aplikasi data mining menggunakan metode decision tree untuk evaluasi kinerja motor servo dengan...
DESCRIPTION
aplikasi data miningTRANSCRIPT
-
APLIKASI DATA MINING MENGGUNAKAN METODE DECISION TREE UNTUK
EVALUASI KINERJA MOTOR SERVO DENGAN ALGORITMA C4.5
Kurnia Aryansyah1, Rahmat Kusuma Wijaya
2
Teknik Elektro, Fakultas Teknik, Universitas Halu Oleo
Kendari, 93117, Indonesia
Email : [email protected]
Abstrak
Motor servo adalah sebuah motor dengan sistem umpan balik tertutup di mana posisi
dari motor akan diinformasikan kembali ke rangkaian kontrol yang ada di dalam motor servo.
Pada penelitian ini difokuskan untuk mengevaluasi kinerja motor servo dengan melakukan
percobaan pada beban dan tegangan input yang berbeda dalam dua keadaan loop (open loop
dan close loop) serta diklasifikasikan dalam kategori perputaran motor yang termasuk
cepat,cukup cepat dan lambat.Untuk memudahkan dalam hal pengklasifikasian dari data-data
yang telah diperoleh, pendekatan data mining dapat dilakukan dalam menganalisa data untuk
menemukan suatu pola yang mempunyai arti bagi pendukung keputusan tersebut.
Salah satu teknik data mining yang dapat digunakan adalah klasifikasi. Data percobaan
motor servo yang telah ada dianalisis menggunakan Metode Decision Tree (Pohon
Keputusan) dengan algoritma C4.5. Metode Decision Tree merupakan metode yang
merubah fakta yang sangat besar menjadi sebuah pohon keputusan yang
mereprentasikan aturan-aturan. Pohon keputusan ini juga berguna untuk mengeksplorasi
data, serta menemukan hubungan tersembunyi antara sejumlah calon variabel input
dengan sebuah variabel target. Algoritma C4.5 membuat pohon keputusan dari atas ke
bawah, dimana atribut paling atas merupakan akar, dan yang paling bawah dinamakan daun,
kemudian pola tersebut dapat digunakan untuk menunjukkan hasil evaluasi kinerja motor
servo dalam hal nilai kualitatif putaran motor servo.
Kata kunci : motor servo, data mining, decision tree, algoritma C4.5
-
1. PENDAHULUAN
Dahulu kita hanya ketahui bahwa
motor servo adalah motor yang
digunakan untuk mengontrol peralatan
Radio Remote Control. Entah itu mobil-
mobilan maupun pesawat, mereka
menggunakan motor servo. Namun kini
bermunculan mainan mobil remote dari
China yang berharga murah, dan mainan
ini tidak menggunakan motor servo.
Motor servo adalah sebuah motor
dengan sistem umpan balik tertutup di
mana posisi dari motor akan
diinformasikan kembali ke rangkaian
kontrol yang ada di dalam motor servo.
Karena motor DC servo merupakan alat
untuk mengubah energi listrik menjadi
energi mekanik, maka magnit
permanent motor DC servolah yang
mengubah energi listrik ke dalam energi
mekanik melalui interaksi dari dua
medan magnit. Salah satu medan
dihasilkan oleh magnit permanent dan
yang satunya dihasilkan oleh arus yang
mengalir dalam kumparan motor.
Resultan dari dua medan magnit
tersebut menghasilkan torsi yang
membangkitkan putaran motor tersebut.
Saat motor berputar, arus pada
kumparan motor menghasilkan torsi
yang nilainya konstan. Pada paper ini
telah dilakukan pengumpulan data dari
percobaan motor servo untuk
mengetahui dan mengevaluasi kinerja
motor.
Berdasarkan uraian di atas, pada
penelitian ini akan dibuat sebuah
sistem untuk mengklasifikasikan
putaran motor servo dengan cara
mengevaluasi kinerjanya melalui
penerapan data mining menggunakan
metode decision tree dengan algoritma
C4.5.
2. LANDASAN TEORI
a. Data Mining
Data mining adalah penambangan
atau penemuan informasi baru
dengan mencari pola atau aturan
tertentu dari sejumlah data yang
sangat besar. Data mining juga
disebut sebagai serangkaian proses
untuk menggali nilai tambah berupa
pengetahuan yang selama ini tidak
diketahui secara manual dari suatu
kumpulan data.
