i
SKRIPSI
PENERAPAN DATA MINING DALAM MEMPREDIKSI KEBUTUHAN PENGGANTIAN MOTOR LISTRIK
MENGGUNAKAN ALGORITMA C4.5
Diajukan Sebagai Salah Satu Syarat Untuk Menyelesaikan Program Strata Satu (S1) pada Program Studi Teknik Informatika
Oleh:
MOHAMMAD SETIYA ADI PRATOMO 311410169
TEKNIK INFORMATIKA
SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA BEKASI
2018
ii
iii
iv
PERNYATAAN KEASLIAN PENELITIAN
Saya yang bertanda tangan di bawah ini menyatakan bahwa, skripsi ini merupakan karya saya sendiri (ASLI), dan isi dalam skripsi ini tidak terdapat karya yang pernah diajukan oleh orang lain untuk memperoleh gelar akademis di suatu institusi pendidikan tinggi manapun, dan sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis dan atau diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan dalam daftar pustaka. Segala sesuatu yang terkait dengan naskah dan karya yang telah dibuat adalah menjadi tanggung jawab saya pribadi.
Bekasi, 13 November 2018
Materai 6.000
Mohammad Setiya Adi Pratomo NIM: 311410169
v
KATA PENGANTAR
Puji syukur penulis panjatkan kehadiran Allah SWT. yang telah melimpahkan segala rahmat dan hidayah-Nya, sehingga tersusunlah Skripsi yang berjudul “PENERAPAN DATA MINING DALAM MEMPREDIKSI KEBUTUHAN PENGGANTIAN MOTOR LISTRIK MENGGUNAKAN ALGORITMA C4.5”
Skripsi tersusun dalam rangka melengkapi salah satu persyaratan dalam rangka menempuh ujian akhir untuk memperoleh gelar Sarjana Komputer (S.Kom.) pada Program Studi Teknik Informatika di Sekolah Tinggi Teknologi Pelita Bangsa.
Penulis sungguh sangat menyadari, bahwa penulisan Skripsi ini tidak akan terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Sudah selayaknya, dalam kesempatan ini penulis menghaturkan penghargaan dan ucapan terima kasih yang sebesar-besarnya kepada:
a. Bapak Dr. Ir. Suprianto, M.P selaku Ketua STT Pelita Bangsa
b. Bapak Aswan Sunge, S.Kom, M.Kom selaku Ketua Program Studi Teknik Informatika STT Pelita Bangsa.
c. Ibu Nisa Nurhidayanti S.Pd.,M.T selaku Pembimbing yang telah banyak memberikan arahan dan bimbingan kepada penulis dalam penyusunan Skripsi ini.
d. Seluruh Dosen STT Pelita Bangsa yang telah membekali penulis dengan wawasan dan ilmu di bidang teknik informatika.
e. Seluruh staf STT Pelita Bangsa yang telah memberikan pelayanan terbaiknya kepada penulis selama perjalanan studi jenjang Strata 1.
f. Rekan-rekan mahasiswa STT Pelita Bangsa, khususnya angkatan 2014, yang telah banyak memberikan inspirasi dan semangat kepada penulis untuk dapat menyelesaikan studi jenjang Strata 1.
g. Ibu dan Ayah tercinta yang senantiasa mendo’akan dan memberikan semangat dalam perjalanan studi Strata 1 maupun dalam kehidupan penulis
vi
Akhir kata, penulis mohon maaf atas kekeliruan dan kesalahan yang terdapat dalam Skripsi ini dan berharap semoga Skripsi ini dapat memberikan manfaat bagi khasanah pengetahuan Teknologi Informasi di lingkungan STT Pelita Bangsa khususnya dan Indonesia pada umumnya.
Bekasi, 13 November 2018
Mohammad Setiya Adi Pratomo
vii ABSTRACT
An electric motor is an electromagnetic device that can convert electrical energy into mechanical energy. PT. JCSM is a manufacturing company engaged in concrete or high-quality steel, which in the production process is assisted by an electric motor motor as a tool for driving, turning or cutting.
But the frequent damage to the electric motor in the use of concrete iron production machinery causes the amount of cost to be incurred and causes the smooth running of the production machine,. Induction motor is one of the important equipment in a production process in the industry, because if the induction motor is experiencing a decline in performance, a production process or industrial work process will be disrupted by utilizing amperage, rpm, power, and motor replacement history data. electric motor uses data mining techniques with C4.5 Algorithm, so that attributes can be known that have an effect in the case of replacing the electric motor to avoid further damage. The results of the success rate of the predicted needs for the replacement of the PT. JCSM rolling mills electric motorcycles showed an accuracy of 97% of the data record for the replacement of electric motors.
Keywords: electric motor, C4.5 algorithm, decision tree, data mining
viii ABSTRAK
Motor listrik adalah sebuah perangkat elektromagnetis yang dapat mengubah energi listrik menjadi energi mekanik. PT. JCSM merupakan perusahaan manufaktur yang bergerak di bidang besi beton atau baja berkualitas tinggi ,dimana dalam proses produksinya dibantu oleh motor - motor listrik sebagai alat untuk penggerak, pemutar atau pemotong. Tapi seringya terjadi kerusakan motor listrik pada penggunaan mesin produksi besi beton menyebabkan besarnya cost yang harus dikeluarkan dan menyebabkan kelancaran jalannya mesin produksi terhambat. Motor induksi merupakan salah satu peralatan penting dalam suatu proses produksi pada industri, karena jika motor induksi mengalami penurunan performansi maka suatu proses produksi atau proses kerja industri akan terganggu, Dengan memanfaatkan data amper,rpm,daya,dan data riwayat penggantian motor dapat diketahui pola penggantian kerusakan motor listrik menggunakan teknik data mining dengan Algoritma C4.5, sehingga dapat diketahui attribut yang untuk menghindarikerusakan lebih lanjut. Hasil tingkat keberhasilan prediksi berpengaruh dalam kasus penggantian motor listrik kebutuhan penggantian motor listrik rolling mills PT.JCSM yang telah diukur menunjukkan hasil akurasi sebesar 97% dari data record penggantian motor listrik.
Kata kunci: motor listrik,algoritma C4.5,decision tree,data mining
ix
DAFTAR ISI
HALAMAN JUDUL ... i
PERSETUJUAN ... ii
PENGESAHAN ... iiii
PERNYATAAN KEASLIAN PENELITIAN ... iv
KATA PENGANTAR ... v
ABSTRACT ... vii
ABSTAKSI ...viii
DAFTAR ISI ... ix
DAFTAR TABEL ... xii
DAFTAR GAMBAR ... xii
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Identifikasi Masalah ... 2
1.3 Rumusan Masalah ... 3
1.4 Batasan Masalah ... 3
1.5 Tujuan dan Manfaat ... 3
1.5.1 Tujuan ... 3
1.5.2 Manfaat ... 4
x
1.6 Sistematika Penulisan ... 5
BAB II TINJAUAN PUSTAKA ... 6
2.1 Kajian Pustaka ... 6
2.2 Dasar Teori ... 10
2.2.1 Maintenance ... 10
2.2.1.1 Definisi Maintenance ... 10
2.2.1.2 Tujuan pemeliharaan ... 11
2.2.1.3 Tugas-Tugas Pokok Kegiatan Pemeliharaan ... 12
2.2.2 Motor Listrik ... 15
2.2.2.1 Pengertian Motor Induksi... 15
2.2.2.2 Jenis – Jenis Motor Listrik ... 16
2.2.2.3 Motor Induksi Satu Fasa ... 16
2.2.2.4 Jenis Motor Induksi Satu Fasa ... 20
2.2.2.5 Motor Kapasitor ... 20
2.2.2.6 Motor Shaded Pole... 20
2.2.2.7 Motor Universal ... 21
2.2.2.8 Prinsip Kerja Motor induksi ... 23
2.2.3 Data Mining ... 23
2.2.3.1 Tahap – Tahap Data Mining ... 25
2.2.3.2 Tujuan Data Mining ... 28
2.2.3.3 Metode Data Mining ... 28
2.2.4 Decision Tree Algoritma C4.5 ... 30
xi
2.2.5 Rapid Miner ... 33
2.3 Kerangka Pemikiran ... 36
BAB III METODE PENELITIAN... 37
3.1 Objek Penelitian ... 37
3.1.1 Profil Perusahaan ... 37
3.1.2 Visi dan Misi Perusahaan ... 38
3.1.2.1. Visi ... 38
3.1.2.2. Misi ... 39
3.1.3 Struktur Perusahaan ... 39
3.2 Metode Penelitian ... 41
