Jurnal Ilmiah Edutic /Vol.5, No.

1, November 2018 p-ISSN 2407-4489

e-ISSN 2528-7303

PENERAPAN METODE SUPPORT VECTOR MACHINE (SVM) DALAM

KLASIFIKASI KUALITAS PENGELASAN SMAW (SHIELD METAL ARC
WELDING)

Alven Safik Ritonga1, Endah Supeni Purwaningsih 2

1
Universitas Wijaya Putra
Surabaya, Indoesia
alvensafik@[Link]

Abstrak
Pengendalian kualitas suatu produk harus dijaga, sehingga konsumen merasa puas dalam menggunakan
produk yang dihasilkan. Salah satu cara yang bisa dilakukan oleh dunia industri adalah efisiensi dalam
klasifikasi kualitas produk. Metode klasifikasi yang sangat baik dibandingkan metode konvensional,
adalah metode Support Vector Machine (SVM). Metode Support Vector Machine merupakan metode
klasifikasi supervised learning. Metode SVM merupakan algoritma yang bekerja menggunakan
pemetaan nonlinear untuk mengubah data pelatihan asli ke dimensi yang lebih tinggi. Tujuan penelitian
adalah mendapatkan model klasifikasi yang mempunyai akurasi tinggi atau error yang kecil dalam
melakukan klasifikasi kualitas pengelasan. Target peneliti menghasilkan alat kontrol untuk menjaga
kualitas pengelasan yang efektif dan efisien. Penelitian ini merupakan penelitian yang menggunakan
data yang sebenarnya, dengan memakai data kedua yang diperoleh dari bulan Maret 2018 sampai dengan
Mei 2018. Hasil pengujian model dengan menggunakan kernel fungsi quadratik menunjukkan hasil
akurasi sebesar 96,2%, dan pengujian menggunakan data uji menunjukkan hasil akurasi sebesar 98%
dengan menggunakan kernel fungsi quadratik.

Kata Kunci: Support Vector Machine (SVM), Klasifikasi, Pengelasan, Kualitas

Abstract
Quality control of a product must be maintained, so that consumers feel satisfied in using the products
produced. One way that can be done by the industrial world is efficiency in product quality
classification. A very good classification method compared to conventional methods, is the Support
Vector Machine (SVM) method. The Support Vector Machine method is a supervised learning
classification method. The SVM method is an algorithm that works using nonlinear mapping to change
the original training data to a higher dimension. The purpose of the research is to obtain a classification
model that has high accuracy or small errors in welding quality classification. The target of the
researcher is to produce a control device to maintain effective and efficient welding quality. This
research is a study that uses actual data, using the second data obtained from March 2018 to May 2018.
The results of testing the model using a quadratic function kernel shows the accuracy of 96.2%, and
testing using test data shows the results of accuracy 98% using a quadratic function kernel.

