TUGAS AKHIR Optimasi Multirespon dengan Metode...
Transcript of TUGAS AKHIR Optimasi Multirespon dengan Metode...
Optimasi Multirespon dengan Metode Response Surface DEA formula agresif
dan TOPSIS pada Proses Perautan Logam Mesin EDM SINKING.
Oleh: Farahdina Balqis (1309 100 033)
SEMINAR HASIL TUGAS AKHIR
SELASA, 26 JUNI 2013
Dosen Pembimbing : Dr. Sony Sunaryo, M.Si. M. Sjahid Akbar, M. Si
PENDAHULUAN
AGENDA
TINJAUAN PUSTAKA
METODOLOGI PENELITIAN
ii
ANALISIS DAN PEMBAHASAN
KESIMPULAN DAN SARAN
PENDAHULUAN
2
LATAR BELAKANG
PERUMUSAN MASALAH TUJUAN MANFAAT BATASAN
MASALAH PERANAN
KUALITAS DI DUNIA INDUSTRI
Pengaturan (setting)
Pengoptimalan Sumber Daya
Kedalaman potong akhir dan laju keausan elektroda OPTIMAL
Proses EDM sinking mempengaruhi kualitas kedalaman potong yang besar
Diperoleh dari laju keausan elektroda yang besar pula
• On-Time • Off-Time
• Pulse Current • Gap Widht
3
LATAR BELAKANG
PERUMUSAN MASALAH TUJUAN MANFAAT BATASAN
MASALAH
PENDAHULUAN
Response Surface
TOPSIS
DEA formula agresif
Kedalaman potong akhir dan laju keausan elektroda OPTIMAL
LATAR BELAKANG
PERUMUSAN MASALAH TUJUAN MANFAAT BATASAN
MASALAH
PENDAHULUAN
Penelitian Sebelumnya :
Rochmah (2012) optimasi dengan metode DEA formula Agresive.
Tong, Wang dan Tsai (2010) menggabungkan metode response surface dan DEA.
Çelen dan Yalçın (2012) Dalam penelitian ini, untuk menggabungkan metode FAHP , TOPSIS dan DEA.
4
5
LATAR BELAKANG
PERUMUSAN MASALAH TUJUAN MANFAAT BATASAN
MASALAH
Bagaimana menentukan setting kombinasi optimal kedalaman potong akhir dan laju keausan elektroda secara serentak dengan pendekatan metode respon surface DEA formula agresif dan TOPSIS?
Bagaimana perbandingan hasil secara serentak dengan pendekatan metode response surface DEA formula agresif dan TOPSIS?
2
1
PENDAHULUAN
6
LATAR BELAKANG
PERUMUSAN MASALAH TUJUAN MANFAAT BATASAN
MASALAH
Mengetahui metode terbaik antara DEA formula Agresif dan TOPSIS untuk optimasi Pulse Current, On-time, Off-time, dan
Gap-width terhadap laju keausan elektroda dan kedalaman potong akhir pada mesin EDM sinking.
Mendapatkan nilai setting yang mengoptimalkan kedalaman potong akhir dan laju keausan elektroda secara serentak
2
1
PENDAHULUAN
7
LATAR BELAKANG
PERUMUSAN MASALAH TUJUAN MANFAAT BATASAN
MASALAH
Memberikan informasi mengenai penerapan statistika dalam bidang industri
PENDAHULUAN
Mengoptimasi Pulse Current, On-time, Off-time, dan Gap-width terhadap laju keausan elektroda dan kedalaman
potong akhir pada mesin EDM sinking.
8
LATAR BELAKANG
PERUMUSAN MASALAH TUJUAN MANFAAT BATASAN
MASALAH
Respon yang digunakan untuk diamati adalah Pulse Current, On-time, Off-time, dan Gap-width terhadap laju keausan elektroda dan kedalaman potong akhir pada mesin EDM sinking.
PENDAHULUAN
Data yang digunakan adalah data penelitian yang dilakukan oleh Ro’issuddin mahasiswa jurusan Teknik Mesin ITS
1
2
Benda kerja yang digunakan dalam penelitian ini adalah HPM 38 (HITACHI)b
Elektroda yang digunakan sebagai pahat dalam penelitian ini adalah cooper
3
4
10
TINJAUAN PUSTAKA
1. Membuat matriks yang belum diolah.
2. Membuat matriks keputusan (rpj) yang ternormalisasi
5. Menentukan matriks solusi ideal positif (𝐴+) dan negatif (𝐴-)
6. Menentukan jarak antara nilai setiap alternatif dengan matriks solusi ideal positif dan negatif
7. Menentukan nilai preferensi untuk setiap alternatif
DEA formula agresif TOPSIS Response
Surface Pengujian
Model Pengujian Asumsi
Residual DEA
D =
A1
A2
MAm
C1 C2 L Cn
y11 y12 L y1n
y21 y22 L y2n
M M O Mym1 ym2 L ymn
W = w1 w2 L wn[ ]T
rpj =ypj
ypj2
i=1
m
∑
p = 1,2,K ,m
j = 1,2,K ,n
3. Membuat matriks keputusan yang ternormalisasi terbobot
A+ = max vpj j ∈ J+
, min vpj j ∈ J
−
p = 1,2,K ,m
= v1+ ,v2
+ ,...,vn+( )
A− = min vpj j ∈ J−
, max vpj j ∈ J
+
m = 1,2,K ,m
= v1− ,v2
− ,...,vn−( )
Sp+ = (v j
+ − vpj )2
j =1
n
∑ ; p = 1,2,K ,m
Sp− = (vpj − v j
− )2
j =1
n
∑ ; p = 1,2,K ,m
C p+ =
Sp−
Sp+ + Sp
− ; p = 1,2,K ,m
vpj = w jrpj
p = 1,2,K ,m
j = 1,2,K ,n
11
TINJAUAN PUSTAKA
Dengan fungsi kendala
DEA CCR merupakan model non linier yang dapat ditansformasikan (Al-Refaie dan Li.
2008).
Dengan fungsi kendala
DEA formula agresif
Pengujian Model
Pengujian Asumsi Residual TOPSIS Response
Surface DEA
12
TINJAUAN PUSTAKA
Model formula agresif sebagai berikut.
