Lompat ke konten

Tinjauan ilmiah

Kebocoran Data pada Set Data Acuan CWRU dan Akurasi Diagnosis Kerusakan Bantalan Gelinding

Redaksi ARSTEMA · · 16 menit baca

Abstrak

Set data bantalan Case Western Reserve University (CWRU) banyak dipakai sebagai acuan untuk menguji model pembelajaran mesin dalam diagnosis kerusakan bantalan gelinding berbasis getaran, dan banyak publikasi melaporkan akurasi mendekati 100%. Tinjauan ini menilai sejauh mana angka tersebut dipengaruhi oleh kebocoran data, yaitu masuknya informasi dari rekaman atau bantalan fisik yang sama ke data latih dan data uji, serta batasan fisik apa yang melekat pada set data itu. Sumber yang ditelaah terdiri atas lima publikasi terbitan 2022 sampai 2026: dua makalah konferensi PHM Society, satu artikel jurnal yang hanya dapat diakses pada abstrak dan pendahuluannya, serta dua pracetak arXiv. Literatur yang dirangkum menunjukkan akurasi turun dari hampir 100% ke sekitar 40% sampai 60% setelah pembagian data diperketat, tergantung pengaturan. Eksperimen terkendali pada CWRU dengan model WDCNN yang sama memperlihatkan skor 64,34 ± 9,29 tanpa kebocoran, dibanding 99,96 ± 0,13 dengan kebocoran tingkat bantalan. Formulasi multi-label dengan metrik berbasis kurva ROC diusulkan untuk menghindari kebocoran kelas sehat dan ketimpangan kelas, dengan AUROC makro 0,911 ± 0,044 pada satu model ResNet18. Di luar soal pembagian, set data ini dilaporkan memuat kejadian impulsif yang tampaknya berasal dari kelonggaran rig uji serta derau listrik. Hasil-hasil tersebut menunjukkan bahwa angka akurasi CWRU tanpa keterangan cara pembagian data sulit ditafsirkan, dan pembagian per bantalan tampaknya merupakan syarat minimum evaluasi yang sah, walaupun validasi pada mesin industri belum tersedia dalam sumber yang ditelaah.

Kata kunci: kebocoran data; diagnosis kerusakan bantalan; set data CWRU; pembagian per bantalan; klasifikasi multi-label; AUROC

Pendahuluan

Bantalan gelinding merupakan jenis bantalan yang paling banyak dijumpai pada mesin berputar, sekaligus kerap menjadi sumber utama kegagalan mekanis (Rosa dkk., 2024). Pemantauan kondisi berbasis getaran banyak dipilih karena sensornya tidak mengganggu mesin, biayanya relatif rendah, dan banyak kerusakan meninggalkan tanda khas pada sinyal getaran (Hendriks dkk., 2022). Pada fasilitas dengan banyak mesin yang dipantau, analisis manual oleh spesialis sulit diperluas, sehingga diagnosis otomatis dengan pembelajaran mesin, termasuk pembelajaran mendalam, dikembangkan secara intensif (Rosa dkk., 2024).

Set data bantalan dari Case Western Reserve University (CWRU) telah menjadi acuan (benchmark) yang lazim untuk menguji arsitektur jaringan baru dalam bidang ini (Hendriks dkk., 2022; Rosa dkk., 2024). Hasil yang dilaporkan dengan set data tersebut sering mendekati sempurna. Rosa dkk. (2024) mencatat bahwa rancangan uji yang membocorkan informasi di tingkat segmen atau bantalan umumnya menghasilkan akurasi hampir 100%, sehingga kinerja model yang sebenarnya tidak dapat dinilai dengan benar.

