Analisis Konvergensi Ukuran Sampel Baseline untuk Penetapan Statistically-Derived Threshold pada Sistem Monitoring Kondisi Motor Induksi Tiga Fasa Berbiaya Rendah

Authors

  • Ratna Hartayu Universitas 17 Agustus 1945 Surabaya
  • Santoso Santoso Universitas 17 Agustus 1945 Surabaya
  • Lutfi Agung Swarga Universitas 17 Agustus 1945 Surabaya
  • Aditiya Veri Nashrudin Universitas 17 Agustus 1945 Surabaya

DOI:

https://doi.org/10.58344/locus.v5i8.6166

Keywords:

Statistically-Derived Threshold, Ukuran Sampel Baseline, Analisis Konvergensi, Bootstrap, Monitoring Kondisi, Motor Induksi, Stasioneritas

Abstract

Metode statistically-derived threshold (SDT) berbasis ? ± k? banyak digunakan pada sistem monitoring kondisi motor induksi berbiaya rendah, namun jumlah sampel baseline N umumnya ditentukan secara ad-hoc tanpa kriteria konvergensi eksplisit. Makalah ini menganalisis konvergensi parameter statistik (?, ?) dan threshold (?+2?, ?+3?) terhadap N pada tiga parameter kondisi motor induksi tiga fasa—suhu (DS18B20), arus (SCT013+ADS1115), dan magnitude getaran (MPU6050)—menggunakan dataset baseline 600 sampel dari sistem monitoring real-time berbasis Arduino/Modbus TCP/SCADA. Analisis menggunakan running statistics pada N = 30–600, kriteria konvergensi ganda yang diusulkan (perubahan relatif lokal < 1% dan deviasi global terhadap nilai akhir < 2% selama lima evaluasi berturut-turut), serta selang kepercayaan bootstrap 95% (B = 2000). Hasil menunjukkan perilaku konvergensi yang sangat berbeda: threshold arus konvergen pada N ? 40 dan getaran pada N ? 150, sedangkan threshold suhu tidak konvergen sejati dalam 600 sampel akibat transien warm-up termal yang membuat data non-stasioner (pergeseran threshold ?13%). Kriteria lokal saja terbukti menghasilkan konvergensi semu pada data yang drift perlahan. Dua rekomendasi praktis dihasilkan: panjang baseline harus ditetapkan per parameter, dan baseline termal hanya boleh diakuisisi setelah kondisi tunak termal tercapai. Kerangka analisis yang diusulkan dapat direplikasi untuk sistem monitoring kondisi berbiaya rendah lainnya.

References

Amalia, S., & Yuanisa, C. (2021). Rancang Bangun Sistem Monitoring Arus 3-Phasa Menggunakan Sensor SCT-013 Berbasis Mikrokontroler Arduino. Jurnal Teknik Elektro ITP, 10(2). https://doi.org/10.21063/JTE.2021.31331013

Ananda, A. S. P., Munadhif, I. M., Isa, I. R., Ryan, R. Y. A., & Rini, R. I. (2023). Integrasi Sistem Komunikasi Modbus TCP/IP pada PLC Siemens S7-1200, ESP32, dan HMI. Jurnal Elektronika dan Otomasi Industri, 10(2), 234–244. https://doi.org/10.33795/elkolind.v10i2.3254

Bouraiou, A. (2024). A Simple Platform to Establish Supervision, Monitoring, and Control Using Arduino/Ethernet Shield and SCADA via Industrial Modbus TCP/IP Communication Protocol. Algerian Journal of Renewable Energy and Sustainable Development, 6(1). https://doi.org/10.46657/ajresd.2024.6.1.11

Condition Monitoring and Diagnostics of Machines—Vibration Condition Monitoring—Part 1: General Procedures (ISO 13373-1:2002). (2002). International Organization for Standardization.

Efron, B., & Tibshirani, R. J. (1993). An Introduction to the Bootstrap. Chapman & Hall.

Electrical Insulation—Thermal Evaluation and Designation (IEC 60085:2007). (2007). International Electrotechnical Commission.

Irfan, M., Mappalotteng, A. M., & Mappeasse, M. Y. (2025). Sistem Early Warning Deteksi Malfungsi pada Motor Listrik 3 Fasa Menggunakan Mikrokontroler Berbasis LoRa Terintegrasi SCADA. JST (Jurnal Sains dan Teknologi), 14(1), 90–102. https://doi.org/10.23887/jstundiksha.v14i1.92384

Jensen, W. A., Jones-Farmer, L. A., Champ, C. W., & Woodall, W. H. (2006). Effects of Parameter Estimation on Control Chart Properties: A Literature Review. Journal of Quality Technology, 38(4), 349–364.

Montgomery, D. C. (2019). Introduction to Statistical Quality Control (8th ed.). Wiley.

Nashrudin, A. V. (2026). Perancangan Sistem Monitoring dan Deteksi Anomali Motor Induksi 3 Fasa Berbasis Statistically Derived Threshold. Universitas 17 Agustus 1945 Surabaya.

Pramudita, R. (2025). Perancangan Sistem Pendeteksi Kerusakan Motor Induksi Berbasis IoT dengan Menggunakan Sensor Suhu, Arus dan Getaran. TELKA, 11(1), 64–75.

Quesenberry, C. P. (1993). The Effect of Sample Size on Estimated Limits for X? and X Control Charts. Journal of Quality Technology, 25(4), 237–247.

Rafiq, A. A., Rohman, W. N., & Riyanto, S. D. (2020). Development of a Simple and Low-Cost Smartphone Gimbal with MPU-6050 Sensor. Journal of Robotics and Control (JRC), 1(4), 136–140. https://doi.org/10.18196/jrc.1428

Randall, R. B. (2011). Vibration-Based Condition Monitoring: Industrial, Aerospace and Automotive Applications. Wiley.

Rotating Electrical Machines—Part 1: Rating and Performance (IEC 60034-1:2022). (2022). International Electrotechnical Commission.

Shewhart, W. A. (1931). Economic Control of Quality of Manufactured Product. Van Nostrand.

Thejaswi, A. H. (2021). Induction Motor Condition Monitoring and Controlling Based on IoT. 4.

Yusro, I. (2025). Desain Sistem Monitoring Gangguan Motor Induksi Berdasarkan Nilai Suhu, Getaran, dan Konsumsi Arus. Jurnal Profesi Insinyur Universitas Lampung, 6(2). https://doi.org/10.23960/jpi.v6n2.213

Downloads

Published

2026-08-11