• Tidak ada hasil yang ditemukan

Perhitungan Error

BAB IV ANALISIS DAN PERANCANGAN SISTEM

4.1. Perancangan Fuzzy Associative Memory

4.1.7. Perhitungan Error

Perhitungan erorr pada penelitian ini menggunakan metode Error Relative.Metode ini membandingkan antara kesalahan absolute terhadap nilai Ujian Nasional yang sudah diketahui. Kesalahan absolut adalah selisih nilai Ujian Nasional dengan nilai Prediksi Ujian Nasional. Error Relative ditunjukkan dalam persamaan dibawah ini :

πΎπ‘’π‘ π‘Žπ‘™π‘Žβ„Žπ‘Žπ‘› π΄π‘π‘ π‘œπ‘™π‘’π‘‘π‘’ = |π‘π‘–π‘™π‘Žπ‘– π‘ˆπ‘—π‘–π‘Žπ‘› βˆ’ π‘ƒπ‘Ÿπ‘’π‘‘π‘–π‘˜π‘ π‘– π‘π‘–π‘™π‘Žπ‘– π‘ˆπ‘—π‘–π‘Žπ‘›|

πΈπ‘Ÿπ‘Ÿπ‘œπ‘Ÿ π‘…π‘’π‘™π‘Žπ‘‘π‘–π‘£π‘’ = πΎπ‘’π‘ π‘Žπ‘™π‘Žβ„Žπ‘Žπ‘› π΄π‘π‘ π‘œπ‘™π‘’π‘‘π‘’ π‘π‘–π‘™π‘Žπ‘– π‘ˆπ‘—π‘–π‘Žπ‘› 4.2. Contoh Perhitungan Manual

Berikut ini adalah contoh perhitungan manual berdasarkan data dari SMP N 1 Samigaluh. Data yang digunakan adalah data sampel sebanyak 5

data (5 arsitektur FAM) yang diambil secara urut dari 94 data mata pelajaran Bahasa Indonesia yang ada.

Tabel 4.2-1 Data Nilai TPPU dan UN tahun 2016

No Inisial

NILAI

TPPU 1 TPPU 2 TPPU 3 TPPU 4 UNAS

1 AA 84.00 86.00 84.00 78.00 88.00

2 AR 60.00 84.00 70.00 76.00 86.00

3 ABA 70.00 74.00 76.00 84.00 88.00

4 AH 62.00 78.00 86.00 84.00 90.00

5 BAP 66.00 78.00 74.00 78.00 86.00

6 DS 78.00 64.00 80.00 76.00 80.00

4.2.1. Menentukan Himpunan Fuzzy 4.2.1.1. Siswa 1

TPPU 1 = 84, TPPU 2 = 86, TPPU 3 = 84, TPPU 4 = 78, UNAS = 88 Β΅[TPPU1] = 84

Β΅[TPPU1] = [ Β΅TPPU1KURANG[84] , Β΅TPPU1CUKUP[84] , Β΅TPPU1BAIK[84] , Β΅TPPU1SANGAT BAIK[84] ]

Β΅[TPPU1] = [0 0.852273 1 0.136363636]

Β΅[TPPU2] = 86

Β΅[TPPU2] = [ Β΅TPPU2KURANG[86] , Β΅TPPU2CUKUP[86] , Β΅TPPU2BAIK[86] , Β΅TPPU2SANGAT BAIK[86] ]

Β΅[TPPU2] = [0 0.625 1 0.363636364]

Β΅[TPPU3] = 84

Β΅[TPPU3] = [ Β΅TPPU3KURANG[84] , Β΅TPPU3CUKUP[84] , Β΅TPPU3BAIK[84] , Β΅TPPU3SANGAT BAIK[84] ]

Β΅[TPPU3] = [0 0.852273 1 0.136363636]

Β΅[TPPU4] = 78

Β΅[TPPU4] = [ Β΅TPPU4KURANG[78] , Β΅TPPU4CUKUP[78] , Β΅TPPU4BAIK[78] , Β΅TPPU4SANGAT BAIK[78] ]

Β΅[TPPU4] = [0.522727273 1 0.454545455 0]

A1 = [max (Β΅[TPPU1]) max (Β΅[TPPU2]) max (Β΅[TPPU3]) max (Β΅[TPPU4])]

A1 = [1 1 1 1]

Β΅[UNAS] = 88

B1 = [ Β΅UNASKURANG[88] , Β΅UNASCUKUP[88] , Β΅UNASBAIK[88] , Β΅UNAS SANGAT BAIK[88] ] B1 = [0 0.397727273 1 0.590909091]

M1 = AT1o B1

Β΅[TPPU2] = [0 0.852273 1 0.136363636]

Β΅[TPPU3] = 70

Β΅[UNAS] = 86

Β΅[TPPU4] = [0 0.852273 1 0.136363636]

A3 = [max (Β΅[TPPU1]) max (Β΅[TPPU2]) max (Β΅[TPPU3]) max (Β΅[TPPU4])]

A3 = [1 1 1 1]

Β΅[UNAS] = 88

B3 = [ Β΅UNASKURANG[88] , Β΅UNASCUKUP[88] , Β΅UNASBAIK[88] , Β΅UNAS SANGAT BAIK[88] ] B3 = [0 0.397727273 1 0.590909091]