Dengan fungsi kendala
DEA CCR
Response Surface
Pengujian Model TOPSIS Pengujian Asumsi
Residual DEA formula
agresif
cross-eficiency
13
TINJAUAN PUSTAKA
Uji kesesuaian model H0 : Model sesuai atau tidak terdapat lack of fit H1 : Model tidak sesuai atau terdapat lack of fit Statistik uji :
Daerah Penolakan : H0 ditolak jika
DEA formula agresif
Pengujian Asumsi Residual TOPSIS Response
Surface DEA Pengujian Model
14
TINJAUAN PUSTAKA
Hipotesis : Paling sedikit ada satu
Statistik uji :
Daerah Penolakan : Tolak jika
:1H
r e s i d
r e g r eh i t M S
M SF =
0H
Hipotesis : Statistik uji :
Daerah Penolakan : Tolak jika 0H
Uji Serentak Uji Individu
DEA formula agresif
Pengujian Asumsi Residual TOPSIS Response
Surface DEA Pengujian Model
15
TINJAUAN PUSTAKA
Asumsi Identik Asumsi Independen Menggunakan Autocerrelation Fuction untuk mengetahui adanya independensi atau dependensi pada residual. Bila terdapat lag yang keluar dari batas signifikansi maka dapat dikatakan asumsi independen tidak terpenuhi (adanya autokorelasi).
Menggunakan uji glejser. Asumsi Independen Menggunakan uji Kolmogorov-Smirnov.
DEA formula agresif TOPSIS Response
Surface DEA Pengujian Model
Pengujian Asumsi Residual
16
TINJAUAN PUSTAKA
•Linier (first order model) •Kuadrat (second order model)
DEA formula agresif
Pengujian Model TOPSIS Pengujian Asumsi
Residual Response Surface
DEA CCR
Persamaan model untuk RSM secara umum
y = f(x1,x2 ,...,xp ) + ε
Respons dimodelkan dengan fungsi
17
TINJAUAN PUSTAKA
Box Benhken Design
Prinsip Dasar Proses EDM
Penaksir Parameter dan Nilai Optimum
Box Behnken
Keausan Elektroda Variabel Proses
Salah satu perbedaan box behnken design dengan central composite design adalah pada box behnken tidak ada axial/star runs pada rancangannya. Tidak adanya axial/star runs ini menyebabkan box behnken lebih efisien dalam rancangan, karena melibatkan lebih sedikit unit percobaan.
18
TINJAUAN PUSTAKA
Secara visual untuk mengoptimasi parameter dapat dianalisis dengan contour plot. Secara umum, nilai optimum didapatkan ketika model yang digunakan
adalah model polynomial orde kedua.
“canonic analysis”.
ˆ y = ˆ y 0 + w'Λw = ˆ y 0 + λ1w1
2 + λ2w22 +K + λpwp
2
ˆ y = ˆ y 0 + z'BzOrde 1
Orde 2
Box Behnken
Penaksir Parameter dan Nilai Optimum
Prinsip Dasar Proses EDM
Keausan Elektroda Variabel Proses
19
TINJAUAN PUSTAKA
•Ada tiga kelompok proses pengerjaan dengan EDM, yaitu proses sinking, cutting dan gerinding. •EDM sinking ialah suatu proses EDM yang umumnya digunakan untuk pembuatan rongga pada proses mouding untuk plastik maupun dies.
Box Behnken
Penaksir Parameter dan Nilai Optimum
Keausan Elektroda Variabel Proses Prinsip Dasar
Proses EDM
20
TINJAUAN PUSTAKA
•Keausan elektroda (pahat) pada proses EDM didefinisikan sebagai material removal rate (MRR) yang terjadi pada elektroda. •Elektroda yang baik ialah elektroda yang memiliki temperatur melting yang tinggi dan tahanan listriknya rendah
Box Behnken
Penaksir Parameter dan Nilai Optimum Variabel Proses Keausan
Elektroda Prinsip Dasar Proses EDM
21
TINJAUAN PUSTAKA
Laju keausan elektroda Electro Wear Rate (EWR) yang terjadi pada elektroda
Kedalaman potong akhir Hasil proses perautan dengan gerakan pahat.
On-time Waktu proses pengisian tegangan pada benda kerja dan elektroda hingga loncatan bunga api
berhenti.
Off-time Waktu arus listrik berhenti untuk sesaat sebelum loncatan bunga api listrik selanjutnya
Pulse current Besarnya arus listrik yang mengalir.
Gap width Celah diantara benda kerja dan elektroda.
