REKOMENDASI SOLUSI PADA COMPUTER MAINTENANCE MANAGEMENT SYSTEM MENGGUNAKAN ASSOCIATION RULE, KOEFISEN KORELASI PHI DAN CHI-SQUARE Farid Sukmana 1) dan Joko Lianto Buliali 2) 1) Management of Information Technology Department Institut of Technology Sepuluh Nopember Surabaya, Indonesia e-mail: faridsukmana@outlook.com 2) Informatics Department, Institut of Technology Sepuluh Nopember ABSTRAK CMMS merupakan sebuah sistem yang digunakan oleh teknisi untuk membantu kegiatan yang dilakukan dalam maintenance sebuah mesin. Pada sistem ini terdapat bagian penting seperti Work Order (WO), Inventory Management, Purchase Order (PO). Permasalahan yang timbul yaitu pada bagian WO sering kali seorang teknisi menemukan permasalahan yang sama pada kasus maintenance mesin dan sering kali kasus yang sama ternyata masih berulang pada waktu tertentu. Berdasarkan kasus tersebut peneliti bermaksud untuk mengelompokkan rule dari WO dan kemudian dilakukan penilaian terhadap rule. Hal ini ditujukan untuk membantu seorang teknisi menentukan solusi dari permasalahan yang muncul dalam suatu infrastruktur perusahaan. Tujuan dari penelitian dari peniliti dalam melakukan penilaian terhadap work order antara lain merancang suatu pengetahuan yang dapat dimanfaatkan oleh seorang teknisi untuk mempelajari pola permasalahan infrastruktur IT di dalam perusahaan. Penelitian ini diawali dengan membentuk rule yang didapatkan dari kumpulan WO yang diterima oleh teknisi menggunakan Association Rule. Selanjutnya untuk proses hasil dari rule base yang didapatkan akan dilakukan korelasi berdasarkan variable symptom dan root cause. Berdasarkan penelitian didapatkan jika penggunaan minimum support dan minimum confidence mempengaruhi perangkingan rekomendasi solusi. Sehingga rekomendasi solusi berada pada di level bawah ketika dilakukan peningkatan nilai min_sup dan min_conf posisi leveling bisa tetap dan bisa berubah. Kata kunci: Work Order, Maintenance, Association Rule, Chi-Square. PENDAHULUAN Sistem pendukung keputusan dalam bidang komputer pada era ini telah sampai kegunaannya pada dunia bisnis sebagai alat dalam mengurangi resiko dan biaya dalam industry. [3] Munculnya Knowledge Management adalah salah satu diantaranya telah banyak dipertimbangkan oleh dunia bisnis untuk mengurangi resiko dan biaya dengan cara mengembangkan software dan pemeliharaan organisasi dalam mengelola kegiatan para teknisi. Computer Maintenance Management. System (CMMS) merupakan sebuah sistem yang berfungsi dalam proses maintenance peralatan yang berupa mesin ditujukan untuk menjaga mesin dapat berjalan dengan baik tanpa harus menunggu sebuah mesin mengalami kerusakan terlebih dahulu. [6] Dan untuk mengurangi resiko dan biaya pemeliharaan suatu sistem dalam organisasi perlu adanya proses integrasi antara proses maintenance, perbaikan dan penyediaan inventori dan penjadwalan proses maintenance, monitoring kondisi teknologi, database elektronik dan komponen yang reliable dan sistem pendukung keputusan dimana semuanya bisa dikelola dalam sistem C-2-1
CMMS. Dan didalam sebuah CMMS terdapat beberapa bagian yang tidak bisa dipisahkan untuk membentuk sistem menjadi satu kesatuan diantaranya yaitu Work Order (WO). Di dalam penelitian ini berfokus pada pemanfaatan WO untuk digunakan dalam pencarian solusi terbaik pada suatu permasalahan, sehingga seorang teknisi dapat mengambil keputusan dengan segera untuk melakukan proses pengecekan terhadap mesin sesuai dengan solusi yang disarankan dan segera bisa mencari solusi lain. Peneliti memiliki maksud untuk memanfaatkan WO sebagai sebuah data yang digunakan untuk memberikan pengetahuansolusi kejadian atau permasalahan dalam mesin yang dianggap masih belum terselesaikan secara tuntas. [6] Sejumlah masalah yang berulang-ulang disebabkan karena downtime, dan menjadi perhatian bagaimana menemukan akar permasalahan dan solusi yang tepat sehingga solusi ini digunakan untuk proses modifikasi pada mesin dan kebijakan