Anda di halaman 1dari 53

Metode Taguchi

dan Optimasi Multi Respons

Dr. Ir. Eko Pujiyanto, S.Si.,M.T.

Prodi Teknik Industri - Universitas Sebelas Maret


Materi
 Taguchi Multi Response
 Metode PCR-TOPSIS
 Metode Algoritma-Genetika

Prodi Teknik Industri - Universitas Sebelas Maret


Taguchi Multi Respon
 Dalam dunia nyata  produk memiliki
lebih dari satu (multi) karakteristik
kualitas (multi respon).
 Karakteristik kualitas tersebut harus
dioptimasi secara simultan.
 Metode Taguchi tidak tepat untuk
mengoptimalkan masalah multi respon
karena teknik optimasi yang digunakan
hanya untuk satu respon.
Prodi Teknik Industri - Universitas Sebelas Maret
Taguchi Multi Respon
 Jikadigunakan untuk masalah multi
respon , metode Taguchi hanya dapat
digunakan untuk setiap respon dan tidak
bisa secara simultan.
 Diperlukan teknik optimasi multi respon,
setelah data diperoleh dengan metode
Taguchi.

Prodi Teknik Industri - Universitas Sebelas Maret


Taguchi Multi Respon
 Karakteristik kualitas produk kertas
 Ketebalan
 Daya tembus
 Kekasaran

Prodi Teknik Industri - Universitas Sebelas Maret


Taguchi Multi Respon
 Karakteristik kualitas proses dan produk Wire-
Electrical Discharge Machine
 Waktu Pengerjaan - Tebal Lapisan Recast
 Lebar Pemotongan - Kekasaran Permukaan

Prodi Teknik Industri - Universitas Sebelas Maret


Taguchi Multi Respon
 BÖHLER plastic mould steels are
noted for their excellent :
 Thermal conductivity
 Corrosion resistance
 High wear resistance
 Dimensional stability
 Hardness
 Toughness
 Compressive strength.

Prodi Teknik Industri - Universitas Sebelas Maret


Taguchi Multi Respon
 Karakteristik kualitas Battery Disposable 123a Lithium
 Higher Power Density
 Less Weight
 More Voltage
 Better Voltage Maintenance
 Longer Shelf-Life
 Wide Temperature Tolerance

Prodi Teknik Industri - Universitas Sebelas Maret


Beberapa Metode
1. Data Envelopment Analysis
2. Metode PCR-Topsis
3. Hybrid Principal Component Analysis
4. Algoritma Genetika
5. Cat Swarm Optimization
6. Particle swarm optimization

Prodi Teknik Industri - Universitas Sebelas Maret


Metode PCR-Topsis
 PCR ( Process capability ratio ) atau Rasio Kemampuan
proses merupakan kemampuan sebuah proses untuk
memenuhi spesifikasi desain yang ditetapkan oleh
permintaan konsumen, walaupun sebuah proses terkendali
secara statistik.
 Bagi sebuah proses untuk dapat dikatakan mampu, nilainya
harus berada diantara spesifikasi atas dan bawah. Hal ini
berarti kemampuan proses berada dalam ±3 standar
deviasi dari rata-rata proses.

Prodi Teknik Industri - Universitas Sebelas Maret


Metode PCR-Topsis

 PCR > 1 maka proses yang dilakukan baik (Capable)


 PCR < 1 maka proses yang dilakukan tidak baik (Not
Capable)
 PCR = 1 maka proses sesuai dengan spesifikasi konsumen

Prodi Teknik Industri - Universitas Sebelas Maret


Metode PCR-Topsis
 Technique for Order Performance by Similarity to Ideal
Solution ( Topsis ) adalah salah satu metode pengambilan
keputusan multikriteria.
 TOPSIS menggunakan prinsip bahwa alternatif yang
terpilih harus mempunyai jarak terdekat dari solusi ideal
positif dan jarak terpanjang (terjauh) dari solusi ideal
negatif.