3.3 Metode Pengumpulan Data ... 42
3.4 Pengelolaan Awal Data ... 45
3.5 Metode yang Diusulkan ... 50
BAB IV HASIL DAN PEMBAHASAN ... 51
4.1 Analisa ... 51
4.1.1 Jumlah Kasus Data Keseluruhan, Data Training dan Data Testing ... 51
4.1.2 Pohon Keputusan Berdasarkan Perhitungan Entropy dan Gain .. 54
4.1.3 Node 1 (Root) Atribut Total ... 54
4.2 . Proses Data Mining Pada Rapid Miner ... 66
4.2.1 Langkah Pengolahan Data Training di Rapid Miner ... 66
4.2.2 Aturan Yang Dihasilkan Sesuai Pohon Keputusan ... 71
4.3 Data Testing Dan Pengujian Data Testing ... 73
xii
4.4 Hasil Tingkat Penggantian Motor ... 76
BAB V KESIMPULAN ... 77
5.1 Kesimpulan ... 77
5.2 Saran ... 77
DAFTAR PUSTAKA ... 79
LAMPIRAN ... 81
DAFTAR TABEL
Tabel 3.1 Atribut Pada Data motor listrik Rolling Mills PT.JCSM ... 43Tabel 3.2 Atribut Yang Tidak Digunakan... 45
Tabel 3.3 Atribut Yang Digunakan ... 47
Tabel 4.1 Jumlah Nilai Atribut Data Keseluruhan ... 51
Tabel 4.2 Jumlah Kasus Data Training ... 52
Tabel 4.3 Jumlah Kasus Data Testing ... 53
Tabel 4.4 Data Training ... 59
Tabel 4.5 Hasil Testing Data Training ... 72
Tabel 4.6 Hasil Pengujian Data Training ... 73
Tabel 4.7 Data Testing ... 74
Tabel 4.8 Pengujian Data Testing ... 75
Tabel 4.9 Hasil Testing Data Testing ... 75
Tabel 4.10 Evaluasi dan Validasi ... 76
Tabel 4.11 Tingkat Penggantian Motor ... 76
xiii
DAFTAR GAMBAR
Gambar 2.1. Konstruksi Motor Induksi Satu Fasa ... 17
Gambar 2.2 Prinsip Medan Magnet Utama dan Bantu Motor Satu Fasa ... 17
Gambar 2.3.Gelombang Arus Medan Bantu dan Arus Medan Utama ... 18
Gambar 2.4. Medan Magnet Pada Stator Motor Satu Fasa ... 19
Gambar 2.5 Rotor Sangkar ... 19
Gambar 2.6.Bentuk Fisik Motor Kapasitor ... 20
Gambar 2.7 Bentuk Fisik Motor Shaded Pole ... 20
Gambar 2.8. Komutator pada Motor Universal ... 22
Gambar 2.9. Stator dan Rotor Motor Universal ... 22
Gambar 2.10 Tahap - Tahap Data Mining ... 24
Gambar 2.11 Konsep Descision tree ... 31
Gambar 2.12 Pohon Keputusan... 32
Gambar 2.13 Kerangka Pemikiran ... 36
Gambar 3.1 Struktur Perusahaan... 40
Gambar 3.2 Tahapan Penelitian ... 41
Gambar 3.3 Langkah Pengujian Metode ... 50
Gambar 4.1 Pohon Keputusan Sementara ... 58
Gambar 4.2 Tampilan Awal Rapid Miner ... 66
xiv
Gambar 4.3 Tampilan Menu Utama sebelum proses ... 67
Gambar 4.4 Tampilan Utama New Process ... 67
Gambar 4.5 Tampilan Main Process Read excel ... 68
Gambar 4.6 Data import Wizard ... 68
Gambar 4.7 Data training ... 69
Gambar 4.8 Hasil Keputusan Sebagai Label ... 69
Gambar 4.9 Koneksi Operator ... 70
Gambar 4.10 Pohon Keputusan... 70
BAB I PENDAHULUAN
1.1 Latar Belakang
PT JCSM merupakan perusahaan manufaktur yang bergerak di bidang besi beton atau baja berkualitas tinggi ,dimana dalam proses produksinya dibantu oleh motor motor listrik sebagai alat untuk penggerak,pemutar atau pemotong pada beberapa sistem otomatis seperti crope shear,conveyor,pompa,dll. Motor listrik adalah sebuah perangkat elektromagnetis yang dapat mengubah energi listrik menjadi energi mekanik.Motor-motor listrik yang banyak digunakan di PT JCSM adalah motor induksi 3 phasa.
Motor induksi 3 phasa lebih banyak digunakan dalam industri dari pada motor induksi 1 phasa karena motor induksi 3 phasa memiliki daya kerja yang lebih besar dari pada motor induksi 1 phasa .motor induksi 3 phasa ini selalu dioperasikan selama 24 jam untuk mendukung proses produksi dan pelayanan permintaan customer PT.JCSM, sehingga permintaan atau pesanan customer dapat dilayani dengan baik dan lancar.
Tapi seringya terjadi kerusakan motor listrik pada penggunaan mesin produksi besi beton menyebabkan besarnya cost yang harus dikeluarkan dalam perbaikannya,penggantian motor merupakan pekerjaan yang harus dilakukan teknisi saat terjadi kerusakan yang cukup parah pada motor listrik tersebut,hal ini juga menyulitkan bagi teknisi listrik dalam penanganannya
melihat sumber daya manusianya yang terbatas sehingga menyebabkan kelancaran jalannya mesin produksi terhambat,dan sangat terbatasnya pengetahuan user sebagai operator mesin produksi dalam mengidentifikasi yang akan menyebabkan kerusakan motor semakin parah,maka pada penelitian ini bertujuan mengidentifikasi indikasi- indikasi yang sangat mempengaruhi penyebab kerusakan motor listrik dengan begitu user sebagai operator mesin produksi juga teknisi lebih mudah mengenali indikasi kerusakan motor induksi dan mengurangi tingkat kerusakan motor listrik yang digunakan.
Dengan memanfaatkan data amper,rpm,daya,dan data riwayat penggantian motor dapat diketahui pola penggantian kerusakan motor listrik menggunakan teknik data mining dengan Algoritma C4.5. Oleh karena itu penulis mencoba merumuskan masalahnya yaitu bagaimana menerapkan Algoritma C4.5 untuk melakukan analisa pola penggantian motor listrik pada proses produksi baja PT. JCSM.
1.2 Identifikasi Masalah
Melihat dari latar belakang yang penulis kemukakan diatas,maka dapat diidentifikasikan masalah sebagai berikut.
1. Belum adanya prediksi dalam melihat kerusakan motor listrik secara akurat dan efektif
2. Penggantian kerusakan motor listrik yang kurang dipersiapkan sehingga membutuhkan waktu yang cukup lama
3. Biaya yang dibutuhkan untuk service atau pembelian motor listrik baru cukup besar
4. Proses penanganan kerusakan mesin berpengaruh terhadap proses produksi
1.3 Rumusan Masalah
Mendasar pada latar belakang dan identifikasi masalah yang sudah dikemukakan,rumusan masalah pada penelitian ini adalah
1. Bagaimana memanfaatkan penggalian data untuk menghasilkan keputusan penilaian kerusakan motor listrik dengan tingkst keakuratan yang tinggi?
2. Bagaimana melihat hasil prediksi dalam penanganan kerusakan motor listrik?
1.4 Batasan Masalah
Pembahasan penelitian ini dibatasi agar tidak menyimpang dari apa yang telah dirumuskan, batasan masalah pada penelitian ini sebagai berikut.
1. Motor listrik yang akan diprediksi pada penelitian ini hanya bagian rolling mills 1 dan 2 di PT.JCSM.
2. Penelitian ini hanya membahas tentang prediksi penggantian motor listrik akibat kerusakan dengan menggunakan metode Algoritma C4.5
3. Penelitian ini menggunakan tool rapid miner dalam menerapkan Algoritma C4.5
1.5 Tujuan dan Manfaat
1.5.1 Tujuan
Tujuan yang hendak dicapai dalam penelitian ini adalah
1. Menganalisa tanda-tanda kerusakan motor listrik dengan menggali data-data yang akurat untuk menjadi acuhan dalam penetapan keputusan.
2. Mengetahui hasil prediksi dengan melihat akurasi Algoritma C4.5 agar motor listrik dapat menunjang kelancaran produksi perusahaan
1.5.2 Manfaat
Manfaat yang diperoleh dari penelitian ini adalah 1. Bagi penulis
Membantu pihak penulis dalam menulis artikel menggunkan nilai-nilai atribut yang tepat, dengan cara melihat data aturan yang dihasilkan
2. Bagi perusahaan
a. Mempermudah perusahaan dalam hal mengambil keputusan untuk menentukan langkah penanganan kerusakan motor listrik lebih awal b. Menghindari kerusakan berat pada motor listrik
c. Mengurangi biaya yang dikeluarkan perusahaan untuk perbaikan atau pembelian motor baru
d. Membantu kelancaran produksi 3. Bagi Instansi
Penelitian ini dapat dijadikan perbandingan bagi penelitian lain yang berkaitan dengan pengambilan keputusan.
