IMPLEMENTASI ALGORITMA EVOLVING FUZZY NEURAL
NETWORK (EFuNN) UNTUK MEMPREDIKSI
BIAYA PERKULIAHAN
SKRIPSI
ANDRE HASUDUNGAN LUBIS
091402129
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2014
IMPLEMENTASI ALGORITMA
EVOLVING FUZZY NEURAL
NETWORK
(EFuNN) UNTUK MEMPREDIKSI
BIAYA PERKULIAHAN
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
ANDRE HASUDUNGAN LUBIS
091402129
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
PERSETUJUAN
Judul : IMPLEMENTASI ALGORITMA EVOLVING
FUZZY NEURAL NETWORK (EFUNN) UNTUK MEMPREDIKSI BIAYA PERKULIAHAN
Kategori : SKRIPSI
Nama : ANDRE HASUDUNGAN LUBIS
Nomor Induk Mahasiswa : 091402129
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI
Diluluskan di
Medan, Oktober 2014
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Baihaqi Siregar, S.Si.,M.T NIP. 19790108 201212 1 002
Romi Fadillah Rahmat, B. Comp.Sc., M.Sc NIP. 19800110 200801 1 010
PERNYATAAN
IMPLEMENTASI ALGORITMA EVOLVING FUZZY NEURAL
NETWORK (EFUNN) UNTUK MEMPREDIKSI
BIAYA PERKULIAHAN
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Oktober 2014
ANDRE HASUDUNGAN L
UCAPAN TERIMA KASIH
Puji dan syukur penulis panjatkan kepada Allah SWT Yang Maha Pengasih dan Maha Penyayang, dengan segala rahmat dan karuniaNya penulisan tugas akhir ini berhasil diselesaikan dalam waktu yang telah ditetapkan. Selama penyelesaian tugas akhir ini, banyak bantuan dan kerja sama serta doa dan dukungan dari berbagai pihak, oleh karena itu penulis sampaikan ucapan terima kasih sedalam-dalamnya dan penghargaan kepada :
1. Kedua orang tua dan sanak saudara penulis yang telah memberikan dukungan dan motivasi baik materil dan spiritual, Ayahanda Prof. Ir. H. Zulkarnain Lubis, MS, PhD dan Ibunda Dra Hj. Yenni Riorita Siregar S.Psi yang selalu sabar dalam mendidik dan membesarkan penulis. Untuk abang penulis Andi Reza S. Lubis dan adik penulis Irene F. Lubis yang selalu memberikan semangat kepada penulis.
2. Bapak Romi Fadillah Rahmat, B. Comp.Sc., M.Sc dan Bapak Baihaqi Siregar, S.Si.,M.T selaku pembimbing yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis.
3. Bapak Drs. Sawaluddin, M.IT dan Bapak Dedy Arisandi, ST.,M.Kom yang telah bersedia menjadi dosen pembanding yang telah memberikan kritik dan saran kepada penulis.
4. Ketua dan Sekretaris Program Studi Teknologi Informasi, Bapak M. Anggia Muchtar, ST.,MM.IT dan Bapak M. Fadly Syahputra, B.Sc.,M.Sc.IT.
5. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen serta pegawai di Fakultas Ilmu Komputer dan Teknologi Informasi.
Seluruh sahabat terbaik penulis yang selalu memberikan dukungan, Cut Khairunnisa, SE., Ahmad Najam, Denny Pratama, Mahathir Febrian, Darma Warista, Fachriza Fahmi, Dezi Radixa, Dedek Anshori, Alex Winner, Samuel, Rama, Dedi, Egha, Agus, Reza, Alvin, Christop, Rudi, Alman, Andi, Ammar, Julia, Ridzuan, Ardiansyah, Syarah, Hasmi, Yunisya, Supon, Reinhard, Fadly Komting B, Syarif, Bang Cheney, Bang Sugi, Bang Andre, Bang Razid serta seluruh angkatan 09, serta teman-teman seluruh angkatan mahasiswa TI USU lainnya yang tidak dapat penulis sebutkan satu persatu.
Semoga segala kebaikan dan bantuannya dibalas oleh Allah SWT dan semoga tugas akhir ini dapat bermanfaat bagi semua pihak yang memerlukannya.
ABSTRAK
Lembaga pendidikan sebagai organisasi non profit sangat memerlukan informasi biaya. Tanpa informasi biaya, pihak manajemen tidak memiliki ukuran apakah masukan yang dikorbankan memiliki nilai ekonomis yang lebih rendah daripada nilai keluarannya. Dalam menentukan biaya perkuliahan yang diperoleh dari perhitungan biaya satuan (unit cost), terdapat parameter yang menentukan yaitu Biaya Langsung dan Biaya Tidak Langsung. Nilai unit cost merupakan nilai satuan biaya yang dikeluarkan untuk memberikan pelayanan kepada seorang mahasiswa per tahun dalam suatu jenjang pendidikan. Sulitnya menentukan besaran yang diperlukan mengakibatkan pemangku kebijakan membutuhkan waktu yang lama dalam menentukan biaya perkuliahan tersebut. Permasalahan ini dapat diselesaikan dengan menerapkan data mining dalam proses penentuan prediksi biaya perkuliahan dengan algoritma Evolving Fuzzy Neural Network
(EFuNN) yaitu pengkombinasian antara teori fuzzy dengan neural network
dengan mengusulkan model hibrida yang menggabungkan gagasan fuzzy logic controller, struktur neural network dan kemampuan belajar menjadi logika fuzzy neural berbasis jaringan terpadu kontrol dan sistem pengambilan keputusan.
IMPLEMENTATION OF EVOLVING FUZZY NEURAL NETWORK (EFuNN) ALGORITHM FOR THE PREDICTION OF COST LECTURES
ABSTRACT
Educational institutions as a non-profit organization is in need for information costs.
Without cost information, the management does not have the measure of the input
that sacrificed having a lower economic value or higher than the value of its output.
For Determining lecture costs that obtained from the calculation of the unit cost, there
are parameters that determine for the cost such as Direct Costs and Indirect Costs. Value of the unit cost is the costs that incurred to provide services to a student each
years in a given education level. The difficulty of determining the amount, is makes
the stakeholder take a long time to determining the costs. This problem can be solved
by applying data mining in the process of determining lecture costs prediction with
Evolving Fuzzy Neural Network (EFuNN) algorithm. This algorithm combining the fuzzy theory with neural network to propose a hybrid model that combines the idea of
fuzzy logic controller, a neural network structure and learning abilities into a neural
network-based fuzzy logic control and integrated decision-making system.
Keywords: unit cost, data mining, cost lectures, EFuNN Algorithm
DAFTAR ISI
1.6. Metodologi Penelitian ... 3
1.7. Sistematika Penulisan ... 4
2.5.2 Fungsi keanggotaan fuzzy ... 13
2.6. Evolving Connectionist System (ECOS) ... 15
2.7. EFuNN (Evolving Fuzzy Neural Network) ... 16
2.7.1 Arsitektur EFuNN (Evolving Fuzzy Neural Network) ... 17
2.7.2 Algoritma EFuNN (Evolving Fuzzy Neural Network) ... 19
2.8. PHP (Hypertext Processor) ... 21
3.1.2.1 Kebutuhan Fungsional ... 25
3.1.2.2 Kebutuhan Nonfungsional ... 26
3.2.3 Flowchart ... 26
3.3. Use Case Diagram ... 31
3.3.1 Use Case Spesification ... 32
3.4. Perancangan Aplikasi dan Antarmuka Pemakai ... 34
3.4.1 Perancangan Halaman Home ... 35
3.4.2 Perancangan Halaman Category ... 35
3.4.3 Perancangan Halaman Data ... 36
3.4.4 Perancangan Halaman Prediksi ... 37
3.4.5 Perancangan Halaman Prediksi Lanjutan ... 38
3.6. Perancangan Database ... 39
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM ... 44
4.1. Spesifikasi Perangkat Keras dan Perangkat Lunak ... 44
4.2. Antarmuka Pengguna (User Interface) ... 45
4.2.1 Tampilan Halaman Home ... 45
4.2.2 Tampilan Halaman Category ... 46
4.2.3 Tampilan Halaman Data ... 46
4.2.4 Tampilan Halaman Prediksi ... 48
4.3. Pengujian Sistem ... 52
4.3.1 Rencana Pengujian Sistem ... 52
4.4. Pengujian Sistem Secara Menyeluruh ... 54
BAB 5 KESIMPULAN DAN SARAN ... 62
5.1. Kesimpulan ... 62
5.2. Saran ... 62
DAFTAR TABEL
Hal.