Tahapan dari proses Knowledge
Discovery in Database (KDD) adalah
:
1. Selection
2. Pre-Processing / Cleaning.
3. Transformation
4. Data Mining
5. Interpretation / Evaluation.
b. Metode Klasifikasi
Klasifikasi adalah proses untuk
menemukan model atau fungsi yang
menjelaskan atau membedakan
konsep atau kelas data, dengan tujuan
untuk dapat memperkirakan kelas
dari suatu objek yang labelnya tidak
diketahui. Dalam mencapai tujuan
tersebut, proses klasifikasi
membentuk suatu model yang
mampu membedakan data ke dalam
kelas-kelas yang berbeda
berdasarkan aturan atau fungsi
tertentu. Model itu sendiri bisa
berupa aturan jika-maka,berupa
pohon keputusan atau formula
matematis.
Gambar 1. Blok Diagram Model
Klasifikasi
-
c. Decision Tree
Sebuah pohon keputusan adalah
sebuah struktur yang dapat digunakan
untuk membagi kumpulan data yang
besar menjadi himpunan-himpunan
record yang lebih kecil dengan
menerapkan serangkaian aturan
keputusan. Dengan masing-masing
rangkaian pembagian, anggota
himpunan hasil menjadi mirip satu
dengan yang lain (Berry & Linoff,
2004) .
Metode ini merupakan salah satu
metode yang ada pada teknik
klasifikasi dalam data mining. Metode
pohon keputusan mengubah fakta
yang sangat besar menjadi pohon
keputusan yang merepresentasikan
aturan. Pohon keputusan juga berguna
untuk mengekplorasi data, menemukan
hubungan tersembunyi antara
sejumlah calon variabel input dengan
sebuah variabel target.
Data dalam pohon keputusan
biasanya dinyatakan dalam bentuk
tabel dengan atribut dan record.
Atribut
menyatakan suatu parameter yang
disebut sebagai kriteria dalam
pembentukan pohon. Misalkan untuk
menentukan kinerja motor sevo, kriteria
yang diperhatikan adalah loop, beban,
dan tegangan input. Salah satu atribut
merupakan atribut yang menyatakan
data solusi per item data yang disebut
atribut hasil. Banyak algoritma yang
dapat dipakai dalam pembentukan
pohon keputusan, antara lain ID3, C4.5,
CART .
d. Algoritma C4.5
Algoritma C4.5 merupakan
pengembangan dari algoritma ID3.
Algoritma C4.5 dan ID3 diciptakan oleh
seorang peneliti dibidang kecerdasan
buatan bernama J. Rose Quinlan
pada akhir tahun 1970-an. Algoritma
C4.5 membuat pohon keputusan dari
atas ke bawah, dimana atribut paling
atas merupakan akar, dan yang
paling bawah dinamakan daun.
Secara umum, algoritma C4.5 untuk
membangun sebuah pohon keputusan
adalah sebagai berikut:
Hitung jumlah data, jumlah data
berdasarkan anggota atribut hasil
dengan syarat tertentu. Untuk
proses pertama syaratnya masih
kosong.
Pilih atribut sebagai Node.
Buat cabang untuk tiap-tiap anggota
dari Node.
Periksa apakah nilai entropy dari
anggota Node ada yang bernilai
nol. Jika ada, tentukan daun yang
terbentuk. Jika seluruh nilai entropy
anggota Node adalah nol, maka
proses pun berhenti.
Jika ada anggota Node yang
memiliki nilai entropy lebih besar
dari nol, ulangi lagi proses dari awal
dengan Node sebagai syarat sampai
semua anggota dari Node bernilai
nol.
Node adalah atribut yang
mempunyai nilai gain tertinggi dari
atribut-aribut yang ada. Gain adalah
nilai dari setiap atribut yang dijadikan
acuan / patokan dalam menentuka node
pada model pohon keputusan. Untuk
menghitung nilai gain suatu atribut
digunakan rumus seperti yang tertera
dalam persamaan berikut :
-
Keterangan:
S : Kasus
A : Atribut
n : Jumlah partisi atribut A
Ai : Jumlah kasus pada partisi ke-i
S : Jumlah kasus
Sementara itu, untuk menghitung
nilai Entropy dapat dilihat pada
persamaan berikut ini:
Keterangan:
S : Himpunan Kasus
n : Jumlah partisi S
pi : Proporsi dari Si ke S.
3. ANALISA DATA DENGAN
ALGORITMA C.4.5
Secara umum algoritma C4.5
untuk membangun pohon keputusan
adalah sebagai berikut:
Pilih atribut sebagai akar
Buat cabang untuk masing-masing
nilai
Bagi kasus dalam cabang
Ulangi proses untuk masing-masing
cabang sampai semua kasus pada
cabang memiliki kelas yang sama.