Prodi Teknik Industri - Universitas Sebelas Maret


Metode PCR-Topsis
 Solusi ideal positif didefinisikan sebagai jumlah dari
seluruh nilai terbaik yang dapat dicapai untuk setiap
atribut, sedangkan solusi ideal negatif terdiri dari seluruh
nilai terburuk yang dicapai untuk setiap atribut.
 TOPSIS mempertimbangkan keduanya, jarak terhadap
solusi ideal positif dan jarak terhadap solusi ideal negatif
dengan mengambil kedekatan relatif terhadap solusi ideal
positif.
 Berdasarkan perbandingan terhadap jarak relatifnya,
susunan prioritas alternatif bisa dicapai.

Prodi Teknik Industri - Universitas Sebelas Maret


Metode PCR-Topsis
Studi kasus :
Respons
( karakteristik
kualitas )

Prodi Teknik Industri - Universitas Sebelas Maret


Metode PCR-Topsis
Studi kasus :
Faktor
Dan
Level

Prodi Teknik Industri - Universitas Sebelas Maret


Metode PCR-Topsis
Studi kasus :
Faktor
Dan
Level

Prodi Teknik Industri - Universitas Sebelas Maret


Metode PCR-Topsis
Tahapan Penyelesaian :
1. Menghitung Signal To Noise (SNR)
2. Menghitung PCR-SNR untuk setiap
percobaan.
3. Menghitung TOPSIS dari hasil PCR-SNR.
4. Menentukan persentase kontribusi dari
faktor-faktor yang signifikan dalam
multirespon.
5. Penentuan kondisi optimal dan nilai prediksi
Prodi Teknik Industri - Universitas Sebelas Maret
Metode PCR-Topsis
Tahapan Penyelesaian :
1. Menghitung Signal To Noise (SNR)

Prodi Teknik Industri - Universitas Sebelas Maret


Metode PCR-Topsis
Tahapan Penyelesaian :
2. Menghitung PCR-SNR untuk setiap percobaan.

Prodi Teknik Industri - Universitas Sebelas Maret


Metode PCR-Topsis
Tahapan Penyelesaian :
3. Menghitung TOPSIS dari hasil PCR-SNR.

Prodi Teknik Industri - Universitas Sebelas Maret


Metode PCR-Topsis
Tahapan Penyelesaian :
3. Menghitung TOPSIS dari hasil PCR-SNR.

Hasil nilai PCR-TOPSIS


inilah yang akan dianalisis
sebagai variabel respon
baru yang mewakili tiga
respon dari Thickness,
Opacity dan Roughness

Prodi Teknik Industri - Universitas Sebelas Maret


Metode PCR-Topsis
Tahapan Penyelesaian :
4. Menentukan persentase kontribusi

Anova PCR-TOPSIS

Prodi Teknik Industri - Universitas Sebelas Maret


Metode PCR-Topsis
Tahapan Penyelesaian :
4. Menentukan persentase kontribusi

Prodi Teknik Industri - Universitas Sebelas Maret


Metode PCR-Topsis

Tahapan Penyelesaian :
5. Menentukan kondisi optimal dan nilai prediksi

Prodi Teknik Industri - Universitas Sebelas Maret


Metode PCR-Topsis

Tahapan Penyelesaian :
5. Menentukan kondisi optimal dan nilai prediksi

Kondisi optimal A1 B1 C2 D1


E2.
Prodi Teknik Industri - Universitas Sebelas Maret
Metode PCR-Topsis

Tahapan Penyelesaian :
5. Menentukan kondisi optimal dan nilai prediksi

Prodi Teknik Industri - Universitas Sebelas Maret


Metode PCR-Topsis

Tahapan Penyelesaian :
5. Menentukan kondisi optimal dan nilai prediksi
( Dibandingkan dengan metode sebelumnya )

Metode PCR-TOPSIS lebih baik dari Fuzzy Logic


Prodi Teknik Industri - Universitas Sebelas Maret
Algoritma Genetika
 Algoritma genetika adalah suatu algoritma pencarian yang
meniru mekanisme dari genetika alam dimana
diperkenalkan pertama kali oleh John Holand awal tahun
1975.
 Algoritma ini dimulai dengan kumpulan solusi yang disebut
dengan populasi.
 Solusi-solusi dari sebuah populasi diambil dan digunakan
untuk membentuk populasi yang baru.
 Hal ini dimotivasi dengan harapan bahwa populasi yang
baru dibentuk tersebut akan lebih baik daripada yang
lama.