1.6 Sistematika Penulisan
Agar dapat memahami laporan skripsi ini, maka laporan skripsi ini dikelompokkan kedalam beberapa sub bab pembahasan dan menggunakan sistematika penyampaian sebagai berikut:
BAB I : Pendahuluan
Bab ini berisi tentang latar belakang masalah, identifikasi masalah, Rumusan masalah, Batasan masalah, Tujuan dan manfaat penelitian ,dan Sistematika penulisan.
BAB II : Tinjauan Pustaka
Bab ini berisi tentang konsep teoritis sebagai dasar untuk menganalisis permasalahan yang merupakan hasil dari studi pustaka, kerangka pemikiran dan hipotesis.
BAB III : Metode Penelitian
Metode penelitian berisi variable penelitian dan definisi operasional, penentuan sampel, jenis dan sumber data, metode pengumpulan data, metode pengolahan data, dan metode analisis.
BAB IV : Hasil dan Pembahasan
Menguraikan tentang deskripsi objek penelitian serta analisis data dan pembahasannya.
BAB V : Kesimpulan
Bab ini berisi simpulan dan saran-saran yang merupakan hasil analisis data.
BAB II
TINJAUAN PUSTAKA
2.1 Kajian Pustaka
Adapun penelitian yang masih berhubungan dengan skripsi ini yaitu :
1. Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree (Ari Muzakir, Rika Anisa Wulandari, 2016). Dengan memanfaatkan sumber data yang terdiri dari data perawatan antenatal, diterapkan teknik data mining dengan algoritma decision tree C4.5, berdasarkan Knowledge Discovery in Database (KDD).dimana dari data training yang digunakan dengan jumlah 286 instance dapat dibangun sebuah decision tree yang menghasilkan rules yang bisa digunakan untuk memprediksi penyakit hipertensi dalam kehamilan. Dari decision tree yang dibangun, menunjukkan bahwa atribut yang menjadi factor pendukung seorang ibu hamil bisa menderita penyakit hipertensi dalam kehamilannya, yaitu berdasarkan usia, berat badan, riwayat hipertensi, dan paritas. Setelah mendapatkan decision tree dan rules yang dapat memprediksi penyakit hipertensi dalam kehamilan, dilakukan evaluasi dengan supplied test set menggunakan WEKA dihasilkan kesalahan (error) 7.3427% dan tingkat akurasi 92.6573%. Data training yang berjumlah 286 instances, hal ini
menunjukkan bahwa terdapat 265 instances yang akurat dan 21 instances yang error atau prediksinya salah.
2. Penerapan Data Mining dalam Memprediksi Pembelian cat (Fitriana Harahap, 2015). Dari data-data yang telah diperoleh, ditentukan suatu variabel yang menjadi variable. Keputusan dalam pembelian cat. Beberapa faktor yang menjadi penentu dalam pembelian cat. Adalah tingkat animo customer terhadap produk cat yang dapat dilihat berdasarkan hasil Penjualan merek cat dengan warna cat tertentu, jika hasil penjualan cat tersebut tinggi.
Maka animo customer tinggi terhadap cat tersebut. Kompetisi supplier juga menjadi indicator dalam pembelian cat dimana persaingan supplier dalam menawarkan produk mereka kepada home smart medan dengan memberikan cat dengan kualitas super, medium dan standar dengan penawaran harga yang berbeda. Tingkat kompetisi dikatakan tinggi jika hasil penjualan cat dari supplier tersebut tinggi dan banyak diminati oleh customer. Berdasarkan analisa tersebut ditentuk anvariabel-variabel yang digunakan dalam penentuan pembelian cat dengan mempertimbangkan factor tersebut yaitu : kualitas, harga, animo dan kompetisi.Seluruh variabel yang terdiri dari atribut kondisi dan atribut keputusan digunakan untuk menentukan pembelian cat disimpan pada Microsoft excel dengan nama file datacat.xls (yang berisi kasus atau criteria dalam menghasilkan rule).tranformasi data dengan cara menginputkan kedalam WEKA 3.5.5.Pada tahap ini proses data mining dilakukan dengan memilih algoritma C4.5.Sehingga menghasilkan faktor- faktor dalam keputusan pembelian cat sebagai berikut:
a) Yang menjadi factor tertinggi yang mempengaruhi pembelian cat pada Home Smart adalah factor kompetisi supplier dalam memasarkan produknya.
b) Faktor kedua yang mempengaruhi pembelian cat Home Smart adalah Kualitas cat dan Animo Masyarakat untuk mengetahui dan membeli produk cat yang dipasarkan dengan berbagai cara yang dilakukan pihak produsen cat tersebut.
c) Faktor Harga tidak mempengaruhi pembelian pada Departement Penjualan Home Smart Medan, karena cat dengan harga mahal ternyata masih diminati oleh pelanggan Home Smart Medan
3. Implementasi Data Mining dengan Algoritma C4.5 untuk Memprediksi Tingkat Kelulusan Mahasiswa (David Hartanto Kamagi,Seng Hansun,2014).
Aplikasi desktop berhasil memprediksi kelulusan mahasiswa dengan presentase 87,5% dari enam puluh data training dan empat puluh data testing .Hasil prediksi dari aplikasi penelitian ini dapat membantu bagian program studi untuk mengetahui status kelulusan mahasiswa untuk semester berikutnya seperti sekripsi dan magang. Dengan hal tersebut mahasiswa bisa lulus minimal tepat waktu.
4. Kajian Komparasi Penerpan Algoritma C4.5,Neural Network, Dan Svm dengan Teknik Pso Untuk Pemilihan Karyawan Teladan PT.Xyz (Rudi Apriyadi Raharjo,2017). Dari pengukuran kinerja ketiga algoritma yang telah dilakukan dengan menggunakan teknik PSO dan berdasarkan jumlah
data maka dapat disimpulkan bahwa algoritma C4.5 memiliki kemampuan dalam pengambilan keputusan untuk menentukan karyawan teladan yang diterima dan yang ditolak.
5. Implementasi algoritma C4.5 pada kepuasaan pelanggan restoran cepat saji(Harry Dhika, Fitriana Destiawati, Aswin FitriansHarry Dhika, 2016).
Objek penelitian diikuti oleh 300 konsumen restoran cepat saji di kota bogor dengan jumlah restoran cepat saji sebanyak 6 restoran. Attribute yang digunakan dalam pengisian kuisioner yakni: jaminan aman, kebersihan, keramahan, keindahan, kecepatan penyajian, tanggap, reputasi restoran, dan akses lokasi restoran. Setelah dilakukan perhitungan didapat 11 rule untuk itu dilakukan pengukuran tingkat akurasi data dengan confusion matrix, hitung nilai-nilai yang telah dimasukkan tersebut untuk dihitung jumlah sensitivity (recall), specificity, precision dan accuracy. Sensitivity digunakan untuk membandingkan jumlah TP terhadap jumlah record yang positif sedangkan specificity adalah perbandingan jumlah TN terhadap jumlah record yang negatif. Confusion matrix terdapat tingkat akurasi sebesar 91%, dengan nilai presisi pada prediksi puas sebesar 92.21% dan nilai presisi pada prediksi tidak puas sebesar 90,91%. Class recall untuk puas sebesar 97,71% dan class recall untuk tidak puas sebesar 75%
6. Aplikasi data mining menggunakan metode decission tree untuk evaluasi kinerja motor servo dengan algoritma C4.5 ( Kurnia Aryansyah, Rahmat Kusuma Wijaya,2014) Pada paper ini telah dilakukan studi penerapan data
mining menggunakan metode Decision Tree dengan algoritma C4.5 untuk mengevaluasi kinerja motor servo dengan tiga kategori kecepatan motor servo yaitu Lambat,Cukup Cepat, dan Cepat. Berdasarkan hasil pengujian yang telah dilakukan dengan memasukkan data motor servo yang baru kemudian dianalisis dengan menggunakan metode pohon keputusan algoritma C4.5 pada sistem aplikasi, hasil yang diperoleh sama dengan hasil kategori data sebenarnya dengan rincian kecepatan motor sebagai berikut :
• 0 – 320 RPM = Lambat
• 321 – 710 RPM = Cukup Cepat
• 711 – 1070 RPM = Cepat
2.2 Dasar Teori 2.2.1 Maintenance
2.2.1.1 Definisi Maintenance
Menurut Helen Deresky (dalam Manahan P. Tampubolon 2014:149) maintenance dapat diartikan sebagai kegiatan untuk memelihara atau menjaga fasilitas atau peralatan pabrik dan mengadakan perbaikan atau penyesuaian atau penggantian yang diperlukan agar terdapat suatu keadaan operasi produksi yang memuaskan sesuai dengan apa yang direncanakan.