Box Behnken
Penaksir Parameter dan Nilai Optimum
Prinsip Dasar Proses EDM
Keausan Elektroda Variabel Proses
23
METODOLOGI PENELITIAN
Ro’issuddin (2009) maksimalisasi kedalaman potong akhir dengan laju keausan elektroda sebagai kendala pada proses perautan mesin EDM sinking
Data Sekunder
Tugas Akhir
Sumber Data Variabel Penelitian Langkah Analisis
24
METODOLOGI PENELITIAN
No Variabel Keterangan Satuan
1 X1 On-time Microsecond (μs)
2 X2 Off-time Microsecond (μs)
3 X3 Pulse current Ampere (A)
4 X4 Gap width MicroMilimeter (μm)
5 Y1 Laju keausan elektroda Milimeter kubik/menit (mm3/min)
6 Y2 Kedalaman potong akhir Milimeter (mm)
Variabel Penelitian Langkah Analisis Sumber Data
25
METODOLOGI PENELITIAN
unit percobaan
Kode Parameter Respon
on time off time pulse current gap width kedalaman
potong akhir laju keausan
elektroda
1 1 0 0 -1 1.93 0.6393 2 1 -1 0 1 1.86 0.3529 3 0 1 0 1 1.83 0.3782 4 0 0 0 0 1.91 0.3379 5 -1 1 0 0 1.56 0.5582 6 0 0 1 1 1.81 1.7612 7 0 0 0 0 1.88 0.3695 8 -1 0 1 0 1.52 2.0769 9 0 -1 1 0 1.71 1.9713
10 0 -1 -1 0 1.6 0.5926 11 1 0 1 0 1.89 1.5081 12 0 1 -1 0 1.72 0.8237 13 0 0 -1 -1 1.72 0.7065 14 0 0 0 0 1.9 0.3865 15 0 1 0 -1 1.79 0.5657
22 0 0 -1 1 1.59 0.6435 23 -1 0 0 -1 1.71 0.6996 24 -1 -1 0 0 1.62 0.8061 25 1 -1 0 0 1.75 0.5741 26 0 -1 0 1 1.66 0.691 27 -1 0 -1 0 1.59 0.6627
M
M
M
M
M
M
M
Variabel Penelitian Langkah Analisis Sumber Data
26
METODOLOGI PENELITIAN
Langkah Analisis Variabel Penelitian Sumber Data
Mulai
Menentukan rancangan
percobaan dan variabel penelitian
Melakukan analisis penggabungan dua
variabel respon menjadu satu variabel
respon dengan TOPSIS
Melakukan analisis penggabungan dua
variabel respon menjadu satu variabel respon dengan DEA Formula Aggressive
A
B
27
METODOLOGI PENELITIAN
Langkah Analisis Variabel Penelitian Sumber Data
A
B
Membuat matriks yang elemen-elemennya merupakan variabel respon dari nilai kriteria, alternatif serta bobot. Menghitung nilai keputusan yang ternomalisasi oleh bobot (). Menghitung nilai solusi idéal positif dan négatif Menentukan jarak antara nilai setiap alternatif dengan matriks solusi idéal positif dan négatif Menentukan nilai preferensi untuk mengetahui setting dengan nilai respon optimum Menghitung nilai setting TOPSIS dengan metode OLS. Melakukan proses transformasi variabel respon sesuai dengan karakteristik kualitasnya. Menentukan nilai efisiensi setiap DMUs (Decision Making Units). Mendapatkan nilai elemen matriks cross-efficiencies dengan menggunakan formula agressif yang didapatkan dari model DEA CCR. Mendapatkan hasil estimasi terhadap nilai mean dari cross-efficiencies. Menentukan peringkat dengan melihat nilai mean dari cross-efficiencies Menghitung nilai setting DEA formula Aggressive dengan metode OLS.
C
D
28
METODOLOGI PENELITIAN
Langkah Analisis Variabel Penelitian Sumber Data
C
D
Melakukan analisis optimasi efisiensi
berdasarkan TOPSIS dengan metode response
surface.
Melakukan analisis optimasi efisiensi berdasarkan DEA
Formula Aggressive dengan metode
response surface.
Memodelkan respon (nilai preferensi) Melakukan pengujian hasil kesesuaian model (lack of fit), pengujian serentak dan parsial. Melakukan pengujian asumsi residual, independen dan distribusi normal
Memodelkan respon (nilai efisiensi) Melakukan pengujian hasil kesesuaian model (lack of fit), pengujian serentak dan parsial. Melakukan pengujian asumsi residual, independen dan distribusi normal
Mencari nilai respon optimum dari TOPSIS dan DEA formula agresif response surface.
Membandingkan nilai respon optimum
Selesai
30
ANALISIS DAN PEMBAHASAN
Nilai Keputusan Ternomalisasl (rpj ) rp1 rp2
0.211960227 0.123441453
0.20427255 0.068140918
0.200977831 0.073026056
0.209763748 0.065244591
0.171325365 0.107781978
0.177914802 0.155648608
0.192191915 0.110852085
0.18230776 0.133424126
0.174620083 0.127959723
M
M
1 Nilai Keputusan Ternomalisasi Terboboti (vpj )
vp1 vp2
0.105980113 0.061720726
0.102136275 0.034070459
0.100488916 0.036513028
0.104881874 0.032622295
0.085662682 0.053890989
0.088957401 0.077824304
0.096095958 0.055426042
0.09115388 0.066712063
0.087310042 0.063979861
2
M
M
Matriks Solusi Ideal
A+ A-
0.10762 0.08346
0.20051 0.03262
3
TOPSIS Titik Stasioner
Pengujian Model
Pengujian Asumsi Residual
Model Orde Dua untuk Respon Metode TOPSIS
31
ANALISIS DAN PEMBAHASAN
TOPSIS Titik Stasioner
Pengujian Model
Pengujian Asumsi Residual
Model Orde Dua untuk Respon Metode TOPSIS
Jarak antara Nilai Setiap Preferentif
Si+ Si-
0.019265929 0.001353595
0.027733177 0.000350669
0.026946855 0.000304911
0.02819473 0.000458631
0.021980381 0.000457182
0.015401017 0.002073375
0.021183117 0.000679522
0.018173993 0.001221213
0.019054017 0.000998072
4
M
M
Ci+
0.0656 0.8130
0.9387
0.0124 0.1354
0.0432
0.0111 0.0727 0.069
1 0.016
0 0.0168 0.1186 0.020
3 0.0318 0.031
0 0.950
4 0.0588 0.062
9 0.014
5 0.0918 0.049
7 0 979
5
32
ANALISIS DAN PEMBAHASAN
Pengujian Model
Pengujian Asumsi Residual TOPSIS Response
Surface Model Orde Dua untuk Respon Metode TOPSIS
Model orde dua yang telah ditransformasi sebagai berikut.
Nilai R-sq untuk model ini adalah sebesar 86.2% yang berarti bahwa Model ini dapat dikatakan baik, karena nilai R-sq cukup tinggi.