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah-langkah Algoritma Genetika
1. Skema pengkodean
 Real number encoding yaitu nilai gen berada dalam interval
[0,R] dimana R adalah bilangan real positif.
 Discrete decimal encoding yaitu setiap gen bisa bernilai
salah satu bilangan bulat dalam interval [0,9],
 Binary encoding yakni setiap gen hanya bisa bernilai 0 atau 1

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah-langkah Algoritma Genetika
2. Nilai fitness
 Fungsi obyektif yang digunakan untuk menentukan solusi
dari permasalahan dalam Algoritma Genetika.
 Fungsi fitness merupakan dasar untuk proses seleksi.
 Setiap kromosom dievaluasi berdasarkan fungsi.
 Pada evolusi alam, individu yang bernilai fitness tinggi yang
akan bertahan hidup sedangkan yang bernilai fitness rendah
akan mati.

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah-langkah Algoritma Genetika
3. Seleksi orang tua
 Seleksi roulette wheel : menyeleksi populasi baru dengan
distribusi probabilitas yang berdasarkan nilai fitness (F)
 Seleksi peringkat : Setiap kromosom dalam populasi diatur
dengan cara menentukan peringkat berdasarkan nilai
fitnessnya.
 Seleksi kondisi tetap : Sebagian besar kromosom dapat
bertahan hidup hingga generasi berikutnya.

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah-langkah Algoritma Genetika
4. Pindah silang (crossover)
 Sebuah kromosom yang mengarah pada solusi yang bagus
bisa diperoleh dari proses memindah-silangkan dua buah
kromosom.
 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).

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah-langkah Algoritma Genetika
5. Mutasi
 Untuk semua gen yang ada, jika bilangan random yang
dibangkitkan kurang dari probabilitas mutasi yang ditentukan
maka diubah gen tersebut menjadi nilai kebalikannya.
 Misalkan dalam binary encoding 0 diubah menjadi 1 dan 1
diubah 0.

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah-langkah Algoritma Genetika
6. Elitisme
 Prosedur elitisme dilakukan karena adanya seleksi yang
dilakukan secara random.
 Hal ini menyebabkan tidak ada jaminan bahwa suatu individu
bernilai fitness tertinggi akan selalu dipilih.
 Kalaupun individu tersebut terpilih, mungkin saja individu
tersebut akan rusak (nilai fitness-nya akan menurun karena
proses pindah silang).
 Supaya tidak hilang selama evolusi maka perlu dibuat satu
atau beberapa kopinya.

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah-langkah Algoritma Genetika
7. Penggantian populasi
 Semua individu (misal N individu dalam satu populasi) dari
suatu generasi digantikan sekaligus oleh N individu baru
hasil pindah silang dan mutasi.

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Pseducode Algoritma Genetika

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Studi Kasus :
Proses desain economizer ( Sistem Dinamis )
 Dua respon :
1. Perpindahan panas (y1)  larger the better
2. Biaya operasional (y2)  smaller the better
 Tiga faktor dengan 3 level :
1. Diameter luar tubing (x1)
2. Transfersal spacing (x2)
3. Kerapatan fin (x3)

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Studi Kasus :
 Satu faktor signal yaitu sisa gas hasil pembakaran oleh
burner yang mempunyai sebelas level dimana nilainya
berkisar antara 50% sampai dengan 100%.
 Satu faktor noise yaitu bahan bakar yang memiliki dua
level, bahan bakar dari gas (flue gas) dan bahan bakar dari
oil (flue oil).

