RINGKASAN

Otomasi Dalam Process Planning

Dalam market yang semakin komptetitif dimana waktu ke pasar dan waktu ke pelanggan
merupakan hal yang penting dalam industri manufaktur. Dalam hal ini diperlukan proses planning
yang baik dan lebih efisien lagi. ERP (Enterprise Resource Planning) yang selama ini menjadi
madona dalam proses planning diklaim memiliki terlalu banyak potensi melakukan kesalahan yang
berakibat pada produk akhir yang tidak terstandarisasi. CAPP (Computer Aided Process Planning)
yang sudah menjamur ke berbagai kalangan industri dinilai terlalu memakan waktu. Hal ini
dikarenakan perlunya pengalaman dan pengatahuan khusus untuk menggunakan CAPP secara
manual. Hal ini mendorong munculnya otomasi dalam CAPP.

Otomasi dalam CAPP sendiri bukan dicetuskan pertama kali pasalnya sudah banyak sistem yang
berkonsep untuk memudahkan proses planning. Contoh sistem tersebut diantaranya

 Decision trees and table sudah menyelesaikan beragam masalah proses planning dengan
menggunakan algoritama “if and then”. Algoritma tersebut dapat menghubungkan fitur dan
nilai dari parameter. Fokus dari sistem decision trees and table adalah menggabungkan
berbagai fitur dalam proses planning menjadi urutan yang ekonomis
 Fuzzy logic dapat menyelesaikan keputusan ambigu yang muncul dari sistem decision trees
and table. Range nilai yang muncul dapat diklasifikasikan ke dalam output variable dalam
waktu yang sama. Fuzzy logic dapat digunakan untuk menemukan kecocokan proses
produksi , mesin yang digunakan, pemilihan resource, pemilihan parameter mesin, dan
fitur-fitur ukuran
 Kombinasi fuzzy logic dan artificial neural network menghubungkan fungsi yang
multidimensional untuk pengklasifikasian input dimana dapat digunakan untuk proses
manufaktur yang kompleks.

Sistem yang terbaru dan akan kita bahas disini adalah otomasi yang meggunakan sistem database.
Melalui sistem database, hasil akhir dari suatu proses manufaktur dapat ditentukan saat kita
memasukkan input. Sistem database ini dikenal di industri manufaktur dengan nama Knowledge
Discovery in Database. Parameter mesin dari data yang dipilih akan di set dan di kelompokkan
melalui algoritma pengelompokkan dan dianalisis berdasarkan kapabilitas prosesnya. KDD dibuat
dengan objektif untuk menstandarisasikan operasi planning. Waktu standar dan alokasi dari
resource tidak diperhitungkan. Schmidt meningkatkan KDD dengan menambahkan fleksibilitas
dalam penjadwalan dengan memilih dan mengadopsi beberapa kemungkinan urutan proses
berdasarkan informasi dari sistem produksi.

Proses dalam otomasi proses planning yang terjadi menggunakan KDD sendiri dapat dibagi mejadi
5 langkah sesuai dengan gambar

Fitur komponen termasuk analisis statistika dipilih didalam langkah 1. Kemudian komponen yang
terpilih dan feedback dari produksi sebelumnya di transformasi dan di pre-proses di langkah 2.
Hubungan antara fitur komponen dan proses elemen di identifikasi di langkah 3 termasuk data
mining dan interprestasi. Deduksi dari aturan planning yang berdasarkan konstitusi independent
terjadi di tahap 4. Setelah itu terlahirlah database yang terstruktur yang dapat digunakan di sistem
CAPP untuk memunculkan proses planning yang berdasarkan input.
3.3 Data mining dan interpretasi
Kegiatan interpretasi dan data mining prose KDD dibagi secara terstruktur menjadi 3 tahap :

Dalam rangka untuk mendapatkan alokasi yang memenuhi syarat sumber daya untuk komponen
fitur, tahap data mining yang pertama adalah mengeksplorasi kemungkinan-kemungkinan yang
terlibat. Setelah menemukan kombinasi sumber daya yang memenuhi syarat untuk produksi
berbagai set dalam tahap 1, urutan paling mungkin untuk kombinasi sumber daya kemudian
ditentukan. Menggunakan analisis informasi tentang kemampuan sumber daya, fitur set dan
kemungkinan rekaman informasi proses sebagai masukan untuk analisis, urutan proses kemudian
diturunkan dari urutan sumber daya dalam tahap 2. Di akhir, waktu standard ditentukan dalam
tahap 3 untuk fitur individu dalam kombinasi sumber daya, karena dengan spesifikasi yang unik
dan kemampuan sumber daya, tergantung pada nilai-nilai parameter dari fitur-fitur yang ada.

