Memprediksi Kenaikan Golongan Pegawai Demgan Metode Learning Vector Quantization Dab Backropagation (Studi Kasus : PDAM Tirtanadi)

(1)

MEMPREDIKSI KENAIKAN GOLONGAN PEGAWAI

DENGAN METODE LEARNING VECTOR QUANTIZATION DAN

BACKPROPAGATION (STUDI KASUS : PDAM TIRTANADI)

SKRIPSI

FRANSISCA ANGELIA SEBAYANG

091401080

PROGRAM STUDI S1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

(2)

MEMPREDIKSI KENAIKAN GOLONGAN PEGAWAI

DENGAN METODE LEARNING VECTOR QUANTIZATION DAN

BACKPROPAGATION (STUDI KASUS : PDAM TIRTANADI)

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijasah

Sarjana Ilmu Komputer

091401080

PROGRAM STUDI S1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

(3)

PERSETUJUAN

Judul

: MEMPREDIKSI KENAIKAN GOLONGAN

PEGAWAI

DENGAN METODE

LEARNING VECTOR

QUANTIZATION

DAN

BACKPROPAGATION

(STUDI KASUS : PDAM TIRTANADI)

Kategori

: SKRIPSI

Nama

: FRANSISCA ANGELIA SEBAYANG

Nomor Induk Mahasiswa : 091401080

Program Studi

: SARJANA(S1) ILMU KOMPUTER

Departemen

: ILMU KOMPUTER

Fakultas

: FAKULTAS ILMU KOMPUTER DAN

TEKNOLOGI INFORMASI (FASILKOM-TI)

UNIVERSITAS SUMATERA UTARA

Diluluskan di

Medan, 22 Agustus 2013

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Amer Sharif, S.Si,M.Kom Dian Rachmawati,S.Si,M.Kom

NIP. - NIP.198307232009122004

Diketahui/Disetujui oleh

Program Studi S1 Ilmu Komputer

Ketua,

(4)

MEMPREDIKSI KENAIKAN GOLONGAN PEGAWAI

DENGAN METODE

LEARNING VECTOR QUANTIZATION

DAN

BACKPROPAGATION

(STUDI KASUS : PDAM TIRTANADI)

SKRIPSI

Saya menyatakan bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali

beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

NIM 091401080

(5)

Puji syukur dipanjatkan kepada Tuhan Yang Maha Esa atas segala hikmat dan

pertolongan-Nya sehingga penulisan Tugas Akhir ini dapat diselesaikan dengan baik.

Ucapan terima kasih saya sampaikan kepada semua pihak yang telah

membantu saya dalam menyelesaikan skripsi ini baik secara langsung maupun

tidak langsung. Pada kesempatan ini saya ingin mengucapkan terima kasih yang

sebesar-besarnya kepada :

1.

Bapak Prof. Dr. dr. Syahril Pasaribu, DTM&H, Msc(CTM), Sp.A(K) selaku

Rektor Universitas Sumatera Utara.

2.

Bapak Prof. Dr. Muhammad Zarlis selaku Dekan Fakultas Ilmu Komputer dan

Teknologi Informasi Universitas Sumatera Utara.

3.

Bapak Dr. Poltak Sihombing, M, selaku Ketua Program Studi S1 Ilmu

Komputer Universitas Sumatera Utara dan Dosen Penguji I yang telah

memberikan bimbingan, saran dan masukan kepada saya dalam pengerjaan

skripsi ini.

4.

Ibu Maya Silvi Lydia, B.Sc, M.Sc selaku Sekretaris Program Studi

Ilmu Komputer.

5.

Ibu Dian Rachmawati, S.Si,M.Kom selaku Dosen Pembimbing I yang telah

memberikan bimbingan, saran dan masukan kepada saya dalam pengerjaan

skripsi ini.

6.

Bapak Amer Sharif, S.Si, M.Kom selaku Dosen Pembimbing II yang telah

memberikan kritik dan saran dalam penyempurnaan skripsi ini.

7.

Bapak M. Andri Budiman, ST, M.Comp.Sc, MEM selaku Dosen Pembanding II

yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.

8.

Semua dosen Program Studi S1 Ilmu Komputer FASILKOM-TI USU, dan

pegawai di Ilmu Komputer FASILKOM-TI USU.

(6)

11.

