perpustakaan.uns.ac.id digilib.uns.ac.id commit to user PREDIKSI UMUR PAHAT DENGAN METODE MESIN PENDUKUNG VEKTOR (SUPPORT VECTOR MACHINE) SKRIPSI Diajukan sebagai salah satu syarat Untuk memperoleh gelar Sarjana Teknik Disusun oleh : AGUS WINOTO NIM. I 1404002 JURUSAN TEKNIK MESIN FAKULTAS TEKNIK UNIVERSITAS SEBELAS MARET SURAKARTA 2011
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
PREDIKSI UMUR PAHAT DENGAN METODE MESIN PENDUKUNG VEKTOR (SUPPORT VECTOR MACHINE)
SKRIPSI
Diajukan sebagai salah satu syarat Untuk memperoleh gelar
Sarjana Teknik
Disusun oleh :
AGUS WINOTO NIM. I 1404002
JURUSAN TEKNIK MESIN FAKULTAS TEKNIK UNIVERSITAS SEBELAS MARET
SURAKARTA 2011
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
v
PREDIKSI UMUR PAHAT DENGAN METODE MESIN PENDUKUNG VEKTOR (SUPPORT VECTOR MACHINE)
Agus Winoto
ABSTRAK
Penelitian ini bertujuan untuk memperkirakan umur pahat dengan menggunakan metode mesin pendukung vektor (support vector machine) yang dapat bermanfaat dalam perencanaan proses permesinan. Dalam prediksi menggunakan algoritma Multylayer Perceptron ( MLP ), Radial Basis Function (RBF) dan Polynomial. Data – data masukan pada program dengan menggunakan data-data yang diambil dan dihitung dari data pengukuran secara langsung dari praktek konvensional. Parameter-parameter yang diambil untuk prediksi umur pahat adalah variasi putaran poros, diameter benda kerja dan waktu pemotogan. Jumlah variasi percobaan adalah sebanyak 50, dari variasi data ini 35 data digunakan untuk data pelatihan dan sisanya sebanyak 15 data akan digunakan sebagai data pengujian. Hasil dari analisa data menunjukkan bahwa hasil pelatihan dapat mendekati perhitungan sebenarnya dengan ketelitian prediksi 90,03% (MLP), 98,17% (RBF) dan 98,98% (polynomial). Berdasarkan hasil tersebut bisa disimpulkan bahwa prediksi umur pahat dengan algoritma polynomial dapat digunakan secara tepat dan akurat untuk memprediksi umur pahat. Kata kunci : support vector machine, prediksi umur pahat, alogaritma MLP,
alogaritma RBF, alogaritma Polynomial.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
vi
TOOL LIFE PREDICTION USING SUPPORT VECTOR MACHINE METHOD
Agus Winoto
ABSTRACT
The aim of this research is to estimate the tool life using support vector
machine method, that useful in machining process planning. The prediction used algorithm Perceptron Multylayer (MLP), Radial Basis Function (RBF) and polynomial. The input data on the program using the data collected and calculated from measurement data directly from conventional practice. The variations uses in this research are the rotations of shaft, the diameter of workpiece and cutting time. The number of variations of the experiment are as many as 50, 35 used for training data and the rest of 15 data will be used as test data. The analysis shows that that the results of training approached the actual calculation of prediction accuracy reached 90.03% (MLP), 98.17% (RBF) and 98.98% (polynomial). Based on these results can be concluded that the prediction of tool life with polynomial algorithm can be used appropriately and accurately to predict tool life. Keywords : support vector machine, tool life prediction, MLP algorithm, RBF
algorithm, Polynomial algorithm.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
vii
KATA PENGANTAR
Dengan segala kerendahan hati, penulis mengucapkan rasa syukur kepada
Allah SWT karena hanya dengan lindungan, rahmat dan karuniaNya-lah penulis
telah selesai menyusun laporan tugas akhir dengan judul “Prediksi Umur Pahat
Dengan Metode Mesin Pendukung Vektor (Support Vektor Machine)” dengan
lancar tanpa halangan yang berarti. Semoga hasil pengerjaan laporan tugas akhir
ini dapat menambah wawasan keilmuan dalam bidang teknik, khususnya teknik
mesin. Tidak lupa penulis mengucapkan terima kasih kepada :
1. Bp. Muhammad Nizam, ST, MT., Phd dan Bp. Eko Prasetyo B, ST, MT.,
selaku dosen Pembimbing Tugas Akhir yang telah memberikan banyak
masukan dan arahan.
2. Bp. Dody Ariawan, ST, MT., selaku Ketua Jurusan Teknik Mesin dan
«--- Arah perkembangan penemuan material pahat jenis baru
Sumber : Teori dan Teknologi Proses Permesinan (Taufiq rochim,1993)
Untuk menentukan harga eksponen n dan konstanta CT dari rumus Taylor
diperlukan suatu percobaan permesinan. Benda kerja yang dipilih harus
mempunyai kualitas baik (yang mempunyai kesamaan struktur pada seluruh
penampang yang akan dipotong/dibubut). Demikian pula halnya dengan pahat
yang digunakan. Karena pahat tersebut akan aus untuk satu kali pemotongan maka
diperlukan pengasahan yang hati-hati (bila pahat dari HSS) atau digunakan satu
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
18
set pahat karbida sisipan dengan kualitas yang sama (berasal dari satu pabrik, bila
mungkin dari satu set yang terdiri atas beberapa sisipan). Untuk kombinasi benda
kerja dan pahat (dengan geometri tertentu) tersebut, percobaan pemotongan
dilakukan dengan cara menentukan umur pahat pada beberapa harga kecepatan
potong. Dalam hal ini sudut penempatan pahat, gerak makan, kedalaman potong
dan kriteria keausan (dimensi keausan) tidak diubah.
Untuk mengetahui dimensi keausan diperlukan penghentian proses
pemotongan sehingga pahat yang dipakai dapat diukur keausanaya (dengan
microscop atau alat ukur kekasaran permukaan). Apabila batas keausan
maksimum belum dicapai maka proses permesinan dapat dilanjutkan untuk
kemudian dihentikan lagi guna mengukur keausanya. Umur pahat merupakan
seluruh waktu pemotongan sehingga dicapai batas keausan yang telah ditetapkan.