Kebocoran data (data leakage) diartikan sebagai hubungan semu antara variabel masukan dan variabel target yang timbul dari cacat dalam pengumpulan, pengambilan sampel, atau prapengolahan data. Hubungan itu tidak ada pada distribusi data yang sesungguhnya, sehingga biasanya menghasilkan perkiraan kinerja yang terlalu optimistis (Vieira dkk., 2026). Vieira dkk. (2026) mengutip laporan bahwa masalah ini menyentuh sedikitnya 294 makalah di 17 bidang ilmu, dengan contoh dari kedokteran ketika sampel dari pasien yang sama masuk ke data latih dan data uji. Padanannya dalam diagnosis bantalan adalah rekaman dari bantalan fisik yang sama yang muncul di kedua sisi pembagian.

Tinjauan ini menyintesiskan lima publikasi terbitan 2022 sampai 2026 untuk menjawab tiga pertanyaan: seberapa besar kinerja model diagnosis pada CWRU terlalu tinggi akibat cara data dibagi; bagaimana hasilnya bila setiap bantalan hanya masuk ke data latih atau data uji; dan batasan fisik apa yang melekat pada set data itu sendiri. Pembahasan juga menyinggung pilihan metrik evaluasi serta perbandingan model dalam dan model dangkal, karena keduanya ikut menentukan cara membaca angka kinerja.

Susunan set data CWRU dan asal kebocoran

CWRU berisi rangkaian eksperimen pada rig uji berupa motor listrik dengan dua posisi bantalan, yaitu sisi penggerak (drive end) dan sisi kipas (fan end). Set data ini hanya memuat satu pasang bantalan sehat; bantalan lainnya dirusak secara sengaja dengan pemesinan pelepasan listrik (electro-discharge machining, EDM) sehingga terbentuk cacat titik berdiameter 7, 14, 21, dan 28 mils, masing-masing secara terpisah pada lintasan dalam, lintasan luar, atau elemen gelinding (Rosa dkk., 2024). Setiap konfigurasi diuji pada empat kondisi beban motor dari 0 sampai 3 HP. Sebagian besar eksperimen memakai laju sampel 12 kHz, sebagian lain 48 kHz, dan setiap rekaman berdurasi sekitar 10 detik (Rosa dkk., 2024). Dua akselerometer dipasang pada rumah motor di dekat kedua posisi bantalan (Hendriks dkk., 2022).

Perubahan beban dari 0 sampai 3 HP dengan kenaikan 1 HP hanya menggeser kecepatan putar pada rentang 1730 sampai 1797 RPM. Hendriks dkk. (2022) berpendapat bahwa variasi sekecil itu belum layak disebut perubahan kondisi operasi yang berarti. Pendapat ini relevan karena pembagian menurut beban kerap dipakai sebagai skenario pergeseran domain (domain shift), yakni pelatihan pada satu kondisi operasi lalu pengujian pada kondisi lain, dan skenario itu dianggap lebih menantang serta lebih dekat dengan kondisi industri.

Kebocoran pada CWRU dapat terjadi pada dua tingkat. Tingkat pertama adalah segmentasi: sinyal panjang dipotong menjadi banyak segmen pendek, kemudian segmen dari sinyal yang sama dibagi secara acak ke data latih dan data uji. Rosa dkk. (2024) menyebut cara ini lazim dalam literatur dan menilai bahwa model, terutama model pembelajaran mendalam yang mudah mengalami overfitting (terlalu pas dengan data latih), dapat menghafal tanda khas setiap sinyal alih-alih mempelajari ciri kerusakan.

Tingkat kedua adalah bantalan. Pembagian menurut beban memang menjaga semua segmen dari satu sinyal tetap di satu sisi, tetapi bantalan rusak yang sama dipakai ulang untuk eksperimen pada kecepatan berbeda, sehingga setiap bantalan menghasilkan beberapa rekaman (Hendriks dkk., 2022). Akibatnya, bantalan fisik yang sama hadir di data latih dan data uji. Hendriks dkk. (2022) menyimpulkan bahwa kerangka lama memungkinkan jaringan saraf konvolusional (convolutional neural network, CNN) mempelajari ciri yang melekat pada bantalan tertentu, atau pada perakitan rig untuk bantalan itu, sehingga kemampuan generalisasi ke bantalan lain belum terjamin. Abburi dkk. (2023) sampai pada kesimpulan serupa: menaruh data getaran dari bantalan yang sama di data latih dan data evaluasi menghasilkan perkiraan kinerja yang terlalu optimistis.

