Jurusan Teknik Mesin dan Industri, Universitas Gadjah Mada, Yogyakarta, Indonesia Email: [email protected]
Intisari
Sistem Tool Condition Monitoring (TCM) adalah sebuah aplikasi yang digunakan untuk memantau kondisi sebuah pahat yang terpasang pada sebuah sistem permesinan Computer Numerical Control (CNC). Salah satu aplikasi TCM yang baik adalah yang mampu memetakan fitur sinyal yang diperoleh dari sistem sensor ke kelas yang tepat (kondisi pahat). Penelitian ini bertujuan untuk mengoptimalkan dataset yang diperoleh dari sinyal sensor pada penelitian sebelumnya, dengan cara pemilihan fitur dan dengan reduksi fitur, serta dengan melakukan optimasi parameter sistem pengambilan keputusan untuk memisahkan dua kondisi pahat, yaitu pahat normal dan pahat rusak. Terdapat 1800x282 dimensi data yang diperoleh dari dua hasil transformasi fitur pada domain waktu dan domain frekuensi. Pengujian pertama, hasil transformasi fitur kemudian dipilih fitur terbaik dengan membandingkan tiga metode pemilihan fitur yaitu Fishers Discriminant Ratio (FDR), Sequential Forward Selection (SFS), dan Linier Support Vector Machine (L-SVM) yang dijadikan sebagai input pada Jaringan Syaraf Tiruan (JST) metode backpropagation. Proses pemilihan fitur terbaik adalah menggunakan L-SVM dan terpilih 10 fitur terbaik. Pengujian kedua dilakukan dengan menggunakan data hasil reduksi dimensi menggunakan Principal Component Analysis (PCA) juga menghasilkan 10 fitur hasil reduksi. Data hasil penelitian dengan metode pemilihan fitur menghasilkan akurasi data uji rata-rata sebesar 99,4% dengan kombinasi paramater hasil optimasi yaitu LR = 1 dan node hidden layer = 4. Sedangkan hasil pengujian kedua akurasi terbaik diperoleh pada penilaian kondisi pahat dengan metode backpropagation sebesar 98,5% dan dengan menggunakan parameter jaringan yang sama dengan pengujian pertama yaitu LR=1 dan node hidden layer = 4.
Kata kunci: Pemilihan fitur, reduksi dimensi, PCA, Optimasi, JST
1. Pendahuluan
Dalam sistem manufaktur, deteksi keausan dan kerusakan pahat selama proses manufakturnya merupakan salah satu pertimbangan yang paling penting. Keausan dan kerusakan pahat mendominasi modus kegagalan pada proses permesinan CNC (Yesilyurt, 2006) dan menjadi penyebab utama interupsi mesin CNC yang tidak terencana (Botsaris & Tsanakas, 2008). Pendeteksian secara otomatis terhadap keausan dan kerusakan pahat sangat penting dalam proses manufaktur. Untuk menghindari keterlambatan dalam penggantian pahat maka dikembangkan Tool Condition Monitoring (TCM) system. Sistem TCM dapat menjaga kualitas produk, meningkatkan produktivitas, memaksimalkan umur pahat dan mengurangi down-time pada mesin yang terkait dengan penggantian pahat (Kandili. et al., 2007; Lee, 2010; Bagci, 2011).
Bassiuny dan Li (2007), Teti et al. (2010), dan Lee (2010) membagi metode TCM menjadi dua kelompok: metode langsung dan metode tidak langsung. Metode langsung melakukan pengukuran langsung pada pahat. Metode tidak langsung melakukan pengukuran melalui gejala-gejala fisik selama pemakanan. Metode tidak langsung dilakukan tanpa menghentikan mesin, sehingga tidak menggangu produktivitas mesin (Aliustaoglu et al., 2009).