Hal ini dapat diperkirakan dengan cermat, dengan bantuan kertas grafik dengan
sekala dobel logaritma. Sumbu tegak merupakan dimensi keausan (VB atau K)
dan sumbu mendatar adalah waktu pemotongan (tc). Umumnya data pengamatan
keausan tehadap waktu akan tersebar disekitar garis lurus. Ekstrapolasi dan
interpolasi dapat dilakukan dengan cara menarik garis mendatar dari sumbu tegak
dari suatu harga keausan sampai memotong garis tersebut dan dilanjutkan menarik
garis turun sampai memotong sumbu waktu yang merupakan umur pahat yang
dicari untuk suatu harga kecepatan potong tertentu. Bila perlu pada kecepatan
potong yang sama percobaan diulang guna untuk mengetahui kesamaan
(keterulangan) yang diperoleh. Demikian pula untuk variasi kecepatan potong
yang lain (tidak boleh terlalu rendah ataupun terlalu tinggi). Persamaan fungsi
linier yang didapatkan, yaitu :
log v + n log T = log CT
Dapat diperkirakan dengan menggunakan analisis garis regresi (metode kuadrat
terkecil, least squeres method) untuk menentukan harga terbaik dari eksponen n
dan konstanta CT masing-masing dengan harga deviasi standarnya.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
19
2.2. Mesin Pendukung Vektor (support vector machine)
Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari
hyperplane terbaik yang berfungsi sebagai pemisah dua buah class pada input
space. Gambar 2.6. memperlihatkan beberapa pattern yang merupakan anggota
dari dua buah class : +1 dan –1. Pattern yang tergabung pada class –1 disimbolkan
dengan warna merah (kotak), sedangkan pattern pada class +1, disimbolkan
dengan warna kuning (lingkaran). Problem klasifikasi dapat diterjemahkan
dengan usaha menemukan garis (hyperplane) yang memisahkan antara kedua
kelompok tersebut. Berbagai alternatif garis pemisah (discrimination boundaries)
ditunjukkan pada gambar 2.6-a.
Gambar 2.6. Mesin Pendukung Vektor
Hyperplane pemisah terbaik antara kedua class dapat ditemukan dengan
mengukur margin hyperplane tersebut dan mencari titik maksimalnya. Margin
adalah jarak antara hyperplane tersebut dengan pattern terdekat dari masing-
masing kelas. Pattern yang paling dekat ini disebut sebagai support vector. Garis
solid pada gambar 2.6-b menunjukkan hyperplane yang terbaik, yaitu yang
terletak tepat pada tengah-tengah kedua class, sedangkan titik merah dan kuning
Margin
kelas -1 kelas +1 Kelas -1 kelas +1
(a) (b)
Garis pemisah
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
20
yang berada dalam lingkaran hitam adalah support vector. Usaha untuk mencari
lokasi hyperplane ini merupakan inti dari proses pembelajaran pada SVM.
Data yang tersedia dinotasikan sebagai ⵈ矗i ∈ ℜ d sedangkan label masing -
masing dinotasikan yi ∈{−1,+1} untuk i = 1,2,...,l , yang mana l adalah
banyaknya data. Diasumsikan kedua class –1 dan +1 dapat terpisah secara
sempurna oleh hyperplane berdimensi d , yang didefinisikan
꧘紫紫矗. ⵈ矗十瑰实0Ⰸ2.1邹 Pattern ⵈ矗i yang termasuk class –1 (sampel negatif) dapat dirumuskan sebagai
pattern yang memenuhi pertidaksamaan ꧘紫紫紫紫矗. ⵈ矗i 十瑰 屎石1Ⰸ2.2邹 sedangkan pattern ⵈ矗i yang termasuk class +1 (sampel positif)
꧘紫紫矗. ⵈ矗i 十瑰 屎十1Ⰸ2.3邹 Margin terbesar dapat ditemukan dengan memaksimalkan nilai jarak antara
hyperplane dan titik terdekatnya, yaitu 1/|| ꧘紫紫矗 ||. Hal ini dapat dirumuskan sebagai
Quadratic Programming (QP) problem, yaitu mencari titik minimal persamaan
(2.4), dengan memperhatikan constraint persamaan (2.5).
min τ(w) = 囊挠 || ꧘紫紫矗 || 2 (2.4)
yi ( ⵈ矗i . ꧘紫紫矗 + b)– 1 驶0, i (2.5)
Problem ini dapat dipecahkan dengan berbagai teknik komputasi,di antaranya
lagrange Multiplier.
L( ꧘紫紫矗,b,荒 ) 囊挠 || ꧘紫紫矗 || 2 ∑ α囊平妮囊 i
( yi ( ⵈ矗i . ꧘紫紫矗 + b)– 1)
(i = 1,2,....,l) (2.6) 荒i,adalah Lagrange multipliers,yang bernilai nol atau positif (荒i驶 0). Nilai
optimal dari persamaan (2.6) dapat dihitung dengan meminimalkan L terhadap ꧘紫紫矗 dan b,dan memaksimalkan L terhadap αi,dengan memperhatikan sifat bahwa pada
titik optimal gradient L=0,Persamaan (2.6) dapat dimodiifikasi sebagai
maksimalisasi problem yang hanya mengandung saja αi , sebagaimana persamaan
(2.7) dibawah
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
21
Memaksimalkan :
素 荒平评平妮囊 石12 素 荒平囊
平,凭妮囊 荒凭裹平裹凭ⵈ矗平Ⰸ2.7邹 Dengan batasan :
荒平 驶0Ⰸ轨实1,2,… ,癸邹素 荒平囊平妮囊 裹平实0Ⰸ2.8邹
Dari hasil dari perhitungan ini diperoleh αi yang positif inilah yang disebut
sebagai support vector.
2.2.1. Soft Margin
Penjelasan di atas berdasarkan asumsi bahwa kedua belah class dapat
terpisah secara sempurna oleh hyperplane. Akan tetapi, umumnya dua buah class
pada input space tidak dapat terpisah secara sempurna. Hal ini menyebabkan
constraint pada persamaan (2.5) tidak dapat terpenuhi, sehingga optimisasi tidak
dapat dilakukan. Untuk mengatasi masalah ini, SVM dirumuskan ulang dengan
memperkenalkan teknik softmargin. Dalam softmargin, persamaan (2.5)
dimodifikasi dengan memasukkan slack variabel ξi (ξi > 0) sbb.
