PREDIKSI TITIK KRITIS BANTALAN PADA POROS

TURBIN AIR FRANCIS BERBASIS ALGORITMA

PYTHON
Gideon Sebastian Toding Tiranda1, Suryanto2, Sukma Abadi3
1,2,3
Jurusan Teknik Mesin, Politeknik Negeri Ujung Pandang, Makassar 90245, Indonesia
gideonsebastian081@gmail.com

Abstract

To prevent sudden failure of a vital component in a Hydroelectric Power Plant (PLTA) such as bearings on a turbine
shaft, it is necessary to carry out predictive maintenance to avoid greater losses.The purpose of this research is to
predict the bearing replacement time before severe damage occurs. The method used for this research is using
Artificial Intelligence technology in the field of Machine Learning. The use of Machine Learning serves to classify
conditions and predict bearings. The type of Machine Learning used is the Python-Based Algorithm, especially the
Support Vector Machine (SVM) and K-Nearest Neighbor (k-NN) and Regression in processing operational data on
the bearings of the Francis water turbine in the Bakaru hydropower plant (thrust and turbine bearing). The test
results obtained the value of the accuracy of the thrust bearing SVM 100% and 100% k-NN. Meanwhile, the accuracy
value of SVM turbine bearings is 67% and k-NN is 67%. The increase in the accuracy score was carried out on the
turbine bearing data which was previously 0.60 or 60% of the SVM test results. The increase in the accuracy value is
done by hyperparameter tuning with the PSO library, where there is an increase in the score to 0.775 or 77.5% with
1000 iters. An increase was also made to the previous 0.67 or 67% from the results of the k-NN test where there was
an increase in the score to 0.719 or 71.9% with a literacy of 5000 iters. Based on the regression results, the predicted
time to reach the critical point of 150 µm vibration is around 5 months for thrust bearings and 16 months for turbine
bearings. The calculation of the average thrust bearing and turbine bearing vibration values of 126 µm and 113 µm
was tested with ISO standard ISO 7919-5 (Hydraulic and Pump vibration standard analysis). Based on ISO vibration
standards, the two bearings are still in category B (unlimited long-term operation Allowed).

Keyword : SVM,k-NN,Regression

Abstrak

Untuk mencegah terjadinya kerusakan mendadak (suddenly failure) dari suatu komponen vital pada Pembangkit
Listrik Tenaga Air (PLTA) seperi bantalan pada poros turbin perlu dilakukan predictive maintenance untuk
menghindari kerugian yang lebih besar.Tujuan penelitian ini untuk memprediksi waktu pergantian bantalan sebelum
terjadi kerusakan parah. Metode yang digunakan untuk pada peneitian ini yaitu menggunakan terknologi Artificial
Intelegence bidang Machine Learning. Penggunaan Machine Learning berfungsi sebagai klasifikasi kondisi dan
memprediksi bantalan. Jenis Machine Learning digunakan yakni Algoritma Berbasis Pyhton, khususnya Support
Vektor Machine (SVM) dan k-Nearest Neighbour (k-NN) serta Regression dalam mengolah data operasional bantalan
pad turbin air Francis pada PLTA Bakaru (thrust dan turbine bearing). Hasil pengujian didapatkan nilai accuracy
thrust bearing SVM 100% dan k-NN 100%. Sedangkan nilai accuracy turbine bearing SVM 67% dan k-NN 67%.
Peningkatan score akurasi dilakukan terhadap data turbine bearing yang sebelumnya 0.60 atau 60 % dari hasil
pengujian SVM. Adapun peningkatan nilai accuracy dilakukan dengan hyperparemeter tuning dengan library PSO,
dimana terdapat peningkatan skor menjadi 0.775 atau 77,5 % dengan 1000 iters. Peningkatan dilakukan juga yang
sebelumnya 0.67 atau 67% dari hasil pengujian k-NN dimana terdapat peningkatan skor menjadi 0.719 atau 71,9 %
dengan literasi sebanyak 5000 iters. Berdasarkan hasil regression maka didapatkan prediksi waktu untuk mencapai
critical point vibrasi 150 µm adalah sekitar 5 bulan untuk thrust bearing dan 16 bulan untuk turbine bearing.
Perhitungan rata-rata nilai vibrasi thrust bearing dan turbine bearing sebesar 126 µm dan 113 µm diuji dengan
standar ISO ISO 7919-5 (Hydraulic and Pump vibration standard analysis). Berdasarkan standar ISO vibrasi nilai
kedua bantalan masih di kategori B (unlimited long-term operation allowed).

