MENINGKATKAN KUALITAS PROSES WELDING
109
i MENINGKATKAN KUALITAS PROSES WELDING ROBOT DENGAN MENENTUKAN PARAMETER SETTING MENGGUNAKAN ALGORITMA NAÏVE BAYES QOMAR RIFA’I 311410491 PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA CIKARANG – BEKASI 2018 LAPORAN SKRIPSI
Transcript of MENINGKATKAN KUALITAS PROSES WELDING
i
MENINGKATKAN KUALITAS PROSES WELDING
ROBOT DENGAN MENENTUKAN PARAMETER
SETTING MENGGUNAKAN
ALGORITMA NAÏVE BAYES
QOMAR RIFA’I
311410491
PROGRAM STUDI TEKNIK INFORMATIKA
SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
CIKARANG – BEKASI
2018
LAPORAN SKRIPSI
ii
iii
iv
0403049102
v
ABSTRAK
Pada pengelasan robot dilakukan proses setting parameter secara manual oleh
operator dengan mencoba-coba settingan, sehingga sering terjadi cacat las seperti
undercut, overlap, dan porosity jika settingan tidak sesuai. Sehingga cara mencoba-
coba seperti itu tidak efektif dan efisien oleh karena itu perlu diadakan riset dan
penelitian agar mendapat cara yang lebih efektif dan efisien dalam proses setting
parameter Welding robot. Ketersediaan data yang cukup selama masa percobaan
setting parameter Welding dapat dimanfaatkan dengan menggunakan metode data
mining dengan algoritma naïve bayes , yang diharapkan dapat membantu operator
robot Welding untuk memprediksi hasil pengelasan berdasarkan penyetingan
ampere, voltage, kecepatan, amplitude, weav cycle, dan sudut pengelasan. Sehingga
jika setting parameter tepat maka akan mengurangi cacat las seperti undercut,
overlap, dan porosity. Dari hasil penelitian dan pengujian yang di lakukan di PT
HITACHI Construction Machinery perhitungan naïve bayes mempunyai tingkat
akurasi sebesar 83,13% dan setelah di uji lapangan terjadi penurunan defect
Welding dalam 2 bulan masa uji coba.
vi
ABSTRACT
In Welding robots, the parameter setting process is done manually by the operator
by experimenting to try and try with the settings, thus causing defects of undercut,
overlap, and porosity if the setting is not appropriate.So that the way to try and try
is not effective and efficient, because of that it is necessary to do riset and research
to find the way more better effective and efficient process in the parameters of the
Welding robot parameters. Availability of data with sufficient trial dates setting
Welding parameters can be used by using data mining with naïve Bayes algorithm,
which is expected to help Welding operators to predict amperage, voltage, speed,
amplitude, weav cycles, and Welding angles. So if the right parameter settings will
reduce the Welding defects of undercut, overlap, and porosity. From the results of
research and testing conducted at PT HITACHI Construction Machinery, naïve
Bayes calculations have an accuracy of 83,13%. and after testing in fabrication
there was a decrease in weld defects in the 2-month trial period.
vii
KATA PENGANTAR
Segala puji bagi ALLAH SWT, yang telah memberikan rahmat dan hidayah-
Nya kepada penulis, sehingga penulis dapat melaksanakan kegiatan SKRIPSI
beserta pembuatan Laporan SKRIPSI ini dapat diselesaikan sesuai dengan yang
penulis harapkan
Dalam pelaksanaan SKRIPSI dan penyusunan laporan, penulis mendapat
banyak bantuan, dukungan dan bimbingan dari berbagai pihak. Oleh karena itu
dalam kesempatan ini penulis ingin menyampaikan ucapan terimakasih yang
sebesar-besarnya kepada :
1. Bapak Ir. Moh. Mardiana, M.M selaku Ketua Yayasan Pelita Bangsa.
2. Bapak Dr. Ir. Supriyanto, M.P. selaku ketua STT Pelita Bangsa
3. Bapak Aswan Sunge, S.E, M.Kom selaku Ketua Program Studi Teknik
Informatika Pelita Bangsa.
4. Bapak Muhammad Makmun Effendi, S.Kom., M.Kom. selaku Pembimbing
SKRIPSI 1.
5. Bapak Rosi'in M.Pd Sebagai dosen Pembimbing SKRIPSI 2.
6. Istri tercinta Ayu Puspita yang tak lelah memberikan dukungan.
7. Seluruh Staff PT.Hitachi Construction Machinery.
8. Orang tua yang selalu memberikan dukungan moril serta materil.
9. Rekan-rekan Photonymous Squad dan teman- teman kelas TI.14.E.3 yang telah
berjuang bersama dalam menyelesaikan Laporan SKRIPSI ini.
viii
Penulis juga menyadari bahwa di dalam pelaksanaan SKRIPSI maupun
penyusunan laporan ini terdapat banyak kekurangan dan kesalahan. Oleh karena itu
penulis mengharapkan kritik dan saran yang bersifat membangun, sehingga laporan
penulis selanjutnya dapat menjadi lebih baik.
Akhir kata semoga laporan ini dapat memberi manfaat bagi pembaca
umumnya dan bagi penulis pada khususnya.
Bekasi,November 2018
Qomar Rifa’i
ix
DAFTAR ISI
COVER ........................................................................................................... i
LEMBAR PERSETUJUAN .......................................................................... ii
LEMBAR PENGESAHAN ........................................................................... iii
ABSTRAK ...................................................................................................... v
ABSTRACT .................................................................................................... vi
KATA PENGANTAR .................................................................................... vii
DAFTAR ISI ................................................................................................... ix
DAFTAR GAMBAR ...................................................................................... xii
DAFTAR TABEL .......................................................................................... xv
BAB I PENDAHULUAN .......................................................................... 1
1.1 Latar Belakang ......................................................................... 1
1.2 Identifikasi Masalah ................................................................ 2
1.3 Batasan Masalah ...................................................................... 2
1.4 Rumusan Masalah ................................................................... 3
1.5 Tujuan Penelitian ..................................................................... 3
1.6 Manfaat Penelitian ................................................................... 4
1.7 Metode Penelitian .................................................................... 5
1.8 Sistematika Penulisan .............................................................. 5
BAB II LANDASAN TEORI .................................................................... 7
2.1 Tinjauan Penelitian................................................................... 7
2.2 Pengertian Sistem Informasi ................................................... 9
x
2.3 Pengertian Kualitas ................................................................. 9
2.4 Bidang Welding .................................................................... 10
2.4.1 Pengertian Welding(Pengelasan) ..................................... 10
2.4.1.1 Jenis-jenis Pengelasan .............................................. 12
2.4.1.2 Jenis Sambungan Las .............................................. 18
2.4.1.3 Jenis-jenis Posisi Welding ....................................... 19
2.4.1.4 Jenis Cacat Las ......................................................... 22
2.5 Pengelasan Robot .................................................................... 25
2.5.1 Perbedaan Welding Manual Dan Robot .......................... 27
2.5.2 Pengenalan Equipment Robot ........................................ 27
2.6 Parameter Welding Robot ....................................................... 37
2.7 Naïve Bayes ............................................................................. 40
2.8 Sistem Pakar ............................................................................ 42
2.9 Microsoft Visual Studio ........................................................... 43
2.10 Black Box Testing .................................................................... 44
BAB III ANALISA DAN PERANCANGAN SISTEM ......... ..................... 49
3.1 Analisa Masalah ...................................................... ................ 49
3.2 Analisa Sumber Data ............................................................... 51
3.3 Jumlah Data .................................................................... 55
3.4 Analisa Penerapan Algoritma Naïve Bayes ............................. 55
3.4.1 Flowchart Naïve Bayes ................................................ 55
3.4.2 Studi Kasus Naïve Bayes ............................................. 56
xi
3.5 Desain Sistem................................................................ ........... 66
3.5.1 Desain Sistem Secara Global ......................................... 66
3.5.2 Desain Sistem Secara Detail .......................................... 73
3.5.3 Desain Tabel ................................................................... 76
BAB IV HASIL DAN UJI COBA ................................................................. 79
4.1 Tampilan Hasil................................................................ ......... 79
4.2 Spesifikasi Uji Coba Program .................................................. 82
4.3 Uji Coba Program .................................................................... 83
4.4 Hasil Uji Coba Aplikasi .......................................................... 87
4.5 Hasil Uji Coba Parameter ........................................................ 87
4.6 Hasil Uji Coba Lapangan ........................................................ 88
BAB V PENUTUP ................. .................................................................... 90
5.1 Kesimpulan................................................................ .............. 90
5.1 Saran................................................................ ......................... 91
DAFTAR PUSTAKA ..................................................................................... 92
xii
DAFTAR GAMBAR
Gambar 2.1 SMAW Polaritas ........................................................................... 13
Gambar 2.2 Pengelasan GMAW ....................................................................... 15
Gambar 2.3 Pengelasan GTAW ........................................................................ 17
Gambar 2.4 Pengelasan SAW .......................................................................... 18
Gambar 2.5 Jenis Sambungan Las .................................................................. 19
Gambar 2.6 Posisi Pengelasan Plate Pada Sambungan V .............................. 20
Gambar 2.7 Posisi Pengelasan Pada Sambungan T atau Fillet ....................... 20
Gambar 2.8 Posisi Pengelasan Pada Sambungan Pipa ................................... 21
Gambar 2.9 Cacat Las Undercut ...................................................................... 22
Gambar 2.10 Porositas ..................................................................................... 23
Gambar 2.11 Overlap ....................................................................................... 25
Gambar 2.12 Crack .......................................................................................... 25
Gambar 2.13 Robot Welding Kobelco ............................................................ 25
Gambar 2.14 Panel Control CPU ................................................................... 27
Gambar 2.15 Teaching Pendant ....................................................................... 28
Gambar 2.16 Stream Gantle ............................................................................. 29
Gambar 2.17 Body Robot ................................................................................. 30
Gambar 2.18 Panel Control Welding .............................................................. 31
Gambar 2.19 Motor Wire ................................................................................ 31
Gambar 2.20 Stabilizer..................................................................................... 32
Gambar 2.21 Positioner ................................................................................... 32
xiii
Gambar 2.22 Torch Body ................................................................................ 33
Gambar 2.23 Wire Cuting ................................................................................ 33
Gambar 2.24 Slider .......................................................................................... 34
Gambar 2.25 Switch External ......................................................................... 34
Gambar 2.26 Fance Sensor ............................................................................ 35
Gambar 2.27 Regulator .................................................................................... 35
Gambar 2.28 Positioner Key ........................................................................... 36
Gambar 2.29 Switch External ......................................................................... 36
Gambar 3.1 Ukuran Kaki Las ......................................................................... 49
Gambar 3.2 Alat Ukur Kaki Las .................................................................... 50
Gambar 3.3 List Databank .............................................................................. 51
Gambar 3.4 Parameter databank .................................................................... 52
Gambar 3.5 Weaving . ..................................................................................... 53
Gambar 3.6 Sudut Pengelasan ......................................................................... 54
Gambar 3.7 Flowchart Naïve Bayes .............................................................. 56
Gambar 3.8 Usecase Diagram ....................................................................... 67
Gambar 3.9 Activity History ........................................................................... 67
Gambar 3.10 Activity Prediksi ......................................................................... 68
Gambar 3.11 Activity Data Training .............................................................. 69
Gambar 3.12 Sequence History ...................................................................... 70
Gambar 3.13 Sequence Prediksi ..................................................................... 70
Gambar 3.14 Sequence Data Training ........................................................... 71
Gambar 3.15 Class Diagram .......................................................................... 73
Gambar 3.16 Interface History ...................................................................... 74
xiv
Gambar 3.17 Interface Prediksi ..................................................................... 75
Gambar 3.18 Interface Data Training ........................................................... 76
Gambar 4.1 Tab History ................................................................................. 79
Gambar 4.2 Tab Prediksi Data Kosong ......................................................... 80
Gambar 4.3 Tab Prediksi Data Sudah Di Isi .................................................. 81
Gambar 4.4 Tab Data Training ...................................................................... 82
Gambar 4.5 Grafik Defect .............................................................................. 89
xv
DAFTAR TABEL
Tabel 2.1 Perbedaan Welding Manual Dan Robot ........................................... 27
Tabel 2.2 Standar parameter arus dan tegangan pada pengelasan GMAW...... 39
Tabel 3.1 Tabel Variabel .................................................................................. 56
Tabel 3.2 Tabel Training.................................................................................. 57
Tabel 3.3 Tabel Probabilitas Kaki Las ............................................................ 61
Tabel 3.4 Tabel Probabilitas current ................................................................ 61
Tabel 3.5 Tabel Probabilitas Voltage ............................................................... 62
Tabel 3.6 Tabel Probabilitas Speed .................................................................. 62
Tabel 3.7 Tabel Probabilitas Amplitude ........................................................... 62
Tabel 3.8 Tabel Probabilitas Weav Cycle ........................................................ 63
Tabel 3.9 Tabel Probabilitas sudut ................................................................... 63
Tabel 3.10 Struktur tabel data training ............................................................ 77
Tabel 3.11 Struktur Tabel Hitung .................................................................... 77
Tabel 4.1 Pengujian History ............................................................................. 84
Tabel 4.2 Pengujian Prediksi............................................................................ 84
Tabel 4.3 Pengujian Data Training .................................................................. 85
Tabel 4.4 PengujianPerhitungan Naïve Bayes ................................................. 86
Tabel 4.5 Confusion Table ............................................................................... 88
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
PT. Hitachi Construction Machinery adalah perusahaan yang bergerak di bidang
produksi alat berat berupa unit excavator, ultralarge excavator dan sebagainya. Dalam
memproduksi excavator terdapat beberapa bidang pekerjaan diantaramya yang paling
penting adalah bidang pengelasan atau welding, dalam bidang pengelasan terdapat dua
jenis sistem pengelasan yaitu pengelasan manual oleh manusia dan pengelasan
otomatis oleh robot. Hasil pengelasan robot yang baik dan sesuai spesifikasi ditentukan
oleh beberapa faktor settingan parameter welding diantaranya ampere, voltase,
kecepatan dan sudut pengelasan.
