Fakultas Ilmu Komputer
Universitas Brawijaya
4014
Identifikasi Kerusakan Mesin Pada Sepeda Motor Menggunakan Metode
Modified K-Nearest Neighbor (MKNN)
Adhiyatma Mugiprakoso1, Nurul Hidayat2, Marji3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email:,1adhiyatma.mugi@gmail.com,2 ntayadih@ub.ac.id, 3marji@ub.ac.id
Abstrak
Kendaraan transportasi yang paling banyak dipakai masyarakat pada saat ini adalah sepeda motor. Menurut data badan pusat statistik nasional tercatat sebanyak 81,5% alat transportasi yang dipakai masyarakat adalah sepeda motor dari keseluruhan alat transportasi yang ada di Indonesia. Sepeda motor memiliki kelebihan jika dibandingkan dengan alat transportasi lain seperti biaya perawatan yang murah, harga yang terjangkau, irit bahan bakar dan biaya perawatan yang murah. Pada sepeda motor juga dapat muncul berbagai masalah pada mesinya yang dapat menggangu kenyamanan berkendara atau bahkan kecelakaan. Banyak dari pengendara sepeda motor yang kurang memiiki pengetahuan terhadap kerusakan mesin motor. Dari banyak metode klasifikasi yang bisa dipakai untuk mengidentifikasi kerusakan mesin salah satunya adalah metode Modified K-Nearest Neighbor (MK-NN). Metode tersebut mempelajari pola dari data hasil pemeriksaan sebelumnya berdasarkan gejala kerusakan dengan proses pencarian eucledian, menghitung nilai validitas dan menghitung weighted voting dimana hasil akhirnya dipakai untuk penetapan jenis kerusakan menurut nilai k yang sudah ditentukan sebelumnya. Untuk mengidentifikasi kerusakan pada mesin sepeda motor dengan menggunakan 9 jenis kerusakan dengan 13 gejala dan total data latih 110. Akurasi tertinggi yang didapatkan dari hasil pengujian adalah 86,677%.
Kata kunci : klasifikasi, mknn,sepeda motor
Abstract
The transportation vehicle most used by the public today is motorcycles. According to data from the national statistics center, 81.5% of the transportation equipment used by the public is motorcycles from all transportation equipment in Indonesia. Motorcycles have advantages compared to other transportation equipment such as low maintenance costs, affordable prices, economical fuel and low maintenance costs. On motorcycles there can also be various problems with the engine which can interfere with driving comfort or even accidents. Many of the motorcycle riders have little knowledge of motor engine damage. Of the many classification methods that can be used to repair machine damage, one of them is the Modified K-Nearest Neighbor (MK-NN) method. The method studied the pattern of previous examination data based on symptoms of demage with eucledian distance calculation process, calculation of validity value and weighted voting calculation that the end result is used for class classification determination based on predetermined value of k. To identify damage to a motorcycle engine by using 9 types of damage with 13 symptoms and a total of 110 training data. The highest accuracy obtained from the test results was 86.67%.
1. PENDAHULUAN
Sepeda motor adalah alat transportasi yang bukan lagi menjadi barang mewah bagi kebanyakan masyarakat. Hal ini dapat di lihat dari hampir semua masyarakat memiliki sepeda motor. Sepeda Motor merupakan kendaraan transportasi pokok yang sangat efektif dan lebih cepat jika dibandingkan dengan kendaraan transportasi lainnya, dan hal ini ditandai oleh banyaknya penggedara sepeda motor sebanyak 81,5 %, pengedara mobil sebesar 11,11% dan 5,54 % sisanya di isi oleh kendaran transporasi lainya sepeti bus dan truck (Databoks, 2017) . Beberapa faktor yang mebuat sepeda motor menjadi perimadona pilihan masyarakan adalah biaya perawatan dan biaya bahan bakar yang murah dan irit, waktu tempuh yang relatif lebih cepat jika mengadapi kemacetan yang ada di jalan raya (Wicaksono,2016). Akan tetapi banyak dari pengendara sepeda motor yang belum mengetahui atau memahami masalah apa saja yang dapat terjadi pada mesin sepeda motor dikarenakan kerusakan pada motor ada banyak dan memiliki gejalanya mirip (Suratman, 2002). Kondisi mesin sepeda motor yang kurang bagus dapat mengakibatkan berbagai masalah, dari yang berkurangnya kenyamanan dalam berkendara, mesin motor mogok atau bahkan dapat mengakibatkan kecelakaan. Berdasarkan data badan pusat statistik, tahun 2016 terjadi sebanyak 106.129 kecelakaan yang memakan jumlah korban jiwa sebanyak 26.185 orang, dan kerugian dari segi materiil sebanyakRp 2.268.330.000. Selain itu Polantas juga merilis bahwa 71% kendaraan yang terlibat kecelakaan adalah sepeda motor (Kominfo,2017). Oleh karena maka itu maka diperlukan sistem atau alat bantu untuk mendeteksi kerusakan mesin pada sepeda motor.