Keywords: Support Vector Machine (SVM), Classification , Welding, Quality

17
Jurnal Ilmiah Edutic /Vol.5, No.1, November 2018 p-ISSN 2407-4489
e-ISSN 2528-7303

PENDAHULUAN masalah nyata dalam kehidupan sehari-hari,

Pengelasan adalah salah satu teknik diantaranya Saraswati (2014), menerapkan
penyambungan logan dengan cara mencairkan pada bidang bahasa, Jacobus (2014) dibidang
sebagian logam induk dan logam pengisi komputer, dalam bidang perbankan dilakukan
dengan atau tanpa tekanan dan dengan atau oleh Satsiou (2002), di bidang kesehatan
tanpa logam tambahan dan menghasilkan dilakukan oleh Yenaeng (2014).
sambungan yang kontinu (Sonawan, 2006).
Teori Dasar Support Vector Machine (SVM)
Pengelasan merupakan suatu proses penting di
Support Vector Machine (SVM) pertama
dalam dunia industri dan merupakan bagian
kali diperkenalkan oleh Vapnik pada tahun
yang tak terpisahkan dari pertumbuhan industri,
1992 bersama rekannya Bernhard Boser dan
karena memegang peranan utama dalam
Isabelle Guyon. SVM merupakan algoritma
rekayasa dan reparasi produksi logam.
yang bekerja menggunakan pemetaan nonlinier
Salah satu metoda pengelasan adalah Las
untuk mengubah data pelatihan asli ke dimensi
SMAW atau pengelasan busur listrik logam
yang lebih tinggi. Dalam hal ini dimensi baru,
terlindung merupakan salah satu jenis teknik
akan mencari hyperplane untuk memisahkan
pengelasan yang paling sederhana dan paling
secara linier dan dengan pemetaan nonlinier
canggih untuk pengelasan baja struktural.
yang tepat ke dimensi lebih tinggi, data dari dua
Metode ini sangat banyak digunakan dalam
kelas selalu dapat dipisahkan dengan
pembangunan kapal dan reparasi kapal,
hyperplane tersebut. SVM menemukan ini
disamping harga yang terjangkau, juga
menggunakan support vector dan margin,
dikarenakan pengelasan dengan metode
Widodo (2013). Dalam teknik ini, kita berusaha
SMAW sangat fleksibel dalam penggunaannya.
untuk menemukan fungsi pemisah (klasifier)
Baik itu pengelasan dengan posisi datar,
yang optimal yang bisa memisahkan dua kelas
horizontal, tegak (vertikal), ataupun posisi
yang berbeda. Teknik ini berusaha menemukan
diatas kepala (overhead).
fungsi pemisah (hyperplane) terbaik diantara
Untuk menjaga kualitas pengelasan,
fungsi yang tidak terbatas jumlahnya untuk
perlu adanya kontrol yang efektif dan efisien.
memisahkan dua macam obyek. Hyperplane
Selama ini kontrol yang dilakukan adalah
terbaik adalah hyperplane yang terletak di
kontrol manusia yang tidak sepenuhnya dapat
tengah-tengah antara dua set obyek dari dua
diandalkan dan tidak menjamin kualitas dari
kelas. Gambar 1, memperlihatkan bagaimana
kontrol. Untuk memilih dan mengelompokan
SVM mencari hyperplane terbaik ekivalen
kualitas hasil pengelasan diperlukan suatu
dengan memaksimalkan margin atau jarak dua
metode baku dan lebih baik dari metode
set dari kelas yang berbeda. Hal ini dapat
konvensional. Salah satu metode klasifikasi
dirumuskan pada problem optimasi SVM untuk
yang cukup terkenal paling kuat dan akurat
klasifikasi linear, seperti dibawah ini (Santoso,
adalah metode Support Vector Machine (SVM).
B. 2007).
Support Vector Machine (SVM) suatu teknik 1
min ||ω||2 (1)
untuk melakukan klasifikasi maupun regresi 2
yang sangat popular bekangan ini. SVM berada Subject to
dalam satu kelas dengan ANN dalam hal fungsi
dan kondisi permasalahan yang bisa yi(wxi+b) ≥ 1, i=1,…, λ (2)
diselesaikan. Keduanya masuk dalam kelas
dimana xi adalah data input yi adalah keluaran
supervised learning (Budi Santoso, 2007).
dari data xi , w, b adalah parameter-parameter
Sudah banyak para ilmuan menerapkan
yang kita cari nilainya. Dalam rumus di atas,
teknik ini dalam menyelesaikan masalah-
ingin meminimalkan fungsi tujuan (obyektif