Pada pengelasan robot dilakukan proses setting parameter secara manual oleh
operator dengan cara mencoba-coba setingan, sehingga sering terjadi cacat las seperti
undercut, dan overlap jika setingan tidak sesuai. Sehingga cara mencoba-coba seperti
itu tidak efektif dan efisien oleh karena itu perlu diadakan riset dan penelitian agar
mendapat cara yang lebih efektif dan efisien dalam proses setting parameter welding
robot. Ketersediaan data yang cukup selama masa percobaan setting parameter welding
dapat di manfaatkan dengan menggunakan metode data mining dengan algoritma naïve
bayes, yang diharapkan dapat membantu operator robot welding untuk memprediksi
hasil pengelasan berdasarkan penyetingan ampere, voltase, kecepaatan , amplitude,
weav cycle dan sudut pengelasan.
2
Dari penggambaran di atas penulis mengambil tema “MENINGKATKAN
KUALITAS PROSES WELDING ROBOT DENGAN MENENTUKAN
PARAMETER SETTING MENGGUNAKAN ALGORITMA NAÏVE BAYES”
1.2 Identifikasi Masalah
Berdasarkan latar belakang masalah di atas, penulis mengidentifikasi beberapa
masalah yang akan di jadikan bahan penelitian selanjutnya, yaitu:
1. Setingan parameter pengelasan pada welding robot masih menggunakan
metode coba-coba sehingga jika setingan tidak tepat maka akan terjadi cacat
las dan ukuran kaki las tidak sesuai dengan spek yang di inginkan.
2. Belum adanya suatu cara atau sistem untuk menentukan setingan parameter
yang tepat.
3. Kebingungan operator pada saat melakukan penyettingan parameter.
4. Pekerjaan kurang efektif dan efisien.
1.3 Batasan Masalah
Mengingat luasnya cakupan masalah dari tema laporan ini dan agar
pembahasannya tidak melebar kemana-mana, maka diperlukan adanya batasan
masalah yang akan dibahas antara lain:
1. Penelitian dilakukan dengan menggunakan robot welding merek Kobelco tipe
Arcman MP II.
3
2. Penelitian hanya difokuskan pada proses welding robot dengan posisis 2F
pada sambungan plat T joint.
3. Gas yang dipakai pada proses welding robot adalah gas arcal yaitu gabungan
dari gas argon(ar) dan gas karbondioksida(CO2).
4. Algoritma yang dipakai penulis adalah algoritma naive bayes.
5. Standar kualitas yang dipakai adalah standar kualitas PT Hitachi Construction
Machinery.
6. Hasil jadi aplikasi berupa aplikasi berbasis desktop yang di bentuk
menggunakan software microsoft visual studio.
1.4 Rumusan masalah
Berdasarkan Latar Belakang masalah, maka rumusan masalah pada laporan ini
yaitu: “Bagaimana membuat suatu sistem penunjang keputusan untuk membantu
menentukan nilai parameter welding robot dengan menggunakan algoritma naïve bayes
agar proses setting parameter dapat dilakukan secara mudah serta meminimalisir cacat
sehingga dapat meningkatkan kualitas welding ?”.
1.5 Tujuan Penelitian
Tujuan penelitian yang di lakukan di PT.Hitachi Construction Machinery
Indonesia adalah “Membuat sistem penunjang keputusan yang dapat memprediksi hasil
welding agar operator bekerja lebih efektif dan efisien dalam menentukan nilai
parameter welding sehingga mengurangi cacat atau defect welding karena kesalahan
4
setting parameter dan sistem ini akan berdampak terhadap meningkatnya kualitas dan
mutu welding.
1.6 Manfaat Penelitian
Sedangkan manfaat penyusunan Skripsi ini adalah sebagai berikut :
1. Bagi Penulis
Menambah cakrawala berfikir, memantapkan dan menambah pengalaman serta
kreatifitas penulis dalam menghadapi masalah yang komplek yang dialami perusahaan.
Sebagai bahan perbandingan antara ilmu yang penulis peroleh selama dibangku kuliah
maupun dari hasil membaca literatur-literatur dengan kenyataan praktis yang ada di
perusahaan.
2. Bagi Perusahaan
Dengan adanya penelitian ini perusahaan dapat memprediksi hasil welding robot.
Mengurangi cacat welding yang terjadi, yang mana dapat mengurangi biaya produksi
serta mempengaruhi lakunya produk dipasar. Hasil penelitian dapat menjadi referensi
bagi operator robot pada saat setting parameter welding robot. Serta membuat
pekerjaan lebih efektif dan efisien.
5
1.7 Metode Penelitian
Untuk memperoleh data yang akurat dalam menyelesaikan tugas akhir, maka
penulis menggunakan beberapa metode sebagai sarana untuk membantu serta
memudahkan penulisan dalam penyusunan skripsi.
Beberapa metode yang digunakan oleh penulis yaitu sebagai berikut :
a. Metode Observasi
Observasi dilakukan dengan cara pengamatan langsung ke lokasi sumber
informasi terkait untuk diperoleh informasi yang dibutuhkan dalam
penulisan yaitu tepatnya di PT. Hitachi Construction Machinery Indonesia.
b. Studi Pustaka
Dalam studi ini dilakukan studi pustaka guna mendapatkan data-data yang
diperoleh untuk melengkapi dan menyelesaikan masalah yang ada, serta
menjadikan sebuah referensi yang terpercaya dalam proses pembuatan tugas
akhir.
1.8 Sistematika Penulisan
Adapun sistematika penulisan laporan penelitian ini adalah sebagai berikut :
BAB I : PENDAHULUAN
Dalam bab ini penulis menguraikan latar belakang,identifikasi masalah,
batasan masalah, rumusan masalah, tujuan penelitian, manfaat
penelitian, metode penelitian dan sistematika penulisan.
6
BAB II : LANDASAN TEORI
Dalam bab ini penulis menguraikan beberapa hal yang berhubungan
dengan penelitian dan pembuatan aplikasi yang ingin dibangun penulis
yaitu : proses analisa, pengertian data mining, peran utama data mining,
pengertian klasifikasi, pengertian algoritma naïve bayes, pengertian
prediksi, pengertian implementasi, pengertian welding robot, dan cacat
welding dan lain-lain.
BAB III :ANALISIS DAN PERANCANGAN SISTEM
Dalam bab ini penulis menjabarkan analisis masalah. Bab ini juga
meliputi antara lain analisis sumber data, analisis penerapan algoritma
naïve bayes classifier, desain sistem, dan desain basis data..
BAB IV : HASIL DAN UJI COBA
Dalam bab ini penulis memberikan gambaran sistem yang telah selesai
di buat dan di persentasikan dengan potongan gambar atau chapture dari
sistem yang telah di buat serta menampilkan hasil uji coba program
dengan metode black box testing.
BAB V : PENUTUP
Dalam bab ini penulis memberikan kesimpulan dan saran dari
penelitian, daftar pustaka, dan lampiran-lampiran.
7
BAB II
LANDASAN TEORI
2.1 Tinjauan Penelitian
Ada beberapa penelitian mengenai algoritma naive bayes yang dilakukan
sebelumnya antara lain :
1. Pemetaan Kecelakaan Lalu Lintas Berbasis Klasifikasi Naive Bayes
Dengan Parameter Infrastruktur Jalan (Wawan Yunanto, 2012). Studi
kasus ini menggunakan algoritma naïve bayes untuk mengklasifikasikan
data-data kecelakaan lalu lintas secara cerdas dan hasilnya digunakan untuk
melakukan prediksi tingkat kecelakaan pada berbagai macam infrasuktur
jalan. Akurasi dari prediksi yang dilakukan paling rendah adalah 28,37%
yaitu pada infrastruktur jalan berupa simpang dan yang paling tinggi adalah
78,04% pada infrastruktur jala berupa arus lalu lintas. Hasil prediksi ini
kemudian di bandingkan dengan metode klasifikasi yang umum digunakan,
yaitu Decision Tree dan SVM.
2. Analisa Perbandingan Algoritma SVM, Naïve Bayes, Dan Decision Tree
Dalam mengklasifikasikan Serangan (Attacks) Pada Sistem Pendeteksi
Intrusi (Dwi Widiastuti, 2012). Penelitian ini bertujuan untuk
membandingkan antara algoritma SVM, naïve bayes dan Decision Tree
menggnakan software WEKA 3.4.13. Pada penelitian ini digunakan data
offline sebanyak 5092 record. Dimana data yang di teliti berasal dari data
8
set KDD 1999. Data set yang digunakan terdiri dari 41 attribut data
(variabel) berdasarkan penelitian Charles Elkan (2000) kasus-kasus IDS
diklasifikasikan menjadi empat kelas yakni : DoS,Probing/Surveillance,
user-to root(U2R), dan Remote-To-Local(R2L). Secara keseluruhan
algoritma Decision Tree lebih baik di bandingkan yang lain, dengan tingkat
akurasi mencapai 97,70% . Namun tidak untuk waktu komputasi (Running
time),dari segi kecepatan algoritma naïve bayes lebih cepat dari yang lain
dengan kecepatan paling cepat berkisar 0,41 second.
3. Sistem Pendukung Keputusan Penentuan Kelayakan Calon Tenaga Kerja
Indonesia Menggunakan Metode Naïve Bayes (Studi Kasus Di PT
Karyatama Mitra Sejati Yogyakarta) (Hera , 2014). Penelitian yang
dilakukan bertujuan untuk membuat sistem pendukung keptusan
penyeleksian calon tenaga kerja indonesia dengan metode naïve bayes, yang
diharapkan dapat membantu Staf dalam menentukan siapa yang layak
diterima atau ditolak. Sistem yang dibuat menggunakan bahasa
pemrograman Java dan menggunakan MySQL sebagai databasenya. Dari
hasil pengujian yang dilakukan dengan menggunakan data sebanyak 542
dengan 362 sebagai data training dan 180 sebagai data set, akurasi polanya
sebesar 73,89% dan errornya 26,11% jadi jumlah data yang tepat sebanyak
133 dan yang tidak tepat sebanyak 47.
9
2.2 Pengertian Sistem Informasi
Menurut (Kadir, 2014) Sistem informasi adalah “Sebuah rangkaian prosedur
formal dimana data dikelompokan, diproses menjadi informasi dan didistribusikan
kepada pemakai.
Menurut (Krismiaji, 2015) Sistem informasi adalah cara-cara yang diorganisasi
untuk mengumpulkan, memasukan, dan mengolah serta menyimpan data, dan cara-
cara yang diorganisasi untuk menyimpan, mengelola, mengendalikan dan melaporkan
informasi sedemikian rupa sehingga sebuah organisasi dapat mencapai tujuan yang
telah ditetapkan.
Definisi menurut (Anastasia & Setiawati , 2011). Sistem informasi yang kadang
kala disebut sebagai sistem pemrosesan data, merupakan sistem buatan manusia yang
biasanya terdiri dari sekumpulan komponen (baik manual maupun berbasis komputer)
yang terintegrasi untuk mnegumpulkan, menyimpan, dan mengelola data serta
menyediakan informasi mengenai saldo persediaan.
2.3 Pengertian Kualitas
Menurut Goetsch dan Davis yang di kutip oleh (Tjiptono & Chandra, 2012),
kualitas dapat di artikan sebagai “Kondisi dinamis yang berhubungan dengan produk,
jasa, sumber daya manusia, proses, dan lingkungan yang memenuhi atau melebihi
harapan”. Berdasarkan definisi ini, kualitas adalah hubungan antara produk dan
10
pelayanan atau jasa yang diberikan kepada konsumen dapat memenuhi harapan dan
kepuasan konsumen.
(Sunyoto, 2012) menyatakan bahwa kualitas merupakan suatu ukuran untuk
menilai bahwa suatu barang atau jasa telah mempunyai nilai guna seperti yang di
kehendaki atau dengan kata lain suatu barang atau jasa dianggap telah memiliki kualitas
apabila berfungsi atau mempunyai nilai guna seperti yang diinginkan.
Sementara menurut Feingenbaum dalam (Marwanto, 2015) menyatakan bahwa :
“Kualitas produk merupakan seluruh gabungan karakteristik produk dari pemasaran,
rekayasa (perencanaan), pembuatan (produk) dan pemeliharaan yang membuat produk
yang digunakan memenuhi harapan pelanggan”.
Dari definisi di atas penulis menyimpulkan bahwa kualitas adalah suatu penilaian
yang berhubungan dengan produk, jasa atau sumber daya manusia yang di berikan
kepada konsumen yang telah memiliki nilai guna sesuai yang di harapkan dan
mendapat kepuasan konsumen.
2.4 Bidang Welding (Pengelasan)
2.4.1 Pengertian Welding (Pengelasan)
Pengertian pengelasan atau welding menurut widharto dalam (Juanda, 2014)
adalah salah satu cara menyambung benda padat dengan jalan mencairkannya melalui
pemanasan.
11
Berdasarkan definisi dari Deutche Industrie Normen (DIN) Las atau Welding
adalah ikatan metalurgi pada sambungan logam paduan yang dilaksanakan dalam
keadaan lumer atau cair.