3.4 Pengambilan kesimpulan atas aturan perencanaan

Ketergantungan antara hasil dari data mining harus diubah menjadi aturan perencanaaan supaya
dapat digunakan untuk algoritma CAPP. Informasi yang didapat dari output dan pohon klasifikasi
dapat dengan mudah diubah, disimpan, dan diambil dari table keputusan. Saling ketergantungan
diidentifikasi pada tahap data mining harus diubah menjadi aturan perencanaan untuk dapat
digunakan untuk algoritma perencanaan CAPP. Untuk pendekatan lebih lanjut yang didorong
dengan CAPP kompleks, alternatif lebih dari satu output dapat ikut disimpan ke tabel keputusan

3.5 Memperbarui informasi perencanaan

Setelah pembentukan awal dengan aturan perencanaan, dilakukan proses ganda. Proses pertama
merupakan penyesuaian proses produksi actual dari rencana proses untuk menenrukan data-data
yang tidak layak. Kedua, pemberharuan pada jumlah yang dibatasi untuk bahan yang tidak layak
dari proses produksi.

Aplikasi

Penjelasan diatas diterapkan pada set data dalam kasus Laboratory for Machine Tools and
Production Engineering. Contoh yang dimaksudkan menggambarkan bagian dari pendekatan,
termasuk data mining tahap 1 dengan data masa lalu sebanyak 160 pesanan produksi yang telah
dianalisis menggunakan perangkat lunak R Project, freeware. Fitur komponen yang dipilih untuk
analisis adalah berat, diameter luar dan dalam, panjang serta jumlah dan posisi pengeboran. Fitur
set varian piston telah dikaitkan dengan urutan sumber daya yang digunakan dalam pesanan
produksi bersejarah dalam persiapan untuk analisis. Untuk menentukan tabel keputusan untuk
alokasi sumber daya, pohon klasifikasi dihitung untuk masing-masing sumber daya yang
digunakan pada set data.
Klasifikasi pohon pada Gambar. 3 menunjukkan, antara lain, bahwa komponen yang meliputi
pemboran pada permukaan (node 1), yang diproduksi dalam ukuran lot> 16 (node 5) dan lebih dari
35,5 mm (node 7) selalu termasuk mesin pada sumber daya 543. Interval nilai parameter tersebut
dihitung dari node panel dalam dan probabilitas node terminal dari pohon klasifikasi untuk semua
sumber daya yang disertakan kemudian ditransfer ke dalam tabel keputusan untuk alokasi
keputusan. Sebuah pohon klasifikasi juga dihasilkan tentang jumlah kemungkinan langkah-
langkah proses untuk satu set fitur yang diberikan, agar dapat mengalokasikan jumlah terbatas
sumber daya untuk komponen. Sumber kemudian dialokasikan untuk komponen sesuai dengan
turun probabilitas pemanfaatan sampai jumlah diidentifikasi langkah-langkah proses tercapai. Hal
ini dimungkinkan untuk pohon klasifikasi untuk menyertakan node yang menuntut keputusan
berdasarkan alokasi sebelumnya sumber daya lainnya. Machining center misalnya, tidak dapat
digunakan untuk operasi penggilingan jika mesin bubut yang sebelumnya dialokasikan untuk
operasi memutar dan sebaliknya. Namun, setelah sumber daya dialokasikan pada tiap komponen,
informasi tambahan ini membantu untuk memilih sumber yang berasal dari table keputusan.

Kesimpulan

Dalam makalah ini, dilakukan pencapaian komprehensif untuk pengambilan keputusan secara
otomatis yang diambil dari data masalalu.

Penelitian mendatang akan dilakukan terutama mengenai memilih dan menyesuaikan pendekatan
data mining yang efektif untuk mengatasi masalah perencanaan sisa langkah 3 pendekatan.
Masuknya informasi pelengkap, seperti mengidentifikasi secara positif proses sumber daya dengan
mencari NC-pemrograman untuk kata-kata kunci, akan memperbaiki kualitas perencanaan dan
menyederhanakan suksesi tahap data mining. Potensi pendekatan untuk memberikan pemotongan
otomatis pada aturan perencanaan, sambil mempertahankan kualitas yang memadai dari informasi
perencanaan awal, harus dievaluasi ketika langkah-langkah yang tersisa dari pendekatan telah
dilaksanakan.