Prosiding Seminar Nasional Manajemen Teknologi XXII

Program Studi MMT-ITS, Surabaya 24 Januari 2015

REKOMENDASI SOLUSI PADA COMPUTER MAINTENANCE

MANAGEMENT SYSTEM MENGGUNAKAN ASSOCIATION RULE,
KOEFISEN KORELASI PHI DAN CHI-SQUARE
Farid Sukmana 1) dan Joko Lianto Buliali2)
1) Management of Information Technology Department
Institut of Technology Sepuluh Nopember Surabaya, Indonesia
e-mail: faridsukmana@outlook.com
2) Informatics Department, Institut of Technology Sepuluh Nopember

ABSTRAK
CMMS merupakan sebuah sistem yang digunakan oleh teknisi untuk membantu kegiatan
yang dilakukan dalam maintenance sebuah mesin. Pada sistem ini terdapat bagian penting
seperti Work Order (WO), Inventory Management, Purchase Order (PO). Permasalahan yang
timbul yaitu pada bagian WO sering kali seorang teknisi menemukan permasalahan yang
sama pada kasus maintenance mesin dan sering kali kasus yang sama ternyata masih berulang
pada waktu tertentu. Berdasarkan kasus tersebut peneliti bermaksud untuk mengelompokkan
rule dari WO dan kemudian dilakukan penilaian terhadap rule. Hal ini ditujukan untuk
membantu seorang teknisi menentukan solusi dari permasalahan yang muncul dalam suatu
infrastruktur perusahaan. Tujuan dari penelitian dari peniliti dalam melakukan penilaian
terhadap work order antara lain merancang suatu pengetahuan yang dapat dimanfaatkan oleh
seorang teknisi untuk mempelajari pola permasalahan infrastruktur IT di dalam perusahaan.
Penelitian ini diawali dengan membentuk rule yang didapatkan dari kumpulan WO yang
diterima oleh teknisi menggunakan Association Rule. Selanjutnya untuk proses hasil dari rule
base yang didapatkan akan dilakukan korelasi berdasarkan variable symptom dan root cause.
Berdasarkan penelitian didapatkan jika penggunaan minimum support dan minimum
confidence mempengaruhi perangkingan rekomendasi solusi. Sehingga rekomendasi solusi
berada pada di level bawah ketika dilakukan peningkatan nilai min_sup dan min_conf posisi
leveling bisa tetap dan bisa berubah.
Kata kunci: Work Order, Maintenance, Association Rule, Chi-Square.

PENDAHULUAN
Sistem pendukung keputusan dalam bidang komputer pada era ini telah sampai
kegunaannya pada dunia bisnis sebagai alat dalam mengurangi resiko dan biaya dalam
industry. [3] Munculnya Knowledge Management adalah salah satu diantaranya telah banyak
dipertimbangkan oleh dunia bisnis untuk mengurangi resiko dan biaya dengan cara
mengembangkan software dan pemeliharaan organisasi dalam mengelola kegiatan para
teknisi. Computer Maintenance Management.
System (CMMS) merupakan sebuah sistem yang berfungsi dalam proses maintenance
peralatan yang berupa mesin ditujukan untuk menjaga mesin dapat berjalan dengan baik tanpa
harus menunggu sebuah mesin mengalami kerusakan terlebih dahulu. [6] Dan untuk
mengurangi resiko dan biaya pemeliharaan suatu sistem dalam organisasi perlu adanya proses
integrasi antara proses maintenance, perbaikan dan penyediaan inventori dan penjadwalan
proses maintenance, monitoring kondisi teknologi, database elektronik dan komponen yang
reliable dan sistem pendukung keputusan dimana semuanya bisa dikelola dalam sistem

ISBN: 978-602-70604-1-8
C-2-1
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