Jenis pengelasan dibedakan menjadi dua kelompok yaitu pengelasan lebur dan
padat. Adapun macamnya yaitu Pengelasan busur (Arc Welding, AW), Pengelasan
Resistansi Listrik (Resistance Welding, RW), Pengelasan Gas (Oxyfuel Gas Welding,
OFW), dan macam pengelasan padat yaitu Pengelasan Difusi (Diffusion Welding,
DFW), Pengelasan Gesek (Friction Welding, FW), Pengelasan Ultrasonik (Ultrasonic
Welding, UW).
Saat ini terdapat sekitar 40 jenis pengelasan, dari seluruh jenis pengelasan
tersebut hanya dua jenis yang paling populer di Indonesia yaitu pengelasan dengan
menggunakan busur nyala listrik (Shielded Metal Arc Welding/SMAW) dan las karbit
(Oxy Ocetylene Welding/OAW). Pengelasan dapat dilakukan dengan berbagai cara
sebagai berikut:
a. Pemanasan tanpa tekanan.
b. Pemanasan dengan tekanan.
c. Tekanan tanpa memberikan panas dari luar (panas diperoleh dari dalam material
itu sendiri).
d. Tanpa logam pengisi dan dengan logam pengisi
Pengelasan pada umumnya dilakukan dalam penyambungan logam,tetapi juga
digunakan untuk menyambung plastik tetapi pembahasan ini akan difokuskan pada
penyambungan logam. Pengelasan merupakan proses yang penting, baik ditinjau
secara komersial maupun teknologi, karena:
12
a. Pengelasan merupakan penyambungan yang permanen.
b. Sambungan las dapat lebih kuat dari pada logam induknya, bila digunakan logam
pengisi yang memiliki kekuatan lebih besar dari pada logam induknya.
c. Pengelasan merupakan cara yang paling ekonomis dilihat dari segi penggunaan
material dan biaya fabrikasi.
d. Metode perakitan mekanik yang lain memerlukan pekerjaan
tambahan(penggurdian lubang) dan pengencang sambungan (rivet dan baut).
e. Pengelasan dapat dilakukan dalam pabrik atau dilapangan.
Walupun demikian pengelasan juga memiliki keterbatasan dan kekurangan :
a. Kebanyakan operasi pengelasan dilakukan secara manual dengan upah tenaga
kerja yang mahal.
b. Kebanyakan proses pengelasan berbahaya karena menggunakan energi yang
besar.
c. Pengelasan merupakan sambungan permanen sehingga rakitannya tidak dapat
dilepas. Jadi metode pengelasan tidak cocok digunakan untuk produk yang
memerlukan pelepasan rakitan (misalnya untuk perbaikan atau perawatan).
d. Sambungan las dapat menimbulkan bahaya akibat adanya cacat yang sulit
dideteksi. Cacat ini dapat mengurangi kekuatan sambungannya.
2.4.1.1 Jenis-jenis Pengelasan
Jenis jenis pengelasan yang populer di indonesia diantaranya adalah:
1. Shielded Metal Arc Welding ( SMAW )
13
SMAW adalah salah satu jenis pengelasan yang menggunakan loncatan
electron ( busur listrik ) sebagai sumber panas untuk pencairan logam. Suhu busur
dapat mencapai 3300 º C , jauh diatas titik lebur baja , sehingga dapat mencairkan
baja secara serta merta/cepat ( instant ) .
SMAW dapat menggunakan arus listik bolak balik ( AC = alternating
current ) maupun arus searah ( DC = direct current ) .
Jika arus bolak balik yang digunakan tidak ada kutup kutup, sebaliknya
apabila arus searah yang digunakan maka digunakan kutup kutup + dan – . Kondisi
ini disebut polaritas .
Terdapat dua jenis polaritas untuk pengelasan, yakni straight polarity /
polaritas lurus, dimana elektroda bermuatan ( – ) dan bahan induk bermuatan (+),
dan polaritas terbalik, dimana elektroda bermuatan (+) dan bahan induk bermuatan
(–) .
Gambar 2.1 SMAW Polaritas
2. Gas Metal Arc Welding ( GMAW )
14
GMAW (Gas Metal Arc Welding) merupakan proses penyambungan dua
buah logam atau lebih yang sejenis dengan menggunakan bahan tambah yang
berupa kawat gulungan dan gas pelindung melalui proses pencairan. Gas
pelindung dalam proses pengelasan ini berfungsi sebagai pelindung dari proses
oksidasi, yaitu pengaruh udara luar yang dapat mempengaruhi kualitas las. Gas
yang digunakan dalam proses pengelasan ini dapat menggunakan gas argon,
helium, argon+helium dsb. Penggunaan gas juga dapat mempengaruhi kualitas la
itu sendiri.
Proses pengelasan GMAW menggunakan arus searah (DC) dengan posisi
elektroda pada kutub positif, hal ini sering disebut sebagai polaritas terbalik.
Polaritas searah jarang digunakan dalam proses pengelasan dikarenakan dalam
proses ini transfer logam tidak terjadi secara sempurna.
Parameter pengelasan GMAW yang dapat mempengaruhi hasil lasan adalah
Voltase, Ampere, Kecepatan Las dan Jenis Gas Pelindung. Pada Las GMAW
terdapat dua jenis pembagian berdasarkan jenis gas pelindung yaitu Proses Las
MAG dan Proses Las MIG berikut ini penjelasannya:
A. Proses Pengelasan MAG (Metal Active Gas) :
Proses Las MAG adalah jenis pengelasan GMAW yang menggunakan
gas pelindung CO2 saat proses pengelasan berlangsung. Namun kelemahan gas
ini tidak dapat digunakan untuk jenis pengelasan GMAW spray transfer, jika
ingin menggunakan jenis spray transfer maka harus dilakukan pencampuran gas
CO2 dengan gas Helium atau gas Argon.
B. Proses Pengelasan MIG (Metal Inert Gas) :
15
Proses Las MIG adalah jenis pengelasan GMAW yang menggunakan gas
pelindung Argon dan CO2, karena penggunaan gas inert atau mulia ini maka
disebut dengan Las MIG (Metal Inert Gas). Untuk jenis pengelasan ini biasanya
digunakan untuk material non logam seperti Alumunium, stainless steel, paduan
nikel tinggi dan beberapa material lainnya.
Gambar 2.2 Pengelasan GMAW
3. Gas Tungsten Arc Welding
Gas tungsten arc welding (GTAW) adalah proses las busur yang
menggunakan busur antara tungsten elektroda (non konsumsi) dan titik
pengelasan. Proses ini digunakan dengan perlindungan gas dan tanpa penerapan
tekanan. Proses ini dapat digunakan dengan atau tanpa penambahan filler metal.
GTAW telah menjadi sangat diperlukan sebagai alat bagi banyak industri karena
hasil las berkualitas tinggi dan biaya peralatan yang rendah.
Prinsip : Panas dari busur terjadi diantara elektrode tungsten dan logam
induk akan meleburkan logam pengisi ke logam induk di mana busurnya
dilindungi oleh gas mulia (Ar atau He)
16
Las listrik TIG (Tungsten Inert Gas = Tungsten Gas Mulia) menggunakan
elektroda wolfram yang bukan merupakan bahan tambah. Busur listrik yang terjadi
antara ujung elektroda wolfram dan bahan dasar merupakan sumber panas, untuk
pengelasan. Titik cair elektroda wolfram sedemikian tingginya sampai 3410° C,
sehingga tidak ikut mencair pada saat terjadi busur listrik.
Tangkai listrik dilengkapi dengan nosel keramik untuk penyembur gas
pelindung yang melindungi daerah las dari luar pada saat pengelasan.
Sebagian bahan tambah dipakai elektroda tanpa selaput yang digerakkan dan
didekatkan ke busur yang terjadi antara elektroda wolfram dengan bahan dasar.
Sebagai gas pelindung dipakai gas inert seperti argon, helium atau campuran dari
kedua gas tersebut yang pemakainnya tergantung dari jenis logam yang akan dilas.
Pembakar las TIG terdiri dari :
1. Penyedia arus 6. Pencekam elektroda,
2. Pengembali air pendingin, 7. Moncong keramik atau logam,
3. Penyedia air pendingin, 8. Elektroda tungsten,
4. Penyedia gas argon, 9. Semburan gas pelindung.
5. Lubang gas argon ke luar,
17
Gambar 2.3 Pengelasan GTAW
4. Submerged Arc Welding ( SAW )
SAW adalah salah satu jenis las listrik dengan proses memadukan material
yang dilas dengan cara memanaskan dan mencairkan metal induk dan elektroda
oleh busur listrik yang terletak diantara metal induk dan elektroda. Arus dan busur
lelehan metal diselimuti (ditimbun) dengan butiran flux di atas daerah yang dilas.
Faktor yang perlu diperhatikan sebelum pengelasan SAW :
1. Komposisi kimia dan properti mekanikal lasan yang diharapkan
2. Ketebalan material yang akan dilas
3. Cara pengelasan
4. Posisi pengelasan yang dibuat
5. Frekuensi atau volume pengelasan yang diinginkan
SAW dapat dioperasikan dengan 3 cara :
1. Semi otomatik (filler dipasok dengan tangan welder)
2. Automatic (filler dipasok oleh mesin)
18
3. Dengan mesin (welding travel secara manual dan juga digunakan unruk
elektroda diameter kecil).
Gambar 2.4 Pengelasan SAW
2.4.1.2 Jenis Sambungan Las
Jenis sambungan las dan bentuk sambungan (welding joint), serta bentuk dan
ukuran alur las dalam konstruksi untuk merancang sambungan las adalah:
a. Persyaratan umum atau spesifikasi mutu (kekuatan) yang diinginkan.
b. Bentuk dan ukuran konstruksi las.
c. Tegangan timbul akibat pengelasan (residual stress), maupun teganganyang
diperhitungkan akan timbul akibat pemakaian (pembebanan).
d. Jenis proses las yang boleh dipakai.
Beberapa Standar telah mengatur jenis – jenis sambungan, ada sembilan jenis
alur sambungan (kampuh) las yang seperti pada dibawah ini.
19
Gambar 2.5 jenis sambungan las
2.4.1.3 Jenis jenis Posisi welding
Posisi Pengelasan adalah jenis atau posisi sambungan yang akan dilakukan
pengelasan, posisi pengelasan ini dilakukan berdasarkan material atau produk yang
akan dilas. Dalam teknologi pengelasan, semua itu ada pengkodeannya berdasarkan
jenis sambungan. Untuk sambungan fillet maka disimbolkan dengan posisi 1F, 2F,
3F dan 4F, sedangkan untuk sambungan groove atau bevel maka disimbolkan dengan
1G, 2G, 3G dan 4G.
Jenis jenis Posisi pengelasan pada pipa pun juga berbeda, untuk Pipa biasanya
menggunakan jenis sambungan groove oleh karena itu pada Pipa disimbolkan dengan
1G, 2G, 5G dan 6G. Namun pada Pipa juga terkadang disambung dengan plate. Untuk
Anda yang ingin mengetahui jenis jenis sambungan pengelasan, berikut ini detailnya.
20
Macam Macam Posisi Las :
A. Posisi Pengelasan untuk sambungan Groove.
Gambar 2.6 Posisi Pengelasan Pelat pada Sambungan V
▪ 1 G (Posisi Pengelasan datar).
▪ 2G (Posisi Pengelasan Horizontal).
▪ 3G (Posisi Pengelasan Vertikal).
▪ 4G (Posisi Pengelasan di atas kepala atau Overhead).
B. Posisi pengelasan untuk sambungan Fillet.
Gambar 2.7 Posisi Pengelasan pada sambungan T atau Fillet
▪ 1F (Posisi Pengelasan datar).
▪ 2F (Posisi Pengelasan Horizontal).
▪ 3F (Posisi Pengelasan Vertikal).
21
▪ 4F (Posisi Pengelasan di atas kepala atau Overhead).
C. Posisi Pengelasan pada Pipa
Gambar 2.8 Posisi Pengelasan pada sambungan pipa
▪ 1G (Posisi Pengelasan datar pipanya dapat diputar)
▪ 2G (Posisi Pengelasan Horizontal pipa dapat diputar)
▪ 5G (Posisi Pengelasan Vertikal namun pipa tidak dapat diputar, sehingga tukang
las yang berputar)
▪ 6G (Posisi Pengelasan pipanya miring sekitar 45 derajat dan statis atau tidak
dapat diputar)
Gambar jenis jenis posisi pengelasan di atas dapat dilakukan untuk semua
proses pengelasan. Karena terkadang banyak orang yang salah mengerti jika
posisi pengelasan terkadang tidak dapat dilakukan untuk beberapa proses las, jika
untuk posisi pengelasan smaw itu berlaku untuk semua posisi. Kecuali proses las
SAW yang hanya digunakan untuk posisi datar saja.
22
2.4.1.4 Jenis Cacat Las
1. Cacat Las Undercut
Gambar 2.9 Cacat Las Undercut
Undercut adalah sebuah cacat las yang berada di bagian permukaan atau
akar, bentuk cacat ini seperti cerukan yang terjadi pada base metal atau logam
induk. Jenis cacat pengelasan ini dapat terjadi pada semua sambungan las, baik
fillet, butt, lap, corner dan edge joint.
Penyebab Cacat Las Undercut:
• Arus pengelasan yang digunakan terlalu besar.
• Travel speed / kecepatan las terlalu tinggi.
• Panjang busur las terlalu tinggi.
• Posisi elektroda kurang tepat.
• Ayunan tangan kurang merata, waktu ayunan pada saat disamping terlalu cepat.
23
Cara mencegah Cacat Undercut:
• Menyesuaikan arus pengelasan, Anda dapat melihat ampere yang
direkomendasikan di bungkus elektroda atau wps (Welding Procedure
Specification).
