PROPOSAL PROYEK AKHIR

DETEKSI KERUSAKAN BEARING DAN STATOR PADA MOTOR

INDUKSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
DENGAN FEATURE EXTRACTION METODE DWT (DISCRETE
WAVELET TRANSFORM)

Oleh :

Muhamad Rifqy Nurfarhani Hidayat

NRP. 3110191049

Dosen Pembimbing I
Endah Suryawati Ningrum, ST, MT.
NIP. 19750112 200012 2 001

Dosen Pembimbing II
Ali Husein Alasiry, ST, M.Eng.
NIP. 19731027 200003 1 001

Dosen Pembimbing III

Zaqiatud Darojah, S.Si., M.Si.
NIP. 19820511 200912 2 001

PROGRAM STUDI D4 TEKNIK MEKATRONIKA

DEPARTEMEN TEKNIK MEKANIKA DAN ENERGI
POLITEKNIK ELEKTRONIKA NEGERI SURABAYA
2022
 LEMBAR PENGESAHAN PROPOSAL PROYEK AKHIR
Deteksi Kerusakan Bearing Dan Stator Pada Motor Induksi Menggunakan
Backpropagation Neural Network Dengan Feature Extraction Metode DWT
(Discrete Wavelet Transform)
Proposal Proyek Akhir ini diajukan untuk dilanjutkan sebagai Proyek Akhir di
Program Studi Sarjana Terapan Teknik Mekatronika
Departemen Teknik Mekanika Dan Energi
Politeknik Elektronika Negeri Surabaya
Disetujui dan disahkan pada tanggal 14 Juli 2022, oleh:
Tim Penguji: Dosen Pembimbing:
1. 1.

Nama Gelar Endah Suryawati Ningrum, S.T., M.T.

NIP NIP. 19750112 200012 2 001
2. 2.

Nama Gelar Ali Husein Alasiry, ST, M.Eng.

NIP NIP. 19731027 200003 1 001
3. 3.

Nama Gelar Zaqiatud Darojah, S.Si., M.Si.

NIP NIP. 19820511 200912 2 001

Mengetahui,
Ketua Program Studi Sarjana Terapan Teknik Mekatronika

Mohamad Nasyir Tamara, S.ST., M.T

NIP. 19850807 201504 1 003

2
 Deteksi Kerusakan Bearing Dan Stator Pada Motor Induksi Menggunakan
Backpropagation Neural Network Dengan Feature Extraction Metode DWT
(Discrete Wavelet Transform)

ABSTRAK
Motor induksi merupakan mesin yang memiliki peran penting dalam dunia industri
maupun rumah tangga. Penggunaan motor induksi di lingkup industri dan rumah
tangga memiliki jangka waktu penggunaan yang panjang. Salah satu komponen
penyusun motor induksi yang paling sering mengalami kerusakan ada pada bagian
bearing dan stator, bearing memiliki peran fungsi untuk menumpu sebuah poros agar
poros dapat berputar tanpa mengalami adanya gesekan yang berlebihan terhadap
mesin. Sedangkan stator pada motor induksi memiliki peranan penting yaitu
menghasilkan induksi magnet dengan putaran rotor. Terjadinya kerusakan pada mesin
ini dapat menghambat proses produksi. Penelitian ini bertujuan untuk membuat
sebuah sistem pendeteksi kerusakan bearing dan stator pada motor induksi satu fasa
dengan parameter suhu, arus listrik dan getaran. Sistem ini terdiri dari pembacaan
sensor (suhu, arus dan getaran), proses feature extraction menggunakan metode
Discrete Wavelet Transform (DWT), proses pattern recognition menggunakan
Backpropagation Neural Network (BNN), serta proses penampilan informasi kondisi
bearing dan stator dengan komputer. Dengan system tersebut deteksi kerusakan pada
stator dan bearing dapat dilakukan secara real time

Kata Kunci : Motor Induksi , Discrete Wavelet Transform (DWT), Backpropogation

Neural Network(BNN), motor induction, fault detection, bearing, stator, feature
extraction.

3
 Detection of Bearings and Stators fault in Induction Motors Using
Backpropagation Neural Network With Feature Extraction Method DWT
(Discrete Wavelet Transform)
ABSTRAK
The induction motor is a machine that has an important role in the industrial and
household worlds. The use of induction motors in industry and households has a long
period of use. One of the components that make up an induction motor that is most
often damaged is in the bearing and stator, the bearing has a function to support a
shaft so that the shaft can rotate without experiencing excessive friction against the
engine. While the stator of the induction motor has an important role, namely to
produce magnetic induction with the rotation of the rotor. The occurrence of damage
to this machine can hamper the production process. This study aims to create a
bearing and stator damage detection system on a single phase induction motor with
parameters of temperature, electric current and vibration. This system consists of
sensor readings (temperature, current and vibration), feature extraction process using
the Discrete Wavelet Transform (DWT) method, pattern recognition process using
Backpropagation Neural Network (BNN), and the display of information on bearing
and stator conditions using a computer. With this system, detection of damage to the
stator and bearing can be done in real time

Keywords: Induction Motor, Discrete Wavelet Transform (DWT), Backpropogation

Neural Network (BNN), induction motor, fault detection, bearing, stator, feature
extraction.