pemeliharaan sistem. Permasalahan muncul ketika solusi yang digunakan tidak memberikan solusi secara baik dalam proses penangan suatu masalah dalam proses perbaikan mesin dan dalam penelitian ini mengambil data pada permasalahan infrastruktur IT. Sehingga pihak peneliti bermaksud untuk memanfaatkan data work order untuk dimafaatkan menjadikan pendukung keputusan. METODE 1. EKSPERIMEN Proses pertama yaitu [5] menggunakan teknik Association Rule sebagai cara untuk mendapatkan rule yang sering terjadi secara berulang-ulang. Peneliti menggunakan association rule sebagai metode dalam membangkitkan rule base dari work order disebabkan data yang digunakan dalam work order bersifat kategori dan bukan binary ataupun nominal. [1] Dan pada permasalahan yang dihadapi dalam proses data mining yaitu sekumpulan data yang banyak dari suatu basket data pada tipe transaksi, dan dengan association rule beberapa item dapata dikumpulkan sesuai dengan confidence dan support. Pada dasarnya support bertanggung jawab dalam mengukur apakah suatu data secara statistika signifikan untuk diproses dalam association rule. Sedangkan confidence berguna dala mengukur tingkat kekuatan dari rule yang digunakan. [5] Association rule digunakan dalam penelitian sebagai bahan untuk menjadikan pola atau pattern dari sebuah data dan digunakan untuk mengeliminasi pola data yang tidak penting. Selain itu [2] association rule digunakan untuk menemukan relationship diantara entitas record yang berbeda di dalam suatu database. [4] Penggunaan support dan confidence dalam association rule memiliki tujuan yang berbeda dimana support digunakan untuk mengukur signifikansi dari rule dan confidence digunakan sebagai ukuran rule yang terbaik digunakan. Dan kunci utama dari association rule yaitu bagaimana meminimalkan threshold dari support. Dan support yang tinggi lebih berguna untuk mendapatkan association rule mining daripada penggunaan support yang rendah. [4] Dan penggunaan support dan confidence bisa mempertimbangkan dua hal dalam menemukan sebuah pola. a. Jika minsup terlalu tinggi, tidak akan ditemukan item yang jarang muncul. b. Jika ingin menemukan item yang sering muncul dan jarang gunakan minsup yang kecil. [6] banyak studi-studi sebelumnya menatakan association rule sukses diterapkan pada masalah yang berkaitan dengan klasifikasi dan prediksi. Metode yang digunakan selanjutnya dalam proses pencarian kekuatan hubungan antara variabel yaitu menggunakan koefisien korelasi phi sedangkan untuk uji statistika menggunakan chi-square, hal ini dikarenakan data yang digunakan bersifat kategori dan C-2-2
dikotomus (bernilai 0 dan 1). Data dikotomi adalah data diskrit, data kategorik atau data nominal dan data ini adalah data dari hasil perhitungan, sehingga tidak dijumpai bilangan pecahan. Dalam data dikotomi setiap data dikelompokkan menurut kategorinya dan diberi angka, dimana angka-angka tersebut adalah label dan bukan tingkatan. Pada Tabel 1 menunjukkan bagaimana penerapan rumus pada koefisien korelasi phi. Tabel 1. Penerapan Rumus Pada Koefisien Korelasi Phi Atribut 2 Atribut 1 Yes No Yes a b No c d Jika a, b, c, dan d merepresentasikan frekuensi dari suatu observasi maka menggunakan rumus: dihitung dengan Sedangkan uji statistik pada koefisien korelasi phi menggunakan chi-square atau Nilai koefisien phi memiliki rentang antara -1 hingga 1. Semakin mendekati 0 hubungan kedua atribut atau data semakin lemah. Sedangkan nilai 1 menunjukkan jika kedua data memiliki hubungan yang sempurna. Tanda (+) pada nilai korelasi jika suatu variabel x mengalami kenaikan maka variabel y ikut naik dan jika nilai variabel x turun maka variabel y ikut turun. Sedangkan tanda (-) menandakan jika suatu variabel x naik maka variabel y mengalami penurunan dan jika variabel x nilainya turun maka variabel y naik. Adapun kriteria atau pedoman dalam menentukan kriteria korelasi yaitu bisa dilihat pada Tabel 2. Tabel 2. Pedoman Kriteria Korelasi r Kriteria hubungan 