COMPLETE
Journal of Computer.
Electronic, and Telecommunication ISSN 2723-4371.
E-ISSN 2723-5912 Artikel Perancangan Sistem Pendukung Keputusan Mesin EFill Berbasis Anfis Ii Munadhif1*.
Deni Almunawar2.
Muhammad Dhifa Alfitra3.
Muhammad Dzi WashfilHasin4.
Mohammad Abu JamiAoin5.
Ryan Yudha Adhitya6.
Dwi Rizky Anto7.
Anggara TrsinaNugraha8.
Dimas Pristovani Riananda9.
Zindhu Maulana Ahmad Putra10.
Mohammad Fajar Adiatmoko11.
Program Studi Teknik Otomasi.
Politeknik Perkapalan Negri Surabaya.
Surabaya.
Indonesia * Korespondi : iimunadhif@ppns.
Received: 31 Oktober 2023.
Revised: 20 November 2023.
Accepted: 15 Desember 2023 Abstrak: Mesin E-Fill merupakan bagian penting dalam proses produksi di industri manufaktur, khususnya untuk mengisi cairan ke dalam kemasan botol.
Pengoperasiannya memerlukan keahlian khusus sehingga diperlukan sistem pendukung keputusan.
Penelitian ini merancang sistem pendukung keputusan untuk mesin E-Fill dengan metode ANFIS (Adaptive Neuro Fuzzy Inference Syste.
yang menggabungkan kecerdasan buatan dan logika fuzzy.
Pemantauan kinerja mesin menggunakan metode OEE (Overall Equipment Effectivenes.
berdasarkan aspek availability, performance, dan quality.
Berdasarkan percobaan pada mesin E-Fill diperoleh nilai OEE rata-rata hanya 57,3% .
ycle time 15 deti.
dan 61,7% .
ycle time 16 deti.
Nilai ini jauh di bawah standar sistem baik minimum 85%, sehingga performa mesin perlu optimalisasi lebih lanjut.
Sementara pemodelan dengan ANFIS menghasilkan akurasi prediksi yang sangat tinggi didasarkan nilai RMSE sebesar 0,000312 dari 27 data pengujian.
Perbandingan nilai aktual dan hasil prediksi ANFIS juga hanya memiliki selisih yang sangat kecil.
Dapat disimpulkan bahwa performa mesin E-Fill perlu ditingkatkan, dan ANFIS terbukti sangat akurat sehingga variable untuk implementasi pada sistem pendukung keputusan mesin E-Fill.
Studi ini berkontribusi pada pengembangan teknologi cerdas di industri manufaktur Indonesia.
Kata Kunci: ANFIS.
Mesin E-Fill.
Overall Equipment Effectiveness (OEE).
RMSE, sistem pendukung keputusan.
Pendahuluan Sistem dalam industri manufaktur mesin memegang peranan penting dalam proses produksi.
Salah satu mesin yang digunakan dalam proses produksi adalah mesin E-Fill untuk mengisi cairan ke dalam kemasan botol.
Mengoperasikan mesin E-Fill memerlukan keahlian khusus dan pengalaman yang cukup, sehingga diperlukan suatu sistem yang dapat mendukung pengambilan keputusan terkait pengoperasian mesin E-Fill.
Sistem pendukung keputusan atau Decision Support System (DSS) merupakan suatu sistem yang dapat mendukung pengambilan keputusan dengan menggunakan data dan informasi yang tersedia.
DSS dapat digunakan di berbagai bidang seperti bisnis, industri, kesehatan, dan pendidikan.
Dalam penerapannya di industri.
DSS dapat membantu pengambilan keputusan terkait produksi, kualitas, dan efisiensi.
Salah satu metode yang dapat digunakan dalam perancangan sistem pendukung keputusan pada mesin E-Fill adalah sistem inferensi neuro-fuzzy adaptif atau lebih dikenal dengan ANFIS.
ANFIS merupakan metode yang menggabungkan kecerdasan buatan berupa jaringan syaraf tiruan Complete 2024, 8.
Vol.
No.
1, doi: 10.
52435/complete.
ittelkom-sby.
Complete 2024, 8.
Vol.
No.
1, doi: 10.
52435/complete.
2 of 12 dan logika fuzzy untuk membangun model sistem.
Alasan mengapa menggunakan ANFIS dibandingkan dengan metode yang lain adalah ANFIS dapat digunakan di berbagai berbagai aplikasi, seperti pengenalan pola, prediksi, dan pengambilan keputusan serta ANFIS dapat digunakan untuk memodelkan sistem nonlinier yang kompleks dan memiliki kemampuan belajar dari data.
