Rancang Bangun Sistem Monitoring Performa Ball Screw Berbasis LSTM-Autoencoder

Ball screw adalah komponen penting dalam sistem mesin presisi seperti CNC, yang kegagalannya dapat mengakibatkan peningkatan getaran, penurunan akurasi, dan kerusakan serius. Penelitian ini bertujuan untuk merancang sistem monitoring performa ball screw berbasis algoritma long short term memory-autoencoder (LSTM-Autoencoder), yang berfungsi mendeteksi anomali sebagai indikator awal degradasi atau potensi kerusakan. Data operasional normal dikumpulkan dari pengujian ball screw dalam kondisi operasi standar dengan variasi beban, kemudian dinormalisasi dalam rentang [0, 1] untuk pelatihan model. Model LSTM-Autoencoder, berbasis pendekatan unsupervised learning, berhasil mempelajari pola data normal dengan baik tanpa overfitting, sebagaimana ditunjukkan oleh training loss 0.0550 dan validation loss 0.0537. Deteksi anomali dilakukan berdasarkan reconstruction error yang melampaui ambang batas persentil ke-95. Hasil pengujian menunjukkan perbedaan distribusi error yang signifikan antara data normal dan inferensi, yang mendukung kemampuan model dalam membedakan pola normal dan anomali. Sistem ini juga dilengkapi dengan dashboard visualisasi real-time untuk memudahkan identifikasi dini terhadap gangguan dan mengurangi risiko downtime. Dengan kemampuan mendeteksi anomali secara otomatis, penelitian ini menjadi langkah awal dalam pengembangan sistem pemeliharaan prediktif berbasis data untuk ball screw, serta membuka peluang untuk pengembangan lebih lanjut.