= Kecepatan rata-rata pipa kedua nyata (m⁄s)
L1 = Panjang pipa pertama (m)
L2 = Panjang pipa kedua (m)
hf1′ = Kerugian gesek pertama aksen (m)
hf2′ = Kerugian gesek kedua aksen (m)
G = percepatan grafitasi (m/s2)
� = viskositas (m2/s)

 Daya Poros (Psh)

Daya poros adalah daya yang digunakan untuk menjalankan pompa atau daya untuk
memindahkan zat cair yang ditambahkan dengan daya untuk mengatasi friksi di dalam
pompa. Sebelum menghitung daya poros hendaknya mencari nilai Daya Motor dengan
rumus :
P motor = √3 x V x I x cos φ
Dimana :
V = Tegangan (volt)
I = Arus (Amper)
Cos φ = Faktor Daya Motor
P motor = Daya motor (Kw)

 Dengan rumus sebagai berikut dapat menemukan Daya Poros pompa :

Dimana :

= Efisiensi motor (%)

P motor = Daya motor (Kw)

 Pada sistemnya ada beberapa perhitungan dengan rumus, antara lain adalah :
 Objek Penelahaan dokumen perencanaan adalah dengan tujuan untuk memeriksa
ketentuan-ketentuan persyaratan minimum sesuai dengan standard, code, maupun
spesifikasi pemilik (owner specification) yang harus dipenuhi

Tabel 2.1 Gejala-gejala kegagalan yang timbul pada pompa (Beebe, 2004)

Tabel 2.1 diatas adalah tabel dari berbagai macam kegagalan pada pompa dan gejala-
gejala yang yang ditimbulkannya. Dari tabel tersebut bisa dilihat bahwa getaran menjadi
indikator untuk mayoritas kegagalan pada pompa. Hal ini menunjukan bahwa getaran
merupakan indikator kondisi mekanikal yang paling baik untuk mendiagnosa kegagalan.

 Pada rotating equipment terdapat predictive maintenance yang menggunakan

pendekatan analisa vibrasi, oil analysis, metallography dan thermography untuk
mengetahui kondisi actual equipment (bukan umur sisa). Analisa data-data operasional
actual (temperature, tekanan, tegangan, arus, output, pengalaman operasional dan
operational tenders.

 Analisa angka vibrasi yang dihasilkan dari setiap alat selama kurun waktu tertentu.
Gejala timbulnya vibrasi merupakan sebuah parameter adanya noise dalam sebuah
mesin. Untuk itu, nilai vibrasi harus selalu diamati agar tidak melampaui batas yang
diijinkan.Semakin besar timbul angka vibrasi, apablia diabaikan akan merujuk pada
sebuah failure. Gejala vibrasi umumnya timbul akibat gesekan pada moving object
 karena kurangnya pelumasan, ketidak seimbangan benda yang bergerak atau berputar,
dan lain – lain. Dari analisa vibrasi, dapat diketahui bagaimana perlakuan dan perhatian
industry terhadap mesin yang mereka operasikan. Selain itu dapat memberi arahan
tentang perawatan yang harus dilakukan terhadap mesin-mesin.

 Thickness (lahu pengurangan ketebalan)

 Pengurangan ketebalan pada material logam merupakan salha satu sebab akibat dari
korosi. Hal ini perlu dipantau karena akan sangat mempengaruhi kekuatan logam.
Perhitungan design material pasti sangat memperhitungkan kekuatan material yang
berasal dari dimensi selain jenis bahannya.

 Agar tujuan umum dapat tercapai, dalam kemajuan dan perkembangan teknologi
dibutuhkan beberapa aspek dalam RLA:
1. Sistematik assessment procedure yang terintegrasi dan komponen spesifik yang
dievaluasi dan metode yang digunakan dalam evaluasi, termasuk biaya dan
keuntungan metode tersebut.
2. Identifikasi mekanisme kerusakan berdasarkan servis yang digunakan dalam
kegiatan operasi pompa tersebut.
3. Metode probalitas untuk creep dan creep-fatigue life assessment untuk peralatan
yang mengalami cyclic thermal loading.
4. Menetapkan reference database dari mateiral properties yang dapat diakses dan
digunakan secara engineering praktis.
5. Data historikal pada peralatan exsisting termasuk; as-built dimension, material,
fabrication procedure (welding practice), operational loading seperti: pressure,
mechanical vibration, cyclic fluctuation, dan eksposur lingkungan (temperatur, fluida
service)
6. Code dan standard untuk perpanjangan umur pakai serta resertifikasi yang akan
digunakan.
7. Damage accumulation model dan metode life-prediction jika terindikasi terjadi creep-
fatigue, creep, creep-fatigue crack growth dan thermal-mechanical fatigue (TMF).
Damage accumulation adalah mekanisme kegagalan yang terakumulasi dari
mekanisme fatigue, creep, dan oxidation dapat digunakan dengan pendekatan.