Sadifa Asrofa, S.Kom, Rosalina V. Situmorang, S.Kom dan Eliezer S.Kom, serta

Putra Antoni Sinamo, S.Pd yang telah memberikan semangat, dukungan, saran

dan perhatiannya kepada saya.

12. Teman-teman seperjuangan mahasiswa S1-Ilmu Komputer stambuk 2009

secara khusus Desi Manurung, Nurul Khairina, Suri Syahfitri, Sylvia Dinata,

Hanna Marlina, Marti Nelly Sembiring, dan Efrienni Tampubolon yang telah

memberikan semangat dan menjadi teman diskusi penulis dalam

menyelesaikan skripsi ini.

13. KA-KR Remaja GBKP SETIA BUDi yang telah memberikan semangat,

dukungan dan doa kepada saya.

14. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak

dapat penulis ucapkan satu per satu yang telah membantu penyelesaian skripsi

ini.

Saya harapkan kritik dan saran dari pembaca untuk kelengkapan skripsi ini,

agar dapat bermanfaat bagi saya dan peneliti selanjutnya.

Penulis

(7)

Perusahaan Air Minum PDAM TIRTANADI merupakan Badan Usaha Milik Daerah

Provinsi Sumatera Utara yang mengelola air sungai menjadi air bersih. Golongan

adalah kedudukan yang menunjukkan tingkat seorang Pemda (pegawai daerah)

berdasarkan golongan dalam rangkaian susunan kepegawaian yang digunakan sebagai

dasar penggajian. Skripsi ini membuat sebuah sistem memprediksi kenaikan golongan

pada pegawai dengan perbandingan metode

Learning Vector Quantization

dengan

metode

Backpropagation

di bidang kecepatan komputasi pengujian data dengan

menggunakan

Software R2007b

.

Learning Vector Quantization

merupakan pelatihan

terhadap lapisan-lapisan kompetetif yang terawasi yang memiliki target sedangkan

Backpropagation

merupakan algoritma pembelajaran yang terawasi yang mengubah

bobot-bobot yang terhubung dengan

neuron-neuron

yang ada pada lapisan

tersembunyi. Hasil yang diperoleh dalam bentuk angka dan grafik. Nilai

Learning rate

yang digunakan 0.5, maksimal epoh =100, dan

goal

yang diharapkan 0,01. Hasil dari

penelitian ini diperoleh bahwa terdapat kelebihan dan kekurangan dari setiap metode.

Kecepatan komputasi pengujian lebih cepat diolah dengan menggunakan metode LVQ

dibandingkan dengan menggunakan metode

Backpropagation

. Namun kelemahan dari

LVQ adalah

output

yang dihasilkan berupa kelas sehingga data-data tidak dapat

diamati secara langsung sedangkan dengan menggunakan

backpropagation

,

Output

yang dihasilkan dapat diamati secara langsung.

(8)

Quantization and Backpropagation Method

(Case study: PDAM TIRTANADI)

Abstract

Water supply company PDAM TIRTANADI is a Regional-Owned Enterprise of the

Government of North Sumatra which manages the river water into clean water. Grade

is a position of the employees which indicate the basis for his salary. This study

developed a system to predict the suitability for grade raise by comparing the LVQ

and Backpropagation. Method of artificial neural network implemeted with matlab

R2007b. The comparison was done on the computing speed. LVQ used a supervised

training on competitive layers which has a target, while Backpropagation is a

supervised learning algorithm which changes the weights that connect with existing

neurons in the hidden layer. The results obtained in the form of numbers and graphics.

Learning rate value that used is 0.5, the maximum epoch = 100, and goals expected is

0.01. The results of this research showed that there are advantages and disadvantages

of each method. the computing of speed tests were faster processed by using LVQ

method than using

backpropagation

method. but the weakness of LVQ is The

resulting

output

is in the form of class, that means the data can not be observed

directly while by using

backpropagation

, the resulting

output

can be observed

directly.