ˆ y = 7.7272 + 0.4280x1 + 0.4193x2 − 1.5756x3 + 0.7993x4 +− 1.5672x1x1 − 1.7672x2x1 − 0.9527x2x2 +0.2423x3x1 + 0.8163x3x2 − 3.8979x3x3 + 1.4469x4x1 +0.6349x4x2 − 0.2763x4x3 − 1.0940x4x4
ANALISIS DAN PEMBAHASAN
Model Orde Dua untuk Respon Metode TOPSIS
Pengujian Asumsi Residual TOPSIS Titik
Stasioner Pengujian
Model
Sumber Variasi df SS MS F P-value
Regresi 14 148.695 10.621 5.35 0.003
Linear 4 40.311 10.077 5.08 0.013
Kuadratik 4 81.990 20.497 10.33 0.001
Interaksi 6 28.804 4.8007 2.42 0.91
Residual 12 23.813 1.9844
Lack of Fit 10 23.622 2.362 24.80 0.0394
Pure Error 2 0.190 0.095
Total 26 172.507
Uji Lack of Fit H0 : Model sesuai atau tidak terdapat lof H1 : Model tidak sesuai atau terdapat lof F(0.01;10;2) = 99.4 Residual TOPSIS gagal tolak H0 dengan taraf signifikansi 0.01 maka tidak terdapat Lack of Fit atau model telah sesuai
H0 : β1=β2=β3=β4=0 H1 : Paling tidak ada salah satu βj≠0; j=1,2,3,4 F(0.01;14;12) = 4.02 data residual tersebut tolak H0 yang artinya bahwa terdapat parameter yang berpengaruh secara signifikan terhadap model
Uji Serentak
33
34
ANALISIS DAN PEMBAHASAN
Model Orde Dua untuk Respon Metode TOPSIS
Pengujian Asumsi Residual TOPSIS Titik
Stasioner Pengujian
Model
Term
TOPSIS
Koefisien T P-
value Konstanta 7.7272 9.637 0
X1 0.4280 1.026 0.325
X2 0.4193 1.046 0.3162
X3 -1.5756 -
3.875 0.002
X4 0.7993 1.917 0.079
X1*X1 -1.5672 -
2.605 0.023
X2*X2 -0.9527 -
1.556 0.146
-
Uji Individu
Term
TOPSIS
Koefisien T P-
value X1*X3 0.2423 0.344 0.737 X1*X4 1.4469 1.911 0.080 X2*X3 0.8163 1.159 0.269 X2*X4 0.6349 0.942 0.365 X3*X4 -0.2763
-0.392 0.702
Signifikan
35
ANALISIS DAN PEMBAHASAN
Model Orde Dua untuk Respon Metode TOPSIS TOPSIS Titik
Stasioner Pengujian
Model Pengujian Asumsi
Residual
Term TOPSIS
Koefisien T P-value
Kons. 0.280963 0.902 0.385
X1 -0.055881 -0.345 0.736
X2 -0.00795 -0.051 0.96
X3 0 0 1
X4 0.107421 0.663 0.52
X1*X1 0.026373 0.113 0.912
X2*X2 0.482971 2.03 0.065
X3*X3 0.187995 0.785 0.448
X4*X4 0.413766 1.77 0.102
Uji Identik
Term TOPSIS
Koefisien T P-value
X1*X2 -0.197409 -0.745 0.46
X1*X3 -0.081937 -0.299 0.77
X1*X4 0.26432 0.898 0.387
X2*X3 0.043573 0.159 0.876
X2*X4 0.159070 0.607 0.555
X3*X4 0.038364 0.14 0.891
37
ANALISIS DAN PEMBAHASAN
Model Orde Dua untuk Respon Metode TOPSIS
Pengujian Model TOPSIS Pengujian Asumsi
Residual Titik
Stasioner
b =
0.42800.4193
−1.57560.7993
B =
−1.567 −0.8835 0.121 0.7235−0.8835 −0.952 0.408 0.3174
0.121 0.408 −3.898 −0.1380.7235 0.3174 −0.138 −1.094
xs =
0.50033−0.10845−0.222470.69282
On-time = 9.50 µs Off-time = 5.56 µs Pulse current = 7.11 A Gap width = 49 µm
38
ANALISIS DAN PEMBAHASAN
Surface dan Counter Plot TOPSIS Eigen Value TOPSIS
λ1 = −0.2565340 λ2 = −0.739097λ3 = −2.509456 λ4 = −4.006889
karakteristik response surface adalah maximum karena semua nilai eigen value memiliki tanda negative.
ˆ y = 8.263799 − 0.256340λ12 − 0.739097λ2
2 − 2.509456λ32 − 4.006889λ4
2
ANALISIS DAN PEMBAHASAN
Model DMU1: Max=0.6393*u1; 1.93*v1=1; 0.6393*u1<=1.93*v1; 0.3529*u1<=1.86*v1; 0.3782*u1<=1.83*v1; 0.3379*u1<=1.91*v1; 0.5582*u1<=1.56*v1; 1.7612*u1<=1.81*v1; 0.3695*u1<=1.88*v1; 2.0769*u1<=1.52*v1; 1.9713*u1<=1.71*v1; 0.5926*u1<=1.60*v1; 1.5081*u1<=1.89*v1; 0.8237*u1<=1.72*v1; 0.7065*u1<=1.72*v1; 0.3865*u1<=1.90*v1; 0.5657*u1<=1.79*v1; 0.6409*u1<=1.86*v1; 0.7487*u1<=1.71*v1; 0.7154*u1<=1.72*v1; 0.6040*u1<=1.96*v1; 1.5214*u1<=1.69*v1; 1.7456*u1<=1.71*v1; 0.6435*u1<=1.59*v1; 0.6996*u1<=1.71*v1; 0.8061*u1<=1.62*v1; 0.5741*u1<=1.75*v1; 0.6910*u1<=1.66*v1; 0.6627*u1<=1.59*v1; v1>=0; u1>=0; end;
Model DMU2: Max=0.3529*u1; 1.86*v1=1; 0.6393*u1 <= 1.93*v1; 0.3529*u1 <= 1.86*v1; 0.3782*u1 <= 1.83*v1; 0.3379*u1 <= 1.91*v1; 0.5582*u1 <= 1.56*v1; 1.7612*u1 <= 1.81*v1; 0.3695*u1 <= 1.88*v1; 2.0769*u1 <= 1.52*v1; 1.9713*u1 <= 1.71*v1; 0.5926*u1 <= 1.60*v1; 1.5081*u1 <= 1.89*v1; 0.8237*u1 <= 1.72*v1; 0.7065*u1 <= 1.72*v1; 0.3865*u1 <= 1.90*v1; 0.5657*u1 <= 1.79*v1; 0.6409*u1 <= 1.86*v1; 0.7487*u1 <= 1.71*v1; 0.7154*u1 <= 1.72*v1; 0.6040*u1 <= 1.96*v1; 1.5214*u1 <= 1.69*v1; 1.7456*u1 <= 1.71*v1; 0.6435*u1 <= 1.59*v1; 0.6996*u1 <= 1.71*v1; 0.8061*u1 <= 1.62*v1; 0.5741*u1 <= 1.75*v1; 0.6910*u1 <= 1.66*v1; 0.6627*u1 <= 1.59*v1; v1>=0; u1>=0; end;
