See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/323414439

Penerapan Metode Grey Relational Analysis dan PCA pada Optimasi

Multirespon Desain Taguchi

Conference Paper · January 2016

CITATIONS READS

0 384

3 authors, including:

Sri Winarni Budhi Handoko

Universitas Padjadjaran Universitas Padjadjaran
19 PUBLICATIONS   9 CITATIONS    7 PUBLICATIONS   2 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Human Resources Development Program in EMR fields View project

Generational Genetic Algorithm for Optimizing Preventive Maintenance Scheduling using Given Budget Fitness Function View project

All content following this page was uploaded by Sri Winarni on 27 February 2018.

The user has requested enhancement of the downloaded file.

Seminar Pendidikan Matematika SPs UPI 2016 ISBN 978-602-60794-0-4

Penerapan Metode Grey Relational Analysis dan PCA

pada Optimasi Multirespon Desain Taguchi

Devi1, Sri Winarni2, Budhi Handoko3

Mahasiswa Departemen Statistika FMIPA UNPAD
1

2,3 Staff Pengajar Departemen Statistika FMIPA UNPAD

devi.dd195@gmail.com

Abstrak—Optimasi multirespon merupakan proses untuk mendapatkan

kombinasi level faktor percobaan yang menghasilkan respon optimum dengan
mempertimbangkan beberapa karakteristik respon secara simultan. Desain
eksperimen yang dapat digunakan dalam permasalahan optimasi untuk
perbaikan kualitas suatu produk yaitu desain Taguchi. Penelitian ini
bertujuan untuk mendapatkan kombinasi level faktor yang optimal bagi
seluruh respon secara simultan pada optimasi multirespon desain Taguchi
menggunakan metode Grey Relational Analysis yang dikombinasikan dengan
PCA. Grey Relational Analysis dapat menangani permasalahan optimasi
multirespon dengan adanya informasi yang tidak lengkap, sedangkan PCA
digunakan untuk mengatasi korelasi yang terjadi antar respon dan untuk
menentukan nilai bobot yang sesuai bagi setiap respon. Penelitian ini
menggunakan data hasil eksperimen mengenai proses Electrical Discharge
Machining untuk material Mild Steel IS 2026. Faktor yang digunakan yaitu
discharge current (arus), pulse on time, dan pulse off time. Respon yang diamati
yaitu laju pengikisan material dengan karakteristik larger-the-better, serta laju
keausan alat dan kekasaran permukaan dengan karakteristik smaller-the-better.
Hasil penelitian menunjukkan bahwa kombinasi level faktor yang optimum
bagi ketiga respon secara simultan yaitu discharge current (arus) diatur pada 26
A, pulse on time diatur pada 95 μs, dan pulse off time diatur pada 5 μs.

Kata kunci: Optimasi Multirespon, Desain Taguchi, Grey Relational

Analysis, Principal Component Analysis (PCA), Electrical
Discharge Machining (EDM)

I. PENDAHULUAN
Optimasi merupakan suatu teknik yang digunakan dalam pencarian nilai-nilai variabel yang
dianggap optimal, efektif, dan efisien untuk mencapai hasil yang diinginkan. Dalam bidang
industri, optimasi menjadi kebutuhan yang penting untuk meningkatkan kualitas suatu produk
yang dihasilkan. Proses optimasi ini dilakukan untuk memperoleh setting atau kombinasi level
(taraf) faktor percobaan yang menghasilkan respon yang optimal, sehingga kualitas produk
dapat meningkat. Optimasi dapat melibatkan respon tunggal maupun multirespon. Ketika
percobaan yang dilakukan melibatkan multirespon, maka seluruh respon tersebut harus
dioptimasi secara simultan.
Desain eksperimen yang dapat digunakan dalam permasalahan optimasi yaitu
menggunakan desain Taguchi. Desain Taguchi ini bertujuan untuk memperbaiki kualitas suatu
produk dengan melakukan proses optimasi. Desain Taguchi digunakan untuk menentukan
rancangan eksperimen sebagai alat untuk membuat produk menjadi lebih robust terhadap noise
(gangguan luar). Pada penelitian ini, untuk mengatasi permasalahan optimasi multirespon pada