Kelas sehat menimbulkan persoalan tersendiri. Karena CWRU hanya memiliki satu konfigurasi bantalan sehat, setiap upaya membagi konfigurasi tersebut ke data latih dan data uji mau tidak mau menimbulkan kebocoran (Rosa dkk., 2024). Menurut Rosa dkk. (2024), persoalan ini belum terselesaikan oleh dua usulan yang muncul lebih dulu, yaitu pembagian menurut ukuran cacat (Hendriks dkk., 2022) dan pembagian yang menaruh cacat sisi penggerak di data latih, cacat sisi kipas berukuran 7 dan 14 mils di data validasi, serta cacat sisi kipas berukuran 21 mils di data uji (Abburi dkk., 2023), dengan rincian pembagian sebagaimana dilaporkan Rosa dkk. (2024).

Vieira dkk. (2026) merumuskan syarat yang lebih tegas, yaitu pembagian per bantalan: seluruh data dari satu bantalan hanya boleh masuk ke satu partisi, latih atau uji. Alasannya bertumpu pada skenario penerapan, ketika bantalan dapat diganti saat pemeliharaan sehingga model akan berhadapan dengan bantalan yang belum pernah dilihatnya. Tanpa syarat itu, model mungkin sekadar menghafal identitas bantalan beserta labelnya. Mereka juga mencatat bahwa pembagian menurut ukuran cacat belum tentu identik dengan pembagian per bantalan.

Besar penurunan kinerja setelah kebocoran dihapus

Beberapa studi mengukur selisih kinerja antara pembagian yang bocor dan pembagian yang lebih ketat. Hendriks dkk. (2022) mereproduksi hasil sejumlah CNN yang sering dikutip, antara lain ACDIN, WDCNN, AlexNet, dan ResNet, pada kerangka lama, lalu membandingkannya dengan kerangka usulan. Hasil pada kerangka lama sejalan dengan temuan penulis sebelumnya, tetapi pada kerangka usulan akurasi diagnosis turun rata-rata sekitar 45%. Rosa dkk. (2024) merangkum studi yang sama secara lebih spesifik: untuk klasifikasi tujuh kelas (kondisi sehat ditambah cacat lintasan dalam, lintasan luar, dan bola di sisi kipas atau sisi penggerak), CNN mutakhir mencapai akurasi 95% pada pembagian menurut beban dan 53% pada pembagian menurut ukuran cacat.

Kedua cara pelaporan itu tidak harus bertentangan, tetapi juga tidak dapat dicocokkan begitu saja. Ungkapan penurunan sekitar 45% dapat berarti selisih dalam poin persentase atau penurunan relatif, dan teks lengkap artikel Hendriks dkk. (2022) yang berbayar tidak memungkinkan pemeriksaan satuan tersebut. Keduanya lebih aman dibaca sebagai indikasi besarnya penurunan, bukan sebagai angka yang setara.

Abburi dkk. (2023) memakai model pembelajaran mesin klasik, seperti Random Forest, Naive Bayes, dan mesin vektor pendukung (support vector machine), untuk tiga kelas cacat ditambah kondisi sehat. Menurut rangkuman Rosa dkk. (2024), seluruh metrik yang dilaporkan, yaitu akurasi, presisi, skor F1 makro, dan recall, memburuk pada pembagian per bantalan dibanding pembagian acak yang bocor; pada Naive Bayes, akurasi turun dari 85,8% menjadi 69,5%.