Langkah-langkah proses TCM adalah: menangkap gejala fisik permesinan dengan sensor; mengolah data sinyal sensor; ekstraksi fitur sinyal; penilaian kondisi pahat (Teti et al., 2010). Penilaian kondisi pahat dapat dilakukan dengan menggunakan beberapa cara yaitu Artificial Neural Network (Gao, 2006), fuzzy logic (Jun dan Suh, 1999 dan Teti et al, 2010), Genetic Algorithm (Jia et al., 2011), pengukuran ambang batas secara langsung, dan analisis time-series.
Proses pendeteksian kondisi pahat sangat berhubugan erat dengan data-data yang sangat banyak. Data diperoleh dari masukan sensor-sensor yang telah di-setting sedemikian rupa,
sehingga data tersebut dapat dibaca dan untuk selanjutnya dapat diolah kembali menjadi suatu informasi yang berguna. Banyaknya data atau dimensi fitur set yang terlalu tinggi akan memberikan efek negatif dalam performansi sistem pengenalan pola. Semakin banyak fitur, waktu yang dibutuhkan untuk proses monitoring pahat yang menjadi tujuan penelitian ini akan semakin lama, dan juga akan berdampak pada kurangnya akurasi klasifikasi, karena boleh jadi fitur tersebut memiliki data yang redundant sehingga tidak informatif lagi (Oluleye et al., 2014). Tugas utama dalam pemilihan fitur adalah bagaimana cara memilih fitur yang paling penting diantara kandidat tersebut sehingga dapat mengurangi jumlahnya, dan pada saat yang sama memungkinkan memberikan diskriminasi kelas yang baik. Fase pemilihan fitur merupakan fase yang kritis, karena jika fitur yang dipilih memiliki kekuatan diskriminasi yang kecil akan berakibat desain klasifikator yang dibentuk mempunyai kinerja yang buruk. Sebaliknya, jika fitur kaya informasi saja yang dipilih, maka desain klasifikator yang dibentuk menjadi sangat sederhana. Ini berarti fitur harus mempunyai nilai perbedaan yang jauh dalam kelas yang berbeda dan nilainya dekat dalam kelas yang sama.
Permasalahan pada penelitian sebelumnya adalah hasil klasifikasi yang telah dilakukan belum optimal, hal ini diidentifikasi dari proses pemilhan fitur hingga kinerja klasifikator yang belum maksimal. Sehingga, pada penelitian ini dataset yang telah ada akan dilakukan kembali pemilihan atau reduksi fitur/variabel serta optimasi parameter pendukung keputusan untuk dapat meningkatkan kinerja akurasi dari suatu sistem untuk penilaian kondisi pahat normal dan rusak. 2. Metode Penelitian
Pengembangan metode yang dilakukan pada penelitian ini adalah memperoleh fitur terbaik dari metode pemilihan dan reduksi fitur dari dataset yang ada, sehingga dapat meningkatkan performa akurasi dari sistem penilaian kondisi. Penilaian kondisi yang terdapat pada rangkaian TCM ini terbagi menjadi dua struktur, yang pertama adalah struktur penelitian pengujian dengan menggunakan input hasil dari pemilihan fitur dan menggunakan input hasil reduksi fitur, pengujian ini dilakukan untuk membandingkan hasil akurasi yang paling baik diantara dua pengujian ini. Pada pengujian pertama, penilaian dilakukan terhadap data yang telah ditransformasikan menjadi variabel-variabel dataset kemudian dari dataset dilakukan preprosesing terlebih dahulu sebelum masuk ke metode proses pemilihan fitur. Pemilihan fitur dibandingkan terhadap tiga metode (FDR, SFS, L-SVM) dan satu metode yang telah diperoleh dari penelitian sebelumnya (korelasi). Metode pemilihan fitur yang terpilih digunakan sebagai input dari neural network backpropagation untuk diuji tingkat akurasinya terhadap klasifikasi kondisi pahat. Untuk pengujian kedua, hasil transformasi atau ekstraksi sinyal yang telah menjadi dataset, diuji dengan tidak melalui proses normalisasi data karena dalam proses reduksi dimensi tidak perlu melakukan normalisasi terlebih dahulu. Reduksi dimensi yang digunakan adalah metode PCA, tujuannya adalah mendapatkan dimensi baru yang lebih sedikit sehingga proses penilaian kondisi dapat lebih cepat. Dipilihnya metode PCA dalam reduksi dimensi dikarenakan sejauh ini metode PCA cukup baik dalam melakukan proses reduksi dimensi, serta ketersediaan toolbox nya di software MATLAB yang telah dikembangan menjadi salah satu faktor dipilihnya metode ini.