Model DMU27: Max=0.6627*u1; 1.59*v1=1; 0.6393*u1 <= 1.93*v1; 0.3529*u1 <= 1.86*v1; 0.3782*u1 <= 1.83*v1; 0.3379*u1 <= 1.91*v1; 0.5582*u1 <= 1.56*v1; 1.7612*u1 <= 1.81*v1; 0.3695*u1 <= 1.88*v1; 2.0769*u1 <= 1.52*v1; 1.9713*u1 <= 1.71*v1; 0.5926*u1 <= 1.60*v1; 1.5081*u1 <= 1.89*v1; 0.8237*u1 <= 1.72*v1; 0.7065*u1 <= 1.72*v1; 0.3865*u1 <= 1.90*v1; 0.5657*u1 <= 1.79*v1; 0.6409*u1 <= 1.86*v1; 0.7487*u1 <= 1.71*v1; 0.7154*u1 <= 1.72*v1; 0.6040*u1 <= 1.96*v1; 1.5214*u1 <= 1.69*v1; 1.7456*u1 <= 1.71*v1; 0.6435*u1 <= 1.59*v1; 0.6996*u1 <= 1.71*v1; 0.8061*u1 <= 1.62*v1; 0.5741*u1 <= 1.75*v1; 0.6910*u1 <= 1.66*v1; 0.6627*u1 <= 1.59*v1; v1>=0; u1>=0; end;
DMU1 Global optimal solution found. Objective value: 0.2424239 Infeasibilities: 0.000000 Total solver iterations: 0 Variable Value Reduced Cost U1 0.3792021 0.000000 V1 0.5181347 0.000000 Row Slack or Surplus Dual Price 1 0.2424239 1.000000 2 0.000000 0.2424239 3 0.7575761 0.000000 4 0.8299102 0.000000 5 0.8047723 0.000000 6 0.8615049 0.000000 7 0.5966196 0.000000 : : : 17 0.7129465 0.000000 18 0.7207000 0.000000 19 0.6021018 0.000000 20 0.6199106 0.000000 21 0.7865060 0.000000 22 0.2987296 0.000000 23 0.2240752 0.000000 24 0.5798177 0.000000 25 0.6207206 0.000000 26 0.5337035 0.000000 27 0.6890358 0.000000 28 0.5980750 0.000000 29 0.5725370 0.000000
DMU2 Global optimal solution found. Objective value: 0.1388567 Infeasibilities: 0.000000 Total solver iterations: 0 Variable Value Reduced Cost U1 0.3934731 0.000000 V1 0.5376344 0.000000 Row Slack or Surplus Dual Price 1 0.1388567 1.000000 2 0.000000 0.1388567 3 0.7860870 0.000000 4 0.8611433 0.000000 5 0.8350594 0.000000 6 0.8939272 0.000000 7 0.6190730 0.000000 : : : 17 0.7397779 0.000000 18 0.7478231 0.000000 19 0.6247615 0.000000 20 0.6432405 0.000000 21 0.8161057 0.000000 22 0.3099722 0.000000 23 0.2325082 0.000000 24 0.6016388 0.000000 25 0.6440811 0.000000 26 0.5537891 0.000000 27 0.7149673 0.000000 28 0.6205832 0.000000 29 0.5940841 0.000000
DMU27 Global optimal solution found. Objective value: 0.3050337 Infeasibilities: 0.000000 Total solver iterations: 0 Variable Value Reduced Cost U1 0.4602893 0.000000 V1 0.6289308 0.000000 Row Slack or Surplus Dual Price 1 0.3050337 1.000000 2 0.000000 0.3050337 3 0.9195735 0.000000 4 1.007375 0.000000 5 0.9768620 0.000000 6 1.045726 0.000000 7 0.7241986 0.000000 : : : 17 0.8654005 0.000000 18 0.8748119 0.000000 19 0.7308531 0.000000 20 0.7524700 0.000000 21 0.9546897 0.000000 22 0.3626089 0.000000 23 0.2719907 0.000000 24 0.7038038 0.000000 25 0.7534533 0.000000 26 0.6478287 0.000000 27 0.8363768 0.000000 28 0.7259653 0.000000 29 0.6949663 0.000000
DMUs Ett 1 0.2424239 2 0.1388567 3 0.1512511 4 0.1294741 5 0.2618745 6 0.7121281 7 0.1438416 8 1 9 0.8436933
10 0.2727093 11 0.5839778 12 0.3504843 13 0.3006157
DMUs Ett 14 0.1488757 15 0.2312923 16 0.2521769 17 0.3204348 18 0.3044027 19 0.2255324 20 0.6588472 21 0.7470964 22 0.2961962 23 0.2994206 24 0.3641681 25 0.2400919 26 0.3046477 27 0.3050337
DEA for. agresif
Pengujian Model
Pengujian Asumsi Residual
Titik Stasioner DEA Model Orde Dua untuk
Respon Metode DEA
40
41
ANALISIS DAN PEMBAHASAN
Model DMU1: Min = (22.4422*u1)-(45.27*v1); 45.27*v1 = 1; (0.6393*u1) - (1.93*v1) <= delta; (0.6393*u1) - (0.2424239*(1.93*v1)) = 0; v1 >= 0; u1 >= 0; end
Model DMU2: Min = (22.7286*u1)-(45.34*v1); 45.34*v1 = 1; (0.3529*u1)-(1.86*v1) <= delta; (0.3529*u1) - (0.1388567*(1.86*v1)) = 0; v1 >= 0; u1 >= 0; end
Model DMU27: Min = (22.4188*u1)-(45.61*v1); 45.61*v1 = 1; (22.4188*u1)-(45.61*v1) <= delta; (0.6627*u1) - (0.3050337*(1.59*v1)) = 0; v1 >= 0; u1 >= 0; end
DMU1 Global optimal solution found. Objective value: -0.6371869 Infeasibilities: 0.000000 Total solver iterations: 0 Variable Value Reduced Cost U1 0.1616656E-01 0.000000 V1 0.2208968E-01 0.000000 DELTA 0.000000 0.000000 Row Slack or Surplus Dual Price 1 -0.6371869 -1.000000 2 0.000000 0.6371869 3 0.6371869 0.000000 4 0.000000 -35.10433 5 0.2208968E-01 0.000000 6 0.161665E-01 0.000000
DMU2 Global optimal solution found. Objective value: -0.6331240 Infeasibilities: 0.000000 Total solver iterations: 0 Variable Value Reduced Cost U1 0.1614160E-01 0.000000 V1 0.2205558E-01 0.000000 DELTA 0.000000 0.000000 Row Slack or Surplus Dual Price 1 -0.6331240 -1.000000 2 0.000000 0.6331240 3 0.6331240 0.000000 4 0.000000 -64.40521 5 0.2205558E-01 0.000000 6 0.1614160E-01 0.000000