Vieira dkk. (2026) merangkum literatur yang menempuh jalur serupa dan mencatat bahwa akurasi turun dari hampir 100% ke sekitar 40% sampai 60%, tergantung pengaturan masing-masing studi. Mereka juga menunjuk faktor perancu yang belum dikendalikan studi sebelumnya. Ketika peneliti beralih dari pembagian tradisional ke pembagian per bantalan, jumlah bantalan yang dilihat model selama pelatihan ikut berkurang. Dengan begitu, sebagian penurunan kinerja secara prinsip dapat bersumber dari berkurangnya keragaman data latih, bukan dari hilangnya kebocoran.

Untuk memisahkan kedua penyebab itu, Vieira dkk. (2026) menahan model terlatih tetap sama dan hanya mengganti data uji: satu set uji berisi sinyal dari bantalan yang ikut dilatih, set lain seluruhnya berasal dari bantalan yang belum pernah dilihat. Pada CWRU, WDCNN dengan masukan domain frekuensi memperoleh skor 64,34 ± 9,29 tanpa kebocoran dan 99,96 ± 0,13 dengan kebocoran tingkat bantalan, yakni pembagian menurut kondisi operasi. Karena modelnya identik, selisih tersebut dapat dikaitkan langsung dengan kebocoran data, bukan dengan berkurangnya keragaman data latih. Vieira dkk. (2026) juga melaporkan satu model lain yang meraih AUROC sempurna untuk setiap pengklasifikasi pada skenario kebocoran tingkat bantalan, tetapi menunjukkan kinerja yang lebih realistis ketika diuji dengan pembagian yang sah.

Tabel berikut merangkum angka yang dibahas. Perbedaan model, tugas, dan metrik membuat baris-baris tabel tidak boleh dibaca sebagai satu deret yang dapat diperbandingkan langsung.

Studi Model dan tugas Pembagian yang bocor Pembagian yang lebih ketat Metrik
(Hendriks dkk., 2022), angka dari rangkuman (Rosa dkk., 2024) CNN mutakhir, tujuh kelas 95% (menurut beban) 53% (menurut ukuran cacat) Akurasi
(Abburi dkk., 2023), angka dari rangkuman (Rosa dkk., 2024) Naive Bayes, tiga kelas cacat dan kondisi sehat 85,8% (acak) 69,5% (per bantalan) Akurasi
(Vieira dkk., 2026) WDCNN, masukan frekuensi, set data CWRU 99,96 ± 0,13 (kebocoran tingkat bantalan) 64,34 ± 9,29 (tanpa kebocoran) Skor kinerja studi tersebut
(Rosa dkk., 2024) ResNet18, masukan spektrogram, multi-label Tidak dibahas di sini 0,911 ± 0,044 (makro) AUROC

Formulasi multi-label dan pilihan metrik

Rosa dkk. (2024) mengusulkan perubahan rumusan masalah. Alih-alih klasifikasi multikelas, untuk setiap lokasi (sisi kipas dan sisi penggerak) disusun detektor biner yang memutuskan ada atau tidaknya tiap jenis cacat: lintasan dalam, lintasan luar, dan bola. Dengan rumusan ini, seluruh sinyal dari pasangan bantalan sehat dapat ditempatkan hanya di data uji, sehingga kebocoran kelas sehat hilang. Kelas negatif bagi setiap detektor tidak lagi terbatas pada kondisi sehat, tetapi juga mencakup jenis cacat lain dan sinyal dari lokasi yang berlawanan. Rumusan ini juga memungkinkan lebih dari satu jenis cacat terjadi bersamaan, sesuatu yang tidak tertampung oleh kelas-kelas multikelas yang didefinisikan dari konfigurasi CWRU. Rosa dkk. (2024) juga mengkritik kerangka Hendriks dkk. (2022) yang mengandalkan dua akselerometer sinkron untuk menentukan lokasi cacat, yang mereka nilai kecil kemungkinannya tersedia pada kasus nyata.