111
Seminar Pendidikan Matematika SPs UPI 2016 ISBN 978-602-60794-0-4

desain Taguchi dilakukan analisis dengan menggunakan metode Grey Relational Analysis yang
dikombinasikan dengan Principal Component Analysis (PCA).
Grey Relational Analysis dapat menangani permasalahan optimasi multirespon dengan adanya
informasi yang tidak lengkap dan tidak jelas. Melalui Grey Relational Analysis, nilai Grey
Relational Grade diperoleh untuk mengevaluasi beberapa respon (multirespon), sehingga
optimasi dari multirespon yang kompleks dapat dikonversi menjadi optimasi dari respon
tunggal dengan Grey Relational Grade sebagai fungsi objektifnya (Puh, dkk., 2016). Sedangkan
PCA digunakan untuk mengatasi adanya korelasi yang terjadi antar respon. Menurut Bashiri
dan Hejazi (2012), apabila korelasi antar respon tersebut diabaikan, maka kombinasi level faktor
yang terpilih belum tentu merupakan kombinasi level yang optimum secara simultan. Selain itu,
PCA digunakan untuk menentukan nilai pembobot yang sesuai sehingga kepentingan relatif
bagi setiap respon dapat dijelaskan secara tepat dan objektif.
Penelitian ini bertujuan untuk mendapatkan kombinasi level faktor yang optimal bagi seluruh
respon secara simultan pada optimasi multirespon desain Taguchi menggunakan metode Grey
Relational Analysis yang dikombinasikan dengan PCA. Hasil penelitian ini diharapkan dapat
memberikan informasi mengenai kombinasi level faktor yang optimum dengan menggunakan
metode gabungan Grey Relational Analysis dan PCA sebagai alternatif penyelesaian kasus
optimasi multirespon pada desain Taguchi.

II. METODE PENELITIAN

A. Sumber Data dan Variabel Penelitian
Penelitian ini menggunakan data sekunder yang merupakan hasil eksperimen pada proses
Electrical Discharge Machining (EDM) untuk material Mild Steel IS 2026, yang diperoleh dari
penelitian Raghuraman, dkk. (2013). Eksperimen tersebut melibatkan tiga variabel bebas yang
merupakan faktor terkendali, dan masing-masing faktor tersebut memiliki tiga level yang
disajikan pada Tabel 1 di bawah ini :

TABEL 1. FAKTOR DAN LEVEL PROSES ELECTRICAL DISCHARGE MACHINING (EDM)

Level
Faktor Keterangan Faktor Satuan
1 2 3
A Discharge current (arus) A 10 18 26
B Pulse on time μs 11 55 95
C Pulse off time μs 5 7 9

Variabel respon yang diamati yaitu laju pengikisan material (material removal rate) dengan
karakteristik kualitas larger-the-better, laju keausan alat (tool wear rate) dan kekasaran permukaan
(surface roughness) dengan karakteristik kualitas smaller-the-better.
B. Rancangan Orthogonal Array
Orthogonal Array (OA) digunakan untuk merancang eksperimen yang efisien sehingga dapat
menentukan jumlah eksperimen minimal tanpa kehilangan informasi dari eksperimen yang
dilakukan tersebut. Pemilihan jenis Orthogonal Array yang digunakan pada eksperimen
tergantung pada jumlah derajat bebas. Perumusan derajat bebas menurut Ross (1988) yaitu
sebagai berikut :
∑ ; p =1, 2, ..., q (1)
dengan :
: banyaknya level atau taraf faktor ke-p
q : banyaknya faktor
Orthogonal Array yang dipilih harus mempunyai jumlah baris minimum yang tidak boleh kurang
dari nilai derajat bebasnya.