Data hasil percobaan motor servo
yang terdapat pada tabel 1 merupakan
data yang akan dijadikan parameter
dalam proses pengklasifikasian kinerja
motor servo dengan algoritma C4.5
menggunakan Model Metode Pohon
Keputusan.
Tabel 1. Parameter Data Motor Servo
Loop Beban Vin
(V) I(A)
Vm
(RPM) Daya (Watt)
Kualitas Vm
Open 7 5 0.48 220 2.4 Lambat
Open 5 5 0.54 280 2.7 Lambat
Close 5 5 0.69 320 3.45 Lambat
Close 7 5 0.73 320 3.65 Lambat
Open 0 5 0.84 380 4.2 Cukup Cepat
Open 7 7 0.85 390 5.95 Cukup Cepat
Close 0 5 0.95 440 4.75 Cukup Cepat
Close 5 7 1.12 510 7.84 Cukup Cepat
Close 7 7 1.19 550 8.33 Cukup Cepat
Open 0 7 1.21 620 8.47 Cukup Cepat
Open 7 10 1.39 650 13.9 Cukup Cepat
Close 0 7 1.52 710 10.64 Cukup Cepat
Open 5 10 1.6 720 16 Cepat
Close 7 10 1.77 820 17.7 Cepat
Close 5 10 1.3 830 13 Cepat
Open 5 7 0.98 950 6.86 Cepat
Open 0 10 2.08 1000 20.8 Cepat
Close 0 10 2.31 1070 23.1 Cepat
Berdasarkan Data Hasil Percobaan
Motor Servo yang merupakan parameter
untuk melakukan proses data mining
dalam hal pengklasifikasian kinerja
motor servo dapat dilihat bahwa kinerja
motor servo dalam hal nilai kualitatif
Kecepatan Motor terbagi tiga yaitu
Lambat,Cukup Cepat dan Cepat dengan
rincian rentan kecepatan motor (RPM)
sebagai berikut :
Lambat = 0 320 RPM
Cukup Cepat = 321 710 RPM
Cepat = 711 1070 RPM
Klasifikasi kecepatan motor pada
data parameter dilakukan dengan
melihat nilai kecepatan motor (RPM).
Dengan rentan kecepatan motor tertentu
maka dapat langsung terklasifikasikan
pada kategori kualitas kecepatan motor.
Dengan Algoritma C4.5 dan Metode
Pohon Keputusan (Decision Tree) dapat
dilakukan pengklasifikasian dengan
hanya mengetahui atribut-atribut pada
beberapa data parameter tanpa mengacu
pada nilai kecepatan motor (RPM).
Pengambilan sampel beberapa data
-
motor servo akan dijadikan sebagai data
training dan beberapa data motor servo
lainnya akan dijadikan data testing pada
proses data mining dengan metode
pohon keputusan dan algoritma C4.5
untuk mengklasifikasikan Kualitas
Kecepatan motor servo.
Data Motor Servo yang akan
dijadikan data training sebanyak 12 data
dan diambil secara acak, dapat dilihat
pada tabel 2.
Tabel 2. Data Training Motor Servo
Loop Beban Vin
(V) I(A)
Vm
(RPM
)
Daya
(Watt) Kualitas Vm
Open 7 5 0.48 220 2.4 Lambat
Open 5 5 0.54 280 2.7 Lambat
Close 5 5 0.69 320 3.45 Lambat
Open 7 7 0.85 390 5.95 Cukup cepat
Close 0 5 0.95 440 4.75 Cukup cepat
Open 0 7 1.21 620 8.47 Cukup cepat
Open 7 10 1.39 650 13.9 Cukup cepat
Close 0 7 1.52 710 10.64 Cukup cepat
Open 5 10 1.6 720 16 Cepat
Close 7 10 1.77 820 17.7 Cepat
Open 0 10 2.08 1000 20.8 Cepat
Close 0 10 2.31 1070 23.1 Cepat
Setelah dilakukan data cleaning pada
data-data yang ada pada tabel 2,dapat
diperoleh atribut-atributnya (tabel 2
berwarna kuning) adalah Loop, Beban,
dan Vin. Sedangkan kelasnya ada pada
kolom Kualitas Vm (tabel 2 berwarna
biru) yaitu kelas Lambat(L), Cukup
Cepat(CC), dan Cepat(C). Kemudian
data tersebut dianalisis; data set tersebut
memiliki 12 kasus yang terdiri 3
Lambat, 5 Cukup Cepat, 4 Cepat.