Tabel 2.1 Tabel Penelitian Terdahulu 23
Tabel 3.1 Tabel Use Case Spesifikasi untuk Use Case Category 32
Tabel 3.2 Tabel Use Case Spesifikasi untuk Use Case Data 33
Tabel 3.3 Tabel Use Case Spesifikasi untuk Use Case Prediksi 34
Tabel 3.4 Tabel catbl 39
Tabel 3.5 Tabel catbtl 40
Tabel 3.6 Tabel bl 40
Tabel 3.7 Tabel btl 41
Tabel 3.8 Tabel ramalbl 41
Tabel 3.9 Tabel ramalbtl 42
Tabel 3.10 Tabel tahunan 43
Tabel 4.1 Tabel Rencana Pengujian 52
Tabel 4.2 Tabel Hasil Pengujian 53
Tabel 4.3 Tabel Parameter dan Hasil Peramalan 60
Tabel 4.4 Tabel Hasil Prediksi 61
DAFTAR GAMBAR
Hal.
Gambar 2.1 Tahap-Tahap Penambangan Data 8
Gambar 2.2 Contoh Grafik Himpunan Fuzzy Pada variabel umur
(Amiruddin, 2011)
12
Gambar 2.3 Grafik Fungsi Keanggotaan pada Representasi Linear naik
(Amiruddin, 2011)
13
Gambar 2.4 Grafik Fungsi Keanggotaan pada Representasi Linear turun
(Amiruddin, 2011)
14
Gambar 2.5Grafik Fungsi Keanggotaan pada Representasi Kurva Segitiga
(Amiruddin, 2011)
14
Gambar 2.6 Grafik Fungsi Keanggotaan pada Representasi Kurva Trapesium
(Amiruddin, 2011)
15
Gambar 2.7 Komponen ECOS 16
Gambar 2.8 Arsitektur standar EFFuN (Evolving Fuzzy Neural Network) 17 Gambar 2.9 Arsitektur standar EFFuN dengan short-term memory 17
Gambar 3.1 Flowchart data training 27
Gambar 3.2 Flowchart data testing 29
Gambar 3.3 Use Case Diagram Penentuan Prediksi Biaya Perkuliahan 31
Gambar 3.4 Rancangan Halaman Home 35
Gambar 3.5 Rancangan Halaman Category 36
Gambar 3.6 Rancangan Halaman Data 37
Gambar 3.7 Rancangan Halaman Prediksi 38
Gambar 3.7 Rancangan Halaman Prediksi Lanjutan 39
Gambar 4.1 Halaman Home 45
Gambar 4.2 Halaman Category 46
Gambar 4.3 Halaman Data 47
Gambar 4.4 Halaman Prediksi 48
Gambar 4.5 Halaman Prediksi Lanjutan 49
xi
Gambar 4.7 Tampilan Data training Biaya Tak Langsung 51
Gambar 4.8 Tampilan Grafik Prediksi 51
Gambar 4.9 Data Sampel Biaya Langsung 55
Gambar 4.10 Data Sampel Biaya Tak Langsung 56
Gambar 4.11Data Sampel Biaya Tak Langsung lanjutan 1 57
Gambar 4.12 Data Sampel Biaya Tak Langsung lanjutan 2 58
Gambar 4.13 Data Sampel Biaya Tak Langsung lanjutan 3 59
Gambar 4.14 Grafik Hasil Pengujian Nilai MAPE 60
Gambar 4.15 Grafik Hasil Pengujian 61
ABSTRAK
Lembaga pendidikan sebagai organisasi non profit sangat memerlukan informasi biaya. Tanpa informasi biaya, pihak manajemen tidak memiliki ukuran apakah masukan yang dikorbankan memiliki nilai ekonomis yang lebih rendah daripada nilai keluarannya. Dalam menentukan biaya perkuliahan yang diperoleh dari perhitungan biaya satuan (unit cost), terdapat parameter yang menentukan yaitu Biaya Langsung dan Biaya Tidak Langsung. Nilai unit cost merupakan nilai satuan biaya yang dikeluarkan untuk memberikan pelayanan kepada seorang mahasiswa per tahun dalam suatu jenjang pendidikan. Sulitnya menentukan besaran yang diperlukan mengakibatkan pemangku kebijakan membutuhkan waktu yang lama dalam menentukan biaya perkuliahan tersebut. Permasalahan ini dapat diselesaikan dengan menerapkan data mining dalam proses penentuan prediksi biaya perkuliahan dengan algoritma Evolving Fuzzy Neural Network
(EFuNN) yaitu pengkombinasian antara teori fuzzy dengan neural network
dengan mengusulkan model hibrida yang menggabungkan gagasan fuzzy logic controller, struktur neural network dan kemampuan belajar menjadi logika fuzzy neural berbasis jaringan terpadu kontrol dan sistem pengambilan keputusan.
IMPLEMENTATION OF EVOLVING FUZZY NEURAL NETWORK (EFuNN) ALGORITHM FOR THE PREDICTION OF COST LECTURES
ABSTRACT
Educational institutions as a non-profit organization is in need for information costs.
Without cost information, the management does not have the measure of the input
that sacrificed having a lower economic value or higher than the value of its output.
For Determining lecture costs that obtained from the calculation of the unit cost, there
are parameters that determine for the cost such as Direct Costs and Indirect Costs. Value of the unit cost is the costs that incurred to provide services to a student each
years in a given education level. The difficulty of determining the amount, is makes
the stakeholder take a long time to determining the costs. This problem can be solved
by applying data mining in the process of determining lecture costs prediction with
Evolving Fuzzy Neural Network (EFuNN) algorithm. This algorithm combining the fuzzy theory with neural network to propose a hybrid model that combines the idea of
fuzzy logic controller, a neural network structure and learning abilities into a neural
network-based fuzzy logic control and integrated decision-making system.
Keywords: unit cost, data mining, cost lectures, EFuNN Algorithm
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Pendidikan merupakan kebutuhan yang sangat penting bagi setiap manusia, yang
bertujuan agar manusia tersebut dapat mengembangkan diri menjadi pribadi yang
lebih baik. Namun, untuk mendapatkan suatu pelayanan pendidikan, haruslah
memiliki biaya yang harus dikeluarkan. Biaya perkuliahan ini menjadi pertimbangan
bagi masyarakat luas yang selalu menjadi kendala utama dalam memilih suatu
pelayanan pendidikan, khususnya pada pendidikan di perguruan tinggi.
Lembaga pendidikan sebagai organisasi non profit sangat memerlukan
informasi biaya. Tanpa informasi biaya, pihak manajemen tidak memiliki ukuran
apakah masukan yang dikorbankan memiliki nilai ekonomis yang lebih rendah
daripada nilai keluarannya, sehingga manajemen tidak memiliki informasi apakah
kegiatan usahanya menghasilkan sisa hasil usaha atau tidak. Sisa hasil usaha ini
sangat diperlukan untuk mengembangkan dan mempertahankan eksistensi dalam
jangka panjang sebuah lembaga pendidikan tersebut. Begitu juga sebaliknya tanpa
informasi biaya, tidak akan dapat diketahui akurasi didalam penetapan biaya
penyelenggara pendidikan itu apakah terlalu mahal atau terlalu murah. (Juanda. et al. 2012).
Dalam menentukan biaya perkuliahan yang diperoleh dari perhitungan biaya
satuan (unit cost), terdapat parameter yang menentukan yaitu Biaya Langsung dan Biaya Tidak Langsung. Nilai unit cost merupakan nilai satuan biaya yang dikeluarkan untuk memberikan pelayanan kepada seorang mahasiswa per tahun dalam suatu
2
Hasil dari analisis perhitungan biaya satuan (unit cost) yang dilakukan menunjukkan bahwa biaya yang dikeluarkan oleh fakultas memiliki input yaitu biaya
realisasi yang dikeluarkan oleh lembaga, sedangkan outputnya yaitu biaya yang
dibebankan kepada mahasiswa. Dalam hal perhitungan biaya satuan (unit cost) teridentifikasi bahwa begitu banyaknya aktivitas mahasiswa yang digolongkan
menjadi aktivitas utama dan aktivitas penunjang. Aktivitas utama yaitu kegiatan
proses belajar mengajar yang berhubungan langsung dengan kurikulum fakultas,
sedangkan aktivitas penunjang merupakan kegiatan yang berhubungan dengan
kegiatan kemahasiswaan, kegiatan sarana prasarana dan lain-lain.
Data mining adalah proses yang memperkerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge) secara otomatis. Definisi lain di antaranya adalah pembelajaran berbasis induksi (induction-based learning) adalah proses pembentukan definisi-definisi konsep umum yang dilakukan dengan cara mengobservasi
contoh-contoh spseifik dari konsep-konsep yang akan dipelajari (Hermawati, 2013).
