aplikasi data mining menggunakan metode decision tree untuk evaluasi kinerja motor servo dengan...

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]

, [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


Close 0 5 0.95 440 4.75 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



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


(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


(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


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


(SUM (N) / SUM (L) = 1/1 = 1) yaitu

keputusan-nya Lambat (lihat pada tabel

8), sehingga tidak perlu dilakukan

perhitungan lebih lanjut.




3.


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



seperti pada tabel 10.

Tabel 10. Data yang memiliki Vin =

10


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



entropi setiap atribut serta gainnya .

10 = 2

=1

= 1

5 2

1

5 +

4

5 2

4

5

= 0.721928095


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




1.2


(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


(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


atribut Beban,. Ada 3 nilai atribut dari

Beban yaitu 0, 5, 7. Dari ketiga nilai

atribut tersebut, nilai atribut 0 sudah


(SUM (N) / SUM (C) = 2/2 = 1) yaitu

keputusan-nya Cepat, nilai atribut 5


menjadi 1 (SUM (N) / SUM (C) = 1/1

= 1) yaitu keputusan-nya Cepat tetapi

untuk nilai atribut 7 masih perlu

dilakukan perhitungan lagi.




4.


Node 1.2


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



dan Beban = 7 seperti pada tabel 13.

Tabel 14. Data yang memiliki Vin =

10 dan Beban = 7


11 Open 7 10 Cukup Cepat

14 Close 7 10 Cepat



Beban 7 dan entropi setiap atribut serta

gainnya.

10, 7 = 2

=1

= 1

2 2

1

2 +

1

2 2

1

2

= 1


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.




1.2


(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


(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


menjadi 1 (SUM (N) / SUM (CC) = 1/1

= 1) yaitu keputusan-nya Cukup Cepat,

nilai atribut Close sudah


(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.


digambarkan pohon keputusan akhir

tampak seperti Gambar 5.


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


Servo

c. Data Flow Diagram (DFD)

Gambar 8. DFD Sistem Aplikasi

Data Mining untuk


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

aplikasi data mining menggunakan metode decision tree untuk evaluasi kinerja motor servo dengan...

Documents