18
Jurnal Ilmiah Edutic /Vol.5, No.1, November 2018 p-ISSN 2407-4489
e-ISSN 2528-7303

function) 1/2 ‖w‖2 atau memaksimalkan meminimalkan kesalahan klasifikasi

kuantitas ‖w‖2 atau wTw dengan memperhatikan (misclassification error) yang dinyatakan
pembatas y1 (wxi+ b) ≥ 1. Bila output data y1 = dengan adanya variabel slack t i , sementara
+1, maka pembatas menjadi (wxi + b) ≥ 1. dalam waktu yang sama kita memaksimalkan
Sebaliknya bila margin, ‖w‖2 . Penggunaan variabel slack
t1 adalah untuk mengatasi kasus ketidaklayakan
(infeasibility) dari pembatas (constraints)
yi (wxi + b) ≥ 1 dengan cara memberi pinalti
untuk data yang tidak memenuhi pembatas
tersebut. Untuk meminimalkan nilai ti ini, kita
berikan pinalti dengan menerapkan konstanta
ongkos C. Vektor w tegak lurus terhadap fungsi
pemisah: wx + b = 0. Konstanta b menentukan
lokasi fungsi pemisah relatif terhadap titik asal
(origin).

Metode Kernel
Secara umum, kasus-kasus di dunia
nyata adalah kasus yang tidak linier. Untuk
mengatasi sifat tidak linier dengan memakai
metode kernel. Dengan metode kernel suatu
data x di input space dimapping ke feature space
F dengan dimensi yang lebih tinggi melalui map
φ sebagai berikut φ:x→φ(x). Karena itu data x
Gambar 1. SVM berusaha menemukan di input space menjadi φ(x) di feature space.
hyperplane terbaik yang memisahkan class -1 Gambar 2 menggambarkan suatu contoh feature
dan class +1. mapping dari ruang dua dimensi ke feature
yi=−1, pembatas menjadi (wx i+b) ≤ −1. Di space dua dimensi. Dalam input space, data
dalam kasus yang tidak feasible (infeasible) tidak bisa dipisahkan secara linier, tetapi bisa
dimana beberapa data mungkin tidak bisa memisahkan di feature space.
dikelompokkan secara benar, formulasi
matematikanya menjadi berikut,
1
min ||ω||2 + C∑λi=1 t i (3)
2

Subject to

yi(wxi+b) + t i ≥ 1 (4)

t i ≥0, i=1,…, λ (5)

dimana t i adalah variabel slack. Dengan

formulasi ini kita ingin memaksimalkan margin Gambar 2. Kernel map mengubah persoalan yang
antara dua kelas dengan meminimalkan ‖w‖2. tidak linear menjadi linier dalam space yang baru.
Dalam formulasi ini kita berusaha