M3 = AT3o B3

Β΅[TPPU2] = [0.522727273 1 0.454545455 0]

Β΅[TPPU3] = 86

Β΅[TPPU4] = [0 0.852273 1 0.136363636]

A4 = [max (Β΅[TPPU1]) max (Β΅[TPPU2]) max (Β΅[TPPU3]) max (Β΅[TPPU4])]

A4 = [1 1 1 1]

Β΅[UNAS] = 90

B4 = [ Β΅UNASKURANG[90] , Β΅UNASCUKUP[90] , Β΅UNASBAIK[90] , Β΅UNAS SANGAT BAIK[90] ] B4 = [0 0.170454545 1 0.818181818]

M4 = AT4 o B4

Β΅[TPPU2] = [0.522727273 1 0.454545455 0]

Β΅[TPPU3] = 74

Β΅[TPPU4] = [0.522727273 1 0.454545455 0]

A5 = [max (Β΅[TPPU1]) max (Β΅[TPPU2]) max (Β΅[TPPU3]) max (Β΅[TPPU4])] . . Mm) maka menggunakan Superimposing FAM Rules untuk mencari matriks π΅π‘˜β€². Inputan matriks Abaru (data nilai TPPU yang ingin di cari prediksinya) akan dikomposisikan ke seluruh matriks Mm

Tabel 4.2-2 Contoh data nilai yang akan di cari Prediksi

No Inisial

NILAI

TPPU 1 TPPU 2 TPPU 3 TPPU 4 UNAS

6 DS 78.00 64.00 80.00 76.00 80.00

Matriks Abaru yang terbentuk adalah

TPPU 1 = 78, TPPU 2 = 64, TPPU 3 = 80, TPPU 4 = 76, UNAS = 80 Β΅[TPPU1] = 78

Β΅[TPPU1] = [ Β΅TPPU2KURANG[78] , Β΅TPPU2CUKUP[78] , Β΅TPPU2BAIK[78] , Β΅TPPU2SANGAT BAIK[78] ]

Β΅[TPPU1] = [0.522727273 1 0.454545455 0]

Β΅[TPPU2] = 64

Β΅[TPPU2] = [ Β΅TPPU2KURANG[64] , Β΅TPPU2CUKUP[64] , Β΅TPPU2BAIK[64] , Β΅TPPU2SANGAT BAIK[64] ]

Β΅[TPPU2] = [1 0 0 0]

Β΅[TPPU3] = 80

Β΅[TPPU3] = [ Β΅TPPU3KURANG[80] , Β΅TPPU3CUKUP[80] , Β΅TPPU3BAIK[80] , Β΅TPPU3SANGAT BAIK[80] ]

Β΅[TPPU3] = [0.295454545 1 0.681818182 0]

Β΅[TPPU4] = 76

Komposisi ini akan menghasilkan derajat keanggotaan masing – masing himpunan prediksi UNAS (π΅π‘˜β€²). Pembentukan matriks π΅π‘˜β€² min(1, 0.397727273), min(1, 0.397727273)}

= maks {0.397727273, 0.397727273, 0.397727273, 0.397727273}

= 0.397727273

b31 β€² = maks {min(1, 1), min(1, 1), min(1, 1), min(1,1)}

= maks {1, 1, 1, 1}

= 1

b41 β€² = maks{min(1, 0.590909091), min(1, 0.590909091), min(1, 0.590909091), min(1, 0.590909091)}

= maks {0.590909091, 0.590909091, 0.590909091, 0.590909091}

= 0.590909091 min(1, 0.625), min(1, 0.625)}

= maks {0.625, 0.625, 0.625, 0.625} min(1, 0.363636364), min(1, 0.363636364)}

= maks {0.363636364, 0.363636364, 0.363636364, 0.363636364} min(1, 0.397727273), min(1, 0.397727273)}

= maks {0.625, 0.625, 0.625, 0.625} min(1, 0.590909091), min(1, 0.590909091)}

= maks {0.590909091, 0.590909091, 0.590909091, 0.590909091}

= 0.590909091

𝐡3β€² = [𝑏13β€² 𝑏23β€² 𝑏33β€² 𝑏43β€² ]

𝐡3β€² = [0 0.397727273 1 0.590909091]

𝐡4β€² = π΄π‘π‘Žπ‘Ÿπ‘’ o M4

π΄π‘π‘Žπ‘Ÿπ‘’ = [1 1 1 1]

M4 = [ min(1, 0.170454545), min(1, 0.170454545)}

= maks {0.170454545, 0.170454545, 0.170454545, 0.170454545}

= 0.170454545

b34 β€² = maks {min(1, 1), min(1, 1), min(1, 1), min(1,1)}

= maks {1, 1, 1, 1}

= 1

b44 β€² = maks{min(1, 0.818181818), min(1, 0.818181818), min(1, 0.818181818), min(1, 0.818181818)}

= maks {0.818181818, 0.818181818, 0.818181818, 0.818181818}

= 0.590909091

= maks {0, 0, 0, 0}

= 0

b25 β€² = maks{min(1, 0.625), min(1, 0.625), min(1, 0.625), min(1, 0.625)}

= maks {0.625, 0.625, 0.625, 0.625}

= 0.625

b35β€² = maks {min(1, 1), min(1, 1), min(1, 1), min(1,1)}

= maks {1, 1, 1, 1}

= 1

b45 β€² = maks{min(1, 0.363636364), min(1, 0.363636364), min(1, 0.363636364), min(1, 0.363636364)}