Untuk kepentingan ini, diperlukannya penambangan data (data mining) dalam perhitungannya dan memanfaatkan algoritma-algoritma yang ada. Untuk mendukung
suatu pengambilan keputusan diperlukan akses ke database dalam ukuran besar dan dimensi yang lebih kompleks, sehingga diperlukan teknik data mining.
Berdasarkan uraian di atas, maka dalam penulisan skripsi ini penulis meneliti
penambangan data (data mining) dalam menentukan biaya perkuliahan di Program Studi Ilmu Komputer dan Teknologi Informasi di Fakultas Ilmu Komputer dan
Teknologi Informasi (Fasilkom-TI) Universitas Sumatera Utara.
1.2 Rumusan Masalah
Sulitnya menentukan besaran yang diperlukan dalam memprediksi penentuan biaya
perkuliahan berdasarkan berbagai faktor unit cost.
1.3 Batasan Masalah
Pada penelitian ini, penulis membatasi masalah adalah sebagai berikut:
1. Perhitungan prediksi biaya perkuliahaan berlaku untuk mahasiswa Program Studi
Ilmu Komputer dan Teknologi Informasi di Fakultas Ilmu Komputer dan
Teknologi Informasi (Fasilkom-TI) Universitas Sumatera Utara.
2. Hanya menggunakan data masukan yang di ambil dari biaya perkuliahan pada
jurusan Teknologi Informasi dan jurusan Ilmu Komputer di Fakultas Ilmu
Komputer dan Teknologi Informasi Universitas Sumatera Utara.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk membantu pemangku kebijakan dalam
menentukan prediksi biaya perkuliahan, menggunakan algoritma Evolving Fuzzy Neural Network (EFuNN).
1.5 Manfaat Penelitian
Penilitian ini diharapkan dapat memberikan manfaat bagi penulis, pembaca, dan para
peneliti, sebagai berikut:
1. Dapat membantu pihak universitas dalam memprediksi biaya perkuliahan yang
lebih akurat.
2. Dapat menambah variasi penyelesaian masalah menggunakan aplikasi sistem
prediksi penentuan biaya perkuliahan.
3. Dapat digunakan sebagai referensi atau dikembangkan bagi tugas lain yang
berkaitan dengan penentuan biaya perkuliahan dan algoritma Evolving Fuzzy Neural Network (EFuNN).
1.6 Metodologi Penelitian
Metodologi penelitian yang akan dilakukan pada pembuatan skripsi ini adalah aebagai
4
1. Studi Literatur
Studi literatur dilakukan dengan mengumpulkan bahan-bahan referensi baik dari
buku, artikel, paper, jurnal, makalah, maupun situs-situs internet. Studi literatur
yang dilakukan terkait dengan penentuan biaya perkuliahan.
2. Analisis Permasalahan
Pada tahap ini dilakukan analisis terhadap hasil studi literatur untuk mengetahui
dan mendapatkan pemahaman mengenai data mining dan algoritma Evolving Fuzzy Neural Network (EFuNN) untuk menentukan biaya perkuliahan.
3. Perancangan Sistem
Pada tahap ini dilakukan perancangan arsitektur, pengumpulan data pelatihan, dan
perancangan antarmuka. Proses perancangan dilakukan berdasarkan hasil analisis
studi literatur yang telah didapatkan.
4. Pengujian dan validasi hasil
Pada tahap ini dilakukan proses pengujian dan percobaan terhadap perangkat
lunak yang dibuat apakah sistem sudah sesuai dengan kebutuhan.
5. Dokumentasi
Pada tahap ini dilakukan pembuatan dokumentasi sistem, lengkap dengan analisis
yang diperoleh.
6. Penyusunan Laporan
Pada tahap ini dilakukan penulisan dokumentasi hasil analisis dan implementasi
algoritma Evolving Fuzzy Neural Network (EFuNN) pada proses penentuan prediksi biaya perkuliahan.
1.7 Sistematika Penulisan
Sistematika penulisan skripsi ini dibagi menjadi bebrapa bagian utama, yaitu:
BAB 1 : PENDAHULUAN
Bab ini berisi tentang latar belakang, rumusan masalah, tujuan penelitian, manfaat
penelitian, batasan masalah, metode penelitian, dan sistematika penulisan dari skripsi
ini.
BAB 2 : LANDASAN TEORI
Pada bab ini dijelaskan mengenai dasar-dasar teori, rujukan dan metode yang
digunakan sebagai dasar dan alat untuk menyelesaikan permasalahan.
BAB 3 : ANALISIS DAN PERANCANGAN
Bab ini membahas tentang perancangan sistem dan program yang mencakup
perancangan pangkalan data, perancangan sistem, dan perancangan interface. Dalam
perancangan sistem dicantumkan flowchart dari sistem dan flowchart algoritma, serta
use case diagram untuk mempermudah penjelasan sistem.
BAB 4 : IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini akan membahas tentang implementasi dari sistem yang dibuat berdasarkan
hasil analisis dan perancangan sistem yang telah dibuat. Kemudian dilakukan
pengujian sistem untuk mengetahui apakah sistem dapat berjalan sesuai tujuan dan
harapan perancangan.
BAB 5 : KESIMPULAN DAN SARAN
Pada bab ini berisi tentang kesimpulan dari hasil analisis dan implementasi kerja pada
BAB 2
LANDASAN TEORI
Bab ini akan membahas landasan teori, penelitian terdahulu, kerangka pikir dan
hipotesis yang mendasari penyelesaian permasalahan dalam prediksi biaya
perkuliahan untuk jurusan Teknologi Informasi di Fakultas Ilmu Komputer dan
Teknologi Informasi Universitas Sumatera Utara dengan menggunakan algoritma
Evolving Fuzzy Neural Network (EFuNN).
2.1 Data Mining
Data Mining berisi pencarian trend atau pola yang diinginkan dalam database besar untuk membantu pengambilan keputusan di waktu yang akan dating. Pola-pola ini dikenali oleh perangkat tertentu yang dapat memberikan suatu analisa data yang
berguna dan berwawasan yang kemudian dapat dipelajari dengan lebih teliti, yang
mungkin saja menggunakan perangkat pendukung keputusan (Hermawati, 2013).
Data Mining merupakan teknologi yang sangat berguna untuk membantu perusahaanperusahaan menemukan informasi yang sangat penting dari gudang data
(Data warehouse) mereka. Dengan data mining dapat meramalkan tren dan sifat-sifat perilaku bisnis yang sangat berguna untuk mendukung pengambilan keputusan
penting (Kusnawi, 2007).
Data mining melibatkan integrasi teknik dari berbagai disiplin ilmu seperti
database dan data warehouse teknologi, statistik, pembelajaran mesin (machine learning), kinerja tinggi komputasi, pengenalan pola, jaringan saraf (neural network),
visualisasi data, informasi pengambilan, gambar dan pemrosesan sinyal, dan analisis
data spasial atau temporal (Han et al., 2006).
Data warehousing dan data mining merupakan dasar-dasar arsitektural bagi sistem-sistem pendukung keputusan. Keduanya memiliki hubungan simbiotik dimana
data warehouse menyiapkan tahapan untuk kegiatan data mining yang efektif. Teknologi data warehouse telah memungkinkan sebuah organisasi untuk mengelola dan menyimpan data bisnis dalam volume yang sangat besar dalam bentuk yang dapat
dianalisa. Kematangan dalam bidang kecerdasan buatan telah pula menciptakan
sekumpulan teknik mesin pembelajaran (machine learning) yang berguna untuk mengotomatisasi kegiatan-kegiatan penting dan melelahkan guna mengungkapkan
pola-pola dalam database. (Sitompul, 2008)
2.1.1. Operasi data mining
Operasi data mining menurut sifatnya dibedakan menjadi dua yaitu:
1. Prediksi (prediction driven)
Yaitu untuk menjawab pertanyaan apa dan sesuatu yang bersifat remang-remang
atau transparan. Operasi prediksi digunakan untuk validasi hipotesis, querying dan pelaporan, analisis multidimensi; OLAP (Online Analytic Processing) serta analisis statistik.
2. Penemuan (discovery driven)
Yaitu bersifat transparan dan untuk menjawab pertanyaan “mengapa?”. Operasi penemuan digunakan untuk analisis data eksplorasi, pemodelan prediktif,
segmentasi database, analisis keterkaitan (link analysis) dan deteksi deviasi.
2.1.2. Tahapan dalam data mining
8
Gambar 2.1. Tahap-tahap penambangan data. (Han, et al., 2006)
Pada tahapan yang terlihat pada gambar 2.1 dapat diuraikan sebagi berikut:
1. Memahami domain aplikasi untuk mengetahui dan menggali pengetahuan awal serta apa sasaran pengguna
2. Membuat target data-set yang meliputi pemulihan data dan fokus pada sub-set
data.