19
Jurnal Ilmiah Edutic /Vol.5, No.1, November 2018 p-ISSN 2407-4489
e-ISSN 2528-7303

Fungsi kernel yang biasanya dipakai yang digunakan untuk menguji kekuatan suatu
dalam SVM: bahan/material dengan cara memberikan beban
 Linear: xTx, gaya yang sesumbu atau satu sumbu.
 Polinomial: (𝑥 𝑇 𝑥𝑖 + 1)𝑝 , b. Uji Struktur Makro
 Radial basis function (RBF): Uji makro adalah suatu analisa mengenai
1 struktur logam yang melalui pembesaran
exp (− ‖𝑥 − 𝑥𝑖 ‖2 ),
2𝜎2 dengan menggunakan mikroskop khusus yang
 Sigmoid:tanh(𝛽 𝑇 𝑥𝑖 + 𝛽𝑖 ) , 𝛽, 𝛽𝑖 ∈ ℜ. disebut metallography. Dengan analisa makro
struktur, kita dapat mengamati bentuk dan
Metode Pengelasan SMAW (Shield Metal ukuran kristal logam, kerusakan logam akibat
Arc Welding) proses deformasi, proses perlakuan panas.
Las SMAW atau pengelasan busur c. Uji Kekerasan Rockwell
listrik logam terlindung merupakan salah satu Kekerasan suatu material dapat didefinisikan
jenis teknik pengelasan yang paling sederhana sebagai ketahanan suatu material terhadap gaya
dan paling canggih untuk pengelasan baja penekanan dari material lain yang lebih keras.
struktural. Pada proses ini, sumber panas Penekanan tersebut dapat berupa mekanisme
diperoleh dari busur listrik antara ujung penggoresan (stratching), pantulan ataupun
elektroda dengan logam yang yang dilas. indentasi dari material terhadap suatu
Metode SMAW sangat fleksibel dalam permukaan benda uji.
penggunaannya, baik itu pengelasan dengan Penelitian ini menggunakan metode
posisi datar, horizontal, tegak (vertikal), Support Vector Machine (SVM) dalam
ataupun posisi diatas kepala (overhead). mengklasifikasikan kualitas pengelasan metode
Dalam pengelasan, ada beberapa SMAW (Sheild Metal Arc Welding). Untuk
bagian bahan yang mempunyai sifat kekuatan menghasilkan model klasifikasi yang
bahan akibat proses pengelasan, diantaranya mempunyai akurasi tinggi atau error yang kecil
adalah : (1). Base metal (logam induk) dalam melakukan klasifikasi kualitas
merupakan bagian logam yang tidak mengalami pengelasan. Bermanfaat di bidang industri
perubahan struktur akibat pengelasan, (2). HAZ sebagai alat kontrol untuk menjaga kualitas
(Heat Affected Zone ) merupakan daerah pengelasan.
terpengaruh panas, daerah ini adalah yang
paling lemah baik kekerasannya, keuletan dan METODE PENELITIAN
tegangannya, karena struktur kristalnya banyak Metode penelitian yang digunakan
berubah, (3) Weld metal (logam las) merupakan dalam penelitian ini adalah metode penelitian
logam las yang mencair dan melebur bersama eksperimen dengan beberapa langkah yang
logam induk, daerah ini adalah yang paling baik dilakukan sebagai berikut :
kekerasan dan tegangan tarik jika dalam Pengumpulan Data
pelaksanaan pengelasan memenuhi standard, Data yang dikumpulkan peneliti adalah
Pujo( 2008). data primer karena diperoleh dari pengamatan
Untuk menguji kualitas pengelasan peneliti dengan mengadakan survey setelah
metode ini ada tiga yang perlu diuji, yaitu; pengelasan dan pengujian di PT. Mortek
a. Uji Kekuatan Tarik Suraindo, beralamat Jl. Kandangan Masjid No.
Kekuatan tarik dapat diartikan sebagai daya 5, Surabaya. Dataset yang dikumpulkan adalah
tahan suatu material terhadap tegangan yang data yang belum melalui proses preprosesing
berusaha untuk memisahkan. Kekuatan tarik berupa data pengujian kualitas pengelasan,
berhubungan dengan modulus elastis material yaitu;
yang ditarik. Uji Tarik adalah suatu metode