(9)

Halaman

Persetujuan

ii

Pernyataan

iii

Penghargaan

iv

Abstrak

vi

Abstract

vii

Daftar Isi

viii

Daftar Tabel

xi

Daftar Gambar

xii

Bab 1 Pendahuluan

1.1

Latar Belakang

1

1.2

Rumusan Masalah

3

1.3

Batasan Masalah

3

1.4

Tujuan Penelitian

3

1.5

Manfaat Penelitian

4

1.6

Metode Penelitian

4

1.7

Sistematika Penulisan

5

Bab 2 Tinjauan Pustaka

2.1 Jaringan Syaraf Biologi

7

2.2 Jaringan Syaraf Tiruan

8

2.2.1 Arsitektur Jaringan

10

2.3

14

2.3.1 Algoritma Pelatihan LVQ

16

2.3.2 Algoritma Simulasi (Pengujian)

17

2.4

Backpropagation

17

2.4.1 Algoritma

Backpropagation

19

2.4.2 Inisialisasi Bobot Awal

21

2.4.3 Fungsi Aktifasi

23

2.5 Kenaikan Golongan Pegawai

24

Bab 3 Analisis Dan Perancangan Sistem

3.1 Analisis Per masalahan

25

3.2 Analisis Kebutuhan Sistem

26

3.2.1 Kebutuhan Fungsional Sistem

26

3.2.2 Kebutuhan Non Fungsional Sistem

26

3.3 Permodelan

27

3.3.1

Use Case Diagram

27

3.3.2

Use Case

LVQ

29

(10)

3.4

Flowchart System

40

3.4.1

Flowchart

Algoritma Pelatihan LVQ

40

3.4.2

Flowchart

Algoritma Simulasi LVQ

42

3.4.3

Flowchart

Algoritma Pelatihan

Backpropagation

43

3.4.4

Flowchart

Algoritma Pengujian

Backpropagation

44

3.5 Perancangan Antarmuka

3.5.1 Antarmuka Awal

45

3.5.2 Antarmuka LVQ

46

3.5.3 Antarmuka

Backpropagation

48

Bab 4 Implementasi Dan Pengujian Sistem

4.1 Implementasi Sistem

50

4.1.1 Tampilan Antarmuka Sistem

50

4.1.1.1 Antarmuka Menu Utama

50

4.1.1.2 Antarmuka LVQ

52

4.1.1.3 Pelatihan Sistem LVQ

55

4.1.1.4 Pengujian Sistem LVQ

55

4.1.1.5 Antarmuka

Backpropagation

56

4.1.1.6 Pelatihan Sistem

Backpropagation

59

4.1.1.7 Pengujian Sistem

Backpropagation

61

Bab 5 Kesimpulan Dan Saran

5.1 Kesimpulan

64

5.2 Saran

65

Daftar Pustaka

84

Lampiran Listing Program A-1

(11)

Hal.

3.1 Dokumentasi Naratif

Use Case

LVQ

3.2 Dokumentasi Naratif

Use Case Backpropagation

4.1 Pengujian Bobot Dengan Menggunakan Parameter LVQ

4.2 Data Pelatihan

Backpropagation

4.3 Data Pengujian

Backpropagation

4.4 Perbandingan Metode LVQ Dengan

Backpropagation

4.5 Persamaan Metode LVQ Dengan

Backpropagation

29

32

55

59

62

63

(12)

Halaman

2.1 Susunan Syaraf Manusia

8

2.2 Model Neuron

10

2.3 Jaringan Saraf Tiruan dengan Lapis Tunggal (Single Layer)

12

2.4 Jaringan Saraf Tiruan dengan Lapis Banyak (MultiLayer)

13

2.5 Jaringan Saraf Tiruan dengan Competitive Layer

14

2.6 Arsitektur LVQ

16

2.7 Arsitektur

Backpropagation

19

2.8 Fungsi Aktivasi Linier

23

2.9 Fungsi Aktivasi Biner

24

2.10 Fungsi Aktivasi Bipolar

25

3.1 Diagram Ishikawa Analisis Permasalahan

26

3.2

Use Case Diag

ram Sistem Memprediksi Kenaikan Golongan Pegawai

29

3.3

Activity Diagram

LVQ

32

3.4

Activity Diagram

Backpropagation

35

3.5

Sequence Diagram

Proses LVQ

37

3.6

Sequence Diagram

Proses

Backpropagation

39

3.7 Algoritma Proses Pelatihan Pada Metode LVQ

41

3.8 Algoritma Proses Simulasi Pada Metode LVQ

43

3.9 Algoritma Proses Pelatihan Pada Metode

Backpropagation

44

3.10 Algoritma Proses Pengujian Pada Metode

Backpropagation

45

3.11 Tampilan Rancangan Antarmuka Awal

46

3.12 Tampilan Rancangan Antarmuka Metode LVQ

47

3.13 Tampilan Rancangan Antarmuka Metode

Backpropagation

49

4.1 Tampilan Antarmuka Menu Utama

52

4.2 Tampilan Antarmuka LVQ

53

4.3 Tampilan Grafik

Training

Antara Epoh dan

Learning Goal

54

4.4 Tampilan Antarmuka LVQ Setelah Data Dilatih Dan Diuji

54

4.5 Tampilan Antarmuka

Backpropagation

57

(13)

