Klasifikasi kerusakan mesin sepeda motor menggunakan metode neural network backpropagation

INDONESIA:

Sepeda motor merupakan salah satu jenis kendaraan yang banyak digunakan oleh masyarakat sebagai alat transportasi.Mesin motor yang bekerja dalam kondisi berat seringkali rentan terhadap berbagai masalah dan kerusakan sehingga perlu dilakukan servis secara rutin. Bengkel AHASS Putra Jaya Tunggulwulung mengumpulkan data untuk menentukan diagnosa kerusakan. Beberapa data yang dikumpulkan adalah tipe sepeda motor, tahun pembelian sepeda motor, jumlah kilometer, dan keluhan yang dialami oleh pengguna sepeda motor, digunakan dalam penelitian ini untuk menentukan diagnosa kerusakan. Penelitian ini bertujuan untuk memprediksi kerusakan mesin sepeda motor. Metode yang digunakan adalah Neural Network Backpropagation. Penelitian ini menggunakan 333 data yang kemudian dilakukan balancing data menggunakan metode RandomOverSampler. Kemudian data split menggunakan metode 10-Fold Cross Validation. Epoch yang digunakan dalam penelitian ini yaitu sebesar 500, 1000, dan 2000, dengan learning rate sebesar 0.001. Dalam penelitian ini, juga terdapat 5 jenis model dengan jumlah hidden layer yang berbeda. Untuk mengevaluasi performa model, pengukuran dilakukan menggunakan confusion matrix. Hasil analisis menunjukkan bahwa pengaruh hidden layer, epoch, dan learning rate terhadap akurasi model Neural Network saling berhubungan. Penambahan hidden layer meningkatkan kemampuan model menangkap pola data kompleks. Secara keseluruhan, hidden layer berjumlah 10 menghasilkan akurasi yang lebih optimal. Namun hidden layer sebanyak 12 memberikan hasil akurasi terbaik di 81.61%. Jumlah 1000 dan 2000 memungkinkan model mencapai akurasi optimal dengan peningkatan performa signifikan dari epoch 500. Selain itu, learning rate sebesar 0.001 menghasilkan accuracy yang paling tinggi dibandingkan nilai learning rate lain yang lebih besar. Kombinasi optimal dari parameter ini menunjukkan bahwa tuning hyperparameter yang tepat sangat penting dalam meningkatkan performa model.

ENGLISH:

Motorcycles are one type of vehicle that is widely used by the public as a means of transportation. Motorcycle engines that work in heavy conditions are often prone to various problems and damage so they need to be serviced regularly. AHASS Putra Jaya Tunggulwulung workshop collects data to determine the diagnosis of damage. Some of the data collected are the type of motorcycle, year of purchase of the motorcycle, number of kilometers, and complaints experienced by motorcycle users, used in this study to determine the diagnosis of damage. This research aims to predict motorcycle engine damage. The method used is Neural Network Backpropagation. This research uses 333 data which is then carried out data balancing using the RandomOverSampler method. Then the data is split using the 10-Fold Cross Validation method. The epochs used in this study are 500, 1000, and 2000, with a learning rate of 0.001. In this study, there are also 5 types of models with different numbers of hidden layers. To evaluate the performance of the model, measurements are made using the confusion matrix. The analysis shows that the influence of hidden layer, epoch, and learning rate on the accuracy of neural network models is interconnected. The addition of hidden layers improves the model's ability to capture complex data patterns. Overall, the model with 12 hidden layers gave the best accuracy result at 81.61%. The number of 1000 and 2000 enabled the model to achieve optimal accuracy with significant performance improvement from epoch 500. In addition, the learning rate of 0.001 resulted in the highest accuracy compared to other larger learning rate values. The optimal combination of these parameters shows that proper hyperparameter tuning is crucial in improving the model's performance.

ARABIC:

تُعد الدراجات النارية أحد أنواع المركبات التي يستخدمها الجمهور على نطاق واسع كوسيلة نقل. وغالباً ما تكون محركات الدراجات النارية التي تعمل في ظروف قاسية عرضة لمشاكل وأضرار مختلفة، لذا يجب صيانتها بانتظام. تجمع ورشة عمل AHASS بوترا جايا تونجولولولونج البيانات لتحديد تشخيص الأضرار. بعض البيانات التي تم جمعها هي نوع الدراجة النارية، وسنة شراء الدراجة النارية، وعدد الكيلومترات التي قطعتها الدراجة النارية، والشكاوى التي يعاني منها مستخدمو الدراجات النارية، والتي تم استخدامها في هذه الدراسة لتحديد تشخيص التلف. يهدف هذا البحث إلى التنبؤ بتلف محرك الدراجة النارية. الطريقة المستخدمة هي الشبكة العصبية ذات الانتشار الخلفي للشبكة العصبية. يستخدم هذا البحث 333 بيانات ثم يتم إجراء موازنة البيانات باستخدام طريقة RandomOverSampler. ثم يتم تقسيم البيانات باستخدام طريقة التحقق المتقاطع 10 أضعاف. الحقب الزمنية المستخدمة في هذه الدراسة هي 500 و1000 و2000، بمعدل تعلم 0.001. في هذه الدراسة، هناك أيضًا 5 أنواع من النماذج بأعداد مختلفة من الطبقات المخفية. لتقييم أداء النموذج، يتم إجراء القياسات باستخدام مصفوفة الارتباك. يُظهر التحليل أن تأثير الطبقة المخفية والحقبة الزمنية ومعدل التعلم على دقة نماذج الشبكات العصبية مترابط. تعمل إضافة الطبقات المخفية على تحسين قدرة النموذج على التقاط أنماط البيانات المعقدة. بشكل عام، أعطى النموذج الذي يحتوي على 12 طبقة مخفية أفضل نتيجة دقة بنسبة 81.61%. مكّن العددان 1000 و2000 النموذج من تحقيق الدقة المثلى مع تحسن كبير في الأداء من الحلقة 500. بالإضافة إلى ذلك، أدى معدل التعلم 0.001 إلى تحقيق أعلى دقة مقارنةً بقيم معدلات التعلم الأخرى الأكبر. يُظهر المزيج الأمثل لهذه المعلمات أن الضبط المناسب للمعامل الفائق أمر بالغ الأهمية في تحسين أداء النموذج.