3. Pembersihan dan transformasi data meliputi eleminasi derau, outliners, missing value, serta pemilihan fitur dan reduksi dimensi.
4. Penggunaan algoritma data mining yang terdiri dari asosiasi, sekuensial, klasifikasi, klasterisasi, dll.
5. Interpretasi, evaluasi dan visualisasi pola untuk melihat apakah ada sesuatu yang
baru dan menarik dan dilakukan iterasi jika diperlukan.
2.1.3. Teknik data mining
Beberapa teknik dan sifat dalam data mining adalah sebagai berikut :
1. Klasifikasi (Classification)
Menentukan sebuah record data baru ke salah satu dari beberapa kategori atau kelas yang telah didefinisikan sebelumnya.
2. Klasterisasi (Clustering)
Mempartisi data-set menjadi beberapa sub-set atau kelompok sedemikian rupa
sehingga elemen-elemen dari suatu kelompok tertentu memiliki set property yang
dishare bersamaa, dengan tingkat similaritas tinggi dalam satu kelompok dan
tingkat similaritas antar kelompok yang rendah.
3. Kaidah Asosiasi (Association Rules)
Mendeteksi kumpulan atribut-atribut yang muncul bersamaan dalam frekuensi
yang sering, dan membentuk sejumlah kaidah dari kumpulan-kumpulan tersebut.
4. Pencarian pola sekuensial (Sequence Mining)
Mencari sejumlah event yang secara umum terjadi bersama-sama. 5. Regresi (Regression)
Memprediksi nilai dari suatu variabel kontinu yang diberikan berdasarkan nilai
dari variabel yang lain, dengan mengasumsikan sebuah model ketergantungan
linier atau nonlinier.
2.2 Fasilkom-TI USU
Fasilkom-TI USU dibentuk pada tanggal 6 September 2011 dengan diterbitkanya surat
keputusan Rektor USU nomor 2360/UN5.1 R/SK/PRS/2011. Program Studi yang
pertama kali terbentuk adalah Program Studi S-1 Ilmu Komputer dibawah naungan
FMIPA USU, Program Studi S-1 Ilmu Komputer berdiri sesuai dengan surat
keputusan Ditjen Dikti No.3551/D/T/2001 tanggal 22 Nopember 2001 tentang izin
penyelenggaraan Program Studi S-1 Ilmu Komputer. Kemudian seiring
berkembangnya keilmuan bidang komputasi maka dibentuklah Program Studi baru
yaitu Program Studi S-1 Teknologi Informasi yang juga dibawah naungan FMIPA
USU. Proposal pendirian Program Studi S-1 Teknologi Informasi diajukan ke
Direktorat Jendral Pendidikan Tinggi (Dirjen Dikti) Republik Indonesia pada awal
tahun 2007.
2.3 Biaya Perkuliahan
Biaya perkuliahan adalah biaya yang dikenakan kepada mahasiswa untuk
penyelenggaraan dan pembinaan pendidikan serta layanan administrasi akademika.
Universitas Sumatera Utara yang merupakan sebuah instansi pendidikan negara,
dalam penentuan biaya kuliah mengikut perhitungan Uang Kuliah Tunggal (UKT)
10
1. Surat Dirjen Dikti :
1. NOMOR: 21/E/T/2012 TGL 4 JANUARI 2012.
2. NOMOR: 274/E/T/2012 TGL 16 FEBRUARI 2012.
2. Surat Dirjen Dikti :
NOMOR: 1727/E1.1/A/2012 TGL 17 APRIL 2012.
3. Perumusan Akhir Konsep UKT Rakor PRII dan bagian perencanaan DIKTI di
Jakarta pada tanggal 25 April 2012.
Berikut akan dipaparkan ketentuan Uang Kuliah Tunggal (UKT):
1. UKT merupakan rerata dari uang kuliah setiap kelompok program studi.
2. UKT merupakan tarif yang dihitung dari Unit Cost.
3. Unit Cost merupakan komponen biaya operasional yang diperlukan untuk proses pembelajaran dan utilitasnya di setiap wilayah diluar biaya investasi.
Dalam penentuannya Unit Cost (UC) dapat dihitung dengan perhitungan berikut, yaitu:
Unit Cost (UC) = Biaya Langsung (BL) + Biaya Tak Langsung (BTL)
Biaya Langsung (BL) adalah nilai sumber daya yang digunakan untuk
melaksanakan aktivitas inti yaitu proses belajar mengajar. Biaya Langsung dihitung
berdasarkan aktivitas langsung mahasiswa di tiap semester. Biaya langsung terdiri
dari:
1. SDM, yakni biaya tenaga kerja langsung(gaji dan honor dosen)
2. BHP (Bahan Habis Pakai) pembelajaran
3. Sarana, dan
4. Prasarana (gedung) pembelajaran langsung
Biaya Tak Langsung (BTL) adalah nilai dari sumber daya yang digunakan untuk
melakukan aktivitas managerial, baik di tingkat fakultas maupun universitas. Biaya
Tidak Langsung dibebakan ke Unit Cost sesuai dengan proporsi jumlah mahasiswa setiap program studi terhadap jumlah mahasiswa total di fakultas. Biaya Tak
Langsung terdiri dari:
1. Depresiasi, yakni saran dan prasarana non pembelajaran
2. Operasional, yakni biaya SDM manajerial dan non dosen
3. Pemeliharaan, dan
4. Lain-lain, seperti kegiatan pengembangan institusi.
2.4 Peramalan (Forecasting)
Menurut Gasperz (2001) Peramalan atau forecast merupakan suatu fungsi bisinis yang berusaha memperkirakan penjualan, penggunaan produk, dan permintaan pasar
sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Peramalan
merupakan perkiraan, tetapi dengan menggunakan teknik-teknik tertentu, maka
peramalan menjadi lebih dari sekedar perkiraan (Ishak, 2010).
Dalam membuat peramalan, maka ada beberapa hal yang harus dipertimbangkan
(Ishak, 2010), yaitu:
1. Peramalan pasti mengandung kesalahan. Peramal hanya dapat mengurangi
ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian
tersebut.
2. Peramalan seharusnya memberikan informasi tentang bebrapa ukuran kesalahan.
3. Peramalan jangka pendek lebih akurat dibandingkan peramalan jangka panjang.
Menurut Ishak (2010), peramalan dibedakan menjadi tiga jenis sesuai dengan
jangka waktunya:
1. Jangka pendek (Short term)
Peramalan ini mencakup jangka waktu harian ataupun mingguan. Peramalan ini
biasanya digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah
tenaga kerja, penugasan kerja, dan tingkat produksi.
2. Jangka menengah (Medium term)
Peramalan ini mencakup jangka waktu bulanan atau kuartal. Peramalan ini
berguna untuk merencanakan penjualan, perencanaan dan anggaran produksi, dan
menganalisis bermacam-macam rencana operasi.
3. Jangka panjang (Long term)
Peramalan ini bersifat tahunan. Peramalan ini digunakan untuk merencanakan
12
2.5 Logika Fuzzy
Fuzzy dapat diartikan sebagai kabur atau samar-samar suatu nilai dapat bernilai benar atau bernilai salah secara bersamaan. Logika fuzzy diperkenalkan oleh Prof. lotfi Zadeh tahun 1965. Logika fuzzy merupakan suatu logika yang memilih nilai kesamaan (Fuzzyness) antara benar atau salah, logika fuzzy memiliki derajat keanggotaan dalam rentang 0 sampai 1.Logika fuzzy menunjukan sampai sejauh mana sebuah nilai itu benar dan sejauh mana sebuah nilai itu salah (Nasution, 2012).
Logika fuzzy merupakan suatu cara untuk memetahkan suatu ruang input ke dalam ouput, memiliki nilai kontinu dan fuzzy dinyatakan dalam derajat keanggotaan atau derajat dari kebenaran. Logika fuzzy digunakan untuk menerjemahkan besaran yang diekpresikan mengunakan bahasa (Nasution, 2012).
Kelebihan dari logika fuzzy adalah mampu memproses penalaran secara bahasa sehingga dalam proses pembuatannya tidak memerlukan persamaan matematika dan
suatu objek yang akan dikendalikan (Nasution, 2012).