• Kecepatan las diturunkan.
• Panjang busur diperpendek atau setinggi 1,5 x diameter elektroda.
• Sudut kemiringan 70-80 derajat (menyesuaikan posisi).
• Lebih sering berlatih untuk mengayunkan yang sesuai dengan kemampuan.
2. Porosity (Porositas)
Gambar 2.10 Porositas
Cacat Porositas adalah sebuah cacat pengelasan yang berupa sebuah lubang
lubang kecil pada weld metal (logam las), dapat berada pada permukaan maupun
didalamnya. Porosity ini mempunyai beberapa tipe yaitu Cluster Porosity, Blow
Hole dan Gas Pore.
24
Penyebab Cacat Las Porositas:
• Elektroda yang digunakan masih lembab atau terkena air.
• Busur las terlalu panjang.
• Arus pengelasan terlalu rendah.
• Travel Speed terlalu tinggi.
• Adanya zat pengotor pada benda kerja (karat, minyak, air dll).
• Gas Hidrogen tercipta karena panas las.
Cara Mengatasi Cacat Las Porositas:
• Pastikan elektroda yang digunakan sudah dioven (jika disyaratkan), jangan
sampai kawat las terkena air atau lembab.
• Atur tinggi busur kurang lebih 1,5 x diameter kawat las.
• Ampere disesuaikan dengan prosedur atau rekomendasi dari produsen
elektroda.
• Persiapan pengelasan yang benar, memastikan tidak ada pengotor dalam benda
kerja.
• Untuk material tertentu panas tidak boleh terlalu tinggi, sehingga perlu
perlakukan panas.
3. Overlap
Cacat ini dikarenakan:
• Arus terlalu rendah
• Kecepatan pengelasan rendah
• Kesalahan teknik mengelas
• Kontaminasi sekitar
25
Gambar 2.11 Overlap
4. Crack (retak)
Banyak hal yang dapat menyebabkan cacat ini. contoh bentuk crack
adaah seperti berikut:
Gambar 2.12 Crack
2.5 Pengelasan Robot ( Welding Robot )
Menurut (Nugroho, 2013) Welding robot adalah peralatan pengelasan yang
bekerja secara otomatis berdasarkan memori matrix yang di masukan kedalam PC
26
pada saat “Teach”. Meskipun gerakan robot tersebut mengikuti memorinya tetapi
operasionalnya tetap didukung dengan motor dan alat mekanik lainnya yang pada saat
alat tersebut tidak berfungsi secara normal maka akan terjadi gangguan pada
pengoperasian nya. Jadi sangat dibutuhkan sekali bantuan dari manusia untuk
membantu robot berfungsi normal dalam pekerjaan pengelasannya.
Pengelasan robot ini termasuk jenis pengelasan GMAW karena pengelasan robot
menggunakan bahan tambah yang berupa kawat gulungan dan gas pelindung melalui
proses pencairan. Gas yang di gunakan oleh robot berupa campuran antara gas
Argon(Ar) dan karbondioksida(CO2) sehingga pengelasan robot termasuk jenis
MIG(Metal Inert Gas) dalam GMAW.
Gambar 2.13 Robot Welding Kobelco
27
2.5.1 Perbedaan Welding Manual Dan Welding Robot
Dibawah ini sedikit gambaran keunggulan dan kelemahan yang ada pada
welding robot dibanding manual :
Tabel 2.1 Perbedaan welding manual dan robot
NO Welding Manual Welding Robot
1 Pengindraan yang tidak terbatas Pengindraan yang terbatas
2 Mempunyai toleransi yang sangat
tinggi Mempunyai toleransi yang rendah
3 Tidak terbatas pada bidang
tertentu Terbatas pada bidang tertentu
4 memerlukan konsentrasi yang
tinggi Bekerja tidak mengenal istirahat
5 Memerlukan ketepatan
pemeliharaaan dan rutin
2.5.2 Pengenalan Equipment Robot
1. Panel Kontrol CPU
Gambar 2.14 Panel Control CPU
Keterangan :
a b c d
e
f g
28
a. Tombol Servo On, berfungsi untuk menghidupkan/mengaktifkan motor-
motor robot.
b. Tombol Servo Off, Berfungsi untuk mematikan motor-motor robot.
c. Tombol Start, berfungsi untuk memulai operasional PLYBK(manual).
d. Speakers Alarm.
e. Tombol Emergency, berfungsi mematikan semua motor robot bila ada
kejadian darurat.
f. Switch Playback, berfungsi mengoperasikan robot secara otomatis.
g. Switch Teach, berfungsi menjalankan robot dengan panduan pendant.
2. Teaching Pendant
Gambar 2.15 Teaching Pendant
29
Teaching pendant ini berguna sebagai sarana komunikasi antara operator
dengan robot, didalamnya banyak sekali fitur yang dipakai untuk mengatur
pergerakan robot juga untuk pergerakan slider dan positioner, fungsi teach
pendant ini juga memberitahukan kepada operator tentang alarm-alarm yang
terjadi pada saat robot sedang beroperasi.
3. Stream Gentle
Gambar 2.16 Stream Gantle
Stream gantle berfungsi untuk mendinginkan suhu torch robot dengan
menggunakan air yang di alirkan secara terus menerus ke torch robot.
Keterangan :
a
b c
d
e
30
a. Light indikator : lampu tanda beroperasionalnya stream gentle.
b. On/Off Switch : saklar untuk mematikan atau menghidupkan.
c. Drain Hole : lubang atau saluran buang.
d. Water Tank : tempat penampungan air.
e. Plug : penutup lubang pengisian atau penggantian air.
4. Body Robot
Gambar 2.17 Body Robot
Body robot terdiri dari 6 motor penggerak, motor motor ini disebut dengan axis.
31
5. Panel Control Welding Machine
Gambar 2.18 Panel control welding
Panel control welding berfungsi sebagai penyalur tegangan yang dipakai
robot untuk melakukan proses welding.
6. Motor Wire
Gambar 2.19 Motor wire
Motor Wire berfungsi sebagai penarik kawat yang akan dipakai robot untuk
melakkan proses welding.
32
7. Stabilizer Of Transformer Trafo
Gambar 2.20 Stabilizer
Stabilizer berguna untuk menstabilkan arus listrik agar tidak ada kegagalan
mesin yang di sebabkan oleh arus listrik yang tiba-tiba turun.
8. Positioner
Gambar 2.21 Positioner
Positioner berguna untuk menggerakan benda kerja dengan gerakan
berputar 360°.
33
9. Torch Body
Gambar 2.22 Torch Body
10. Wire Cuting
Gambar 2.23 Wire Cuting
Keterangan :
a) Tempat memotong kawat dan penampungan.
b) Switch untuk menghidupkan atau mematikan.
a
b
34
11. Slider
Gambar 2.24 Slider
Slider berguna untuk menggerakan badan robot maju dan mundur.
12. Switch External
Gambar 2.25 Switch External
Keterangan :
A. Emergency stop ( tombol keadaan darurat ).
B. External button switch (tombol start luar ).
C. Select program button switch (tombol pemilihan program.
A
B
C
35
13. Fance Sensor
Gambar 2.26 Fance sensor
Karena pergerakan robot ini berdasarkan perintah metrix dan indra yang
terbatas maka perlu pengamanan dari lingkungan sekitar kerja supaya segala
kemungkinan kecelakaan kerja dapat di minimalisir sekecil mungkin, dengan
memberikan pagar keliling dilengkapi dengan sensor otomatis dengan lampu
tanda.
14. Gases Regulator
Gambar 2.27 Regulator
Berfungsi sebagai alat pengaturan tekanan gas dan juga laju gas dalam liter
per menit.
36
15. Positioner Key
Gambar 2.28 Positioner Key
Positioner key berfungsi untuk mengunci posisi positioner pada posisi yang
tepat atau bidang kerja itu pada posisi sejajar dan lurus, selain itu juga berfungsi
untuk mengunci posisi kerja dari robot itu sendiri maksudnya pada saat handle
tersebut mengunci positioner maka robot tidak dapat dioperasikan otomatis
sehingga jika tidak ada benda kerja maka tidak dapat menjalankan operasional
robot.
16. Scrartcher
Gambar 2.29 Scrartcher
37
Berfungsi untuk meluruskan kawat( alur kawat welding ) yang berasal dari
dalam drum kawat.
2.6 Parameter Welding Robot
Parameter dapat diartikan sebagai suatu nilai atau kondisi yang di jadikan tolak
ukur terhadap nilai atau kondisi yang lainnya. Parameter di anggap sebagai nilai
atau kondisi yang di harapkan. Suatu parameter adalah kuantitas terukur yang
inheren dalam suatu masalah. Syarat ketercapaian tujuan. Artinya, parameter yang
terwujud mengindikasikan ketercapaian tujuan. (Silvia, 2013).
Menurut (Sujatmiko, 2014) definisi parameter adalah ukuran, kriteria, patokan,
pembatasan, standar, atau tolak ukur seluruh populasi dalam penelitian.
Dari definisi parameter di atas penulis menyimpulkan parameter welding adalah
suatu nilai, kondisi,ukuran,standar yang di jadikan tolak ukur terhadap hasil welding
yang diharapkan atau di inginkan.
Menurut (Kamal, 2013) parameter yang dapat berpengaruh terhadap hasil
welding diantaranya sebagai berikut:
1. Arus Listrik ( Ampere )
Arus(ampere) berpengaruh dalam proses pengelasan busur listrik, besar
kecil arus yang digunakan dapat menentukan ukuran dan bentuk hasil penetrasi
dan deposit las. Arus yang semakin besar cenderung menghasilkan penetrasi yang
lebih dalam dan luas daerah lasan semakin sempit.
2. Kecepatan Las ( Speed )
38
Kecepatan pengelasan tergantung pada jenis elektroda. Diameter inti
elektroda. Bahan yang dilas, geometri sambungan, ketelitian sambungan.
Kecepatan las tidak ada hubungannya dengan tegangan tetapi berbanding lurus
dengan kuat arus, sehingga pengelasan yang cepat membutuhkan arus las yang
tinggi untuk mencapai hasil las yang baik. Jika kecepatan las dinaikkan maka
masukan panas per satuan panjang akan menjadi kecil sehingga pendinginan akan
berjalan cepat.
3. Tegangan Las ( Voltage )
Tegangan atau voltage yang semakin besar maka semakin panjang busur
yang terjadi dan semakin tidak terpusat, sehingga panasnya melebar dan
menghasilkan penetrasi yang lebar dan dangkal. Berdasarkan teori tersebut dapat
disimpulkan bahwa arus las berbanding lurus dengan kecepatan dan berbanding
terbalik dengan tegangan las. Apabila arus las dan kecepatannya dinaikkan,
tegangan las tidak diturunkan untuk mencapai hasil yang baik. Banyaknya
parameter las diatas peneliti menggunakan tegangan las (voltage) sebagai variasi
dalam penelitian ini karena pada dasarnya tegangan listrik menjadi parameter yang
paling utama untuk memperoleh panas.
4. Gas Pelindung
Gas yang digunakan pada pengelasan MIG yaitu gas mulia karena sifatnya
stabil dan tidak mudah bereaksi dengan unsur lainnya. Gas Argon memberikan
perlindungan yang lebih baik tetapi penembusannya dangkal, sehingga untuk
memperdalam penembusannya dapat dilakukan dengan peningkatan kecepatan
volume alir gas sehingga tekanan yang didapat meningkat. Tingginya penekanan
39
pada manik las dapat memperbaiki penguatan manik dan memperkecil terjadinya
rongga-rongga halus pada lasan.
5. Elektroda
Elektroda yang digunakan pada pengelasan MIG yaitu elektroda terumpan
yang berfungsi sebagai pencipta busur nyala dan juga sebagai logam pengisi. Besar
kecilnya ukuran elektroda tergantung pada bahan yang digunakan dan ukuran tebal
bahan.
6. Polaritas Listrik
Sumber listrik yang digunakan berupa listrik AC atau listrik DC dengan
rangkaian listriknya dengan polaritas lurus dimana katup positif dihubungkan
dengan logam induk dan katup negatif dihubungkan dengan batang elektroda.
Rangkaian listrik polaritas lurus cocok untuk arus listrik yang besar. Pengaruh dari
rangkaian ini adalah penetrasi yang dalam dan sempit, sedangkan polaritas terbalik
penetrasi yang terjadi dangkal dan lebar karena elektron bergerak dari logam induk
menumbuk elektroda sehingga elektroda menjadi panas.
Menurut (Kosasih & dkk, 2015) standar parameter pengelasan diantaranya
di jelaskan dalam tabel berikut :
Tabel 2.2 Standar parameter arus dan tegangan pada pengelasan GMAW
Diameter Kawat Arus(Amepre) Tegangan
(Voltage)
Tebal (mm)
0,8 60-150 14-22 0,8-2,0
0,9 150-220 22-25 2,0-10
1,0 220-290 25-29 10-18
1,2 290-350 29-32 18-25
40
Tabel diatas digunakan sebagai acuan dasar dalam menentukan besar
parameter yang digunakan dalam penelitian atau skripsi penulis ini.
2.7 Naive Bayes
Menurut (Prasetyo, 2012) Bayes merupakan teknik prediksi berbasis
probabilistik sederhana yang berdasar pada penerapan teorema Bayes dengan
asumsi independensi (ketidaktergantungan) yang kuat (naif).
Dalam Bayes (terutama Naive Bayes), maksud independensi yang kuat pada
fitur adalah bahwa sebuah fitur pada sebuah data tidak berkaitan dengan ada atau
tidaknya fitur lain dalam data yang sama. Contohnya pada kasus klasifikasi hewan
dengan fitur penutup kulit, melahirkan, berat dan menyusui. Dalam dunia nyata,
hewan yang berkembang biak dengan cara melahirkan dipastikan juga menyusui.