Setelah diketahui Atribut dan
Kelasnya, maka selanjutnya adalah
menghitung entropi keseluruhan kasus :
= 2
=1
= 3
12 2
3
12 +
5
12 2
5
12 +
4
12 2
4
12
= 1.554585169
Tabel 3. Hasil Perhitungan Dataset TOTAL
KASUS
SUM
(L)
SUM
(CC)
SUM
(C)
ENTROPI
TOTAL
12 3 5 4 1.554585169
Berdasarakan tabel 3. Bahwa Jumlah
kasus data sebanyak 12 data dengan
data dengan Kecepatan motor lambat
sebanyak 3 data, kecepatan motor
cukup cepat sebanyak 5 data dan
kecepatan motor cepat sebanyak 4
dengan entropi total 1,554585169.
Selanjutnya menganalisa nilai setiap
atribut seperti pada tabel 4.
Tabel 4. Nilai Setiap Atribut
NODE ATRIBUT NILAI SUM
(N)
SUM
( L)
SUM
(CC)
SUM
(C)
1
Loop Open 7 2 3 2
Close 5 1 2 2
Beban
0 5 0 3 2
5 3 2 0 1
7 4 1 2 1
Vin
5 4 3 1 0
7 3 0 3 0
10 5 0 1 4
Berdasarkan nilai setiap atribut dapat
diperoleh entropi dan gain setiap atribut.
Entropi Loop,Open
= 2
=1
= 2
7 2
2
7 +
3
7 2
3
7 +
2
7 2
2
7
= 1.556656707
-
Entropi Loop,Close
= 2
=1
1
5 2
1
5 +
2
5 2
2
5 +
2
5 2
2
5
= 1.521928095
Gain Loop
, =
(
=1
)
= 1.554585169 -
7
12 1.556656707 +
5
12 1.521928095
= 0.012398717
Entropi Beban,0
= 2
=1
0
5 2
0
5 +
3
5 2
3
5 +
2
5 2
2
5
= 0
Entropi Beban,5
= 2
=1
2
3 2
2
3 +
0
3 2
0
3 +
1
3 2
1
3
= 0
Entropi Beban,7
= 2
=1
1
4 2
1
4 +
2
4 2
2
4 +
1
4 2
1
4
= 1.5
Gain Beban , =
(
=1
)
= 1.554585169 -
5
12 0 +
3
12 0 +
4
12 1.5
= 1.054585169
Entropi Vin,5
= 2
=1
3
4 2
3
4 +
1
4 2
1
4 +
0
4 2
0
4
= 0
Entropi Vin,7
= 2
=1
0
3 2
0
3 +
3
3 2
3
3 +
0
3 2
0
3
= 0
-
Entropi Vin,10
= 2
=1
0
5 2
0
5 +
1
5 2
1
5 +
4
5 2
4
5
= 0
Gain Vin
, =
(
=1
)
= 1.554585169 -
4
12 0 +
3
12 0 +
5
12 0
= 1.554585169
Tabel 5. Entropi dan Gain Setiap
Atribut
NODE ATRIBUT NILAI ENTROPI
(Si) GAIN
1.1
Loop Open 1.556656707
0.012398717 Close 1.521928095
Beban
0 0
1.054585169 5 0
7 1,5
Vin
5 0
1.554585169 7 0
10 0
Dari hasil tabel 5, dapat dilihat
bahwa nilai gain terbesar terdapat pada
atribut Vin, maka Vin menjadi node
akar (root node). Ada 3 nilai atribut
dari Vin yaitu 5, 7, 10. Dari ketiga
nilai atribut tersebut, nilai atribut 7
sudah mengklasifikasikan kasus
menjadi 1 (SUM (N) / SUM (CC) = 3/3
= 1) yaitu keputusan-nya Cukup Cepat
(lihat pada tabel 4), sehingga tidak
perlu dilakukan perhitungan lebih
lanjut, tetapi untuk nilai atribut 0 dan
5 masih perlu dilakukan perhitungan
lagi.
Dari hasil tersebut dapat
digambarkan pohon keputusan
sementara-nya tampak seperti Gambar
2.
Gambar 2.Pohon Keputusan Node 1
(root node)
Berdasarkan pembentukan pohon
keputusan node 1 (root node) pada
gambar 2, menghasilkan Vin sebagai
root node dan Vin 7 merupakan leaf
(daun). Node 1.1 dan 1.2 akan dianalisis
lebih lanjut.
Untuk node 1.1 dilakukan proses
filterisasi pada tabel 2 dengan
mengambil data yang memiliki Vin = 5
seperti pada tabel 6.