= maks {0.363636364, 0.363636364, 0.363636364, 0.363636364}

= 0.363636364

𝐡5β€² = [𝑏15β€² 𝑏25β€² 𝑏35β€² 𝑏45β€² ]

𝐡5β€² = [0 0.625 1 0.363636364]

Hasil Komposisi di peroleh sebagai berikut Tabel 4.2-3 Hasil Komposisi Abaru dan Mm , m = 1, 2, 3, 4, 5

𝐡𝐾′ 𝑏1π‘˜β€² 𝑏2π‘˜β€² 𝑏3π‘˜β€² 𝑏4π‘˜β€² 𝐡1β€² 0 0.397727273 1 0.590909091

𝐡2β€² 0 0.625 1 0.363636364

𝐡3β€² 0 0.397727273 1 0.590909091 𝐡4β€² 0 0.170454545 1 0.818181818

𝐡5β€² 0 0.625 1 0.363636364

Tabel di atas merupakan data 𝐡𝐾′ dengan menggunakan arsitektur 5 FAM, dari data inilah makan nilai B’ yang diperoleh adalah sebagai berikut:

𝑏1π‘˜β€² = π‘šπ‘Žπ‘˜π‘  {0; 0; 0; 0; 0; } = 0 𝑏2π‘˜β€² = π‘šπ‘Žπ‘˜π‘  {0.397727273; 0.625; 0.397727273;

0.170454545; 0.625; } = 0.625

𝑏3π‘˜β€² = π‘šπ‘Žπ‘˜π‘  {1; 1; 1; 1; 1; } = 1

𝑏4π‘˜β€² = π‘šπ‘Žπ‘˜π‘  { 0.590909091; 0.363636364;

0.590909091; 0.818181818; 0.363636364;}

= 0.818181818

𝐡′= [𝑏1π‘˜β€² 𝑏2π‘˜β€² 𝑏3π‘˜β€² 𝑏4π‘˜β€² ]

𝐡′= [0 0.625 1 0.818181818]

𝐡′ merupakan hasil maks derajat keanggotaan tiap himpunan UNAS hasil prediksi. Kemudian Langkah selanjutnya yaitu defuzzyfikasi untuk memperoleh nilai tegas dari 𝐡′ .

4.2.2. Defuzzyfikasi

Defuzzyfikasi yang digunakan dalam penelitian ini adalah weighted average. Proses defuzzyfikasi ini akan menghasilkan nilai tegas (nilai prediksi ujian nasional).

Data Siswa 6 untuk mata pelajaran Bahasa Indonesia yang digunakan sebagai matriks input yaitu TPPU 1 = 78, TPPU 2 = 64, TPPU 3 = 80, TPPU 4 = 76, UNAS = 80 dan matriks 𝐡′ yang diperoleh

𝐡′= [0 0.625 1 0.818181818]

Maka nilai prediksi ujian nasional : 𝐡 = βˆ‘π‘π‘—=1𝑦𝑗μB{yj}

βˆ‘π‘π‘—=1ΞΌB{yj}

𝐡 = π‘‡π‘ƒπ‘ƒπ‘ˆ1 βˆ— 𝑏1π‘˜ + π‘‡π‘ƒπ‘ƒπ‘ˆ2 βˆ— 𝑏2π‘˜ + π‘‡π‘ƒπ‘ƒπ‘ˆ3 βˆ— 𝑏3π‘˜ + π‘‡π‘ƒπ‘ƒπ‘ˆ4 βˆ— 𝑏4π‘˜ 𝑏1π‘˜ + 𝑏2π‘˜ + 𝑏3π‘˜ + 𝑏4π‘˜

𝐡 = 78 βˆ— 0 + 64 βˆ— 0.625 + 80 βˆ— 1 + 76 βˆ— 0.818181818 0 + 0.625 + 1 + 0.818181818

𝐡 = 182.181818168 2.443181818 𝐡 = 74.56744186

4.2.3. Perhitungan Error

Perhitungan erorr pada penelitian ini menggunakan metode Error Relative dengan persamaan sebagai berikut

πΈπ‘Ÿπ‘Ÿπ‘œπ‘Ÿ π‘…π‘’π‘™π‘Žπ‘‘π‘–π‘£π‘’ = πΎπ‘’π‘ π‘Žπ‘™π‘Žβ„Žπ‘Žπ‘› π΄π‘π‘ π‘œπ‘™π‘’π‘‘π‘’ π‘π‘–π‘™π‘Žπ‘– π‘ˆπ‘—π‘–π‘Žπ‘› πΈπ‘Ÿπ‘Ÿπ‘œπ‘Ÿ π‘…π‘’π‘™π‘Žπ‘‘π‘–π‘£π‘’ = 5.43255814

80 πΈπ‘Ÿπ‘Ÿπ‘œπ‘Ÿ π‘…π‘’π‘™π‘Žπ‘‘π‘–π‘£π‘’ = 0.0679

πΈπ‘Ÿπ‘Ÿπ‘œπ‘Ÿ π‘…π‘’π‘™π‘Žπ‘‘π‘–π‘£π‘’ = 0.0679 π‘₯ 100% = 6.79 % 4.2.4. Perhitungan 3 Fold – Cross Validation