Perusahaan Air Minum PDAM TIRTANADI merupakan Badan Usaha Milik Daerah

Provinsi Sumatera Utara yang mengelola air sungai menjadi air bersih. Golongan

adalah kedudukan yang menunjukkan tingkat seorang Pemda (pegawai daerah)

berdasarkan golongan dalam rangkaian susunan kepegawaian yang digunakan sebagai

dasar penggajian. Skripsi ini membuat sebuah sistem memprediksi kenaikan golongan

pada pegawai dengan perbandingan metode

dengan

metode

Backpropagation

di bidang kecepatan komputasi pengujian data dengan

menggunakan

Software R2007b

.

merupakan pelatihan

terhadap lapisan-lapisan kompetetif yang terawasi yang memiliki target sedangkan

Backpropagation

merupakan algoritma pembelajaran yang terawasi yang mengubah

bobot-bobot yang terhubung dengan

neuron-neuron

yang ada pada lapisan

tersembunyi. Hasil yang diperoleh dalam bentuk angka dan grafik. Nilai

Learning rate

yang digunakan 0.5, maksimal epoh =100, dan

goal

yang diharapkan 0,01. Hasil dari

penelitian ini diperoleh bahwa terdapat kelebihan dan kekurangan dari setiap metode.

Kecepatan komputasi pengujian lebih cepat diolah dengan menggunakan metode LVQ

dibandingkan dengan menggunakan metode

Backpropagation

. Namun kelemahan dari

LVQ adalah

output

yang dihasilkan berupa kelas sehingga data-data tidak dapat

diamati secara langsung sedangkan dengan menggunakan

backpropagation

,

Output

yang dihasilkan dapat diamati secara langsung.

(14)

Quantization and Backpropagation Method

(Case study: PDAM TIRTANADI)

Abstract

Water supply company PDAM TIRTANADI is a Regional-Owned Enterprise of the

Government of North Sumatra which manages the river water into clean water. Grade

is a position of the employees which indicate the basis for his salary. This study

developed a system to predict the suitability for grade raise by comparing the LVQ

and Backpropagation. Method of artificial neural network implemeted with matlab

R2007b. The comparison was done on the computing speed. LVQ used a supervised

training on competitive layers which has a target, while Backpropagation is a

supervised learning algorithm which changes the weights that connect with existing

neurons in the hidden layer. The results obtained in the form of numbers and graphics.

Learning rate value that used is 0.5, the maximum epoch = 100, and goals expected is

0.01. The results of this research showed that there are advantages and disadvantages

of each method. the computing of speed tests were faster processed by using LVQ

method than using

backpropagation

method. but the weakness of LVQ is The

resulting

output

is in the form of class, that means the data can not be observed

directly while by using

backpropagation

, the resulting

output

can be observed

directly.

(15)

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah

ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang

belum dapat diselesaikan dengan menggunakan komputer, baik karena algoritma yang

belum diketahui ataupun meski algoritma penyelesaiannya sudah diketahui namun

komputasinya masih sangat lama. Hal inilah yang mendorong untuk mendapatkan

metode lain untuk memecahkan masalah ini. Cara kerja jaringan saraf manusia

muncul sebagai inspirasi untuk menyelesaikan masalah-masalah tersebut.

Jaringan Saraf Tiruan merupakan salah satu sistem pemrosesan informasi yang

didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu

masalah dengan melakukan proses pembelajaran melalui perubahan bobot

sinanpsisnya. Sebuah JST dikonfigurasikan untuk aplikasi tertentu seperti pengenalan

pola atau klasifikasi data, melalui proses pembelajaran. Pada proses pembelajaran,

kedalam JST dimasukkan pola-pola

input

atau

output

lalu jaringan akan diajari untuk

memberikan jawaban yang bisa diterima.

