PEMELIHARAAN PREDIKTIF BERBASIS ARTIFICIAL INTELLIGENCE PERANGKAT EDDY COVARIANCE STATION STATIK BERDASARKAN DATASET HARIAN

Nur Afni , Latifatul Muchlisa (2025) PEMELIHARAAN PREDIKTIF BERBASIS ARTIFICIAL INTELLIGENCE PERANGKAT EDDY COVARIANCE STATION STATIK BERDASARKAN DATASET HARIAN. FAKULTAS TEKNIK, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK_Nur Afni Latifatul Muchlisa - Nur Afni Latifatul Muchlisa.pdf Download (176Kb) | Preview
	File PDF FULL SKRIPSI_Nur Afni Latifatul Muchlisa - Nur Afni Latifatul Muchlisa.pdf Restricted to Hanya staf Download (7Mb) | Minta salinan
Preview	File PDF FULL SKRIPSI TANPA BAB PEMBAHASAN_Nur Afni Latifatul Muchlisa - Nur Afni Latifatul Muchlisa.pdf Download (7Mb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Perangkat Eddy Covariance Station (ECS), yang dikembangkan oleh Tim Peneliti Universitas Lampung, terdiri dari Gas Analyzer, 3D Anemometer, dan Microclimate Station, telah digunakan dalam pengukuran emisi karbon di perkebunan kelapa sawit lahan gambut, tetapi masih menghadapi tantangan dari sisi keandalan operasional. Di lapangan, downtime instrumen berujung pada celah data dan bias estimasi fluks. Pendekatan reactive maintenance mahal dan terlambat; karena itu diperlukan pemeliharaan prediktif di tepi jaringan (edge) yang ringan- komputasi agar kontinuitas data perangkat ECS yang berfrekuensi tinggi tetap terjaga. Penelitian ini mengembangkan sistem pemeliharaan prediktif berbasis model hybrid CNN-LSTM dan LSTM autoencoder untuk mendeteksi anomali dan memprediksi kegagalan perangkat ECS. Model dilatih dengan dataset dari masing- masing perangkat, dan dievaluasi menggunakan MAE, MSE, RMSE, dan R2. Konfigurasi hibrida terbaik adalah CNN-32–LSTM-32 (Gas Analyzer) dan CNN- 32–LSTM-64 (3D Anemometer, Microclimate). LSTM autoencoder terbaik menggunakan filter 64 untuk semua perangkat. Implementasi on-device pada sebuah singleboard computer diuji pada dua skenario. Pada sistem terintegrasi, penggunaan CPU berkisar 0%–54,20%, RAM 154,16–736,07 MB, dan waktu inferensi tercepat adalah 0,000766 detik (hybrid CNN-LSTM) serta 0,005214 detik (LSTM autoencoder). Pada sistem terdistribusi, CPU mencapai 100%, RAM hingga 1402,23 MB, dan waktu inferensi tercepat adalah 0,000777 detik (hybrid CNN-LSTM) dan 0,005074 detik (LSTM autoencoder). Seluruh latensi berada jauh di bawah ambang operasi 1–10 Hz, sehingga deteksi anomali real-time tercapai tanpa mengorbankan akuisisi. Hasil menunjukkan sistem mampu mendeteksi anomali secara real-time dengan efisiensi komputasi yang baik. Secara R&D, kontribusi utama meliputi: (1) arsitektur model yang ditenagai data dan device- specific, (2) benchmarking komputasi edge dengan dua pola penyebaran, dan (3) bukti kemampuan sistem memberi peringatan dini kegagalan instrumen untuk meningkatkan kontinuitas dan keterpercayaan data ECS. Kata Kunci: Pemeliharaan Prediktif, model hybrid CNN-LSTM, model LSTM autoencoder, Python, TensorFlow, Raspberry Pi The Eddy Covariance Station (ECS) developed by the University of Lampung research team—comprising a Gas Analyzer, a 3D anemometer, and a Microclimate Station—has been deployed to quantify carbon emissions in peatland oil-palm plantations. Operational reliability remains a critical bottleneck: instrument downtime creates data gaps and biases flux estimates. Reactive maintenance is costly and late by design; consequently, lightweight edge-based predictive maintenance is needed to preserve the continuity of high-frequency ECS measurements. This study develops a predictive-maintenance framework based on two model families: a hybrid CNN–LSTM for pattern extraction and sequence memory, and an LSTM autoencoder for reconstruction-based anomaly detection. Device-specific models are trained per subsystem and evaluated using MAE, MSE, RMSE, and R2. The best hybrid configurations are CNN-32–LSTM-32 for the Gas Analyzer and CNN-32–LSTM-64 for the 3D Anemometer and Microclimate Station; the best LSTM autoencoder uses 64 units across devices. On-device implementation on a single-board computer was assessed under integrated and distributed deployment scenarios. In the integrated setup, CPU usage ranged from 0% to 54.20%, RAM from 154.16 to 736.07 MB, and best inference latencies were 0.000766 s (hybrid) and 0.005214 s (autoencoder). In the distributed setup, CPU reached 100%, RAM up to 1,402.23 MB, with best latencies of 0.000777 s (hybrid) and 0.005074 s (autoencoder). All latencies are well below the 1–10 Hz operational window, enabling real-time anomaly detection without sacrificing data acquisition. R&D contributions include: (i) data-driven, device-specific architectures; (ii) edge- computing benchmarking across two deployment patterns; and (iii) empirical evidence of early fault warning that improves ECS data continuity and trustworthiness for flux estimation. Keywords: Predictive Maintenance, Hybrid CNN-LSTM Model, LSTM Autoencoder Model, Python, TensorFlow, Raspberry Pi

Jenis Karya Akhir:	Skripsi
Subyek:	600 Teknologi (ilmu terapan) > 620 Ilmu teknik dan ilmu yang berkaitan
Program Studi:	FAKULTAS TEKNIK (FT) > Prodi S1-Teknik Elektro
Pengguna Deposit:	UPT . Desi Zulfi Melasari
Date Deposited:	28 Oct 2025 08:48
Terakhir diubah:	28 Oct 2025 08:48
URI:	http://digilib.unila.ac.id/id/eprint/92235

Actions (login required)

Lihat Karya Akhir