8. Stress-strain analisis meliputi mekanisme perpatahan inelastic (plastic deformation)

jika terindikasi terjadi TMF. Memungkinkan akan terjadi akumulasi perpatahan plastik
dari:
PP – plastic in tension and compression
 CP – creep in tension and plastic in compresion
PC – plastic in tension and creep compression
CC – creep in tension and compresion

9. Prosedur standard pengujian untuk mengkarakterisasi mikrostruktur dan mechanical

properties pada material yang tereksposur. Untuk aplikasi lapangan plastic-
replication dan teknik miniature-specimen.
10. Metode Non-destructive untuk in-splace measurement dan monitoring dari
mikrostruktur parameter dan mechanical properties dari material yang tereksposur.
11. Prosedur untuk repair dan peremajaan dari pressure vessel dan piping sistem dari
hasil implementasi metode RLA baik untuk pemilihan procedure dan sertifikasi.

Gambar Kurva Potential Failure to Failure (Moubray, 1997)

 Perhitungan performa pompa
Untuk perhitungan unjuk kerja pompa, harus dibandingkan tenaga yang dikeluarkan dari
pompa dengan total tenaga yang diberikan ke pompa. Untuk menghitung tenaga yang
keluar dari pompa atau (dalam satuan HP atau kW), harus mengalikan head pompa
dengan kapasitasnya diikuti dengan angka konversinya. Bagian keluar biasanya
menggunakan term discharge head yang terdiri dari 3 bagian :
1. Static head
2. Pressure head
3. System/dynamic head

 Efisiensi Pompa

 Water Horse Power

3960e = Converter untuk mendapatkan satuan HP

WHP (HP)
Debit (USgpm)
Headh (ft)

 Daya input motor listrik

V = Tegangan (Volt)
I = Arus listrik (Ampere)
PF = Power Factor (0.79
 Gambar 2.3 Hasil program analisa sinyal menggunakan FFT (Roky, 2006)

Tabel 2.2 Validasi data independent menggunakan sistem hybrid (Abet,2009)

 Gambar 2.6 Hasil program prediksi sisa umur menggunakan JST (Prastowo,2006)

 Dari hasil plot frekuensi domain oleh FFT dari sinyal learning waveform MIBV(Motor
Inboard Vertical) diketahui bahwa Jaringan saraf tiruan yang disusun Anugrah prastowo
mampu memprediksi sisa umur pakai, yaitu dengan hasil akhir ”Maintenance kurang 12
bulan”.

 Dalam studi RLA sangatlah diperlukan pemahaman mengenai mekanisme kerusakan,

karena dengan mempelajari dan mengetahui tipe dan jenis mekanisme kerusakan akan
bermanfaat untuk penentuan rencana inspeksi sebagai salah satu hasil dalam studi
RLA.

 Secara garis besar mekanisme kerusakan yang terjadi di industri minyak dan gas bumi
terbagi menjadi beberapa kategori yaitu :
1. Mekanisme kegagalan mekanikal dan metalurgikal
Contoh : Brittle Fracture, Thermal Fatique, Erosi – Korosi, Kavitasi dll
2. Korosi general atau lokal
Contoh : Atmospheric corrosion, Corrosion Under Insulation (CUI), CO2 Corrosion dll
3. Korosi pada temperatur tinggi (4000 F)
Contoh : Oxidasi, Sulfidation, Nitriding dll
4. Environment – Assisted Cracking
Contoh : Chloride Stress Corrosion Cracking, Caustic Stress Corrosion Cracking dll
5. Pada studi RLA untuk peralatan putar, mekanisme kerusakan yang diprediksi terjadi
adalah sebagai berikut :
a) Korosi Atmosferik
Bentuk korosi yang muncul dari kelembaban yang berkombinasi dengan kondisi
atmosferik. Lingkungan laut dan lingkungan industial yang polusi tinggi dengan
kontaminan memiliki tingkat yang paling parah. Lingkungan pedesaan yang
kering memiliki tingkat korosi yang relatif kecil.

Unit yang terkena effect :

Semua unit yang memiliki material carbon steel, low alloy steel dan copper
alloyed aluminium. Piping dan peralatan dengan temperatur yang cukup rendah
sehingga muncul uap air (lembab). Peralatan dimana coating atau paintingnya
dalam kondisi rusak. Peralatan yang memiliki rentang temperatur yang dinamis.

Gambar 3. Atmospheric Corrosion

b) Korosi CO2

Korosi karbon dioksida terbentuk ketika CO2 larut di dalam air dan membentuk
carbonic acid (H2CO3). Bentukan ini dapat menurunkan pH dan pada jumlah
yang cukup dapat menyebabkan korosi general dan atau korosi pitting dari
material carbon steel.

