Professional Documents
Culture Documents
Paper 1
Paper 1
Abstract The company has a goal of producing a product perusahaan biasanya memiliki standar operasional
for consumers either in the form of goods or services. In order
that consumers are satisfied in using the product,companies need
prosedur (SOP).
to have a good quality product. Quality control of a product has Pengendalian kualitas suatu produk harus dapat
to really look for in an industry, so that the consumer is satisfied mengarahkan kepada beberapa tujuan secara
in using a product or service from the company. the company
should be able to do eficiency in order to keep its price or even
terpadu dan merupakan suatu hal yang perlu benar
cheaper and certainly has a good quality, so company doesn't lose benar diperhatikan dalam dunia usaha, sehingga
consumers. One of the things that needs to be done is efficiency para konsumen puas dalam menggunakan produk
problem in classification of product quality. To select and classify
the quality of a product needed a better method thanconventional
atau jasa dari perusahaan. Harga produk atau jasa
methods. One method of classification which is quite famous for perusahaan tersebut harus dapat ditekan serendah
the most powerful and accurate is a method of Support Vector rendahnya serta proses produksi harus dapat selesai
Machine (SVM). This research proposes the use of method of
SVM to the classification of qualityfurniture products at PT
sesuai dengan waktu yang telah direncanakan
Herdex Sejahtera. SVM is used for the classification ofproducts sebelumnya didalam perusahaan yang
into three classes. From the results of the experiment method of bersangkutan. Pengendalian kualitas merupakan
SVMcan do the classification accuracy classification results with
84 percent.
suatu kegiatan yang sering dilakukan disetiap
perusahaan. Apabila pengendalian kualitas
Keyword : Support Vector Machine, Data Mining, dilakukan dengan baik, bagi perusahaan akan
Furniture, Quality Control menimbulkan tambahan biaya yaitu biaya
PENDAHULUAN pengawasan kualitas, dan tingkat kerusakan produk
yang dihasilkan sangat rendah atau produk rusak
Suatu perusahaan tentunya memiliki tujuan jangka
yang terjadi sedikit.
panjang yaitu untuk selalu berkembang kearah yang
PT Herdex Sejahtera adalah perusahaan yang
lebih baik. Perusahaan didirikan memiliki tujuan
bergerak dalam industri furniture dengan merk label
menghasilkan suatu produk untuk konsumen baik
HERMAN DEXTER, merupakan perusahaan yang
berupa barang atau jasa. Tentunya agar konsumen
bergerak dalam bidang pembuatan furniture untuk
puas dalam menggunakan produk, perusahaan harus
kebutuhan Hospital, Cafe and Restaurant, Clinic,
mempunyai produk yang berkualitas. Kualitas
Hotel, Apartement, Living room, Bed room. untuk
merupakan salah satu kebijakan penting dalam
meningkatkan keuntungan perusahaan tentunya PT.
meningkatkan daya saing produk yang harus
Herdex Sejahtera harus menjaga dan meningkatkan
memberi kepuasan kepada konsumen. Kualitas
kualitas produknya. Untuk menjaga kualitas produk
produk adalah produk yang sesuai dengan yang
perlu adanya kontrol yang efektif dan efisien.
disyaratkan atau distandarkan [1]. Untuk menangani
selama ini kontrol yang dilakukan adalah kontrol
masalah pengendalian kualitas produk suatu
manusia yang tidak sepenuhnya dapat diandalkan 2. Menemukan model klasifikasi yang
dan tidak menjamin kualitas dari kontrol. mempunyai akurasi tinggi atau error yang kecil
Pada saat ini perusahaan harus bisa melakukan dalam melakukan klasifikasi kualitas produk.
efisiensi agar harga produknya tetap atau bahkan 3. Menerapkan metode support vector machine
lebih murah dan tentunya memiliki kualitas yang sebagai alternatif solusi penentuan kualitas produk
baik, dengan demikian perusahaan tidak kehilangan furniture pada PT herdex Sejahtera secara manual.
konsumen. salah satu hal yang perlu dilakukan yaitu
melakukan efisiensi dalam masalah pengelompokan
atau klasifikasi kualitas produk. Untuk memilih dan SUPPORT VECTOR MACHING
mengelompokan kualitas suatu produk diperlukan Support Vector Machine (SVM) pertama kali
suatu metode baku dan lebih baik dari metode diperkenalkan oleh Vapnik pada tahun 1992 sebagai
konvensional. Salah satu metode klasifikasi yang rangkaian harmonis konsep-konsep unggulan dalam
cukup terkenal paling kuat dan akurat adalah bidang pattern recognition (pengenalan pola).
metode Support Vector Machine (SVM). Pada Sebagai salah satu metode pengenalan pola, usia
penelitian yang diakukan oleh jinho kim metode SVM terbilang masih relatif muda. Walaupun
SVM dibandingkan dengan metode K-Nearest demikian, evaluasi kemampuannya dalam berbagai
Neigbor untuk melakukan klasifikasi objek seperti aplikasi menempatkannya sebagai sebuah karya
pesawat, motor, mobil dan wajah manusia dengan terbaik dalam pengenalan pola. SVM adalah metode
data gambar. Hasil dari penelitian tersebut learning machine yang bekerja atas prinsip
menunjukan metode SVM mempunyai performa Structural Risk Minimization (SRM) dengan tujuan
yang melebihi metode K-Nearest Neighbor [1]. menemukan hyperplane terbaik yang memisahkan
Seperti yang dilakukan penelitian sebelumnya dua buah class pada input space.
