OPTIMASI RANCANGAN EKSPERIMEN
KOKOH YANG DINAMIS BERDASARKAN
FUNGSI KERUGIAN KUALITAS
SEMINAR TESIS
Oleh:
Trianingsih Eni Lestari NRP. 1306201001
Pembimbing:
1. Drs. Haryono, M.SiE 2. M. Sjahid Akbar, S.Si, M.Si
LATAR BELAKANG MASALAH
Desain robust Sistem statis
Sistem dinamis McCaskey dan Tsui (1997) Wu dan Yeh (2005) Lunani et al (1995) Tsui (1994) Shoemaker, et al. (1991), Joseps dan Wu (2002) Kamarasary (2007)
Masalah optimasi dinamis multirespon
Prosedur dua tahap tidak hanya tepat digunakan dalam model multiplikatif tetapi juga untuk sistem dinamis yang bersifat aditif (single response)
Metode grafik untuk mengidentifikasi efek dispersi Model kerugian yang diterapkan pada masalah fraksional faktorial
Kondisi optimum yang dinamis pada kerja
Economizer dengan metode response surface (metode Entropy)
OPTIMASI MODEL
DATA
PENCILAN ???
LTS
GLOBAL OPTIMUM LOKAL OPTIMUM
AG
Gen dan Cheng (1997)
RUMUSAN MASALAH
•
Bagaimana prosedur optimasi respon ganda yang
dinamis dengan menggunakan Algoritma
Genetika?
•
Bagaimana mengestimasi parameter dari model
regresi yang robust terhadap pencilan dengan
menggunakan estimator Least Trimmed Square
(LTS)?
•
Bagaimana memperoleh hasil yang optimal pada
sistem kerja economizer pada perusahaan PT.
Alstom dengan pendekatan Algoritma Genetika?
TUJUAN PENELITIAN
•
Mengkaji prosedur optimasi respon ganda yang
dinamis berdasarkan fungsi kerugian kualitas dengan
pendekatan Algoritma Genetika.
•
Mengkaji estimator Least Trimmed Squares (LTS)
dengan membentuk suatu algoritma.
•
Memperoleh kondisi optimum dari economizer yang
dinamis pada perusahaan PT. Alstom.
MANFAAT PENELITIAN
1. Memberikan informasi bagi pelaksana industri
dalam menyusun model optimal respon yang
dinamis dengan adanya pencilan.
2. Memberikan
tambahan
wawasan
keilmuan
khususnya yang berkaitan
dengan optimasi
Algoritma Genetika pada rancangan eksperimen
kokoh (robust) yang dikembangkan oleh Taguchi.
BATASAN MASALAH
• Terbatas pada estimasi parameter untuk menentukan model robust dengan menggunakan metode estimasi
robust keluarga High Breakdown Point Estimator
(HBPE) yaitu LTS.
• Penelitian ini lebih menekankan pada aplikasi
penggunaan estimator robust tersebut dan proses komputasi untuk mendapatkan hasil estimasi dari model linier serta hasil optimasi yang optimum
Landasan Teori
–
Fungsi Kerugian
–
Signal to Noise Ratio
–
Orthogonal Array
–
Identifikasi Pencilan
–
Least Trimmed Square (LTS)
–
Sistem Dimanis
–
Algoritma Genetika
IDENTIFIKASI PENCILAN
Pencilan merupakan data yang jauh dari pola kumpulan dari data keseluruhan,
LEAST TRIMMED SQUARE (LTS)
Metode penaksiran parameter model regresi yang robust
terhadap kehadiran nilai pencilan
LTS diusulkan oleh Rousseeuw (1984) sebagai alternatif
robust untuk mengatasi kelemahan OLS dengan h (h n)
kuadrat galat yang diurutkan nilainya
dimana (e2)1:n (e2)2:n … (e2)n:n, dan h = [(n + p + 1)/2]
nilai breakdown atau kemampuan mendeteksi pencilan sebesar = (n – h + 1)/n
(Rousseeuw dan Hubert, 1997)
2 θ ( ) minimize ( (θ)) : 1 h Z e LTS i n i
* n
7 Komponen Algoritma Genetika
1. Skema Pengkodean– Real number encoding interval [0,R].
– Discrete decimal encoding interval [0,9],
– Binary encoding bernilai 0 atau 1
2. Nilai fitness :
fungsi obyektif yang digunakan untuk menentukan solusi dari permasalahan dalam Algoritma Genetika
(
)
x
r
b
r
a
r g
b
1
2
(
)(
1
.10
2
.10
...