2.2.1.2 Tujuan pemeliharaan
Tujuan pemeliharaan bukan hanya untuk menjaga kondisi mesin dan peralatan semata. Pemeliharaan juga bertujuan untuk menjaga kemampuan produksi agar dapat memenuhi kebutuhan sesuai dengan rencana produksi. Untuk lebih lengkapnya berikut tujuan fungsi pemeliharaan menurut beberapa ahli :
Menurut Helen Deresky (dalam Manahan P. Tampubolon 2014:150) tujuan utama fungsi pemeliharaan adalah :
1. Kemampuan produksi dapat memenuhi kebutuhan sesuai dengan rencana produksi.
2. Menjaga kualitas pada tingkat yang tepat untuk memenuhi apa yang dibutuhkan oleh produk itu sendiri dan kegiatan produksi yang tidak terganggu.
3. Untuk membantu mengurangi penyimpangan yang terjadi di luar batas dan menjaga modal yang diinvestasikan dalam perusahaan selama waktu yang ditentukan sesuai dengan kebijaksanaan perusahaan mengenai investasi tersebut.
4. Untuk mencapai tingkat biaya pemeliharaan serendah mungkin,dengan melaksanakan kegiatan maintenance secara efektif dan efisien keseluruhannya.
5. Menghindari kegiatan maintenance yang dapat membahayakan keselamatan para pekerja.
6. Mengadakan suatu kerja sama yang erat dengan fungsi-fungsi utama lainnya dari suatu perusahaan dalam rangka untuk mencapai tujuan utama
perusahaan,yaitu tingkat keuntungan atau return of invesment yang sebaik mungkin dan total biaya yang rendah.
2.2.1.3 Tugas-Tugas Pokok Kegiatan Pemeliharaan
Menurut Helen Deresky (dalam Manahan P. Tampubolon 2014:153) terdapat tugas pemeliharaan yang digolongkan menjadi tugas pokok yaitu sebagai berikut :
1. Inspeksi (inspection)
Kegiatan inpseksi meliputi kegiatan pengecekan atau pemeriksaan secara berkala (routine schedeule check) bangunan dan peralatan pabrik sesuai dengan rencana serta kegiatan pengecekan atau pemeriksaan terhadap peralatan yang mengalami kerusakan dan membuat laporan-laporan dari hasil pengecekan atau pemeriksaan tersebut. Maksud kegiatan inspeksi yaitu untuk mengetahui apakah perusahaan pabrik selalu mempunyai peralatan atau fasilitas produksi yang baik untuk menjamin kelancaran proses produksi.
2. Kegiatan Teknik (engineering)
Kegiatan teknik meliputi kegiatan percobaan atas peralatan yang baru dibeli, dan kegiatan-kegiatan pengembangan peralatan atau komponen peralatan yang perlu diganti, serta melakukan penelitian-penelitian terhadap kemungkinan pengembangan tersebut dalam kegiatan inilah dilihat kemampuan untuk mengadakan perubahan-perubahan dan perbaikanperbaikan bagi perluasan dan kemajuan dari bangunan dan peralatan pabrik.
Kegiatan teknik ini sangat diperlukan terutama apabila dalam perbaikan mesin-mesin yang rusak tidak diperoleh atau didapatkan komponen yang sama dengan yang dibutuhkan. Dalam hal ini perlu diadakan perubahanperubahan atau perbaikan-perbaikan mesin tersebut dapat bekerja kembali.
3. Kegiatan produksi (production)
Kegiatan produksi ini merupakan kegiatan pemeliharaan yang sebenarnya, yaitu memperbaiki dan mereparasi mesin-mesin dan peralatan. Kegiatan produksi ini dimaksudkan agar kegiatan pengolahan atau pabrik dapat berjalan dengan lancar sesuai dengan rencana.
4. Pekerjaan Administrasi (critical work)
Pekerjaan administrasi ini merupakan kegiatan yang berhubungan dengan pencatatan-pencatatan mengenai biaya-biaya yang terjadi dalam melakukan pekerjaan-pekerjaan pemeliharaan dan biaya-biaya yang berhubungan dengan kegiatan pemeliharaan, komponen atau spare parts yang dibutuhkan, progress reports tentang apa yang telah dikerjakan, waktu dilakukannya inspeksi dan perbaikan, serta lamanya perbaikan tersebut, dan komponen atau spareparts yang tersedia di bagian pemeliharaan. Dalam kegiatan pencatatan ini termasuk penyusunan planning dan scheduling,
yaitu rencana kapan suatu mesin harus dicek atau diperiksa, diminyaki (lubrication), pelumasan atau di service dan di reparasi.
5. Pemeliharaan Bangunan (house keeping) Kegiatan pemeliharaan bangunan merupakan kegiatan untuk menjaga agar bangunan gedung tetap terpelihara
dan terjamin kebersihannya. Jadi kegiatan ini meliputi pembersihan gedung, pengecatan gedung, pembersihan toilet, pembersihan halaman dan kegiatan pemeliharaan peralatan lain yang tidak termasuk dalam kegiatan teknik dan produksi dari bagian maintenance.
Melakukan penyesuaian atau pergantian yang diperlukan untuk mendapatkan suatu kondisi operasi produksi agar sesuai dengan perencanaan yang ada. Perawatan adalah sebuah operasi atau aktivitas yang harus dilakukan secara berkala dengan tujuan untuk mempercepat pergantian kerusakan peralatan dengan resources yang ada. Perawatan juga ditujukan untuk mengembalikan suatu sistem pada kondisinya agar dapat berfungsi sebagaimana mestinya, memperpanjang usia kegunaan mesin, dan menekan failure sekecil mungkin.
Aktivitas perawatan sangat diperlukan karena:
a. Setiap peralatan punya umur pengunaan (useful life). Suatu saat dapat mengalami kegagalan dan kerusakan.
b. Dapat mengetahui dengan tepat kapan peralatan akan mengalami kerusakan.
c. Manusia selalu berusaha untuk meningkatkan umur penggunaan dengan melakukan perawatan (maintenance).
Yang menjadi musuh utama bagian perawatan adalah breakdown, deterioration, dan konsekuensi dari semua tipe kejadian yang tidak terencana.
2.3.3 Motor listrik
Secara umum motor listrik berfungsi untuk mengubah energy listrik menjadi energi mekanik yang berupa tenaga putar. Pada motor DC energi listrik diambil langsung dari kumparan armatur dengan melalui sikat dan komutator.
Oleh karena itu, motor DC disebut motor konduksi. Lain halnya dengan motor AC, kumparan rotor tidak menerima energi listrik secara langsung tetapi secara induksi seperti yang terjadi pada kumparan tranformator. Oleh karena itu motor motor AC dikenal dengan motor induksi.
2.2.2.1 Pengertian Motor Induksi
Motor induksi adalah salah satu jenis dari motor-motor listrik yang bekerja berdasarkan induksi elektromagnet. Motor induksi memiliki sebuah sumber energi listrik yaitu di sisi stator, sedangkan sistem kelistrikan di sisi rotornya di induksikan melalui celah udara dari stator dengan media elektromagnet. Hal inilah yang menyebabkannya diberi nama motor induksi. Adapun penggunaan motor induksi di industri ini adalah sebagai penggerak, seperti untuk blower, kompresor, pompa, penggerak utama proses produksi atau mill, peralatan workshop seperti mesin-mesin bor, grinda, crane, dan sebagainya (Arindya R.
2013).
2.2.2.2 Jenis – Jenis Motor Listrik
Berbagai macam motor listrik yang tersedia dipasaran. Unutk mempermudah pengelompokan maka motor listrik terbagi dua yaitu :
Motor Arus Bolak-Balik (Alternating Current)
Motor arus bolak balik (AC) terbagi menjadi : a. Motor sinkron (ns = nr)
b. Motor Induksi terbagi lagi menjadi : 1. Motor induksi 1 fasa 2. Motor induksi 3 fasa
Motor arus searah (DC) terbagi menjadi : a. Motor DC shunt
b. Motor DC seri
c. Motor DC Compound.
2.2.2.3 Motor Induksi Satu Fasa
Konstruksi motor induksi satu fasa terdiri atas dua komponen yaitu stator dan rotor. Stator adalah bagian dari motor yang tidak bergerak dan rotor adalah bagian yang bergerak yang bertumpu pada bantalan poros terhadap stator. Motor induksi terdiri atas kumparan-kumparan stator dan rotor yang berfungsi membangkitkan gaya gerak listrik akibat dari adanya arus listrik bolak-balik satu
fasa yang melewati kumparan-kumparan tersebut sehingga terjadi suatu interaksi induksi medan magnet antara stator dan rotor.
Bentuk dan konstruksi motor tersebut digambarkan pada gambar 2.1(insyaansori,2013).