dengan judul klasifikasi parket kayu jati Konsep dasar SVM sebenarnya merupakan
menggunakan metode Support Vector Machine kombinasi harmonis dari teori-teori komputasi yang
(SVM). Permasalahan yang dihadapi adalah telah ada puluhan tahun sebelumnya, seperti margin
kegiatan usaha ekspor produk flooring parket dari hyperplane, kernel diperkenalkan oleh Aronszajn
bahan kayu jati mengalami penurunan drastis, oleh tahun 1950 dan demikian juga dengan konsep-
karena itu perlu adanya peningkatan dari mutu konsep pendukung yang lain. Akan tetapi hingga
produksi parket kayu jati dan mengendalikan tahun 1992, belum pernah ada upaya merangkaikan
kualitas produksi. Tujuan dari penggunaan metode komponen-komponen tersebut.
support vector machine pada penelitian tersebut Berbeda dengan strategi neural network yang
yaitu mengklasifikasikan parket kedalam beberapa berusaha mencari hyperplane pemisah antar kelas,
jenis parket yang berbeda-beda tetapi mempunyai SVM berusaha menemukan hyperplane yang terbaik
sifat yang serupa ke dalam kelompok kelompok pada input space. Prinsip dasar SVM adalah linear
berdasarkan pemakaiannya. [3]. classifier, dan selanjutnya dikembangkan agar dapat
Penelitian ini mengusulkan penggunaan metode bekerja pada problem non-linear, dengan
klasifikasi support vector machine dalam memasukkan konsep kernel trick pada ruang kerja
melakukan klasifikasi kualitas produk. Dalam kasus berdimensi tinggi. Perkembangan ini memberikan
ini peneliti menggunakan data produk furniture dari rangsangan minat penelitian di bidang pengenalan
PT Herdex Sejahterah. pola untuk investigasi potensi kemampuan SVM
Tujuan dari laporan tugas akhir yang dibuat oleh secara teoritis maupun dari segi aplikasi. Dewasa ini
penulis adalah sebagai berikut : SVM telah berhasil diaplikasikan dalam aplikasi di
1. Mengimplementasikan metode support dunia nyata dan secara umum memberikan solusi
vector machine untuk membantu PT. Herdex yang lebih baik dibandingkan dengan metode
Sejahtera dalam mengklasifikasikan kualitas produk konvensional seperti misalnya artificial neural
furniture. network.
Berbeda dengan strategi neural network yang
berusaha mencari hyperplane pemisah antar kelas,
SVM berusaha menemukan hyperplane yang terbaik (misalnya jumlah hidden neuron pada neural
pada input space. Prinsip dasar SVM adalah linear network, stopping criteria dalam proses
classifier, dan selanjutnya dikembangkan agar dapat pembelajaran, dsb) dikarenakan jumlah sampel data
bekerja pada problem non-linear, dengan yang relatif sedikit dibandingkan dimensional ruang
memasukkan konsep kernel trick pada ruang kerja vektor data tersebut. Semakin tinggi dimensi dari
berdimensi tinggi. Perkembangan ini memberikan ruang vector informasi yang diolah, membawa
rangsangan minat penelitian di bidang pengenalan konsekuensi dibutuhkannya jumlah data dalam
pola untuk investigasi potensi kemampuan SVM proses pembelajaran.
secara teoritis maupun dari segi aplikasi. Dewasa ini
SVM telah berhasil diaplikasikan dalam aplikasi di 3. Feasibility
dunia nyata dan secara umum memberikan solusi SVM dapat diimplementasikan relatif mudah,
yang lebih baik dibandingkan dengan metode karena proses penentuan support vector dapat
konvensional seperti misalnya artificial neural dirumuskan dalam QP problem (Quadratic
network. programming). Dengan demikian, jika kita memiliki
library untuk menyelesaikan QP problem, dengan
Karakteristik SVM yaitu: sendirinya SVM dapat diimplementasikan dengan
Secara prinsip SVM adalah linear classifier mudah.
Pattern recognition dilakukan dengan
mentransformasikan data pada input space ke Kekurangan SVM
ruang yang berdimensi lebih tinggi, dan 1. Sulit dipakai dalam problem berskala besar.
optimisasi dilakukan pada ruang vector yang Skala besar dalam hal ini dimaksudkan dengan
baru tersebut. Hal ini membedakan SVM dari jumlah sample yang diolah.
solusi pattern recognition pada umumnya, yang 2. SVM secara teoritik dikembangkan untuk
melakukan optimisasi parameter pada ruang problem klasifikasi dengan dua class atau lebih.
hasil transformasi yang berdimensi lebih rendah Namun demikian, masing-masing strategi ini
daripada dimensi input space. memiliki kelemahan, sehingga dapat dikatakan
Menerapkan strategi Structural Risk penelitian dan pengembangan SVM pada
Minimization (SRM) multiclass problem masih merupakan tema
Prinsip kerja SVM pada dasarnya hanya mampu penelitian yang masih terbuka.
menangani klasifikasi dua class.