裹平Ⰸⵈ矗平. ꧘紫紫矗十瑰邹驶1石谎平∀轨Ⰸ2.9邹
Dengan demikian persamaan (2.4) diubah menjadi:
min扑紫紫矗 τⰈ꧘紫紫矗, ξ邹实12‖꧘紫紫矗‖挠十C素 谎平囊平妮囊 Ⰸ2.10邹
Parameter C dipilih untuk mengontrol tradeoff antara margin dan eror klasifikasi
ξ.Nilai C yang besar akan memberikan penalti yang lebih besar terhadap error
klasifikasi tersebut.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
22
2.2.2. Kernel Trick dan Non Linier Classification Pada SVM
Pada umumnya masalah dalam domain dunia nyata (real world problem)
jarang yang bersifat linear separable. Kebanyakan bersifat non linear. Untuk
menyelesaikan problem non linear, SVM dimodifikasi dengan memasukkan
fungsi Kernel.
Dalam non linear SVM, pertama-tama data dipetakan oleh fungsi
ke ruang vektor yang berdimensi lebih tinggi. Pada ruang vektor yang baru ini,
hyperplane yang memisahkan kedua class tersebut dapat dikonstruksikan. Hal ini
sejalan dengan teori Cover (1965) yang menyatakan“Jika suatu transformasi
bersifat non linear dan dimensi dari feature space cukup tinggi, maka data pada
input space dapat dipetakan ke feature space yang baru, dimana pattern-pattern
tersebut pada probabilitas tinggi dapat dipisahkan secara linear”.
Ilustrasi dari konsep ini dapat dilihat pada gambar 2.7. Pada gambar 2.7-a
diperlihatkan data pada class kuning dan data pada class merah yang berada pada
input space berdimensi dua tidak dapat dipisahkan secara linear. Selanjutnya
gambar 2.7-b menunjukkan bahwa fungsi Φ memetakan tiap data pada input
space tersebut ke ruang vektor baru yang berdimensi lebih tinggi (dimensi 3),
dimana kedua class dapat dipisahkan secara linear oleh sebuah hyperplane. Notasi
matematika dari mapping ini adalah sbb.
( a ) ( b )
Gambar 2.7. Pemisahan kelas secara linier dengan hyperplane.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
23
Tabel 2.3. Tabel Kernel Yang Umum Dipakai Dalam SVM
Jenis kernel Definisi
Polynomial 翰试ⵈ平, ⵈ凭守实Ⰸⵈ平飘. ⵈ凭十1邹聘
Multilayer perceptron 翰试ⵈ平, ⵈ凭守实tanhⰈ滚ⵈ平飘ⵈ凭十棍挠邹 Radial Basis Function 翰试ⵈ平, ⵈ凭守实硅疼铺腮能铺鳃疼潜弃潜
Pemetaan ini dilakukan dengan menjaga topologi data, dalam artian dua
data yang berjarak dekat pada input space akan berjarak dekat juga pada feature
space, sebaliknya dua data yang berjarak jauh pada input space akan juga berjarak
jauh pada feature space. Selanjutnya proses pembelajaran pada SVM dalam
menemukan titik-titik support vector, hanya bergantung pada dot product dari
data yang sudah ditransformasikan pada ruang baru yang berdimensi lebih tinggi,
yaitu:
ΦⰈⵈ矗平邹.ΦⰈⵈ矗平邹. Karena umumnya transformasi Φ ini tidak diketahui, dan sangat sulit
untuk difahami secara mudah, maka perhitungan dot product tersebut sesuai teori
Mercer dapat digantikan dengan fungsi kernel 翰试ⵈ矗平, ⵈ矗凭守 yang mendefinisikan
secara implisit transformasi Φ. Hal ini disebut sebagai Kernel Trick, yang
dirumuskan: 翰试ⵈ矗平, ⵈ矗凭守实ΦⰈⵈ矗平邹.ΦⰈⵈ矗平邹Ⰸ2.12邹 Kernel trick memberikan berbagai kemudahan, karena dalam proses
pembelajaran SVM, untuk menentukan support vector, kita hanya cukup
mengetahui fungsi kernel yang dipakai, dan tidak perlu mengetahui wujud dari
fungsi non linear Φ. Berbagai jenis fungsi kernel dikenal, sebagaimana
dirangkumkan pada tabel 2.3.
Selanjutnya hasil klasifikasi dari dataⵈ矗 diperoleh dari persamaan berikut :
归试ΦⰈⵈ矗邹守实꧘紫紫矗.ΦⰈⵈ矗邹十瑰Ⰸ2.13邹
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
24
SV pada persamaan di atas dimaksudkan dengan subset dari training set yang
terpilihsebagai support vector, dengan kata lain data yang berkorespondensi
pada ≥ 0 .
2.3. Support Vector Regression
SVM dapat juga diaplikasikan pada permasalahan regresi dengan
pengenalan pada sebuah alternative fungsi kerugian, (Smola, 1996). Fungsi
kerugian harus dimodifikasi untuk melibatkan ukuran jarak. Gambar 2.8.
menggambarkan empat kemungkinan fungsi kerugian.
(a) Quadratic (b) Laplace
(c) Huber (d) Î- insentive
Gambar 2.8. Fungsi Regresi
Fungsi regresi pada gambar 2.8. (a) behubungan dengan kriteria kesalahan
kuadrat yang paling sedikit. Fungsi regresi pada gambar 2.8. (b) adalah sebuah
fungsi regresi Laplacian yang tidak begitu sensitif terhadap faktor luar daripada
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
25
fungsi regresi quadratic. Huber mengusulkan fungsi regresi pada Gambar 2.8. (c)
sebagai sebuah fungsi regresi yang kuat yang memiliki sifat yang optimal ketika
distribusi data tidak diketahui. Untuk mengetahui hal ini, Vapnik mengusulkan
fungsi kerugian pada Gambar 2.8. sebagai sebuah perkiraan terhadap fungsi
kerugian milik Hubber yang memungkinkan adanya sebuah regresi pada vektor
pendukung yang diperoleh.
