Prediksi Sisa Umur Pakai Mesin Pesawat Menggunakan Ensemble Neural Network dengan Seleksi Fitur Extreme Gradient Boosting

Abstract

Prediksi sisa umur pakai (Remaining Useful Life / RUL) mesin pesawat merupakan aspek penting dalam mendukung sistem predictive maintenance yang efisien dan aman. Tingkat akurasi prediksi RUL masih menjadi tantangan akibat kompleksitas data sensor. Penelitian ini bertujuan untuk membangun dan mengembangkan model prediksi RUL menggunakan pendekatan ensemble neural network yang dikombinasikan dengan seleksi fitur algoritma XGBoost. Penelitian ini juga melakukan perbandingan performa antara model individu dan ensemble, serta mengevaluasi pengaruh seleksi fitur terhadap hasil prediksi. Selain itu dilakukan juga perbandingan tiga arsitektur deep learning yaitu LSTM, CNN autoencoder – LSTM, dan TCN untuk mendapatkan analisis yang komprehensif. Data yang digunakan dalam penelitian ini berasal dari dataset CMAPSS terbitan NASA. Hasil dari penelitian ini menunjukkan model ensemble memiliki performa yang lebih baik dari model individu. Penggunaan seleksi fitur XGBoost juga berpengaruh dalam mendapatkan nilai error yang kecil. Performa model terbaik dicapai menggunakan arsitektur CNN autoencoder – LSTM dengan skenario XGBoost – 16 pada subset data FD001 yaitu nilai RMSE sebesar 13,691.