Pada saat merancang sistem pendukung keputusan mesin E-Fill berbasis ANFIS, sistem akan menggunakan data dan informasi yang tersedia untuk membuat rekomendasi keputusan yang optimal pada saat menggunakan mesin E-Fill.
Dalam industri manufaktur, metode efektivitas peralatan secara keseluruhan (OEE) dapat diterapkan untuk memantau kinerja mesin.
OEE (Overall Equipment Effectivenes.
adalah sebuah metode yang digunakan untuk mengukur efektivitas dan produktivitas dari peralatan produksi.
OEE menentukan persentase waktu produksi dan menghitung berbagai jenis kerugian.
OEE
mencakup tiga faktor, yaitu ketersediaan, kinerja, dan kualitas.
OEE dapat dihitung dengan mengalikan faktor OEE dengan tiga atau dengan mengalikan jumlah produk sempurna dengan waktu yang dibutuhkan untuk memproduksi satu unit, kemudian membaginya dengan waktu produksi yang diharapkan.
Efisiensi sistem produksi menjadi faktor kunci daya saing industri manufaktur.
Namun nilai OEE rendah menunjukan performa mesin yang belum optimal.
Untuk itu diperlukan sistem cerdas prediktif berbasis ANFIS yang mampu merekomendasikan parameter operasional mesin guna meningkatkan efisiensi.
Data aktual dimanfaatkan ANFIS untuk permodelan dan prediksi kondisi optimal agar performanya maksimal, yang akhirnya tercermin pada peningkatan nilai OEE.
Maka penerapan OEE dan ANFIS menjadi solusi yang saling berkaitan untuk optimasi berkelanjutan.
Untuk mendapatkan performa ANFIS yang sesuai dengan tujuan penelitian, parameter root mean square error (RMSE) digunakan untuk mengukur keakuratan model prediktif.
RMSE adalah ukuran selisih antara nilai prediksi dan nilai sebenarnya.
Semakin kecil nilai RMSE maka semakin tinggi keakuratan model prediksi.
Pada artikel kali ini akan dibahas mengenai perancangan sistem pendukung keputusan mesin E-Fill berbasis OEE dan ANFIS.
Penelitian ini bertujuan untuk mendukung pengambilan keputusan terkait pengoperasian mesin E-Fill.
Penelitian ini akan membahas tentang konsep dasar ANFIS, perancangan sistem, dan implementasi sistem.
Penelitian ini juga akan membahas penerapan OEE dan RMSE dalam monitoring kinerja mesin.
Penelitian ini diharapkan dapat memberikan kontribusi terhadap perkembangan teknologi dan industri di Indonesia.
Metode Penelitian 1 Desain keseluruhan sistem Mesin e-fill memiliki sistem pengisian cairan botol dan panel kontrol yang berjalan secara otomatis.
Pada Gambar 1 terlihat data masukan dan keluaran berasal dari sensor dan aktuator.
Mesin dikendalikan dengan menggunakan PLC Mitsubishi seri FX5S.
Kemudian data plant dikumpulkan menggunakan metode ANFIS dan diukur menggunakan metode OEE.
Gambar 1.
Diagram Blok Sistem 3 of 12 Complete 2024, 8.
Vol.
No.
1, doi: 10.
52435/complete.
Gambar 2.
Alur Kerja Plant Botol Sortir Variable Waktu keseluruhan mesin beroperasi (Loadingtim.
Waktu mesin diambil kondisi setup Sumber data Diambil berdasarkan waktu keseluruhan systembekerja .
ulai dari saat system start hingga saatsystem sto.
Data diambil dari waktu saat system dalam kondisi pergantian model dan saat system dalamkeadaan perbaikan maintenance.
Pada dengan cara mengubah value berat cairan Jumlah keseluruhan produk yang Actual outpu.
Lama waktu mesin dalam memproduksi yang ditampungpada botol Data ini diambil dengan memanfaatkan Data ini direkam saat system dalam kondisi satu unitproduk (Cycle tim.
pergantian model.
Pada saat pergantian model, system akan berjalan selama sekali proses untuk mendapatkan waktu mesin Jumlah produk yang berhasil dalam satu unit produk Data ini didapatkan dari jumlah sensor pada tiang filling mendeteksi keberadaan Pada Gambar 1 Diagram Blok Sistem dapat dilihat pada penelitian ini untuk data input akan dikontrol melalui PLC lalu tampilan HMI atau output dapat dilihat apabila sistem kontrol 4 of 12 Complete 2024, 8.