2.3.1. Regresi Linier
Pertimbangkan permasalahan dalam perkiraan data set,
D = {(x1, y1),…, (x1, y1)}, x Î Rn, y Î R, (2.14)
Dengan fungsi linier,
f (x) = (w,x) + b. (2.15)
Fungsi regresi optimal diberikan oleh fungsi minimumnya,
F (w, x) = ½ ççwçç2 + C S (xi- + xi
+), (2.16)
Di mana C adalah nilai pra-spesifik, dan x-, x+ adalah variabel bebas yang
mewakili batasan atas dan bawah pada hasil dari sistim tersebut.
2.3.1. Regresi Non-Linier
Dengan cara yang sama untuk masalah klasifikasi, sebuah model non-
linier biasanya dibutuhkan untuk mendapatkan data model yang sesuai. Dengan
cara yang sesuai dengan pendekatan SVC non-linier, sebuah pemetaan non-linier
dapat digunakan untuk memetakan data ke dalam ruang tampilan dimensi yang
tinggi di mana regresi linier dilakukan. Pendekatan Kernel dipakai untuk
mendapatkan dimensi yang tepat. Penyelesaian SVR non-linier, dengan
menggunakan fungsi kerugian Î - insentif, Gambar 2.8 (d), didapatkan dengan,
Persamaan penyelesaian 3.21 dengan Penyelesaian pembatasan 3.22 menentukan
pengganda Lagrange, µ, µ*, dan fungsi regresi diberikan dengan,
归Ⰸ贯邹实素 Ⰸ荒黔伸石荒黔∗呻呻呻ax 邹翰ⰈX平,X邹十瑰呻Ⰸ2.19邹
Di mana
⟨卉伸, ⵈ⟩ 实素 Ⰸ荒平评平妮囊 石荒平∗邹翰试ⵈ平, ⵈ凭守Ⰸ2.20邹
瑰呻实石12素 Ⰸ评平妮囊 荒平石荒平∗邹Ⰸ翰Ⰸⵈ平, ⵈ破邹十翰Ⰸⵈ平, ⵈx邹邹
Karena dengan SVC, batasan persamaan dapat menurun jika Kernel
mengandung pola yang bias, b diakomodasi di antara fungsi Kernel, dan fungsi
regresi diberikan dengan,
归Ⰸⵈ邹实素 Ⰸ评平妮囊 荒黔伸石荒黔∗呻呻呻邹翰Ⰸⵈ平, ⵈ邹Ⰸ2.21邹
Kriteria optimalisasi untuk fungsi regresi yang lain dalam Bab 2.3.1 secara
mirip didapatkan dengan mengganti produk titik dengan sebuah fungsi Kernel.
Fungsi kerugian Î - insentif menarik karena tidak seperti fungsi biaya Huber dan
quadratic, di mana semua poin data merupakan vektor pendukung, fungsi SV bisa
jadi jarang. Fungsi kerugian quadratic menghasilkan sebuah penyelesaian di mana
sesuai dengan regresi daerah, atau zeroth order regularization, di mana parameter
regularisasi l = 1/2C.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
27
BAB III
METODOLOGI PENELITIAN
3.1. Waktu dan Tempat Pelaksanaan Penelitian
Penelitian ini dilaksanakan pada bulan September 2010 di Laboratorium
produksi dan Laboratorium Material Jurusan Teknik Mesin Fakultas Teknik
Universitas Sebelas Maret Surakarta.
3.2. Bahan Penelitian
Untuk pengambilan data keausan pahat secara konvensional bahan yang
digunakan dalam penelitian ini adalah baja ST 70 dengan diameter 25 mm dan
panjang 250 mm.
3.3. Alat Yang Digunakan
Peralatan yang digunakan dalam pengambilan data umur pahat mesin bubut
adalah sebagai berikut :
1. Mistar Ingsut
Alat yang digunakan untuk mengukur panjang benda kerja baik sebelum
dipotong maupun sesudah dipotong, dan juga digunakan untuk mengukur
diameter benda kerja baik sebelum dibubut maupun sesudah dibubut.
2. Mesin Bubut
Mesin bubut yang digunakan adalah mesin bubut konvensional, yaitu:
Ø Jenis : Bubut
Ø Merk : SANWA C06 32A
Gambar 3.1. Mesin Bubut SANWA
27
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
28
3. Stopwatch
Gambar 3.2 Stopwatch
4. Pahat
Pahat yang digunakan adalah pahat HSS
5. Alat Uji Keausan Pahat
Gambar 3.3. Alat Uji Keausan Pahat
Peralatan yang digunakan dalam simulasi prediksi umur pahat dalam
penelitian ini sebagai berikut :
a. Notebook/laptop
Dengan Spesifikasi :
1) Merk : Compaq CQ 40
2) Processor : Pentium Core Duo T3200 2.0 Ghz
3) Ram : 2 Gb
4) Hardisk : 160 Gb
b. Perangkat lunak dan bahasa pemrograman yang digunakan adalah
MATLAB versi 7.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
29
3.4 Desain penelitian
Penelitian ini dilakukan sesuai variasi pengambilan data yang ada pada tabel
3.1. Data-data yang dicatat nantinya akan dihitung secara manual sesuai teori
permesinan dan untuk data keausan pahat dapat diukur secara langsung dari hasil
pengujian keausan pahat. Kemudian data-data penelitian dan data hasil
perhitungan teoritis akan disusun kembali sebagai data penelitian untuk
memprediksi keausan pahat dengan menggunakan metode mesin pendukung
vektor (support vector machine).
Variabel-variabel data ditetapkan sebagai berikut :
a. Data-data hasil penelitian (pengambilan data uji) yaitu putaran mesin bubut
(rpm), diameter benda kerja (mm) dan waktu pemotongan (menit) disebut
sebagai masukan (input).
b. Data-data keausan pahat hasil pengujian sesungguhnya dalam praktek
konvensional disebut keluaran (target).
c. Data-data keausan pahat hasil keluaran saat pelatihan SVM disebut sebagai
keluaran keausan pahat (Yt).
d. Data-data keausan pahat hasil perhitungan sesungguhnya saat pengujian
disebut sebagai target keausan pahat (Yt1).