Kata Kunci : SVM,k-NN,Regression

1.PENDAHULUAN

Salah satu pembangkit penghasil listrik yang ada di Sulawesi Selatan adalah PLTA Bakaru di kabupaten
pinrang. Kehandalan PLTA Bakaru sangat dijaga agar kebutuhan masyarakat akan listrik terpenuhi karena merupakan
pembangkit base load. Berdasarkan history pada tahun 2017 PLTA Bakaru pernah terjadi trip akibat suddenly failure
bantalan mengalami kerusakan fatigue. Pada tanggal 31 Maret 2022 HydroUnit 1 PLTA Bakaru belum diketahui
kondisi secara spesifik sehingga belum when to failure. Salah satu dampak ketidaknormalan bantalan yaitu penurunan
kapasitas produksi dan derating dari PLTA. Penurunan kapasitas produksi ini mengakibatkan banyak kerugian baik
dari sistem teknis, non teknis, maupun sosial. Dari sisi teknis terjadi perubahan pola operasi dan pemeliharaan serta
performa unit, sedang dari sisi non teknis terjadi kerugian produksi listrik berbanding lurus dengan penghasilan
perusahaan, dan sedangkan dari sisi sosial, turunnya daya mampu ini mengakibatkan pasokan listrik ke konsumen
(masyarakat) berkurang, hal ini menjadi salah satu pemicu adanya pemadaman listrik bergantian di wilayah sebagian
Sulawesi Selatan. Artificial Intelligence atau kecerdasan buatan adalah sistem komputer yang mampu melakukan
tugas-tugas yang biasanya membutuhkan kecerdasan manusia. Proses yang terjadi dalam Artificial Intelligence
mencakup learning, reasoning, dan self-correction. Proses ini mirip dengan manusia yang melakukan analisis
sebelum memberikan keputusan. Lebih dari itu, saat ini telah banyak mesin yang dapat menginterpretasi suatu kondisi
atau kejadian tertentu dengan bantuan Artificial Intelligence. Proses yang terjadi dalam Artificial Intelligence
mencakup learning, reasoning, dan self-correction. “Implementasi AI pada pengerjaan manusia adalah memperoleh
hasil kinerja optimal dengan waktu proses yang cepat dan hasil yang maksimal”(M. Sobron Yamin Lubis,2021:22).
Unit turbin-generator memberikan massa yang luar biasa di bawah rotasi dan gaya inersia yang cukup besar, yang
meningkat jika massa tidak seimbang maka ikut bermain. Gaya-gaya yang terkait dengan berat bagian yang berputar
ini harus dikontrol dengan menggunakan bearing. Bantalan terdapat pada unit Hydropower memiliki dua jenis yakni
thrust dan journal bearing. Salah satu metode statistik yang dapat diterapkan untuk melakukan klasifikasi adalah
Support Vector Machine (SVM) dan K-NN.Penelitian tentang SVM telah dilakukan oleh Rustam, et al (2003) yaitu
membandingkan metode klasifikasi K-Nearest Neighbor (KNN) dengan metode SVM diperoleh kesimpulan bahwa
SVM memiliki kinerja yang lebih unggul, karena telah mampu 100% mengklasifikasikan data aroma berdasarkan
kelas yang tepat.
Pemodelan regresi banyak dipakai untuk memprediksi konsumsi energi primer karena tergolong sederhana dan
mudah, beberapa diantaranya, regresi linear (Deka, et al., 2016), regresi linear dan kuadratik (Kıran, et al., 2012),
serta regresi linear, eksponensial, dan kuadratik (Yu, et al., 2012). Penelitian ini menggunakan software Google
Collab dengan bahasa pemograman Python dan Microsoft Excel mengklasifikasi kondisi kemudian memprediksi
waktu titik kritis bantalan.