Ada beragam jenis algoritme yang bisa dipakai dalam melakukan proses klasifikasi, salah satu contohnya adalah algoritme Modified K-Nearest
Neighbor (MNN). Algoritme Modified
K-Nearest Neighbor (MKNN) adalah algoritme yang dikembangkan dari algortima K-Nearest
Neighbor (K-NN) serta mempunyai kinerja
yang lebih bagus dibandigkan algoritme K-NN. Dalam algoritme MKNN, seluruh data training dilakukan validasi terlebih dahulu, dengan perhitungan sesuai dengan nilai tetangga terdekat (k) yang ditentukan. Selain melakukan pencarian nilai validitas pada data training, juga
dilakukan pencarian weight voting dengan memakai nilai validitas tersebut (Parvin, 2010).
Beberapa penelitian yang dilakukan dengan memakai algoritme MKNN salah satunya adalah mendiagnosis penyakit demam. Penelitian ini terjadi dikarenakan sulitnya dalam melakukan identifikasi penyakit demam karena miripnya gejala yang timbul pada penyakit demam. Terdapat 15 jenis gejala penyakit yang dipakai dengan data keseluruhan sebanyak 133. Dari pengujian yang dilakukan mendapatkan hasil akurasi yang bervariasi. Pada pengujian dengan perubahan nilai tetanga terdekat (k) mendapatkan hasil rata-rata sebesar 85,55%, sementara pengujian dengan mengunakan beragam data latih didapatkan akurasi terbesar 92,42%, sedangkan pengujian terhadap pengaruh nilai dari data lari dan data uji mendapatkan akurasi sebesar 96,35% (Wafiyah, 2017). Penelitian berikutnya yang memakai Algoritme MKNN adalah diagnosa penyakit tanaman jagung. Pada Penelitian ini dilakukan klasifikasi penyakit kulit dengan 5 jenis penyakit jagung dengan 16 gejala dengan jumlah data sebanyak 436. Hasil Akurasi tertinggi pada penelitian ini sebesar 98,89% (Adhina, 2017). Pada Penelitian selanjutnya adalah melakukan mendiagnosa penyakit pada kucing dengan memakai Algoritme MKNN. Untuk melakukan diagnosis penyakit pada kucing peneliti menggunakan 18 jenis gejala dan 8 jenis penyakit kucing dengan memakai jumlah data sebanyak 220 . Pada pengujian dengan perubahan nilai tetanga terdekat (k) mendapatkan hasil maksimal sebesar 99,90%, sedangakan pengujian dengan memakai variasi jumlah data latih mendapat hasil terbaik sebesar 99,66% dan pengujian dengan menggunakan komposisi data uji dan data latih mendapatkan akurasi terbaik sebesar 99,90% (Putri, 2017). Dalam penelitian ini dilakukan identifikasi kerusakan mesin pada sepeda motor menggunakan Algoritme Modified K-Nearest Neighbor dengan menggunakan 9 jenis kerusakan mesin dan 13 gejala dengan tiap-tiap gejala memiliki bobot nilai yang berbeda pada setiap kerusakan, nilai bobot pada setiap gejala didapatkan dari seorang pakar.
2. LANDASAN KEPUSTAKAAN 2.1 Klasifikasi
Dalam data mining terdapat fungsi klasifikasi. Klasifikasi adalah proses yang memiliki dua langkah yang pertama adalah
melakukan pembelajaran atau pelatihan (learning) dan yang kedua adalah klasifikasi (classification). pelatihan adalah tahapan merancang model klasifikasi sementara klasifikasi adalah tahapan menetapkan kelas suatu data yang telah diberikan dengan mamakai model yang sudah dirancang sebelumnya (Han, 2012). Proses klasifikasi secara umum memiliki 3 tahapan yaitu:
1. Merancang Model proses membuat penyelesaian dari data yang sudah terklasifikasi untuk menyelesaikan suatu masalah.
2. Penerapan Model proses untuk menentukan kelas data testing menggunakan fungsi serta atribut data yang sudah ditetapkan dalam tahap merancang model.