Dalam studi itu, Rosa dkk. (2024) mengikuti Hendriks dkk. dalam memilih konfigurasi beban 1 sampai 3 HP dan ukuran cacat 7, 14, dan 21 mils dengan laju sampel 12 kHz; rekaman bantalan sehat yang hanya tersedia pada 48 kHz disampel ulang ke 12 kHz. Metrik utamanya adalah AUROC, yaitu luas di bawah kurva karakteristik operasi penerima (receiver operating characteristic, ROC), yang tidak bergantung pada prevalensi kelas. ResNet18 dengan masukan spektrogram, dievaluasi pada sejumlah pembagian acak yang bebas kebocoran, mencapai AUROC rata-rata makro 0,911 ± 0,044. Nilai tertinggi diperoleh detektor cacat bola di sisi kipas (0,997 ± 0,011) dan terendah oleh detektor cacat lintasan dalam di sisi kipas (0,857 ± 0,114).

Rosa dkk. (2024) juga menerjemahkan kurva ROC ke titik operasi. Bila laju positif benar (true positive rate, TPR) ditetapkan 90%, laju positif palsu (false positive rate, FPR) rata-rata lintas lokasi adalah 9,2% untuk cacat bola, 15% untuk lintasan dalam, dan 16,5% untuk lintasan luar. Bagi pengguna di lapangan, angka seperti ini mungkin lebih bermakna daripada AUROC, karena langsung menggambarkan beban alarm palsu yang harus ditanggung pada tingkat deteksi tertentu.

Alasan menjauhi akurasi multikelas dijelaskan oleh Vieira dkk. (2026). Akurasi memperlakukan semua salah klasifikasi secara setara, sehingga tidak membedakan alarm palsu dari deteksi yang terlewat, padahal deteksi yang terlewat jauh lebih mahal dalam pemeliharaan industri. Pada data yang timpang, model juga dapat meraih akurasi tinggi hanya dengan menebak kelas mayoritas. Ketimpangan ini nyata pada CWRU: konfigurasi bantalan rusak jauh lebih banyak daripada konfigurasi sehat, kebalikan dari kondisi yang lebih umum di lapangan (Rosa dkk., 2024). Dari arah yang sedikit berbeda, Abburi dkk. (2023) menyimpulkan bahwa skor F lebih informatif daripada akurasi untuk mengevaluasi model pada data kegagalan yang tidak seimbang. Kedua rekomendasi itu berbeda bentuk, tetapi sama-sama menolak akurasi sebagai ukuran tunggal.

Model dalam, model dangkal, dan keragaman bantalan

Pandangan yang beredar dalam literatur cenderung mengunggulkan CNN. Hendriks dkk. (2022) menyebut CNN umumnya lebih akurat daripada metode dangkal seperti k-tetangga terdekat dan mesin vektor pendukung, karena CNN dapat belajar dari data mentah tanpa rekayasa fitur yang rumit. Mereka juga menemukan bahwa CNN mutakhir dari bidang lain dalam riset pembelajaran mesin mungkin menjadi pilihan yang lebih efisien daripada merancang arsitektur khusus diagnosis, selama set data kerusakan mesin berukuran besar belum tersedia.

Namun, ketika kebocoran disingkirkan, gambaran itu tidak lagi seragam. Vieira dkk. (2026) melaporkan bahwa pada CWRU dengan evaluasi bebas kebocoran, Random Forest yang dilatih dengan fitur buatan tangan, yaitu fitur yang dirancang berdasarkan pengetahuan tentang kerusakan bantalan, mengungguli model pembelajaran mendalam yang dievaluasi. Mereka menyimpulkan bahwa pilihan terbaik antara model dalam dan model dangkal sangat bergantung pada set data, dan bahwa jumlah bantalan unik dalam data latih merupakan faktor penentu ketangguhan kinerja. Temuan kedua ini menunjukkan kemungkinan bahwa keunggulan model dalam pada CWRU yang dilaporkan dengan pembagian bocor sebagian berasal dari kemampuan menghafal bantalan, bukan dari kemampuan menangkap ciri kerusakan yang berlaku umum.