JST terdiri dari beberapa metode yaitu metode

Hebb Rule, Perceptron, Delta

Rule, Backpropagation, Heteroassociative Memory (BAM), Learning Vector

Quantization

, dan

Jaringan Kohonen

. Jaringan Saraf yang digunakan oleh penulis

adalah jaringan saraf tiruan dengan metode

(LVQ) dan

(16)

Data diperoleh dari penelitian karyawan-karyawati PDAM TIRTANADI.

PDAM TIRTANADI merupakan perusahaan air minum daerah yang berada di

Sumatera Utara yang menyediakan air bersih kepada pelanggan setiap harinya.

Kenaikan Jabatan diberikan kepada pegawai yang memiliki Penilaian Kerja Pegawai

yang baik, Masa Kerja Minimal empat tahun, dan mengikuti ujian psikotes. Data

tersebut yang akan menjadi pertimbangan seorang pegawai layak atau tidak layak

untuk mendapatkan kenaikan golongan. Data diperoleh dari Kepala Sumber Daya

Manusia (Kepala SDM) dari perusahaan tersebut lalu diolah dengan menggunakan

metode

LVQ

dan

Backpropagation

.

LVQ adalah suatu metode pelatihan pada lapisan kompetitif terawasi yang

akan belajar secara otomatis untuk mengklasifikasikan vektor-vektor

input

kedalam

kelas-kelas tertentu. Kelas-kelas yang dihasilkan tergantung pada jarak antara

vektor-vektor

input

. Jika ada dua vektor

input

yang hampir sama maka lapisan kompetitif

akan mengklasifikasikan kedua vektor

input

tersebut kedalam kelas yang sama.

Backpropagation

adalah metode penurunan gradien untuk meminimalkan

kuadrat error

keluaran dengan tiga tahap yang harus dilakukan dalam pelatihan

jaringan yaitu tahap perambatan maju (

Forward Propagation

), tahap perambatan

balik, dan tahap perubahan bobot dan bias. Arsitektur jaringan ini terdiri dari input

layer, hidden layer, dan output layer.

Pada Jurnal Novi Yanti, Yogyakarta dengan judul “Penerapan Metode Neural

Network Dengan Struktur Backpropagation Untuk Prediksi Stok Obat di Apotek

(Studi Kasus : Apotek ABC)”. Dalam implementasinya digunakan pada teknik

algoritma

Backpropagation

yang dilakukan untuk memprediksi suatu pola yang

diberikan.

Berdasarkan latar belakang yang telah penulis uraikan, maka penulis tertarik

untuk melakukan penelitian dengan judul “Memprediksi Kenaikan Golongan Pegawai

(17)

1.2 Rumusan Masalah

Berdasarkan latar belakang, maka yang menjadi rumusan masalah pada penelitian ini

adalah :

1.

Bagaimana merancang aplikasi metode

LVQ

dan

Backpropagation

dalam

memprediksi kenaikan golongan pegawai.

2.

Bagaimana perbandingan tingkat kecepatan komputasi pengujian dengan

metode

LVQ

dan

Backpropagation

.

1.3 Batasan Masalah

1.

Parameter yang digunakan untuk membandingkan

LVQ

dengan

Backpropagation

adalah perbandingan tingkat kecepatan komputasi pada

pengujian.

2.

Nilai variabel yang akan diolah meliputi Penilaian Kerja Pegawai yang baik,

Masa Kerja minimal empat tahun, dan mengikuti ujian psikotes.

3.

Inisialisasi Bobot awal dilakukan secara

random

.

4.

Fungsi aktivasi digunakan adalah fungsi

sigmoid biner

.

5.

Aplikasi hanya membahas layak atau tidak layaknya seorang pegawai

mendapatkan kenaikan golongan sesuai dengan produktivitas kinerja yang

baik.

6.

Implemetasi perancangan program jaringan saraf tiruan yang digunakan adalah

bahasa pemrograman

Matlab 2007

.

1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah menghasilkan aplikasi yang dapat melakukan

perbandingan tingkat kecepatan komputasi pada pengujian dan melakukan prediksi

data kenaikan golongan pada pegawai dengan menggunakan metode

LVQ

dan

(18)

1.5 Manfaat Penelitian

Manfaat dari penelitian ini adalah :

1.

Manfaat bagi penulis :

Manfaat dari penelitian ini adalah untuk menambah pengetahuan penulis

dalam melakukan proses pengenalan pola atau klasifikasi data dan melakukan

perbandingan antara kedua metode

LVQ

dengan

Backpropagation

.