Pengujian keakuratan pada penelitian ini menggunakan metode cross validation dengan 3 fold. Data pada penelitian ini dibagi menjadi 3 (tiga) subset, 2 subset menjadi data training dan 1 subset menjadi data testing. Setiap mata pelajaran memiliki jumlah data yaitu 94. Data ini kemudian dibagi menjadi 3 subset dengan jumlah data subset ke 1 berjumlah 31 data, subset ke 2 berjumlah 31 data, subset ke 3 berjumlah 32 data. Sebagai contoh dilakukan uji prediksi dengan menggunakan arsitektur 5 FAM.

Tabel 4.2-4 Contoh hasil scenario pengujian Cross validation arsitektur 5 FAM mata pelajaran Bahasa Indonesia

Skenario Cross Validation

Data Training Data Testing validation ketiga 0.14. Sehingga rata -rata Error Relative untuk pengujian arsitektur 5 FAM pada mata pelajaran Bahasa Indonesia adalah

π‘…π‘Žπ‘‘π‘Ž βˆ’ π‘Ÿπ‘Žπ‘‘π‘Ž πΈπ‘Ÿπ‘Ÿπ‘œπ‘Ÿ π‘…π‘’π‘™π‘Žπ‘‘π‘–π‘£π‘’ 4.3. Gambaran Umum Sistem

Pada penelitian ini menggunakan data 4 TTPU yang terdiri dari Kabupaten 1 (TPPU 1), Kabupaten 2 (TPPU 2), Provinsi 1 (TPPU 2) dan Provinsi 2 (TPPU 4). Setiap TPPU mempunyai 4 mata pelajaran yaitu, Bahasa Indonesia, Bahasa Inggris, Matematika dan IPA. Data itu kemudian di cari derajat keanggotaanya. Derajat keanggotaan ini nantinya akan membentuk matriks A. Pembentukan FAM (Fuzzy Associative Memory) dilakukan dengan korelasi antara matriks A dan Matriks B (tujuan). Hasil dari korelasi antara matriks A dan B akan disimpan dalam matriks M.

Sistem FAM akan tersusun dari m kelompok yang berbeda, maka jika ada matriks Abaru (Himpunan nilai TPPU yang akan di prediksi nilainya) akan dikomposisikan dengan suluruh matriks M. Setiap hasil komposisi akan mempunyai matriks Bk’ dari matriks inilah nantinya akan diperoleh matriks B’ untuk proses selanjutnya yaitu defuzzyfikasi.

4.4. Analisis Kebutuhan Sistem

Kebutuhan sistem pada β€˜β€™Prediksi Nilai Ujian Nasional Sekolah Menengah Pertama (SMP)” menggunakan metode fuzzy associative memory’’ akan disusun dari kebutuhan input, kebutuhan proses dan kebutuhan output.

4.4.1. Kebutuhan Input

Pada sistem ini input yang dibutuhkan berupa nilai Tes Persiapan Pemantapan Ujian (TPPU).

4.4.2. Kebutuhan Proses

Pada sistem ini memiliki 2 aktor yang terlibat, yaitu administrator dan user. Guru pengampu mata pelajaran ujian nasional di SMP N 1 Samigaluh akan bertindak sebagai administrator dan siswa kelas IX (Sembilan) akan bertindak sebagai user. Penggambaran interaksi pengguna dengan sistem dan aktor yang terlibat dalam sistem akan digambarkan lebih jelas menggunakan diagram use case.

4.4.2.1. Use Case Administator

x Administrator harus melakukan login terlebih dahulu dengan memasukkan username dan password untuk masuk kedalam system x Skenario proses yang dapat dilakukan oleh administrator adalah menambah, menghapus, mengedit dan melihat data nilai TPPU dari 4 mata pelajaran yaitu Bahasa Indonesia, Bahasa Inggris, Matematika dan IPA. Administrator juga bisa melihat prediksi nilai ujian nasional.

x Proses yang dikelola oleh administrator bersifat include atau bergantung pada proses sebelumnya yaitu login. Apabila proses login gagal maka administrator tidak dapat melakukan proses kelola data.

x Skenario logout, administrator akan keluar dari sistem apabila administrator menjalankan perintah logout.

Gambar 4.4-1 Use Case Diagram Administrator

Gambar 4.4-1 menjelaskan Use Case Diagram yang dimiliki oleh administrator, terdapat 4 case yaitu Login, Lihat Prediksi Nilai UN, Edit Password Admin dan Logout. Selain itu terdapat 5 package yaitu Kelola data nilai TPPU Bahasa Indonesia, Kelola data nilai TPPU Bahasa Inggris, Kelola data nilai TPPU Matematika, Kelola data nilai TPPU IPA dan Kelola data siswa.

4.4.2.2. Use Case Package Kelola Data Nilai TPPU Bahasa Indonesia

Gambar 4.4-2 Use Case Package Kelola Data Nilai TPPU Bahasa Indonesia Gambar 4.4-2 menjelaskan Use Case Package Kelola Data Nilai TPPU Bahasa Indonesia yang melibatkan aktor administrator, terdapat 4 case yaitu Tambah Nilai TPPU Bahasa Indonesia, Hapus Nilai TPPU Bahasa Indonesia, Edit Nilai TPPU Bahasa Indonesia, dan Lihat Nilai TPPU Bahasa Indonesia.