Perbedaan antara pemilihan fitur dan reduksi dimensi adalah pada pemilihan fitur, semua fitur yang terpilih merupakan hasil seleksi yang dilakukan oleh suatu metode pemilihan fitur sehingga mendapatkan fitur-fitur terbaik tanpa mengubah data aslinya. Sedangkan reduksi dimensi, dataset telah berubah sesuai urutan dalam melakukan proses PCA. Fitur terbaik terurut berdasarkan variansi yang paling berpengaruh berada diurutan awal dan yang memiliki pengaruh paling kecil berada pada urutan kedua dan seterusnya yang mewakili dataset tersebut. Selanjutnya, metode clustering (K-Means) digunakan untuk membandingkan sejauh mana perbedaan antara kelas yang dapat dibagi dengan metode pembelajaran (supervised) dan tanpa pembelajaran (unsupervised).
Mulai Data Set (domain waktu) (domain frekuensi) Normalisasi Data Seleksi Fitur
Fisher Discriminan Ratio, Sequential Forward Selection, Linier Support Vector Machine
Fitur Terpilih Optimasi Parameter Klasifikator Kombinasi Parameter Terbaik Klasifikasi Data (PERCEPTRON/ BACKPROPAGATION) Reduksi Dimensi (PCA) Data Tereduksi Akurasi Data TCM Hasil dan Pembahasan Kesimpulan& Saran Selesai Raw Data Transformasi/ Ekstraksi Data Data Set (domain waktu) (domain frekuensi) Transformasi/ Ekstraksi Data Sistem Pengujian dengan
Reduksi Dimensi Sitem Pengujian dengan
Seleksi/Pemilihan Fitur
Gambar 1. Diagram Alir Penelitian 2.1 Pendekatan Pemilihan dan Reduksi Fitur
Terdapat dua pendekatan dalam proses pemilihan fitur, yaitu pendekatan filter dan pendekatan wrapper. Pendekatan filter dapat didefinisikan, metrik digunakan pada kriteria lokal atau secara independen dan berbeda dengan target model. Sedangkan pendekatan wrapper didefinisikan, di mana metrik ditentukan oleh performa atau akurasi dari target model (Gambar 2).
Sebelum dilakukan pemilihan fitur, semua atribut dinormalisasi terlebih dahulu untuk mendapatkan zero-mean dan unit-variance sehingga semua fitur akan berada dalam jangkaun yang sama. Tiga metode akan dibandingkan dalam pemilihan fitur yang mampu mengidentifikasi subset kombinasi fitur dimensi yang tinggi sehingga dapat menjadikan fitur tersebut menjadi lebih kecil dimensinya, yang selanjutnya digunakan metode jaringan syaraf tiruan sebagai klasifikator. Reduksi fitur dilakukan untuk mengurangi dimensi data. Reduksi fitur dilakukan dengan metode PCA. Tujuannya adalah untuk mendapatkan dimensi fitur baru yang selanjutnya akan dijadikan sebagai input JST.
3. Hasil dan Pembahasan
Dalam prakteknya, desainer sering dihadapkan pada fitur dengan nilai yang terletak pada jangkauan nilai berbeda. Akibatnya, fitur atau data dengan nilai atau jangkauan yang berbeda mempunyai pengaruh lebih besar dalam fungsi biaya daripada fitur yang memiliki jangkauan kecil atau dengan nilai kecil. Untuk mengatasi masalah ini, digunakan teknik normalisasi fitur sehingga semuan fitur berada dalam jangkuan yang sama, sehingga proporsi pengaruh fungsi biaya dalam klasifikator menjadi seimbang. Seperti diketahui, normalisasi pada data dilakukan sebagai syarat sebelum melakukan seleksi atau pemilihan fitur terbaik pada dataset.