2.

Manfaat bagi bidang ilmu :

a.

Menambah pengetahuan tentang metode LVQ dan Backpropagation.

b.

Sebagai bahan referensi bagi peneliti lain yang ingin merancang aplikasi

jaringan saraf tiruan.

3.

Manfaat bagi instansi :

Membantu instansi dalam memberikan alternatif lain untuk mengolah data dan

memprediksi kenaikan golongan pegawai dengan menggunakan Jaringan Saraf

Tiruan , misalnya dengan menggunakan metode LVQ dan

Backpropagation

.

1.6 Metode Penelitian

Metodologi penelitian yang digunakan dalam penulisan tugas akhir ini adalah sebagai

berikut :

a.

Studi Literatur

Penulisan ini dimulai dengan pengumpulan bahan referensi dari berbagai

sumber seperti buku, jurnal ilmiah, makalah, halaman web, dan lain-lain yang

berkaitan dengan jaringan saraf tiruan dan algoritma

LVQ

dan

Backpropagation

sehingga mencapai tujuan dari penulisan tugas akhir ini.

b.

Pengumpulan Data

(19)

c.

Analisis dan Perancangan Perangkat Lunak

Pada tahap ini digunakan untuk mengolah data yang ada dan kemudian

melakukan analisis terhadap data. Kemudian seluruh hasil analisa tersebut

yang akan digunakan untuk merancang perangkat lunak yang akan dihasilkan.

Dalam tahapan ini, dilakukan perancangan terhadap bentuk antarmuka sistem

serta proses kerja sistem untuk memudahkan dalam proses implementasi

berikutnya.

d.

Implementasi dan Pengujian

Melakukan implementasi sistem sesuai dengan rancangan yang telah dibangun

sebelumnya dan melakukan pengujian algoritma LVQ dan Backpropagation

dalam memprediksi kenaikan golongan pegawai.

e.

Dokumentasi

Melakukan dokumentasi hasil implementasi dan pengujian sistem secara

tertulis dalam bentuk laporan skripsi.

1.7 Sistematika Penelitian

Sistematika penulisan dari skripsi ini terdiri dari beberapa bagian utama sebagai

berikut :

BAB 1 : PENDAHULUAN

Bab ini akan menjelaskan mengenai latar belakang pemilihan judul skripsi

“Memprediksi Kenaikan Golongan Pegawai Dengan Metode Learning Vector

Quantization dan Backpropagation (Studi Kasus : PDAM TIRTANADI)”, rumusan

masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian,

(20)

BAB 2 : TINJAUAN PUSTAKA

Bab ini berisi dasar teori-teori yang digunakan dalam analisis, perancangan dan

implementasi skripsi

BAB 3 : ANALISIS DAN PERANCANGAN SISTEM

Bab ini berisi analisis terhadap fokus permasalahan penelitian dan perancangan

terhadap sistem memprediksi kenaikan golongan pegawai.

BAB 4 : IMPLEMENTASI DAN PENGUJIAN SISTEM

Bab ini berisi teknik omplementasi dari perancangan yang telah dibuat dan pengujian

terhadap implementasi. Pengujian dilakukan untuk membuktikan perangkat lunak

dapar berjalan sesuai dengan spesifikasi yang telah ditentukan di tahapan analisis.

BAB 5 : KESIMPULAN DAN SARAN

(21)

BAB 2

TINJAUAN PUSTAKA

2.1 Jaringan Syaraf Biologi

Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan

yang luar biasa. Otak terdiri dari

neuron-neuron

dan penghubung yang disebut

sinapsis

[2]. Sel saraf mempunyai cabang struktur

input

(

dendrities

) sebuah inti sel

sebuah percabangan struktur

output

atau

axon

.

Axon

dari sebuah sel terhubung dengan

dendrities

yang lain melalui sebuah synapse. Ketika sebuah sel syaraf aktif kemudian

menimbulkan suatu signal

electrochemical

pada

axon

. Signal ini melewati

synapses

menuju ke sel saraf yang lain. Sebuah sel saraf lain akan mendapatkan signal jika

memenuhi batasan tertentu yang sering disebut nilai ambang atau

threshold

.