DAFTAR ISI

BAB 1. 1
PENDAHULUAN 1
1.2 Perumusan Masalah 3

4
 1.3 Batasan Masalah 3
1.4 Tujuan 4
1.5 Kontribusi 4
BAB II 5
TUJUAN PUSTAKA 5
2.1. STATE OF THE ART 5
1. 2.2 Dasar Teori 6
2.2.1 Motor Induksi 6
2.2.2 Decomposting Wavelet transform (DWT) 10
2.2.3 Backpropagations Neural Network 12
2.4.1 Arsitektur jaringan backpropagation 13
Penggunaan BackPropagation terdiri dari dua tahap : 14
Tahap Belajar dan Pelatihan Backpropagation 14
BAB III 15
PERANCANGAN DAN IMPLEMENTASI SISTEM 15
1. 3.1 Tipe dan Variasi Motor Induksi 17
4.2 Sensor 18
1.2.1. Sensor Vibrasi 18
3.2.2 Senor Arus 19
3.2.3 Sensor Temperatur 20
4.3 Software 20
3.3.1 Pembacaan Sensor 20
3.3.2 Metode DWT untuk Proses Feature Extraction 20
3.3.3 BNN Method untuk Pattern Recognition 21
3.3.4 PC untuk Menampilkan Informasi 21
4.4 Perancangan Sistem Elektronika dan Mekanika 21
4.5 Perancangan Perangkat Lunak 23

5
 DAFTAR GAMBAR
Gambar 1 Distibusi Diaknosa Kerusakan Pada Motor Induksi 2
Gambar 2 Induction motor’s construction 7
Gambar 3.1 Induction motor’s construction 7
Gambar 4 Bearings construction 8
Gambar 5 Komponen LPF, HPF, proses filterisasi dan down sampling [5] 10
Gambar 6 Proses Multi-level decomposition 11
Gambar 7 Proses rekonstruksi Transformasi Wavelet Diskrit (DWT) dan Invers Diskrit
Wavelet Transform (IDWT) 12
Gambar 8 (a) Proses DWT dan (b) Proses IDWT menggunakan data wavelet db2 12
Gambar 9 ilustrasi jaringan saraf tiruan 13
Gambar 10 Metotologi Pengerjaan Project Akhir 16
Gambar 11 Motor Induksi Moswell AQUA DB-125 18
Gambar 12 Macam-macam Kondisi Bearing 18
Gambar 13 Sensor Accelerometer 19
Gambar 14 Sensor Arus 19
Gambar 15 Sensor temperatur 20
Gambar 16 Rancang Sistem Elektronika 22
Gambar 17 Mekanika 22
Gambar 18 Asembly prototype elektrik ke motor 23
Gambar 19 Flowchart Proses Learning Backpropogation 24

6
 BAB 1.

PENDAHULUAN

1.1 Latar Belakang

Motor induksi merupakan motor yang paling umum digunakan pada berbagai
peralatan industri dan rumah tangga. Motor ini sering digunakan sebagai penggerak
utama dalam peralatan industri seperti kompresor, pompa udara, feed water pump,
dll. Motor ini bekerja dengan memanfaaatkan medan magnet pada stator yang
kemudian menghasilkan fluks pada rotor sehingga rotor tersebut akan berputar.
Namun motor induksi terkadang mengalami kerusakan, sehingga proses produksi
harus dihentikan. Beberapa kerusakan terkait sering terjadi akibat pemeliharaan dan
pengoperasian motor yang tidak teratur [2].

Komponen utama pada motor induksi terdiri dari stator, rotor, bearing, shaft, dan
terminal box. Kerusakan pada motor induksi kadang kala terjadi terutama akibat
,elebihan beban, beban tidak seimbang dan tegangan tidak stabil karena control
inverter[8].

Kerusakan pada motor induksi diklasifikasikan menjadi dua, yaitu kerusakan

mekanik dan kerusakan elektrik. Pada kerusakan elektrik seperti bilah rotor yang
rusak, eksitaritas celah udara, hubungan arus pendek, kegagalan isolasi, dll.
Sedangkan untuk kerusakan mekanik seperti kerusakan pada bearing, gesekan rotor
dan stator, pergeseran rumbu rotasi rotor, dll.[7]

Untuk mengetahui kerusakan yang terjadi pada motor induksi perlu adanya proses
pembongkaran kontruksi pada motor induksi ini,

Sebagian besar peralatan mesin dan peralatan produksi harus menghadapi

kesalahan dan malfungsi. Ketika peyebab kegagalan pada sistem telah di temukan,

1
dibutuhkan beberapa tindakan untuk memperbaikinya. Butuh waktu yang lama untuk
memperbaiki malfungsi pada sebuah sistem. Ketika mesin atau sistem operasi
berhenti dapat berpengaruh besar pada performa kuantitas dan kualitas pada proses
produksi. Dimana perusahaan akan mengalami penurunan kinerja produksi hingga
kegagalan produksi. Akibatnya perusahaan akan mengalami peningkatan jumlah
kerugian dan pengurangan fungsi pada sistem itu sendiri.