Gambar 2.1. Konstruksi Motor Induksi Satu Fasa
Motor induksi satu fasa tidak terjadi medan magnet putar seperti halnya motor induksi tiga fasa.Sehingga diperlukan suatu kumparan bantu untuk mengawali berputar. Motor induksi 1 fasa memiliki dua belitan stator, yaitu belitan fasa utama (belitan U1-U2) dan belitan fasabantu (belitan Z1-Z2). Prinsip kerja medan magnet utama dan medan magnet bantu pada motor 1 fasa dapat dilihat pada gambar 2.2
Gambar 2.2 Prinsip Medan Magnet Utama dan Bantu Motor Satu Fasa
Belitan utama menggunakan penampang kawat tembaga lebih besar sehingga memiliki impedansi lebih kecil. Sedangkan belitan bantu dibuat dari tembaga berpenampang kecil dan jumlah belitannya lebih banyak, sehingga impedansinya lebih besar dibanding impedansi belitan utama.
Grafik arus belitan bantuI bantudan arus belitan utama I utamaberbeda fasa sebesar φ, hal ini disebabkan karena perbedaan besarnya impedansi kedua belitan tersebut. Perbedaan arus bedafasa ini menyebabkan arus total, merupakan penjumlahan vektor arus utama dan arus bantu. Medan magnet utama yang dihasilkan belitan utama juga berbeda fasa sebesar φ dengan medan magnet bantu.
Berikut ini merupakan gambar 2.3 grafik arus belitan bantu dan arus belitan utama.
Gambar 2.3 Gelombang Arus Medan Bantu dan Arus Medan Utama Belitan bantuZ1-Z2 pertama dialiri arus I bantumenghasilkan fluk magnet
Ф tegak lurus,beberapa saat kemudian belitan utama U1- U2 dialiri arus utama I utama.yang bernilaipositif. Hasilnya adalah medan magnet yangbergeser sebesar 45° dengan arahberlawanan jarum jam seperti pada gambar 2.4. Kejadian ini
berlangsung terus sampai satusiklus sinusoida, sehingga menghasilkanmedan magnet yang berputar pada belitanstatornya
Gambar 2.4. Medan Magnet Pada Stator Motor Satu Fasa
Rotor motor satu fasasama dengan rotor motor tiga fasa berbentuk batang-batang kawat yang ujung-ujungnya dihubung singkatkan dan menyerupai bentuk sangkar tupai, maka sering disebut rotor sangkar.Belitan rotor yang dipotong oleh medan putar stator, menghasilkan tegangan induksi, interaksi antara medan putar stator dan medan magnet rotor menghasilkan torsi putar pada rotor. Berikut ini merupakan gambar 2.5 rotor sangkar
Gambar 2.5 Rotor Sangkar
(http://dunia-listrik.blogspot.com/2009/04/motor-listrik-ac-satu-fasa.html)
2.2.2.4 Jenis Motor Induksi SatuFasa
Adapun jenis-jenis Motor induksi 1 fasa diantaranya adalah sebagai berikut:
1. Motor Kapasitor 2. Motor Shaded Pole 3. Motor Universal.
2.2.2.5 Motor Kapasitor
Motor kapasitor satu fasa banyak digunakan dalam peralatan rumah tangga seperti motor pompa air, motor mesin cuci, motor lemari es, motor air conditioning. Konstruksinya sederhana dengan daya kecil dan bekerja dengan supplay PLN 220 V menjadikan motor kapasitor banyak dipakai pada peralatan rumah tangga. Bentuk fisik motor kapasitor dapat dilihat pada gambar 2.6.
Gambar 2.6.Bentuk Fisik Motor Kapasitor 2.2.2.6. Motor Shaded Pole
Motor shaded pole atau motor fasaterbelah termasuk motor satu fasa daya kecil, banyak digunakan untuk peralatan rumah tangga sebagai motor penggerak kipas angin dan blender. Konstruksinya sangat sederhana, pada kedua ujung stator
ada dua kawat yang terpasang dan dihubung singkatkan fungsinya sebagai pembelah fasa.
Belitan stator dibelitkan sekeliling inti membentuk seperti belitan transformator.Rotornya berbetuk sangkar tupai dan porosnya ditempatkan pada rumah stator ditopang dua buah bearing. Bentuk fisik motor shaded pole dapat dilihat pada gambar 2.7.
Gambar 2.7 Bentuk FisikMotor Shaded Pole 2.2.2.7 Motor Universal
Motor Universal termasuk motor satu fasadengan menggunakan belitan stator dan belitan rotor. Motor universal dipakai pada mesin jahit maupun motor bor tangan. Perawatan rutin dilakukan dengan mengganti sikat arang yang memendek atau pegas sikat arang yang lembek.Kontruksinya yang sederhana, handal, mudah dioperasikan, daya yang kecil, dan torsinya yang cukup besar.
Bagian dalam motor universal dapat dilihat pada gambar 2.8.
Gambar 2.8. Komutator pada Motor Universal
Bentuk stator dari motor universal terdiri dari dua kutub stator. Belitan rotor memiliki dua belas alur belitan dilengkapi komutator dan sikat arang yang menghubungkan secara seri antara belitan stator dengan belitan rotornya. Aplikasi motor universal untuk mesin jahit, untuk mengatur kecepatan dihubungkan dengan tahanan geser dalam bentuk pedal yang ditekan dan dilepaskan. Bentuk stator dan rotor motor universal dapat dilihat pada gambar 2.9.
Gambar 2.9 Stator dan Rotor Motor Universal
2.2.2.8 Prinsip Kerja Motor induksi
Belitan stator yang dihubungkan dengan suatu sumber tegangan akan menghasilkan medan putar dengan kecepatan sinkron. Kecepatan medan magnet putar tergantung pada jumlah kutub stator dan frekuensi sumber daya. Kecepatan itu disebut kecepatan sinkron, yang ditentukan dengan rumus: 𝑛𝑠 = 120𝑓
𝑝
dimana :
𝑛𝑠= Kecepatan sinkron (RPM)
f = Frekuensi (Hz) P = Jumlah kutub
Garis-garis gaya fluks dari stator tersebut yang berputar akan memotong panghantar-panghantar rotor sehingga pada penghantar rotor tersebut timbul Gaya Gerak Listrik (GGL) atau tegangan induksi.
Berhubung kumparan rotor merupakan rangkaian yang tertutup maka pada kumparan tersebut mengalir arus. Arus yang mengalir pada penghantar rotor yang berada dalam medan magnet berputar dari stator, maka pada penghantar rotor tersebut timbul gaya-gaya yang berpasangan dan berlawanan arah, gaya tersebut menimbulkan torsi yang cenderung memutar rotornya, rotor akan berputar dengan kecepatan (Nr) mengikuti putaran medan putar stator (Ns).
2.3.4 Data Mining
Dalam data mining terdapat dua pendekatan metode pelatihan, yaitu (Undavia J N, Patel dan Donia, 2013):
Gambar 2.10 Tahap - Tahap Data Mining Sumber : Saputra Ilham.(2016)-19
a. Unsupervised learning, metode ini diterapkan tanpa adanya latihan (training) dan tanpa ada guru (teacher). Guru di sini adalah label dari data.
b. Supervised learning, yaitu metode belajar dengan adanya latihan dan pelatih. Dalam pendekatan ini, untuk menemukan fungsi keputusan, fungsi pemisah atau fungsi regresi, digunakan beberapa contoh data yang mempunyai output atau label selama proses training.
Ada beberapa teknik yang dimiliki data mining berdasarkan tugas yang bisa dilakukan, setiap teknik memiliki algoritma masing-masing. Tahap – Tahap Data Mining Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi
beberapa tahap.
2.2.3.1 Tahap-tahap data mining yaitu : 1. Pembersihan Data (Data cleaning)
Pembersihan data merpakan proses pembersihan noise dan data tidak konsisten atau data tidak relevan. Pada umumnya data yang diperoleh, baik dari database suatu perusahaan maupun hasil eksperimen, memiliki isian-isian yang tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik.Selain itu, ada juga atribut-atribut data yang tidak relevan dengan hipotesa data mining yang dimiliki. Data-data yang tidak relevan itu juga lebih baik dibuang. Pembersihan data juga akan mempengaruhi performasi dari teknik data mining karena data yang ditangani akan berkurang jumlah dan kompleksitasnya.
2. Integrasi data ( Data Intergration )
Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru. Tidak jarang data yang diperlukan untuk data mining tidak hanya berasal dari satu database tetapi juga berasal dari beberapa database atau file teks. Integrasi data dilakukan pada atribut-aribut yang mengidentifikasikan entitas-entitas yang unik seperti atribut nama, jenis produk, nomor pelanggan dan lainnya. Integrasi data perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa menghasilkan hasil yang menyimpang dan bahkan menyesatkan pengambilan aksi nantinya. Sebgai contoh bila integrasi data berdasarkan jenis produk ternyata menggabungkan produk dari kategori yang
berbeda maka akan didapatkan korelasi antar produk yang sebenarnya tidak ada.
Dalam integrasi data ini juga perlu dilakukan transformasi dan pembersihan data karena seringkali data dari dua database berbeda tidak sama cara penulisannya atau bahkan data yang ada di satu database ternyata tidak ada di database lainnya.