(22)

2.2 Jaringan Saraf Tiruan

Jaringan syaraf tiruan didefinisikan sebagai suatu sistem pemrosesan informasi yang

mempunyai karateristik menyerupai jaringan syaraf manusia. Jaringan syaraf tiruan

tercipta sebagai generalisasi model matematis (

human cognition

) yang didasarkan atas

asumsi sebagai berikut :

1.

Pemrosesan informasi terjadi pada elemen sederhana yang disebut

neuron

.

2.

Isyarat mengalir diantara sel saraf/

neuron

melalui suatu sambungan

penghubung.

3.

Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan

digunakan untuk menggandakan/mengenali isyarat yang dikirim melaluinya.

4.

Setiap sel syaraf akan menerapkan fungsi aktivasi terhadap isyarat hasil

penjumlahan berbobot yang akan masuk kepadanya untuk menentukan isyarat

keluarnya [5].

JST mempunyai kemampuan untuk mendapatkan informasi dari data yang rumit

atau tidak tepat, mampu menyelesaikan permasalahan yang tidak terstruktur dan sulit

didefinisikan, dapat belajar dari pengalaman, mampu mengakuisisi pengetahuan

walaupun tidak ada kepastian, mampu melakukan generalisasi dan ekstraksi dari suatu

pola data tertentu, dapat menciptakan suatu pola pengetahuan melalui pengaturan diri

atau kemampuan belajar (

self organizing

), mampu memilih suatu input data kedalam

kategori tertentu yang sudah ditetapkan (klasifikasi), mampu menggambarkan suatu

objek secara keseluruhan walaupun hanya diberikan sebagian data dari objek,

mempunyai kemampuan mengolah data-data input tanpa harus mempunyai target (

Self

organizing

), dan mampu menemukan jawaban terbaik sehingga mampu

meminimalisasi fungsi biaya (optimasi) [9].

(23)

Gambar 2.2 Model Neuron [3]

Keterangan :

X

i

= sinyal masukan ke-i. Dalam skripsi penulis dimana X

1

adalah Penilaian Kerja

Pegawai yang baik, X2 adalah Masa Kerja minimal empat tahun, X3 adalah ujian

psikotes.

W

i

= nilai bobot hubungan ke-i. Dalam skripsi penulis nilai bobot adalah 1.00 [5].

= nilai bias atau toleransi

error

. Dalam skripsi penulis misalnya adalah 0.5 [5]

f(.)

= fungsi aktifasi atau elemen pemroses. Dalam skripsi penulis fungsi aktivasi yang

digunakan adalah sigmoid biner

y = sinyal keluaran. Dalam skripsi penulis sinyal keluarannya berupa layak atau

tidak layak mendapatkan kenaikan golongan.

Dari Gambar 2.2 dapat dilihat bahwa

neuron

tersusun dari komponen sebagai

berikut:

1.

Sekumpulan penghubung atau

synapses

dengan nilai bobot yang telah

disesuaikan,

yang berfungsi menghubungkan masukan dan fungsi penjumlahan.

.

x

2

x

i

Input

netk

x

1

f (.)

output

Fungsi

Aktivasi

w

1

w

2

bias

Fungsi

Penjumlahan

(24)

2.

Sebuah fungsi penjumlah (

Summing

) yang berfungsi untuk menjumlahkan

semua sinyal masukan.

3. Fungsi aktivasi yaitu fungsi yang mentransformasikan nilai keluarannya melalui

pemetaan sinyal masukan ke dalam sebuah nilai yang sesuai dengan

neuron

lainnya. Fungsi aktivasi diharapkan menghasilkan nilai yang dapat mendekati

nilai-nilai maksimum dan minimum target[3].

Dari model sebuah

neuron

dapat dituliskan persamaan:

y = f (

wi * xi – ) ………. (2-1)

Keterangan :

f

= Fungsi aktivasi

W

i

= nilai bobot hubungan ke-i

= nilai bias atau toleransi

error

[3].

Dalam proses pembelajarannya keluaran

dari JST ditentukan oleh pola

hubungan antar

neuron

atau arsitektur JST, metode untuk menentukan bobot

penghubung berupa metode pembelajaran serta algoritma dan fungsi aktivasi dari JST

itu sendiri. Suatu algoritma belajar dari JST tergantung dari arsitektur atau struktur

dari jaringan saraf tersebut [3].