Gambar 1 Distibusi Diaknosa Kerusakan Pada Motor Induksi

Sumber: Muvvala, K., Nair, A., Mangrulkar, A., Mistry, H., Mukadam, S.,2018

Berdasarkan penelitian[1] sebanyak 51% kerusakan pada motor induksi terjadi

pada komponen bearing, sedangkan pada porsi kedua sebanyak 15% kerusakan
terjadi pada stator winding. Kedua komponen tersebut merupakan komponen utama
dalam suatu motor induksi. Sehingga industri akan melakukan perbaikan secara
langsung berupa pembongkaran terhadap kerusakan yang terjadi pada motor induksi
tersebut. Perbaikan tersebut tentu akan menghambat jalannya proses produksi pada
suatu industri, sehingga mengalami kerugian yang sangat besar. Perbaikan tersebut
juga memakan waktu yang cukup lama, mulai dari pemeriksaan, perbaikan dan
pemasangan ulang. Jangka waktu tersebut sangat berpengaruh terhadap hasil produksi
dalam suatu industri. Padahal kerusakan pada motor induski tersebut belum tentu

2
berasal dari kedua komponen tadi, meski keduanya penyumbang presentase terbesar
pada sebab kerusakan motor induksi.

Penelitian ini mendeteksi dari sinyal input getaran yang di identifikasi dari
getaran motor yang di deteksi oleh sensor dan diubah kedalam sinyal diskrit agar
dapat di baca. Kemudian sinyal arus stator dianalisis dengan program pemrosesan
sinyal. Suhu yang tinggi juga didetksi menggunakan sensor thermal, dimana
peningkatan panas membuat suhu belitan stator meningkat sehingga
mengakibatkan penurunan kerusakan isolasi belitan. Proses feature extraction
menggunakan Discrete Wavelet Transform (DWT). Kemudian masuk kedalam proses
Pettern recognition menggunakan Backpropagation Neural Network (BNN).
Penampilan data dilakukan secara real time pada PC.

1.2 Perumusan Masalah

Berdasarkan uraian latar belakang, maka didapatkan permasalahan yang akan

dibahas pada pengajuan proyek akhir ini. Adapun perumusan masalah pada
proyek ini adalah sebagai berikut:

1. Bagaimana membuat rancangan sistem untuk melakukan Deteksi

kerusakan pada Bearing Dan Stator menggunakan Backpropogation
Neural Network (BNN) dengan feature extraction menggunakan metode
Discrete Wavelet Transform (DWT)
2. Bagaimana implementasi alat deteksi keruskan bearing dan stator pada
motor induksi satu phase dengan diberikan beban air
3. Bagaimana hasil perbandingan metode Discrete Wavelet Transform
(DWT) dengan metode Empirical mode decomposition (EMD) dalam
malakukan deteksi kerusakan bearing dan stator pada motor induksi

1.3 Batasan Masalah

3
 Berdasarkan perumusan masalah diatas, dapat ditentukan batasan-batasan masalah
dalam pengajuan pengajuan akhir ini. Berikut batasan masalah dalam proyek ini:

1. Sistem deteksi dan pecegahan kerusakan pada perawatan bearing hanya

bekerja pada motor induksi 1 fasa
2. Parameter yang dapat digunakan terdiri dari temperatur, arus listrik, dan
vibrasi
3. Sistem dapat mendeteksi kondisi stator normal dan abnormal
4. Sistem dapat bekerja pada bearing normal dan rusak, kondisi bearing yang
rusak, yang dikalsifikasikan menjadi rusak bagian dalam (inner fault),
rusak bagian luar (outer fault), dan rusak bagian roll bearingnya (rolling
fault)

1.4 Tujuan

Tujuan utama dari penelitian ini adalah untuk mengetahui kondisi bearing dan
stator motor induksi satu phase dengan beban air melalui hasil klasifikasi
Backpropagation Neural Network dengan feature extraction menggunakan metode
Discrete Wavelet Transform (DWT). Kemudian hasilnya akan dibandingkan
dengan feature extraction menggunakan metode Empirical Mode Decompotitions
(EMD).

1.5 Kontribusi

Alat ini dapat membantu periusahaan untuk dapat mengetahui pada bagian mana
dari motor yang mengalami gangguan, sehingga industry tidak secara langsung
mematikan motor apabila terjadi gangguan dan menyebabkan kerugian yang besar
bagi industry tersebut. Industry juga tidak serta merta membongkar motor tersebut
apabila terjadi gangguan sehingga meminilisir pengursngan life time dari motor
tersebut. Pada alat ini juga dibuat sebuah packaging yang dapat dengan mudah
digunakan oleh teknisi.

4
 BAB II

TUJUAN PUSTAKA

Bab ini berisi tentang penelitian-penelitian terdahulu yang berkaitan dengan

pengajuan proyek akhir yang dikerjakan dan teori penunjang yang digunakan sebagai
dasar dari perencanaan dan pembuatan pengajuan proyek akhir.