112
Seminar Pendidikan Matematika SPs UPI 2016 ISBN 978-602-60794-0-4

C. Uji Korelasi Antar Respon

Dalam penelitian ini, uji korelasi dilakukan untuk melihat apakah terdapat korelasi antar
variabel respon yang diamati. Uji korelasi yang akan digunakan yaitu menggunakan korelasi
Pearson. Berikut adalah perumusan koefisien korelasi Pearson:
∑ – (∑ ) ∑
(2)
√{ ∑ (∑ ) }{ ∑ ∑ }

dengan :
: nilai koefisien korelasi antara respon ke-j dan respon ke-k
: banyaknya percobaan/eksperimen yang dilakukan
: banyaknya respon yang diamati
: nilai respon ke-j pada eksperimen ke-i
: nilai respon ke-k pada eksperimen ke-i
D. Menghitung Signal to Noise Ratio (S/N Ratio)
Perhitungan S/N ratio yang dilakukan tergantung dari karakteristik respon yang dituju.
Pada penelitian ini terdapat 2 jenis karakteristik respon yang diteliti yaitu larger-the-better untuk
respon laju pengikisan material (material removal rate) dan smaller-the-better untuk respon laju
keausan alat (tool wear rate) serta kekasaran permukaan (surface roughness).
a. Larger-the-Better
Larger-the-better yaitu karakteristik kualitas dengan nilai yang semakin besar menunjukkan
kualitas yang semakin baik. Rumusan S/N ratio untuk respon yang memiliki karakteristik
larger-the-better yaitu sebagai berikut :
( ) (3)
b. Smaller-the-Better
Smaller-the-better yaitu karakteristik kualitas dengan nilai yang dituju adalah suatu nilai
terkecil atau dengan kata lain semakin kecil nilainya, maka semakin baik kualitasnya. Untuk
respon yang memiliki karakteristik smaller-the-better, nilai S/N ratio dapat dihitung dengan
rumus berikut :
( ) (4)
keterangan :
i = 1, 2, …., n ; n merupakan banyaknya percobaan yang dilakukan
j = 1, 2, ….., m ; m merupakan banyaknya respon yang diamati
: nilai S/N ratio untuk eksperimen ke-i dan respon ke-j
: nilai respon ke-j pada eksperimen ke-i

E. Menghitung Nilai Normalisasi S/N Ratio

Nilai S/N ratio yang telah diperoleh sebelumnya akan dinormalisasi, yakni diubah menjadi
bernilai rentang 0 sampai 1 sesuai dengan karakteristik respon masing-masing seperti berikut:
a. Normalisasi S/N ratio untuk karakteristik larger-the-better yaitu :

(5)

b. Normalisasi S/N ratio untuk karakteristik smaller-the-better yaitu :

(6)
dengan :
: nilai normalisasi S/N ratio pada eksperimen ke-i dan respon ke-j
: nilai S/N ratio pada eksperimen ke-i dan respon ke-j

113
Seminar Pendidikan Matematika SPs UPI 2016 ISBN 978-602-60794-0-4

: nilai S/N ratio maksimum respon ke-j

: nilai S/N ratio minimum respon ke-j

F. Menghitung Deviation Sequence

Deviation Sequence adalah selisih absolut antara nilai maksimum hasil normalisasi dengan
data yang telah dinormalisasi. Rumus untuk menentukan deviation sequence yaitu sebagai
berikut (Mehat, dkk., 2014) :
| | (7)
dengan :
: nilai deviation sequence pada eksperimen ke-i dan respon ke-j
: nilai maksimum normalisasi S/N ratio (bernilai 1)
: nilai normalisasi S/N ratio pada eksperimen ke-i dan respon ke-j

G. Menghitung Nilai Grey Relational Coefficient

Grey Relational Coefficient (GRC) menunjukkan hubungan antara kondisi yang ideal (terbaik)
dengan kondisi aktual dari respon yang dinormalisasi (Raghuraman, dkk., 2013). Persamaan
untuk memperoleh nilai GRC yaitu :
(8)

dengan :
: nilai minimum dari deviation sequence
: nilai maksimum dari deviation sequence
: distinguishing coefficient ; pada umumnya nilai distinguishing coefficient yang
digunakan yaitu = 0,5 (Raghuraman, dkk., 2013).