CMMS. Dan didalam sebuah CMMS terdapat beberapa bagian yang tidak bisa dipisahkan
untuk membentuk sistem menjadi satu kesatuan diantaranya yaitu Work Order (WO). Di
dalam penelitian ini berfokus pada pemanfaatan WO untuk digunakan dalam pencarian solusi
terbaik pada suatu permasalahan, sehingga seorang teknisi dapat mengambil keputusan
dengan segera untuk melakukan proses pengecekan terhadap mesin sesuai dengan solusi yang
disarankan dan segera bisa mencari solusi lain. Peneliti memiliki maksud untuk
memanfaatkan WO sebagai sebuah data yang digunakan untuk memberikan
pengetahuansolusi kejadian atau permasalahan dalam mesin yang dianggap masih belum
terselesaikan secara tuntas. [6] Sejumlah masalah yang berulang-ulang disebabkan karena
downtime, dan menjadi perhatian bagaimana menemukan akar permasalahan dan solusi yang
tepat sehingga solusi ini digunakan untuk proses modifikasi pada mesin dan kebijakan
pemeliharaan sistem.
Permasalahan muncul ketika solusi yang digunakan tidak memberikan solusi secara
baik dalam proses penangan suatu masalah dalam proses perbaikan mesin dan dalam
penelitian ini mengambil data pada permasalahan infrastruktur IT. Sehingga pihak peneliti
bermaksud untuk memanfaatkan data work order untuk dimafaatkan menjadikan pendukung
keputusan.

METODE
1. EKSPERIMEN
Proses pertama yaitu [5] menggunakan teknik Association Rule sebagai cara untuk
mendapatkan rule yang sering terjadi secara berulang-ulang. Peneliti menggunakan
association rule sebagai metode dalam membangkitkan rule base dari work order disebabkan
data yang digunakan dalam work order bersifat kategori dan bukan binary ataupun nominal.
[1] Dan pada permasalahan yang dihadapi dalam proses data mining yaitu sekumpulan data
yang banyak dari suatu basket data pada tipe transaksi, dan dengan association rule beberapa
item dapata dikumpulkan sesuai dengan confidence dan support. Pada dasarnya support
bertanggung jawab dalam mengukur apakah suatu data secara statistika signifikan untuk
diproses dalam association rule. Sedangkan confidence berguna dala mengukur tingkat
kekuatan dari rule yang digunakan. [5] Association rule digunakan dalam penelitian sebagai
bahan untuk menjadikan pola atau pattern dari sebuah data dan digunakan untuk
mengeliminasi pola data yang tidak penting. Selain itu [2] association rule digunakan untuk
menemukan relationship diantara entitas record yang berbeda di dalam suatu database. [4]
Penggunaan support dan confidence dalam association rule memiliki tujuan yang berbeda
dimana support digunakan untuk mengukur signifikansi dari rule dan confidence digunakan
sebagai ukuran rule yang terbaik digunakan. Dan kunci utama dari association rule yaitu
bagaimana meminimalkan threshold dari support. Dan support yang tinggi lebih berguna
untuk mendapatkan association rule mining daripada penggunaan support yang rendah. [4]
Dan penggunaan support dan confidence bisa mempertimbangkan dua hal dalam menemukan
sebuah pola.
a. Jika minsup terlalu tinggi, tidak akan ditemukan item yang jarang muncul.
b. Jika ingin menemukan item yang sering muncul dan jarang gunakan minsup yang kecil.

[6] banyak studi-studi sebelumnya menatakan association rule sukses diterapkan pada
masalah yang berkaitan dengan klasifikasi dan prediksi.
Metode yang digunakan selanjutnya dalam proses pencarian kekuatan hubungan antara
variabel yaitu menggunakan koefisien korelasi phi sedangkan untuk uji statistika
menggunakan chi-square, hal ini dikarenakan data yang digunakan bersifat kategori dan

ISBN: 978-602-70604-1-8
C-2-2
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

dikotomus (bernilai 0 dan 1). Data dikotomi adalah data diskrit, data kategorik atau data
nominal dan data ini adalah data dari hasil perhitungan, sehingga tidak dijumpai bilangan
pecahan. Dalam data dikotomi setiap data dikelompokkan menurut kategorinya dan diberi
angka, dimana angka-angka tersebut adalah label dan bukan tingkatan. Pada Tabel 1
menunjukkan bagaimana penerapan rumus pada koefisien korelasi phi.