2.5.1. Himpunan fuzzy
Himpunan fuzzy merupakan suatu kelompok yang dimana mewakili suatu kondisi tertentu untuk suatu variabel fuzzy. Contoh : untuk variabel umur yaitu Muda, Tua dan Parobaya (Amiruddin,2011). Grafik Himpnan fuzzy dapat dilihat pada Gambar 2.2
Gambar 2.2. Contoh grafik himpunan fuzzy pada variabel umur (Amiruddin, 2011)
Di dalam Himpunan fuzzy terdapat 2 atribut yaitu linguistik dan numeris. Linguistik merupakan pemberian nama suatu kelompok yang mewakili kondisi
tertentu dengan mengunakan bahasa alami seperti : muda, tua dan parobaya dan
numeris merupakan nilai yang menunjukan suatu ukuran pada variabel seperti : 20,
40, dan 35. (Amiruddin,2011)
2.5.2. Fungsi keanggotaan fuzzy
Fungsi keanggotaan (member function) merupakan sebuah kurva yang pemetaannya melalui titik-titik input data ke dalam nilai keanggotaan (derajat keanggotaan) yang di
dalamnya terdapat nilai 0 sampai 1 (Amiruddin, 2011). Menurut Amiruddin (2011),
salah satu cara untuk mendapatkan nilai keanggotaan adalah dengan cara pendekataan
fungsi, ada beberapa fungsi untuk menentukan sebuah nilai keanggotaan yaitu linear,
kurva segitiga, kurva trapesium dan metode lainnya.
1. Representasi Linear
Representasi Linear adalah pemetaan input ke derajat keanggotaanya digambarkan
dalam garis lurus. Ada 2 (dua) jenis fuzzy linear yaitu linear naik dan linear turun.Linear naik memiliki derajat keanggotaan nol (0) bergerak ke kanan menuju
ke derajat keanggotaan yang lebih tinggi. Gambar Representasi Linear naik dapat
dilihat pada Gambar 2.3
Gambar 2.3. Grafik fungsi keanggotaan pada representasi linier naik
14
Linear turun adalah garis kurva yang dimulai dari domain tetinggi dari sisi sebelah
kiri bergerak menurun ke domain derajat keanggotaan yang lebih rendah. Gambar
Representasi Linear turun dapat dilihat pada Gambar 2.4
Gambar 2.4. Grafik fungsi keanggotaan pada representasi linier turun
Fungsi Keanggotaan:
µ = ( − )/( − ); 0;
2. Representasi Kurva Segitiga
Kurva Segitiga adalah gabungan antara 2 (dua) garis linear.Gambar Representasi
Kurva Segitiga dapat dilihat pada Gambar 2.5
Gambar 2.5. Grafik fungsi keanggotaan pada representasi kurva segitiga
3. Representasi Kurva Trapesium
Kurva Trapesium adalah meneyerupai bentuk segitiga, tapi ada beberapa titik yang
memiliki nilai keanggotaan bernilai 1 (satu).Gambar Representasi Kurva
Trapesium dapat dilihat pada Gambar 2.6
Gambar 2.6. Grafik fungsi keanggotaan pada representasi kurva trapesium
Fungsi Keanggotaan:
2.6 Evolving Connectionist System (ECOS)
Evolving Connectionist System (ECOS) adalah sebuah metode pembelajaran yang adaptif, bertahap dan sistem representasi pengetahuan yang mengembangkan struktur
dan fungsinya, dimana dalam inti sistem terdapat arsitektur koneksionis yang terdiri
dari neuron (unit pengolahan informasi) dan hubungan antar-neuron (Kasabov, 2007).
Evolving Connectionist System (ECOS) merupakan sistem komputasi cerdas yang berdasarkan JST (Jaringan Saraf Tiruan), tetapi juga menggunakan teknik lain dari
komputasi cerdas yang beroperasi secara terus-menerus dan mengadaptasikan
strukturnya melalui interaksi terhadap lingkungan dan sistem lainnya (Kasabov,
2007). Proses adaptasi ini diakukan melalui:
1. Sekumpulan aturan yang dapat berkembang.
2. Sekumpulan parameter yang dapat berubah selama sistem bekerja.
16
3. Informasi yang datang secara terus menerus, terutama pada distribusi data yang
tidak menentu.
4. Kriteria goal atau tujuan yang diterapkan untuk mengoptimalkan kinerja sistem
dari waktu ke waktu.
Gambar 2.7. Komponen ECOS (Kasabov, 2007)
2.7 EFuNN (Evolving Fuzzy Neural Network)
EFuNN (Evolving Fuzzy Neural Network) pertama kali diperkenalkan oleh Kasabov pada tahun 1999 yang merupakan fuzzy neural model. Fuzzy Neural Network (FuNN) merupakan struktur terhubung yang mengimplementasikan aturan-aturan fuzzy inference system. FuNN merepresentasikan sebuah kelas dari struktur tersebut. Model EFuNN memiliki prinsip yang berbeda dengan FuNN walaupun memiliki struktur
yang mirip. EFuNNs dikembangkan berdasarkan prinsip-prinsip Evolving Connectionist Systems (ECOS) (Kasabov, 2007).
2.7.1 Arsitektur EFuNN (Evolving Fuzzy Neural Network)
EFuNN memiliki lima struktur layer dengan node dan koneksinya dibentuk atau dikoneksikan sesuai dengan data sample yang ada, seperti yang dapat dilihat pada
Gambar 2.8.
Gambar 2.8. Arsitektur standar EFuNN (Kasabov, 2007)
Sebuah layer opsional (short-term) memory dapat digunakan melalui sebuah kondisi feedback dari aturan-aturan node pada layer seperti ditunjukkan oleh Gambar 2.9. Layer feedback yang terkoneksi dapat digunakan jika relasi temporal input data dapat dikenali secara struktural (Kasabov, 2007).
18
Berikut penjelasan mengenai lima layernya:
1. Layer pertama merupakan layer input variabel dimana variabel-variabel
masukan tersebut akan dilatih dan diuji pada tahap EFuNN selanjutnya.
2. Layer kedua merepresentasikan persamaan fuzzy dari masing-masing bagian. Sebagai contoh, dua buah input fuzzy pada jaringan/neuron merepresentasikan “kecil” dan “besar” untuk sebuah input variabel umum. Fungsi keanggotaan
fuzzy dapat ditambahkan untuk mendapatkan derajat keanggotaan setiap data
input.
3. Layer ketiga berisi aturan-aturan (case) yang dikembangkan melalui pembelajaran terawasi atau metode pembelajaran tidak terawasi. Aturan
prototype (sampel-sampel) dari input–output kumpulan data yang dapat dipresentasikan secara grafik sebagai hyper-spheres (titik puncak pada grafik geometri/lengkungan kurva fungsi keanggotaan) dari sphares (bidang lengkungan) grafik input fuzzy dan output fuzzy. Setiap aturan r didefenisikan dengan 2 vektor dari koneksi bobot – W1(r) dan W2(r), aturan yang paling akhir disesuaikan melalui pembelajaran terawasi berdasarkan error output, dan aturan awal disesuaikan melalui pembelajaran tidak terawasi berdasarkan
kemiripan pengukuran di dalam suatu area masalah. Suatu fungsi aktivasi
linier, atau suatu gaussian function, digunakan pada neuron/jaringan pada layer ini.
4. Pada layer keempat dilakukan kuantisasi variabel fuzzy output. Kuantisasi adalah operasi pemotongan (truncation) atau pembulatan (rounding) nilai data dengan suatu presisi (precision) tertentu untuk mendapatkan nilai luas kurva. Pada layer ini masukan bobot fungsi penjumlahan dan sebuah fungsi aktivasi
linier penuh/jenuh digunakan pada neuron/jaringan untuk menghitung derajat
keanggotaan yang mana vektor output yang terhubung dengan input vektor yang diberikan masing-masing fungsi keanggotaan output.
5. Layer kelima merepresentasikan dari nilai dari variabel output. Di layer ini sebuah fungsi aktivasi linier digunakan untuk menghitung nilai defuzifikasi
untuk variabel output.
2.7.2 Algoritma EFUNN (Evolving Fuzzy Neural Network)
Berikut ini adalah algoritma EFUNN (Evolving Fuzzy Neural Network) (Chang et al. 2006):
1. Melakukan inisialisasi terhadap parameter yakni: sensitive threshold (sThr), error threshold (errThr), learning rate 1 (lr1), dan learning rate 2 (lr2).
2. Melakukan normalisasi data yang telah diinput dengan data ditransformasikan
pada selang 0,1 sampai 0.9. Adapun rumus untuk melakukan normalisasi data
adalah sebagai berikut.
= 0,8 (−− )+ 0,1 (2.1)
dimana: y = nilai normaliasai
x = nilai data beban
a = nilai minimum dari data
b = nilai maximum dari data
3. Melakukan fuzifikasi terhadap data yang akan di training dengan menggunakan fungsi keanggotaan (membership function).
µ =
0;
( − )/( − ); ( − )/( − );
(2.2)
4. Membuat rule node pertama r(1) untuk merepresentasikan data yang pertama dan mengisi nilai pada bobot satu dan bobot dua.