Gambar 3. Normalisasi Data
Dalam penelitian ini, pemilihan atau seleksi fitur dilakukan terhadap tiga metode. Hasil yang diharapkan adalah fitur yang terpilih dapat menjadi kombinasi yang baik untuk selanjutnya ketika diproses akan menghasilkan akurasi yang tinggi dalam penilaian kondisi target. Pada penelitian ini, akan dilakukan perbandingan terhadap tiga metode pemilihan fitur (fisher discriminant ratio, sequential forward selection, linier support vector machine).
Tabel 1 menunjukan fitur-fitur yang terpilih dari setiap metode yang digunakan. Pada tabel tersebut, fitur yang terpilih dari metode FDR yaitu 10 fitur, SFS 8 fitur, dan L-SVM 10 fitur.
Tabel 1. Perbandingan Tiga Metode Fitur Terpilih METODE PEMILIHAN FITUR
Sequential Forward Selection (SFS)
Fisher’s Dicriminant Ratio (FDR)
Linear Support Vector Machine (L-SVM)
SFS (WAKTU) FDR (WAKTU) SVM (WAKTU)
(stdZ – skewY – kurtX – rangeX) 4 fitur terpilih (stdZ – rangeY – rangeX – stdX – stdY – rangeZ 6 fitur terpilih (kurtX – stdZ – skewY – kurtY – stdX – stdY) 6 fitur terpilih
SFS (ORDER) FDR (ORDER) SVM (ORDER)
(X2th – Y14th – Y8th 4 fitur terpilih (X2th – Y13th – 4 fitur terpilih (X2th – Z4th – X4th – terpilih 4 fitur
– X1th Z13th – Y2th X1th)
8 fitur terpilih 10 fitur terpilih 10 fitur terpilih
Dari hasil percobaan yang telah dilakukan, pemilihan metode dengan menggunakan linear SVM mampu memberikan performa MSE (Mean Square Error) terbaik pada data latih rata-rata sebesar 0,0245 dan akurasi data uji sebesar 97,66% terhadap klasifikasi kondisi pahat rusak dan normal. Penggunaan metode SFS memberikan rata-rata MSE sebesar 0,0266 dengan 8 fitur terpilih dan akurasi 97,44%. Pada metode FDR, fitur yang terpilih adalah fitur yang paling besar diskriminannya. Metode FDR mencapai performa MSE rata-ratanya sebesar 0,038 dan akurasi sebesar 96,46%.
Gambar 4. Perbandingan Akurasi Pemilihan Fitur
Dari hasil percobaan pemilihan fitur yang akhirnya terpilih 10 kombinasi fitur terbaik dengan menggunakan metode L-SVM. Selanjutnya, kombinasi fitur tersebut digunakan sebagai dataset untuk diklasifikasikan menjadi dua kelas. Metode yang digunakan untuk mengklasifikasikan data tersebut menggunakan neural network backpropagation. Namun sebelum mengklasifikasikannya, parameter-parameter dari NN tersebut perlu dioptimalkan sehingga tujuan atau target mendapatkan performa yang lebih baik dari penelitian sebelumnya dapat tercapai.
Percobaan pengujian klasifikasi dua kondisi pahat dilakukan dengan dua cara, yaitu dengan menggunakan algoritma pelatihan sederhana dan algoritma pelatihan cepat. Algoritma pelatihan sederhana menggunakan fungsi Gradient with Momentum, jumlah node hidden layer = 0 hingga 4. Learning Rate = 0,3; 0,7; 1. Momentum Coefficient = 0,6; 0,7; 0,9. Max epoch = 25000, Max time = 3600. Target MSE = 0,01. Minimum gradient = 1e-5. Bobot-bobot neuron input dan hidden layer, serta bobot bias output dan bias hidden layer selalu di update dengan harapan output yang dihasilkan secara konsisten selalu mendekati target atau nilai MSE yang sama.