II.METODE PENELITIAN

Waktu pelaksanaan penelitian survey lapangan kurang lebih 13 minggu terhitung dari tanggal 09 September
sampai 15 desember yang dilaksanakan di PLTA Bakaru. Tools digunakan yaitu software machine learning yakni
Google colab berbasis python dan microsoft excel. Instrument digunakan temperatur dan getaran adalah resistance
temperature detector (RTD) dipasang di pad untuk suhu pemantuan. Penelitian ini dilakukan dengan memantau
kondisi monitoring vibrasi transduser Piezoelectric. Sedangkan bahan objek penelitian yakni titling pad journal
(turbine) dan thrust bearing. Adapun penjelasan sensor-sensor di bawah ini:

Gambar 1 Transduser Piezoeletric tipe Piezo ring (Displacement sensor vibration)

 Gambar 2 Temperatur Sensor Location and RTD MTR08

Gambar 3 Thrust Bearing dan Turbine bearing

Dalam mengumpulkan data, keterangan dan rancangan program yang dibutuhkan untuk penyusunan penelitian,
penulis metode yaitu: pengambilan data berdasarkan prosedur perusahaan Instruksi Kerja (inspeksi pencatatan
paramater peralatan pembangkit ) digunakan bagian Operasi dan Pemeliharaan untuk daily inspection tiap jam dan
buku report Major Overhaul dan Annual Inspection serta buku manual book untuk objek permasalahan yaitu kondisi
pada thrust dan turbine bearing HU1(HYDRO ELECTRIC UNIT 1).

Gambar 4 ISO 7919-5 (Hydraulic and Pump vibration standard analysis)

Keterangan:
A (new condition) kondisi baru
B (unlimited long-term operation allowed) pengoperasian jangka waktu panjang tak terbatas
dengan pengawasan
C (short-term operation allowed) pengoperasian jangka waktu pendek dengan batasan tertentu
dengan pengawasan
D (vibration causes damage) vibrasi tinggi akibat kerusakan
 START

Development Machine Learning

Input for classification

Input data initial

YES
Process with k-NN/ SVM
Process with k-NN/ SVM
YES
NO If accuracy >
80%
If accuracy >50%
NO

Input Optimization
O Output SVM / k-NN
Output PSO

Process with PSO

Predict when reach the limit

STOP Output time

Gambar 4 Flowchart and Development Machine Learning

III. HASIL DAN PEMBAHASAN

4.2 Hasil Pengujian Algoritma SVM dengan Data Turbine Bearing

Pada hasil pengujian dibagi dua wilayah, untuk wilayah biru dengan simbol titik box warna biru menandakan
data dalam kondisi baik dan untuk wilayah merah dengan simbol titik x warna merah menandakan data dalam
diprediksi dalam kondisi mengalami kerusakan (mengkhawatirkan). Untuk titik kuning merupakan beberapa sample
data dari dataset turbine bearing yang mana masuk kondisi mengkhawatirkan.

Gambar 5 Hasil Pengujian Data Turbine Bearing dengan Algoritma SVM

 Tabel 1 Hasil Score Report Classification Pengujian Algoritma SVM dengan Data Turbine Bearing

Classificasion precision recall fi-score support

0.0 0.5 0.5 0.5 2
1.0 0.67 0.67 0.67 3
Accuracy 0.6 5
macro avg 0.58 0.58 0.58 5
weighted avg 0.60 0.60 0.60 5

Berdasarkan hasil pengujian nilai SVM dataset turbine bearing accuracy sebesar 0.60, dimana lebih rendah daripada
dataset thrust bearing.