Formulasi Matematis SVM
Kelebihan SVM Secara matematika, formulasi SVM untuk kasus
1. Generalisasi klasifikasi linier di dalam primal space adalah
Generalisasi didefinisikan sebagai kemampuan suatu
metode untuk mengklasifikasikan suatu pattern, min ||| |^2
yang tidak termasuk data yang dipakai dalam fase
pembelajaran metode tersebut. Subject to
Generalization error dipengaruhi oleh dua faktor:
error terhadap training set dan dimensi VC (Vapnik y_i (wx_i+b)1,i=1,,l, (1)
Chervonenkis dimension). Jadi, SVM dapat
meminimalkan error pada training-set, juga
dimana xi adalah data input, yi adalah keluaran dari
meminimalkan dimensi VC.
data xi, w, b adalah parameter-parameter yang kita
cari nilainya. Dalam formulasi di atas, kita ingin
2. Curse of dimensionality
meminimalkan fungsi tujuan (obyektif function) 1/2
Curse of dimensionality didefinisikan sebagai
w^2 atau memaksimalkan kuantitas w^2
masalah yang dihadapi suatu metode pattern
atau w^2 w dengan memperhatikan pembatas
recognition dalam mengestimasikan parameter
yi(wxi+ b) 1. Bila output data yi = +1, maka
pembatas menjadi (wxi + b) 1. Sebaliknya bila yi dimana variabel non-negatif i, dinamakan
= 1, pembatas menjadi (wxi+b) 1. Di dalam Lagrange multiplier. Solusi dari problem optimisasi
kasus yang tidak feasible (infeasible) dimana dengan pembatas seperti di atas ditentukan dengan
beberapa data mungkin tidak bisa dikelompokkan mencari saddle point dari fungsi Lagrangian J(w, b,
secara benar, formulasi matematikanya menjadi ). Fungsi ini harus diminimalkan terhadap variabel
berikut. w dan b dan harus dimaksimalkan terhadap variable
. Kemudian kita cari turunan pertama dari fungsi
J(w, b, ) terhadap variabel w dan b dan kita
samakan dengan 0. Dengan melakukan proses ini,
akan didapatkan dua kondisi optimalitas berikut:
Subject to 1. Kondisi 1
(2)
2. Kondisi 2
METODE PENELITIAN
Selanjutnya didapatkan formulasi dual dari problem Prosedur implementasi metode Support Vector
(3): Machine yang digunakan dalam penelitian ini yaitu :
1. Preprosesing data yang dapat digunakan
dalam metode Support Vector machine karena
metode SVM membutuhkan data yang bersifat
bilangan real. Dalam penelitian ini transformasi data
atau preprosesing yang digunakan bersifat
Subject to pengkategorian misalnya parameter C1 = {Tidak
Goyang, Goyang}, kemudian dikategorikan kedalam
nilai C1 = {1,0}.
2. Setelah data diubah dalam nilai numerik
selanjutnya dilakukan normalisasi pada data training
(9) dan data testing.
3. Proses pelatihan menggunakan SVM
Dengan dot product xixj sering diganti dengan multiclass one agains all dengan beberapa parameter
simbol K. K adalah matrik kernel yang dijelaskan seperti kernel yang digunakan yaitu Kernel Radial
dalam bagian 3. Formulasi (9) adalah quadratic Basic Function (RBF). fungsi kernel yang digunakan
programming (QP) dengan pembatas (constraint) adalah fungsi kernel RBF karena memiliki
linier. Melatih SVM ekuivalen dengan performansi yang sama dengan kernel linier pada
menyelesaikan problem convex optimization. parameter tertentu, memiliki perilaku seperti fungsi
Karena itu solusi dari SVM adalah unik (dengan kenel sigmoid dengan parameter tentu dan rentang
asumsi bahwa k adalah positive definite) dan global nilainya kecil [0,1].
optimal. Hal ini berbeda dengan solusi neural 4. Lakukan proses training untuk mencari nilai
networks [5] yang ekuivalen dengan problem terbaik dari parameter kernel C dan . C adalah
nonconvex optimization dengan akibat solusi yang parameter yang menentukan besar penalti akibat
ditemukan adalah local optima. Ambil kesalahan dalam klasifikasi data dan nilainya
. Fungsi pemisah optimal
ditentukan oleh pengguna. Sedangkan merupakan
konstanta dari kernel RBF.
5. Menggunakan model yang telah dihasilkan
dari proses training untuk data testing.
6. Pengujian dengan data testing (uji) untuk
mengetahui akurasi dari model klasifikasi. Hasil dari
akurasi dapat dilihat dari prosentase kebenaran hasil
klasifikasi terhadap data asli dan membuat tabel
kebenaran (confusion matrix).
Skenario dari Klasifikasi dengan Support Vector
Machine direpresentasikan pada gambar 1.
Keterangan