Hasil yang didapatkan dari algoritma ini, MSE terbaik pada data latih berada pada kombinasi parameter LR = 0,7; MC = 0,9 dan Node HL = 4 dengan MSE sebesar 0,015048. Akurasi terbaik data uji berada pada kombinasi parameter LR = 1, MC = 0,7 dan Node HL = 4 dengan akurasi sebesar 98,78%.
A K U R A SI % FDR SFS LSVM
Gambar 5. Hasil Percobaan dengan Algoritma Pelatihan Sederhana (traingdm)
Algoritma pelatihan cepat menggunakan fungsi algoritma Quasi-Newton (trainoss), jumlah node hidden layer = 0 hingga 4 , Learning Rate = 0,3; 0,7; 1, Max epoch = 25000, Max time = 3600, Target MSE = 0,01, Minimum gradient = 1e-5. Hasil yang diperoleh dari algoritma ini MSE data latih terbaik berada pada kombinasi LR = 0,7 dan node HL = 4 dengan nilai MSE 0,0106 dan akurasi data uji yang paling tinggi juga terdapat pada kombinasi LR = 1 dan node HL = 4, sebesar 99,4 %.
Tabel 2. Hasil Pengujian Algoritma Trainoss
TRAIN TEST T2 T1
RUN LR
INPUT node
HL
TIME MSE GRAD ACC MISSED FALSE
ALARM EPOH 1 0,3 0 0,01 0,0259 3,E+00 96,7% 1,1 2,23 248 2 0,7 0 0,01 0,0257 9,E-06 96,8% 2,0 1,13 298 3 1 0 0,01 0,0260 9,E-06 95,2% 1,9 2,97 285 4 0,3 1 0,03 0,0266 9,E-06 96,9% 1,7 1,50 508 5 0,7 1 0,04 0,0259 4,E-05 96,7% 1,3 2,03 727 6 1 1 0,04 0,0245 1,E-05 97,0% 1,9 1,13 684 7 0,3 2 0,61 0,0208 1,E-05 96,8% 1,1 2,07 7061 8 0,7 2 0,80 0,0196 1,E-04 97,4% 1,5 1,13 9837 9 1 2 0,66 0,0180 1,E-04 98,1% 1,1 0,77 8097 10 0,3 3 1,77 0,0144 4,E-04 98,7% 0,6 0,57 17235 11 0,7 3 0,68 0,0151 9,E-06 98,3% 0,6 1,10 7738 12 1 3 1,2667 0,0137 9E-05 98,3% 0,933 0,767 12246 13 0,3 4 0,58 0,0108 7,E-03 98,3% 0,8 0,93 6002 14 0,7 4 0,61 0,0106 5,E-03 98,9% 0,4 0,73 6565 15 1 4 0,56 0,0121 9,E-06 99,4% 0,4 0,20 6252
Reduksi dimensi dalam tahap ini digunakan untuk mengurangi dimensi dari fitur hasil transformasi. Sehingga data hasil reduksi dimensi tersebut memungkinkan digunakan sebagai input dari jaringan saraf tiruan. Hasil reduksi dari PCA dengan nilai eigen value besar akan digunakan sebagai input.
Gambar 6. Plot Eigenvalue terhadap Jumlah Komponen PCA
Dari hasil transformasi PCA, diperoleh empat fitur baru yang diambil dari nilai eigen value terbesar, akurasi yang didapatkan dengan menggunakan backpropagation dengan metode pelatihan cepat adalah 90% sedangkan jika diuji dengan menggunakan algoritma single layer perceptron akurasi yang diperoleh sebesar 88,3%, namun jika menggunakan 10 eigen value sebagai input backpropagation, akurasi yang diperoleh adalah sebesar 98,53% dan jika menggunakan single layer perceptron akurasi dapat mencapai 94,4%.