4.3 Hasil Pengujian Algoritma SVM dengan Data Thrust Bearing

Gambar 6 Hasil Pengujian Data Thrust Bearing dengan Algoritma SVM

Tabel 2 Hasil Score Report Classification Pengujian Algoritma SVM dengan Data Thrust Bearing

Classification precision recall fi-score support

0.0 1.00 1.00 1.00 2
1.0 1.00 1.00 1.00 3
Accuracy 1.00 5
macro avg 1.00 1.00 1.00 5
weighted avg 1.00 1.00 1.00 5

Berdasarkan hasil pengujian nilai SVM dataset thrust bearing accuracy sebesar 1.00, dimana lebih tinggi daripada
dataset turbine bearing.

4.4 Hasil Pengujian Algoritma k-NN dengan Data Turbine Bearing

Berdasarkan gambar hasil pengujian membentuk dua bagian wilayah tidak simetris dengan didalamnya terdapat
beberapa titik berdasarkan label. Titik merah merupakan data normal (Sesudah Major Overhaul). Untuk titik biru
merupakan data abnormal (Sebelum Major Overhaul). Sedangkan titik orange merupakan data tahun 2022 diambil
beberapa sampel data untuk prediksi.
 Gambar 7 Hasil Pengujian Data Turbine Bearing dengan Algoritma k-NN

Tabel 3 Hasil Score Report Classification Pengujian Algoritma k-NN dengan Data Turbine Bearing

Classification precision recall fi-score support

0.0 0.67 0.50 0.57 4
1.0 0.67 0.80 0.73 5
Accuracy 0.67 9
macro avg 0.67 0.65 0.65 9
weighted avg 0.67 0.67 0.66 9

Berdasarkan hasil pengujian nilai k-NN dataset turbine bearing accuracy sebesar 0.67, dimana lebih rendah daripada
dataset thrust bearing.

4.5 Hasil Pengujian Algoritma k-NN dengan Data Thrust Bearing

Gambar 8 Hasil Pengujian Data Thrust Bearing dengan Algoritma k-NN

Berdasarkan gambar hasil pengujian membentuk dua bagian wilayah tidak simetris dengan didalamnya terdapat
beberapa titik berdasarkan label. Titik merah merupakan data normal (Sesudah Major Overhaul). Untuk titik biru
merupakan data abnormal (Sebelum Major Overhaul). Sedangkan titik orange merupakan data tahun 2022 diambel
beberapa sampel data untuk prediksi.

Tabel 4 Hasil Score Report Classification Pengujian Algoritma k-NN dengan Data Thrust Bearing.

Classification precision recall fi-score support

0.0 1.00 1.00 1.00 4
1.0 1.00 1.00 1.00 5
Accuracy 1.00 9
 macro avg 1.00 1.00 1.00 9
weighted avg 1.00 1.00 1.00 9

Berdasarkan hasil pengujian nilai k-NN dataset thrust bearing bagian accuracy yang digunakan sebagai
parameter. Nilai accuracy sebesar 1.00, dimana lebih tinggi daripada dataset turbine bearing. Berdasarkan data tahun
2022 untuk mengetahui trendline grafik dan prediksi waktu kapan mencapai critical point vibration dengan software
Microsoft Excel berikut:

160
Vibrasi Thrust Bearing
140
120 R² ==0.373298905105741
f(x) 0.25467517875383 x + 114.679167517875
vibrasi(µm)

100
80
60
40
vibrasi
20 Linear (vibrasi)
0
0 10 20 30 40 50 60 70 80 90 100
Time(Periode)

Gambar 9 Trendline Linear Kenaikan Vibrasi Thrust Bearing dari Tahun 2019-2022.

Adapun persamaan rumus berdasarkan data yaitu y = 0,2547x + 114,68 dengan R-square (R²) = 0,3733.

140
Vibrasi Turbine Bearing
120
f(x) = − 0.0699642492339122 x + 115.704772727273
Vibrasi (µm)

100
R² = 0.0693191582185352
80
60
40
Vibrasi
20 Linear (Vibrasi)
0
0 10 20 30 40 50 60 70 80 90 100
Time (Periode)

Gambar 10 Trendline Linear Kenaikan Vibrasi Turbine Bearing dari Tahun 2019-2022.