= 1; 11 = � ; 21 = � 1 (2.3)
5. Lakukan pengulangan selama i <= N
a. Menghitung normalized fuzzy local distance (D) diantara fuzzy input vector
(� ) dan fuzzy input vector yang berada di tempat penyimpanan sementara pada saat rule node ( ), j=1…R, dimana R adalah nilai rule node
20
c. Cari rule node ( *) yang memiliki nilai aktivasi tertinggi
d. Jika nilai �1 lebih besar dari sThr, maka menuju langkah (e), jika nilai �1 lebih kecil dari sThr, maka: j = j +1. Ulangi dari langkah (a).
e. Melakukan propagasi terhadap aktivasi dari rule node ( *)
�2 = 1 . 2 (2.6)
f. Menghitung fuzzy ouput error.
= |�2− � | (2.7)
g. Cari action node (k*) dengan nilai aktivasi tertinggi dari A2.
2.8 PHP (Hypertext Preprocessor)
Menurut Prasetyo (2008), PHP (Hypertext Preprocessor) adalah skrip yang bersifat
server-side yang ditambahkan ke dalam skrip HTML. PHP merupakan singkatan dari
Personal Home Page Tools. Skrip ini yang akan membuat suatu aplikasi website dapat diintegrasikan ke dalam HTML sehingga website tersebut tidak lagi bersifat statis, namun menjadi bersifat dinamis. Maksud dari bersifat server-side itu sendiri adalah pengerjaan skrip di lakukan di server, baru kemudian hasilnya dikirim ke browser.
Cara penulisan script PHP terbagi atas empat style, yaitu:
1. Standard Style, dengan format: <?php … ?> 2. Short Style, dengan format: <? … ?>
3. Javascript Style, dengan format: <script language=’PHP’> … </script> 4. ASP Style, dengan format: <% … %>
2.9 UML
Pemodelan merupakan gambaran sederhana dalam bentuk pemetaan dengan berbagai
aturan-aturan tertentu. Pemodelan perangkat lunak digunakan untuk mempermudah
tahapan berikutnya sehingga pengembangan dilakukan dengan lebih terencana..
Pada perkembangan teknik pemrograman berorientasi objek, muncullah sebuah
standarisasi bahasa pemodelan untuk pembangunan perangkat lunak yang dibangun
dengan menggunakan teknik pemrograman berorientasi objek, yaitu Unified Modeling Languge (UML). UML muncul karena adanya kebutuhan pemodelan visual untuk menspesifikasikan, menggambarkan, membangun, dan dokumentasi dari sistem
perangkat lunak. UML merupakan bahasa visual untuk pemodelan dan komunikasi
mengenai sebuah sistem dengan menggunakan diagram dan teks-teks pendukung.
UML hanya berfungsi untuk melakukan pemodelan. Jadi penggunaan UML tidak
terbatas pada metodologi tertentu, meskipun pada kenyataannya UML paling banyak
22
2.10 MySQL
MySQL merupakan server database yang mendukung perintah SQL (Structured Query Languange). Perintah dalam MySQL disebut dengan pernyataan (statement) yang memiliki cirri khas pengakhirannya yang di tutup dengan tanda titik koma(;).
MySQL pada prinsip kerja nya yaitu mengetikkan sejumlah pernyataan dan di akhiri
dengan titik koma, maka program klien MySQL akan segera mengirim perintah
tersebut ke server database MySQL dan kemudian memberikan respon yang sesuai.
Prinsip kerja dari MySQL yaitu dengan mengetikkan sejumlah pernyataan dan di
akhiri dengan titik koma, maka program klien MySQL akan segera mengirim perintah
tersebut ke server database MySQL dan kemudian memberikan respon yang sesuai dengan pernyataan yang diberikan (Rozy, 2014). Berikut pernyataan-pernyataan
umum yang sering digunakan dalam MySQL adalah sebagai berikut:
1. “SELECT” digunakan untuk menampilkan informasi dari sebuah table pada
Dalam melakukan penelitian, penulis membutuhkan beberapa bahan penelitian yang
sudah pernah dilakukan peneliti-peneliti lainnya mengenai masalah teknik data mining, dan algoritma Evolving Fuzzy Neural Network (EFuNN).
Muhammad Fadhly Sani, Romi Fadillah Rahmat, dan Noviyanti (2013) berhasil
mengimplementasikan metode Evolving Fuzzy Neural Network dengan memiliki keakuratan yang berbeda-beda dan rata-rata memiliki tingkat error sebesar 0,6% untuk
meramalkan jumlah penjualan telur pada salah satu distributor telur di kabupaten Deli
Serdang untuk satu minggu ke depan.
Chandrawati Putri Wulandari, Purnomo Budi Santoso dan Arif Rahman (2013)
telah menggunakan Sistem Pengambilan Keputusan (SPK) untuk mengkalkulasi
jumlah tunggakan uang kuliah mahasiswa.
Reza Elfandra Siregar (2014) melakukan penelitian dan pengujian untuk sistem
prediksi banjir dengan mengunakan metode Weighted Evolving Fuzzy neural
Network(WEFuNN).
Untuk penelitian yang dilakukan oleh peneliti sebelumnya, dapat dilihat pada
Tabel 2.1.
Tabel 2.1. Tabel Penelitian Terdahulu
No Peneliti Judul Penelitian
1 Muhammad Fadhly
Sani, Romi Fadillah
Rahmat, Noviyanti
(2013)
Prediksi Jumlah Penjualan Distributor Telur
terhadap Permintaan Pasar Menggunakan Metode
Evolving Fuzzy Neural Network (EFUNN)
2 Chandrawati Putri
Prediksi Banjir Dengan Menggunakan Weighted
BAB 3
ANALISIS DAN PERANCANGAN
Dalam bab ini berisi beberapa hal diantaranya seperti data yang digunakan, penerapan
algoritma dan analisis perancangan sistem dalam mengimplementasikan EFuNN (Evolving Fuzzy Neural Network) untuk permasalahan dalam prediksi penentuan biaya perkuliahan.
3.1 Data yang Dibutuhkan
Data yang digunakan pada penelitian ini adalah data Biaya Langsung dan Biaya Tak
Langsung dari jurusan Teknologi Informasi dan jurusan Ilmu Komputer pada
Fakultas Ilmu Komputer dan Teknologi Informasi pada tahun 2010 sampai 2013 di
Universitas Sumatera Utara.
Pada penelitian ini, ada beberapa data di modifikasi dari data aslinya, seperti pada
data Biaya Langsung yaitu Rate SDM dan pada data Biaya Tak Langsung yaitu:
Biaya Rekening Listrik, Biaya Internet, Biaya Pemeliharaan Jasa Kebersihan, Biaya
Pemeliharaan Gedung, Biaya Pemeliharaan Alat dan Sarana, Biaya Penelitian, Biaya
Pengabdian Masyarakat, Biaya Kemahasiswaan, Biaya Pengembangan Program, dan
Biaya Perjalanan Dinas. Hal ini di karenakan untuk menjaga kerahasian sumber data
tersebut.
3.2 Analisis Sistem
Pada sistem ini akan dilakukan analisis terhadap sistem untuk melakukan prediksi
penentuan biaya perkuliahan yang berlaku untuk mahasiswa Program Studi Ilmu
Komputer dan Teknologi Informasi di Fakultas Ilmu Komputer dan Teknologi
Informasi (Fasilkom-TI) Universitas Sumatera Utara dengan menggunakan algoritma
EFuNN (Evolving Fuzzy Neural Network).
3.2.1 Analisis masalah
Beberapa kendala masih terjadi pada kasus penentuan biaya perkuliahan oleh pihak
universitas. Seperti sulitnya menentukan besaran yang diperlukan dalam penentuan
biaya perkuliahan berdasarkan berbagai faktor unit cost, dan menimbulkan waktu yang terlalu lama dalam penentuannya. Oleh karena itu metode ini memberikan
perhitungan yang lebih baik dan teliti.
3.2.2 Analisis kebutuhan
Kebutuhan merupakan suatu keinginan yang akan dicapai dalam melakukan
perancangan. Kebutuhan menggambarkan fungsi dan batasan untuk aplikasi.
Adapun analisis kebutuhan dibagi menjadi dua, antara lain adalah kebutuhan
fungsional dan kebutuhan nonfungsional.
3.2.2.1 Kebutuhan fungsional
Kebutuhan fungsional adalah kebutuhan yang fungsi-fungsinya harus dipenuhi pada
rancangan aplikasi. Kebutuhan fungsional yang harus dipenuhi pada aplikasi yang
akan dirancang adalah :
1. Aplikasi harus mampu meng-input data kategori jenis biaya
2. Aplikasi harus mampu menentukan prediksi biaya perkuliahan sesuai dengan data
26
3.2.2.2 Kebutuhan nonfungsional
Kebutuhan nonfungsional terdiri dari beberapa macam karakteristik, antara lain :
1. Performa
Aplikasi yang akan dibangun dapat menampilkan hasil dari fungsi sistem yaitu
untuk menentukan prediksi biaya perkuliahan
2. Efisiensi
Aplikasi yang akan dibangun diharuskan sederhana, agar memudahkan pengguna
untuk memakainya.