Disini ada ketergantungan pada fitur menyusui karena hewan yang menyusui
biasanya melahirkan, atau hewan yang bertelur biasanya tidak menyusui. Dalam
Bayes, hal tersebut tidak dipandang sehingga masing – masing fitur seolah tidak
memiliki hubungan apa pun. (Prasetyo, 2012)
Prediksi Bayes didasarkan pada teorema Bayes dengan persamaan umum
seperti terlihat pada Persamaan
𝑃(𝐻|𝐸) =𝑃(𝐸|𝐻) × 𝑃(𝐻)
𝑃(𝐸)
41
Keterangan :
P(H|E) = Probabilitas akhir bersyarat (conditional probability) suatu hipotesis
H terjadi jika diberikan bukti (evidence) E terjadi.
P(E|H) = Probabilitas sebuah bukti E akan mempengaruhi hipotesis H
P(H) = Probabilitas awal (priori) hipotesis H terjadi tanpa memandang bukti
apapun
P(E) = Probabilitas awal (priori) bukti E terjadi tanpa memandang
hipotesis/bukti yang lain
Ide dasar dari aturan Bayes adalah bahwa hasil dari hipotesis atau peristiwa (H)
dapat diperkirakan berdasarkan pada beberapa bukti (E) yang diamati. Ada beberapa
hal penting dari aturan Bayes tersebut, yaitu
1. Sebuah probabilitas awal/priori H atau P(H) adalah probabilitas dari suatu
hipotesis sebelum bukti diamati.
2. Sebuah probabilitas akhir H atau P(H|E) adalah probabilitas dari suatu hipotesis
setelah bukti diamati.
Tergantung pada situasi yang tepat dari model probabilitas, Naive Bayes dapat
dilatih sangat efisien dalam supervised learning. Dalam aplikasi praktis, parameter
estimasi untuk model Naive Bayes menggunakan metode likelihood maksimum,
dengan kata lain, seseorang dapat bekerja dengan model Naïve Bayes tanpa
42
mempercayai probabilitas Bayesian atau menggunakan metode Bayesian lainnya.
(Saraswati, 2011).
Masih menurut (Saraswati, 2011) sebuah keuntungan dari Naive Bayes adalah
bahwa ia memerlukan sejumlah kecil data pelatihan untuk mengestimasi parameter
(rata – rata dan varian dari variabel) yang diperlukan untuk klasifikasi. Karena
variabel diasumsikan independen, hanya varian dari variabel – variabel untuk setiap
kelas yang perlu ditentukan dan bukan keseluruhan covariance matrix.
❖ Karakteristik Naive Bayes
Menurut (Prasetyo, 2012) klasifikasi dengan Naive Bayes bekerja
berdasarkan teori probabilitas yang memandang semua fitur dari data sebagai
bukti dalam probabilitas. Hal ini memberikan karakteristik Naive Bayes sebagai
berikut:
1. Metode Naive Bayes teguh (robust) terhadap data – data yang terisolasi yang
biasanya merupakan data dengan karakteristik berbeda (outlier). Naive
Bayes juga dapat menangani nilai atribut yang salah dengan mengabaikan
data latih selama proses pembangunan model dan prediksi.
2. Tangguh menghadapi atribut yang tidak relevan.
3. Atribut yang mempunyai korelasi bisa mendegradasi kinerja klasifikasi
Naive Bayes karena asumsi independensi atribut tersebut sudah tidak ada
.
43
2.8 Sistem Pakar
Menurut (Marlina & Hidayat, 2012) dalam bukunya Perancangan Sistem
Pakar , beberapa definisi sistem pakar menurut beberapa ahli yaitu sebagai berikut.
1. Menurut Durkin : Sistem pakar adalah suatu program komputer yang dirancang
untuk memodelkan kemampuan penyelesaian masalah yang dilakukan seorang
pakar.
2. Menurut Ignizo : Sistem pakar adalah suatu model dan prosedur yang berkaitan,
dalam suatu domain tertentu, yang mana tingkat keahliannya dapat dibandingkan
dengan keahlian seorang pakar.
3. Menurut Giarratano dan Riley : Sistem pakar adalah suatu sistem komputer yang
bisa menyamai atau meniru kemampuan seorang pakar.
2.9 Microsoft Visual Studio
Visual studio pada dasarnya adalah sebuah bahasa pemrograman komputer.
Dimana pengertian dari bahasa pemrograman itu adalah perintah-perintah atau
intruksi yang dimengerti oleh komputer untuk melakukan tugas tertentu. Visual
studio atau sering juga disebut VB.NET selain disebut dengan bahasa pemrograman,
juga sering disebut sebagai sarana(tool) untuk menghasilkan program aplikasi
berbasiskan windows. Beberapa kemampuan atau manfaat dari visual studio
diantaranya:
1. Untuk membuat program aplikasi berbasis windows.
2. Untuk membuat objek-objek pembantu program seperti kontrol ActiveX, file
help, aplikasi internet dan sebagainya.
44
3. Menguji program(debugging) dan menghasilkan program berakhiran EXE yang
bersifat executable atau dapat langsung dijalankan.
Visual studio adalah bahasa yang cukup mudah untuk dipelajari, bagi programer
pemula yang baru ingin belajar program, lingkungan visual studio dapat membantu
membuat program dalam sekejap mata. Sedang bagi programmer tingkat lanjut,
kemampuan yang besar dapat digunakan untuk membuat program-program yang
kompleks, misalnya lingkungan net_working atau client server.
Microsoft studio yang dipakai penulis untuk mengerjakan program skripsinya
adalah microsoft studio versi 2010 10.0.3.
2.10 Black Box Testing
Pengujian menggunakan sekumpulan aktifitas validasi, dengan pendekatan
black box testing. Menurut (Rosa & Shalahuddin, 2013), black box testing adalah
menguji perangkat lunak dari segi spesifikasi fungsional tanpa menguji desain dan
kode program. Pengujian dimaksudkan untuk mengetahui apakah fungsi-fungsi,
masukan, dan keluaran dari perangkat lunak sesuai dengan spesifikasi yang
dibutuhkan. Pengujian kotak hitam dilakukan dengan membuat kasus uji yang
bersifat mencoba semua fungsi dengan memakai perangkat lunak apakah sesuai
dengan spesifikasi yang dibutuhkan. Kasus uji yang dibuat untuk melakukan
pengujian black box testing harus dibuat dengan kasus benar dan kasus salah.
Menurut (Pressman, 2012), black box testing juga disebut pengujian tingkah
laku, memusat pada kebutuhan fungsional perangkat lunak. Teknik pengujian
black box memungkinkan memperoleh serangkaian kondisi masukan yang
45
sepenuhnya menggunakan semua persyaratan fungsional untuk suatu program.
Beberapa jenis kesalahan yang dapat diidentifikasi adalah fungsi tidak benar atau
hilang, kesalahan antar muka, kesalahan pada struktur data (pengaksesan basis
data), kesalahan performasi, kesalahan inisialisasi dan akhir program.
1. Equivalence Partitioning
Equivalence Partitioning merupakan metode black box testing yang
membagi domain masukan dari program kedalam kelas-kelas sehingga test case
dapat diperoleh. Equivalence Partitioning berusaha untuk mendefinisikan kasus
uji yang menemukan sejumlah jenis kesalahan, dan mengurangi jumlah kasus uji
yang harus dibuat. Kasus uji yang didesain untuk Equivalence Partitioning
berdasarkan pada evaluasi dari kelas ekuivalensi untuk kondisi masukan yang
menggambarkan kumpulan keadaan yang valid atau tidak. Kondisi masukan
dapat berupa spesifikasi nilai numerik, kisaran nilai, kumpulan nilai yang
berhubungan atau kondisi boolean. Kesetaraan kelas dapat didefinisikan menurut
panduan berikut (Pressman, 2012) :
1) Jika masukan kondisi menentukan kisaran, satu sah dan dua diartikan tidak
valid kesetaraan kelas.
2) Jika masukan membutuhkan nilai, kondisi tertentu satu sah dan dua tidak
valid kesetaraan kelas diartikan.
3) Jika masukan kondisi menentukan anggota dari set, satu sah dan satu tidak
valid kesetaraan kelas diartikan.
4) Jika kondisi yang input, boolean satu sah dan satu tidak valid kelas diartikan.
46
Sebagai contoh, pemeliharaan data untuk aplikasi bank yang sudah
diotomatisasikan. Pemakai dapat memutar nomor telepon bank dengan
menggunakan mikro komputer yang terhubung dengan password yang telah
ditentukan dan diikuti dengan perintah-perintah. Data yang diterima adalah :
1) Kode Area : kosong atau 3 digit
2) Prefix : 3 digit atau tidak diawali 0 atau 1
3) Suffix : 4 digit
4) Password : 6 digit alfanumerik
5) Perintah : check, deposit, dll
Selanjutnya kondisi masukan digabungkan dengan masing-masing data
elemen, dapat ditentukan sebagai berikut :
a. Kode Area : kondisi masukan, Boolean-kode area mungkin ada atau tidak.
Kondisi masukan, kisaran nilai ditentukan antara 200-999.
b. Prefix : kondisi masukan kisaran lebih besar 200 atau tidak diawali 0 atau 1.
c. Suffix : kondisi masukan nilai 4 digit.
d. Password : kondisi masukkan Boolean-pw mungkin diperlukan atau tidak.
Kondisi masukan nilai dengan 6 karakter string.
e. Perintah : kondisi masukan diatur dengan berisi perintah-perintah yang telah
didefinisikan.
Menerapkan pedoman untuk derivasi kelas kesetaraan, uji kasus untuk setiap
masukan domain item data dapat dikembangkan dan dilaksanakan. Uji kasus
47
dipilih sehingga jumlah terbesar dari atribut dari kelas kesetaraan tersebut
dilakukan sekaligus.
Beberapa kata kunci dalam pengujian perangkat lunak yang dapat
diperhatikan, yaitu (Simarmata, 2010) :
1. Dinamis
Pengujian perangkat lunak dilakukan pada masukan yang bervariasi.
Masukan ini ditentukan sebelum pengujian dilakukan dengan batasan yang
disesuaikan dengan kemampuan perangkat lunak. Masukan tidak harus sesuatu
yang dimungkinkan terjadi pada penggunaan program lebih lanjut, melainkan
meliputi keseluruhan batasan yang dapat dijangkau perangkat lunak dan
dilakukan pemercontohan (sampling) secara acak untuk proses pengujian.
2. Terbatas
Meskipun pengujian dilakukan pada perangkat lunak sederhana sehingga
rumit sekalipun, pengujian dilakukan dengan memenuhi batasan-batasan
tertentu sesuai dengan kemampuan program. Batasan ini juga diberlakukan
pada masukan-masukan yang dipilih untuk pengujian. Tidak semua
kemungkinan masukan diujika pada perangkat lunak karena akan memakan
waktu yang cukup panjang mengingat begitu banyaknya kemungkinan yang
bisa terjadi. Untuk mengatasi hal ini, pemilihan masukan-masukan pada proses
pengujian secara acak yang diperkirakan mampu memenuhi kebutuhan
pengujian perangkat lunak akan dilakukan.
48
3. Tertentu
Pengujian dilakukan dengan batasan tertentu disesuaikan dengan harapan
pada fungsi, respon, dan karakteristik perangkat lunak tersebut. Batasan
tersebut akan disesuaikan dengan teknik-teknik pengujian yang ada. Pemilihan
kriteria pengujian yang paling tepat merupakan hal yang kompleks. Dalam
praktiknya, analisis risiko pengujian dan pengalaman terhadaop pengujian-
pengujian sejenis akan diperlukan.
4. Harapan
Kata kunci ini memiliki keadaan-keadaan yang diharapkan, baik berupa
respon sistem terhadap masukan maupun karakteristik responnya. Dalam hal
ini, batasan-batasan hasil pengujian yang diharapkan harus ditentukan. Dengan
demikian, dapat diketahui apakah perangkat lunak tersebut telah memenuhi
hasil pengujian yang diharapkan atau memerlukan pembenahan kembali, baik
berupa perbaikan maupun pengembangan perangkat lunak.
49
BAB III
ANALISIS DAN PERANCANGAN SISTEM
3.1 Analisis Masalah
Analisis masalah bertujuan untuk mengidentifikasi serta melakukan
evaluasi terhadap sistem informasi untuk menentukan ukuran kaki las yang
dihasilkan oleh proses pengelasan robot pada PT. Hitachi Construction Machinery
Indonesia adapun permasalah yang ditemukan dalam melakukan penelitian ini
adalah :
1. Setingan parameter pengelasan pada welding robot masih menggunakan
metode coba-coba sehingga jika setingan tidak tepat maka akan terjadi cacat
las dan ukuran kaki las tidak sesuai dengan spek yang di inginkan.contoh spek
kaki las yang di inginkan terlihat pada gambar di bawah.
Gambar 3.1 Ukuran kaki las
Untuk mengukur kaki las menggunakan alat ukur seperti pada gambar di
bawah.
10 mm
10 mm Spek yang
di inginkan
50
Gambar 3.2 Alat ukur kaki las
2. Belum adanya suatu cara atau sistem atau metode untuk menentukan setingan
parameter yang tepat.
3. Kebingungan operator pada saat melakukan penyettingan parameter.
4. Pekerjaan kurang efektif dan efisien.
Berdasarkan permasalahan tersebut timbul suatu gagasan dari penulis
untuk menjawab permasalahan tersebut, adapun gagasan yang dipikirkan oleh
penulis adalah :
1. Merancang sistem khusus sebagai pendukung keputusan untuk membantu
menentukan parameter welding robot.