Unit yang terkena effect :

Peralatan carbon steel dan low alloy steel bertekanan yang terekspos CO2 dan
air. Seluruh sistem kondensasi. Permukaan bawah apabila pada peralatan
terdapat fase cair dan permukaan atas apabila terdapat kondensasi dari gas
basah.
Gambar 4. CO2 corrosion of a carbon steel oil and gas production flow line

Gambar 5. Higher magnification view of the corrosion pits in Gambar 4.

c) Wet H2S Damage

Hydrogen Blistering : berbentuk cembungan pada ID, OD atau di dalam material

dari pipa atau vessel. Blister merupakan hasil dari atom hidrogen yang terbentuk
selama proses sulfide corrosion pada permukaan baja, yang masuk ke dalam
baja dan terkumpul pada discontinuity pada baja seperti inclusion atau laminasi.
Atom hidrogen berkombinasi membentuk molekul hidrogen yang terlalu besar
untuk bercampur dan membentuk tekanan pada point dimana deformasi terlihat,
membentuk blister. Blistering merupakan hasil dari hydrogen yang terproduksi
korosi, bukan gas hydrogen dari proses.

Hydrogen Induced Cracking (HIC) : Hydrogen blister dapat terbentuk pada

kedalaman yang berbeda-beda pada baja. Pada beberapa kasus blister yang
berdekatan dapat menimbulkan crack yang menghubungkan antar blister.
Interconnecting crack antara blister sering berbentuk seperti anak tangga,
sehingga kadang HIC disebut stepwise cracking.
d) Stress Oriented Hydrogen Induced Cracking (SOHIC)

Mirip seperti HIC namun merupakan bentuk yang lebih berbahaya dari crack
yang mana tampak seperti crack yang bertumpuk satu sama lain. Hasilnya
adalah crack yang tembus dan tegak lurus terhadap permukaan dan dipengaruhi
oleh tekanan level tinggi (residual atau apllied). Biasanya muncul pada base
metal berdekatan dengan HAZ dimana dimulai damage HIC atau crack jenis lain.

e) Sulfide Stress Corrosion Cracking (SSC)

Dideskripsikan sebagai crack disebabkan oleh kombinasi dari tensile stress dan
korosi pada kehadiran dari air dan H2S. SSC adalah bentuk dari hydrogen stress
cracking yang dihasilkan penyerapan dari atom hidrogen yang diproduksi oleh
sulfide corrosion pada permukaan metal.

f) SSC

Dapat terbentuk pada permukaan baja pada zona lokal dimana memiliki tingkat
kekerasan yang tinggi dan HAZ. Zona high hardness dapat ditemukan pada weld
cover passess dan attachment weld yang tidak dilakukan heat treatment yang
sesuai. PWHT berguna untuk menurunkan tingkat kekerasan dan tekanan residu
yang dapat membuat baja menjadi lebih tahan terhadap SSC.

Unit yang terkena effect :

Pada peralatan carbon steel dan low alloy steel yang terekspos lingkungan H2S
basah. Kerusakan biasanya muncul pada daerah lasan dan nozzle.

Gambar 6. Schematic of hydrogen blistering and HIC damage

Gambar 7. Extensive hydrogen blistering on the surface of steel pressure vessel

Gambar 8. Cross section of plate showing HIC damage in the shell of a trim cooler
which had been cooling vapors off a HHPS vessel in a hydroprocessing unit.

Gambar 9. High magnification photomicrograph of HIC damage

Gambar 10. High magnification photomicrograph showing stepwise cracking

nature of HIC damage.
Gambar 11. Schematic showing hydrogen blistering that is accompanied by
SOHIC damage at the weld

Gambar 12. Schematic of SOHIC damage at a fillet weld that is usually a

combination of SSC and SOHIC

Gambar 13. Photograph showing WFMT of SOHIC damage.

 Gambar 14. Schematic of SSC damage of a hard weld.

Gambar 15. Schematic showing morphology of sulfide stress cracking in hard

heat affected zone.

 Fatigue-life Prediction and Validation

The fatigue life prediction approaches can be classified into different categories,
including stress-based and strain-based life prediction approaches for crack nucleation.
The stress-based approach considers the controlling parameter for fatigue life to be the
nominal stress. The relationship between the nominal stress amplitude and the fatigue
life is often represented as an S–N curve, which can be expressed as

Where Sa is an applied alternating stress and SN is the fully reversed fatigue strength at
Nf cycles to failure. If a mean stress, or residual stress is superimposed on an
alternating stress, its effect can be accounted for by using relations such as modified
Goodman line and Gerber parabola.
 The modified Goodman line equation is given by

 where Sf is the fully reversed fatigue strength of smooth specimens, Sm is the mean
stress, and Su is the ultimate tensile strength.