Vol.
No.
1, doi: 10.
52435/complete.
telah melakukan input data.
Alur kerja dari mesin pengisian cairan dijelaskan pada Gambar 2 dibawah ini :
Dari gambar 2 dapat dilihat bahwa alur kerja sistem dimulai dari menekan tombol start pada HMI kemudian sensor dan aktuator akan menyala.
Kemudian botol akan ditaruh pada konveyor dan akan berjalan.
Lalu sensor proximity akan mendeteksi botol.
Jika tidak ada botol maka konveyor akan tetap berjalan dan jika proximity mendeteksi botol pertama maka pneumatik gate 1 akan menyala, jika sensor proximity mendeteksi botol yang kedua maka pneumatik gate 2 akan menyala dan bersamaan konveyor akan berhenti.
Lalu pneumatik mundur menyala bersamaan dengan nozzle 1 dan nozzle 2 turun.
Kemudian cylinder pneumatik akan menarik cairan dan membuka valve input 1 dan valve input 2 sesuai dengan batas sensor cylinder pneumatik.
Setelah cylinder pneumatik terisi selanjutnya cylinder pneumatik akan mendorong cairan sampai titik top bersamaan dengan terbukanya valve output 1 dan valve input 2 lalu mengirim air pada nozzle melalui selang cairan.
Kemudian sistem akan mereset secara otomatis dan konveyor kembali berjalan.
2 Overal Equipment Effectiveness (OEE) Penelitian ini dilakukan pada mesin e-fill pengisian cairan otomatis berdasarkan data yang telah diambil.
Analisis data dilakukan dengan menghitung nilai Overall Equipment Effectiveness(OEE) sebagai dasar penentuan langkah perbaikan.
Overal Equipment Effectiveness (OEE) didefinisikan sebagai ukuran kinerja suatu peralatan dalam menunjang proses produksi sesuai dengan yang telah ditetapkan.
Parameter OEE terdiri Availability.
Performance dan Quality.
Nilai ketiga parameter tersebut dapat digunakan untuk mengidentifikasi efektivitas peralatan dalam periode tertentu.
Table 1 Variable dan sumber data penelitian.
Availability (%) Performance (%) Quality (%) OEE
!"#$%&'() ',#
ycu 100% %/'() ',$ %/'() ',#01.
2( ',#
ycu 100% %/'() ',# 3456# ',# 7 85&9%6 !9&"9& !"#$%&'() ',# / !9&"9& .
ycu 100% = 85&9%6 !9&"9& ycu 100% = A x P x Q (%) 3 Adaptive Neuro Fuzzy Inference System ( ANFIS ) Adaptive Neuro Fuzzy Inference System (ANFIS) merupakan penggabungan dari logika fuzzy dan jaringan syaraf tiruan (JST).
Logika fuzzy memiliki kelebihan dalam memodelkan aspek kualitatif dari pengetahuan manusia dan proses pengambilan keputusan dengan menerapkan basis aturan .
JST memiliki kelebihan dalam mengenali pola, belajar dan berlatih dalam menyelesaikan suatu permasalahan tanpa memerlukan pemodelan matematik.
Serta dapat bekerja berdasarkan data historis yang dimasukkan kepadanya dan dapat melakukan prediksi kejadian yang akan datang berdasarkan data-data tersebut.
Sehingga ANFIS memiliki kemampuan keduanya.
Framework dari metode ANFIS mempunyai lima layer, yaitu layer fuzzifikasi, layer rule, layer normalisasi, layer defuzzifikasi, dan hasil neuro Tunggal.
Adapun struktur ANFIS seperti pada Gambar 3 :
Complete 2024, 8.
Vol.
No.
1, doi: 10.
52435/complete.
5 of 12 Gambar 3.
Struktur ANFIS Pada Struktur ANIFIS yang digunakan pada penelitian kali ini menggunakan 3 Input 6 layer dan 1 output.
3 Input: 1 Layer (Node 1-.
masing masing input disebut t sebagai variabel linguistik yang dapat mewakili kondisi atau atribut tertentu dalam sistem.
6 Layer: Layer 2 (Node 4-.
ini adalah layer yang disebut sebagai "Node Layer" atau "Fuzzification Layer".
Pada layer ini, setiap node mengukur sejauh mana setiap input memenuhi kondisi linguistik tertentu.