.10
n
)
x
r
b
r
a
r
b
g
g
g
n
1
2
(
)(
1
.2
2
.2
...
.2
n
)
x
r
b
r
a
r
b
g
g
g
n
0.2390 1.0000 0.0131
3 9 9 9 9 0 1 3
0 1 1 0
2
3. Seleksi orang tua
seleksi roulette wheel
masing-masing kromosom menempati potongan lingkaran pada roda roulette secara proporsional sesuai dengan nilai fitness-nya.
seleksi peringkat
Setiap kromosom dalam populasi diatur dengan cara menentukan peringkat berdasarkan nilai fitnessnya
seleksi kondisi tetap
Ide utamanya bahwa sebagian besar kromosom dapat bertahan hidup hingga generasi berikutnya
Seleksi
roulette wheel
4. Pindah silang (crossover) : one-cut-point crossover Algoritmanya adalah :
• Memilih posisi gen secara acak dari orangtua pertama. • Isi di sebelah kanan posisi gen pada orangtua pertama
ditukar dengan orangtua kedua untuk menghasilkan offspring (anak).
5. Mutasi
jika bilangan random yang dibangkitkan kurang dari probabilitas mutasi yang ditentukan maka gen tersebut diubah menjadi nilai kebalikannya
6. Elitisme
Pengkopian satu atau beberapa individu karena rusak akibat proses pindah silang
7. Penggantian populasi
Semua individu (misal N individu dalam satu populasi) dari suatu generasi digantikan sekaligus oleh N
SIGNAL TO NOISE RATIO
SNR tergantung pada tipe karakteristik kualitas dari respon yaitu nominal is the best characteristics, smaller the better
characteristics dan larger the better characteristics.
Larger the better
Smaller the better
Nominal is the best
signal to noise ratio
Tipe karakteristik 1 1 10 log 2 1 n n y i i
1 2 10 log 1 n yi n i
2 1 10 log 1 n yi m n i
SISTEM DINAMIS
Gambaran pengaruh faktor dalam desain optimasi
• Faktor signal (M) :
faktor yang nilai kebenarannya bisa berubah-ubah sehingga bisa digunakan dalam suatu pengukuran • Faktor kontrol (C):
berpengaruh pada rata-rata dan variabilitas dari respon.
• Level dari faktor (r):
bagian dari faktor kontrol yang dirancang dapat menyesuaikan hubungan antara faktor signal (M) dengan variabel respon
• Faktor noise (N):
• Gambaran Hasil karakteristik dinamis dari signal dan noise Tujuan atau target Input signal Noise Hasil output (dynamic characteristic) Faktor Kontrol
3.1 BAHAN DAN ALAT
• Jurnal, buku-buku
dan referensi
lainnya
• Data simulasi dari
economizer pada
PT Alstom
• Paket komputer :
Software Minitab,
Matlab, SAS 9 dan
Sofware lainnya
3.2 METODE ANALISIS
DIJELASKAN
DI FLOWCHART
Lanjutan bahan dan alat (1) Variabel Respon :
Y1 : efektifitas perpindahan panas (higher heat
transfer rate)
Y2 : biaya operasional (operating cost) Variabel proses (faktor kontrol) :
X1 : diameter luar tubing yang terdiri dari tiga level
X2 : jarak antar tubing sejajar ke arah lebar economizer
(transversal spacing) yang terdiri dari tiga level
X3 : kerapatan fin, terdiri dari tiga level Variabel noise :
jenis bahan bakar (N1), terdiri dari dua level yaitu refiery gas dan diesel oil.