20
Jurnal Ilmiah Edutic /Vol.5, No.1, November 2018 p-ISSN 2407-4489
e-ISSN 2528-7303

 Uji Kekuatan Tarik (T) selanjutnya yang dilakukan adalah menguji

 Uji Struktur Makro (M) model klasifikasi dengan data testing untuk
 Uji Kekerasan Rockwell (R) mengetahui akurasi dari model klasifikasi.
3. Setelah dihasilkan model dari klasifikasi
Pengolahan Data
dilakukan pengujian dari data selain
Semua data awal yang diperoleh dari
dataset. Pengujian menggunakan data hasil
pengumpulan data, namun tidak semua data
pengelasan dengan produk yang berbeda.
dapat digunakan dan tidak semua atribut
4. Menggunakan hasil implementasi di atas,
digunakan karena harus melalui beberapa tahap
kemudian peneliti menganalisa dan
pengolahan awal data (preparation data). Untuk
membahas hasil klasifikasi yang dihasilkan
mendapatkan data yang berkualitas, beberapa
oleh metode Support Vector Machine
teknik yang dilakukan sebagai berikut;
(SVM).
1. Validasi Data.
Adalah untuk mengidentifikasikan dan HASIL DAN PEMBAHASAN
menghapus data yang ganjil (outlier/noise), data Data yang dikumpulkan peneliti adalah
yang tidak konsisten, dan data yang tidak data primer karena diperoleh dari pengamatan
lengkap (missing value). peneliti dengan mengadakan survey setelah
2. Transformasi Data pengelasan dan pengujian di PT. Mortek
Preprosesing data yang dapat digunakan dalam Suraindo, beralamat Jl. Kandangan Masjid No.
metode Support Vector Machine karena metode 5, Surabaya. Data yang didapat merupakan data
SVM membutuhkan data yang bersifat bilangan dua produk fillet joint (T-joint) dan posisi 3G,
real. Dalam penelitian ini transformasi data atau yang diproduksi bulan Maret-Mei 2018.
preprosesing yang digunakan bersifat Tabel 1. Data survey produksi
pengkategorian misalnya parameter Uji
Parameter Jumlah
Kekuatan Tarik (T), T = {Tidak Putus, Putus}, Tgl Kode Item
T M R Cacat
kemudian dikategorikan kedalam nilai T =
03/02/18 TJ01 T-joint Tidak putus Tidak cacat Tetap 0
{1,0}.
03/02/18 TJ02 T-joint Putus Cacat Tetap 2
3. Normalisasi Data
03/02/18 TJ03 T-joint Tidak putus Cacat Tetap 1
Data training dan testing yang ada harus
03/05/18 TJ04 T-joint Tidak putus Tidak cacat Tetap 0
dinormalisasi sehingga dalam proses training
03/05/18 TJ05 T-joint Tidak putus Tidak cacat Berubah bentuk 1
support vector machine akan menghasilkan data
03/05/18 TJ06 T-joint Tidak putus Tidak cacat Tetap 0
training yang stabil dan sesuai.
03/06/18 TJ07 T-joint Putus Cacat Tetap 2
Langkah-langkah Pengklasifikasian 03/06/18 TJ08 T-joint Putus Tidak cacat Tetap 1
Menggunakan SVM 03/07/18 TJ09 T-joint Tidak putus Tidak cacat Berubah bentuk 1
1. Data training digunakan untuk proses
. . . . . . .
pelatihan. Proses training menggunakan
. . . . . . .
Multi-Kelas SVM dengan metode one-
. . . . . . .
against-one (metode Satu-lawan-Satu),
05/03/18 TJ098 T-joint Tidak putus Tidak cacat Berubah bentuk 1
dibangun k buah model SVM biner (k
05/03/18 TJ099 T-joint Tidak putus Tidak cacat Tetap 0
adalah jumlah kelas). Setiap model
05/04/18 TJ0100T-joint Tidak putus Tidak cacat Tetap 0
klasifikasi ke-i dilatih dengan
05/04/18 TJ0101T-joint Tidak putus Tidak cacat Tetap 0
menggunakan keseluruhan data, untuk
mencari solusi permasalahan.
2. Setelah dilakukan training dan
menghasilkan model klasifikasi, tahap