Tabel 1. Penerapan Rumus Pada Koefisien Korelasi Phi

Atribut 2
Atribut 1 Yes No
Yes a b
No c d

Jika a, b, c, dan d merepresentasikan frekuensi dari suatu observasi maka dihitung dengan
menggunakan rumus:

Sedangkan uji statistik pada koefisien korelasi phi menggunakan chi-square

atau
Nilai koefisien phi memiliki rentang antara -1 hingga 1. Semakin mendekati 0 hubungan
kedua atribut atau data semakin lemah. Sedangkan nilai 1 menunjukkan jika kedua data
memiliki hubungan yang sempurna. Tanda (+) pada nilai korelasi jika suatu variabel x
mengalami kenaikan maka variabel y ikut naik dan jika nilai variabel x turun maka variabel y
ikut turun. Sedangkan tanda (-) menandakan jika suatu variabel x naik maka variabel y
mengalami penurunan dan jika variabel x nilainya turun maka variabel y naik. Adapun kriteria
atau pedoman dalam menentukan kriteria korelasi yaitu bisa dilihat pada Tabel 2.

Tabel 2. Pedoman Kriteria Korelasi

r Kriteria hubungan
0 Tidak ada korelasi
0 – 0.5 Korelasi lemah
0.5 – 0.8 Korelasi sedang
0.8 – 1 Korelasi kuat / erat
1 Korelasi sempurna

Teknik yang digunakan dalam penelitian ini, pertama adalah association rule
berfungsi untuk membangkitkan rule dari data WO yang berkaitan dengan variabel symptom
dan root cause sehingga diperoleh symptom dan root cause yang secara signifikan dan dapat
dipercaya untuk dapat digunakan sebagai rekomendasi solusi. serta koefisien korelasi phi
untuk mencari kekuatan korelasi dari kedua variabel dan kemudian digunakan untuk proses
pemeringkatan pada rekomendasi solusi. Sedangkan uji statistik terhadap hasil korelasi
digunakan chi-square.

HASIL DAN PEMBAHASAN

Secara umum basis pengetahuan yang dirancang adalah seperti pada Gambar 1.
Penelitan ini diawali dengan pengumpulan data sebanyak 712 data yang didapatkan dari work

ISBN: 978-602-70604-1-8
C-2-3
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

order dalam sistem Microsoft Dynamic AX. Dan yang diambil adalah data yang berhubungan
dengan variabel symptom dan root cause.

Korelasi Phi
Association
dan Chi- Rule
Rule
square

Knowledge Base
Rekomendasi
Solusi

Data Work
Inference Engine Order

Tool untuk Database

Permasalahan mendapatkan
solusi

User Interface

User

Gambar 1. Rancangan Knowledge Base

Data work order sebenarnya terdiri dari beberapa variabel antara lain problem, symptom, root
cause, solution, category, time start, date start, time finish, date finish. Tapi pada penelitian
ini dilakukan penelitian terhadap dua variabel yaitu symptom dan root cause. Adapun contoh
data pada Gambar 2.
Dari beberapa data symptom dan root cause selanjutnya dilakukan proses
pembangkitan rule dengan menggunakan association rule dengan batasan minimum support
dan minimum confidence. Untuk mengelimanasi suatu symptom dan root cause yang tidak
terlalu penting dan signifikan bisa digunakan minimum support dan minimum confidence
yang tinggi.