DMU27 Global optimal solution found. Objective value: -0.6402670 Infeasibilities: 0.000000 Total solver iterations: 0 Variable Value Reduced Cost U1 0.1604604E-01 0.000000 V1 0.2192502E-01 0.000000 DELTA 0.000000 0.000000 Row Slack or Surplus Dual Price 1 -0.6402670 -1.000000 2 0.000000 0.6402670 3 0.6402670 0.000000 4 0.000000 -33.82949 5 0.2192502E-01 0.000000 6 0.1604604E-01 0.000000
DMUs Pembobot formula
Aggressive Input (V1i) Output (U1i)
1 0.01616656 0.02208968 2 0.0161416 0.02205558 3 0.01613093 0.022041 4 0.01615942 0.02207993 5 0.01603549 0.0219106 6 0.01612382 0.02203128 7 0.01614872 0.02206531 8 0.01602145 0.02189142 9 0.01608837 0.02198285
10 0.01614706 0.02192982 11 0.01615228 0.02207018 12 0.01609191 0.02198769 13 0.01609191 0.02198769 14 0.01615585 0.02207506
DMUs Pembobot formula
Aggressive Input (V1i) Output (U1i)
15 0.01611671 0.02202158 16 0.0161416 0.02205558 17 0.01608837 0.02198285 18 0.01609191 0.02198769 19 0.01617728 0.02210433 20 0.01605281 0.02197319 21 0.01608837 0.02198285 22 0.01604604 0.02192502 23 0.01608837 0.02198285 24 0.0160566 0.02193945 25 0.01610253 0.0220022 26 0.0160707 0.02195872 27 0.01604604 0.02192502
DEA Titik Stasioner
Pengujian Model
Pengujian Asumsi Residual
DEA for. agresif
Model Orde Dua untuk Respon Metode DEA
42
ANALISIS DAN PEMBAHASAN
DMUi ei ov DMU1 0.4525 10 DMU2 0.2592 2 DMU3 0.2823 6 DMU4 0.2417 1 DMU5 0.4888 12 DMU6 1.3293 24 DMU7 0.2685 3 DMU8 1.8667 27 DMU9 1.5749 26 DMU10 0.5061 13 DMU11 1.0901 22 DMU12 0.6542 21 DMU13 0.5612 16
DMUi ei ov DMU14 0.2779 4 DMU15 0.4318 8 DMU16 0.4707 11 DMU17 0.5982 20 DMU18 0.5682 17 DMU19 0.4210 7 DMU20 1.2298 23 DMU21 1.3946 25 DMU22 0.5529 14 DMU23 0.5589 15 DMU24 0.2823 5 DMU25 0.4482 9 DMU26 0.5687 18 DMU27 0.5694 19
ei = nilai estimasi
ov = nilai peringkat dari rata-rata dan untuk mengetahui
best performer
DEA Titik Stasioner
Pengujian Model
Pengujian Asumsi Residual
DEA for. agresif
Model Orde Dua untuk Respon Metode DEA
43
ANALISIS DAN PEMBAHASAN
DEA Titik Stasioner
Pengujian Model
Pengujian Asumsi Residual
DEA for. agresif
Model Orde Dua untuk Respon Metode DEA
Model orde dua yang telah ditransformasi sebagai berikut.
ˆ y = 1.90613+ 0.08405x1 − 0.01111x2 − 0.23926x3 + 0.07756x4 +− 0.16337x1x1 + 0.05356x2x1 − 0.14442x2x2 +0.05612x3x1 + 0.06856x3x2 − 0.65494 x3x3 + 0.19019x4 x1 +0.05165x4 x2 + 0.00265x4 x3 − 0.17679x4 x4
Nilai R-sq untuk model ini adalah sebesar 86.58%. Model ini dapat dikatakan baik, karena nilai R-sq cukup tinggi
ANALISIS DAN PEMBAHASAN
DEA Titik Stasioner
Pengujian Asumsi Residual
DEA for. agresif
Pengujian Model
Model Orde Dua untuk Respon Metode DEA
Sumber Variasi df SS MS F P-value
Regresi 14 3.18193 0.2278 5.53 0.003
Linear 4 0.83445 0.2086 5.07 0.013
Kuadratik 4 2.29062 0.5594 13.93 0.000
Interaksi 6 0.161166 0.0268 0.65 0.688
Residual 12 0.49337
Lack of Fit 10 0.48311 0.0483 9.42 0.1
Pure Error 2 0.01026 0.0051
Total 26 3.67530
Uji Lack of Fit H0 : Model sesuai atau tidak terdapat lof H1 : Model tidak sesuai atau terdapat lof F(0.01;10;2) = 99.4 Residual DEA f. Agresif gagal tolak H0 dengan taraf signifikansi 0.01 maka tidak terdapat Lack of Fit atau model telah sesuai
H0 : β1=β2=β3=β4=0 H1 : Paling tidak ada salah satu βj≠0; j=1,2,3,4 F(0.01;14;12) = 4.02 data residual tersebut tolak H0 yang artinya bahwa terdapat parameter yang berpengaruh secara signifikan terhadap model
Uji Serentak
44
45
ANALISIS DAN PEMBAHASAN
DEA Titik Stasioner
Pengujian Asumsi Residual
DEA for. agresif
Pengujian Model
Model Orde Dua untuk Respon Metode DEA
Term
DEA formula Aggressive
Koefisien T P-
value Konstanta 1.90613
16.515 0.000
X1 0.08405 1.40 0.187 X2 -0.011111 -0.193 0.851 X3 -0.23926 -4.088 0.002 X4 0.07756 1.292 0.221 X1*X1 -0.16337 -1.886 0.084 X2*X2 -0.14442 -1.639 0.127 X3*X3 -0.65494 -7.385 0.000 X4*X4 -0.17679 -2.041 0.064
Term DEA formula Aggressive Koefisien T P-value
X1*X2 0.05356
0.552 0.591
X1*X3 0.05612
0.554 0.590
X1*X4 0.19019
1.745 0.106
X2*X3 0.06856
0.678 0.512
X2*X4 0.05165
0.532 0.604
X3*X4 0.00265
0.026 0.980
Uji Individu
Signifikan
46
ANALISIS DAN PEMBAHASAN
Titik Stasioner
Pengujian Model
Pengujian Asumsi Residual DEA DEA for.