0 Tidak ada korelasi 0 0.5 Korelasi lemah 0.5 0.8 Korelasi sedang 0.8 1 Korelasi kuat / erat 1 Korelasi sempurna Teknik yang digunakan dalam penelitian ini, pertama adalah association rule berfungsi untuk membangkitkan rule dari data WO yang berkaitan dengan variabel symptom dan root cause sehingga diperoleh symptom dan root cause yang secara signifikan dan dapat dipercaya untuk dapat digunakan sebagai rekomendasi solusi. serta koefisien korelasi phi untuk mencari kekuatan korelasi dari kedua variabel dan kemudian digunakan untuk proses pemeringkatan pada rekomendasi solusi. Sedangkan uji statistik terhadap hasil korelasi digunakan chi-square. HASIL DAN PEMBAHASAN Secara umum basis pengetahuan yang dirancang adalah seperti pada Gambar 1. Penelitan ini diawali dengan pengumpulan data sebanyak 712 data yang didapatkan dari work C-2-3
order dalam sistem Microsoft Dynamic AX. Dan yang diambil adalah data yang berhubungan dengan variabel symptom dan root cause. Korelasi Phi dan Chisquare Rule Association Rule Rekomendasi Solusi Inference Engine Knowledge Base Data Work Order Permasalahan Tool untuk mendapatkan solusi Database User Interface User Gambar 1. Rancangan Knowledge Base Data work order sebenarnya terdiri dari beberapa variabel antara lain problem, symptom, root cause, solution, category, time start, date start, time finish, date finish. Tapi pada penelitian ini dilakukan penelitian terhadap dua variabel yaitu symptom dan root cause. Adapun contoh data pada Gambar 2. Dari beberapa data symptom dan root cause selanjutnya dilakukan proses pembangkitan rule dengan menggunakan association rule dengan batasan minimum support dan minimum confidence. Untuk mengelimanasi suatu symptom dan root cause yang tidak terlalu penting dan signifikan bisa digunakan minimum support dan minimum confidence yang tinggi. Gambar 2. Data Work Order Tabel 3 dan 4 adalah contoh hasil rule dengan meningkatkan min_sup dan min_conf pada permasalahan Can t open dynamic AX. Bisa dilihat adanya eleminasi data pada Tabel 4 dimana terdapat rule dihilangkan dari ketika nilai minimum support ditingkatkan. Dan berarti rule yang berwarna merah memiliki nilai minimum support yang diantara 0.001 dan 0.007. Dan pada tahap ini terdapat batasan mimum support dan minimum confidence yang digunakan yang bisa dilihat pada Tabel 5. C-2-4
Dari hasil rule selanjutnya dicari kekuatan korelasi dan uji statistik dari kedua variabel. Untuk uji statistik hipotesa yang digunakan adalah: a. H0: Tidak terdapat keterkaitan antara gejala (symptom) dan akar permasalahan (root cause) dalam proses pencarian solusi. b. H1: Terdapat keterkaitan antara gejala (symptom) dan akar permasalahan (root cause) dalam proses pencarian solusi. Tabel 3. min_sup=0.001 dan min_conf=0.1 Tabel 4. min_sup=0.007 dan min_conf=0.1 Tabel 5. Jumlah dari Hasil Beberapa Minimum Support dan Minimum Confidence Dari hasil rule selanjutnya dicari kekuatan korelasi dan uji statistik dari kedua variabel. Untuk uji statistik hipotesa yang digunakan adalah: a. H0: Tidak terdapat keterkaitan antara gejala (symptom) dan akar permasalahan (root cause) dalam proses pencarian solusi. b. H1: Terdapat keterkaitan antara gejala (symptom) dan akar permasalahan (root cause) dalam proses pencarian solusi. Berdasarkan penggunaan koefisien korelasi phi, maka nilai chi-square hitung pada penelitian ini menggunakan taraf signifikansi 0.05 dengan derajat bebas selalu 1. Karena perhitungan korelasi phi pada tabel contingency hanya menggunakan 2 baris dan 2 kolom yang terdiri dari 2 atribut. Sehingga nilai chi-square tabel selalu bernilai 3.841. Bisa dilihat pada Tabel 6 adalah contingency tabel dari korelasi phi dengan 2 atribut pada variabel symptom dan root cause. Contoh bisa dilihat pada Tabel 6, dimana pada tabel tersebut dengan menggunakan rumus korelasi phi yang dijelaskan pada sub bab 2 didapatkan nilai koefisen korelasi sebesar 0.5359. Dan dengan nilai chi-square 112.3. Sehingga dapat dikatakan C-2-5