3.5 Langkah Kerja Penelitian
Penelitian dilakukan dua tahap. Pertama, mengambil data penelitian secara
manual, yaitu dengan melakukan proses pembubutan. Pengambilan data dilakukan
sebanyak 50 kali dengan variasi putaran spindle, dan diameter benda kerja.
Kedua, data variasi dari tahap pertama dan hasilnya digunakan untuk
pengujian dengan metode mesin pendukung vektor. Tahap-tahapnya adalah
sebagai berikut
a. Tiga puluh lima data (data variasi dan data hasil manual) diambil untuk
digunakan sebagai data pelatihan jaringan. Setelah kinerja jaringan yang
terbaik didapat (ditentukan melalui para meter jaringan).
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
30
b. Lima belas data di ambil digunakan sebagai data pengujian dengan
menggunakan jaringan yang sudah terbentuk dan menghasilkan keluaran
baru.
c. Data hasil perhitungan manual dan keluaran baru dibandingkan.
d. Membandingkan data hasil pengujian dengan data perhitungan manualnya
untuk mengetahui error diantara keduanya.
Tabel 3.1. Desain Pengujian pada mesin bubut SANWA
No Putaran (n)
(rpm)
Kecepatan Potong
(vc) (m/min)
Gerak Makan
(f) (mm/r)
Kedalaman Makan
(a) (mm)
1 1255 96,547 0,2 0,5
2 1255 92,606 0,2 0,5
3 1255 88,,665 0,2 0,5
4 1255 84,725 0,2 0,5
5 1255 80,784 0,2 0,5
6 1255 76,843 0,2 0,5
7 1255 72,902 0,2 0,5
8 1255 68,962 0,2 0,5
9 1255 65,021 0,2 0,5
10 1255 61,080 0,2 0,5
11 755 58,082 0,2 0,5
12 755 55,711 0,2 0,5
13 755 53,340 0,2 0,5
14 755 50,970 0,2 0,5
15 755 48,599 0,2 0,5
16 755 46,228 0,2 0,5
17 755 43,857 0,2 0,5
18 755 41,487 0,2 0,5
19 755 39,116 0,2 0,5
20 755 36,745 0,2 0,5
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
31
21 460 35,387 0,2 0,5
22 460 33,943 0,2 0,5
23 460 32,499 0,2 0,5
24 460 31,057 0,2 0,5
25 460 29,610 0,2 0,5
26 460 28,165 0,2 0,5
27 460 26,721 0,2 0,5
28 460 25,277 0,2 0,5
29 460 23,832 0,2 0,5
30 460 22,388 0,2 0,5
31 300 23,079 0,2 0,5
32 300 22,137 0,2 0,5
33 300 21,195 0,2 0,5
34 300 20,253 0,2 0,5
35 300 19,311 0,2 0,5
36 300 18,369 0,2 0,5
37 300 17,427 0,2 0,5
38 300 16,485 0,2 0,5
39 300 15,543 0,2 0,5
40 300 14,601 0,2 0,5
41 190 14,616 0,2 0,5
42 190 14,020 0,2 0,5
43 190 13,423 0,2 0,5
44 190 12,826 0,2 0,5
45 190 12,230 0,2 0,5
46 190 11,633 0,2 0,5
47 190 11,037 0,2 0,5
48 190 10,440 0,2 0,5
49 190 9,843 0,2 0,5
50 190 9,247 0,2 0,5
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
32
3.6 Diagram Alir Peneltian
Gambar 3.4. Diagram alir penelitian
Pengambilan sampel data sebagai masukan SVM yang terdiri dari : a. Putaran (rpm) b. Diameter benda kerja (mm) c. Waktu Pemotongan (mnt)
Pengukuran keausan tepi pahat bubut dengan metode konvensional/manual
Penghitungan keausan pahat bubut dengan metode Mesin Pendukung Vektor (SVM)
Data : Keausan tepi pahat bubut hasil perhitungan konvensional/manual
Data sampel/masukan
Data : Keausan Pahat bubut hasil prediksi Mesin Pendukung Vektor (SVM)
Validasi data perbandingan antara data konvensional/manual dengan SVM.
Kesimpulan
Selesai
Mulai
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
33
Proses Pembubutan dan Perhitungan Data Secar Konvensional
Gambar 3.5. Diagram alir proses pembubutan dan perhitungan data secara
konvensional
Persiapan Bahan
Material Baja ST 70
Set-up Mesin Bubut Mesin Bubut + Pahat HSS
Proses Pembubutan dengan Variasi vc, n,dan d n = 190 rpm, 300 rpm, 460 rpm, 755 rpm, 1255 rpm d = 25mm, 24mm, 23mm, 22mm, 21mm, 20mm,19mm 18mm, 17mm, 16mm. a = 0,5 mm (konstan) f = 0,2mm/r (konstan)
Pengukuran: 1.Waktu Pemotongan (tc) 2.Keausan Tepi (VB)
Data Keausan Tepi Pahat
Selesai
Mulai
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
34
3.7 Cara Kerja
Pengambilan data selama proses pembubutan
1. Mempersiapkan dimensi benda kerja yang akan digunakan, yaitu baja
ST 70 yang berdiameter 25 mm dipotong dengan panjang 250 mm.
2. Menyiapkan benda kerja, pahat, mesin bubut, alat ukur (stopwatch),
mistar insut dan alat uji keausan pahat.
3. Melakukan set up pada mesin bubut dengan putaran spindle (n) gerak
makan (f) dan kecepatan potong (v). Pada proses ini kedalaman
pemakanan konstan 0.5 dan sudut pahat 90º, dengan putaran spindle
1255 rpm, feeding 0,2 mm/rev, dan kecepatan potong 96,547 mm/mnt.
4. Memasang benda kerja pada spindle mesin bubut dan pahat pada tool
post, diatur agar pahat tegak lurus terhadap sumbu spindel mesin
bubut.
5. Melakukan pengujian proses bubut silindrik dengan variable proses
pemesinan yang telah ditentukan serta mencatat waktu pemotongan
dengan menggunakan stopwatch dengan panjang permesinan 230 mm
untuk setiap benda kerja.
6. Mengganti benda kerja untuk melakukan pembubutan berikutnya
dengan variabel yang sama hingga panjang permesinan total 1840 mm
terpenuhi.