agresif Model Orde Dua untuk
Respon Metode DEA
Term DEA formula Aggressive Koefisien T P-value
Kons. 0.055973 1.713 0.112
X1 0.005694 0.335 0.743
X2 -0.030365 -1.858 0.088
X3 -0.001140 -0.069 0.946
X4 0.015316 0.901 0.385
X1*X1 0.052581 2.144 0.053
X2*X2 0.041404 1.659 0.123
X3*X3 -0.072862 -2.901 0.013
X4*X4 0.075496 3.078 0.010
Term DEA formula Aggressive Koefisien T P-value
X1*X2 0.083798 3.050 0.010
X1*X3 0.001268 0.044 0.996
X1*X4 0.089123 2.888 0.014
X2*X3 0 0 1
X2*X4 -0.016872 -0.614 0.551
X3*X4 0.002151 0.075 0.942
Uji Identik
48
ANALISIS DAN PEMBAHASAN
Pengujian Model DEA DEA for.
agresif Model Orde Dua untuk
Respon Metode DEA Pengujian
Asumsi Residual Titik
Stasioner
b =
0.08405−0.0111
−0.239260.07756
B =
−0.163370 0.026779 0.028061 0.0950960.026779 −0.144422 0.034280 0.0258260.028061 0.034280 −0.654939 0.0013280.095096 0.025826 0.001328 −0.176793
xs =
0.5682200.128199
−0.1505060.542576
On-time = 9.84 µs Off-time = 6.51 µs Pulse current = 7.4 A Gap width = 47 µm
49
ANALISIS DAN PEMBAHASAN
Surface dan Counter Plot DEA f. Agresif Eigen Value DEA formula Agresif
λ1 = −0.056751 λ2 = −0.159511λ3 = −0.264579 λ4 = −0.658685
karakteristik response surface adalah maximum karena semua nilai eigen value memiliki tanda negative
ˆ y =1.968346 − 0.056751λ12 − 0.159511λ2
2 − 0.264579λ32 − 0.65865λ4
2
51
ANALISIS DAN PEMBAHASAN
Model Orde Dua Respon Kedalaman Akhir dan Laju Keausan Elektroda Perbandingan Pengujian
Model Pengujian Asumsi
Residual
Model yang didapatkan dari rancangan Box Behnken dengan estimasi parameter menggunakan Ordinary least Square pada untuk respon kedalaman potong akhir (y1) dan laju keausan elektroda (y2)adalah sebagai berikut :
ˆ y 1 = 1.88425+ 0.13261x1 + 0.02296x2 + 0.0325x3 + 0.00572x4 − 0.05481x1x1 +0.04887x1x2 − 0.07817x2x2 + 0.06x3x1 − 0.035x3x2 − 0.14748x3x3 + 0.03034 x4 x1
+ 0.04137x4 x2 + 0.0575x4 x3 − 0.00981x4 x4
ˆ y 2 = 0.37954 − 0.10585x1 + 0.06128x2 + 0.53667x3 − 0.0445x4 + 0.12987x1x1 +0.09181x1x2 + 0.10533x2x2 − 0.15538x3x1 − 0.17025x3x2 − 0.74172x3x3 +− 0.11184x4 x1 − 0.03704 x4 x2 + 0.01965x4 x3 + 0.08326x4 x4
Nilai R-sq untuk model kedalaman potong akhir adalah sebesar 92.86% dan laju keausan elektroda sebesar 99.3% yang berarti bahwa Model ini dapat dikatakan baik, karena nilai R-sq cukup tinggi
52
ANALISIS DAN PEMBAHASAN
Perbandingan Model Orde Dua Respon Kedalaman Akhir dan Laju Keausan Elektroda
Pengujian Asumsi Residual
Pengujian Model
Hasil ANOVA Respon Kedalaman Potong Akhir
Smber Variasi df SS MS F P-value
Regresi 14 0.36883 0.0268 11.14 0.000
Linear 4 0.218042 0.0545 23.0
5 0.000
Kuadratik 4 0.128416 0.0321 13.5
8 0.000
Interaksi 6 0.052546 0.0087 3.70 0.026
Residual 12 0.028375 0.0023
Lack of Fit 10 0.027908 0.0027 11.96 0.08
Pure Error 2 0.000467 0.0002
Total 26 0.397205
Smber Variasi df SS MS F P-value
Regresi 14 7.0401
4 0.5028 120.84 0.000
Linear 4 3.6360
2 0.9090 218.44 0.000
Kuadratik 4 3.1157 0.7788 187.17 0.000
Interaksi 6 0.3127
0 0.0521 12.52 0.000
Residual 12 0.0499
4 0.0041
Lack of Fit 10 0.0487
2 0.0048 8.01 0.116
Pure Error 2 0.0012
2 0.0006
Total 26 7.0900
8
Hasil ANOVA Respon Laju Keausan Elektroda
H0 : Model sesuai atau tidak terdapat lof H1 : Model tidak sesuai atau terdapat lof F(0.01;10;2) = 99.4 Residual kedua respon tersebut gagal tolak H0 dengan taraf signifikansi 0.01 maka tidak terdapat Lack of Fit atau model telah sesuai
H0 : β1=β2=β3=β4=0 H1 : Paling tidak ada salah satu βj≠0; j=1,2,3,4 F(0.01;14;12) = 4.02 data residual kedua respon tersebut tolak H0 yang artinya bahwa terdapat parameter yang berpengaruh secara signifikan terhadap model
Uji Serentak
Uji Lack of Fit
53
ANALISIS DAN PEMBAHASAN
Perbandingan Model Orde Dua Respon Kedalaman Akhir dan Laju Keausan Elektroda
Pengujian Asumsi Residual
Pengujian Model
Term
Kedalaman Potong Akhir Laju Keausan Elektroda
Koefisien T P-value Koefisien T P-
value Kons. 1.88425 68.076 0.000 0.379538 10.336 0.000
X1 0.13261 9.212 0.000 -