Fungsi keanggotaan fuzzy digunakan di sini untuk menentukan sejauh mana suatu input cocok dengan kondisi linguistik tertentu .
eperti "dingin", "hangat", "panas").
Layer 3 (Node 10-.
Layer ini disebut sebagai "Rule Layer" atau "Rule Layer".
Setiap node pada layer ini mengalikan keluaran dari node pada layer sebelumnya, merepresentasikan kecocokan input terhadap kondisi linguistik tertentu, dengan bobot Dalam Anfis, khususnya, ada aturan-aturan yang digunakan untuk menentukan bobot ini.
Layer 4 (Node 16- .
Layer ini disebut sebagai "Consequent Layer".
Setiap node di layer ini mengalikan keluaran dari node pada layer sebelumnya dengan input sesungguhnya .
nput numerik asl.
dan memberikan keluaran untuk masing-masing aturan.
Layer 5 (Node 22-.
Layer ini disebut sebagai "Normalization Layer".
Tujuan dari layer ini adalah untuk menormalisasi keluaran dari layer 1 Output: Output sistem Anfis adalah hasil akhir dari proses inferensi yang dilakukan oleh sistem.
4 Pengukuran Akurasi RMSE Pada penelitian ini pengukuran hasil prediksi dilakukan dengan menggunakan root mean squere error (RMSE).
RMSE adalah suatu pengukuran tingkat akurasi dengan mengukur rata Ae rata nilai.
Nilai didapat dari selisih hadil peramalan dengan target dimana semakin kecil kecil atau semakin rendah nilai RMSE yang didapat, maka semakin valid akurasi yang Rumus RMSE dinotasikan sebagai berikut:
$ .
! 0=! )%
& !"#
Dimana :
= Nilai data actual = Nilai hasil peramalan = Banyaknya data = Summation ( Jumlahkan keseluruhan nilai ) .
6 of 12 Complete 2024, 8.
Vol.
No.
1, doi: 10.
52435/complete.
Hasil dan Pembahasan Pada bab ini akan dilakukan pembahasan terhadap hasil penelitian dan pengujian yang telah Pengujian meliputi Data Asli.
Hasil Analisa OEE, dan pemodelan ANFIS dengan dibuktikan melalui grafik serta RMSE.
Table 2 Hasil pengambilan data
Waktu Waktu Nozzle Berjalan Perngisian botol
Ketepatan Filling Target
Volume Error % Nozzle 10 detik
5 detik
Gagal
10 detik
6 detik
Gagal
10 detik
5 detik
Tepat 10 detik
6 detik
Tepat 10 detik
5 detik
1,48%
Tepat 10 detik 6 detik Tepat 10 detik 10 detik 5 detik 6 detik Tepat Tepat Table 3 Hasil perhitungan OEE Availability Performance Quality OEE Ket Hasil OEE Data Asli Percobaan Pertama Bad Bad Good Good Good Good Good Good Good Pada tabel 3.
1 dan tabel 3.
2 dapat dilihat perbandingan data dari 8 botol pengujian yang pertama, pada pengujian yang pertama terlihat bahwa percobaan pertama dan kedua memiliki kondisi bad sedangkan pengujian ketiga hingga kesembilan memiliki kondisi good.
Kondisi Bad terjadi dikarenakan adanya kesalahan tata letak botol saat mengambil data.
7 of 12 Complete 2024, 8.
Vol.
No.
1, doi: 10.
52435/complete.
Table 4 Hasil Pengambilan data percobaan ke 2 Waktu Waktu Nozzle Berjalan Pengisian botol Ketepatan Filling Target Volume Error % Nozzle 10 detik 5 detik Tepat 10 detik 6 detik Tepat 10 detik 5 detik Tepat 10 detik 6 detik Tepat 10 detik 5 detik Tepat 10 detik 6 detik Tepat 10 detik 5 detik Tepat 10 detik 6 detik Tepat OEE Ket Table 5 Hasil Perhitungan OEE data aktual Availability Performance Quality Hasil OEE Data Asli Percobaan Ketiga Good Good Good Good Good Good Good Good Good Pada tabel 3.
5 dan tabel 3.
6 dapat dilihat tidak adanya perbandingan data dari 8 botol pengujian yang pertama hingga kesembilan dikarenakan tidak adanya kesalahan dalam tataletak botol.