3. Model Evaluasi proses ini dilakukan dengan tujuan mengevaluasi hasil yang di dapatkan dari implementasi model dalam mengelompokkan data testing dengan atribut yang sudah ditentukan
2.2 Modified K-Nearest Neighbor
Algoritme Modified K-Nearest Neighbor (MKNN) merupakan Algoritme yang dikembangkan dari algoritme K-Nearest Neighbor (K-NN) serta mempunyai kinerja
yang lebih bagus dibandingkan algoritme K-NN. Dalam algoritme MKNN, seluruh data training dilakukan validasi terlebih dahulu, dengan perhitungan sesuai dengan nilai tetangga terdekat (k) yang ditentukan. Selain melakukan pencarian nilai validitas pada data training, juga dilakukan pencarian weight voting dengan memakai nilai validitas tersebut. Hasil dari perhitungan validitas data latih ini selanjutnya akan dipakai untuk nilai yang akan diproses pada tahapan berikutnya (Parvin, 2010).
Langkah-langkah proses klasifikasi menggunakan algoritme MKNN adalah sebagai berikut.
1. Menetapkan nilai tetanga terdekat (k). 2. Mencari jarak euclidian antara data training
dengan memakai persamaan (1).
𝑥(𝛼,𝛽)= √∑𝑛𝑖=1(𝛼𝑖− 𝛽𝑖)2 (1) Keterangan: x = jarak data i = urutan data αi = data training βi = data testing n = jumlah data
3. Mencari validitas pada data training
Hitung nilai validitas keseluruhan data training dihitung dari kesesuaian nilai k. Nilai validitas data training ini yang dipakai untuk mencari total kelas dengan nama kelas yang sama untuk data tersebut. Untuk mencari validitas data training menggunakan Persamaan (2). 𝑉𝑎𝑙𝑖𝑑𝑖𝑡𝑎𝑠(𝑥) = 1 𝑘∑ 𝑆 𝑘 𝑖=1 ((𝑧), 𝑀𝑖(𝑧)) (2) Keterangan: k = jumlah tetanga (𝑧) = kelas 𝑧
Mi(𝑧) = kelas titik terdekat 𝑧
Nilai yang sama pada semua data dilihat dari tetangga paling dekat dihitung memakai fungsi C pada persamaan (2). Fungsi C tersebut dijabarkan menggunakan persamaan (3).
𝐶(𝑧, 𝑦) = {0 𝑧 ≠ 𝑦1 𝑧 = 𝑦 (3) Keterangan:
z = kelas z yang terdapat didata training
y = kelas selain z yang terdapat didata training
z dan y merupakan tanda dari kelas yang terdapat pada data trining. Apabila tanda dari kelas z dan y hasilnya sama, maka nilai
C = 1. Jika tanda kelas z dan y berbeda, maka
nilai C = 0.
4. Mencari jarak euclidian data training dengan data testing dengan memakai persamaan (1). 5. Weight voting
Setelah mencari nilai validitas, jarak antara data training dengan data testing maka tahap selanjutnya adalah menghitung weght votingnya. Untuk mencari nilai weight voting dapat menggunakan persamaan (4).
𝑊(𝑗)= 𝑉𝑎𝑙𝑖𝑑𝑖𝑡𝑎𝑠(𝑗) × 1
𝑑+0.5 (4)
Keterangan:
W(j) = perhitungan bobot
Validitas(j) = halis perhitungan validasi d = jarak euclidian antara data training dan data testing
Weight voting mempunyai peranan yang
sangat penting dikelas yang memiliki validitas besar dan mempunyai jarak lebih dekat dengan kelas uji. Dengan melakukan perhitungan validitas daat menutupi kekurangan algortime KNN dalam hal noise yang dihasilkan. Oleh karena itu, algoritme MKNN dapat menghasilkan perhitungan yang lebih baik dibandingkan algoritme KNN biasa yang hanya mengunkan pencarian jarak tentanga tedekat (Parvin, 2010).