21
Jurnal Ilmiah Edutic /Vol.5, No.1, November 2018 p-ISSN 2407-4489
e-ISSN 2528-7303

Keterangan: Tabel 3. Data penelitian

 Parameter T: Uji Kekuatan Tarik, Parameter
Kelas
terdapat dua kategori putus dan T M R
tidakputus, pengujian menggunakan Ti da k putus Ti da k ca ca t Teta p Kel a s 1
standar AWS B4.0 dengan alat Putus Ca ca t Teta p Kel a s 3
Universal Testing Machine. Ti da k putus Ca ca t Teta p Kel a s 2
 Parameter M: Uji Struktur Makro, Ti da k putus Ti da k ca ca t Teta p Kel a s 1
terdapat dua kategori yaitu cacat dan Ti da k putus Ti da k ca ca t Beruba h bentuk Kel a s 2
tidak cacat, cacat pengelasan dilihat Ti da k putus Ti da k ca ca t Teta p Kel a s 1
dengan adanya retakan yang tidak Putus Ca ca t Teta p Kel a s 3
diujikan tarik, menggunakan Putus Ti da k ca ca t Teta p Kel a s 2
mikroskop khusus yang disebut Ti da k putus Ti da k ca ca t Beruba h bentuk Kel a s 2
metallography. . . . .
 Parameter R: Uji Kekerasan Rockwell, . . . .
terdapat dua kategori yaitu tetap dan . . . .
berubah bentuk, menggunakan alat uji Ti da k putus Ti da k ca ca t Beruba h bentuk Kel a s 2
Micro Vicker Machine dengan standar Ti da k putus Ti da k ca ca t Teta p Kel a s 1
ASTM E384. Ti da k putus Ti da k ca ca t Teta p Kel a s 3
Data survey yang didapat, ada hasil Ti da k putus Ti da k ca ca t Teta p Kel a s 2
penilaian untuk setiap parameter. Untuk
penilaian dari parameter-parameter Data penelitian yang diperoleh dari
dikelompokkan menjadi tiga kelas, sesuai survey masih bersifat pengkategorian,
dengan standar operasional produksi, seperti sedangkan metode Support Vector Machine
yang dijelaskan pada tabel 2 berikut ini. membutuhkan data yang bersifat bilangan real.
Tabel 2. Deskripsi kelas Maka data perlu ditransformasi menjadi nilai
Kategori Deskripsi desimal, dapat dilihat pada tabel 4 berikut ini.
Kelas 1 Sesuai standar produksi dan
bisa untuk dipakai. Tabel 4. Transformasi data penelitian
Kelas 2 Bisa dipakai setelah
diperbaiki.
Kelas 3 Tidak dapat diperbaiki.

Dari data survey yang diperoleh, bisa

dipakai menjadi data penelitian. Data penelitian
terdiri dari data training dan data testing. Data
penelitian yang akan dipakai diperlihatkan pada
tabel 3, berikut ini.

22
Jurnal Ilmiah Edutic /Vol.5, No.1, November 2018 p-ISSN 2407-4489
e-ISSN 2528-7303

Data yang sudah ditransformasi di atas maka diperoleh model klasifikasi yang akan
harus dinormalisasi dengan tujuan supaya digunakan untuk menguji klasifikasi dengan
proses training support vector machine akan data testing. Model hasil training berisi
parameter-parameter yang optimal dari hasil
menghasilkan data training yang stabil dan
training, model ditunjukkan pada gambar 3
sesuai. Normalisasi yang digunakan berikut ini.
menggunakan rumus;

𝑊𝑖
𝑊𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑠𝑎𝑠𝑖 = (6)
√𝑊12 + 𝑊22 + ⋯ + 𝑊𝑛2