Tabel 6. Data yang memiliki Vin = 5
No. Loop Beban Vin Kualitas Vm
1 Open 7 5 Lambat
2 Open 5 5 Lambat
3 Close 5 5 Lambat
7 Close 0 5 Cukup Cepat
Data pada Tabel 6 dianalisis dan
dihitung entropi atribut Vin 5 dan
entropi setiap atribut serta gainnya.
Cukup
Cepat
1
Vin
1.1
? 1.2
?
7 10 5
-
5 = 2
=1
= 3
4 2
3
4 +
1
4 2
1
4
= 0.811278124
Tabel 7. Hasil Analisis Node 1.1
Vin 5 SUM
(L)
SUM
(CC) ENTROPI
4 3 1 0.811278124
Berdasarakan tabel 7. Bahwa Jumlah
kasus data yang Vin-nya = 5
berjumlah 4 data dengan data dengan
Kecepatan motor lambat sebanyak 3
data dan kecepatan motor cukup cepat
hanya 1 data.
Selanjutnya menghitung nilai entropi
dan gain setiap atribut pada tabel 8.
Tabel 8. Hasil Analisis nilai Node
1.1
NODE ATRIBUT NILAI SUM
(N)
SUM
( L)
SUM
(CC)
1.1
Loop Open 2 2 0
Close 2 1 1
Beban
0 1 0 1
5 2 2 0
7 1 1 0
Entropi Loop,Open
= 2
=1
= 2
2 2
2
2 +
0
2 2
0
2
= 0
Entropi Loop,Close
= 2
=1
= 1
2 2
1
2 +
1
2 2
1
2
= 1
Gain Loop , =
(
=1
)
= 0.811278124 -
2
4 0 +
2
4 1
= 0.311278124
Entropi Beban,0
= 2
=1
0
1 2
0
1 +
1
1 2
1
1 +
= 0
Entropi Beban,5
= 2
=1
2
2 2
2
2 +
0
2 2
0
2 +
= 0
Entropi Beban,7
= 2
=1
1
1 2
1
1 +
0
1 2
0
1 +
= 0
Gain Beban , =
(
=1
)
= 0.811278124 -
1
4 0 +
2
4 0 +
1
4 0
= 0.811278124
-
Tabel 9. Hasil Analisis Entropi dan
Gain Node 1.1
NODE ATRIBUT NILAI ENTROPI
(Si) GAIN
1.1
Loop Open 0 0.311278124
Close 1
Beban
0 0 0.811278124
5 0
7 0
Dari hasil tabel 9, dapat dilihat
bahwa nilai gain terbesar terdapat pada
atribut Beban,. Ada 3 nilai atribut dari
Beban yaitu 0, 5, 7. Dari ketiga nilai
atribut tersebut, nilai atribut 0 sudah
mengklasifikasikan kasus menjadi 1
(SUM (N) / SUM (CC) = 1/1 = 1) yaitu
keputusan-nya Cukup Cepat, nilai
atribut 5 sudah mengklasifikasikan
kasus menjadi 1 (SUM (N) / SUM (L)
= 2/2 = 1) yaitu keputusan-nya Lambat
dan nilai atribut 7 sudah
mengklasifikasikan kasus menjadi 1
(SUM (N) / SUM (L) = 1/1 = 1) yaitu
keputusan-nya Lambat (lihat pada tabel
8), sehingga tidak perlu dilakukan
perhitungan lebih lanjut.
Dari hasil tersebut dapat
digambarkan pohon keputusan
sementara-nya tampak seperti Gambar
3.
Berdasarkan pembentukan pohon
keputusan pada gambar 3, menunjukkan
bahwa pada node 1.1 (Vin 5)
merupakan node beban dengan masing-
masing beban 0,5,7 merupakan leaf
(daun).
Untuk node 1.2 dilakukan proses
filterisasi pada tabel 2 dengan
mengambil data yang memiliki Vin = 10
seperti pada tabel 10.
Tabel 10. Data yang memiliki Vin =
10
No. Loop Beban Vin Kualitas Vm
11 Open 7 10 Cukup Cepat
13 Open 5 10 Cepat
14 Close 7 10 Cepat
17 Open 0 10 Cepat
18 Close 0 10 Cepat
Data pada Tabel 10 dianalisis dan
dihitung entropi atribut Vin 10 dan
entropi setiap atribut serta gainnya .
10 = 2
=1
= 1
5 2
1
5 +
4
5 2
4
5
= 0.721928095
Tabel 11. Hasil Analisis Node 1.2
Vin 10 SUM
(CC)
SUM
(C) ENTROPI
5 1 4 0.721928095
Berdasarakan tabel 11. Bahwa
Jumlah kasus data yang Vin-nya = 10
berjumlah 5 data dengan data dengan
Kecepatan motor cukup cepat hanya 1
data dan kecepatan motor cukup cepat
sebanyak 4 data.