Knap dkk. (2026) menyajikan sudut pandang yang melengkapi. Pada acuan lintas-domain yang memakai CWRU dan set data Paderborn dengan enam skenario sumber-target tetap, model pembelajaran mendalam sering mencapai kinerja lebih kuat. Akan tetapi, kesimpulan tentang model-model itu peka terhadap inisialisasi dan memerlukan validasi dengan beberapa benih acak (seed). Perbedaan arah antara temuan Knap dkk. (2026) dan Vieira dkk. (2026) tampaknya lebih mencerminkan perbedaan tugas, yaitu lintas-domain dibanding intra-set data, daripada pertentangan langsung. Bagi pembaca, implikasinya adalah bahwa klaim keunggulan satu kelas model perlu disertai keterangan tugas, set data, dan protokol pembagian yang dipakai.

Sebaran masalah dalam literatur

Pertanyaan berikutnya adalah seberapa luas praktik pembagian yang bocor. Vieira dkk. (2026) merangkum tiga telaah. Telaah awal tentang bias kemiripan pada riset getaran menemukan bahwa hampir semua studi yang ditinjau, terbit antara 2008 dan 2020, termasuk 40 dari 41 studi yang memakai CWRU, memakai rancangan eksperimen yang rentan terhadap bias tersebut. Telaah lain atas 55 makalah terbitan 2020 sampai 2024 hanya menemukan enam yang menerapkan metodologi pembagian data yang ketat. Vieira dkk. (2026) sendiri memeriksa 18 makalah terbitan 2025 dan mendapati kebocoran data masih ada pada sebagian besar di antaranya.

Vieira dkk. (2026) juga menduga bahwa literatur diagnosis bantalan cenderung memperlakukan klasifikasi intra-domain sebagai masalah yang sudah selesai, sehingga perhatian bergeser ke riset lintas-domain. Bila dugaan itu benar, angka mendekati sempurna dari pembagian bocor mungkin ikut mendorong pergeseran prioritas riset sebelum masalah dasarnya teruji dengan baik. Dugaan ini belum dibuktikan oleh sumber yang ditelaah dan sebaiknya dibaca sebagai hipotesis.

Batasan fisik set data CWRU

Pembagian yang benar tidak menghapus keterbatasan yang melekat pada rekaman itu sendiri. Hendriks dkk. (2022) merangkum hasil telaah benchmark terdahulu yang memeriksa rekaman CWRU secara langsung. Telaah itu menemukan kejadian impulsif yang tidak berkaitan dengan cacat bantalan, yang tampaknya berasal dari kelonggaran mekanis akibat rig uji dibongkar dan dipasang kembali berulang kali di antara pengujian bantalan. Keberhasilan algoritma diagnosis dalam telaah itu lebih bergantung pada perakitan rig uji daripada pada cacatnya sendiri, dan telaah yang sama juga mencatat derau listrik serta anomali akuisisi data lainnya. Hendriks dkk. (2022) menilai temuan ini mengisyaratkan bahwa cacat dalam CWRU tidak sepenuhnya mewakili kerusakan bantalan pada umumnya.

Temuan tersebut memberi lapisan tafsir tambahan atas kebocoran tingkat bantalan. Jika setiap pemasangan bantalan meninggalkan jejak getaran tersendiri, model yang melihat bantalan yang sama di data latih dan data uji dapat mengenali jejak perakitan itu, bukan cacatnya. Hendriks dkk. (2022) secara eksplisit menyebut kemungkinan jaringan mempelajari ciri yang terkait dengan perakitan rig untuk tiap bantalan. Rosa dkk. (2024) memanfaatkan temuan telaah terdahulu yang sama untuk menjelaskan sebagian galat model mereka, karena sejumlah rekaman yang dinilai sulit atau tidak dapat didiagnosis dengan metode klasik juga menjadi sumber kesalahan model.