Adapun persamaan rumus berdasarkan data trendline linear kenaikan vibrasi diatas yaitu y = -0,07x + 115,7
dengan R-square (R²) = 0,0693.

Berdasarkan perbandingan uji linear dataset turbine R-square lebih kecil dari pada dataset thrust bearing.
Untuk mengetahui prediksi kapan critical point tiap bantalan:

1). Thrust bearing persamaan , y = 0.2547x + 114.68, jika critical point vibrasi di set 150 µm maka:
150 = 0.2547x + 114. 68
(150−114 , .68)
|x|=
0 , 2547
| x | = 138.673 jika dikonversikan ke bulan dibagi 30 hari. Jadi 4.6 atau sekitar kira-kira 5 bulan kedepan (sampai
Agustus 2022).
2). Turbine bearing persamaan , y = -0.07x + 115.7, jika critical point di set 150 µm maka:
150 = - 0.07x + 115.7
(150−115.7)
|x|=
−0.07
| x | = 490 periode jika dikonversikan ke bulan dibagi 30 hari . Jadi 16.334 atau sekitar kira-kira 16 bulan kedepan
(sampai Maret 2023).
*catatan: penambahan garis absolut ( | | ) memungkin reverse back periode

f(x) = NaN x + NaN

R² = 12
0 Temp Turbine Bearing
10
8

temperature
6
4
2
0
0 2 4 6 8 10 12
periode(hari)

Gambar 11 Trendline Temperature Turbine Bearing Tahun 2019-2022.

Adapun persamaan rumus berdasarkan data trendline linear kenaikan temperatur diatas yaitu y = -0,0393xx +
54,883 dengan R-square (R²) =0,2335.

f(x) = NaN x + NaN

R² =120 Temp Thrust Bearing
10
8
temperature

6
4
2
0
0 2 4 6 8 10 12
periode(hari)

Gambar 12 Trendline Temperature Thrust Bearing 2019-2022.

Adapun persamaan rumus berdasarkan data trendline linear kenaikan temperatur diatas yaitu y = -0,0353x + 54,244
dengan R-square (R²) = 0,3701

Gambar 13 ISO 7919-5 (Hydraulic and Pump vibration standard analysis) batasan kategori B dan C
pada 500 Rpm

Berdasarkan standar ISO vibrasi untuk kecepatan putaran 500 rpm batas antara kategori b dan c adalah yakni
(150-100)/3 = 50/3 = 16.667 maka garis tersebut 16.667 x 2 = 33.34 , 100 +33.34 =133.34 µm maka termasuk
kategori C (short-term operation allowed). Jika dataset vibrasi turbine Bearing dirata-rata maka mendapat nilai 126
µm dan data thrust bearing mendapatkan nilai 113 µm. Berdasarkan standar ISO 7919-5 vibrasi nilai average data
turbine dan thrust bearing masih di kategori B (unlimited long-term operation allowed).

IV.KESIMPULAN
Adapun beberapa kesimpulan dari pembahasan diatas antara lain:

