PACKING SPD

S. PACKING SPD

Gambar 2. Tahap awal pembentukan pohon keputusan Tabel 3. Perhitungan entropy atribut “Nama Motor”

dalam membuat pohon keputusan untuk tahap selanjutnya maka dilihat setiap daun yang terbentuk yang didalamnya masih mengandung dalam membuat pohon keputusan untuk tahap selanjutnya maka dilihat setiap daun yang terbentuk yang didalamnya masih mengandung

mengandung instance “ya” dan “tidak” pada (terbakar) dan tidak = 4 (kerusakan lain) artinya

target atribut “terbakar” sehingga dipecah kembali pada motor blower terdapat 6 motor dengan jenis

dengan atribut “penggunaan dimesin” dengan kerusakan terbakar dan 4 motor dengan jenis

nilai instance “polish” yang hanya mengandung kerusakan lain, sehingga pada daun ini masih

instance tidak sebanyak 2 record sehingga atribut perlu dicari nilai entropynya pada setiap atribut

ini menjadi daun, berbeda dengan atribut “press” yang hanya mengandung nama motor blower

masih perlu dipecah lagi dengan atribut ampere untuk dilakukan pemecahan daun sehingga

dan begitulah seterusnya sampai pembentukan kembali membentu cabang dimana nilai entropy

pohon keputusan dapat diselesaikan seperti atribut yang paling rendah maka atribut tersebut

gambar diatas.

yang akan menjadi cabang selanjutnya sama halnya yang harus dilakukan pada atribut nama

3.4. Membuat Rules.

motor dengan instance saringan getar dan Berdasarkan pohon keputusan diatas conveyor sebagaimana gambar diatas.

selanjutnya tahap dalam membuat rules sebagai output dari pada penelitian data mining ini, adapun rule yang terbentuk :

MOTOR=BLOWER & PENGGUNAAN MESIN = POLISH THEN TERBAKAR= TIDAK

MOTOR=BLOWER & PENGGUNAAN MESIN = PRESS & AMPERE=TINGGI & KW=5.5 THEN TERBAKAR=YA

NAMA

3. IF

MOTOR=BLOWER & PENGGUNAAN MESIN = PRESS & AMPERE=TINGGI & KW=3.7 THEN TERBAKAR=YA

NAMA

4. IF

MOTOR=BLOWER & PENGGUNAAN MESIN = PRESS & AMPERE=TINGGI & KW=15 THEN TERBAKAR=YA

NAMA

MOTOR=BLOWER & PENGGUNAAN MESIN = PRESS & AMPERE=RENDAH & KW=15 THEN TERBAKAR=YA

5. IF

NAMA

MOTOR=BLOWER & Berdasarkan database pada laporan kerusakan dan

6. IF

NAMA

PENGGUNAAN MESIN = PRESS & tindakan perbaikan motor dinamo yang

AMPERE=RENDAH & KW=5.5 THEN dikumpulkan maka dalam tahap pemecahan

TERBAKAR=YA

masalah data mining dengan menggunakan

7. IF NAMA MOTOR=CONVEYOR & mentode dicision tree

AMPERE=RENDAH THEN TERBAKAR=TIDAK Persamaan matematika dinomori dengan

8. IF NAMA MOTOR=CONVEYOR & angka Arab di dalam tanda kurung buka-tutup

AMPERE=TINGGI & KW=5.5 THEN pada posisi rata kanan kolom. Persamaan ditulis

TERBAKAR=YA

9. IF NAMA MOTOR=CONVEYOR & persamaan yang tidak cukup ditulis dalam lebar 1

menjorok ke dalam sejauh 6 mm. Untuk

AMPERE=TINGGI & KW=3.7 THEN kolom, penulisannya dapat melintasi 2 kolom,

TERBAKAR=YA

ditulis di bagian bawah halaman dan diberi nomor

10. IF NAMA MOTOR=CONVEYOR & urut yang sesuai.

AMPERE=TINGGI & KW=1.1 THEN TERBAKAR=YA

11. IF NAMA MOTOR=SARINGAN GETAR & AMPERE=RENDAH THEN TERBAKAR = Gambar 3. Tahap penyelesaian pembentukan

YA

12. IF NAMA MOTOR=SARINGAN GETAR & AMPERE=TINGGI & KW=3.7 THEN Sebagaimana

pohon keputusan

TERBAKAR=TIDAK keputusan diatas dimana pada tahap awal atribut ”

dilihat

dari

pohon

13. IF NAMA MOTOR=SARINGAN GETAR & kesalahan dari hasil penelitian terdapat 5 AMPERE=TINGGI & KW=1.5 THEN

kesalahan dari 25 data yang ada sehingga TERBAKAR=YA

mencapai 5/25= 20% dengan nilai error 0.2 ini menunjukkan penelitian data mining dalam