H. Menghitung Nilai Bobot Menggunakan Principal Component Analysis (PCA)

Dalam optimasi multirespon, pembobotan perlu dilakukan untuk mengetahui tingkat
kepentingan bagi setiap respon. Langkah-langkah untuk menentukan nilai bobot menggunakan
PCA yaitu sebagai berikut:
i. Membuat Matriks Korelasi
Matriks korelasi berisi nilai koefisien korelasi dari Grey Relational Coefficient (GRC) antar
respon. Misalkan adalah nilai GRC untuk setiap respon, maka nilai koefisien korelasi
dari GRC antar respon dapat diperoleh menggunakan rumus berikut:
∑ – (∑ ) ∑
(9)
√{ ∑ (∑ ) }{ ∑ ∑ }

dengan :
: nilai koefisien korelasi dari Grey Relational Coefficient respon ke-j dan respon ke-k
m : banyaknya respon yang diamati
: nilai Grey Relational Coefficient respon ke-j pada eksperimen ke-i
: nilai Grey Relational Coefficient respon ke-k pada eksperimen ke-i

Setelah diperoleh nilai koefisien korelasi, maka dibuat ke dalam bentuk matriks korelasi
seperti berikut :

[ ] (10)

ii. Menentukan Eigen Value dan Eigen Vector

114
Seminar Pendidikan Matematika SPs UPI 2016 ISBN 978-602-60794-0-4

Eigen value dan eigen vector ditentukan dari matriks korelasi. Eigen value dapat diperoleh
dengan menggunakan rumus berikut :
| | k = 1, 2, …., m (11)
dengan :
R : matriks korelasi
: eigen value untuk principal component ke-k
I : matriks identitas

Sedangkan eigen vector diperoleh dari persamaan berikut :

(12)

dengan adalah eigen vector yang bersesuaian dengan

dan adalah nilai-nilai komponen eigen vector yang merupakan
koefisien-koefisien dari principal component.

iii. Menentukan Principal Component

Principal component merupakan kombinasi linear dari variabel-variabel yang diamati
yang tidak saling berkorelasi. Principal component dapat ditulis dengan persamaan berikut
ini :
(13)
dengan Y merupakan respon yang berjumlah sebanyak m, dan PC1 merupakan principal
component pertama, PC2 merupakan principal component kedua, dan PCk merupakan
principal component ke-k.

iv. Menghitung Nilai Bobot

Principal component yang memiliki proporsi varians tertinggi akan digunakan sebagai
pembobotan. Nilai koefisien-koefisien yang tak lain adalah nilai komponen eigen vector
dari principal component yang terpilih tersebut kemudian dikuadratkan, sehingga
diperoleh nilai bobot seperti rumusan berikut ini :
j, k = 1, 2, ..., m (14)
dengan :
: nilai bobot untuk respon ke-j
: nilai komponen eigen vector atau nilai koefisien-koefisien dari principal component
yang terpilih

I. Menghitung Nilai Grey Relational Grade

Nilai Grey Relational Grade akan digunakan sebagai indeks performansi untuk menentukan
kombinasi level faktor yang menghasilkan respon optimal. Untuk menghitung nilai Grey
Relational Grade maka digunakan persamaan berikut (Singh, dkk., 2013) :

∑ (15)
dengan :
: nilai Grey Relational Grade pada eksperimen ke-i
: nilai bobot untuk respon ke-j
: nilai Grey Relational Coefficient respon ke-j pada eksperimen ke-i

J. Menentukan Kombinasi Level Faktor Optimal

Untuk memperoleh kombinasi level faktor yang dapat menghasilkan respon yang optimal,
maka terlebih dahulu harus ditentukan rata-rata nilai Grey Relational Grade (GRG) dari masing-

115
Seminar Pendidikan Matematika SPs UPI 2016 ISBN 978-602-60794-0-4

masing level pada faktor untuk setiap respon, dan yang dipilih yaitu level faktor yang
memberikan nilai rata-rata terbesar. Nilai rata-rata GRG diperoleh dengan persamaan berikut :
∑
(16)
dengan :
: nilai rata-rata Grey Relational Grade (GRG) yang dikelompokkan berdasarkan faktor ke-p
dan level ke-g
: nilai GRG dari faktor ke-p dan level ke-g
: banyaknya percobaan faktor ke-p level ke-g