Cukup
Cepat 1.2
?
1
Vin
1.1
Beban
5 7 10
Cukup
Cepat Lambat Lambat
0 5 7
Gambar 3. Pohon Keputusan Analisis
Node 1.1
-
Selanjutnya menghitung nilai entropi
dan gain setiap atribut pada tabel 12.
Tabel 12. Hasil Analisis nilai Node
1.2
NODE ATRIBUT NILAI SUM
(N)
SUM
( CC)
SUM
(C)
1.2
Loop Open 3 1 2
Close 2 0 2
Beban
0 2 0 2
5 1 0 1
7 2 1 1
Entropi Loop,Open
= 2
=1
= 1
3 2
1
3 +
2
3 2
2
3
= 0.170950594
Entropi Loop,Close
= 2
=1
= 0
2 2
0
2 +
2
2 2
2
2
= 0
Gain Loop , =
(
=1
)
= 0.721928095 -
3
5 0.170950594 +
2
5 0
= 0.170950594
Entropi Beban,0
= 2
=1
0
2 2
0
2 +
2
2 2
2
2 +
= 0
Entropi Beban,5
= 2
=1
0
1 2
0
1 +
1
1 2
1
1 +
= 0
Entropi Beban,7
= 2
=1
1
2 2
1
2 +
1
2 2
1
2 +
= 1
Gain Beban , =
(
=1
)
= 0.721928095 -
2
5 0 +
1
5 0 +
2
5 1
= 0.305261428
Tabel 13. Hasil Analisis Entropi
dan Gain Node 1.2
NODE ATRIBUT NILAI ENTROPI
(Si) GAIN
1.2
Loop Open 0.918295834 0.170950594
Close 0
Beban
0 0 0.305261428
5 0
7 1
Dari hasil tabel 13,dapat dilihat
bahwa nilai gain terbesar terdapat pada
atribut Beban,. Ada 3 nilai atribut dari
Beban yaitu 0, 5, 7. Dari ketiga nilai
atribut tersebut, nilai atribut 0 sudah
mengklasifikasikan kasus menjadi 1
(SUM (N) / SUM (C) = 2/2 = 1) yaitu
-
keputusan-nya Cepat, nilai atribut 5
sudah mengklasifikasikan kasus
menjadi 1 (SUM (N) / SUM (C) = 1/1
= 1) yaitu keputusan-nya Cepat tetapi
untuk nilai atribut 7 masih perlu
dilakukan perhitungan lagi.
Dari hasil tersebut dapat
digambarkan pohon keputusan
sementara-nya tampak seperti Gambar
4.
Gambar 4. Pohon Keputusan Analisis
Node 1.2
Berdasarkan pembentukan pohon
keputusan pada gambar 4, menunjukkan
bahwa pada node 1.2 (Vin 10)
merupakan node beban dengan beban 0
dan 5 adalah leaf dab beban 7 akan
menjadi node 1.2.1.
Untuk node 1.2.1 dilakukan proses
filterisasi pada tabel 3 dengan
mengambil data yang memiliki Vin = 10
dan Beban = 7 seperti pada tabel 13.
Tabel 14. Data yang memiliki Vin =
10 dan Beban = 7
No. Loop Beban Vin Kualitas Vm
11 Open 7 10 Cukup Cepat
14 Close 7 10 Cepat
Data pada Tabel 13 dianalisis dan
dihitung entropi atribut Vin 10 dan
Beban 7 dan entropi setiap atribut serta
gainnya.
10, 7 = 2
=1
= 1
2 2
1
2 +
1
2 2
1
2
= 1
Tabel 15. Hasil Analisis Node 1.2
Vin 10
dan
Beban 7
SUM
(CC)
SUM
(C) ENTROPI
2 1 1 1
Berdasarakan tabel 15. Bahwa
Jumlah kasus data yang Vin-nya = 5 dan
Beban 7 berjumlah 1 dengan data
dengan Kecepatan motor cukup cepat
hanya 1 data dan kecepatan motor cepat
juga bernilai 1 data.
Selanjutnya menghitung nilai entropi
dan gain setiap atribut pada tabel 16.