Hendriks dkk. (2022) juga mencatat dua persoalan sitasi. Temuan telaah benchmark terdahulu itu jarang diulang dalam publikasi berikutnya yang memakai CWRU, dan beberapa publikasi tampaknya keliru mengutip telaah tersebut seolah-olah ia merupakan rujukan bagi set data CWRU itu sendiri. Kekeliruan semacam ini mungkin ikut menjelaskan mengapa peringatan tentang mutu rekaman tidak banyak diperhatikan.

Keterbatasan lain bersifat struktural. Cacat dalam CWRU dibuat secara buatan dengan EDM (Rosa dkk., 2024), variasi kecepatan antarbeban kecil (Hendriks dkk., 2022), dan kelas sehat hanya diwakili satu pasang bantalan (Rosa dkk., 2024). Dengan susunan seperti itu, kinerja tinggi pada CWRU, bahkan dengan pembagian per bantalan, belum dapat dianggap sebagai bukti kinerja pada mesin industri yang mengalami kerusakan alami dalam rentang kondisi operasi yang lebih lebar.

Implikasi bagi praktik evaluasi

Dari sintesis di atas, beberapa praktik evaluasi tampak didukung oleh lebih dari satu sumber. Pertama, tingkat pembagian data perlu dinyatakan secara eksplisit, karena angka akurasi dari pembagian acak per segmen, pembagian menurut beban, dan pembagian per bantalan mengukur hal yang berbeda (Hendriks dkk., 2022; Vieira dkk., 2026). Kedua, perlakuan terhadap kelas sehat pada CWRU perlu dijelaskan, mengingat satu-satunya konfigurasi sehat tidak dapat dibagi tanpa kebocoran (Rosa dkk., 2024). Ketiga, metrik yang tidak bergantung pada prevalensi atau yang peka terhadap ketimpangan kelas, seperti AUROC dan skor F, lebih informatif daripada akurasi tunggal (Abburi dkk., 2023; Rosa dkk., 2024). Keempat, jumlah bantalan unik dalam data latih sebaiknya dilaporkan karena ikut menentukan ketangguhan kinerja (Vieira dkk., 2026). Kelima, untuk model pembelajaran mendalam, pengulangan dengan beberapa benih acak membantu memastikan bahwa kesimpulan tidak bergantung pada inisialisasi tertentu (Knap dkk., 2026).

Pengujian antar-rig atau lintas set data menawarkan cara lain untuk memutus kebocoran sepenuhnya, tetapi membawa tantangan generalisasi domain karena sebaran fitur antar-set data dapat sangat berbeda (Vieira dkk., 2026). Acuan Knap dkk. (2026) menunjukkan bahwa tingkat kesulitan skenario lintas-domain sangat beragam: sebagian skenario praktis sudah jenuh, sementara yang lain tetap jauh lebih sulit. Knap dkk. (2026) menerapkan pemisahan data latih dan data uji di tingkat rekaman. Apakah pemisahan tingkat rekaman itu setara dengan pemisahan tingkat bantalan pada CWRU tidak dijelaskan rinci dalam bagian sumber yang dapat diakses; mengingat satu bantalan CWRU menghasilkan beberapa rekaman (Hendriks dkk., 2022), kemungkinan keduanya tidak identik perlu diperhatikan saat membaca hasilnya.

Keterbatasan tinjauan

Tinjauan ini bertumpu pada lima publikasi: dua pracetak arXiv (Rosa dkk., 2024; Vieira dkk., 2026) yang berasal dari kelompok riset yang sama di Federal University of Santa Catarina, dua makalah konferensi PHM Society (Abburi dkk., 2023; Knap dkk., 2026), dan satu artikel jurnal (Hendriks dkk., 2022). Untuk artikel jurnal tersebut, yang dapat diakses hanya abstrak, pendahuluan, dan cuplikan bagian. Untuk Abburi dkk. (2023) dan Knap dkk. (2026), yang dapat diakses terutama abstrak dan metadata, sehingga angka kinerja Abburi dkk. (2023) dan Hendriks dkk. (2022) diambil dari rangkuman Rosa dkk. (2024), bukan dari teks lengkap masing-masing. Temuan tentang cacat fisik rekaman CWRU diketahui melalui rangkuman Hendriks dkk. (2022), tidak dari telaah aslinya.