2.1. STATE OF THE ART

Berdasarkan hasil dari penelitian[3],mengenai identifikasi Decomposition

Wavelet Transform dari outer race bearing melalui Analisa aliran stator pada motor
induksi. Dapat disimpulkan bahwa Decomposition Wavelet Transform mampu
mendeteksi kerusakan pada outer race bearing dengan menguraikan sinyal kemudian
menghitung kekuatan sinyal rata-rata. Sehingga menggunakan metode discrete
wavelet mampu untuk mendeteksi kondisi bering rusak atau sehat.

Pada riset [4]. Dimana membahas mengenai deteksi tingkat kerusakan outer race
bearing pada mesin induksiyang disarkan pada anila sinyal arus stator selama kondisi
stabil. Dan hasil klasifikasi menunjukan bahwa metode Linear Discriminant Analysis
(LDA) dapat mendeteksi kerusakan dan memperkirakan tingkat kerusakannya secara
akurat untuk beban uji yang berbeda.

Pada penelitian [1] Decomposting Wavelet transform (DWT) digunakan untuk

mendeteksi kerusakan pada outer race bearing menggunakan aliran stator pada motor
Induksi.dimana metode Decomposting Wavelet transform (DWT) digunakan sebagai
pemrosesan sinyal sebagai Sarana mengetahui keadan motor. Hasil pengujian
membuktikan bahwa Decomposting Wavelet transform (DWT) mampu mendeteksi
perbedaan normal atau rusak kondisi motor induksi

Pada penelitian lain [2] , menyebutkan bahwa hasil ekstraksi fitur metode Discrete
Wavelet transform mampu menguraikan sinyal arus dan mendeteksi kerusakan pada
stator berdasarkan parameter statik.

5
 Dari penelitian [7], diketahui bahwa percobaan serta Analisa menggunakan
Backpropogation Neural Network (BNN) dapat mengklasifikasikan sinyal dari 400
dat alatih dengan akursi 100% dengan input sinyal arus, dan 98% dengan unput data
getaran dari hasil ekstrasi IMF.

1. 2.2 Dasar Teori

2.2.1 Motor Induksi

Motor induksi merupakan sebuah alat yang mengubah energy listrik menjadi energy
gerak. Prisip kerja dasar apda motor induksi yakni adanya induksi magnet diangtara
stator dan mesin motor yang berinteraksi[7]. Motor induksi ini banyak digunakan
dalam dunia industry maupun untuk kebutuhan rumah tangga. Namun tentunya motor
yang dipakai di keduanya berbeda. Pada kebutuhan rumah tangga, motor industry
satu phase digunakan sebagai pompa air, compressor, mixer, kipas angina, dan lain
sebaghaianya. Sedangkan pada dunia inndusti biasanya menggunakan motor tiga
phase, namun tidak menutup kemungkinan adanya motor satu phase yang digunkaan.

Pada penelitian ini menggunkan motor satu phase. Hal ini dikarenakan motor satu
phase mudah ditemukan dan menjadi kebutuhan rumah tangga yang sanagtlah
penting. Kontruksi motor ditunjukan pada gambar 2.1 dibawah ini.

6
 Gambar 2 Induction motor’s construction

Sumber: Susilo, Didik, D., 2008, “Deteksi Kerusakan Bantalan Gelinding Pada Pompa Sentrifugal
Dengan Analisis Sinyal Getaran”, Mekanika, Vol. 7 No.
1, Sept. 2008
Kerusakan pada kelistrikan dan mekanikal merupakan cocntoh keruskan ytang terjadi
pada motor induksi. Kerusakan pada kelistrikan umumnya berhubungan langsung
dengan sumber listrik dan stator pada motor induksi. Sedangkan kerusakan pada
mekanikal umunya disebabkan oleh lebihnya beban dan perubahan beban yang terjadi
secara tiba-tiba. Hal itu biasanya terjadi pada komponen bearing dan rotor motro
induski. Bearing meupakan komponen yang berputar dan menjaga performa dari
motor agar tetap dalam kondisi yang baik. Kontruksi bearing umunya terbagi menjadi
4 bagian utama yakni outter, inner, ball, dan cage[Rianto] seperti yang ditunjukan
pada gambar 2.2 berikut.

7
 Gambar 4 Bearings construction

Sumber: Yu, X., Dong, F., Ding, E., Wu, S., Fan, C., 2018, “Rolling Bearing Fault Diagnosis Using
Modified LFDA and DWT with Sensitive Feature Selection”, IEEE

Kerusakan bearing menyebabkan rotor asimetri dengan stator sehingga timbul vibrasi
pada rotor. Vibrasi tersebut menyebabkan terbentuknya frekuensi harmonisa pada
arus masukan stator. Persamaan karakteristik frekuensi getaran untuk kerusakan
bearing dapat dilihat pada persamaan berikut[Rianto]:

𝑓𝑂𝐷 = 𝑛 2 𝑓𝑟𝑚 (1 − 𝐵𝐷 𝑃𝐷 cos 𝜑 ) (2.4)

𝑓𝐼𝐷 = 𝑛 2 𝑓𝑟𝑚 (1 − 𝐵𝐷 𝑃𝐷 cos 𝜑 ) (2.5)
𝑓𝐵𝐷 = 𝑃𝐷 2𝐵𝐷 (1 − ( 𝐵𝐷 𝑃𝐷) 2 cos2 𝜑 ) (2.6)
dimana:

fOD: frekuensi kerusakan pada outer-race

fID : frekuensi kerusakan pada inner-race
fBD: frekuensi kerusakan pada bola bearing
n : jumlah bola bearing frm: putaran rotor perdetik
BD : diameter bola bearing
PD : diameter cage bearing

