net/publication/323414439
CITATIONS READS
0 384
3 authors, including:
Some of the authors of this publication are also working on these related projects:
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.
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.
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
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
(5)
113
Seminar Pendidikan Matematika SPs UPI 2016 ISBN 978-602-60794-0-4
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).
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)
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
(12)
∑ (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
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
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:
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
117
Seminar Pendidikan Matematika SPs UPI 2016 ISBN 978-602-60794-0-4
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:
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
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
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
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.
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