Gambar 7. Perbandingan Hasil Akurasi dengan Input yang Berbeda
Hasil dari kedua pengujian tersebut memberikan kesimpulan bahwa, reduksi dimensi yang dilakukan secara langsung yaitu hasil dari transformasi lebih baik dari hasil reduksi dimensi pada fitur terpilih dari metode korelasi. Dengan menggunakan metode backpropagation dengan algoritma trainoss fitur hasil reduksi dapat digunakan untuk pendeteksian pahat dengan akurasi data uji 98,5%. Di mana hasil ini tidak berbeda jauh dengan akurasi data dengan metode seleksi fitur dengan L-SVM dengan akurasi 99,4% ketika menggunakan metode pemilihan fitur. Pertanyaan yang dihadapi saat ini adalah bagaimana cara membandingkan hasil dari klasifikasi yang diperoleh dengan metode pembelajaran (supervised learning) dan tanpa pembelajaran (unsupervised learning). Salah satunya adalah dengan melakukan clustering. Clustering digunakan untuk memisahkan data dan/vektor ke dalam sejumlah kelompok (klaster) menurut karakterisitiknya masing-masing. Pada clustering, segera setelah klaster terbentuk, maka label kelas untuk setiap data dapat diberikan dengan mengamati hasil klaster.
Dalam penelitian ini, set data akan diklaster menjadi dua kelompok, ini berkesesuaian dengan penilaian kondisi pahat yaitu normal dan rusak. Metode K-Means digunakan sebagai pengujian klaster. Hasil yang diperoleh dari plotting K-Means fitur terpilih (L-SVM) dapat dilihat pada Gambar 8a dan 8b merupakan hasil plotting K-Means untuk hasil reduksi data.
(a) (b) Gambar 8. Hasil Klaster K-Means (a,b) 4. Kesimpulan dan Saran
4.1 Kesimpulan
Aplikasi sistem TCM yang membandingkan antara akurasi yang didapatkan oleh pemilihan fitur dan reduksi fitur yang dilakukan sesuai dengan diagram alir (Gambar 1), metode pemilihan fitur memiliki periode waktu yang cukup lama dalam proses penilaian kondisinya. Dimulai dari pre-processing data hingga optimasi parameter klasifikatornya. Hasil akurasi yang diperoleh cukup baik dengan menggunakan algoritma BP-trainoss dengan rerata sebesar 99,4% pada data uji. Sedangkan saat menggunakan metode reduksi dimensi memiliki periode waktu relatif sedikit lebih singkat, karena tanpa perlu menggunakan normalisasi data, serta telah memiliki toolbox di MATLAB untuk melakukan reduksi dimensi, sehingga proses monitoring akan lebih cepat. Dengan melakukan reduksi dimensi pada dataset dan algoritma perceptron sebagai klasifikatornya, hasil klasifikasi yang diperoleh 94,4%, sedangkan jika menggunakan backpropagation hasil maksimal yang didapatkan dengan 10 input adalah 98,53% dan ini tidak terlalu berbeda jauh dengan hasil klasifikasi pengujian dengan metode pemilihan fitur.
4.2 Saran
Pengambilan data sinyal diperbanyak atau ditambah lagi sehingga memungkinkan untuk mengklasifikasikan kondisi pahat lebih dari dua kondisi. Misalnya pahat baru digunakan untuk memotong benda kerja hingga rusak, sehingga data yang diperoleh sangat banyak.
Daftar Pustaka
Aliustaoglu, C., Ertunc, H. M., dan Ocak, H., 2009, Tool Wear Condition Monitoring using a Sensor Fusion Model Based on Fuzzy Inference System, Mechanical Systems and Signal Processing, 23(2), pp. 539–546.
Arendra, 2014, Deteksi on-line kondisi pahat PC-Based CNC milling menggunakan tri-axial Mems Accelerometer dengan JST, Tesis, Program Studi Teknik Mesin, Universitas Gadjah Mada, Yogyakarta.