Stator juga salah satu komponen utama pada suatu kontruksi motor induksi. Stator
merupakan bagian yang diam dan mempunyai kumparan yang dapat menginduksikan
medan elektromagnetik kepada kumparan rotornya. Pada gambar 1.1 stator

8
menempati urutan kedua setelah bearing yang berpotensi terjadinya kerusakan dengan
presentase sebesar 15,8%. Berdasarkan penelitian [document], gangguan stator dapat
dua jenis, yaitu: gangguan di belitan stator dan

gangguan di inti stator. Gangguan di belitan stator dapat disebabkan oleh: temperatur
yang tinggi pada inti dan belitan, kontaminasi akibat minyak, kelembaban dan
lain-lain, kerusakan pada ujung belitan, hubung singkat, pembebanan
pengasutan, electric discharge, bocor pada sistem pendinginan.Awal mula
terjadinya gangguan hubung singkat adalah dengan munculnya partial
discharge dikarenakan faktor tekanan lingkungan dan juga cacat bawaan dari
motor. Terjadinya hubung singkat dimulai bertahap dari hubung singkat
temporer dengan durasi pendek arus pendek (impedansi tinggi) menuju gangguan
permanen arus tinggi.

Kerusakan yang terjadi pada belitan stator dapat menyebabkan motor induksi
mengalami ketidak normalan putaran sehingga arus stator mengandung harmonisa
dengan frekuensi kerusakan bisa diprediksi dengan persamaan dibawah ini

Fst= | fs ± fp |

Dimana fst merupakan frekuensi kerusakan stator, fp merupakan frekuensi

prediksi kerusakan belitan Stator, dan fs merupakan frekuensi sumber listrik (50
atau 60 Hz. Kerusakan yang terjadi pada belitan Stator memberikan
komponen harmonic dalam spectrum arus pada frekuensi. Sehingga frekuensi
kerusakan bisa terlihat dengan persamaan berikut:

fst=fs[1−sp]

Dimana fst merupakan frekuensi prediksi kerusakan belitan stator, fs merupakan

frekuensi sumber listrik (50 atau 60 Hz), “p” merupakan jumlah pasang kutubdan s
merupakan nilai slip kecepatan.

9
 2.2.2 Decomposting Wavelet transform (DWT)
Discrete Wavelet Transform merupakan wavelet yang merepresentasikan sinyal
dalam domain waktu dan frekuensi. Discrete Wavelet Transform memiliki
keunggulan diantaranya adalah mudah diimplementasikan dan efisien dalam hal
waktu dan perhitungan. Pada transformasi ini terjadi filterisasi dan down sampling,
yaitu pengurangan koefisien pada fungsi genap. Hal ini bisa diuraikan dalam Gambar
2.5

Gambar 5 Komponen LPF, HPF, proses filterisasi dan down sampling [5]
Prinsip dasar Discrete Wavelet Transform adalah bagaimana cara mendapatkan
representasi waktu dan skala dari sebuah sinyal menggunakan sebuah Teknik
pemfilteran digital dan operasi sub-sampling [14]. Untuk menaksirkan sinya hasil
transformasi ini dibentuk filter low pass dan high pass. Keluaran dari high pass dan
low pass bisa dilihat dalam bentuk Persamaan 2.3 dan 2.4
❑
yHp [ k ] =∑ ❑u [ m ] . g [ 2 k −m ] 2.3
❑

❑
yLp [ k ]=∑ ❑u [ m ] . h [ 2 k−m ] 2.4
❑

Pada tahap awal sinyal (S) akan dilewatkan pada rangkaian high pass filter dan low
pass filter, kemudian setengah dari masing-masing keluaran diambil sebagai sampel
melalui operasi sub-sampling. Proses ini disebut sebagai proses dekomposisi satu
tingkat. Keluaran dari low pass filter digunakan sebagai masukan dan akan diproses

10
pada dekomposisi berikutnya. Proses ini akan diulang sampai tingkat proses
dekomposisi yang diinginkan. Gabungan dari keluarankeluaran high pass filter dan
low pass filter yang terakhir disebut sebagai koefisien wavelet dan berisi informasi
sinyal hasil transformasi yang telah terkompresi. Proses dekomposisi secara detail
dapat dilihat dalam gambar 2.5

Gambar 6 Proses Multi-level decomposition [5]

Didalam Discrete Wavelet Transform terdapat proses pengembalian kembali
komponen-komponen yang telah kita gunakan. invers Discrete Wavelet Transform
(IDWT) merupakan kebalikan dari Discrete Wavelet Transform (DWT). Pada
transformasi ini dilakukan proses rekonstruksi sinyal atau mengembalikan komponen
frekuensi menjadi komponen sinyal semula. Transformasi dilakukan dengan proses
up sampling dan pemfilteran dengan koefisien filter invers. Sehingga dalam satu
sistem transformasi wavelet empat macam filter, yaitu low pass filter dan high pass
filter dekomposisi, dan high pass filter rekonstruksi. Proses rekonstruksi transformasi
secara detail digambarkan dalam Gambar 2.6 dan 2.7 [5]