4.4.2.3. Use Case Package Kelola Data Nilai TPPU Bahasa Inggris

Gambar 4.4-3 Use Case Package Kelola Data Nilai TPPU Bahasa Inggris Gambar 4.4-3 menjelaskan Use Case Package Kelola Data Nilai TPPU Bahasa Inggris yang melibatkan aktor administrator, terdapat 4 case yaitu Tambah Nilai TPPU Bahasa Inggris, Hapus Nilai TPPU Bahasa Inggris, Edit Nilai TPPU Bahasa Inggris, dan Lihat Nilai TPPU Bahasa Inggris.

4.4.2.4. Use Case Package Kelola Data Nilai TPPU Matematika

Gambar 4.4-4 Use Case Package Kelola Data Nilai TPPU Matematika

Gambar 4.4-4 menjelaskan Use Case Package Kelola Data Nilai TPPU Matematika yang melibatkan aktor administrator, terdapat 4 case yaitu Tambah Nilai TPPU Matematika, Hapus Nilai TPPU Matematika, Edit Nilai TPPU Matematika, dan Lihat Nilai TPPU Matematika.

4.4.2.5. Use Case Package Kelola Data Nilai TPPU IPA

Gambar 4.4-5 Use Case Package Kelola Data Nilai TPPU IPA

Gambar 4.4-5 menjelaskan Use Case Package Kelola Data Nilai TPPU IPA yang melibatkan aktor administrator, terdapat 4 case yaitu Tambah Nilai TPPU IPA, Hapus Nilai TPPU IPA, Edit Nilai TPPU IPA, dan Lihat Nilai TPPU IPA.

4.4.2.6. Use Case Package Kelola Data Siswa

Gambar 4.4-6 Use Case Package Kelola Data Siswa

Gambar 4.4-6 menjelaskan Use Case Package Kelola Data Siswa yang melibatkan aktor administrator, terdapat 4 case yaitu Tambah Siswa, Edit Siswa, Hapus Siswa dan Lihat Siswa.

4.4.2.7. Use Case User

Skenario proses yang dapat dilakukan oleh user adalah menginputkan nilai TPPU dan lihat hasil prediksi nilai UN.

Gambar 4.4-7 Use Case Diagram User

Gambar 4.4-7 menjelaskan Use Case Diagram untuk yang melibatkan aktor user, terdapat 7 case yaitu Login, Input Nilai TPPU Bahasa Indonesia, Input Nilai TPPU Bahasa Inggris, Input Nilai TPPU Matematika, Input Nilai TPPU IPA, Lihat Prediksi Nilai UN dan Logout.

4.4.3. Kebutuhan Output

Output system berupa nilai prediksi ujian nasional berdasarkan nilai yang telah diinputkan oleh user.

4.5.Perancangan Basis Data

Pada tahap perancangan basis data terdapat tiga tahap perancangan yaitu perancangan konseptual, perancangan logikal dan perancangan konseptual.

4.5.1. Perancangan Konseptual

Pada perancangan ini terdapat 3 entitas yaitu Siswa, Admin dan Mata Pelajaran. Gambar 4.6-1 menunjukkan model data Entity Relationship Diagram (ERD):

Gambar 4.5-1 Entity Relationship Diagram (ERD) Keterangan:

a. Terdapat 2 entitas yaitu Siswa, Admin dan Mata Pelajaran b. Setiap entitas memiliki atribut masing-masing.

c. Relasi entitas Siswa dengan Mata Pelajaran adalah money to money.

Setiap Siswa memiliki banyak entitas mata pelajaran, begitu juga sebaliknya satu entitas Mata Pelajaran memiliki banyak entitas Siswa.

d. Untuk entitas Admin tidak bergantung dengan entitas lain karena tidak adanya relasi antar entitas.

4.5.2. Perancangan Logikal

Pada perancangan ini terdapat 3 entitas yaitu Siswa, Admin dan Mata Pelajaran.

Gambar 4.5-2 Perancangan Logikal 4.5.3. Perancangan Fisikal

a. Tabel Admin

Tabel 4.5-1 Perancangan Fisikal Admin

Nama Field Tipe Keterangan

Id_Admin Int(11) Primary key

nama Varchar(20) Nama admin

username Varchar(11) Username admin

password Varchar(11) Password admin

Updated_at timestamp Tanggal terakhir

data update b. Tabel Siswa

Tabel 4.5-2 Perancangan Fisikal Siswa

Nama Field Tipe Keterangan

Id_Siswa Int(10) Primary key

username Varchar(11) Username Siswa

password Varchar(11) Password Siswa

nama Varchar(20) Nama Siswa

Updated_at timestamp Tanggal terakhir

data update c. Tabel Mata_Pelajaran

Tabel 4.5-3 Perancangan Fisikal Mata_Pelajaran

Nama Field Tipe Keterangan

Id_Mapel Int(10) Primary key

Nama_Mapel Varchar(20) Nama_Mapel

Updated_at timestamp Tanggal terakhir

data update d. Tabel Mempunyai

Tabel 4.5-4 Perancangan Fisikal Mempunyai

Nama Field Tipe Keterangan

Tppu1 Int(4) Nilai TPPU ke 1

Tppu2 Int(4) Nilai TPPU ke 2

Tppu3 Int(4) Nilai TPPU ke 3

Tppu4 Int(4) Nilai TPPU ke 4

UNAS Int(4) Nilai Ujian Nasional

Updated_at timestamp Tanggal terakhir

data update 4.6.Perancangan User Interface

4.6.1. Halaman Login

Halaman ini merupakan halaman login untuk administrator dan user. Halaman ini merupakan proses awal administrator untuk masuk ke dalam sistem agar bisa melakukan kelola data siswa dan kelola nilai TPPU.