 It is worthwhile to mention that the centrifugal pump under study is subject to numerous
start-ups and shut-downs during its working life. In particular during a start-up, the volute
casing is proved to be under different stress states due to variations in flow and
consequently in working pressures. Hence, calculated stresses from working pressures
in section 3.2 can be utilized to determine the fatigue life of both initial and optimized
volute casings. FE analyses were performed to predict Sa and Sm for both initial and
modified model. In this research Smin is equal to zero, Since Sa=Sm. For initial model
Sa=Sm=115 and for modified model Sa=Sm=92. In addition, an average number of 20
start-ups per hour is considered in calculation of fatigue lives.

 Shows the applied nominal stress versus observed fatigue life. This S–N line is plotted
by linear interpolation of fatigue strength, Sf, at long life (106 cycles), with fatigue
strength at short life (1 cycle) [9]. This figure indicates that the predicted fatigue life of
modified model is significantly more than the predicted fatigue life of initial model.

 The experimental lives for both initial and modified models are shown to agree
reasonably well with the S-N predicted line. However, the results remain still reasonable
but very conservative at short lives. This is partly due to the conservative nature of the
commonly used modified Goodman mean stress equation. It should be stated that in this
paper the fatigue strength at 1 cycle is used rather than at 1000 cycles, which leads to
more conservative results. Moreover, at short lives, the localized plastic deformation
reduces the stress amplitude as is the case for initial volute casing.
 Figure Nominal Stress versus Experimental Life and S–N Prediction.

 Experimental fatigue life and S-N prediction are in reasonable agreement; nevertheless,
S-N curve is conservative for higher cyclic load levels. Therefore, modification applied to
the initial geometry of the volute casing enhances its mechanical reliability and working
life from about 2000 hours up to 10000 hours.

Figure Catastrophic pump failure frequency/consequence plot

 Figure : Generic centrifugal pump leak area/frequency

Figure : Risk Based Pump Analysis – consequence analysis step

 Variasi beberapa jenis kerusakan seperti misalignment, unbalance, bad bearing, bad
gear serta kombinasinya yang akan digunakan sebagai data training

 Item : Boiler Feed Water Pump

a) Failure Mode: Unbalance rotor , Turbulensi pada pompa, Grease pada motor habis
b) Dampak : Vibrasi tinggi untuk Unbalance rotor dan Turbulensi pada pompa, Bearing
cepat rusak untuk Grease pada motor habis
c) Penyebab : danya keausan pada fan blade (Unbalance rotor) dan pembukaan katup
masuk tidak sesuai SOP (Turbulensi pada pompa), Seal ring bearing sudah kendor
(Grease pada motor habis )
 d) Pencegahan : Balancing rotor fan (Unbalance rotor) dan Pengoperasian pompa
sesuai SOP (Turbulensi pada pompa), Pengecekan kondisi bearing dan seal ring
(Grease pada motor habis)

 Kegagalan Mesin failure seringkali membatasi waktu kerja pada situasi kritis. Kondisi
Kegagalan sulit diidentifikasi dan bahkan pada beberapa kasus hampir tidak mungkin
untuk diidentifikasi dan ditemukan dalam rentang waktu tertentu. Perawatan berkala
cenderung menurunkan umur pakai meningkatkan down-time dan pada akhirnya akan
mengakibatkan kehilangan produktivitas. Salah satu metode yang sering digunakan
untuk memprediksi degradasi unjuk kerja dari suatu mesin adalah dengan melihat
getaran yang terjadi pada mesin tersebut. Dengan menggunakan sensor getaran maka
akan didapatkan data getaran suatu mesin pada rentang waktu tertentu. Data tersebut
dapat digunakan untuk memprediksikan kondisi mesin pada saat yang akan datang
prognostik. Data yang diperoleh berupa data getaran suatu mesin berbasis waktu yang
harus diubah terlebih dahulu menjadi berbasis frekuensi. Dari data tersebut kemudian
disusun jaringan syaraf tiruan JST yang dapat digunakan untuk memprediksi sisa umur
efektif dari suatu mesin atau sistem. Dimana JST memiliki kelebihan dalam mencari
hubungan antara variabel bebas dan responnya tanpa pemodelan matematis. Error
yang dapat dicapai oleh jaringan syaraf yang telah disusun adalah 10-6.

 Salah satu metode yang dapat digunakan untuk memproses data getaran untuk dapat
memprediksi sisa umur pakai dari suatu mesin atau time series prediction adalah
dengan membuat jaringan syaraf. Dari susunan jaringan syaraf tiruan tersebut
diharapkan akan dapat diketahui degradasi unjuk kerja dari suatu mesin.

Gambar Performance Degradation (Lee et al., 2004)

Pada gambar diatas, semakin besar confidence value (CV) menunjukkan bahwa mesin
akan semakin sering mengalami kegagalan (failure) dan sebaliknya.