3. Seleksi data ( Data Selection )
Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database. Sebagai contoh, sebuah kasus yang meneliti faktor kecenderungan orang membeli dalam kasus market basket analysis, tidak perlu mengambil nama pelanggan, cukup dengan id pelanggan saja.
4. Transformasi data ( Data Transformation )
Beberapa teknik data mining membutuhkan format data yang khusus sebelum bisa diaplikasikan. Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam data mining. Beberapa metode data mining membutuhkan format data yang khusus sebelum bisa diaplikasikan. Sebagai contoh beberapa metode standar seperti analisis asosiasi dan clustering hanya bisa menerima input data kategorikal.
Oleh karena itu, data berupa angka numerik yang berlanjut perlu dibagi- bagi menjadi beberapa interval. Proses ini sering disebut transformasi data.Transformasi dan pemilihan data ini juga menentukan kualitas dari hasil data mining nantinya karena ada beberapa karakteristik dari teknik-teknik data mining tertentu yang tergantung pada tahapan ini.
5. Proses Mining
Merupakan suatu proses utama saat metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data.
6. Evaluasi pola ( patteren evaluation )
Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang ditemukan. Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai. Bila ternyata hasil yang diperoleh tidak sesuai hipotesa ada beberapa alternatif yang dapat diambil seperti menjadikannya umpan balik untuk memperbaiki proses data mining, mencoba metode data mining lain yang lebih sesuai, atau menerima hasil ini sebagai suatu hasil yang di luar dugaan yang mungkin bermanfaat.
7. Presentasi pengetahuan ( knowledge presentation )
Tahap terakhir dari proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil analisis yang didapat. Visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang diperoleh pengguna.Ada kalanya hal ini harus melibatkan orang-orang yang tidak memahami data mining.
Sehingga presentasi hasil data mining dalam bentuk pengetahuan yang bisa dipahami semua orang adalah satu tahapan yang diperlukan dalam proses data mining. Dalam presentasiini, visualisasi juga bisa membantu mengkomunikasikan hasil data mining.
2.3.4.1 Tujuan Data Mining
Secara umum, tujuan dilakukannya data mining dapat dikelompokkan menjadi 2, yaitu :
a. Deskripsi
Deskripsi bertujuan untuk mengidentifikasi pola yang muncul secara berulang pada suatu data dan mengubah pola tersebut menjadi aturan dan kriteria yang dapat mudah dimengerti oleh para ahli pada domain aplikasinya. Aturan yang dihasilkan harus mudah dimengerti agar dapat dengan efektif meningkatkan tingkat pengetahuan (knowledge) pada sistem.
Tugas deskriptif merupakan tugas data mining yang sering dibutuhkan pada teknik postprocessing untuk melakukan validasi dan menjelaskan hasil dari proses data mining. Postprocessing merupakanproses yang digunakan untuk memastikan hanya hasil yang valid dan berguna yang dapat digunakan oleh pihak yang berkepentingan.
b. Prediksi
Prediksi memiliki kemiripan dengan klasifikasi, akan tetapi data diklasifikasikan berdasarkan perilaku atau nilai yang diperkirakan pada masa yang akan datang. Contoh dari tugas prediksi misalnya untuk memprediksikan adanya pengurangan jumlah pelanggan dalam waktu dekat dan prediksi harga saham dalam tiga bulan yang akan datang.
2.3.4.2 Metode Data Mining
Data Mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu : Deskripsi, Estimasi, Prediksi, Klasifikasi, Pengklusteran,
dan Asosiasi. Klasifikasi merupakan proses menemukan sebuah model atau fungsi yang mendeskripsikan dan membedakan data ke dalam kelas-kelas. proses klasifikasi didasarkan pada empat komponen mendasar, yaitu:
a. Kelas (Class)
Variabel dependen dari model, merupakan variabel kategorikal yang merepresentasikan “label” pada objek setelah klasifikasinya. Contoh kelas semacam ini adalah: adanya kelas penyakit jantung, loyalitas pelanggan, kelas bintang (galaksi), kelas gempa bumi (badai), dll.
b. Prediktor ( Predictor )
Variabel independen dari model, direpresentasikan oleh karakteristik (atribut) dari data yang akan diklasifikasikan dan berdasarkan klasifikasi yang telah dibuat. Contoh prediktor tersebut adalah : merokok, konsumsi alkohol, tekanan darah, frekuensi pembelian, status perkawinan, karakteristik (satelit) gambar, catatan geologi yang spesifik, kecepatan dan arah angin, musim , lokasi terjadinya fenomena , dll
c. Pelatihan dataset ( Training datset )
Kumpulan data yang berisi nilai-nilai dari kedua komponen sebelumnya dan digunakan untuk melatih model dalam mengenali kelas yang cocok/sesuai, berdasarkan prediktor yang tersedia. Contoh set tersebut adalah: kelompok pasien yang diuji pada serangan jantung, kelompok pelanggan supermarket (diselidiki oleh intern dengan jajak pendapat), database yang berisi gambar untuk monitoring teleskopik dan pelacakan objek astronomi, database badai, database penelitian gempa.
d. Dataset pengujian ( Testing dataset )
Berisi data baru yang akan diklasifikasikan oleh (classifier) model yang telah dibangun di atas sehingga akurasi klasifikasi (model performance) dapat dievaluasi.
Berikut beberapa model (metode) klasifikasi yang paling popular : 1. Decision/classification trees;
2. Bayesian classifiers/Naive Bayes classifiers;
3. Neural networks;
4. Statistical analysis;
5. Genetic algorithms;
6. Rough sets;
7. k-nearest neighbor classifier;
8. Rule-based methods;
9. Memory based reasoning;
10. Support vector machines.
2.3.5 Decision Tree Algoritma C4.5
Pohon keputusan adalah salah satu metode klasifikasi yang kuat dan terkenal. Metode Decision Tree mengubah fakta besar menjadi pohon keputusan yang mewakili aturan, sehingga aturan tersebut dapat dengan mudah dipahami oleh manusia. Decision Tree juga berfungsi untuk mengeksplorasi data,
menemukan hubungan tersembunyi antara sejumlah variabel input dan variabel tujuan.(Undavia J N, Patel dan Donia, 2013)
Model pohon keputusan terdiri dari satu set keputusan untuk membagi sejumlah populasi yang besar menjadi satu aturan yang kecil dengan memperhatikan target berupa objek. Objek target biasanya diklasifikasikan dan model pohon keputusan lebih fokus pada perhitungan probabilitas dari setiap record data dari beberapa kategori atau untuk mengklasifikasikan tiap record berdasarkan kelompok menjadi suatu kelas. Sebuah keputusan dapat dibangun dengan menerapkan salah satu algoritma Decision tree untuk memodelkan sekelompok data yang belum terklasifikasi. Konsep dari Decision tree adalah mengubah data menjadi pohon keputusan dan aturan keputusan.
Gambar 2.11 Konsep Descision tree
Dalam pohon keputusan sangat berhubungan dengan algoritma C4.5, karena dasar algoritma C4.5 adalah pohon keputusan. Algoritma data mining C4.5 merupakan salah satu algoritma yang digunakan untuk melakukan klasifikasi atau segmentasi atau pengelompokan yang bersifat prediktif. Cabang-cabang pohon keputusan merupakan pertanyaan klasifikasi dan daun-daunnya merupakan kelas- kelas atau segmen-segmennya.
Gambar 2.12 Pohon Keputusan
Algoritma C4.5 merupakan salah satu algoritma machine learning. Dengan algoritma ini, mesin (komputer) akan diberikan sekelompok data untuk dipelajari yang disebut learning dataset. Kemudian hasil dari pembelajaran selanjutnya akan digunakan untuk mengolah data-data yang baru yang disebut test dataset. Karena algoritma C4.5 digunakan untuk melakukan klasifikasi, jadi hasil dari pengolahan test dataset berupa pengelompokkan data ke dalam kelas-kelasnya Umumnya, langkah-langkah algoritma C4.5 yang digunakan untuk membentuk pohon keputusan adalah sebagai berikut :
a. Pilih atribut sebagai root b. Buat cabang untuk setiap nilai c. Bagi tiap cabang kedalam kelas
d. Ulangi proses untuk setiap cabang sampai semua kasus pada tiap cabang memiliki kelas yang sama.
Untuk memilih atribut sebagai root, didasarkan pada nilai gain tertinggi dari atribut yang tersedia.Sementara itu, untuk mendapat nilai gain tertinggi kita harus menghitung nilai entropy dari semua nilai didalam atribut.Entropy berperan sebagai parameter untuk mengukur varian dari data sampel. Setelah nilai entropy dalam data sampel diketahui, atribut yang paling berpengaruh akan menjadi pengukur dalam pengklasifikasian data, ukuran ini disebut sebagai Information gain.