Terdapat 13 rules yang dapat diciptakan memprediksi tingkat kerusakan motor dinamo sesuai dengan pohon keputusan yang dibentuk

dengan jenis kerusakan terbakar cukup efektif seperti rule no.1 menjelaskan jika atribut nama

dalam menentukan indikasi-indikasi yang sangat motor terdapat instance blower dan atribut

mempengaruhi tingkat kerusakan yang terbakar penggunaan dimesin terdapat instance polish

pada motor dinamo yang digunakan pada mesin maka target atribut terbakar dapat diperkirakan

produksi granit.

tidak atau jenis kerusakan terbakar salah tetapi kerusakan yang lain.

4. Kesimpulan dan Saran

3.5 melihat nilai Error Nilai Error adalah nilai tingkat perkiraan

data mining dengan metode decision tree salah atau besarnya selisih kebenaran dari sumber

mampu menyelesaikan permasalahan dalam data yang diolah dengan decision tree, berikut

memprediksi indikasi-indikasi yang sangat data dan perkiraan hasil penelitian :

mempengaruhi kerusakan motor dinamo dengan jenis kerusakan terbakar.

Penelitian lanjutan hendaknya dilakukan dengan menggabungkan metode decision tree dengan metode lain seperti association rules,

Tabel 5. Data dan Hasil prediksi penelitian Bayesian, Neural Network (NN) dan Support Vector Machine (SVM). Kuantitas data yang

No TGL PENGGUNAAN DI MESIN

dilibatkan juga perlu ditambah, sehingga mampu

Nama Motor

KW

AMPERE

TERBAKAR PREDIKSI ERROR

1 15-1-2015 press blower

memberikan hasil yang lebih signifikan

2 6/1/2015 POLISHING blower

3 24-12-2014 press blower

4 13-1-2015 press blower

5 6/1/2015 press blower

6 22-12-2014 press blower

Daftar Pustaka:

7 28-1-2015 press blower

8 20-1-2015 POLISHING blower

[1] Bramer, Max. Principles of Data Mining,

9 23-1-2015 press blower

10 24-12-2014 press blower

Springer-Verlag London Limited, 2007.

11 12/12/2014 press conveyor

12 12/12/2014 press conveyor

[2] Dong-Peng, Y., et al., Application of

13 27-12-2014 M. Preparation conveyor

14 21-1-2015 M. preparation Conveyor

DataMining Methods in the Evaluation of

15 26-12-2014 M. preparation Conveyor

Client Credibility, Application of Data

16 8/12/2014 SPD Conveyor

Mining in E-Business and Finance, IOS

17 17-1-2015 press saringan getar 1.5

18 12/1/2015 SPD saringan getar 1.5

Press, 2008. pp.35-43.

19 8/1/2015 SPD saringan getar 1.5

20 9/1/2015 SPD saringan getar 1.5

[3] Han, J., et al. Data Mining: Concepts and

21 9/12/2014 SPD saringan getar 1.5

Techniques 2nd Edition, Morgan Kaufmann

22 14-1-2015 SPD saringan getar 1.5

23 1/12/2014 M. Preparation saringan getar 3.7

24 14-1-2015 S. Packing saringan getar 3.7

[4] Ayu Purwarianti, (2010). Sistem Informasi Inteligen. Magister Informatika STEI ITB.

25 29-1-2015 S. packing saringan getar 3.7

Berdasarkan tabel diatas dapat dilihat

tingkat kebenaran prediksi dari hasil penelitian data mining dengan menggunakan decision tree

mencapai 80% dan sebaliknya selisih tingkat