7. Menghentikan mesin bubut, melakukan pengukuran keausan pahat
(keausan tepi) dengan menggunakan alat uji keausan pahat setelah
panjang permesinan yang telah ditentukan terpenuhi.
8. Mengulangi langkah 3-7 untuk proses bubut dengan variabel proses
permesinan yang sesuai dengan susunan pengujian dan dilakukan
kembali pengukuran keausan tepi.
9. Melakukan langkah 8 sampai semua percobaan selesai.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
35
BAB IV
DATA DAN ANALISA
4.1. Data Penelitian
Dari pengujian yang telah dilakukan, diperoleh kondisi pemotongan yang
memberikan umur pahat yang optimal dari pahat HSS dengan memvariasikan
kecepatan potong (Vc) menjadi 50 variasi.
Tabel 4.1 Data Hasil Pengujian.
No n
(rpm)
d
(mm)
f
(mm/rev)
a
(mm)
L
(mm)
Tc
(min)
VB
(mm)
1 1255 25 0,2 0,5 1840 7,33 0,4258
2 1255 24 0,2 0,5 1840 7,33 0,4229
3 1255 23 0,2 0,5 1840 7,33 0,4193
4 1255 22 0,2 0,5 1840 7,33 0,4166
5 1255 21 0,2 0,5 1840 7,33 0,4137
6 1255 20 0,2 0,5 1840 7,33 0,4116
7 1255 19 0,2 0,5 1840 7,33 0,4084
8 1255 18 0,2 0,5 1840 7,33 0,4056
9 1255 17 0,2 0,5 1840 7,33 0,4025
10 1255 16 0,2 0,5 1840 7,33 0,4003
11 755 25 0,2 0,5 1840 12,18 0,3985
12 755 24 0,2 0,5 1840 12,18 0,3916
13 755 23 0,2 0,5 1840 12,18 0,3845
14 755 22 0,2 0,5 1840 12,18 0,3784
15 755 21 0,2 0,5 1840 12,18 0,3719
16 755 20 0,2 0,5 1840 12,18 0,3656
17 755 19 0,2 0,5 1840 12,18 0,3584
18 755 18 0,2 0,5 1840 12,18 0,3513
19 755 17 0,2 0,5 1840 12,18 0,3452
20 755 16 0,2 0,5 1840 12,18 0,3386
35
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
36
21 460 25 0,2 0,5 1840 20,02 0,3356
22 460 24 0,2 0,5 1840 20,02 0,3335
23 460 23 0,2 0,5 1840 20,02 0,3324
24 460 22 0,2 0,5 1840 20,02 0,3315
25 460 21 0,2 0,5 1840 20,02 0,3304
26 460 20 0,2 0,5 1840 20,02 0,3296
27 460 19 0,2 0,5 1840 20,02 0,3274
28 460 18 0,2 0,5 1840 20,02 0,3264
29 460 17 0,2 0,5 1840 20,02 0,3253
30 460 16 0,2 0,5 1840 20,02 0,3245
31 300 25 0,2 0,5 1840 30,66 0,3255
32 300 24 0,2 0,5 1840 30,66 0,3239
33 300 23 0,2 0,5 1840 30,66 0,3215
34 300 22 0,2 0,5 1840 30,66 0,3198
35 300 21 0,2 0,5 1840 30,66 0,3179
36 300 20 0,2 0,5 1840 30,66 0,3167
37 300 19 0,2 0,5 1840 30,66 0,3147
38 300 18 0,2 0,5 1840 30,66 0,3126
39 300 17 0,2 0,5 1840 30,66 0,3104
40 300 16 0,2 0,5 1840 30,66 0,3086
41 190 25 0,2 0,5 1840 48,52 0,3090
42 190 24 0,2 0,5 1840 48,52 0,3077
43 190 23 0,2 0,5 1840 48,52 0,3067
44 190 22 0,2 0,5 1840 48,52 0,3058
45 190 21 0,2 0,5 1840 48,52 0,3049
46 190 20 0,2 0,5 1840 48,52 0,3035
47 190 19 0,2 0,5 1840 48,52 0,3024
48 190 18 0,2 0,5 1840 48,52 0,3014
49 190 17 0,2 0,5 1840 48,52 0,2998
50 190 16 0,2 0,5 1840 48,52 0,2988
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
37
Keterangan :
n : Putaran poros utama (rpm)
d : Diameter benda kerja (mm)
f : Gerak makan (mm/ref)
a : Kedalaman potong (mm)
L : Panjang pemotongan benda kerja (mm)
Tc : Waktu pemotongan (min)
VB : Keausan tepi (mm)
4.2. Analisa Data Menggunakan Perhitungan Manual
Dari data hasil percobaan (Putaran poros utama, diameter benda kerja) maka
berdasarkan rumus kecepatan potong dalam bab 3 besarnya kecepatan potong
dapat dilihat dalam Tabel 4.2.
Tabel 4.2 Kecepatan Potong Tiap Variasi Percobaan
Variasi
Putaran Poros
(n) (rpm)
Diameter Benda kerja
(d) (mm)
Kecepatan Potong
(Vc) (m/min)
1 1255 25 96,547
2 1255 24 92,606
3 1255 23 88,,665
4 1255 22 84,725
5 1255 21 80,784
6 1255 20 76,843
7 1255 19 72,902
8 1255 18 68,962
9 1255 17 65,021
10 1255 16 61,080
11 755 25 58,082
12 755 24 55,711
13 755 23 53,340
14 755 22 50,970
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
38
15 755 21 48,599
16 755 20 46,228
17 755 19 43,857
18 755 18 41,487
19 755 17 39,116
20 755 16 36,745
21 460 25 35,387
22 460 24 33,943
23 460 23 32,499
24 460 22 31,057
25 460 21 29,610
26 460 20 28,165
27 460 19 26,721
28 460 18 25,277
29 460 17 23,832
30 460 16 22,388
31 300 25 23,079
32 300 24 22,137
33 300 23 21,195
34 300 22 20,253
35 300 21 19,311
36 300 20 18,369
37 300 19 17,427
38 300 18 16,485
39 300 17 15,543
40 300 16 14,601
41 190 25 14,616
42 190 24 14,020
43 190 23 13,423
44 190 22 12,826
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
39
45 190 21 12,230
46 190 20 11,633
47 190 19 11,037
48 190 18 10,440
49 190 17 9,843
50 190 16 9,247
Umur pahat merupakan seluruh waktu pemotongan (tc) sehingga dicapai
batas keausan yang telah ditetapkan (VB maks = 0,3mm). Pertumbuhan keausan
pahat pada kecepatan potong yang berbeda sampai batas ktitis keausan pahat HSS.