Lanjutan bahan dan alat (2)
Faktor signal yang berkisar antara 50% sampai dengan 100% yaitu:
M1 : sisa gas hasil pembakaran oleh burner 50% M2 : sisa gas hasil pembakaran oleh burner 55% M3 : sisa gas hasil pembakaran oleh burner 60% M4 : sisa gas hasil pembakaran oleh burner 65% M5 : sisa gas hasil pembakaran oleh burner 70% M6 : sisa gas hasil pembakaran oleh burner 75% M7 : sisa gas hasil pembakaran oleh burner 80% M8 : sisa gas hasil pembakaran oleh burner 85% M9 : sisa gas hasil pembakaran oleh burner 90% M10 : sisa gas hasil pembakaran oleh burner 95% M11 : sisa gas hasil pembakaran oleh burner 100%
METODE ANALISIS : Least Trimmed Square (LTS)
Y Identifikasi:
n = data
p = jumlah peubah bebas + 1 (jika ada intersep) m = jumlah iterasi
Beri indeks untuk tiap pasang data
Ambil sebanyak m subset, masing-masing berisikan p-pasangan data dari n dengan cara kombinasi
Jk = {z1, z2, …, zp} Jk punya matriks X full rank ? T MULAI A
T
Y
Adjust Nilai Intersep untuk Tiap Jk Ada
intersep ?
Hitung Nilai Tujuan FTk untuk Tiap Jk FTk =
Menetapkan Estimasi kdengan Nilai FTk yang Terkecil
Hitung Estimasi Parameter Regresi k
untuk Tiap Jk SELESAI A ~ 2 : 1 1 ( ) h i n i e h
METODE ANALISIS : Algoritma Genetika Selesai T Y Solusi optimal Optimal Representasi kromosom
Membangkitkan populasi awal Mulai
Menghitung fitness
Seleksi
Pindah silang(crossover)
Mutasi
ANALISIS DAN PEMBAHASAN
1. Signal To Noise Ratio pada Respon Dinamisrata-rata kualitas kerugian tanpa adjustment diberikan
2 1 1 q m k Q y yij Mi mq i j
/ vij yij
2 1 2 1 1 1 q m y M e ij i mq i j
dengan scaling factor dan variansi error
.
2 1 1 2 1 1 q m k Q y yij Mi mq i j q m y k ij Mi mq i j
Akan diperoleh
2 1 2 1 1 2 2 1 . 2 2 q m k yij Mi mq i j mq e e k k mq
2. Algoritma Estimator Least Trimmed Square (LTS) Langkah 1.
Menginput data berpasangan zi = (xi, yi) untuk i = 1, 2,.., n
Langkah 2.
Mengambil sebanyak m subset berdasarkan kombinasi p dari
n:
m =
beranggotakan sebanyak p pengamatan, sehingga diperoleh:
Jk = {zi1, zi2, …, zip}k = {(xi, yi)1, (xi, yi)2,…, (xi, yi)p}k, dimana k = 1, 2,. .., m.
!
!(
)!
n pn
n
C
p
p n
p
Langkah 3.
Memperoleh model regresi untuk setiap k dari subset Jk, yang berbentuk
y = X
Dengan y = (yi1, yi2, …, yip)T
X = (xi1, xi2, …, xip), i = 1, 2, …, n adalah matriks
(p x p) yang non singular
= (1, 2, …, p)T
Langkah 4.
Mendefinisikan nilai h yang dipilih : h = [(n + p + 1)/2] dan menghitung nilai breakdown melalui persamaan
= (n – h + 1)/n
*
n
Langkah 5.
Mengevaluasi apakah model regresi menggunakan intersep atau tidak.
Jika TIDAK, maka hitung estimasi parameter regresi untuk setiap subset Jk yang terbentuk nilai estimasi parameter regresi melalui
= X -1 y
Jika YA, maka lakukan langkah proses adjustment untuk setiap subset Jk yang terbentuk
Menghitung estimasi parameter regresi untuk setiap subset
Jk sebanyak m kali
Menghitung nilai eidengan tanpa nilai estimasi intersep
Mengurutkan nilai ei , e1 e2 … en
Membentuk kelas interval yang masing-masing berisi sebanyak h pengamatan, sehingga diperoleh sebanyak (n – h + 1) kelas interval
Menghitung nilai intersep yang baru,
'
p
Langkah 6.