2. Menggunakan perhitungan metode Naïve Bayes untuk pengolahan data pada
sistem.
3. Mengurangi defect atau cacat welding serta ukuran kaki las yang tidak sesuai
spek karena kesalahan setting parameter.
4. Meningkatkan kualitas dan mutu welding.
5. Membuat pekerjaan lebih efektif dan efisien.
51
3.2 Analisis Sumber Data
Data yang diperoleh pada penelitian ini diambil dari databank atau sering
di singkat DBK robot welding Kobelco yang ada di PT. Hitachi. DBK ini adalah
tempat atau wadah untuk menyimpan data parameter welding yang dipakai robot
untuk melakukan proses pengelasan. Pada robot kobelco tipe Arcman MPII ini
terdapat slot DBK sebanyak 450 DBK seperti terlihat pada gambar list DBK di
bawah.
Gambar 3.3 List Databank
Nomer DBK ini akan di panggil dalam sebuah program pengelasan dengan
fungsi “Call_DBK (nomer DBK)”. Dalam satu nomor DBK terdapat macam-
macam parameter yang menentukan hasil dari proses welding diantaranya adalah
seperti yang terlihat pada gambar di bawah.
52
Gambar 3.4 Parameter databank
Keterangan gambar :
1. Weld Current / Arus / Ampere
Arus(ampere) berpengaruh dalam proses pengelasan busur listrik, besar
kecil arus yang digunakan dapat menentukan bentuk hasil penetrasi dan ukuran
kaki las. Arus yang semakin besar cenderung menghasilkan penetrasi yang lebih
dalam dan luas daerah lasan semakin sempit yang berarti ukuran kaki las semakin
kecil namun volume kawat yang keluar semakin banyak. Jika arus semakin kecil
maka yang terjadi adalah sebaliknya
2. Weld Voltage
Tegangan atau voltage yang semakin besar maka semakin panjang busur
yang terjadi dan semakin tidak terpusat, sehingga panasnya melebar dan
menghasilkan penetrasi yang lebar dan dangkal. Berdasarkan teori tersebut dapat
disimpulkan bahwa arus las berbanding lurus dengan kecepatan dan berbanding
terbalik dengan tegangan las. Apabila arus las dan kecepatannya dinaikkan,
tegangan las tidak diturunkan untuk mencapai hasil yang baik. Banyaknya
parameter las diatas peneliti menggunakan tegangan las (voltage) sebagai variasi
53
dalam penelitian ini karena pada dasarnya tegangan listrik menjadi parameter
yang paling utama untuk memperoleh panas.
3. Weld Speed
Speed atau kecepatan dalam pengelasan robot adalah kecepatan yang
dipakai pada saat proses pengelasan. Pada pengelasan robot satuan yang di pakai
adalah cm/min yang berarti berapa sentimeter jarak yang di tempuh oleh robot
selama 1 menit. Kecepatan ini sangat berpengaruh dalam menentukan kualitas
dan ukuran kaki las sebab semakin lambat kecepatan welding maka semakin
besar ukuran kaki las dan semakin cepat kecepatan welding maka akan semakin
kecil ukuran kaki las.
4. Weav Amplitude
Pada saat proses welding, robot bergerak zigzag seperti orang sedang
menenun pergerakan ini disebut weaving. Dalam weaving ini terbentuk sebuah
pola gelombang seperti gambar di bawah ini.
Gambar 3.5 weaving
Pada gambar di atas amplitude adalah jarak dari titik amplitude 1 ke
amplitude 2 dalam satuan milimeter(mm). pengaruh nya pada lasan adalah
54
semakin besar amplitude maka kaki las akan semakin besar dan semakin kecil
amplitude maka kaki las akan semakin kecil.
5. Weav Cycle
Dalam setiap gelombang maka akan selalu ada cycle atau dalam ilmu
gelombang dan getaran disebut frekwensi yaitu jumlah gelombang yang terjadi
selama 1 menit. Weav cycle dalam pengelasan robot mempunyai satuan cycle per
minute (cyc/min). Pengaruhnya dalam lasan adalah semakin besar nilai weav
cycle maka bead las akan semakin besar dan semakin kecil nilai nya maka bead
las akan semakin kecil.
6. Sudut pengelasan
Faktor yang mempengaruhi ukuran kaki las yang terakhir adalah sudut
pengelasan, sudut ini tidak diatur pada databank tapi nilai sudut ini di atur pada
saat proses pembuatan program(teaching). Berikut adalah contoh dari sudut
pengelasan.
Gambar 3.6 Sudut pengelasan
Semakin tinggi sudut pengelasan maka hasil bead akan lebih besar ke
bagian base plate B, semakin kecil sudut maka bead las akan semakin besar ke
bagian base plate A.
Base Plate A
Base Plate B
55
3.3 Jumlah Data
Data yang terkumpul di akhir penelitian adalah sebanyak 162 data.
Kemudian data dibagi menjadi 2 bagian, data training dan data testing. Data
training adalah data yang digunakan untuk perhitungan pola data dengan
menggunakan naïve bayes, jumlah data training adalah sebanyak 80% dari jumlah
data yaitu sebanyak 114 data. Data testing adalah data yang digunakan untuk
pengujian pola yang didapat dari perhitungan data training kemudian akan dicari
tingkat akurasi yang didapat, jumlah data testing adalah sebanyak 20% dari jumlah
data yaitu sebanyak 48 data.
3.4 Analisis Penerapan Algoritma Naïve Bayes Classifier
Metode yang digunakan dalam pengklasifikasian adalah Naïve bayes
classifier (NBC). Secara umum proses klasifikasi dengan naïve bayes ini dibagi
menjadi beberapa tahap. Tahapan tersebut dapat dilihat pada flowchart dibawah
ini.
3.4.1 Flowchart NaiveBayes
Flowhart adalah suatu bagan dengan simbol-simbol tertentu yang
menggambarkan urutan proses secara mendetail dan hubungan antara suatu
proses(instruksi) dengan proses lainnya dalam suatu ptogram. Flowchart
naïve bayes berarti urutan proses secara mendetail dan hubungan antara proses
proses dalam penghitungan algoritma naïve bayes.
56
Gambar 3.7 Flowchart naïve bayes
3.4.2 Studi kasus metode naïve bayes
1. Variabel dan himpunan
Tabel 3.1 Tabel Variabel
uc Flowchart naiv e bayes
HItung P(Ci) untuk
setiap kelas
Memasukan data
v ariabel dan
himpunan
Mulai
Memasukan data
training
HItung P(X|Ci)= P(X1|Ci) x P
(X2|Ci) x ... x P(Xn|Ci)
Hasil perhitungan
Naiv e bayes
Selesai
Attribute Jenis Himpunan
Current Interval (10) 260<=Curr<=340
Voltage Interval (1) 90<=Volt<=96
Speed Interval (1) 22<=Speed<=41
Amplitude Interval (1) 3<=Amp<=7
Cycle Interval (10) 80<=Cycle<=160
Sudut interval (1) 35<=Sudut<=50
Kaki Las Diskrit
6x7 7x8
6x8 7x9
6x9 8x8
7x7 8x9
57
2. Data Training Tabel 3.2 Tabel Training
No Current Voltage Speed Amplitude Cycle Sudut Kaki las
1 320 94 29 5 100 40 8x9
2 320 94 31 4 90 40 8x8
3 280 90 40 4 130 42 6x7
4 320 92 27 4 120 40 8x9
5 320 90 29 5 100 40 7x9
6 340 90 35 5 100 40 8x9
7 280 94 24 3 120 40 8x9
8 320 90 27 5 100 38 7x9
9 330 90 28 5 100 38 8x9
10 300 94 28 3 120 40 7x9
11 280 90 36 5 120 36 7x8
12 280 90 34 5 110 41 8x8
13 280 92 26 4 120 47 7x9
14 270 92 26 4 120 45 7x9
15 330 93 28 4 100 40 8x9
16 300 90 30 4 100 43 7x7
17 300 94 28 4 110 40 8x8
18 260 95 41 3 160 40 7x7
19 320 92 30 4 120 40 7x8
20 310 94 27 4 80 40 7x8
21 320 93 28 4 80 40 8x8
22 280 90 38 5 120 42 6x7
23 280 90 36 5 130 42 6x8
24 300 94 26 4 120 40 7x8
58
25 280 90 40 5 120 42 6x8
26 290 90 38 5 110 42 6x8
27 320 91 28 5 130 40 7x9
28 310 94 27 3 120 46 8x9
29 340 92 25 4 130 47 6x9
30 280 92 36 6 100 37 6x9
31 280 92 34 7 100 38 6x8
32 280 90 32 6 110 40 7x7
33 280 92 36 6 100 45 7x7
34 280 94 40 3 160 42 6x7
35 320 93 28 4 100 40 8x9
36 310 94 26 3 120 40 8x8
37 320 90 26 5 100 35 8x9
38 320 92 26 5 100 35 8x9
39 340 94 27 3 120 46 8x9
40 300 92 29 4 120 45 7x8
41 320 92 22 5 100 49 7x9
42 280 92 36 3 130 45 8x8
43 310 92 24 4 120 40 7x9
44 320 92 23 4 130 44 7x9
45 320 93 30 4 90 40 7x8
46 280 90 40 4 120 42 6x7
47 280 93 33 3 140 45 7x8
48 300 92 29 4 120 37 6x9
49 300 92 29 4 120 40 8x8
50 320 92 22 5 110 35 7x9
51 320 91 28 5 100 40 7x9
59
52 310 94 27 3 120 40 7x9
53 280 92 25 4 150 47 7x9
54 270 92 25 4 120 45 7x8
55 320 90 28 5 100 38 8x9
56 320 91 28 5 100 39 8x9
57 280 90 36 5 120 42 7x8
58 280 90 36 5 110 42 7x8
59 320 94 28 4 130 40 8x8
60 290 92 26 3 100 45 8x8
61 310 93 25 3 80 45 8x8
62 300 92 25 3 90 42 7x9
63 300 92 25 3 90 45 8x8
64 290 93 25 3 90 45 7x8
65 300 94 24 3 90 42 8x9
66 300 96 25 3 100 42 8x8
67 320 95 25 4 100 50 8x9
68 300 94 25 4 100 44 8x8
69 300 94 25 4 90 40 7x9
70 320 95 25 4 100 42 8x8
71 340 92 35 3 100 35 8x9
72 340 92 28 3 100 35 8x9
73 340 92 27 3 100 36 8x9
74 260 94 27 4 90 35 6x8
75 260 96 25 4 90 35 7x9
76 330 94 27 4 90 45 8x8
77 340 96 30 4 90 45 8x8
78 260 91 27 3 90 35 7x8
60
79 270 90 27 3 110 35 7x9
80 260 92 25 3 90 35 6x7
81 330 92 35 3 90 45 8x8
82 320 92 30 3 120 35 7x9
83 310 92 35 4 90 37 7x7
84 310 92 28 4 90 43 7x7
85 270 92 28 4 90 41 6x8
86 330 92 29 4 90 35 7x7
87 330 94 27 4 90 37 7x8
88 330 94 27 4 90 35 7x9
89 330 94 27 4 90 40 7x8
90 340 92 27 3 100 35 7x9
91 340 94 27 3 90 35 7x8
92 340 96 35 7 160 46 8x9
93 320 92 27 3 90 35 8x9
94 320 92 28 3 90 35 8x9
95 320 92 27 3 90 48 8x9
96 320 94 27 4 90 35 8x9
97 320 96 25 4 90 35 8x9
98 320 94 27 4 90 45 8x8
99 320 96 25 4 90 45 8x8
100 320 91 27 3 90 35 7x8
101 320 90 27 3 110 35 7x9
102 320 92 25 3 90 35 7x8
103 320 92 25 3 90 45 8x8
104 320 92 30 3 120 45 7x9
105 310 92 28 4 90 37 7x7
61
106 280 90 30 3 100 45 7x7
107 310 92 28 4 90 41 6x8
108 320 92 29 4 90 35 7x7
109 320 94 27 4 90 37 7x8
110 320 94 27 4 90 36 7x9
111 320 94 27 4 90 40 7x8
112 320 92 27 3 100 35 7x9
113 320 94 27 3 90 35 7x8
114 300 94 28 3 120 45 8x8
3. Menentukan Probabilitas Variabel terhadap Class
a. Probabilitas untuk setiap Class kaki las ( P(Ei) ).
Tabel 3.3 Tabel probabilitas kaki las
b. Probabilitas Current pada setiap class kaki las ( P(E1|Hi) ).
Tabel 3.4 Tabel probabilitas current
c. Probabilitas Voltage pada setiap class kaki las ( P(E2|Hi) )
62
Tabel 3.5 Tabel probabilitas voltage
d. Probabilitas Speed pada setiap class kaki las ( P(E3|Hi) ).
Tabel 3.6 Tabel probabilitas Speed
e. Probabilitas Amplitude pada setiap class kaki las ( P(E4|Hi) ).
Tabel 3.7 Tabel probabilitas Amplitude
f. Probabilitas Weav cycle pada setiap class kaki las (( P(E5|Hi) ).
63
Tabel 3.8 Tabel probabilitas Weav Cycle
g. Probabilitas Sudut pada setiap class kaki las ( P(E6|Hi) ).
Tabel 3.9 Tabel probabilitas Sudut
4) Contoh kasus
Bila user menginputkan nilai parameter sebagai berikut :
1. Current = 320 A
2. Voltage = 94 %
3. Speed = 29 cm/min
4. Amplitude = 5 mm
64
5. Weav cyle = 100 cyc/min
6. Sudut = 40 o
Maka berapakah ukuran kaki las yang akan terbentuk ?