Tabel 16. Hasil Analisis nilai Node
1.2
NODE ATRIBUT NILAI SUM
(N)
SUM
( CC)
SUM
(C)
1.2.1 Loop Open 1 1 0
Close 1 0 1
Entropi Loop,Open
= 2
=1
= 1
1 2
1
1 +
0
1 2
0
1
= 0
Cukup
Cepat
1
Vin
1.1
Beban
5 7 10
Cukup
Cepat Lambat Lambat
0 5 7 1.2 Beban
5 0
Cepat
7
Cepat 1.2.1
?
-
Entropi Loop,Close
= 2
=1
= 0
1 2
0
1 +
1
1 2
1
1
= 0
Gain Loop , =
(
=1
)
= 1
1
2 0 +
1
2 0
= 1
Tabel 17. Hasil Analisis Entropi
dan Gain Node 1.2
NODE ATRIBUT NILAI ENTROPI
(Si) GAIN
1.2.1 Loop Open 0
1 Close 0
Ada 2 nilai atribut dari Loop yaitu
Open dan Close. Dari kedua nilai
atribut tersebut, nilai atribut Open
sudah mengklasifikasikan kasus
menjadi 1 (SUM (N) / SUM (CC) = 1/1
= 1) yaitu keputusan-nya Cukup Cepat,
nilai atribut Close sudah
mengklasifikasikan kasus menjadi 1
(SUM (N) / SUM (C) = 1/1 = 1) yaitu
keputusan-nya Cepat sehingga tidak
perlu dilakukan perhitungan lebih
lanjut karena atribut sudah tidak ada dan
proses telah selesai karena seluruh nilai
entropi pada atribut Loop adalah 0.
Dari hasil tersebut dapat
digambarkan pohon keputusan akhir
tampak seperti Gambar 5.
Gambar 5. Pohon Keputusan Analisis
Node 1.2.1 sebagai Pohon
Keputusan Akhir
Cukup
Cepat
1
Vin
1.1
Beban
5 7 10
Cukup
Cepat Lambat Lambat
0 5 7 1.2 Beban
5 0
Cepat
7
Cepat 1.2.1
Loop
Close Open
Cepat Cukup
Cepat
-
4. PERANCANGAN DAN
IMPLEMENTASI SISTEM
a. Flowchart Sistem
Gambar 6. Flowchart Sistem Aplikasi
Data Mining untuk
Evaluasi Kinerja Motor
Servo
b. Entity Relationship Diagram (ERD)
Gambar 7. ERD Sistem Aplikasi
Data Mining untuk
Evaluasi Kinerja Motor
Servo
c. Data Flow Diagram (DFD)
Gambar 8. DFD Sistem Aplikasi
Data Mining untuk
Evaluasi Kinerja Motor
Servo
Vin = 5, Beban 0 or
Vin 7 or
Vin =10,
Beban 7,
Open Loop
Vin = 5,
Beban 5 / 7
Cepat Cukup Cepat Lambat
Selesai
Mulai
Vin = 10
Beban 0 / 5 or Vin =10,
Beban 7,Close
Loop
Algoritma C4.5 Decision Tree
Input Atribut
Motor Sevo
Insert,dan Delete
Data Motor Servo Data Motor Servo
no
no
yes
yes
yes
Atribut
Motor Servo
Loop
Beban
Vin
Arus
Loop
Daya
Kualitas Vm
Beban
Vin
Testing Data
Kalasifikasi Data
Motor Servo
User
Proses
Klasifikasi
Nilai
I(A),P(Watt),Vm (RPM) Motor
Servo
Atribut Data
Motor Servo
I(A),P(Watt),V
m (RPM) Motro Servo
Atribut Data Motor Servo
Laporan
Data
Motor
Servo
Laporan
Klasifikasi
Data Motor
Servo
Pilih
Kondisi Loop
(Open/Close)
dan input data
Motor Servo
Laporan Hasil Laporan
Menginput
Data Motor
Servo
Pilihan
Kondisi Loop
oleh User
Close Loop Open Loop
-
d. Database Kondisi Loop Terbuka Setelah melalui tahapan
perancangan sistem, selanjutnya
adalah implementasi sistem. Untuk
menjalankan sistem ini, hal
pertama yang dilakukan adalah
menginputkan data untuk
memeperoleh hasil klasifikasi dengan
metode pohon keputusan. Data yang
diinputkan pada kondisi loop terbuka
akan tersimpan di dalam database
tabel loop terbuka.
Gambar 9. Data Base Tabel
Kondisi Loop Terbuka
e. Database Kondisi Loop Tertutup Setelah melalui tahapan
perancangan sistem, selanjutnya
adalah implementasi sistem. Untuk
menjalankan sistem ini, hal
pertama yang dilakukan adalah
menginputkan data untuk
memeperoleh hasil klasifikasi dengan
metode pohon keputusan. Data yang
diinputkan pada kondisi loop tertutup
akan tersimpan di dalam database
tabel loop tertutup.