Menghitung fungsi tujuan (FT) untuk tiap-tiap estimasi yang diperoleh
FTLTS =
dengan
Langkah 7.
Menentukan estimasi terbaik dari sejumlah m estimasi yang telah dilakukan dengan nilai fungsi tujuan yang paling minimum.
• Menetapkan nilai fungsi tujuan yang terkecil diantara m kali estimasi.
• Menetapkan estimasi parameter regresi
• Menetapkan subset yang digunakan saat dicapai tujuan terkecil. 1 2 ( ) : 1 h e i n h i
( ) e i yi yi 2( ) 2( ) ... 2( ) 1: 2: : e n e n e n n dimana i = 1, 2, …, n θ• Menghitung nilai preliminary scale estimate (s*),
Dimana dh,n dan ch,n konstanta
• Menghitung koefisien determinasi ( R2 LTS) s*LTS(Z) = dh,n 1 2 ( ( ( ))) : 1 h e LTS Z i n h i
1 , , , ,2
1/ 1
(1/
) dan
= 1/
(
)
2
h n h n h n h nn
h n
d
c
c
hc
n
2 : 1 2 : 1 2 2 : 1 _ 2 : 1 (( ) )1 jika tanpa intersep
( )
(( ) )
1 jika dengan intersep
(( ) ) h LTS i n i h i n i LTS h LTS i n i h i n i y x y R y x y y
• Menghitung nilai final scale estimate 2 . 1 2 ( ) 1 n w ei i i sLTS n wi p i
dengan 1 jika / * 2,50 untuk nilai lainnya
ei s wi
Optimasi Desain economizer dengan AG
1. Deteksi pencilan D a ta y2 y1 -23.0 -23.5 -24.0 -24.5 -25.0 -25.5 -26.0 -26.5 Boxplot of y1, y2Model respon efektifitas perpindahan
panas (y
1)
2 1 1 2 3 1 2 2 2 3 1 2 1 3 2 3ˆ
25, 5159 0, 2201
0,11408
0, 2372
0, 0183
0, 02499
0, 0220
0, 01747
0, 002381
0, 0030
y
x
x
x
x
x
x
x x
x x
x x
Preliminary LTS Scale = 0.0116252383 Robust R Squared = 0.9987037422 Final LTS Scale = 0.0094594458Model respon biaya operasi (y
2)
Preliminary LTS Scale = 0.0230114363 Robust R Squared = 0.841655347 Final LTS Scale = 0.0187243847 2 1 2 3 2 2 2 1 2 3 1 2 1 3 2 3ˆ
23,1583 0, 0403
0, 0174
0, 00186
0, 03764
0, 0069
0, 04924
0, 0269
0, 224 5
0, 0309
y
x
x
x
x
x
x
x x
x x
x x
Pengujian koefisien regresi y
1 <.0001 -4119.9 0.0061933 -25.5159 Konstanta 0.3988 0.89 0.0033883 0.003 x2x3 0.5195 0.67 0.0035525 0.0024 x1x3 0.0015 -4.47 0.0039048 -0.0175 x1x2 0.0042 -3.8 0.005783 -0.022 x3x3 0.0005 5.23 0.00478 0.025 x2x2 0.004 -3.83 0.0047747 -0.0183 x1x1 <.0001 80.96 0.0029303 0.2372 x3 <.0001 -39.35 0.0028989 -0.1141 x2 <.0001 61.95 0.0035533 0.2201 x1 P t hitung SE koefisien Koefisien PrediktorPengujian koefisien regresi y
2 <.0001 -1981.1 0.01169 -23.1583 konstanta 0.014 3.04 0.010187 0.031 x2x3 0.0223 2.75 0.008153 0.0225 x1x3 0.0064 -3.53 0.007627 -0.0269 x1x2 0.002 -4.3 0.011458 -0.0492 x3x3 0.5097 -0.69 0.010151 -0.007 x2x2 0.004 -3.84 0.0098 -0.0376 x1x1 0.8355 -0.21 0.008703 -0.0019 x3 0.0685 2.07 0.008409 0.0174 x2 0.0003 5.74 0.007025 0.0403 x1 P t hitung SE koefisien Koefisien PrediktorDistribusi normal multivariat
Ho: residual berdistriusi normal multivariat
H1: residual tidak berdistribusi normal multivariat
menolak Ho jika nilai probabilitas du2
2p
0, 5