3. Ekonomi
Aplikasi yang akan dibangun tanpa mengeluarkan biaya tambahan dalam
penggunaannya.
3.2.3 Flowchart
Flowchart merupakan bagian yang menampilkan alur proses kerja yang terjadi
ataupun sedang dikerjakan dalam keseluruhan sistem dengan menyusun urutan
prosedur-prosedur yang akan dilakukan.
Pada penelitian ini terdapat dua tahap proses yaitu: data training dan data testing
yang dapat dilihat pada Gambar 3.1 dan 3.2
Mulai
Normalisasi data
Tentukan Nilai Bobot 1 dan Bobot 2
Data Training <= n
Tambah rule node baru Menghitung normalized fuzzy local distance
Hitung Nilai Aktivasi
Amax > Thres
Melakukan Propagasi terhadap nilai Aktivasi
Hitung besar Error
Err < error1
Ubah Nilai bobot 1 dan bobot 2
F
Input data BL dan BTL Data BL dan BTL
Gambar 3.1. Flowchart data training
Pada Gambar 3.1 cara kerja data training yang akan dibangun yaitu :
1. Ambil data Biaya Langsung dan Biaya Tak Langsung yang ingin di training
28
3. Menentukan nilai Fungsi Keanggotaan (Membership Function) terhadap data yang telah dinormalisasikan dengan persamaan (2.2)
4. Tentukan rule node pertama untuk data pertama dan mengisi nilai bobot 1 dan
bobot 2
5. Hitung nilai normalized fuzzy local distance dengan persamaan (2.4)
6. Hitung nilai aktivasi dari hasil perhitungan rule node ( ) dengan persamaan (2.5)
7. Cari nilai aktivasi tertinggi
8. Cek nilai Ai lebih besar dari Sensitive Threshold (sThr), jika tidak maka rule node akan ditambah 1 dan kembali ke langkah 6
9. Lakukan propagasi terhadap nilai aktivasi dengan persamaan (2.6)
10. Hitung nilai besar Error dengan persamaan (2.7)
11. Cek Err lebih kecil dari error Threshold (eThr) dengan persamaan (2.8), jika
tidak maka rule node akan ditambah 1 dan kembali ke langkah 6
12. Ubah bobot 1 dan bobot 2 dengan persamaan (2.9)
Untuk flowchart data testing dapat dilihat pada Gambar 3.2
Mulai
Ambil data BL dan BTL
Normalisasi data
Fungsi Keanggotaan
Tentukan Nilai Bobot 1 dan Bobot 2
Data Testing <= n
Menghitung normalized fuzzy local distance
Hitung Nilai Aktivasi Maksimum
rNodeTes < rNode
F
T
Data BL dan BTL
Selesai Hitung MAPE
Hitung Nilai Denormalisasi
Nilai Data Testing
F
T
Input parameter: sens thres, error thres, lr1, lr2, dan jlh
mhs
Hitung nilai Unit Cost
30
Pada Gambar 3.2, cara kerja data Testing yang akan dibangun yaitu :
1. Input Nilai Parameter Sesnsitive Threshold (sThr), Error Threshold (eThr),
Learning rate 1 (lr1), learning rate 2 (lr2), dan jumlah mahasiswa.
2. Ambil data Biaya Langsung dan Biaya Tak Langsung sesuai dengan tahun nya.
3. Melakukan Normalisasi data yang akan digunakan dengan persamaan (2.1)
4. Menentukan nilai Fungsi Keanggotaan (Membership Function) terhadap data yang telah dinormalisasikan dengan persamaan (2.2)
5. Tentukan rule node pertama untuk data pertama dan mengisi nilai bobot 1 dan bobot 2
6. Hitung nilai normalized fuzzy local distance dengan persamaan (2.4)
7. Hitung nilai aktivasi dari hasil perhitungan rule node ( ) dengan persamaan (2.5) 8. Cari Nilai aktivasi tertinggi
9. Cek jika nilai rule node Testing lebih kecil dari rule node training, jika tidak maka
kembali ke langkah 6.
10.Melakukan denormalisasi dari hasil data testing untuk menghasilkan nilai
sebenarnya, dengan persamaan (3.1)
x = (y – 0.1) (b - a) + 0.8a / 0.8 (3.1)
Keterangan: x = nilai denormalisasi
y = nilai hasil prediksi
b = nilai maximum dari data
a = nilai minimum dari data
11.Menghitung nilai unit cost yaitu dengan menghitung penjumlahan BL dengan BTL
12.Hitung tingkat kesalahan pada hasil prediksi dengan mengunakan MAPE (Mean Absolute Percentage Error) dengan persamaan (3.2)
= |
− | =1
x 100 % (3.2)
Keterangan : a = data aktual
b = data prediksi
n = banyak data testing
3.3 Use Case Diagram
Perancangan sistem digambarkan dengan menggunakan pemodelan use case. Untuk pengidentifikasian aktor berdasarkan pada tahap analisis pengguna, aktor yang
berperan dalam aplikasi ini hanya satu aktor yaitu pengguna yang akan menggunakan
sistem untuk melakukan prediksi penentuan biaya perkuliahan.
Use case yang terjadi adalah use case melakukan prediksi penentuan biaya perkuliahan. Diagram use case dapat memberikan gambaran interaksi yang terjadi antara aktor dengan use case di dalam sistem. Berdasarkan pengidentifikasian aktor dan use case, scenario use case yang terjadi dapat digambarkan dengan diagram use case pada Gambar 3.3.
User
Category
Data BL
Data BTL
Prediksi
Grafik
32
3.3.1 Use case spesification
Sebuah use case specification menggambarkan masing-masing scenario dari usecase
sistem yang dibangun secara lebih terperinci. Tabel use case specification untuk
scenario Profil dari sistem penentu prediksi biaya perkuliahan yang dibangun dapat dilihat pada tabel-tabel beikut ini.
Tabel 3.1 Use Case Spesifikasi untuk Use Case Category
Tipe Use Case Penjelasan
Nama Use Case Category
Aktor User
Deskripsi Use case ini digunakan user untuk memilih jenis kategori biaya, baik biaya langsung maupun biaya tak langsung, sesuai
dengan yang di inginkan. Pengguna dapat mengisi jenis
kategori.
Pre condition Pengguna harus mengisi kolom kategori untuk diproses oleh sistem.
Characteristic of activation
Eksekusi hanya bisa dilakukan oleh pengguna.
Basic flow -Pengguna memilih menu Category.
-Sistem menampilkan Category. Pengguna dapat mengisi
kategori, kemudian menyimpan nya
-Use case ini berakhir ketika sistem menampilkan halaman
output.
Alternative flow -
Post condition Pada use case ini aktor dapat melihat isi jenis-jenis kategori.
Limitations -
Tabel 3.2 Use Case Spesifikasi untuk Use Case Data
Tipe Use Case Penjelasan
Nama Use Case Data
Aktor User
Deskripsi Use case ini digunakan pengguna untuk memasukan jenis kategori biaya yang telah dimasukkan pada Category.
Pengguna dapat memasukkan nominal biaya dan tahun dari
jenis kategori biaya tersebut, baik biaya langsung maupun
biaya tak langsung.
Pre condition Pengguna harus mengisi kolom memasukkan kategori, nominal
biaya dan tahun dari jenis kategori biaya tersebut untuk
diproses oleh sistem.
Characteristic of
activation
Eksekusi hanya bisa dilakukan oleh pengguna.
Basic flow -Pengguna memilih menu Data.
-Sistem menampilkan Data. Pengguna dapat mengisi nominal
biaya dan tahun dari jenis kategori biaya, kemudian biaya yang telah diisi tahun dan nominal nya.
34
Tabel 3.3 Use Case Spesifikasi untuk Use Case Prediksi
Tipe Use Case Penjelasan
Nama Use Case Prediksi
Aktor User
Deskripsi Use case ini digunakan oleh pengguna untuk memprediksi biaya perkuliahan.
Pre condition Pengguna harus mengisi kolom sensitive threshold, error threshold, learning rate 1, learning rate 2 dan jumlah mahasiswa, untuk diproses oleh sistem.
Characteristic of activation
Eksekusi hanya bisa dilakukan oleh pengguna.
Basic flow -Pengguna memilih menu prediksi.
-Sistem menampilkan form prediksi.
-Aktor dapat mengisi form yang tersedia dan menekan
3.4 Perancangan Aplikasi dan Antarmuka Pemakai
Perancangan sistem prediksi untuk menentukan biaya perkuliahan terdiri dari
penggambaran atau perencanaan dari beberapa elemen dalam pengembangan aplikasi.