Gambar 10. Data Base Tabel
Kondisi Loop
Tertutup
f. Form Menu Utama
Form menu utama berfungsi untuk
mengakses segala perintah yang
terdapat dalam aplikasi. Pada form ini
terdapat menu yaitu File yang berisi
submenu Input data. Adapun
tampilannya sebagai berikut :
Gambar 11. Tampilan Form
Menu Utama
g. Form Input Data Motor Servo Pada
Loop Terbuka
Form ini untuk menginput data-data dari
hasil percobaan motor servo seperti
Beban,dan Tegangan Input dengan pada
loop terbuka
Gambar 12.Tampilan Form
Input Data Motor
Servo Kondisi Loop
Terbuka
-
h. Form Input Data Motor Servo Pada
Loop Tertutup
Form ini untuk menginput data-data dari
hasil percobaan motor servo seperti
Beban,dan Tegangan Input dengan pada
loop tertutup
Gambar 13.Tampilan Form Input
Data Motor Servo
Kondisi Loop
Tertutup
5. PENGUJIAN SISTEM
Pengujian sistem dengan cara
memasukkan data motor servo yang
baru pada aplikasi untuk mengetahui
kinerja motor servo dalam hal ini nilai
kualitatif kecepatan motor berdasarkan
data motor servo yang menjadi data
training yang sebelumnya telah diuji
dengan menggunakan metode Decision
Tree.
Data motor servo baru yang akan
diinputkan pada sistem diantaranya :
Tabel 18. Data Motor Servo baru
yang akan di testing
Loop Beban Vin
Close 7 5
Open 0 5
Close 5 7
Close 7 7
Close 5 10
Adapun tahapan yang dilakukan
dalam pengujian sistem ini adalah
sebagai berikut:
1. Memasukkan data motor servo pada
form input data Loop Terbuka dan
Loop Tertutup.
Gambar 14. Penginputan Data Servo
Baru Pada Form
Kondisi Loop Terbuka
Gambar 15. Penginputan Data Servo
Baru Pada Form
Kondisi Loop Tertutup
2. Setelah data baru telah terisi pada
form input data,pilih/klik Insert pada
bagian form proses data hingga
muncul kotak dialog Message Data
Berhasil di Input yang menandakan
bahwa data motor servo baru telah
terproses dan berhasil diinput.
-
Gambar 16. Message : Data motor
servo yang baru telah
berhasil diinput.
3. Melakukan pengamatan terhadap
hasil ketegori nilai kualitatif
kecepatan motor dari data baru yang
telah tampil pada aplikasi
berdasarkan metode Decision Tree.
Gambar 17. Hasil data motor servo
yang baru pada tabel
kondisi loop terbuka
Gambar 18. Hasil data motor servo
yang baru pada tabel
kondisi loop tertutup
6. KESIMPULAN
Pada paper ini telah dilakukan studi
penerapan data mining menggunakan
metode Decision Tree dengan algoritma
C4.5 untuk mengevaluasi kinerja motor
servo dengan tiga kategori kecepatan
motor servo yaitu Lambat,Cukup Cepat,
dan Cepat.
Berdasarkan hasil pengujian yang
telah dilakukan dengan memasukkan
data motor servo yang baru kemudian
dianalisis dengan menggunakan metode
pohon keputusan algoritma C4.5 pada
sistem aplikasi, hasil yang diperoleh
sama dengan hasil kategori data
sebenarnya dengan rincian kecepatan
motor sebagai berikut :
0 320 RPM = Lambat
321 710 RPM = Cukup Cepat
711 1070 RPM = Cepat
7. DAFTAR PUSTAKA
[1] Turban, E., dkk. 2005. Decision
Support Systems and Intelligent
Systems. Yogyakarta: Andi Offset.
[2] Hermawan, Julius, 2005. Membangun
Decision Support System. Penerbit
Andi,
Yogyakarta.
[3] Kusrini, 2007. Strategi Perancangan dan
Pengelolaan Basis Data. Penerbit Andi,
Yogyakarta
[4] Kusrini, dan Emha Taufik Luthfi,
2009.
Algoritma Data Mining. Penerbit
Andi, Yogyakarta.
[5] Bening, Rudi. 2014. Belajar Mudah
Algoritma Data Mining : C4.5.
https://www.academia.edu/6065920/Belaj
ar_Mudah_Algoritma_Data_Mining_C4.
5. 16 Juni 2014 08:57