Di halaman ini administrator akan memasukkan username dan password.

Ditunjukkan oleh gambar 3.13

Gambar 4.6-1 Perancangan User Interface Login 4.6.2. Halaman kelola Data Siswa

Halaman ini merupakan halaman yang dipakai oleh administrator untuk mengelolah data siswa. Terdapat button Edit dan Hapus di setiap baris data yang ada. Button ini berfungsi untuk mengedit data dan

menghapus data. Pada bagian atas setiap tabel juga terdapat button Tambah Siswa data yang bisa digunakan untuk menambah data siswa.

Gambar 4.6-2 Perancangan User Interface Kelola Data Siswa 4.6.3. Halaman kelola Data Nilai TPPU Matematika

Halaman ini merupakan halaman yang dipakai oleh administrator untuk mengelolah data nilai matematika. Terdapat button Edit dan Hapus di setiap baris data yang ada. Button ini berfungsi untuk mengedit data dan menghapus data matematika. Pada bagian atas setiap tabel juga terdapat button Tambah data yang bisa digunakan untuk menambah data matematika.

Gambar 4.6-3 Perancangan User Interface Kelola Data Nilai TPPU Matematika

4.6.4. Halaman kelola Data Nilai TPPU Bahasa Indonesia

Halaman ini merupakan halaman yang dipakai oleh administrator untuk mengelolah data nilai Bahasa Indonesia. Terdapat button Edit dan Hapus di setiap baris data yang ada. Button ini berfungsi untuk mengedit data dan menghapus data Bahasa Indonesia. Pada bagian atas setiap tabel juga terdapat button Tambah data yang bisa digunakan untuk menambah data Bahasa Indonesia.

Gambar 4.6-4 Perancangan User Interface Kelola Data Nilai TPPU Indonesia 4.6.5. Halaman kelola Data Nilai TPPU Bahasa Inggris

Halaman ini merupakan halaman yang dipakai oleh administrator untuk mengelolah data nilai Bahasa Inggris. Terdapat button Edit dan Hapus di setiap baris data yang ada. Button ini berfungsi untuk mengedit data dan menghapus data Bahasa Inggris. Pada bagian atas setiap tabel juga terdapat button Tambah data yang bisa digunakan untuk menambah data Bahasa Inggris.

Gambar 4.6-5 Perancangan User Interface Kelola DataNilai TPPU Inggris 4.6.6. Halaman kelola Data Nilai TPPU IPA

Halaman ini merupakan halaman yang dipakai oleh administrator untuk mengelolah data nilai IPA. Terdapat button Edit dan Hapus di setiap baris data yang ada. Button ini berfungsi untuk mengedit data dan menghapus data IPA. Pada bagian atas setiap tabel juga terdapat button Tambah data yang bisa digunakan untuk menambah data IPA.

Gambar 4.6-6 Perancangan User Interface Kelola Data Nilai TPPU IPA 4.6.7. Halaman Prediksi Nilai Ujian Nasional

Halaman ini merupakan halaman yang dipakai oleh administrator dan User untuk menginputkan nilai yang akan dipakai untuk memprediksi nilai

UN. Terdapat button Tambah dan Hapus di setiap baris data yang ada.

Button ini berfungsi untuk menambah data dan menghapus field untuk menginputkan nilai. Pada bagian kanan bawah juga terdapat button PREDIKSI data yang bisa digunakan untuk melihat hasil prediksi.

Gambar 4.6-7 Perancangan User Interface Prediksi Nilai Ujian Nasional

67

BAB V IMPLEMENTASI, HASIL DAN PEMBAHASAN

5.1. Implementasi Database

Implementasi database dalam system β€œPrediksi Nilai Ujian Nasional Sekolah Menengah Pertama (SMP) menggunakan Metode Fuzzy Associative Memory” disusun dengan database bernama β€œskripsidata”. Database tersebut disusun dari tabel, yaitu :

1. Siswa 2. Admin

3. Mata Pelajaran 4. Inggris

5. Matematika 6. IPA

Gambar 5.1-1 Database Skripsi

Gambar 5.1-1 menjelaskan susunan tabel yang berada di database

β€œdataskripsi”. Database β€œdataskripsi” mempunyai 6 tabel yaitu admin, Indonesia, inggris, ipa, matematika dan siswa.

5.1.1 Tabel Admin

Gambar 5.1-2 Tabel Admin

Gambar 5.1-2 menjelaskan tabel Admin yang berada di database. Tabel ini mempunyai 5 atribut yaitu id, nama, username, password dan updated_at.