III. HASIL DAN PEMBAHASAN

A. Penentuan Rancangan Orthogonal Array
Berdasarkan Tabel 1 dapat diketahui bahwa terdapat tiga buah faktor dalam eksperimen ini,
dan masing-masing faktor terdiri atas tiga level, sehingga perhitungan derajat bebasnya
berdasarkan persamaan (1) yaitu sebagai berikut:
Faktor A : 3-1 = 2 ; Faktor B : 3-1 = 2 ; Faktor C : 3-1 = 2
Sehingga diperoleh nilai df = 2 + 2 + 2 = 6
Oleh karena jumlah minimum percobaan yang harus dilakukan yaitu sebanyak 6, maka
dalam penelitian ini digunakan Orthogonal Array L9 (34). Artinya terdapat 9 buah percobaan atau
kombinasi level faktor yang dibutuhkan, banyaknya faktor maksimum yaitu sebanyak 4 buah,
dan masing-masing faktor terdiri atas 3 level. Namun, dalam penelitian ini telah ditetapkan
bahwa hanya terdapat 3 buah faktor yang digunakan. Oleh sebab itu, dari 4 faktor tersebut,
satu diantaranya dianggap sebagai error. Berikut ini adalah Orthogonal Array yang terbentuk
pada penelitian ini :
TABEL 2. ORTHOGONAL ARRAY DAN DATA HASIL PENELITIAN

Desain Orthogonal Array Respon

Eksperimen Kekasaran
A B C Laju Pengikisan Material Laju Keausan Alat
Permukaan
1 1 1 1 3.754 0.13 4.329
2 1 2 2 10.451 0.178 12.541
3 1 3 3 15.006 0.244 6.494
4 2 1 2 21.256 0.147 3.932
5 2 2 3 32.412 0.274 10.982
6 2 3 1 35.43 0.323 8.484
7 3 1 3 25.452 0.24 4.588
8 3 2 1 43.517 0.372 14.219
9 3 3 2 48.775 0.448 10.242

Faktor A merupakan faktor discharge current (arus), B merupakan faktor pulse on time, dan C
merupakan faktor pulse off time.
B. Pengujian Korelasi
Hasil uji korelasi antar respon menggunakan korelasi Pearson yaitu sebagai berikut:

TABEL 3. HASIL UJI KORELASI PEARSON

Variabel Koefisien Korelasi p-value

Laju Pengikisan Material dengan Laju Keausan Alat 0,924 0,000
Laju Pengikisan Material dengan Kekasaran Permukaan 0,502 0,168
Laju Keausan Alat dengan Kekasaran Permukaan 0,573 0,107

116
Seminar Pendidikan Matematika SPs UPI 2016 ISBN 978-602-60794-0-4

Berdasarkan Tabel 3 dapat dilihat bahwa korelasi antara respon laju pengikisan material dan
laju keausan alat sangatlah kuat, dengan nilai koefisien korelasi sebesar 0,924. Selain itu apabila
dilakukan pengujian menggunakan taraf signifikan 5%, maka dengan melihat nilai p-value yang
diperoleh disimpulkan bahwa terdapat korelasi atau hubungan yang signifikan antara laju
pengikisan material dan laju keausan alat. Hal tersebut terlihat dari nilai p-value yang diperoleh
yaitu sebesar 0,000 < 0,05. Oleh sebab itu, optimasi multirespon akan dilakukan dengan
menggunakan metode Grey Relational Analysis yang dikombinasikan dengan PCA guna
menangani adanya korelasi antar respon.
C. Perhitungan Signal to Noise Ratio (S/N Ratio) dan Normalisasi S/N Ratio
Hasil perhitungan nilai S/N ratio sesuai persamaan (3) dan (4) serta normalisasi S/N ratio
sesuai persamaan (5) dan (6) disajikan pada Tabel 4 berikut ini:
TABEL 4. HASIL S/N RATIO DAN NORMALISASI S/N RATIO

S/N Ratio Normalisasi S/N Ratio

Laju Laju Kekasaran
Eksperimen Laju Keausan Kekasaran Laju Pengikisan
Pengikisan Keausan Permukaan
Alat Permukaan Material
Material Alat
1 11,4899 17,7211 -12,7278 0 0 0,0748
2 20,3832 14,9916 -21,9666 0,3993 0,2540 0,9023
3 23,5253 12,2522 -16,2502 0,5403 0,5089 0,3903
4 26,5496 16,6537 -11,8923 0,6761 0,0993 0
5 30,2141 11,2450 -20,8136 0,8406 0,6026 0,7990
6 30,9874 9,8159 -18,5720 0,8753 0,7356 0,5983
7 28,1144 12,3958 -13,2325 0,7464 0,4955 0,1200
8 32,7732 8,5891 -23,0574 0,9555 0,8497 1
9 33,7639 6,9744 -20,2077 1 1 0,7448