11
 Gambar 7 Proses rekonstruksi Transformasi Wavelet Diskrit (DWT) dan Invers Diskrit Wavelet
Transform (IDWT) [5]

Gambar 8 (a) Proses DWT dan (b) Proses IDWT menggunakan data wavelet db2 [5]
2.2.3 Backpropagations Neural Network
Berdasarkan[https://www.ketutrare.com/2013/04/backpropagation-neural-network-
jaringan.html] Backpropagation merupakan salah satu bagian dari Neural Network.
Backpropagation merupakan metode pelatihan terawasi (supervised learning), dalam
artian mempunyai target yang akan dicari. ciri dari Backpropagation adalah
meminimalkan error pada output yang dihasilkan oleh jaringan. dalam metode
backpropagation, biasanya digunakan jaringan multilayer. 

12
 Gambar 9 ilustrasi jaringan saraf
tiruan

Jaringan multilayer yang dimaksud adalah layer yang terdiri dari input layer (layer
masukan), hidden layer (layer tersembunyi), output layer (layer keluaran). Dalam
pengembangannya, hidden layer dapat terdiri dari satu atau lebih unit hidden layer.

Gambar 2.9 backpropagation dengan 1 unit hidden layer

Sumber : buku jst

2.4.1 Arsitektur jaringan backpropagation
Pada gambar, diperlihatkan arsitektur jaringan backpropagation dengan satu unit
hidden layer. Xi adalah unit input layer, Zj adalah unit hidden layer, dan Yk adalah
unit output layer. Setiap unit memiliki bobotnya masing-masing. Vij adalah bobot

13
dari unit input layer ke unit hidden layer dan  Wjk adalah bobot dari unit hidden layer
ke unit output layer.
Penggunaan BackPropagation terdiri dari dua tahap : 

2. Tahap Belajar atau pelatihan, dimana pada tahap ini pada backpropagation
neural network diberikan sejumlah data pelatihan dan target.
3. Tahap pengujian atau penggunaan, pengujian dan penggunaan dilakukan
setelah Backpropagation selesai belajar.

Tahap Belajar dan Pelatihan Backpropagation

● Setiap umpan maju (feedforward), setiap unit input (Xi) akan menerima sinyal
input dan akan menyebarkan sinyal tersebut pada tiap hidden unit(Zj).
● Setiap hidden unit kemudian akan menghitung aktivasinya dan mengirim
sinyal (zj) ke tiap unit output.
● Kemudian setiap unit output (Yk) juga akan menghitung aktivasinya (yk)
untuk menghasilkan respon terhadap input yang diberikan jaringan.
● Saat prose pelatihan (training), setiap unti output membandingkan aktivasinya
(yk) dengan nilaui target (tk) untuk menentukan besarnya error.
● Berdasar error ini, dihitung faktor delta k, dimana faktor ini digunakan untuk
mendistribusikan error dari output ke layer sebelumnya.
● dengan cara yang sama, faktor delta j juga dihitung pada hidden unit Zj,
dimana faktor ini digunakan untuk memperbaharui bobot antara hidden layer
dan input layer.
● Setelah semua faktor delta ditemukan, bobot untuk semua layer diperbaharui.

14
 BAB III

PERANCANGAN DAN IMPLEMENTASI SISTEM

Dalam bab ini, berisi tentang perancangan sistem secara keseluruhan baik itu secara
hardware maupun software. Dijelaskan pula disini bagaimana cara
mengimplementasikan sistem tersebut dari rancangan yang telah dibuat.

4.1 Desain Sistem

Pada proyek akhir ini dibuat system deteksi dan pencegahan pada idenfikasi
kerusakan bearing dan rotor pada motor induksi 1 phase, sistem ini dilengkai dengan
sensor getaran, sensor thermal, serta sensor current untuk mendeteksi kerusakan pada
bearing dan stator pada motor induksi.sistem identifikasi ini menggunakan metode
Discrete Wavelet Transform (DWT) dalam mengenali dan ekstraksi sinyal. Prosedur
dalam pengerjaan tugas akhir dapat dilihat pada gambar 3.1

15
 Gambar 10 Metotologi Pengerjaan Project Akhir

Deteksi kerusakan bearing dan stator pada pompa air menggunkaan tiga buah
sensor yang kemudian dikemas dalam satu pakage menjadi sebuah modul siap pakai
yang praktis dan mudah di gunakan. Sensor tersebut akan menghasilkan data yang
direkam pada pompa air dalam keadaan hidup. Data tersebut akan disaring dengan
proses analisa yang terjadi pada Arduino. Kemudian data akan dikirim dan di proses
di dalam PC/mini PC menggunakan Cloud Computing Tensor Flow.