5.1.2 Tabel Mata Pelajaran

Gambar 5.1-3 Tabel Mata Pelajaran

Gambar 5.1-3 menjelaskan tabel Mata Pelajaran yang berada di database.

Tabel ini mempunyai 3 atribut yaitu id_mapel, nama_mapel dan updated_at.

5.1.3 Tabel Mempunyai

Gambar 5.1-4 Tabel Mempunyai

Gambar 5.1-4 menjelaskan tabel Mempunyai yang berada di database.

Tabel ini mempunyai 8 atribut yaitu id_siswa, id_mapel, tppu1, tppu2, tppu3, tppu4, unas, dan updated_at.

5.1.4 Tabel Siswa

Gambar 5.1-5 Tabel Siswa

Gambar 5.1-5 menjelaskan tabel Siswa yang berada di database. Tabel ini mempunyai 5 atribut yaitu id, nama, username, password dan updated_at.

5.2. Implementasi Algoritma Fuzzy Associative Memory

Algoritma Fuzzy Associative Memory dimulai dengan mengambil data inputan. Berikut ini adalah source code yang dipakai untuk mengambil data

public function get_Tujuan(request $request){

// ambil data input $tr1 = \request('tr1');

$tr2 = \request('tr2');

$tr3 = \request('tr3');

$tr4 = \request('tr4');

$matpel = \request('matpel');

$data_length = \request('data_length');

for ($i=0; $i < count($data_length); $i++) { if (!empty($tr1[$i]) && !empty($tr2[$i] &&

!empty($tr3[$i]) && !empty($tr4[$i]))) {

$data_input = [$tr1[$i], $tr2[$i], $tr3[$i], $tr4[$i]];

Source code di atas digunakan untuk mengambil data inputan, jenis mata pelajaran serta jumlah arsitektur FAM yang akan dipakai. Setelah itu masuk fungsi perulangan karena data yang diinputkan bisa kebih dari 1. Jika data yang diinputkan tidak lengkap maka akan muncul pesan error. Jika data yang diinputkan sudah lengkap maka data itu kan disimpan dalam variabel data_input.

Setelah itu memanggil function get_data_mataPelajaran yang digunakan untuk menghitung derajat keanggotaan. Berikut ini adalah source code mengambil data dari database dari setiap tabel

private function get_data_mataPelajaran($matpel,$data_length){

}

Method getMatematika(), getMatematika(), getIPA(), getInggris() adalah method yang digunakan untuk mengambil semua data dari database.

Method get_matkul((int)$data_length) digunakan untuk mengambil data sesuai inputan yang diminta.

Setelah itu sistem memanggil function get_Matrix_M_MatPel, function ini berfungsi untuk membuat matrik M, matrik B dan

$M_kolom2 [] = min($M_in[1],$data_input[1]);

$data_Keanggotaan_d = DerajatKeanggotaan:: getDerajat_new ($data,1);

Method getDerajat_new ($data,1) adalah method yang berisi perintah untuk menghitung derajat keanggotaan dengan source code dibawah ini

public static function getDerajat_new($baris_nilai,$code){

if ($code == 1) {

foreach ($baris_nilai as $baris) { // tr1

$tr1 = [ self::get_Kurang($baris['tr1']),

self::get_Cukup($baris['tr1']),

Setelah fungsi keanggotaan didapatkan, Langkah selanjutnya adalah memanggil function get_Matrix_M berikut ini adalah source code yang dipakai

// cari Matrix M

$matrix_M =

$this->get_Matrix_M($data_Keanggotaan_d['derajat'],$data_Keanggotaan_d['b' ]);

function get_Matrix_M digunakan untuk menghitung matrik M dengan source code dibawah ini

public function get_Matrix_M($data_Keanggotaan,$matrix_B){

// cari matrix M

for ($i=0; $i < count($data_Keanggotaan); $i++) { $matrix_M [] =

$this->get_M($data_Keanggotaan[$i],$matrix_B[$i]);

}

return $matrix_M;

}

5.3. Implementasi Interface 5.3.1. Halaman Login Administrator

Gambar 5.3-1 Halaman Login Administrator

Halaman ini merupakan proses awal administrator untuk masuk ke dalam system.

Administrator menginputkan username dan password.

5.3.2. Halaman Login User

Gambar 5.3-2 Halaman Login User

Halaman ini merupakan proses awal user untuk masuk ke dalam system. User menginputkan username dan password.

5.3.3. Halaman Home Administrator

Gambar 5.3-3 Halaman Home Administrator

Halaman home merupakan halaman awal setelah administrator berhasil melakukan proses login. Pada halaman ini administrator mengelola data yang kemudian digunakan untuk proses prediksi nilai ujian nasional.

5.3.4. Halaman Home User

Gambar 5.3-4 Halaman Home User

Halaman home merupakan halaman awal setelah user berhasil melakukan proses login. Pada halaman ini user dapat menginputkan data yang kemudian digunakan untuk proses prediksi nilai ujian nasional.

5.3.5. Halaman Kelola Data Siswa

Gambar 5.3-5 Halaman Kelola Data Siswa

Pada halaman Kelola data siswa, administrator dapat melihat, mengedit, menambah dan menghapus data siswa.

