Klasterisasi Kerusakan Bearing Menggunakan Metode K-Medoids
Abstract
Abstract, Cluster analysis is a statistical analysis technique aimed at classifying objects into smaller groups that differ from one another. K-Medoids Clustering is one of the clustering analysis methods used to group data into several different clusters. This method uses medoid (representative) data as the center of the cluster. The K-Medoids algorithm represents a cluster by utilizing objects from a data set so that the selected objects are called medoids. Medoids are defined as objects in a cluster with the lowest average dissimilarity among all objects in a cluster. Cluster analysis can be used for the machinery industry, one of which is bearing damage. Bearings are an important part of a machine element. Bearing damage can cause significant damage to the machine and disrupt industrial work. The data used is secondary data from experimental tests provided by the Center for Intelligent Maintenance Systems (IMS), University of Cincinnati. The bearing data used is 984 data objects. This study to apply K-Medoids Clustering for bearing damage clustering. The final result of this clustering is the number of clusters for the most optimal clustering, namely k = 2. Clusters with the number k = 2 obtain a Silhouette Global value of 0.79, meaning a strong structure category.
Keywords: bearing, cluster, K-Medoids, principal component, silhouette
Abstrak, Analisis cluster merupakan teknik analisis statistik yang ditujukan untuk membuat klasifikasi objek-objek ke dalam kelompok-kelompok lebih kecil yang berbeda antara satu dengan yang lainnya. K-Medoids Clustering adalah salah satu metode analisis clustering yang digunakan untuk mengelompokkan data menjadi beberapa cluster yang berbeda. Metode ini menggunakan medoid (perwakilan) data sebagai pusat cluster. Algoritma K-Medoids mewakili sebuah cluster dengan memanfaatkan objek dari suatu kumpulan data sehingga objek yang terpilih dinamakan dengan medoids. Medoids didefinisikan sebagai objek yang terdapat dalam suatu cluster dengan rata-rata ketidaksamaan paling minimal diantara semua objek dalam suatu cluster. Analisis cluster dapat digunakan untuk industri mesin, salah satunya adalah kerusakan bearing. Bearing merupakan bagian penting dari suatu elemen mesin. Kerusakan bearing dapat menyebabkan kerusakan yang signifikan pada mesin dan mengganggu kerja industri. Data yang digunakan merupakan data sekunder hasil uji eksperimen yang disediakan oleh Center for Intelligent Maintenance Systems (IMS), Universitas Cincinnati. Data bearing yang digunakan yaitu sebanyak 984 objek data. Penelitian ini bertujuan menerapkan K-Medoids Clustering untuk klasterisasi kerusakan bearing. Hasil akhir dari pengklasteran ini adalah jumlah cluster untuk pengklasteran paling optimal yaitu sebanyak k = 2. Cluster dengan jumlah k = 2 memperoleh nilai Silhouette Global sebesar 0.79, artinya kategori struktur kuat.
Kata kunci: bearing, cluster, K-Medoids, principal component, silhouette
References
[2] Everitt, B. and T. Hothorn. (2011). An Introduction to Applied Multivariate Analysis with R. New York: Springer.
[3] Irwansyah, E. dan M. Faisal (2015). Advanced Clustering: Teori dan Aplikasi. Sleman: Deepublish.
[4] Johnson, R. A. and D. W. Wichern. (2007). Applied Multivariate Statistical Analysis. New Jersey: Prentice Hall International.
[5] Jolliffe, I. T. (2002). Principal Component Analysis, Second Edition. New York: Department of Mathematical Science, King’s College.
[6] Kaufman, L. and P. J. Rousseeuw. (1990). Finding Groups in Data An Introduction to Cluster Analysis. New Jersey: Wiley Interscience.
[7] Krakatau Jasa Industri. (2021). Bearing atau Bantalan untuk Mesin Industri, (Online), (https://krakataujasaindustri.com/, diakses pada 15 Januari 2024).
[8] Manly, B. F. J. and J. A. N. Alberto. (2017). Multivariate Statistical Methods A Primer (Fourth Edition). New York; CRC Press.
[9] Mattjik, A. A. dan I. M. Sumertajaya. (2011). Sidik Peubah Ganda Dengan Menggunakan SAS. Bogor: Departemen Statistika, Institut Pertanian Bogor.
[10] Payne, D. (2024). What Causes Bearing Failures and Preventative Measures You Need to Know (Online), (https://www.bdsbearing.com/, diakses pada 1 Februari 2024).
[11] Rencher, A. V. (2002). Methods of Multivariate Analysis. New York; John Wiley and Sons.
[12] Sangga, V. A. P. (2018). Perbandingan Algoritma K-Means dan Algoritma K-Medoids Dalam Pengelompokan Komoditas Peternakan Di Provinsi Jawa Tengah Tahun 2015. Skripsi tidak dipublikasikan. Yogyakarta: Universitas Islam Bandung.
[13] Susanti, A. D. (2021). Analisis Non-Hierarchical Partitioning K-Medoid Pada Produksi Sektor Holtikultura Tahun 2019 Di Indonesia. Skripsi tidak dipublikasikan. Jambi: Fakultas Sains dan Teknologi, Universitas Jambi.
[14] Velling, A. (2021). Types of Machine Elements, (Online), (https://fractory.com/types-of-machine-elements/, diakses pada 11 November 2023)