Tahap pertama yaitu pengambilan data dari ketiga sensor tersebut(sensor vibrasi,
sensor arus dan sensor temperature), dimana motor pompa dalam keadaan hidup.
Sensor temperature hanya digunakan sebagai referensi. Apabila temperature pada

16
bearing dan stator bertambah tinggi atau diluar batas ambang normal, maka
memungkinkan adanya kerusakan pada kedua komponen tersebut. Hal ini tentu dapat
menambah kuat hasil prediksi dari proses Analisa data menggunakan sensor vibrasi
dan arus. Sensor suhu tidak dilewatkan pada feature extraction dan pattern
recognition tapi langsung pada deteksi kerusakaan, dimana terdapat parameter
bertambahnya temperature. Sehingga dapat diketahui normal bearing dan abnormal
bearing dari temperature yang dikeluarkan.

Data dari sensor vibrasi dan sensor arus akan difilter terlebih dahulu untuk
menghilangkan noise pada data tersebut melalui proses feature extraction
menggunakan metode Discrete Wavelet Transform (DWT)

Kemudian data yang telah melewati proses extraction oleh DWT akan masuk pada
pattern recognition menggunkan Backpropagation Neural NEtwor (BNN). Data
tersebut akan diklasifikasi dan membentuk pola sesuai denngan kategorinya. Hasilnya
BNN dapat mengklasifikasi motor normal dan motor yang mengalami gangguan.
Hasil tersebut akan ditampilkan melalui mini PC atau PC sehingga dapat dengan
mudah diketahui gangguan yang teerjadi pada motor pompa.

1. 3.1 Tipe dan Variasi Motor Induksi

Motor yang digunakan dalam penelitian ini ialah motor 1 phase. hal ini dikarenakan
motor satu phase mudah didapatkan di pasaran dan kegunannya pada lingkungan
rumah tangga dan industri juga cukup banyak. Motor ini bermerek Moswell AQUA
DB-125 dengan spesifikasi 220 V, 50 Hz, 125W, dan 2850 RPM seperti pada gambar
3.3.

17
 Gambar 11 Motor Induksi Moswell AQUA DB-125 [7]

Berdasarkan penelitian [rianto] kondisi bearing terbagi menjadi dua, yakni normal
bearing dan abnormal bearing. Abnormal bearing pada penelitian ini terbagi menjadi
beberapa macam kerusakan, antara lain inner fault, outer fault, dan ball fault.

Gambar 12 Macam-macam Kondisi Bearing [7]

4.2 Sensor

Pada penelitian ini, sensor yang dipakai sebagai mengambil data ialah sensor vibrasi,
sensor arus dan sensor temperature yang akan dijelaskan lebih detail dibawah ini.

1.2.1. Sensor Vibrasi

Pada penelitian ini menggunakan Accelerometer MMA7361 sebagai pembaca
getaran dari motor pompa 1 phase. Sensor ini merupakan modul yang memliki
akselerasi 3 axis. Modul MMA7361 dapat dioperasikan dengan tegangan sebesar
3,3 V sampai 5V DC.

18
 Gambar 13 Sensor Accelerometer [7]

3.2.2 Senor Arus

Pembacaan arus pada penlitian ini menggunkaan sensor ACS712. ACS712
merupakan sensor yang presisi sebagai sensor arus AC atau DC dalam pembacaan
arus didalam dunia industri, otomotif, komersil dan sistem-sistem komunikasi. Pada
umumnya aplikasi sensor ini biasanya digunakan untuk mengontrol motor, deteksi
beban listrik, switched-mode power supplies dan proteksi beban berlebih.

Gambar 14 Sensor Arus [7]

Sensor ini memilki 2 buah pin terminal dan 3 pin sebagai VCC, OUT (data) dan
GND. Kabel motor akan dihubungkan dengan pin terminal sensor sebagai pembaca
arus motor. Pin VCC dihubungkan dengan tegangan sebesar 5V. Pin OUT
merupakan data pembacaan yang dikeluarkan oleh sensor. Dan pin GND
dihubungkan dengan GND. Untuk keamanan, sensor arus harus diletakan jauh dari
jangkauan air.

19
 3.2.3 Sensor Temperatur
Pembacaan suhu pada motor pompa menggunkaan sensor suhu LM35. LM35 dapat
dioperasikan pada tegangan 4-30V. pada penlitian ini kami memberikan tegangan
sebesar 5v untuk mengoperasikannya. Sensor ini dapat menghasilkan panas(self-
heating) dari tegangan input. Sehingga dapat menghasilkan error pada pembacaan,
namun erro tersebut sangatlah rendah, yaitu dengan akurasi sebesar 0,5 C pada 25
C.

Gambar 15 Sensor temperature [7]

Pada penlitian ini sensor ditempatkan pada tengah rotasi motor yaitu pada area case
motor sehingga dapat dengan efektif membaca suhu yang dihasilakan oleh motor.
LM35 dipasangan dengan relay.

4.3 Software

Software yang digunakan pada penelitian ini terdiri dari berberapa macam, yakni
feature ektraction menggunakan DWT, proses pattern recognition menggunakan
BNN dan penampilan informasi menggunakan PC atau mini PC

3.3.1 Pembacaan Sensor

Sensor akan terbaca olmembutuhkan media untuk dapat dibaca oleh software. Pada
penelitian ini menggunakan Arduino Uno sebagai mikropresesor dan Tensor Flow
sebagai software program.