5.3.6. Pop up Tambah Data Siswa

Gambar 5.3-6 Pop up Tambah Data Siswa

Pop up tambah data siswa akan muncul ketika administrator melakukan klik pada icon tambah di halaman Kelola data siswa. Administrator dapat menambahkan data siswa baru.

5.3.7. Pop up Edit Data Siswa

Gambar 5.3-7 Pop up Edit Data Siswa

Pop up edit data siswa akan muncul ketika administrator melakukan klik pada icon ubah di halaman kelola data siswa. Administrator dapat mengedit data siswa yang sudah ditambahkan sebelumnya.

5.3.8. Pop up Hapus Data Siswa

Gambar 5.3-8 Pop up Hapus Data Siswa

Pop up hapus data siswa akan muncul ketika administrator melakukan klik pada icon hapus di halaman kelola data siswa. Administrator dapat menghapus data siswa yang sudah ditambahkan sebelumnya. Sebelum datanya dihapus dari database, system akan memunculkan pop up konfirmasi terlebih dahulu.

5.3.9. Halaman Kelola Data Nilai Bahasa Indonesia

Gambar 5.3-9 Halaman Kelola Data Nilai Bahasa Indonesia

Pada halaman kelola data nilai Bahasa Indonesia, administrator dapat melihat, mengedit, menambah dan menghapus data nilai Bahasa Indonesia.

5.3.10. Pop up Tambah Data Nilai Bahasa Indonesia

Gambar 5.3-10 Pop up Tambah Data Nilai Bahasa Indonesia

Pop up tambah nilai Bahasa Indonesia akan muncul ketika administrator melakukan klik pada icon tambah di halaman Kelola Bahasa Indonesia. Administrator dapat menambahkan data Bahasa Indonesia.

5.3.11. Pop up Edit Data Nilai Bahasa Indonesia

Gambar 5.3-11 Pop up Edit Data Nilai Bahasa Indonesia

Pop up edit data nilai Bahasa Indonesia akan muncul ketika administrator melakukan klik pada icon ubah di halaman data nilai Bahasa Indonesia.

Administrator dapat mengedit data nilai Bahasa Indonesia yang sudah ditambahkan sebelumnya.

5.3.13. Pop up Hapus Data Nilai Bahasa Indonesia

Gambar 5.3-12 Pop up Hapus Data Nilai Bahasa Indonesia

Pop up hapus data nilai Bahasa Indonesia akan muncul ketika administrator melakukan klik pada icon hapus di halaman kelola data nilai Bahasa Indonesia.

Administrator dapat menghapus data nilai Bahasa Indonesia yang sudah ditambahkan sebelumnya. Sebelum datanya dihapus dari database, system akan memunculkan pop up konfirmasi terlebih dahulu.

5.3.14. Halaman Kelola Data Nilai Matematika

Gambar 5.3-13 Halaman Data Nilai Matematika

Pada halaman kelola data nilai Matematika, administrator dapat melihat, mengedit, menambah dan menghapus data nilai Matematika.

5.3.15. Pop up Tambah Data Nilai Matematika

Gambar 5.3-14 Pop up Tambah Data Nilai Matematika

Pop up tambah nilai Matematika akan muncul ketika administrator melakukan klik pada icon tambah di halaman kelola Matematika. Administrator dapat menambahkan data Matematika

5.3.16. Pop up Edit Data Nilai Matematika

Gambar 5.3-15 Pop up Edit Data Nilai Matematika

Pop up edit data nilai Matematika akan muncul ketika administrator melakukan klik pada icon ubah di halaman data nilai Matematika. Administrator dapat mengedit data nilai Matematika yang sudah ditambahkan sebelumnya.

5.3.17. Pop up Hapus Data Nilai Matematika

Gambar 5.3-16 Pop up Hapus Data Nilai Matematika

Pop up hapus data nilai Matematika akan muncul ketika administrator melakukan klik pada icon hapus di halaman kelola data nilai Matematika. Administrator dapat menghapus data nilai Matematika yang sudah ditambahkan sebelumnya. Sebelum datanya dihapus dari database, system akan memunculkan pop up konfirmasi terlebih dahulu.

5.3.18. Halaman Kelola Data Nilai IPA

Gambar 5.3-17 Halaman Kelola Data Nilai IPA

Pada halaman kelola data nilai IPA, administrator dapat melihat, mengedit, menambah dan menghapus data nilai IPA.

5.3.19. Pop up Tambah Data Nilai IPA

Gambar 5.3-18 Pop up Tambah Data Nilai IPA

Pop up tambah nilai IPA akan muncul ketika administrator melakukan klik pada icon tambah di halaman kelola IPA. Administrator dapat menambahkan data IPA 5.3.20. Pop up Edit Data Nilai IPA

Gambar 5.3-19 Pop up Edit Data Nilai IPA

Pop up edit data nilai IPA akan muncul ketika administrator melakukan klik pada icon ubah di halaman data nilai IPA. Administrator dapat mengedit data nilai IPA yang sudah ditambahkan sebelumnya.

5.3.21. Pop up Hapus Data Nilai IPA

Gambar 5.3-20 Pop up Hapus Data Nilai IPA

Gambar 5.3-20 Pop up Hapus Data Nilai IPA

Unduh sekarang "SKRIPSI. Diajukan Untu..."

Garis besar

Dokumen terkait