6. Menentukan kelas dari data uji.
Penentuan kelas baru dari data testing didapat dari memakai nilai dari weight voting yang paling besar sesuai jumlah tetangga yang sudah ditetapkan. Dari hasil weight voting yang sudah didapat, Data yang memiliki nilai terbesar adalah kelas dari data uji.
3. METODOLOGI
Pada bagian ini akan menunjukan
langkah-langkah yang di pakai dalam melakukan identifikasi kerusakan mesin pada sepeda motor menggunakan metode Modified K-NN (MKNN) yang di tunjukan pada gambar 1.
Gambar 1. Proses Algoritme MKNN
3.2 Data Penelitian
Data yang diperlukan dalam penelitian
ini adalah penjelasan kerusakan mesin
motor, gejala-gejala yang timbul dan bobot
dari
setiap
gejala
kerusakan.
Data
didapatkan dari wawancara dengan seorang
pakar di bengkel resmi Ahas, penulis
mendapatkan pengetahuan tentang 13 jenis
gejala dan 9 jenis kerusakan pada mesin
sepeda motor dengan jumlah data sebanyak
110. Gejala, aturan dan kode kerusakan yang
terdapat pada sepeda motor dapat pada Tabel 1 dan Tabel 2.Tabel 1. Kode dan Gejala Kerusakan
Kode Nama Gejala
G1 Performa mesin berkurang G2 Mesin tidak mau hidup G3 Suara berlebihan pada knalpot G4 Suara berlebihan pada mesin G5 Panas mesin berlebihan G6 Oli kotor
G7 Bahan bakar boros
G8 Suara meletus saat gas turun G9 Tekanan pada oli kecil G10 Motor starter tidak bertenaga G11 Kopling sering slip
G12 Transmisi sering slip saat ganti gigi G13 Perseneling sukar ganti gigi
Tabel 2. Kode dan Aturan Kerusakan
Kode Nama Kerusakan Gejala K1 Sistem Pembuangan G1 G3 G6 K2 Sistem Pelumasan G1 G4 G5 G6 G9 K3 Sistem Bahan Bakar G1 G2 G7 G8 K4 Kepala Silinder Klep-klep G1 G2 G4 G5 K5 Kepala Silinder Piston G1 G2 G4 G5 K6 Kopling, Gigi Transmisi G1 G11 G12 G13 K7 Alternator (Starter Clutch) G2 G10
K8 Crankshaft, Kickstarter G4 G12 G13 K9 Sistem Pengapian G2 G8
4. PENGUJIAN DAN ANALISIS
Pengujian akurasi sistem dilakukan dengan memasukan 3 macam kombinasi jumlah data testing dan data training, yang pertama yaitu dengan menggunakan 80 data traning dan data testing 30, yang kedua yaitu data training sebanyak 65 dan data testing sejumlah 45 dan yang ketiga yaitu data testing sejumlah 55 dan data training sejumlah 55. Kemudian setiap variasi data testing dan data training akan diuji beberapa kali dengan nilai k yang bervariasi dengan nilai 3,5,7 dan 9.
Pengujian yang pertama menggunakan variasi data yaitu data training sejumlah 80 dan data testing sejumlah 30. Kemudian data testing dan data training akan diuji beberapa kali dengan nilai k yang bervariasi dengan nilai 3,5,7 dan 9 mendapatkan hasil . Akurasi hasil dari pengujian pertama ditunjukkan oleh gambar 2.
Gambar 2. Grafik Pengujian Pertama Pengujian yang kedua menggunakan variasi data yaitu data training sejumlah 65 data dan data testing sejumlah 45 data. Akurasi hasil dari pengujian kedua ditunjukkan oleh gambar 3.
Gambar 3. Grafik Pengujian Kedua
Pengujian yang ketiga menggunakan variasi data yaitu data training sejumlah 55 data dan data uji sejumlah 55 data.Kemudian data testing dan data training akan diuji beberapa kali dengan nilai k yang bervariasi dengan nilai 3,5,7 dan 9. Akurasi hasil dari ketiga pertama ditunjukkan oleh gambar 4.