Gambar 2. Data Work Order

Tabel 3 dan 4 adalah contoh hasil rule dengan meningkatkan min_sup dan min_conf
pada permasalahan “Can’t open dynamic AX”. Bisa dilihat adanya eleminasi data pada Tabel
4 dimana terdapat rule dihilangkan dari ketika nilai minimum support ditingkatkan. Dan
berarti rule yang berwarna merah memiliki nilai minimum support yang diantara 0.001 dan
0.007. Dan pada tahap ini terdapat batasan mimum support dan minimum confidence yang
digunakan yang bisa dilihat pada Tabel 5.

ISBN: 978-602-70604-1-8
C-2-4
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

Dari hasil rule selanjutnya dicari kekuatan korelasi dan uji statistik dari kedua
variabel. Untuk uji statistik hipotesa yang digunakan adalah:
a. H0: Tidak terdapat keterkaitan antara gejala (symptom) dan akar permasalahan (root
cause) dalam proses pencarian solusi.
b. H1: Terdapat keterkaitan antara gejala (symptom) dan akar permasalahan (root cause)
dalam proses pencarian solusi.

Tabel 3. min_sup=0.001 dan min_conf=0.1 Tabel 4. min_sup=0.007 dan min_conf=0.1

Tabel 5. Jumlah dari Hasil Beberapa Minimum Support dan Minimum Confidence

Dari hasil rule selanjutnya dicari kekuatan korelasi dan uji statistik dari kedua variabel. Untuk
uji statistik hipotesa yang digunakan adalah:
a. H0: Tidak terdapat keterkaitan antara gejala (symptom) dan akar permasalahan (root
cause) dalam proses pencarian solusi.
b. H1: Terdapat keterkaitan antara gejala (symptom) dan akar permasalahan (root cause)
dalam proses pencarian solusi.

Berdasarkan penggunaan koefisien korelasi phi, maka nilai chi-square hitung pada
penelitian ini menggunakan taraf signifikansi 0.05 dengan derajat bebas selalu 1. Karena
perhitungan korelasi phi pada tabel contingency hanya menggunakan 2 baris dan 2 kolom
yang terdiri dari 2 atribut. Sehingga nilai chi-square tabel selalu bernilai 3.841. Bisa dilihat
pada Tabel 6 adalah contingency tabel dari korelasi phi dengan 2 atribut pada variabel
symptom dan root cause. Contoh bisa dilihat pada Tabel 6, dimana pada tabel tersebut dengan
menggunakan rumus korelasi phi yang dijelaskan pada sub bab 2 didapatkan nilai koefisen
korelasi sebesar 0.5359. Dan dengan nilai chi-square 112.3. Sehingga dapat dikatakan

ISBN: 978-602-70604-1-8
C-2-5
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

korelasi tersebut melakukan penolakan terhadap H0 karena nilai chi-square hitung lebih besar
daripada nilai chi-square tabel. Dan sifat korelasi kedua variabel sedang.
Tabel 6. Tabel Contingency pada Perhitungan Koefisien Korelasi phi

2. HASIL UJI COBA

Setelah mengenal langkah-langkah penelitian pada sub bab 3 selanjutnya yaitu
melakukan leveling dengan beberapa min_sup dan min_conf berbeda dari beberapa
rekomendasi solusi yang dihasilkan dengan permasalahan yang berbeda. Hal ini ditujukan
untuk mengetahui pengaruh minimum support dan minimum confidence terhadap hasil
rekomendasi yang diberikan.

Tabel 7. min_sup 0.001 dan min_conf 0.05 Permasalahan “Can’t open dynamic AX”

Pada rekomendasi solusi yang dicetak merah dapat dilihat bahwa posisinya tidak
berubah ketika dilakukan peningkantan minimum support dan minimum confidence dan
selalu muncul menjadi rekomendasi utama pada Tabel 8 dan 9. Dan juga dapat dilihat korelasi
yang diberikan semakin kuat ketika nilai min_sup dan min_conf ditingkatkan.