kurang dari 50%18 16 14 12 10 8 6 4 2 0 9 8 7 6 5 4 3 2 1 0 dj q
Plot Multivariate Normal nilai Z = 62,9630. Nilai Z > 50% yang berarti bahwa daerah berada dibawah
Chisquare sehingga
dapat disimpulkan residual berdistribusi normal
Pemeriksaan dan Pengujian Identik
H0 : Varians homogen
H1 : Varians tidak homogen
dengan statistik uji, menolak H0 jika p-value < 0.05, α= 0.05
0.0926 26 Total 0.003616 0.061467 17 Residual 0.505 0.96 0.00346 0.0311 9 Regression P F MS SS DF Source
5.3127 26 Total 0.1509 2.5651 17 Residual 0.101 2.02 0.3053 2.7476 9 Regression P F MS SS DF Source
Pengujian Independent
Lag A u to c o rr e la ti o n 7 6 5 4 3 2 1 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0Autocorrelation Function for Residual y1
(with 5% significance limits for the autocorrelations)
Lag A u to c o rr e la ti o n 7 6 5 4 3 2 1 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0
Autocorrelation Function for Residual y2
(with 5% significance limits for the autocorrelations)
Plot ACF dari residual y2 Plot ACF dari
Hasil Optimasi
• representasi kromosom dipilih real number encoding • inisialisasi populasi
dibentuk secara acak dengan 10-bit kromosom yang
didapatkan x1, x2, x3, x12 , x22 , x32, x1x2, x1 x3 ,x2 x3 dan
konstanta
• Ukuran populasi :200, jumlah gen :30
• Nilai fitness : memaksimalkan fungsi y1/y2
Kriteria yang diharapkan adalah larger the better untuk y1 dan
smaller the better untuk y2
.
• setting batas atas ra = [2;4.5;5]
• setting batas bawah rb = [1.5;3.5;3].
• Pindah silang dengan probabilita crossover 0.8 • Mutasi dengan probabilitas mutasi 0.03
Hasil run dari program -22.2809 -24.8066 3.4444 3.5112 1.5001 10 -22.2809 -24.8066 3.4444 3.5112 1.5001 9 -22.2809 -24.8066 3.4444 3.5102 1.5001 8 -22.2812 -24.8070 3.4444 3.5011 1.5001 7 -22.2812 -24.8070 3.4444 3.5012 1.5006 6 -22.2809 -24.8066 3.4444 3.5102 1.5001 5 -22.2809 -24.8070 3.4444 3.5011 1.5001 4 -22.2812 -24.8070 3.4444 3.5012 1.5006 3 -22.2809 -24.8066 3.4444 3.5112 1.5001 2 -22.2798 -24.7893 3.4444 3.5112 1.5001 1 y2 y1 x3 x2 x1 run
nilai optimum variabel faktor diperoleh level-level optimum : nilai diameter luar tubing = 1.5 inch,
nilai transfersal spacing = 3,5 inch, nilai kerapatan fin = 3.4 fin/inch.
Hasil efektifitas perpindahan panas yang diperoleh sebesar 5.7% Biaya operasi setelah ditramsformasi didapatkan 13.001 $/jam
5. KESIMPULAN DAN SARAN
5.1 KESIMPULAN
• Signal to noise ratio dari karakteristik dinamis adalah
• Estimator robust LTS merupakan metode untuk mendeteksi adanya pencilan sekaligus memberikan estimasi parameter regresi. Metode ini mempunyai kemampuan untuk mendeteksi pencilan dalam data yang dinyatakan dalam nilai breakdown
• Algoritma Genetika merupakan salah satu pendekatan optimasi untuk menentukan global optimum berdasarkan nilai fitness .
