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.
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