Maka didapat bobot yang baru setelah di

normalisasi yang diperlihatkan pada tabel 5
berikut ini.
Tabel 5. Normalisasi data
W Normalisasi
Kelas
T M R
0,0000 0,0000 0,0000 Kel a s 1
0,0000 0,0000 0,2677 Kel a s 3
0,1414 0,0000 0,0988 Kel a s 2
0,0000 0,0000 0,0000 Kel a s 1
0,1414 0,1246 0,0000 Kel a s 2
0,0000 0,0000 0,0000 Kel a s 1
0,0000 0,0000 0,2677 Kel a s 3
0,0000 0,1246 0,0988 Kel a s 2
0,1414 0,1246 0,0000 Kel a s 2
. . . .
Gambar 3. Model SVM
. . . .
. . . .
0,1414 0,1246 0,0000 Kel a s 2 Pengujian Support Vector Machine
0,0000 0,0000 0,0000 Kel a s 1 Pengujian model dengan menggunakan
0,0000 0,0000 0,0000 Kel a s 1 data 25 dari data set penelitian, dari hasil
0,0000 0,0000 0,0000 Kel a s 1 pengujian model dengan menggunakan kernel
fungsi quadratic menunjukkan hasil akurasi
Pelatihan Support Vector Machine sebesar 96,2%. Hasil pengujian klasifikasi bisa
dilihat pada confusion matrix gambar 4 berikut
Pada tahap ini data training digunakan ini.
untuk proses pelatihan. Proses training Pada gambar di bawah ini, terdapat 3
menggunakan Multi-Kelas SVM dengan kelas yang telah diklasifikasi, besar akurasi
metode one-against-one (metode Satu-lawan- untuk Kelas1 adalah 100%, untuk Kelas 2
Satu), dibangun k buah model SVM biner (k akurasi sebesar 100%, dan untuk Kelas 3
adalah jumlah kelas). Setiap model klasifikasi akurasi sebesar 80%.
ke-i dilatih dengan menggunakan keseluruhan
data, untuk mencari solusi permasalahan.
Menggunakan data set 100 data, untuk data
training dipakai 75 data dan untuk data testing
digunakan 25 data. Setelah dilakukan training,

23
Jurnal Ilmiah Edutic /Vol.5, No.1, November 2018 p-ISSN 2407-4489
e-ISSN 2528-7303

Setelah data survey di atas di

normalisasi, maka diperoleh seperti pada tabel
7 berikut ini.
Tabel 7. Normalisasi data pengujian data yang lain
W Normalisasi
Kelas
T M R
0,0000 0,0000 0,0000 Kel a s 1
0,0000 0,0000 0,0000 Kel a s 1
0,0000 0,0000 0,0000 Kel a s 1
0,0000 0,0000 0,0000 Kel a s 1
0,0000 0,0000 0,0000 Kel a s 1
0,0000 0,0000 0,0000 Kel a s 1
Gambar 4. Confusion matrix pengujian model.
0,0000 0,0000 0,0000 Kel a s 1
Keterangan confusion matrix: 0,0000 0,2641 0,2254 Kel a s 2
 Kelas 1 : pada Kelas1 data prediksi 12 0,0000 0,0000 0,0000 Kel a s 1
dari 12 data asli . . . .
 Kelas 2 : pada Kelas 2 data prediksi 9 . . . .
dari 9 data asli . . . .

 Kelas 3 : pada Kelas 3 data prediksi 4 0,0000 0,0000 0,0000 Kel a s 1

dari 5 data asli. 0,0000 0,0000 0,0000 Kel a s 1

Pengujian Data Lain 0,6269 0,0000 0,0000 Kel a s 3

Pengujian dengan menggunakan data 0,0000 0,2641 0,2254 Kel a s 2

diluar dari data set yang digunakan untuk
training dan testing. Pengujian menggunakan Dengan menggunakan data pada tabel 7 di
data komponen hasil pengelasan SMAW posisi atas untuk pengujian model, menunjukkan hasil
3G sebanyak 50 data, pada tabel 6 berikut ini. akurasi sebesar 98% dengan menggunakan
Tabel 6. Data pengujian pengelasan Smaw kernel fungsi quadratik. Hasil klasifikasi bisa
Parameter Jumlah dilihat pada gambar 5, yang memperlihatkan
Tgl Kode Item
T M R Cacat confusion matrix dari klasifikasi.
03/02/18 P3G01 Posisi 3G Tidak putusTidak cacat
Tetap 0
03/02/18 P3G02 Posisi 3G Tidak putusTidak cacat
Tetap 0
03/02/18 P3G03 Posisi 3G Tidak putusTidak cacat
Tetap 0
03/05/18 P3G04 Posisi 3G Tidak putusTidak cacat
Tetap 0
03/05/18 P3G05 Posisi 3G Tidak putusTidak cacat
Tetap 0
03/05/18 P3G06 Posisi 3G Tidak putusTidak cacat
Tetap 0
03/06/18 P3G07 Posisi 3G Tidak putusTidak cacat
Tetap 0
03/06/18 P3G08 Posisi 3G Putus Tidak cacat
Tetap 1
03/07/18 P3G09 Posisi 3G Tidak putusTidak cacat
Tetap 0
. . . . . . .
. . . . . . .
. . . . . . .
3/27/18 P3G047Posisi 3G Tidak putusTidak cacat
Tetap 0
3/27/18 P3G048Posisi 3G Tidak putusTidak cacat
Tetap 0
3/28/18 P3G049Posisi 3G Tidak putusCacat Berubah bentuk
2
3/28/18 P3G050Posisi 3G Putus Tidak cacat
Tetap 1
Gambar 5. Confusion matrix pengujian data