Baek, D. K., Ko, T. J., dan Kim, H. S., 2000, Real Time Monitoring of Tool Breakage in a Milling Operation using a Digital Signal Processor, Journal of Materials Processing Technology, 100(1-3), pp.266–272.
Bagci, E., 2011, Monitoring and Analysis of MRR-Based Feedrate Optimization Approach and Effects of Cutting Conditions using Acoustic Sound Pressure Level in Free-form Surface Milling, Scientific Research and Essays, 6(2), pp.256–277.
Bassiuny, A. M. dan Li, X., 2007, Real Time Monitoring of Tool Breakage in a Milling Operation using a Digital Signal Processor, Journal of Materials Processing Technology, 100(1-3), pp. 266–272.
Botsaris, P. N., dan Tsanakas, J. A., 2008, State of The Art in Methods Applied to Tool Condition Monitoring ( TCM ) in Unmaned Machining Operations: A Review, Proceedings of The International Conference of COMADEM, Prague, pp. 73–87.
Budiman, H., dan Richard, 2007, Analisis Umur dan Keausan Pahat Karbida untuk Membubut Baja Paduan (ASSAB 760) dengan Metode Variabel Speed Machining Test, Jurnal Teknik Mesin, Vol. 9, No.1, pp.31–39.
Chen, S., dan Jen, Y. W., 2000, Data Fusion Neural Network for Tool Condition Monitoring in CNC Milling Machining, International Journal of Machine Tools & Manufacture, 40, pp.381–400.
Cho, S., Binsaeid, S., dan Asfour, S., 2009, Design of Multi Sensor Fusion – Based Tool Condition Monitoring System in End Milling, International Journal Adv Manufacture Technology, pp. 1–14.
Coleman, D. E. dan D. C. Montgomery., 1993, A Systematic Approach to Planning for a Designed Industrial Experiment, (with discussion), Technometrics, Vol.35, No.1.
Colton, 2010, Manufacturing Processes and Systems, ME 6222, Georgia Institute of Technology, Atlanta, Georgia.
Elbestawi, M.A. dan Dumitrescu, M., 2006, Tool Condition Monitoring in Machining Neural Networks, International Federation for Information Processing, Vol.220, pp.5–16 Gao, H., Gao, H., Chen, C., Su, Y., dan Xu, M., 2006, The Investigation of A Self-adjusting Tool Wear
Monitoring System, International Conference on Mechatronics and Automation-IEEE journal, pp. 1690-1694.
Guyon, I., dan Eliseff, A., 2003, An Introduction to Variable and Feature Selection, Journal of Machine Learning Research, vol.3, pp. 1157-1182.
Herianto dan Arendra, 2014, Analisis Order untuk Deteksi On-line Kondisi Pahat CNC Milling menggunakan Mems Accelerometer, Seminar Nasional Tahunan Teknik Mesin XIII, pp. 1-8 Hoare, J., 2007, Feature Selection and Classification of non-traditional data, example from veterinery
Medicine, Tesis, school of informatics, University of Wales, Bangor.
Huang, P. T., dan Chen, J. C., 1998, Fuzzy Logic-Base Tool Breakage Detecting System in End Milling Operations, International Conference on Computers and Industrial Engineering,Vol.35, pp.37–40.
Jemelniak, K., Tomasz, Joanna., dan Sebastian, J., 2011, Tool Condition Monitoring Based Neuron Signals Features, International Journal Adv. Manufacture Technology.
Jensen, R., dan Shen, Q., 2008, Computational Intelligence and Feature Selection Rough and Fuzzy Approache, New Jersey: A Jhon wiley & Sons.
Jia, L., Zheong, B., dan Wei, 2011, Research on GA-SVM Tool Wear Monitoring Method using HHT Characteristics of Drilling Noise Signals, IEEE journal, pp. 635-638.
Vallejo, A.J., Morales-Menéndez, R. dan Alique. J.R., 2008, On-line Cutting Tool Condition Monitoring in Machining Processes using Artificial Intelligence, Robotics Automation and Control, InTech, pp. 143-166.