Gambar 4. Grafik Pengujian Ketiga
Gambar 5. Grafik Semua Pengujian Berdasarkan grafik semua pengujian didapatkan hasil akurasi maksimal pada pengujian pertama sebesar 86,67% dengan menggunkan data training sejumlah 80 dan 30 data testing, sedangkan pada pengujian kedua mendapatkan akurasi maksimal sebesar 75,56% dengan mengunakan data latih sebanyak 65 dan 45 data uji, pada penggujian ketiga mendapatkan akurasi maksimal sebesar 67,27% dengan jumlah data traning sejumlah 55 dan 55 data testing. Semakin tinggi nilai k yang dipakai nilai akurasi yang di dapat cenderung mengalami penurunan hal ini di sebabkan semakin tinggi nilai k maka kemungkinan munculnya noise juga semakin tinggi. Akan tetapi penggunaan jumlah data training yang banyak akan mendapatkan nilai akurasi yang lebih baik dibandingkan dengan penggunaan jumlah data training yang sedikit.
5. KESIMPULAN DAN SARAN
Kesimpulan yang didaptankan dari penelitian identifikasi kerusakan mesin sepeda
motor memakai metode Modified K-Nearest
Neighbor (MKNN) sebagai berikut:
1. MKNN dapat diterapkan untuk mengidentifikasi kerusakan mesin sepeda motor dengan mengikuti langkah-langkah algortime MKNN yang sudah disebutkan diatas.
2. Semakin tinggi nilai k yang dipakai tidak menjamin akan mendapatkan akurasi yang tinggi hal ini dapat terjadi karena semakin tinggi nilai k yang dipakai makan semakin tinggi juga kemungkinan munculnya noise pada data. Akan tetapi penggunaan data training yang semakin banyak akan menghasilkan nilai akurasi yang relatif lebih bagus jika dibandingkan dengan menggunkan jumlah data training yang sedikit.
3. Nilai akurasi teritingi yang didapat pada penelitian ini adalah sebesar 86,67% dengan memakai data tarining sejumlah 80 dan 30 data testing dan nilai k = 9.
Saran dari penulis untuk pengembangan pada penelitian berikutnya:
1. Pada penelitian berikutnya bisa menggunakan komposisi data latih dan data uji yang lebih seimbang serta menggunakan nilai k yang lebih sesuai agar mendapatkan hasil yang lebih bagus.
2. Pada penelitian selanjutnya dapat melakukan kombinasi menggunakan motode lain untuk menetukan nilai k yang lebih optimal atau untuk mengurangi kelemahan MKNN saat menggunakan jumlah data training yang banyak.
6. DAFTAR PUSTAKA
Adhina, R. K., 2017, Pemodelan Sistem Pakar Untuk Diagnosa Penyakit Tanaman Jagung Menggunkan Metode Modified K-Nearest Neighbor (MK-NN),Fakultas Ilmu Komputer, Universitas Brawijaya, Malang.
Han, J.W., Kamber, M. and Pei, J., 2012. Data Mining Concepts and Techniques. 3rd Edition, Morgan Kaufmann Publishers, Waltham.
Parvin H., Hoseinali., & Behrouz M. 2010. Modification on K-Nearest Neighbor Classification. Global Journal of Computer Science and Technology Vol.10 Issue 14 (Ver.1.0).
Putri, M.B.P., 2017. Diagnosis Penyakit pada Kucing Menggunakan Metode Modified K-Nearest Neighbor,Universitas Brawijaya, Malang.
Rukmana, A.,2014. Sistem Pakar Untuk Mendiagnosis Kerusakan Sepeda Motor Non Injeksi Pada Bengkel Gemilang Jaya Motor Kabupaten Pacitan, Pacitan ,Jawa Timur.
Suharto., 2014. Rancang Bangun Mesin Penyekur Klep Dan Dudukan Klep Kepala Silinder Mesin Ringan Secara Otomatis Dengan Tipe Portabel. Politeknik Negeri Semarang, Semarang.
Suratman., 2009. Servis dan Teknik Reparasi Sepeda Motor. Bandung : Pustaka Grafika.
Wafiyah, F., 2017, Implementasi Algoritma Modified K-Nearest Neighbor (MKNN) untuk Klasifikasi Penyakit Demam,Fakultas Ilmu Komputer, Universitas Brawijaya, Malang.
Wicaksono, I., 2016. Sistem Pakar Diagnosa Kerusakan Pada Motor Matic Vario Berbasis Web, Program Studi Teknik Informatika STMIK ProVisi Semarang, Semarang.