D. Perhitungan Deviation Sequence dan Grey Relational Coefficient (GRC)

Hasil perhitungan deviation sequence sesuai persamaan (7) serta nilai GRC sesuai persamaan
(8) disajikan pada Tabel 5 berikut ini:
TABEL 5. DEVIATION SEQUENCE DAN GREY RELATIONAL COEFFICIENT

Deviation Sequence GRC

Laju Laju Kekasaran
Eksperimen Laju Keausan Kekasaran Laju Pengikisan
Pengikisan Keausan Permukaan
Alat Permukaan Material
Material Alat
1 1 1 0,9252 0,3333 0,3333 0,3508
2 0,6007 0,7460 0,0977 0,4542 0,4013 0,8366
3 0,4597 0,4911 0,6097 0,5210 0,5045 0,4506
4 0,3239 0,9007 1 0,6069 0,3570 0,3333
5 0,1594 0,3974 0,2010 0,7583 0,5572 0,7133
6 0,1247 0,2644 0,4017 0,8004 0,6541 0,5545
7 0,2536 0,5045 0,8800 0,6635 0,4978 0,3623
8 0,0445 0,1503 0 0,9183 0,7689 1
9 0 0 0,2552 1 1 0,6620

E. Perhitungan Bobot Menggunakan Principal Component Analysis

TABEL 6. EIGEN VALUE DAN PROPORSI

Principal Component Eigen Value Proportion

PC1 2.2817 0.761
PC2 0.6256 0.209
PC3 0.0927 0.031

117
Seminar Pendidikan Matematika SPs UPI 2016 ISBN 978-602-60794-0-4

TABEL 7. EIGEN VECTOR

Variabel Respon PC1 PC2 PC3

Laju pengikisan material (material removal rate) 0.62 -0.353 0.701
Laju keausan alat (tool wear rate) 0.624 -0.32 -0.713
Kekasaran permukaan (surface roughness) 0.476 0.879 0.022

Berdasarkan Tabel 6 diketahui bahwa PC1 memiliki proporsi varians tertinggi yaitu sebesar
0,761 atau dapat menjelaskan 76,1% dari total varians, sehingga nilai komponen eigen vector dari
principal component pertama akan digunakan untuk pembobotan. Berdasarkan persamaan (14)
diperoleh nilai bobot sebagai berikut:

TABEL 8. BOBOT SETIAP RESPON

Variabel Respon Bobot

Laju pengikisan material (material removal rate) 0.384
Laju keausan alat (tool wear rate) 0.390
Kekasaran permukaan (surface roughness) 0.226

F. Perhitungan Nilai Grey Relational Grade (GRG)

Berdasarkan persamaan (15) diperoleh nilai GRG seperti yang disajikan pada Tabel 9 berikut
ini:
TABEL 9. NILAI GRG

Eksperimen GRG
1 0.3373
2 0.5201
3 0.4986
4 0.4476
5 0.6698
6 0.6878
7 0.5308
8 0.8786
9 0.9235

G. Penentuan Kombinasi Level Faktor Optimal

Perhitungan nilai rata-rata Grey Relational Grade dari masing-masing level faktor untuk setiap respon
sesuai persamaan (16) disajikan pada Tabel 10 berikut ini:
TABEL 10. RATA-RATA GREY RELATIONAL GRADE SETIAP LEVEL FAKTOR

Faktor
A B C
Level 1 0.4520 0.4386 0.6346
Level 2 0.6017 0.6895 0.6304
Level 3 0.7776 0.7033 0.5664
Max-min 0.3256 0.2648 0.0682