Seluruh sumber memakai data rig laboratorium dengan cacat buatan, dan tidak satu pun mengukur kinerja model berlabel CWRU pada mesin industri nyata. Gambaran tentang luasnya praktik pembagian yang bocor bersandar pada telaah dengan sampel terbatas, yaitu 41, 55, dan 18 makalah sebagaimana dirangkum Vieira dkk. (2026). Metrik antarstudi juga tidak setara, sehingga perbandingan angka lintas studi dalam tinjauan ini bersifat kualitatif.

Kesimpulan

Sumber-sumber yang ditelaah sepakat bahwa cara membagi data CWRU sangat memengaruhi angka kinerja model diagnosis kerusakan bantalan. Pembagian acak per segmen dan pembagian menurut beban membiarkan rekaman dari bantalan fisik yang sama hadir di data latih dan data uji, dan kondisi ini dikaitkan dengan akurasi hampir 100% yang terlalu optimistis. Setelah pembagian diperketat, literatur yang dirangkum melaporkan penurunan ke sekitar 40% sampai 60%, tergantung pengaturan. Eksperimen terkendali dengan model yang sama memperkuat kesimpulan bahwa penurunan tersebut berasal dari hilangnya kebocoran, bukan semata dari berkurangnya keragaman data latih, meskipun hasil itu baru dilaporkan oleh satu kelompok riset dalam bentuk pracetak.

Pembagian per bantalan, ditambah penanganan khusus terhadap satu-satunya konfigurasi sehat, tampaknya merupakan syarat minimum agar hasil pada CWRU dapat ditafsirkan. Formulasi multi-label dengan metrik berbasis ROC menghasilkan angka yang lebih realistis, misalnya AUROC makro 0,911 ± 0,044 pada satu model ResNet18, dengan alarm palsu yang masih berarti pada tingkat deteksi 90%. Pada kondisi tanpa kebocoran, model dangkal dengan fitur buatan tangan dilaporkan mengungguli model dalam di CWRU, sehingga klaim keunggulan arsitektur perlu dikaitkan dengan set data dan protokolnya. Di luar persoalan pembagian, rekaman CWRU dilaporkan memuat artefak dari perakitan rig dan derau listrik, sehingga set data ini mungkin lebih tepat diperlakukan sebagai bahan uji metodologi daripada sebagai bukti kinerja di lapangan, sampai ada validasi pada mesin industri nyata.

Daftar pustaka

  1. Vieira dkk. (2026). Towards a more realistic evaluation of machine learning models for bearing fault diagnosis. arXiv (pracetak). https://arxiv.org/html/2509.22267
  2. Rosa dkk. (2024). Benchmarking deep learning models for bearing fault diagnosis using the CWRU dataset: A multi-label approach. arXiv (pracetak). https://arxiv.org/html/2407.14625v1
  3. Hendriks dkk. (2022). Towards better benchmarking using the CWRU bearing fault dataset. Mechanical Systems and Signal Processing (Elsevier). https://www.sciencedirect.com/science/article/abs/pii/S0888327021010499
  4. Abburi dkk. (2023). A Closer Look at Bearing Fault Classification Approaches. Annual Conference of the PHM Society. https://papers.phmsociety.org/index.php/phmconf/article/view/3473
  5. Knap dkk. (2026). Leakage-Safe, Reproducible Benchmarking for Vibration-Based Fault Diagnosis. PHM Society European Conference. https://papers.phmsociety.org/index.php/phme/article/view/4924

Pelajari lebih dalam di ARSTEMA Academy