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Studi Kasus : Hasil Eksperimen

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Studi Kasus :
 Model untuk semua faktor terhadap variabel respon
perpindahan panas dengan menggunakan metode
Least Trimmed Square diperoleh hubungan regresi
polinomial

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Studi Kasus :
 Model untuk semua faktor terhadap variabel respon
biaya operasi dengan menggunakan metode Least
Trimmed Square diperoleh hubungan regresi polinomial

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah penyelesaian:
Tahap pertama
 Pilih real number encoding yaitu pengkodean dimana nilai
gen berada pada interval [0,R] dengan R adalah bilangan real
positif.
 Tujuan dari pengkodean kromosom untuk mengkodekan
kromosom yang berisi gen bilangan real menjadi individu x
yang bernilai real dalam interval yang diinginkan yaitu dalam
batas bawah rb dan batas atas ra.

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah penyelesaian:
Tahap kedua
 Inisialisasi populasi yang dibentuk secara acak dengan 10-bit
kromosom yang didapatkan dari variabel bebas serta
kombinasinya yaitu

 Pada tahapan ini dibangkitkan sejumlah ukuran populasi


kromosom dan jumlah gen dalam kromosom.

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah penyelesaian:
Tahap kedua
 Ukuran populasi yang diambil adalah 200 dengan jumlah gen
diperoleh dari perkalian jumlah faktor yang ingin dicari
kondisi optimumnya sebanyak 3 yaitu dengan
banyaknya bit yaitu 10 menghasilkan 30 gen dalam
kromosom.

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah penyelesaian:
Tahap ketiga
 Fungsi fitness dari optimasi menggunakan Algoritma
Genetika berdasarkan model y1 dan y2
 Lakukan setting batas atas ra yang merupakan nilai level
bawah dari
dan setting batas bawah rb dari

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah penyelesaian:
Tahap keempat
 Mengevaluasi fitness dengan menghitung fitness f (x) dari
setiap kromosom x dengan menciptakan populasi baru yang
berasal dari populasi awal.

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah penyelesaian:
Tahap keempat
 Proses yang terjadi adalah mutasi dan pindah silang
(crossover).
 Jumlah kromosom yang mengalami proses crossover pada
satu generasi ditentukan secara random berdasarkan tingkat
probabilitas crossover tertentu.

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah penyelesaian:
Tahap keempat
 Pada kasus ini ditentukan probabilitas crossover 0.8 dan
probabilitas mutasi sebesar 0.03.
 Proses tersebut berulang-ulang sampai dengan 1500
generasi untuk mendapatkan level -level yang optimum.

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah penyelesaian:
Tahap keempat
 Titik optimum yang didapatkan dari optimasi untuk respon
efektifitas perpindahan panas sebesar -24.80 dan respon
biaya operasi sebesar -22.28.
 Kedua respon yang dihasilkan sudah optimum karena sudah
ditransformasi dalam bentuk signal to noise ratio.
Algoritma Genetika
Langkah penyelesaian:
Tahap keempat
 Titik optimum yang didapatkan dari optimasi untuk respon
efektifitas perpindahan panas sebesar -24.80 dan respon
biaya operasi sebesar -22.28.
 Kedua respon yang dihasilkan sudah optimum karena sudah
ditransformasi dalam bentuk signal to noise ratio.

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah penyelesaian:
Tahap keempat
 Nilai optimum untuk variabel faktor diperoleh level-level
optimum sebagai berikut, nilai diameter luar tubing = 1.5
inch, nilai transfersal spacing = 3,5 inch, nilai kerapatan fin
= 3.4 fin/inch.

Prodi Teknik Industri - Universitas Sebelas Maret


Algoritma Genetika
Langkah penyelesaian:
Tahap keempat
 Hasil efektifitas perpindahan panas yang diperoleh sebesar
5.7% cukup kecil.
 Sedangkan biaya operasi setelah ditransformasi didapatkan
13.001 $/jam.

Prodi Teknik Industri - Universitas Sebelas Maret


Referensi utama

Prodi Teknik Industri - Universitas Sebelas Maret