1 Hasil Training Perhitungan OEE ini berdasarkan kondisi pergerakan plant.
Data utama yang diperlukan dalam perhitungan ini yaitu lama waktu mesin beroperasi selama 124 detik, lama waktu mesin dalam kondisi setup, jumlah keseluruhan produk yang dihasilkan, lama waktu mesin dalam memproduksi satu unit produk .
aktu diambil selama 15 dan 16 deti.
dan jumlah produk yang berhasil.
ari 8 hingga .
Berikut table 3.
4 merupakan table variable OEE yang 8 of 12 Complete 2024, 8.
Vol.
No.
1, doi: 10.
52435/complete.
Table 6 Hasil percobaan data training Availability Performance Quality OEE
Ket
Data Pada Saat Cylce Time 15 Detik
Good
Bad
Bad
Bad
Bad
Bad
Bad
Bad
Bad
Data Pada Saat Cycle Time 16 Detik
Good
Bad
Bad
Bad
Bad
37,5%
Bad
Bad
12,5%
Bad Bad Hasil percobaan dari Tabel 3.
4 diatas dapat dilihat bahwa berdasarkan data keterangan terlihat memiliki kondisi good dan bad.
Untuk mesin yang memiliki system good dan efektif memiliki nilai presentase OEE diatas 85%.
Sedangkan mesin yang memiliki system bad memiliki nilai presentase OEE dibawah 85%.
Gambar 4 adalah data bar chart yang ditampilkan sesuai dengan data training yang dihitung dalam kondisi waktu Cylce Time 15 detik.
Gambar 5 adalah Data bar chart yang ditampilkan sesuai dengan data Training yang dihitung dalam kondisi waktu Cycle Time 16 detik.
9 of 12 Complete 2024, 8.
Vol.
No.
1, doi: 10.
52435/complete.
Cycle Time 15 Detik Availability Performance Quality OEE Gambar 4 Bar Chart hasil Training Cycle Time 16 Detik Availability Performance Quality OEE Gambar 5.
Bar Chart hasil Training 2 Hasil data Testing ANFIS Sebelum dilakukan pemodelan ANFIS dilakukan beberapa kali percobaan pada pembahasan hasil data training sebagai parameter untuk menguji ketepatan pada metode ANFIS.
Dari hasil training dengan kondisi cycle time 15 dan 16 detik diperoleh nilai minimal RMSE adalah 0.
Adapun pembanding nilai aktual dengan data prediksi dapat dilihat pada gambar 8 dibawah.
Pada Gambar 8 menunjukan bahwa hasil dari pengujian data asli dan hasil ANFIS memiliki perbedaan ketika uji coba pertama dan kedua.
Pada uji coba pertama data asli menghasilkan nilai 0.
72 berasal dari perhitungan manual data asli sedangkan hasil ANFIS menghasilkan nilai 0.
Sama dengan uji coba pertama pada uji coba kedua data asli dan hasil ANFIS memiliki nilai yang sama.
Bisa disimpulkan untuk ketepatan prediksi pada uji coba pertama dan kedua hanya memiliki selisih nilai yaitu 0.
sedangkan pada uji coba 3 hingga uji coba ke10 nilai data asli dan hasil ANFIS memiliki kesamaan yang artinya ketepatan prediksi dari uji coba tersebut adalah 100% tepat.
Complete 2024, 8.
Vol.
No.
1, doi: 10.
52435/complete.
10 of 12 Gambar 6.
Hasil Nilai RMSE Gambar 7.
Grafik data asli dan hasil ANFIS Kesimpulan Dari hasil pengujian yang telah dilakukan dapat disimpulkan pada paper ini menjelaskan tentang perancangan sistem pendukung keputusan untuk mesin e- fill berbasis sistem inferensi neuro-fuzzy adaptif AuANFISAy.
Hal ini bertujuan untuk mendukung pengoperasian mesin e-Fill.
Berdasarkan Perhitungan nilai Overall Equipment Effectiveness (OEE), performa mesin e-fill dalam pengujian 3 kali percobaan masih rendah dengan nilai OEE rata - rata hanya 57,3% (Cycle Time 15 deti.
dan 61,7% (Cycle Time 16 deti.
Nilai Availability cenderung konstan 92% sedangkan nilai Performance dan Quality bervariasi tergantung pada waktu Cycle Time dan jumlah produk yang Pemodelan dengan metode ANFIS menghasilkan akurasi prediksi yang sangat baik dengan RMSE sebesar 0,000312.
Hasil prediksi juga sangat mendekati data aktual.
Complete 2024, 8.
Vol.
No.
1, doi: 10.
52435/complete.
11 of 12
Referensi