118
Seminar Pendidikan Matematika SPs UPI 2016 ISBN 978-602-60794-0-4

Main Effects Plot for GRG Means

Data Means

A B
0.8

0.7

0.6

0.5

0.4
Mean

1 2 3 1 2 3
C
0.8

0.7

0.6

0.5

0.4
1 2 3

GAMBAR 1. MAIN EFFECT PLOT

Penentuan kombinasi level faktor yang optimal dapat dilihat dari nilai rata-rata yang
terbesar pada setiap faktor, atau menggunakan main effect plot dimana kombinasi level faktor
yang optimal ditandai dengan tingginya titik level faktor tersebut. Berdasarkan nilai rata-rata
yang disajikan pada Tabel 10 atau jika dilihat secara visual dari main effect plot pada Gambar 1,
maka didapatkan kombinasi level faktor yang optimal yaitu A3B3C1, artinya Faktor A (discharge
current) pada level 3, faktor B (pulse on time) pada level 3, dan faktor C (pulse off time) pada level 1.

IV. SIMPULAN DAN SARAN

Berdasarkan analisis yang telah dilakukan mengenai optimasi multirespon pada desain
Taguchi menggunakan Grey Relational Analysis yang dikombinasikan dengan PCA, maka
diperoleh kesimpulan bahwa kombinasi level faktor yang dapat mengoptimalkan respon laju
pengikisan material, laju keausan alat, serta kekasaran permukaan secara simultan pada proses
Electrical Discharge Machining (EDM) untuk material Mild Steel IS 2026 yaitu A3B3C1. Artinya,
setting kombinasi optimal berada pada kondisi faktor A (discharge current (arus)) yang diatur
pada level 3 (26 A), faktor B (pulse on time) diatur pada level 3 (95 μs), dan faktor C (pulse off time)
diatur pada level 1 (5 μs).
Untuk penelitian selanjutnya disarankan agar melakukan percobaan konfirmatori terhadap
kombinasi level faktor optimum, yang diperlukan untuk membuktikan bahwa metode satu lebih
baik daripada metode yang lain.

UCAPAN TERIMA KASIH

Puji syukur penulis panjatkan kehadirat Allah SWT, karena berkat rahmat dan hidayah-Nya
penulis dapat menyelesaikan paper ini. Penulis juga mengucapkan terimakasih kepada Ibu Sri
Winarni, S.Si., M.Si. serta Bapak Budhi Handoko, S.Si., M.Si. selaku dosen pembimbing yang
telah memberikan bimbingan dan dukungan sehingga penelitian ini berjalan dengan lancar.
Selain itu penulis juga ingin mengucapkan terima kasih kepada kedua orang tua yang selalu
mendukung penulis baik secara moril maupun materil.

DAFTAR PUSTAKA
Bashiri, M., dan Hejazi, T. H. (2012). A Mathematical Model Based on Principal Component Analysis for
Optimization of Correlated Multiresponse Surfaces. Journal of Quality, 19(3), 223-239.

119
 Seminar Pendidikan Matematika SPs UPI 2016 ISBN 978-602-60794-0-4

Mehat, N. M., Kamaruddin, S., dan Othman, A. R. 2014. Hybrid Integration of Taguchi Parametric Design,
Grey Relational Analysis, and Principal Component Analysis Optimization for Plastic Gear
Production. Chinese Journal of Engineering, Vol. 2014, 1-11.
Puh, F., Jurkovic, Z., Perinic, M., Brezocnik, M., dan Buljan, S. (2016). Optimization of Machining
Parameters for Turning Operation with Multiple Quality Characteristics Using Grey Relational
Analysis. Journal Technical, 23(2), 377-382.
Raghuraman, S., Thiruppathi, K., Panneerselvam, T., dan Santosh, S. (2013). Optimization of EDM
Parameters Using Taguchi Method and Grey Relational Analysis for Mild Steel IS 2026.
International Journal of Innovative Research in Science, Engineering and Technology, 2(7): 3095-
3104.
Ross, P. J. (1988). Taguchi Techniques for Quality Engineering : Loss Function, Orthogonal Experiments,
Parameter and Tolerance Design. McGraw Hill Professional.
Singh, L., Khan, R. A., dan Aggarwal, M. L. (2013). Multi Performance Characteristic optimization of
Shot Peening Process for AISI 304 Austenitic Stainless Steel Using Grey Relational Analysis with
Principal Component Analysis and Taguchi Method. American Journal of Engineering Research,
02(10), 160-172.

120

View publication stats