| dc.description.abstract | Menurut Electric Power Research Institute, pemeliharaan berbasis condition-based maintenance (CBM) pada turbin angin mampu mengurangi biaya perawatan sebesar 20% hingga 25%. Pemanfaatan SCADA dan machine learning dalam CBM mampu mengurangi biaya yang dikeluarkan untuk pembelian sensor tambahan dan analisis yang cukup mahal. Pada Tugas Akhir ini dilakukan penelitian dalam klasifikasi kegagalan turbin angin berbasis machine learning dengan metode Random Forest (RF). Perancangan dilakukan dengan melakukan pengujian RF tanpa dan dengan tuning hyperparameter yang menggunakan beberapa teknik balancing data yaitu imbalance, class weight, SMOTE, serta kombinasi antara SMOTE dan undersampling. Selain itu, dilakukan juga pengujian seleksi variabel menggunakan variable importance RF. Kemudian, hasil variasi pengujian tersebut dilakukan analisis performa menggunakan confusion matrix dan classification metrics. Hasil yang didapatkan yaitu teknik balancing SMOTE dan SMOTE + Undersampling mampu meningkatkan nilai recall, tuning hyperparameter RF menggunakan metode RandomizedSearch dapat meningkatkan atau menurunkan nilai classification metrics karena metode ini cenderung terjebak pada kondisi optimal local, dan seleksi variabel menggunakan variable importance RF dapat meningkatkan performa model yang ditinjau dari nilai F1-Score, recall, dan waktu komputasinya. Dan yang terakhir, berdasarkan perbandingan antara metode RF dan SVM didapatkan hasil konfigurasi terbaik yaitu metode RF tanpa tuning menggunakan dataset imbalance yang memiliki nilai F1-Score sebesar 0.883. | en_US |