20
 3.3.2 Metode DWT untuk Proses Feature Extraction
Metode DWT digunakan sebagai feature extraction pada penelitian kali ini. Sinyal
yang telah terbaca oleh sensor kemudian diteruskan untuk diproses menggunakan
algoritma DWT. Input yang digunakan untuk metode DWT adalah input getaran yang
telah dilakukan melalui proses pembacaan sensor. Karena fungsi DWT dugunakan
untuk mengektrak sinyal input menjadi beberapa sinyal compositing dan sinyal
residual. Kemudian hasil eltraksi diubah menggunakan fungsi transpose untuk
menampilkan grafik hasil ektraksi. Keluaran dari program ini adalah sinyal Instrinsic
Mode Function. Program pada proses ini menggunakan MathScript pada softwere
TensorFlow.

3.3.3 BNN Method untuk Pattern Recognition

BNN digunakan sebagai klasisfikasi dari hasil feature extraction oleh DWT.
Sehingga akan didapat dikelompokkan menjadi beberapa kategori, normal dan
abnormal pada bearing dan stator. BNN akan menampilkan kondisi bearing menjadi
4 kondisi, yaitu normal bearing, kerusakan outer, inner, dan rolling. Sedangkan pada
kondisi pada stator akan ditampilan 2 kondisi yakni normal dan abnormal atau fault.
Software program yang digunakan untuk BNN yaitu TensorFlow.

3.3.4 PC untuk Menampilkan Informasi

Informasi mengenai kondisi pada bearing dan stator pada penelitian ini akan
ditampilkan melalui PC.

4.4 Perancangan Sistem Elektronika dan Mekanika

Pada penelitian ini, membutuhkan mikrokontroler dan sensor yang dipakai sebagai
mengambil data, diantaranya ialah mikrokontroler Arduino sensor vibrasi, sensor arus
dan sensor temperature. Kemudian setiap komponen akan di atching dalam sebuah

21
PCB kemudian dibuatkan sebuah packaging box agar dapat menjadi suatu modul
lengkap yang mudah digunakan. Pengaturan pin-pin sensor dihubungkan dengan
mikrokontroler yang ditunjukan pada gambar 3.3 .

Gambar 16 Rancang Sistem Elektronika

Gambar 17 Mekanika

22
 Gambar 18 Asembly prototype elektrik ke motor

4.5 Perancangan Perangkat Lunak

Data sinyal getaran dan arus serta derajat teperatur yang terbaca oleh sensor akan terekam
oleh sensor. Data tersebut akan dikirimkan dengan komunikasi serial kepada PC/mini PC
yang disimpan dalam bentuk excel. Sensor akan bekerja selama satu detik untuk
pengambilan data, dengan estimasi jumlah data yang dapat diambil sebanyak 890 data [6]

23
 Gambar 19 Flowchart Proses Learning Backpropogation

Data yang sudah didapat kemudian diproses menggunakan feature extraction untuk
mengurangi input proses learning Backpropogation. Jenis feature extraction yang
digunakan Discrete Wavelet Transform (DWT) Pada proyek akhir ini data akan
ditampilkan secara melalui tampilan GUI.

24
[1] Abduh Muhamad, dkk.,2020, “Deteksi Kerusakan Outer Race Bearing Pada Motor
Induksi Melalui Analisa Arus Stator Menggunakan Metode Fast Fourier Transform
(FFT)”,Universitas Hang Tuah Surabaya, Surabaya.
[2] Hardiyanti Tiara, 2019, Induction Motor Stator Fault Detection Using Discrete
Wavelet Transform Based on Statistical Parameters, Politeknik Elektronika Negeri
Surabaya, Surabaya.

[3] Winarno Istiyo, Hidayanto Choirun, dkk., 2019, “Decomposition Wavelet Transform
as Identification of Outer Race Bearing Damage Through Stator Flow Analysis in
Induction Motor” ,Universitas Hang Tuah Surabaya, Surabaya.

[4] Reemon Z. Haddad, Cristian A. Joan Pons-Llinares, Jose Antonio-Daviu and Elias
G.,2015, "Outer Race Bearing Fault Detection in Induction Machines Using Stator
Current Signals", Michigan State University, Valencia.

[5] MAKKIYAH, 2018. Implementasi Discrete Wavelet Transform Dan Algoritma

Clustering Pada Sinyal Eeg Untuk Menganalisa Selective Attention Dan Memori,
Universitas Muhammadiyah Malang, Malang.

[6] Rizqy Darmawan Muhamad, 2017. Sistem Diagnosis Kerusakan Mesin Berputar
Menggunakan Continuous Wavelet Transform dan Artificial Neural Network .
Politeknik Elektronika Negeri Surabaya, Surabaya.

[7] Isla Madina Hakim, 2021. Bearing Fault Detection in Induction Motor Wuth Load
Based On Internet Of Things, PENS, Surabaya.
[8] Hameyer Kay, Mbo’o P. C., 2016, “Fault Diagnosis Of Bearing Damage By Means Of
The Linear Discriminant Analysis Of Stator Current Features From The Frequency
Selection”, Institute of Electrical Machines (IEM),Germany.

25