Rancangan aplikasi yang akan di buat adalah aplikasi prediksi biaya perkuliahan yang
dapat dijalankan oleh pihak universitas, khususnya pada biro rektor.
3.4.1 Perancangan halaman home
Rancangan halaman utama ini berfungsi untuk menampilkan menubar-menubar
pilihan, seperti header, Home, Category, Data, Prediksi, dan footer. Rancangan halaman utama terdapat 6 komponen utama pada antarmuka, yaitu:
1. header yang menggambarkan aplikasi penelitian ini, 2. menubar Home yaitu yang akan menuju halaman Home,
3. menubar Category yang akan menuju halaman Category, 4. menubar Data yang akan menuju halaman Data,
5. menubar Prediksi yang akan menuju halaman Prediksi
6. footer untuk menampilkan copyright
Bentuk rancangan halaman utama dapat di lihat pada Gambar 3.4. sebagai berikut.
Gambar 3.4 Rancangan halaman Home
3.4.2 Perancangan halaman category
Rancangan halaman category ini berfungsi untuk menampilkan halaman yang berfungsi untuk mengisi berbagai macam jenis kategori biaya, baik biaya langsung
maupun biaya tak langsung, sesuai dengan yang di inginkan. Rancangan halaman
category terdapat 4 komponen utama pada antarmuka, yaitu:
1.
Header
3. Category 4. Data 5. Prediksi 2. Home
36
1. Form category yaitu form untuk mengisi jenis-jenis kategori yang di inginkan,
2. Tombol simpan yang akan menyimpan/men-submit kategori,
3. Tabel Kategori yang akan menampilkan jenis-jenis kategori biaya yang telah disimpan,
4. Tombol delete untuk menghapus kategori yang terdapat dalam tabel.
Halaman Category untuk biaya langsung dan biaya tak langsung memiliki bentuk yang sama, namun yang membedakan adalah data yang akan di masukkan. Bentuk
rancangannya dapat di lihat pada Gambar 3.5.
Gambar 3.5 Rancangan halaman Category
3.4.3 Perancangan halaman data
Rancangan halaman data ini berfungsi untuk menampilkan halaman yang berfungsi untuk mengisi jenis kategori biaya yang telah dimasukkan pada halaman sebelumnya
yaitu halaman category, serta nominal biaya nya dan tahun nya. Terdapat tabel yang berisi beberapa data yang telah dimasukkan, dan tombol delete untuk menghapus data-data. Rancangan halaman category terdapat 6 komponen utama pada antarmuka, yaitu:
1. Form jenis biaya yaitu form untuk memilih jenis kategori biaya yang telah dimasukkan pada halaman sebelumnya yaitu halaman Category,
2. Form nominal biaya yaitu form untuk mengisi jumlah nominal pada biaya, 3. Form tahun yaitu form untuk mengisi tahun pada jenis kategori,
3. Tabel Kategori 1.Form
2. Simpan
4. Delete
4. Tabel Kategori yang akan menampilkan jenis-jenis kategori yang telah disimpan,
5. Tombol simpan yang akan menyimpan/men-submit data,
6. Tombol delete untuk menghapus kategori yang terdapat dalam tabel.
Halaman category untuk biaya langsung dan biaya tak langsung memiliki bentuk yang sama, namun yang membedakan adalah data yang di masukkan.
Bentuk rancangannya dapat di lihat pada Gambar 3.6.
Gambar 3.6 Rancangan halaman Data
3.4.4 Perancangan halaman prediksi
38
4. Form learning rate 2 yaitu form untuk mengisi nilai learning rate 2 yang di inginkan,
5. Form jumlah mahasiswa yaitu form untuk mengisi jumlah target mahasiswa, 6. Tombol show yaitu untuk menampilkan hasil prediksi.
Bentuk rancangan halaman Prediksi dapat di lihat pada Gambar 3.7.
Gambar 3.7 Rancangan halaman Prediksi
3.4.5 Perancangan halaman prediksi lanjutan
Rancangan halaman prediksi lanjutan berfungsi untuk menampilkan hasil prediksi yang telah dilakukan oleh sistem. Terdapat tampilan akhir dari sistem yaitu
menunjukkan hasil dari prediksi. Rancangan halaman prediksi lanjutan terdapat 2 komponen utama pada antarmuka, yaitu:
1. Tampilan hasil prediksi yaitu berupa teks yang memberikan informasi mengenai hasil prediksi,
2. Tabel hasil prediksiyaitu tabel yang berisikan tentang hasil prediksi,
3. Tombol lihat grafik yaitu untuk menampilkan grafik.
4. Tombol lihat data training Biaya Langsung yaitu untuk menampilkan data 3. Form learning rate 1
6. Show
2.Form error threshold
4. Form learning rate 2
Bentuk rancangan halaman prediksi lanjutan dapat di lihat pada Gambar 3.8.
Gambar 3.7 Rancangan halaman Prediksi Lanjutan
3.5 Perancangan Database
Database pada aplikasi ini berfungsi untuk tempat penyimpanan data-data antara lain
tabel catbl, tabel catbtl, tabel bl, tabel btl,, tabel ramalbl, tabel ramalbtl, dan tabel
tahunan yang akan di uraikan sebagai berikut.
1. Tabel catbl
Tabel ini berfungsi sebagai tempat penyimpanan jenis-jenis kategori biaya langsung
yang telah di-input. Struktur tabel ini dapat dilihat pada Tabel 3.4.
Tabel 3.4 Tabel catbl
No Nama Field Tipe Ukuran Keterangan
1. id_catbl Int 4 Nomor id_catbl
(primary key)
2. Catbl Varchar 100 Nama dari jenis
kategori BL
1. Hasil prediksi
3. Lihat Grafik
4. Lihat data training dari BL
5. Lihat data training dari BTL 2.Tabel
40
2. Tabel catbtl
Tabel ini berfungsi sebagai tempat penyimpanan jenis-jenis kategori biaya tak
langsung yang telah di-input. Struktur tabel ini dapat dilihat pada Tabel 3.5.
Tabel 3.5 Tabel catbtl
No Nama Field Tipe Ukuran Keterangan
Tabel ini berfungsi sebagai tempat penyimpanan biaya langsung. Struktur tabel ini
dapat dilihat pada Tabel 3.6.
Tabel 3.6 Tabel bl
Tabel ini berfungsi sebagai tempat penyimpanan biaya tak langsung. Struktur tabel ini
dapat dilihat pada Tabel 3.7.
Tabel 3.7 Tabel btl
No Nama Field Tipe Ukuran Keterangan
1. id_btl Int 4 Nomor id_btl
(primary key)
2. namabtl Varchar 100 Nama dari BTL
3. Biayabtl Varchar 100 Nominal dari
BTL
4. tahunbtl Year 4 Tahun dari BTL
5. Tabel ramalbl
Tabel ini berfungsi sebagai tempat penyimpanan hasi peramalan biaya langsung.
Struktur tabel ini dapat dilihat pada Tabel 3.8.
Tabel 3.8 Tabel ramalbl
No Nama Field Tipe Ukuran Keterangan
1. id_ramal Int 4 Nomor
id_ramalbl
(primary key)
2. nama_bl Int 100 Nama dari BL
3. Sessbl Varchar 100 Session dari BL
4. Actualbl Varchar 100 Nilai sesungguh dari BL
5. Ramalbl Varchar 100 Nilai sesudah
peramalan dari
BL
42
6. Tabel ramalbtl
Tabel ini berfungsi sebagai tempat penyimpanan hasi peramalan biaya tak langsung..
Struktur tabel ini dapat dilihat pada Tabel 3.9.
Tabel 3.9 Tabel ramalbtl
No Nama Field Tipe Ukuran Keterangan
1. id_ramalbtl Int 4 Nomor
id_ramalbtl
(primary key)
2. nama_btl int 100 Nama dari BTL
3. Sessbtl Varchar 100 Session dari
BTL
4. actualbtl Varchar 100 Nilai sesungguh
dari BTL
5. Ramalbtl Varchar 100 Nilai sesudah
peramalan dari
BTL
6. Tahunbtl varchar 100 Tahun dari BTL
7. Tabel tahunan
Tabel ini berfungsi sebagai tempat penyimpanan prediksi hasil prediksi dan digunakan
untuk membentuk grafik. Struktur tabel ini dapat dilihat pada Tabel 3.10.
Tabel 3.10 Tabel tahunan
No Nama Field Tipe Ukuran Keterangan
1. id_grafik Int 4 Nomor
id_grafik
(primary key)
2. Sesstahun Varchar 100 Session dari
hasil prediksi
3. ramal Varchar 100 Hasil ramalan
prediksi
4. tahun varchar 4 Tahun dari