Dari hasil percobaan dapat diketahui besarnya keausan tepi (VB) secara langsung
dengan mengukur pada alat uji keausan pahat, besarnya keausan tepi dapat dilihat
dalam Tabel 4.3.
Tabel 4.3. Keausan Tepi (VB) Tiap Variasi Percobaan
Variasi
Percobaan
Waktu Pemotongan
(tc)
Keausan Tepi
(VB) (mm)
1 7,33 0,4258
2 7,33 0,4229
3 7,33 0,4193
4 7,33 0,4166
5 7,33 0,4137
6 7,33 0,4116
7 7,33 0,4084
8 7,33 0,4056
9 7,33 0,4025
10 7,33 0,4003
11 12,18 0,3985
12 12,18 0,3916
13 12,18 0,3845
14 12,18 0,3784
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
40
15 12,18 0,3719
16 12,18 0,3656
17 12,18 0,3584
18 12,18 0,3513
19 12,18 0,3452
20 12,18 0,3386
21 20,02 0,3356
22 20,02 0,3335
23 20,02 0,3324
24 20,02 0,3315
25 20,02 0,3304
26 20,02 0,3296
27 20,02 0,3274
28 20,02 0,3264
29 20,02 0,3253
30 20,02 0,3245
31 30,66 0,3255
32 30,66 0,3239
33 30,66 0,3215
34 30,66 0,3198
35 30,66 0,3179
36 30,66 0,3167
37 30,66 0,3147
38 30,66 0,3126
39 30,66 0,3104
40 30,66 0,3086
41 48,52 0,3090
42 48,52 0,3077
43 48,52 0,3067
44 48,52 0,3058
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
41
45 48,52 0,3049
46 48,52 0,3035
47 48,52 0,3024
48 48,52 0,3014
49 48,52 0,2998
50 48,52 0,2988
Tabel-tabel perbandingan keausan tepi dan kecepatan potong
Tabel 4.4. Perbandingan Keausan Tepi Dengan Kecepatan Potong
No Diameter benda kerja
(d) (mm)
Kecepatan Potong
(Vc)(m/min)
Keausan Tepi
(VB)(mm)
1 25 96,547 0,4258
2 25 58,082 0,3985
3 25 35,387 0,3356
4 25 23,079 0,3255
5 25 14,616 0,3090
Gambar 4.1 Grafik Perbandingan Kecepatan Potong Dengan Keausan Pahat.
00,05
0,10,15
0,20,25
0,30,35
0,40,45
0 20 40 60 80 100 120
Keau
san
Tepi
(mm
)
Kecepatan Potong (m/min)
Grafik Pengaruh kecepatan potong terhadap keausan pahat
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
42
Dari tabel dan grafik perbandingan kecepatan potong dengan keausan pahat
terlihat bahwa semakin tinggi kecepatan potong maka akan mempercepat keausan
pahat. Untuk kecepatan potong 96,547 (m/min) dan diameter benda kerja 25 (mm)
menghasilkan keausan pahat sebesar 0,4258 (mm), sedangkan untuk kecepatan
potong 58,082 (m/min), 35,387 (m/min), 23,079 (m/min) dan 14,616 (m/min)
dengan diameter benda kerja yang sama akan menghasilkan keausan pahat
sebesar 0,3985 (mm), 0,3356 (mm), 0,3255 (mm) dan 0,3090 (mm). Hal ini dapat
disimpulkan bahwa semakin besar kecepatan potong maka semakin besar pula
keausan dari suatu pahat.
Tabel 4.5. Perbandingan umur pahat dengan kecepatan potong
No Diameter benda kerja
(mm)
Kecepatan potong
(m/min)
Umur pahat
(min)
1 25 96,547 7,33
2 25 58,082 12,18
3 25 35,387 20,02
4 25 23,070 30,66
5 25 14,616 48,52
Gambar 4.2. Grafik Perbandingan Kecepatan Potong Dengan Umur Pahat.
0
10
20
30
40
50
60
0 20 40 60 80 100 120
T (m
in)
VC (m/min)
Grafik Pengaruh Kecepatan Potong Terhadap Umur Pahat
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
43
Dari tabel dan grafik perbandingan kecepatan potong dengan umur pahat
terlihat bahwa semakin tinggi kecepatan potong maka umur pahat akan semakin
menurun. Untuk diameter benda kerja 25 (mm) dan kecepatan potong 96,547
(m/min) umur pahat mencapai 7,33 (min), sedangkan untuk kecepatan potong
58,082, 35,387, 23,079 dan 14,616 (m/min) dengan diameter benda kerja yang
sama akan didapatkan umur pahat 12,18 (min), 20,02 (min), 30,66 (min) dan
48,52 (min). Hal ini dapat disimpulkan bahwa semakin tinggi kecepatan potong
maka umur pahat akan semakin menurun.
4.3. Analisa Mengunakan Metode Support Vector Machines
Variasi percobaan data keausan pahat hasil dari praktek secara konvensional
disusun lagi sebagai data-data untuk pengujian menggunakan program mesin
pendukung vector (support vector machines).
Data-data tersebut disusun pada Tabel 4.6.