korelasi tersebut melakukan penolakan terhadap H0 karena nilai chi-square hitung lebih besar daripada nilai chi-square tabel. Dan sifat korelasi kedua variabel sedang. Tabel 6. Tabel Contingency pada Perhitungan Koefisien Korelasi phi 2. HASIL UJI COBA Setelah mengenal langkah-langkah penelitian pada sub bab 3 selanjutnya yaitu melakukan leveling dengan beberapa min_sup dan min_conf berbeda dari beberapa rekomendasi solusi yang dihasilkan dengan permasalahan yang berbeda. Hal ini ditujukan untuk mengetahui pengaruh minimum support dan minimum confidence terhadap hasil rekomendasi yang diberikan. Tabel 7. min_sup 0.001 dan min_conf 0.05 Permasalahan Can t open dynamic AX Pada rekomendasi solusi yang dicetak merah dapat dilihat bahwa posisinya tidak berubah ketika dilakukan peningkantan minimum support dan minimum confidence dan selalu muncul menjadi rekomendasi utama pada Tabel 8 dan 9. Dan juga dapat dilihat korelasi yang diberikan semakin kuat ketika nilai min_sup dan min_conf ditingkatkan. Tabel 8. min_sup 0.009 dan min_conf 0.7 Permasalahan Can t open dynamic AX C-2-6
Tabel 9. min_sup 0.011 dan min_conf 0.8 Permasalahan Can t open dynamic AX Pada Tabel 7, 8 dan 9 adalah rekomendasi solusi yang sama pada bagian symptom pada permasalahan Can t open dynamic AX. Lalu bagaimana dengan permasalah yang sama dengan beberapa symptom yang lain. Bisa dilihat pada Tabel 10 dan 11. Tabel 10. min_sup 0.009 dan min_conf 0.7 Permasalahan Can t open dynamic AX Ketika dilakukan peningkatan nilai minimum support dan minimum confidence pada Tabel 10 ternyata terjadi perubahan posisi pada rekomendasi solusi pada level 1 dan 2 pada Tabel 10. Dimana hasilnya bisa dilihat pada Tabel 11. Bisa dilihat pada Tabel 11 levelling rekomendasi solusi mengalami perubahan yang sebelumnya level 1 pada Tabel 10 berubah posisi menjadi level 2 pada Tabel 11. Tabel 11. min_sup 0.011 dan min_conf 0.8 Permasalahan Can t open dynamic AX KESIMPULAN DAN SARAN Berdasarkan analisa pengaruh minimum support dan minimum confidence pada hasil rekomendasi solusi menunjukkan adanya pola rekomendasi yang beragam ketika dilakukan peningkatan pada nilai minimum support dan minimum confidence. Diman tidak sepenuhnya rekomendasi pada posisi pertama akan muncul dan tetap menjadi rekomendasi ketika dilakukan peningkatan minimum support dan minimum confidence. Dimana terdapat rekomendasi yang berada pada posisi bawah muncul menjadi rekomendasi utama ketika dilakukan kenaikan min_sup dan min_conf. Dan ada kasus dimana terjadi pertukaran posisi antara rekomendasi ketika dilakukan kenaikan min_sup dan min_conf dimana terjadi pada permasalahan Can t open dynamic AX. Dan penelitian ini memberikan gambaran adanya C-2-7
pengaruh minimum support dan minimum confidence terhadap rekomendasi solusi yang diberikan ketika terjadi perubahan nilai keduanya baik ditingkatkan atau diturunkan. DAFTAR PUSTAKA [1] Agrawal R, Imielinski T, Swami A, (1993), Mining Assocation Rules between Sets of Items in Large Database, Proceeding of the 1993 ACM SIGMOOD Conference, Computer Science Department Rutgers University. [2] Mandave P., Mane M., Patil S. (2003). Data Mining Using Association Rule Based on Apriori algorithm and improved with illustration. International Journal of Latest Trends in Engineering and Technology (IJTET). Vol. 3, hal 107. [3] Nor, M. Z. M., Abdullah R., Murad M. A. A, dan Selamat M. H. (2010), Managing Knowledge in Collaborative Software Maintenance Environtment, Knowledge Management, Vol. 1, No. 6, hal. 73-92. [4] Saran, Aditi. Association Rule Mining. Data Mining Technique and Tools for Knowledge Discovery in Agricultural Dataset. Hal 298. [5] Tan, P. N, Steinbach M. dan Kumar V., (2006), Introduction Data Mining, 1 st edition, Pearson Education, Inc., Boston. [6] Zaied, R. A., Abhary K., dan Gomaa A. H. (2010), Intelegent Integrated Maintenance of Manufacturing System, Engineering The Future, Vol.1, No. 15, hal. 297-316. C-2-8