2
10 log
2
e
* n
• Model untuk respon efektifitas perpindahan panas (y1)
• Model untuk respon biaya operasi (y2)
• Optimasi menggunakan Algoritma Genetika menghasilkan variabel faktor optimal untuk nilai diameter luar tubing = 1.5 inch, nilai transfersal spacing = 3,5 inch, dan nilai kerapatan fin = 3.4 fin/inch. Nilai optimum variabel respon efektifitas perpindahan panas sebesar 5.75 % dan respon biaya operasi sebesar 13.001 $/jam 2 2 1 1 2 3 1 2 2 3 1 2 1 3 2 3 ˆ 25, 5159 0, 2201 0,11408 0, 2372 0, 0183 0, 02499 0, 0220 0, 01747 0, 002381 0, 0030 y x x x x x x x x x x x x 2 2 2 1 2 3 1 2 2 3 1 2 1 3 2 3 ˆ 23,1583 0, 0403 0, 0174 0, 00186 0, 03764 0, 0069 0, 04924 0, 0269 0, 224 5 0, 0309 y x x x x x x x x x x x x
5.2 SARAN
• diharapkan menggunakan variabel prediktor dan variabel respon juga di tambah sehingga diharapkan performansi metode optimasi akan lebih terlihat.
• Pada penelitian ini masih terbatas pada bentuk model linier dalam penentuan model disarankan pada
penelitian selanjutnya untuk menggunakan model yang lain misalkan dalam bentuk non linier supaya semua data bisa digambarkan oleh model.
• Menggunakan metode lain dalam menentukan model yang robust dengan adanya pencilan
Lunani, M., Nair, V. N. dan Wasserman, G. S. (1995), “Graphical Methods For Robust Design with Dynamic Characteristics”, Journal of Quality Technology, Vol. 29, hal. 327–338.
McCaskey, S. D. dan Tsui, K. L. (1997), “Analysis of Dynamic Robust Design
Experiments”, International Journal of Production Research, Vol. 35, hal. 1561–1574.
Mualimin, (2007), Optimasi Respon Ganda Pendekatan Fungsi Kerugian (Aplikasi pada Design Economizer PT. Alstom Esi ), Tesis Institut Teknologi Sepuluh Nopember, Surabaya.
Park S.H. (1996), Robust Design and Analysis for Quality Engineering, First Edition. Chapman and Hall, London.
Pasandideh, S.H.R, and Niaki, S.T.A. (2006), “Optimizing Multi-Response Statistical Problems Using a Genetic Algorithm”, Scientia Iranica, Volume 13, 50-59.
Rousseeuw, P.J. (1984), “Least Median of Squares Regression”, Journal of the American Statistical Association, Volume 79, 871-880.
, and Van Driessen, K. (2006), “Computing LTS Regression for Large Data Sets”, Journal of the Data Mining and Knowledge Discovery, Volume 12, 29-45.
, and Leroy, A. M. (1987), Robust Regression and Outlier Detection, John Wiley and Sons, New York, USA
, and Hubert, M. (1997), “Recent Development in PROGRESS”, dalam L1- Statistical Procedure & Related Topics, diedit oleh Y. Dodge., Shoemaker, A. C., Tsui, K. L. dan Wu, C. F. J. (1991), “Economical Experimentation
Methods for Robust Parameter Design”, Technometrics, Vol. 33, hal. 415– 427.
Suyanto, (2005), Algoritma Genetika Dalam MATLAB, Andi, Yogyakarta.
Tsui, K. L. (1999), “Modeling and Analysis of Dynamic Robust Design Experiments”, IIE Transactions, Vol. 31, hal. 115–131.
Wu, F.C. dan Yeh, C.H. (2005), “Robust Design of Multiple Dynamic Quality Characteristics”, International Journal Advance Technology, Vol.25, hal. 579-588.