1. Probabilitas untuk setiap class kaki las ( P(Ei) ).
• P(6x7) = 0,044
• P(6x8) = 0,061
• P (6x9) = 0,026
• P (7x7) = 0,088
• P (7x8) = 0,175
• P (7x9) = 0,211
• P ( 8x8) = 0,184
• P (8x9) = 0,211
65
2. Likelihood nilai Ei|Hi ( P(Ei|Hi) ), dimana X = (Ampere=320, voltage=94,
speed=29, Amplitude=5, Cycle=100, sudut=40)
• 6x7 = 0*0,20*0*0,20*0*0 = 0
• 6x8 = 0*0,14*0*0,43*0,14*0 = 0
• 6x9 = 0*0*0,33*0*0,33*0 = 0
• 7x7 = 0,1*0*0,20*0*0,30*0,20 = 0
• 7x8 = 0,1*0,40*0,05*0,15*0*0,30 = 0
• 7x9 = 0,04*0,21*0,04*0,25*0,25*0,29 = 0,0000061
• 8x8 = 0,1*0,38*0,05*0,05*0,19*0,29 = 0,0000052
• 8x9 = 0,08*0,25*0,04*0,29*0,54*0,25 = 0,0000313
3. Bagi Likelihood setiap class dengan probabilitas nilai Ei|Hi
• P(6x7) = 0/0,044 = 0
• P(6x8) = 0 /0,061= 0
• P(6x9) = 0 /0,026= 0
• P(7x7) = 0/0.088 = 0
• P(7x8) = 0/0,175 = 0
• P(7x9) = 0,0000061/0,211 = 0,000376
• P( 8x8) = 0,0000052/0,184 = 0,000085
• P(8x9) = 0,000313/0,211 / = 0,001059
4. Cari nilai Likelihood tertinggi dari hasil perkalian di atas
Berdasarkan perhitungan di atas likelihood tertinggi adalah P(8x9) maka
ukuran kaki las yang akan terbentuk adalah “8x9”.
66
3.5 Desain sistem
Desain sitem terdiri dari 2 bagian yaitu desain sistem secara global untuk
menggambarkan model sistem secara garis besar dan desain sistem secara detail
untuk membantu dalam pembuatan sistem.
3.5.1 Desain sistem secara global
Penulis menggunakan bahasa pemodelan UML yang terdiri dari
Usecase diagram, Class diagram, Activity diagram dan Sequence diagram.
1) Usecase diagram
Usecase diagram menggambarkan apa yang dapat dilakukan user
terhadap sistem yang akan dibangun. Usecase diagram terdiri dari user,
Usecase dan hubungannya. User adalah orang yang akan berinteraksi dengan
sistem untuk melakukan pekerjaan tertentu. Sebuah usecase
merepresentasikan keseluruhan kerja sistem secara garis besar dan juga
merepresentasikan keseluruhan interaksi antara user dengan sistem yang
dibangun serta menggambarkan fungsional yang dapat diberikan sistem
kepada user. Berikut adalah usecase diagram yang akan dibangun.
67
Gambar 3.8 Usecase diagram
2) Activity Diagram
Activity diagram menggambarkan aliran aktivitas dalam sistem yang
sedang dirancang, bagaimana masing-masing alur berawal, decision yang
mungkin terjadi, dan bagaimana diakhiri. Berdasarkan usecase yang ada pada
gambar 3.8 Maka akan terdapat 3(tiga) activity diagram, yaitu :
Gambar 3.9 Activity History
uc Use Case diagram
Sistem prediksi ukuran kaki las
History
User
Prediksi
Dataset
Input Current
Input Cycle
Input Volt
Input Speed
Input
Amplitude
Input Sudut
Tambah
Edit
Delete
«include»
«include»
«include»
«extend»
«extend»
«include»«include»
«extend»
«include»
class Activ ity diagram
HIstory
SystemUser
Start
memilih history pada
menu tab
menampilkan interface
history
End
68
Gambar 3.10 Activity Prediksi
act Prediksi
Prediksi
SystemUser
Start
memilih Prediksi pada tab
menu
menampilkan form
Prediksi
Mengisi data current, v olt, speed,
ampitude, cycle, dan sudut
Menghitung Likelihood
masing masing class
menampilkan hasil
perhitungan Likelihood
Klik button
HITUNG
Klik button
BATAL
menampilkan hasil
Prediksi
menampilkan hasil
Prediksi
Kosongkan semua
textbox
End
69
Gambar 3.11 Activity Dataset
3) Sequence diagram
Sequence diagram merupakan gambaran interaksi-interaksi antar objek
pada usecase dengan mendeskripsikan waktu hidup objek dan pesan yang
act Dataset
Data Training
SystemUser
Start
memilih Data Training
pada tab menu
menampilkan Interface
DataTraining
Menyimpan Data
menampilkan Alert Box
Konfirmasi
Mengisi data
pada textbox
Memilih data
pada tabel
End
Pilih Tombol
Simpan
Pilih Tombol
Edit
Merubah Data
Pilih Tombol
Delete
Menghapus
data
YA TIDAK
70
dikirimkan dan diterima antar objek. Berikut ini akan menjelaskan sequence
diagram sistem yang akan di bangun.
Gambar 3.12 Sequence History
Gambar 3.13 Activity Prediksi
sd History
User
Home Historytblhitung
getData()
Memilih Menu
History()
tampilkan()
sd Prediksi
User
Home Form Prediksi Validasi Data Perhitungan Naiv e
Bayes
Form Prediksi tblhitung
alt ValidasiData
[Valid]
[TidakValid]
Hitung()
Tampilkan()
ValidasiData()
Memilih Tab Menu
Mulai Prediksi()
Input Data()
Tampilkan Error
()
Tampilkan hasil()
Simpan data()
71
Gambar 3.14 Activity DataTraining
sd DataSet
User
Home FormDataTrainingtbltraining ValidasiData tbltraining Konfirmasi
alt ValidasiData
[Valid]
[TidakValid]
alt ValidasiData
[Valid]
[TidakValid]
alt Konfirmasi
[YA]
[TIDAK]
getData()
Tmpilkan()
ValidasiData()
Tampilkan()
TampilkanError()
TampilkanKonfirmasi()
TambahData()
TampilkanError()
ValidasiData()
Memilih tab menu
Datatraining()
EditData()
MengisiData lalu
PilihSimpan()
MemilihData,Merubah Lalu PilihEdit()
tampilkan()
HapusData
()
Tampilkan()
MemilihData Lalu PilihDelete()
72
4) Class Diagram
Class diagram adalah diagram yang digunakan untuk menampilkan
beberapa kelas serta paket-paket yang ada dalam suatu sistem yang sedang
dikembangkan. Class diagram memberikan gambaran statik tentang sistem /
perangkat lunak beserta relasi-relasi yang terdapat didalam suatu sistem atau
perangkat lunak. Gambar dibawah menjelaskan class diagram yang akan
dibangun.
73
Gambar 3.15 Class diagram
3.5.2 Desain sistem secara detail
Desain sistem detail meliputi desain output sistem, desain input
sistem dan desain database.
class Class Model
tbltraining
«column»
*PK id_parameter: CHAR(6)
Current: INT
Volt: INT
Speed: INT
Amplitude: INT
Cycle: INT
Sudut: INT
Kaki_las: VARCHAR(10)
«PK»
+ PK_DataSet(CHAR)
Home
- Form Data Training
- Form Prediksi
- History
+ Proses()
+ Tampilkan()
History
+ Amplitude
+ Current
+ Cycle
+ Hasil Prediksi
+ id_history
+ Persentase Class
+ Speed
+ Sudut
+ Tanggal&Waktu
+ Volt
+ Kembali()
Form Prediksi
+ Amplitude
+ Current
+ Cycle
+ Hasil
+ id_hitung
+ Likelihood6x7
+ Likelihood6x8
+ Likelihood6x9
+ likelihood7x7
+ likelihood7x8
+ likelihood8x8
+ likelihood8x9
+ Speed
+ Sudut
+ Volt
+ input_data_history()
+ Kembali()
+ Proses_prediksi()
Form DataTraining
+ Amplitude
+ Current
+ Cycle
+ id_data
+ Kaki_las
+ Speed
+ Sudut
+ Volt
+ Add()
+ Delete()
+ Edit()
+ Kembali()
tblhitung
«column»
* id_History: CHAR(6)
Volt: INT
Speed: INT
Amplitude: INT
Cycle: INT
Sudut: INT
Probabilitas: INT
Like6x7: INT
like6x8: INT
like6x9: INT
like7x7: INT
like7x8: INT
like7x9: INT
like8x8: INT
like8x9: INT
hasil: VARCHAR(5)
«PK»
+ PK_DataSet()
Menampilkan
Mengakses
Mengakses
Mengakses
Menampilkan
input_data
Menampilkan
74
1) Tampilan interface History
Tampilan ini akan keluar saat pertama kali user membuka aplikasi, pada
form history terdapat Tab Menu bar diantaranya adalah menu “History” untuk
melihat setting parameter sebelumnya, “Prediksi” untuk memulai proses
prediksi, “Data Training” untuk mengelola tabel data training, Detail tampilan
terlihat pada gambar 3.16
Gambar 3.16 Interface history
2) Interface mulai prediksi
Pada menu ini user memasukan nilai parameter yang akan di prediksi oleh
sistem, setelah mengisi nilai parameter pilih button hitung untuk memprediksi
ukuran kaki las yang akan di dapat,setelah klik hitung data hitung akan di
75
simpan di database tabel tblhitung dan akan muncul di datagrid history, pilih
batal untuk mengosongkan semua nilai text box.
Gambar 3.17 Interface prediksi
3) Interface Data training
Pada menu ini sistem menampilkan data training dari database sistem,
terdapat button Simpan untuk menambah data pada database, dan button
simpan ini akan berubah jadi button Edit saat pengguna memilih data yang
ada pada datagrid button Edit berfungsi untuk mengedit data pada database,
dan button Delete untuk menghapus data pada database.
76
Gambar 3.18 Interface data training
3.5.3 Desain Tabel
Tahap selanjutnya yang dikerjakan yaitu merancang struktur tabel
pada basis data sistem yang akan dibuat, berikut ini merupakan rancangan
struktur tabel tersebut:
1. Struktur tabel dataset
Nama database : welding_robot
77
Nama tabel : tbltraining
3.10 struktur tabel data training
No Nama field Tipe data Boleh kosong kunci
1 no int tidak -
2 id_parameter char(6) tidak primary key
3 current int tidak -
4 volt int tidak -
5 speed int tidak -
6 amplitude int tidak -
7 cycle int tidak -
8 sudut int tidak -
9 kaki_las varchar(5) tidak -
2. Struktur tabel hitung
Nama database : welding_robot
Nama tabel : tablhitung
3.11 struktur tabel hitung
No Nama field Tipe data Boleh kosong kunci
1 no int Tidak -
2 id_hi char(6) Tidak Primary Key
3 waktu&tanggal datetime Tidak -
78
4 Current int Tidak -
5 Volt int Tidak -
6 Speed int Tidak -
7 Amplitude int Tidak -
8 Cycle int Tidak -
9 Sudut int Tidak -
10 Like6x7 int Tidak -
11
Like6x8 int Tidak -
12 Like6x9 int Tidak -
13 Like7x7 int Tidak -
14 Like7x8 int Tidak -
15 Like7x9 int Tidak -
16 Like8x8 int Tidak -
17 Like8x9 int Tidak -
18 Hasil varchar(5) Tidak -
79
BAB IV
HASIL DAN UJICOBA
4.1 Tampilan hasil
Berikut ini di jelaskan tampilan hasil dari sistem penunjang keputusan untuk
menentukan parameter welding robot pada PT Hitachi :
1. Tampilan form history
Form history menampilkan data-data yang pernah di prediksi sebelumnya
Gambar 4.1 Interface history
80
2. Tampilan form prediksi
Form prediksi menampilkan form untuk memulai prediksi, pengguna akan
memasukan data current, voltage, speed, amplitude, cycle, dan sudut. Di
bawah ini adalah form prediksi jika data belum di isi.
Gambar 4.2 Interface prediksi data kosong
Dan di bawah ini merupakan form prediksi dimana data sudah di isi dan
pengguna memilih tombol hitung.
81
Gambar 4.3 Interface prediksi data sudah di isi
3. Tampilan form data training
From data training berisi data training yang di perlukan untuk proses
perhitungan prediksi dengan naïve bayes.pada form ini pengguna selain
dapat melihat juga dapat menambah data mengupdate data dan menghapus
data.
82
Gambar 4.4 Interface data training
4.2 Spesifikasi uji coba program
Uji coba terhadap sistem bertujuan untuk memastikan bahwa sistem sudah
berada pada kondisi siap pakai. Spek yang digunakan untuk melakukan
pengujian aplikasi ini yaitu :
1. Satu unit laptop dengan spesifikasi sebagai berikut :
a) Processor Intel Core i5
b) RAM 4 Gb
c) Hardisk 500 Gb
d) VGA NVIDIA Geforce 740M
2. Perangkat lunak dengan spesifikasi sebagai berikut :
a) Windoows 7 Ultimate 64-bit
83
b) Visual studio 2010 professional versi 10.0.3
c) Xampp control panel v3.2.2
d) My Sql server
4.3 Uji coba program
Pengujian program prediksi kaki las ini dilakukan dengan menggunakan
metode Black Box testing. Metode black box testing merupakan pengujian program
yang mengutamakan pengujian terhadap kebutuhan fungsi dari suatu program.