Tabel 8. min_sup 0.009 dan min_conf 0.7 Permasalahan “Can’t open dynamic AX”

ISBN: 978-602-70604-1-8
C-2-6
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

Tabel 9. min_sup 0.011 dan min_conf 0.8 Permasalahan “Can’t open dynamic AX”

Pada Tabel 7, 8 dan 9 adalah rekomendasi solusi yang sama pada bagian symptom
pada permasalahan “Can’t open dynamic AX”. Lalu bagaimana dengan permasalah yang
sama dengan beberapa symptom yang lain. Bisa dilihat pada Tabel 10 dan 11.

Tabel 10. min_sup 0.009 dan min_conf 0.7 Permasalahan “Can’t open dynamic AX”

Ketika dilakukan peningkatan nilai minimum support dan minimum confidence pada Tabel 10
ternyata terjadi perubahan posisi pada rekomendasi solusi pada level 1 dan 2 pada Tabel 10.
Dimana hasilnya bisa dilihat pada Tabel 11.
Bisa dilihat pada Tabel 11 levelling rekomendasi solusi mengalami perubahan yang
sebelumnya level 1 pada Tabel 10 berubah posisi menjadi level 2 pada Tabel 11.

Tabel 11. min_sup 0.011 dan min_conf 0.8 Permasalahan “Can’t open dynamic AX”

KESIMPULAN DAN SARAN

Berdasarkan analisa pengaruh minimum support dan minimum confidence pada hasil
rekomendasi solusi menunjukkan adanya pola rekomendasi yang beragam ketika dilakukan
peningkatan pada nilai minimum support dan minimum confidence. Diman tidak sepenuhnya
rekomendasi pada posisi pertama akan muncul dan tetap menjadi rekomendasi ketika
dilakukan peningkatan minimum support dan minimum confidence. Dimana terdapat
rekomendasi yang berada pada posisi bawah muncul menjadi rekomendasi utama ketika
dilakukan kenaikan min_sup dan min_conf. Dan ada kasus dimana terjadi pertukaran posisi
antara rekomendasi ketika dilakukan kenaikan min_sup dan min_conf dimana terjadi pada
permasalahan “Can’t open dynamic AX”. Dan penelitian ini memberikan gambaran adanya

ISBN: 978-602-70604-1-8
C-2-7
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

pengaruh minimum support dan minimum confidence terhadap rekomendasi solusi yang
diberikan ketika terjadi perubahan nilai keduanya baik ditingkatkan atau diturunkan.

DAFTAR PUSTAKA
[1] Agrawal R, Imielinski T, Swami A, (1993), “Mining Assocation Rules between Sets of
Items in Large Database”, Proceeding of the 1993 ACM SIGMOOD Conference,
Computer Science Department Rutgers University.
[2] Mandave P., Mane M., Patil S. (2003). “Data Mining Using Association Rule Based on
Apriori algorithm and improved with illustration”. International Journal of Latest
Trends in Engineering and Technology (IJTET). Vol. 3, hal 107.
[3] Nor, M. Z. M., Abdullah R., Murad M. A. A, dan Selamat M. H. (2010), “Managing
Knowledge in Collaborative Software Maintenance Environtment”, Knowledge
Management, Vol. 1, No. 6, hal. 73-92.
[4] Saran, Aditi. “Association Rule Mining”. Data Mining Technique and Tools for
Knowledge Discovery in Agricultural Dataset. Hal 298.
[5] Tan, P. N, Steinbach M. dan Kumar V., (2006), Introduction Data Mining, 1st edition,
Pearson Education, Inc., Boston.
[6] Zaied, R. A., Abhary K., dan Gomaa A. H. (2010), “Intelegent Integrated Maintenance
of Manufacturing System”, Engineering The Future, Vol.1, No. 15, hal. 297-316.

ISBN: 978-602-70604-1-8
C-2-8