Rumus menghitung entropy pada algoritma C4.5 Entropi (S) = ∑ki=1−Pi∗ log2pi
Keterangan :
• S = Himpunan dataset
• K = Banyaknya partisi S
• Pi = Probabilitas yang didapat dari sum (Ya) atau Sum (Tidak) dibagi total kasus
Setelah mendapatkan entropi dari keseluruhan kasus, lakukan analisis pada setiap atribut dan nilai-nilainya dan hitung entropinya. Langkah berikutnya yaitu dengan menghitung Gain, rumus daripada Gain adalah sebagai berikut:
Gain (A) = Entropi (S) -∑ 𝑠𝑖
𝑠 𝑘 𝑖=1
∗ 𝐸𝑛𝑡𝑟𝑜𝑝𝑖(𝑠𝑖)
2.3.6 RapidMiner
RapidMiner merupakan perangakat lunak yang bersifat terbuka (open source). RapidMiner adalah sebuah solusi untuk melakukan analisis terhadap data mining, text mining dan analisis prediksi. RapidMiner menggunakan berbagai teknik deskriptif dan prediksi dalam memberikan wawasan kepada pengguna
sehingga dapat membuat keputusan yang paling baik. RapidMiner memiliki kurang lebih 500 operator data mining, termasuk operator untuk input, output, data preprocessing dan visualisasi.
RapidMiner merupakan software yang berdiri sendiri untuk analisis data dan sebagai mesin data mining yang dapat diintegrasikan pada produknya sendiri.
RapidMiner ditulis dengan munggunakan bahasa java sehingga dapat bekerja di semua sistem operasi. RapidMiner sebelumnya bernama YALE (Yet Another Learning Environment), dimana versi awalnya mulai dikembangkan pada tahun 2001 oleh RalfKlinkenberg, Ingo Mierswa, dan Simon Fischer di Artificial Intelligence Unit dari University of Dortmund. RapidMiner didistribusikan di bawah lisensi AGPL (GNU Affero General Public License) versi 3.
Hingga saat ini telah ribuan aplikasi yang dikembangkan mengunakan RapidMiner di lebih dari 40 negara. RapidMiner sebagai software open source untuk data mining tidak perlu diragukan lagi karena software ini sudah terkemuka di dunia. RapidMiner menempati peringkat pertama sebagai Software data mining pada polling oleh KDnuggets, sebuah portal data-mining pada 2010-2011.
RapidMiner menyediakan GUI (Graphic User Interface) untuk merancang sebuah pipeline analitis. GUI ini akan menghasilkan file XML) Extensible Markup Language) yang mendefenisikan proses analitis keingginan pengguna untuk diterpkan ke data. File ini kemudian dibaca oleh RapidMiner untuk menjalankan analis secara otomatis.(Aprilla Dennis,2013)
RapidMiner memiliki beberapa sifat sebagai berikut:
1. Ditulis dengan bahasa pemrograman Java sehingga dapat dijalankan di berbagai sistem operasi.
2. Proses penemuan pengetahuan dimodelkan sebagai operator trees
3. Representasi XML internal untuk memastikan format standar pertukaran data.
4. Bahasa scripting memungkinkan untuk eksperimen skala besar dan otomatisasi eksperimen.
5. Konsep multi-layer untuk menjamin tampilan data yang efisien dan menjamin penanganan data
6. Memiliki GUI, command line mode, dan Java API yang dapat dipanggil dari program lain.
Beberapa Fitur dari RapidMiner, antara lain (Aprilla Dennis):
1. Banyaknya algoritma data mining, seperti decision treee dan self- organization map.
2. Bentuk grafis yang canggih, seperti tumpang tindih diagram histogram, tree chart dan 3D Scatter plots.
3. Banyaknya variasi plugin, seperti text plugin untuk melakukan analisis teks.
4. Menyediakan prosedur data mining dan machine learning termasuk: ETL 5. (extraction, transformation,loading), data preprocessing, visualisasi,
modelling dan evaluasi
6. Proses data mining tersusun atas operator-operator yang nestable, dideskripsikan dengan XML, dan dibuat dengan GUI
7. Mengintegrasikan proyek data mining Weka dan statistika R 2.2.6 Kerangka Pemikiran
Dalam menyelesaikan penelitian ini dibutuhkan sebuah kerangka pemikiran sebagai pedoman yang dilakukan secara konsisten. Permasalahan penelitian ini belum diketahuinya metode yang tepat dalam akurasi kebutuhan penggantian motor listrik.Untuk metode ini digunakan algoritma C4.5 untuk memecahkan masalah pengujian terhadap metode tersebut. Pengujian ini dilakukan dengan cara confusion matrix . Untuk pengembangannya dan pengujian metode digunakan aplikasi rapid miner. Berikut ini kerangka pemikiran yang dilakukan.
Gambar 2.13 Kerangka Pemikiran
Belum Diketahui Metode Klasifikasi Data mining Yang AkuratUntuk memprediksi kebutuhan Penggantian motor Listrik
Metode
Analisa Metode Klasifikasi Data
Pengembangan Aplikasi RapidMiner
Implementasi
Penggantian Motor Listrik Apakah Perlu Diganti Atau Tidak
Confusion Matrix
Pengukuran
Metode Algoritma C4.5 Merupakan Prediksi Yang Paling Akurat Hasil
BAB III
METODE PENELITIAN
3.1 Objek Penelitian 3.1.1 Profil Perusahaan
PT.Jakarta Cakarta Tunggal Steel Mills (JCSM) adalah salah satu perusahaan pengolahan baja nasional yang yang memproduksi baja tulangan beton atau yang lebih dikenal masyarakat dengan ha yang mulai beroperasi pada juni 1992.Sejak memulai produksi sampai sekarang,PT.JCSM telah berhasil menembus pasar domestik dan internasional. PT. JCSM memilliki komitmen untuk menciptakan produk besi beton berkualitas tinggi berinisial “CS” sesuai dengan spesifikasi yang ditetapkan oleh Badan Standar Nasional Indonesia (SNI) dan juga standar internasional seperti Amerika (ASTM), Jepang (JIS), Zealand (NZS) dabn Inggris (BS)
Dalam mendukung komitmen tersebut, PT. JCSM telah menerapkan Sistem Manajemen Mutu ISO 9001 yang disertifikasi sejak 1995, dengan kontribusinya terhadap penyusunan Standar Nasional Indonesia (SNI) untuk produk besi beton dan keikutsertaan secara konsisten melakukan edukasi kepada masyarakat konsumen untuk ikut peduli terhadap pemilihan bahan-bahan berkualitas dan memenuhi standar, PT. JCSM mendapat penghargaan “SNI Award” pada tahun 2008. Menyusul pada saat ini PT.JCSM sedang menggarap untuk pencapaian
“Green Steel Manufacture” dengan menerapkan sistem Quality,Health,Safety and
Environment secara terintegrasi. Melalui pengembangan – pengembangan mutakhir yang dilakukan PT. JCSM, inovasi – inovasi terkait perkembangan teknologi terus diaplikasikan guna mendukung kebutuhan serta kepuasan pelanggan.
PT. JCSM adalah perusahaan yang memproduksi besi beton kualitas tinggi dengan mengontrol proses produksi dan mendapatkan berbagai standar yang meliputi standar berdasarkan SNI, British Standard, Japanese Internasional Standard, American Standard, dan New Zealand Standard yang membuktikan PT.JCSM selalu menjaga kualitas produksi.
PT.JCSM dalam produksinya menggunakan teknologi semi integrated mini mills dengan kapasitas produksi 420.000 Metric Ton (MT)/tahun billet dan 360.000 Metric Ton (MT)/tahun besi beton. Dengan teknologi yang diterapkan, PT. JCSM mampu untuk menghasilkan produksi dengan kualitas yang tinggi dan harga yang kompetitif.Adanya penerapan konsep ECOMILL (Economic and Compact Stell Mills), memungkinkan bagi perusahaan untuk menurunkan biaya produksi dan memperpendek siklus produksi dari mulai pemesanan sampai pengiriman barang.
3.1.2 Visi dan Misi Perusahaan
Adapun Visi dan Misi yang dianut oleh PT. Jakarta Cakratunggal Steel Mills adalah sebagai berikut :
3.1.2.1 Visi
“Mencapai produksi 1 juta ton besi standar dengan proses efisien, aman dan ramah lingkungan.”
3.1.2.2 Misi
1 Menyediakan besi standar yang bermutu tinggi 2 Bekerja dengan orientasi “kepuasan pelanggan”
3 ”Perbaikan berkelanjutan” untuk memberi nilai lebih.
4 Menciptakan lingkungan “green” melalui manajemen K3L.
3.1.3 Struktur Perusahaan
Bagi suatu perusahaan, keberadaan struktur organisasi memberikan beberapa sumbangan dukungan yang sangat berarti dan positif. Hal ini didasarkan pada apa yang tekandung didalam struktur keorganisasian itu sendiri yang memuat gambaran tentang suatu wewenang dan tanggung jawab yang terarah diantara pelaku perusahaan. Keefektifan suatu perusahaan akan tergantung dari manajemen yang ditetapkan pada perusahaan tersebut,serta manajemen yang baik akan tercapai apabila tugas serta wewenang yang diemban oleh masing-masing pelaku organisai perusahaan dapat terarah dan memberikan informasi yang jelas.