0.105853 -5.534 0.000 X2 0.02296 1.659 0.123 0.536675 -3.338 0.006 X3 0.0325 2.315 0.039 0.536675 28.819 0.000
X4 -0.00572 -0.397 0.698 -
0.044495 -2.33 0.038 X1*X1 -0.05481 -2.639 0.022 0.129874 4.713 0.000 X2*X2 -0.07817 -3.669 0.0030 0.105325 3.757 0.003 X3*X3 -0.14748 -6.935 0.000 0.741716 26.289 0.000 X4*X4 -0.00981 -0.472 0.645 0.083261 3.022 0.011 X1*X2 0.04887 2.10 0.058 0.091808 2.974 0.012
X1*X3 0.06 2.468 0.03 -
0.155375 -4.817 0.000 X1*X4 0 03034 1 161 0 268 0 111835 3 226 0 007
Signifikan
Uji Individu
54
ANALISIS DAN PEMBAHASAN
Perbandingan Model Orde Dua Respon Kedalaman Akhir dan Laju Keausan Elektroda
Pengujian Asumsi Residual
Pengujian Model
Term
Kedalaman Potong Akhir Laju Keausan Elektroda
Koefisien T P-
value Koefisien T P-
value Kons. 0.014919 1.649 0.125 0.023128 1.977 0.071
X1 -
0.001974 -
0.419 0.682 0.010210 1.678 0.119
X2 -
0.009827 -
2.172 0.051 -
0.005937 -
1.015 0.330
X3 -
0.010139 -
2.209 0.047 -
0.000595 -0.1 0.922 X4 0.010334 2.196 0.049 0.013077 2.150 0.053 X1*X1 0.001879 0.277 0.787 0.016865 1.922 0.079 X2*X2 0.012280 1.778 0.101 0.007021 0.786 0.447
X3*X3 -
0.005989 -
0.861 0.406 -
0.009338 -
1.039 0.319 X4*X4 0.009606 1.415 0.183 0.009251 1.054 0.313
X1*X2 -
0 016980 -
2 232 0 045 0 012153 1 236 0 240
Uji Identik
7654321
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Aut
ocor
rela
tion
7654321
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Aut
ocor
rela
tion
Plot ACF Residual Respon Kedalaman Potong Akhir
Plot ACF Residual Laju Keausan Elektroda
55
ANALISIS DAN PEMBAHASAN
Perbandingan Model Orde Dua Respon Kedalaman Akhir dan Laju Keausan Elektroda
Pengujian Asumsi Residual
Pengujian Model
Uji Independen
0.080.060.040.020.00-0.02-0.04
99
95
90
80
70
60
50
40
30
20
10
5
1
abs_RES1
Perc
ent
Mean 0.02436StDev 0.02180N 27KS 0.150P-Value 0.121
0.100.080.060.040.020.00-0.02-0.04
99
95
90
80
70
60
50
40
30
20
10
5
1
abs_RES2
Perc
ent
Mean 0.03391StDev 0.02695N 27KS 0.181P-Value 0.031
Plot Probability Residual Respon Kedalaman Potong Akhir
Plot Probability Residual Laju Keausan Elektroda
56
ANALISIS DAN PEMBAHASAN
Perbandingan Model Orde Dua Respon Kedalaman Akhir dan Laju Keausan Elektroda
Pengujian Asumsi Residual
Pengujian Model
Uji Distribusi Normal
57
ANALISIS DAN PEMBAHASAN
Pengujian Asumsi Residual
Model Orde Dua Respon Kedalaman Akhir dan Laju Keausan Elektroda Perbandingan Pengujian
Model
TOPSIS Nilai Setting
Variabel Respon Prediksi Kondisi Optimum CI X1 X2 X3 X4
0.50 -
0.11 0.22 0.69
Y1 1.94 1.72<Y<1.95 Y2 0.28 0.04<Y<0.34 DEA formula Agresif
Nilai Setting Variabel Respon Prediksi Kondisi Optimum CI
X1 X2 X3 X4
0.57 0.13 -0.15 0.54 Y1 1.90 1.72<Y<1.95 Y2 0.37 0.04<Y<0.34
AGENDA
59
Saran Kesimpulan
Metode Faktor
On-time (µs) Off-time (µs) Pulse Current (A) Gap Width (mm) DEA F. A. 9.841 6.512 7.398 32 TOPSIS 9.5 7.57 7.11 51.78
1. Setting parameter setelah ditransformasi ke dalam bentuk kode mesin yang menghasilkan kedalaman potong akhir dan laju keausan elektroda optimum dengan masing-masing karakteristik adalah sebagai berikut.
Metode Respon
Kedalaman Potong Akhir Laju Keausan Elektroda DEA F. A. 1.90 0.37 TOPSIS 1.94 0.28
2. Pada kasus EDM sinking H Walter Exeuron 104 dapat diketahui bahwa metode TOPSIS lebih baik daripada DEA formula Aggressive karena nilai prediksi kondisi optimum masih dalam CI.
AGENDA
60
Kesimpulan Saran
Adapun saran yang diberikan untuk penelitian selanjutnya berdasarkan penelitian yang telah dilakukan adalah merubah setting
mesin EDM sinking terhadap keempat faktor yang diteliti dan melakukan penelitian lebih lanjut dengan mengukur peubahan nilai
faktor tersebut masih memberikan efek yang baik terhadap hasil produksi
Optimasi Multirespon dengan Metode Response Surface Data Envelopment
Analysis formula agresif dan Technique for Order of Preference by Similarity to Ideal Solution pada Proses Perautan
Logam Mesin EDM SINKING.
Oleh: Farahdina Balqis (1309 100 033)
SEMINAR PROPOSAL TUGAS AKHIR
RABU, 13 MARET 2013
Dosen Pembimbing : Dr. Sony Sunaryo, M.Si.
M. Syahid Akbar, S. Si, M. Si