1). Standar paramater digunakan untuk standar yang digunakan yaitu ISO 7919-5 merupakan standar vibrasi untuk
shaft turbine hydro terhadap bearing. Standar temperature berdasarkan standar manufaktur Jepang Merk TOSHIBA,
type segment metal, material JIS G3106 SS41 JIS H5401 WJ2.
2). Variabel digunakan yaitu temperature dalam satuan Celcius (C 0 ¿ dan vibrasi displacement dalam satuan
mikrometer (µm) dalam pengujian algoritma karena merupakan variabel utama yang menjadi referensi sebagai data
dianalisa.
3). Berdasarkan trendline linear grafik dataset thrust bearing memiliki garis membentuk lebih sempurna daripada
dataset turbine bearing. Berdasarkan persamaan maka didapatkan prediksi mencapai critical point vibrasi 150 µm
adalah sekitar 5 bulan untuk thrust bearing dan 16 bulan untuk turbine bearing. Pada trendline grafik dataset
temperature thrust bearing memiliki arah lebih menurun dibandingkan dataset turbine bearing. Perhitungan rata-rata
nilai vibrasi thrust bearing dan turbine bearing untuk dikomparasikan 126 µm dan 113 µm masih di kategori B
Standar ISO 7919-5. Sedangkan nilai temperature 52,4455 (C 0 ¿ thrust bearing lebih rendah dari nilai 52,878 (C 0 ¿
turbine bearing. Kedua nilai rata-rata tersebut masih dibawah titik kritis standar manufaktur yaitu 65 (C 0 ¿ .
4). Berdasarkan hasil pengujian nilai clasification report untuk data turbine bearing memiliki cukup rendah
dibandingkan nilai clasification report data thrust bearing 1.00 di semua algoritma pengujian. Pada classification
report dataset thrust bearing pada algoritma SVM dan k-NN memiliki nilai yang sama. Sedangkan dataset turbine
bearing SVM dan k-NN relatif berbeda tipis. Pada output visualisasi hasil pengujian SVM batasan wilayah jelas
terstruktur sedangkan hasil pengujian k-NN memiliki batasan wilayah tidak simetris atau tidak beraturan. Ini
disebabkan fundamental SVM yaitu membagi wilayah klasifikasi sedangkan k-NN mengklasifikasi berdasarkan jarak
terdekat.
5). Peningkatan score akurasi dilakukan terhadap data turbine bearing yang sebelumnya 0.60 atau 60 % dari hasil
pengujian SVM dan untuk thrust bearing tidak dilakukan karena skor akurasi 1.0 atau 100%. Adapun peningkatan
skor dilakukan hyperparemeter tuning dengan library PSO, dimana terdapat peningkatan skor menjadi 0.775 atau
77,5 % dengan 1000 iters. Peningkatan score akurasi dilakukan terhadap data turbine bearing yang sebelumnya 0.67
atau 67% dari hasil pengujian k-NN dan adapun peningkatan skor dilakukan hyperparemeter tuning dengan library
PSO, dimana terdapat peningkatan skor menjadi 0.719 atau 71,9 % dengan literasi sebanyak 5000 iters. Untuk thrust
bearing tidak dilakukan karena skor akurasi 1.0 atau 100%.
6). Perlu dilakukan penambahan dan perbaikan kualitas data agar lebih akurat. Research dan Development lanjutan
dengan berkonsultasi ke pihak Industri maupun Tenaga Pendidik hingga developer. Perlu divalidasi dengan perangkat
portable yakni agar sinkronisasi data pencatan pengukuran exisiting disparitas nilai. Mengembangkan code program
yang kompleks dan jumlah data yang banyak agar memaksimalkan pengujian. Dapat dikombinasikan dengan metode
predictive maintenance lainnya dapat mengurangi downtime.

DAFTAR PUSTAKA

[1] Ahmed, Hosameldin, Nandi, Asoke K.2020.Condition Monitoring with Vibration

Signals.First Edition page 17-28.London: JohnWiley & Sons Ltd.

[2] Akbar, Fadhli Hakim .Oesman, Titin Isna, Asih Endang Widuri .2017.Analisis Kegagalan
Turbine Guide Bearing Menggunakan Metode Reliability Centered Maintenance (RCM).
Jurnal REKAVASI, Vol. 5, No. 1: 25-31.

[3] Ayuni ,Ghebyla Najla . Fitrianah, Devi .2019. Penerapan Metode Regresi Linear Untuk
Prediksi Penjualan Properti pada PT XYZ. Jurnal Telematika, vol. 14 no. 2, .Bandung:
Institut Teknologi Harapan Bangsa.

[4] Girdhar, Paresh. 2004. Practical Machinery Vibration Analysis and Predictive
Maintenance.London: Elsevier’s Science and Technology Rights Department.
[5] Guodong, Han,Zhangqin Wu,Shutting Wan, Zhanjie ,Ronghai Liu, Jin Wang.2014.The
fault analysis and research of turbine generator sliding bearing oil film instability.
Advanced Materials Research Vols. 915-916: pp 198-202.