Struktur organisasi dari satu perusahaan berkaitan erat dengan pembagian tugas, wewenang dan tanggung jawab sesuai dengan job description masing- masing komponen. Struktur organisasi juga terdiri dari beberapa hibungan yang relatif tetap dan mantap antara pekerjaan dan kelompok pekerjaan.Tujuan utama dari kelompok organisasi adalah menyalurkan perilaku orang dan kelompok untuk menghasilkan hasil yang efektif dan efisien. Secara garis besar struktur organisasi
PT. Jakarta Cakratunggal Steel Mills dapat digambarkan pada gambar diagram dibawah ini:
Gambar 3.1 Struktur Perusahaan
3.2 Metode Penelitian
Pada penelitian ini, data yang digunakan adalah data kerusakan motor listrik yang tercatat dalam laporan harian maintenance rolling mills PT JCSM,data tersebut akan diolah menggunakan mmetode data mining sehingga diperoleh hasil metode yang akurat dan dapat digunakan sebagai rules dalam memprediksi kebutuhan penggantian motor listrik .Berikut tahapan dalam melakukakan penelitian data mining.
Gambar 3.2 Tahapan Penelitian 1. Pengumpulan Data
Pada bagian ini dijelaskan tentang bagaimana dan dari mana data dalam penelitian ini didapatakan, meliputi data sekunder dan data primer. Data sekunder
Pengolahan Data Awal Pengumpulan Data
Metode Yang Diusulkan
Pengujian Metode
Evaluasi Dan Validasi Hasil
berisi tentang sumber perolehan data untuk keperluan penelitian,sedangkan data primer berisi tentang data yang dihasilkan dari penelitian
2. Pengolahan Awal Data
Pada bagian ini dijelaskan tentang tahap awal data mining. Pengolahan awal data meliputi proses input data ke format yang dibutuhkan, pengelompokan dan penentuan atribut data.
3. Metode yang Diusulkan
Pada bagian ini dijelaskan tentang metode yang diusulkan untuk digunakan pada prediksi kebutuhan penggantian motor induksi. Penjelesan meliputi pengaturan dan pemilihan nilai dari parameter-parameter dan arsitektur melalui uji coba.
4. Eksperimen dan Pengujian Metode
Pada bagian ini dijelaskan tentang langkah-langkah eksperimen meliputi cara pemilihan arsitektur yang tepat dari model atau metode yang diusulkan sehingga didapatkan hasil yang dapat membuktikan bahwa metode yang digunakan adalah tepat.
5. Evaluasi dan validasi Hasil
Pada bagian ini dijelaskan tentang evaluasi dan validasi hasil penerapan metode pada penelitian yang dilakukan. Penjelasan mengenai hal ini akan dipaparkan pada Bab IV.
3.3 Metode Pengumpulan Data
Teknik pengumpulan data ialah teknik atau cara-cara yang dapat digunakan untuk menggunakan data .Dalam pengumpulan data terdapat sumber data yang
dihimpun langsung oleh peneliti disebut dengan sumber primer, sedangkan apabila melalui tangan kedua disebut sumber sekunder (Riduwan,2008). Data yang diperoleh adalah data sekunder karena diperoleh dari data laporan maintenance yang dimiliki oleh PT.JCSM.
Tabel 3.1 Atribut Pada Data motor listrik Rolling Mills PT.JCSM
no Atribut Nilai
1 Tanggal Tanggal kerusakan 2 Nama Motor Nama motor rusak
3 Lokasi motor 1=furnace,2=rolling.3=finishing 4 Daya(kw) 1 = 0,75 kw -5,5kw
2 = 7,5 kw -90 kw 3 = 110 kw - 600kw 5 Tegangan(volt) 1 = 380 v
2 = 500 v 3 = 520 v- 600 v 4 = 610 v – 700 v 6 Arus (Amper) 1 = Rendah
2 = sedang 3 = tinggi
7 Bearing 1= Halus 2 =agak kasar 3 =kasar 8 Kondisi baut ke
base
1 = kencang 2 = agak kendor 3 = kendor 9 Kecepatan
putar(Rpm)
1 = 50 – 597 2 = 638- 6 3 = 1440-2541 10 Jenis kerusakan 1 = sedang
2 = berat
11 Merk 1 = germany
2 = china 3 = india 12 Masa
Penggunaan
1 = 1-2 tahun
2 = > 2 tahun – 4 tahun 3 = > 4 tahun – 7 tahun 4 = > 7 tahun
13 Kondisi Barang (visual)
1 = bagus
2 = kurang bagus 3 = tidak bagus 14 Cabon Brush 1 = > 25 mm
2 = 18 – 25 mm 15 Commutator 1 = kasar
2 = halus 16 Armature
Wending
1 = 1-1,5 M.Ohm 2 = > 1,5 M.Ohm 17 Field Wending 1 = 1 > 1,5 M.Ohm
2 = > 1,5 M.Ohm 18 Cleanless 1 = bersih
2 = kurang bersih 19 Encoder 1 = stabil
2 = kurang stabil 20 Flap Switch 1 = normal
2 = kurang normal 21 Flow Switch 1 = bagus
2 = kurang bagus
22 Status Diganti & Tidak Diganti
3.4 Pengelolaan Awal Data
Pada data kerusakan motor yang telah dikumpulkan dilakukan cleaning data,yaitu dengan menghilangkan record-record yang noise atau tidak lengkap dan record yang berulang, atribut yang tidak diperlukan juga bisa dihilangkan seperti atribut tanggal ,nama,volt, kondisi baut ke base,bearing,dan beberapa yang lain hal ini dilakukan karena atribut tersebut tidak berpengaruh terhadap pengolahan data pada proses selanjutnya. Berikut adalah tabel atribut dan kategorinya :
Tabel 3.2 Atribut Yang Tidak Digunakan
No Atribut Nilai
1 Tanggal Tanggal kerusakan
2 Nama motor Nama motor rusak
3 Volt 1 = 321 v-380 v
2 = 431 v- 677 v 3 = 697 v- 737 v
4 bearing 1 = 0,75 kw - 5,5kw
2 = 7,5 kw - 90 kw 3 = 110 kw - 600kw
5 Kondisi baut ke base 1 = kencang 2 = agak kendor 3 = kendor 6 merk buatan 1 = germany
2 = china 3 = india 7 lama penggunaan 1 = 1-2 tahun
2 = > 2 tahun – 4 tahun 3 = > 4 tahun – 7 tahun 4 = > 7 tahun
8 kondisi barang 1 = bagus
2 = kurang bagus 3 = tidak bagus 9 carbon brush 1 = > 25 mm
2 = 18 – 25 mm 10 Commutator 1 = kasar
2 = halus
11 armature wending 1 = 1-1,5 M.Ohm 2 = > 1,5 M.Ohm
12 cleanliness 1 = bersih
2 = kurang bersih 13 flap switch 1 = normal
2 = kurang normal 14 flow switch 1 = bagus
2 = kurang bagus
15 rpm 1 = 50 – 597
2 = 638- 6 3 = 1440-2541
Sedangkan untuk atribut yang diperlukan seperti lokasi motor ,daya , arus ,kecepatan putar , jenis kerusakan dan status keputusan hal ini dilakukan karena atribut tersebut berpengaruh terhadap pengolahan data pada proses selanjutnya.Berikut adalah tabel atribut dan kategorinya.
Tabel 3.3 Atribut Yang Digunakan
No Atribut Nilai
1 Lokasi Motor 1=furnace,2=rolling.3=finishing 2 field/winding
compensation
1 = 1 > 1,5 M.Ohm 2 = > 1,5 M.Ohm
3 Arus 1 = tinggi
2 = sedang 3 = rendah
4 KW 1 = 0,75 kw -5,5kw
2 = 7,5 kw -90 kw 3 = 110 kw - 600kw
5 encoder 1 = stabil
2 = kurang stabil 6 Jenis Kerusakan 1 = sedang
2 = berat
7 Status Diganti & Tidak Diganti
Data yang sudah disiapkan untuk klasifikasi dibagi menjadi dua untuk data training (80%) dan data testing (20%).Pembagian data menjadi data training dan data testing menggunakan teknik sampling random atau pengundian dilakukan hanya satu kali, yaitu ketika menentukan unsur pertama dari sampling yang akan diambil. Penentuan unsur sampling berikutnya ditempuh dengan cara memanfaatkan interval sampel. Interval sampel adalah angka yang menunjukkan jarak antara nomor-nomor urut yang terdapat dalam kerangka sampling yang akan dijadikan patokan dalam menentukan atau memilih unsur-unsur sampling yang kedua dan seterusnya hingga unsur ke-n. Interval sampel biasanya dilambangkan dengan huruf k(sugiana,2008).