Tabel 4.6. Data-data variasi percobaan sebagai inputan pada SVM
Pahat Vc Tc
( min )
VB
(mm) n (rpm) d (mm)
1 1255 25 7,33 0,4258
2 1255 24 7,33 0,4229
3 1255 23 7,33 0,4193
4 1255 22 7,33 0,4166
5 1255 21 7,33 0,4137
6 1255 20 7,33 0,4116
7 1255 19 7,33 0,4084
8 1255 18 7,33 0,4056
9 1255 17 7,33 0,4025
10 1255 16 7,33 0,4003
11 755 25 12,18 0,3985
12 755 24 12,18 0,3916
13 755 23 12,18 0,3845
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
44
14 755 22 12,18 0,3784
15 755 21 12,18 0,3719
16 755 20 12,18 0,3656
17 755 19 12,18 0,3584
18 755 18 12,18 0,3513
19 755 17 12,18 0,3452
20 755 16 12,18 0,3386
21 460 25 20,02 0,3356
22 460 24 20,02 0,3335
23 460 23 20,02 0,3324
24 460 22 20,02 0,3315
25 460 21 20,02 0,3304
26 460 20 20,02 0,3296
27 460 19 20,02 0,3274
28 460 18 20,02 0,3264
29 460 17 20,02 0,3253
30 460 16 20,02 0,3245
31 300 25 30,66 0,3255
32 300 24 30,66 0,3239
33 300 23 30,66 0,3215
34 300 22 30,66 0,3198
35 300 21 30,66 0,3179
36 300 20 30,66 0,3167
37 300 19 30,66 0,3147
38 300 18 30,66 0,3126
39 300 17 30,66 0,3104
40 300 16 30,66 0,3086
41 190 25 48,52 0,3090
42 190 24 48,52 0,3077
43 190 23 48,52 0,3067
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
45
44 190 22 48,52 0,3058
45 190 21 48,52 0,3049
46 190 20 48,52 0,3035
47 190 19 48,52 0,3024
48 190 18 48,52 0,3014
49 190 17 48,52 0,2998
50 190 16 48,52 0,2988
Dari data-data pada Tabel 4.6. akan digunakan sebanyak 35 data untuk
dilatih yang dapat dilihat pada Tabel 4.7. Sedangkan sisanya sebanyak 15 data
akan digunakan sebagai data pengujian yang dapat diliat pada tabel 4.8. Data
untuk pelatihan dan data untuk pengujian diambil secara acak agar merata dalam
pembelajaran jaringan.
Tabel 4.7. Tiga puluh lima data yang akan dilatih
NO Input Output
N
(rpm)
D
(mm)
Tc
(m/min)
VB
(mm)
1 1255 25 7,33 0,4258
2 1255 21 7,33 0,4137
3 1255 24 7,33 0,4229
4 1255 19 7,33 0,4084
5 1255 18 7,33 0,4056
6 1255 23 7,33 0,4193
7 1255 16 7,33 0,4003
8 755 25 12,18 0,3985
9 755 22 12,18 0,3784
10 755 21 12,18 0,3719
11 755 24 12,18 0,3916
12 755 18 12,18 0,3513
13 755 17 12,18 0,3452
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
46
14 755 16 12,18 0,3386
15 460 22 20,02 0,3315
16 460 21 20,02 0,3304
17 460 25 20,02 0,3356
18 460 24 20,02 0,3335
19 460 18 20,02 0,3264
20 460 17 20,02 0,3273
21 460 16 20,02 0,3245
22 300 22 30,66 0,3198
23 300 21 30,66 0,3179
24 300 25 30,66 0,3255
25 300 19 30,66 0,3147
26 300 23 30,66 0,3215
27 300 17 30,66 0,3104
28 300 16 30,66 0,3086
29 190 22 48,52 0,3058
30 190 21 48,52 0,3049
31 190 25 48,52 0,3090
32 190 19 48,52 0,3024
33 190 24 48,52 0,3077
34 190 17 48,52 0,2998
35 190 16 48,52 0,2988
Tabel 4.8. Lima Belas Data Yang Akan Diuji (dipilih secara acak)
NO Input Output
N
(rpm)
D
(mm)
tc
(m/min)
VB
(mm)
1 1255 22 7,33 0,4166
2 1255 20 7,33 0,4116
3 1255 17 7,33 0,4025
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
47
4 755 19 12,18 0,3584
5 755 20 12,18 0,3656
6 755 23 12,18 0,3845
7 460 20 20,02 0,3296
8 460 19 20,02 0,3274
9 460 23 20,02 0,3324
10 300 20 30,66 0,3167
11 300 24 30,66 0,3239
12 300 18 30,66 0,3126
13 190 20 48,52 0,3035
14 190 18 48,52 0,3014
15 190 23 48,52 0,3067
Peramalan atau prediksi digunakan metode mesin pendukung vector
(support vector machines) dengan memasukkan fungsi kernel untuk
menyelesaikan masalah non linier. Dalam non linier SVM, pertama-tama ⵈ矗 dipetakan oleh fungsi ΦⰈx紫矗邹 ke ruang vektor yang berdimensi lebih tinggi. Pada
ruang vektor yang baru ini, hyperplane yang memisahkan kedua class tersebut
dapat dikonstruksikan. Hal ini sejalan dengan teori Cover (1965) yang
menyatakan“Jika suatu transformasi bersifat non linear dan dimensi dari feature
space cukup tinggi, maka data pada input space dapat dipetakan ke feature space
yang baru, dimana pattern-pattern tersebut pada probabilitas tinggi dapat
dipisahkan secara linear”.
Ada beberapa jenis fungsi kernel yang umum dipakai dalam mesin
pendukung vector (support vector machines) antara lain polynomial, multilayer
preceptron, linier dan radial basis fungsion. Dalam prediksi umur pahat digunakan
fungsi polynomial kernel karena memiliki tingkat error yang sangat kecil
dibandingkan dengan fungsi kernel lainya.
Dari data hasil praktek konvensional dipisahkan menjadi dua data yaitu
data 1 sebagai data pelatihan dan data 2 sebagai data testing.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
48
Untuk mensimulasikan program mesin pendukung vector (support vector
machines) digunakan perangkat lunak MATLAB versi 7 dengan toolbox LSSVM.
Langkah-langkah pembuatan program Mesin Pendukung Vektor (support vector
machines)
1. Memasukkan data pelatihan
Data 1 merupakan data pelatihan yang berjumlah 35 variasi percobaan yang
disusun secara acak, dengan data inputan putaran poros, diameter benda kerja dan
waktu pemotongan, untuk data target berupa keausan tepi dari pahat.
Xt = Data2(:,1:3); Yt= simlssvm({X,Y,type,gam,sig2,'poly_kernel','preprocess'},{alpha,b},Xt); Dari perintah-perintah ini akan menghasilkan nilai keluaran berupa hasil