Tujuan dari metode black box adalah untuk menemukan kesalahan fungsi pada
program. Pengujian dengan metode black box dilakukan dengan cara memberikan
sejumlah input pada program. Input tersebut kemudian diproses sesuai dengan
kebutuhan fungsionalnya untuk melihat apakah program aplikasi dapat
menghasilkan output yang sesuai dengan yang diinginkan dan sesuai pula dengan
fungsi dasar dari program tersebut. Apabila dari input yang diberikan proses dapat
menghasilkan output yang sesuai dengan kebutuhan fungsionalnya, maka program
yang dibuat sudah benar, tetapi apabila output yang dihasilkan tidak sesuai dengan
kebutuhan fungsionalnya, maka masih terdapat kesalahan pada program tersebut,
dan selanjutnya dilakukan penelusuran perbaikan untuk memperbaiki kesalahan
yang terjadi. Berikut sekenario pengujian program menggunakan black box
testing.
84
1. Pengujian form history
Tabel 4.1 pengujian history
No Sekenario pengujian Hasil yang diharapkan Kesimpulan
1 Membuka aplikasi Tab yang terpilih default
adalah tab history
Valid
2 Membuka aplikasi Pada tab history akan
muncul data yang di
ambil dari database
welding_robot,nama
tabel tblhistory
Valid
2. Pengujian form prediksi
Tabel 4.2 pengujian prediksi
No Sekenario pengujian Hasil yang diharapkan Kesimpulan
1 Klik tab prediksi Menampilkan waktu dan
tanggal real time
Valid
2 klik combo box Menampilkan pilihan
data (3,4,5,6,7)
Valid
3 Tidak mengisi data lalu
klik hitung
Sistem tidak akan
melakukan proses hitung
dan menampilkan pesan
“Masukan nilai (Textbox
yang kosong)”
Valid
4 Mengisi data hanya
menyisakan 1 textbox
kosong
Sistem tidak akan
melakukan proses hitung
dan menampilkan error
”Maskan nilai (textbox
yang kosong)”
Valid
5 Mengisi data lalu klik
tombol BATAL
Sistem akan
mengosongkan data yang
ada pada textbox, combo
box dan groupbox
Valid
6 Mengisi data lengkap
lalu klik tombol
HITUNG
Sistem akan melakukan
proses perhitungan naïve
bayes dengan data
training yang ada pada
database welding_robot
nama database :
tbltraining
Valid
85
7 Mengisi data lengkap
lalu klik tombol
HITUNG
Hasil perhitungan
likelihood naïve bayes
akan di tampilkan pada
groupbox likelihood dan
hasil prediksi akan
ditampilkan pada
groupbox hasil prediksi
Valid
8 Mengisi data lengkap
lalu klik tombol
HITUNG
Data hasil perhitungan
naïve bayes akan di
simpan pada database
welding_robot nama
tabel: tblhitung dan
menampilkan nya di
datagrid history pada tab
history
Valid
9 Mengisi data lengkap
lalu klik tombol
HITUNG
Penomeran dan pengisian
id_hitung secara otomatis
Valid
3. Pengujian form data training
Tabel 4.3 pengujian data training
No Sekenario pengujian Hasil yang diharapkan Kesimpulan
1 Klik data training Menampilkan data pada
datagrid training yang
diambil dari database
welding_robot nama
database: tbltraining
Valid
2 klik combo box Menampilkan pilihan data
(3,4,5,6,7)
Valid
3 Tidak mengisi data lalu
klik SIMPAN
Sistem tidak akan
melakukan proses simpan
dan menampilkan pesan
“Masukan nilai (Textbox
yang kosong)”
Valid
4 Mengisi data hanya
menyisakan 1 textbox
kosong
Sistem tidak akan
melakukan proses simpan
dan menampilkan error
”Masukan nilai (textbox
yang kosong)”
Valid
86
5 Mengisi data lalu klik
tombol BATAL
Sistem akan
mengosongkan data yang
ada pada textbox dan
combo box
Valid
6 Mengisi data lengkap
lalu klik tombol
SIMPAN
Sistem akan melakukan
proses menyimpan data
ke dalam database
welding_robot nama
database : tbltraining
Valid
7 Mengisi data lengkap
lalu klik tombol
SIMPAN
setelah data tersimpan
maka datagrid akan
merefresh data dan data
baru akan muncul
Valid
8 Memilih salah satu data
yang ada pada datagrid
Data yang diplih akan
muncul pada masing-
masing textbox
Valid
9 Memilih salah satu data
yang ada pada datagrid
button SIMPAN akan
berubah jadi button EDIT
Valid
10 Memilih salah satu data
yang ada pada datagrid
lalu klik batal
Sistem akan
mengosongkan data yang
ada pada textbox dan
combo box
Valid
11 Memilih salah satu data
yang ada pada datagrid
lalu mengedit nilai yang
ada pada textbox lalu
klik edit
Sistem akan melakukan
update nilai baru dan
menyimpan ke database
lalu merefresh datagrid
Valid
12 Memilih salah satu data
yang ada pada datagrid
lalu klik button DELETE
Sistem akan menghapus
data yang di pilih sesuai
id_parameter dari
database lalu merefresh
datagrid
Valid
4. Pengujian Perhitungan naïve bayes
Tabel 4.4 pengujian perhitungan naïve bayes
Perhitungan Sistem Perhitungan Manual Hasil
87
Likelihood 6x7 = 0/5*1/5*
0/5*2/5*1/5*0/5*5/114 = 0
Likelihood 6x8 =
0/7*1/7*0/7*3/7*3/7*0/7*7/114
= 0
Likelihood 6x9 =
0/3*0/3*0/3*2/3*0/3*0/3*3/114
=0
Likelihood 7x7 =
1/10*0/10*0/10*6/10*5/10*2/10
*10/114 = 0
Likelihood 7x8 =
7/20*8/20*0/20*10/20*11/20
*6/20*20/114 = 0
Likelihood 7x9 =
12/24*5/24*0/24*9/24*5/24
*7/24 24/114 = 0
Likelihood 8x8 =
7/21*8/21*1/21*11/21*8/21
*6/21*21/114 = 0,00006351
Likelihood 8x9 =
13/24*6/24*0/24*6/24*6/24*
6/24*824/114 = 0
dari likelihood diatas maka di
ambil nilai terbesar untuk
dijadikan hasil perhitungan.
Maka nilai terbesar adalah
Likelihood 8x8.sehingga hasil
kaki las adalah 8x8
Akurat
88
4.4 Hasil Uji Coba Aplikasi
Setelah melakukan uji coba terhadap sistem. Maka dapat di simpulkan :
1. Sistem memiliki performance yang relatif stabil.
2. Sistem telah menghasilkan informasi yang valid.
3. Antar muka sederhana dapat mempermudah pengguna dalam mempelajari
sistem penunjang keputusan ini.
4.5 Hasil Uji coba parameter
Setelah sistem berjalan, dilakukan uji coba menerapkan setting parameter
dari aplikasi ke databank welding robot guna mengetahui akurasi ketepatan hasil
prediksi . Hasilnya dituangkan kedalam confusion table berikut
Tabel 4.5 Confusion table
Hasil Aktual
Prediksi 6x7 6x8 6x9 7x7 7x8 7x9 8x8 8x9
6x7 6 1 0 0 0 0 0 0
6x8 0 5 0 0 0 0 1 0
6x9 0 0 6 0 0 0 0 1
7x7 1 0 0 10 0 0 0 0
7x8 0 1 0 0 9 1 0 1
7x9 0 0 0 0 1 12 1 0
8x8 0 1 0 0 0 2 10 0
8x9 0 0 1 0 1 0 0 11
ACCURACY
83.13%
89
4.6 Hasil Uji Coba Lapangan
Pengumpulan data sebelum adanya aplikasi sistem pakar ini dimulai pada
bulan juni sampai bulan agustus dan uji coba di lakukan pada bulan september
sampai bulan oktober. Berikut adalah grafik Average finding defect per bulan di
mulai dari bulan juni sampai agustus sebelum adanya aplikasi sistem pakar.
Gambar 4.5 Grafik defect
Dalam uji coba ini terjadi penurunan rata-rata defect walau tidak terlalu banyak
tetapi dilihat dari grafik menunjukan trend yang positif, akan lebih baik jika terus
dilakukan pengembangan pada penelitian ini.
0
5
10
15
20
25
Juni Juli Agustus September Oktober
Def
ect
/ U
nit
Bulan
Average Finding Defect WeldingRobot
Overlap Undercut
Terjadi penurunan
90
BAB V
PENUTUP
Uraian kesimpulan dan saran dari pembahasan dan penjelasan pada bab-bab
terdahulu adalah sebagai berikut:
5.1 Kesimpulan
Setelah dilakukan pengujian dan analisa program, maka dapat diperoleh
kesimpulan sebagai berikut :
1. Aplikasi yang dibuat dapat membantu pengguna dalam mencari setting
parameter yang tepat untuk menghasilkan ukuran kaki las yang tepat.
2. Tampilan yang sederhana mempermudah untuk memahami aplikasi.
3. Akurasi yang di dapatkan dari hasil perhitungan berjumlah 83,13%.
4. Proses perhitungan naïve bayes berjalan cepat.
5. Tanpa proses login sehingga memudahkan pengguna siapa saja yang ingin
mengunakan aplikasi.
5.2 Saran
Adapun berbagai saran untuk melengkapi kesimpulan yang diambil sebagai
berikut :
1. Program ini masih jauh dari sempurna untuk itu perlu dilakukan perbaikan-
perbaikan demi kesempurnaan program dan kemudahan pengguna.
91
2. Untuk menambah akurasi perhitungan diperlukan data lapangan sebanyak
banyaknya.
3. Akan lebih mudah jika program dibuat berbasis mobile atau android, sehingga
perangkat mudah dibawa kemana-mana terutama dibawa ke gemba (lapangan
tempat bekerja).
4. Perawatan robot juga diperlukan agar nilai parameter yang di inputkan bisa
sama dengan nilai output.
5. Penulis berharap bisa mengembangkan sitem penentuan parameter welding ini
lebih luas yang mencakup berbagai posisi welding seperti posisi 1F,3F,4F,5F
dan 6F.
92
DAFTAR PUSTAKA
Anastasia, D., & Setiawati , L. (2011). Sistem Informasi Akuntansi. Yogyakarta: Andi
Offset.
Dwi Widiastuti. (2012). Analisa Perbandingan Algoritma SVM, Naïve Bayes, Dan
Decision Tree Dalam mengklasifikasikan Serangan (Attacks) Pada Sistem
Pendeteksi Intrus. Jakarta.
Hera , W. (2014). Sistem Pendukung Keputusan Penentuan Kelayakan Calon Tenaga
Kerja Indonesia Menggunakan Metode Naïve Bayes (Studi Kasus Di PT
Karyatama Mitra Sejati Yogyakarta). Yogyakarta.
Juanda, D. S. (2014). Rancang Bangun Mesin Las Gesek(Proses Pembuatan).
Palembang.
Kadir, A. (2014). Pengenalan Sistem Informasi Edisi Revisi. Yogyakarta: Andi
Offset.
Kamal, A. M. (2013). Penggunaan Metode Role Playing Berbantuan Media
Audiovisual untuk Meningkatkan Keterampilan Berbicara Siswa Kelas IV B
SDN Gisikdrono 03 Semarang. Semarang: Universitas Negeri Semarang.
Kosasih, W., & dkk. (2015). Analisis Pengendalian Kualitas Produk Bucket Tipe ZX
200 GP dengan Metode Statistical Process Control dan Failur Mode and
Effect Analysis (Studi Kasus: PT. CDE). Jakarta.
93
Krismiaji. (2015). Sistem Informasi Akuntansi. Yogyakarta: Sekolah Tinggi Ilmu
Manajemen YKPN.
Marlina, N., & Hidayat, R. (2012). Perancangan Sistem Pakar Ghalia Indonesia.
Yogyakarta: ANDI.
Marwanto, A. (2015). Marketing Sukses. Yogyakarta: Kobis.
Nugroho, F. S. (2013). Modul pelatihan pengoperasian robot welding kobelco
fabrikasi excavator PT Hitachi Construction Machinery Indonesia. Cibitung.
Prasetyo, E. (2012). Data Mining Konsep dan Aplikasi menggunakan MATLAB, 1st
ed., Nikodemus WK, Ed. Yogyakarta: ANDI.
Pressman, R. (2012). Rekayasa Perangkat Lunas : Pendekatan Praktisi (Buku Satu).
Yogyakarta: Andi Offset.
Rosa, & Shalahuddin. (2013). Rekayasa Perangkat Lunak Terstruktur Dan
Berorientasi Objek. Bandung: Informatika.
Saraswati, N. S. (2011). Kumpulan Thesis Program Pascasarjana Universitas
Udayana. [Online]. Bali: Universitas Udayana.
Silvia, A. (2013). Pengaruh Profitabilitas dan Pengungkapan Corporate Social
Responsibility Terhadap Nilai Perusahaan (Studi Empiris pada perusahaan
Manufaktur yang Terdaftar di Bursa Efek Indonesia). Padang: Jurnal Fakultas
Ekonomi Universitas Negeri Padang.
Simarmata, J. (2010). Rekayasa Perangkat Lunak. Yogyakarta: Andi Offset.
94
Sujatmiko, E. (2014). Kamus IPS. Surakarta: Aksara Sinergi Media Cetakan I.
Sunyoto, D. (2012). Dasar-dasar manajemen pemasaran. Yogyakarta: CAPS.
Tjiptono, F., & Chandra, G. (2012). Pemasaran Strategik. Yogyakarta: ANDI.
Wawan Yunanto. (2012). Pemetaan Kecelakaan lalu lintas berbasis klasifikasi naive
bayes dengan parameter infrastruktur jalan. Surabaya.
