OPTIMASI AUTOENCODER DAN LSTM UNTUK DETEKSI ANOMALI PADA MESIN PESAWAT KOMERSIAL MELALUI FINE TUNNING HYPERPARAMETER
Penurunan performa mesin pesawat secara mendadak dapat membahayakan keselamatan penerbangan, sehingga diperlukan sistem deteksi anomali yang andal untuk mengenali potensi kerusakan sejak dini. Penelitian ini bertujuan mengoptimalkan model Autoencoder dan Long Short-Term Memory (LSTM) melalui fine-tuning hyperparameter dalam mendeteksi anomali pada data sensor mesin pesawat komersial. Dataset yang digunakan adalah C-MAPSS yang berisi data multivariat dari berbagai sensor penerbangan. Metode yang digunakan berupa unsupervised learning dengan proses tuning meliputi jumlah neuron tersembunyi, fungsi aktivasi, dan tingkat dropout menggunakan Keras Tuner. Hasil eksperimen menunjukkan bahwa kombinasi Autoencoder dan LSTM yang dioptimasi mampu menurunkan nilai validation loss hingga 0,0064, yang mengindikasikan kemampuan model dalam mengenali pola anomali secara akurat. Temuan ini menunjukkan bahwa pendekatan yang diusulkan efektif dalam meningkatkan sensitivitas deteksi terhadap perubahan kondisi mesin, sehingga berpotensi mendukung penerapan predictive maintenance dalam industri penerbangan.
Sudden performance degradation of aircraft engines can endanger flight safety; therefore, a reliable anomaly detection system is required to identify potential failures at an early stage. This research aims to optimize Autoencoder and Long Short-Term Memory (LSTM) models through hyperparameter fine-tuning for anomaly detection in commercial aircraft engine sensor data. The dataset used is C-MAPSS, which contains multivariate time-series data from various flight sensors. The method is based on unsupervised learning, with the fine-tuning process covering the number of hidden neurons, activation functions, and dropout rates using Keras Tuner. The experimental results show that the optimized combination of Autoencoder and LSTM successfully reduced the validation loss to 0.0064, indicating the model’s ability to accurately capture anomaly patterns. These findings demonstrate that the proposed approach is effective in improving anomaly detection sensitivity and has the potential to support predictive maintenance in the aviation.
Detail Information
Citation
APA Style
. (2025).OPTIMASI AUTOENCODER DAN LSTM UNTUK DETEKSI ANOMALI PADA MESIN PESAWAT KOMERSIAL MELALUI FINE TUNNING HYPERPARAMETER ().Teknik Informatika:FTI
Chicago Style
.OPTIMASI AUTOENCODER DAN LSTM UNTUK DETEKSI ANOMALI PADA MESIN PESAWAT KOMERSIAL MELALUI FINE TUNNING HYPERPARAMETER ().Teknik Informatika:FTI,2025.Text
MLA Style
.OPTIMASI AUTOENCODER DAN LSTM UNTUK DETEKSI ANOMALI PADA MESIN PESAWAT KOMERSIAL MELALUI FINE TUNNING HYPERPARAMETER ().Teknik Informatika:FTI,2025.Text
Turabian Style
.OPTIMASI AUTOENCODER DAN LSTM UNTUK DETEKSI ANOMALI PADA MESIN PESAWAT KOMERSIAL MELALUI FINE TUNNING HYPERPARAMETER ().Teknik Informatika:FTI,2025.Text