24
Jurnal Ilmiah Edutic /Vol.5, No.1, November 2018 p-ISSN 2407-4489
e-ISSN 2528-7303

Keterangan confusion matrix:

 Kelas 1 : pada Kelas1 data prediksi 37 Sonawan, H. (2006). Pengantar Untuk
dari 37 data asli Memahami Pengelasan Logam.
 Kelas 2 : pada Kelas2 data prediksi 8 Bandung, Alfa Beta.
dari 8 data asli
 Kelas 3 : pada Kelas3 data prediksi 4 Santosa, B. (2007). Data Mining: Teknik
dari 5 data asli. Pemanfaatan Data untuk Keperluan
Bisnis. Yogyakarta, Graha Ilmu.
KESIMPULAN DAN SARAN
Kesimpulan Saraswati, N.W.S. (2014). Text Mining dengan
Metode Naïve Bayes Classifier dan
Hasil simulasi dan analisis data yang
Support Vector Machines untuk
dilakukan, maka dapat diperoleh suatu
Sentiment Analysis. Seminar Nasional
kesimpulan berikut ini;
Sistem Informasi Indonesia.
1. Metode Support Vector Machine dapat
digunakan untuk klasifikasi kualitas
Satsiou, A., Doumpos, M., Zopounidis, C.
hasil pengelasan SMAW dalam
(2005). Genetic Algorithms for the
industri.
Optimization of Support Vector
2. Dengan menggunakan data kualitas
Machines in Credit Risk Rating. The 2nd
pengelasan SMAW, diperoleh model
International Conference on Enterprise
klasifikasi yang baik, hasil pengujian
Systems and Accounting, Thessaloniki,
model dengan menggunakan kernel
Greece.
fungsi quadratik menunjukkan hasil
akurasi sebesar 96,2%, dan pengujian
Widodo, P. P., Handayanto, R. T., Herlawati.
menggunakan data uji menunjukkan
(2013). Penerapan Data Mining Dengan
hasil akurasi sebesar 98% dengan
Matlab, Bandung, Rekayasa Sains.
menggunakan kernel fungsi quadratik.

Yenaeng, S., Saelee, S., Samai, W. (2014).

Saran
Diharapkan pengembangan penelitian Automatic Medical Case Study Essay
dibidang-bidang yang lain dengan Scoring by Support Vector Machine
menggunakan variasi metode SVM and Genetic Algorithms.
digabungkan dengan metode-metode yang lain. International Journal of Information
and Education Technology, Vol. 4,
DAFTAR PUSTAKA No. 2.
Jacobus, A.(2014). Penerapan Metode Support
Vector Machine pada Sistem Deteksi
Intrusi Secara Real-time. Indonesian
Journal of Computing and Cybernetics
Systems, Vol.8, No.1, p.13-24.

Pujo, I., Sarjito.(2008). Analisis Kekuatan

Sambungan Las SMAW Pada Marine
Plate ST 42 Akibat Faktor Cacat
Porositas dan Incomplete Penetration.
Kapal, Vol. 5, No. 1.

25