[6] Helilintar, Risa.Ramadhani, Risky Aswi.Rochana, Siti.2017.Data Mining k-Nearest

Neighbor(Knn).Cetakan Pertama.Kediri:Fakultas Teknik Universitas Nusantara PGRI
Kediri.

[7] Herbage,B,S. High Speed Journal And Thrust Bearing. (President and Tedmiral Director
Centriteeh Con).London: Texas A&amp.

[8] Imron, Muhammad Ali.2020.Peningkatan Akurasi Algoritma K-Nearest Neighbor

Menggunakan Normalisasi Z-score dan Particle Swarm Optimization Untuk Prediksi
Customer Churn.Tugas Akhir. Semarang: Jurusan Ilmu Komputer Fakultas Matematika
dan Ilmu Pengetahuan Alam Universitas Negeri Semarang.

[9] Lambert, Kenneth A.2017.Fundamentals of Python:First Programs.2 nd edition.

Cengage.Boston
[10] Lubis, M. Sobron, Yamin .2021.Implementasi Artificial Intelligence Pada Sistem
Manufaktur Terpadu. SEMNASTEK UISU.Medan: Bidang Teknik Manufaktur, Prodi
Teknik Mesin.

[11] PT.PLN (Persero), 2012. Instruksi Kerja inspeksi pencatatan paramater peralatan
pembangkit.

[12] PT.PLN (Persero) UPDK Bakaru UPLTA Bakaru, 2018.Laporan Major Overhaul 2018.

[13] PT.PLN (Persero) UPDK Bakaru UPLTA Bakaru, 2018.Laporan Annual Inspection 2020.

[14] Rarianto, Erwin.2016.Analisis Vibrasi Untuk Mendeteksi Kerusakan Pada Turbin Uap
UBB Perusahaan III di PT.Petrokimia.Tugas Akhir.Surabaya: Program Studi Diploma 3
Teknik Mesin Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember.

[15] Richert, Willi . Coelho,Luis Pedro.2013.Building Machine Learning Systems with

Python. First edition 95-98 .Birmingham:Packt Publishing Ltd.

[16] Kingsbury.Inc.A General Guide To The Principles,”Operation And Troubleshooting Of

Hydrodynamic Bearing”.Philadelphia.

[17] Sukendi. Isranuri, Ikhwansyah. Suherman.2015.Analisis Karakteristik Getaran Dan

Machine Learning Untuk Deteksi Dini Kerusakan Bearing. Widya Teknika Vol.23 No.2.

[18] ISO 7919-5 (Hydraulic and Pump vibration standard analysis).

[19] Yong Xua,Zhaohui Lib,AdeLaide.2012.Dynamic model for hydro-turbine generator units

based on a database method for guide bearings. Shock and Vibration XX : 411–421.

[20] Yulianto, Anggi Priliani. Darwis, Sutawanir.2021.Penerapan Metode K-Nearest

Neighbors (kNN) pada Bearing. Journal Riset Statistika.Bandung: Prodi Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Islam Bandung.
NOM :
PRÉNOMS :
PROFESSION :
NATIONALITÉ :
DATE ET LIEU DE NAISSANCE :
STATUT MATRIMONIAL :
AGE :
PAYS DE RESIDENCE : VILLE :
ADRESSE DE RESIDENCE COMPLÈTE ET PERMANENTE
Cabinet de Maître RENAUD NIRDE ,Casier N°99- Salle des officiers publics,, Tribunal de première instance de
Tanger, 23 Rue Al Farabi Tanger Maroc
Merci pour l'opportunité de coopérer pour soutenir le projet humanitaire de Pak Lima. J'espère
que les informations personnelles pourront être prises en compte car elles sont très
confidentielles

Merci pour l'opportunité de coopérer pour soutenir le projet humanitaire de Pak Lima. J'espère
que les informations personnelles pourront être prises en compte car elles sont très
confidentielles