2.2.1 Arsitektur Jaringan

Baik tidaknya suatu model JST salah satunya ditentukan oleh hubungan antar neuron

atau disebut dengan arsitektur jaringan. Neuron-neuron tersebut terkumpul dalam

lapisan-lapisan yang disebut neuron layer. Lapisan-lapisan penyusun JST dibagi tiga

yaitu :

1.

Lapisan

input

Node-node

didalam lapisan

input

disebut unit-unit

input

. Unit-unit

input

menerima

input

dari dunia luar. Input yang dimasukkan merupakan

penggambaran dari suatu masalah.

2.

Lapisan tersembunyi

Node-node

di dalam lapisan tersembunyi disebut unit-unit tersembunyi.

Output

(25)

3.

Lapisan

output

Node-node

pada lapisan

output

disebut unit-unit

output

. Keluaran atau

output

dari lapisan ini merupakan

output

jaringan saraf tiruan terhadap permasalahan

[16].

Beberapa arsitektur jaringan yang sering digunakan dalam jaringan saraf tiruan antara

lain :

1.

Jaringan Lapisan Tunggal (Single Layer Neural Network)

Jaringan dengan lapisan tunggal terdiri dari 1 lapisan input dan 1 lapisaan

output. Setiap unit dalam lapisan input selalu terhubung dengan setiap unit

yang terdapat pada lapisan output. Jaringan ini menerima input kemudian

mengilahnya menjadi output tanpa melewati lapisan tersembunyi. Contoh JST

yang menggunakan jaringan lapisan tunggal adalah

Adaline

,

Hopfield

,

Perceptron

.

Nilai

input

Lapisan

input

W

21

W

22

W11 W12

W31 W32

Lapisan

output

Nilai

output

Gambar 2.3 Jaringan Saraf Tiruan dengan Lapisan Tunggal (Single Layer)

[16]

Pada Gambar 2.3 lapisan

input

memiliki 3 unit

neuron

yaitu

X1, X2, dan X3

yang

terhubung dengan lapisan

output

yang memiliki dua unit

neuron

, yaitu Y1 dan Y2.

X1 X2 X3

(26)

Hubungan

neuron-neuron

pada lapisan tersebut ditentukan oleh bobot yang

bersesuaian misalnya W11, W12, W21, W22, W31, dan W32.

2. Jaringan Lapisan Banyak (Multilayer Neural Network)

Jaringan lapisan banyak mempunyai 3 jenis lapisan yaitu lapisan

input

, lapisan

tersembunyi, dan lapisan

output

. Jaringan ini dapat menyelesaikan permasalahan

yang lebih kompleks dibandingkan dengan jaringan lapisan tunggal. Contoh JST

yang menggunakan jaringan lapisan banyak adalah

Madaline

,

Backpropagation

,

dan

Neocognitron

.

Nilai

Input

Lapisan

Input

V12

V

22

V

21

V

32

Lapisan bobot pertama

V

31

Lapisan tersembunyi

W

1

W

2

Lapisan bobot tersembunyi

Lapisan

output

Nilai

Output

Gambar 2.4 Jaringan Saraf dengan Lapis Banyak (Multilayer)[16]

Pada Gambar 2.4 Lapisan

input

memiliki 3 unit

neuron

yaitu

X1, X2, dan X3

yang

terhubung langsung dengan lapisan tersembunyi yang memiliki 2 unit

neuron

tersembunyi , yaitu Z1 dan Z2. Hubungan neuron-neuron pada lapisan input dan

lapisan output tertentu ditentukan oleh bobot V11, V12, V21, V22, V31, dan V32.

X1 X2 X3

Z1 Z2

(27)

Kemudian dua unit neuron tersembunyi Z

1

dan Z

2

terhubung langsung dengan lapisan

output yang memiliki satu unit neuron Y yang besarnya ditentukan oleh bobot W1 dan

W2.

3.

Jaringan dengan Lapisan Kompetitif/Competitive layer Neural Network

Jaringan ini memiliki bobot yang telah ditentukan dan tidak memiliki proses

pelatihan (Gambar 2.5). Jaringan ini digunakan untuk mengetahui neuron

pemenang dari sejumlah neuron yang ada. Akibatnya pada jaringan ini

sekumpulan neuron bersaing untuk mendapatkan hak manjadi aktif. Nilai bobot

setiap neuron untuk dirinya sendiri adalah 1, sedangkan untuk neuron lainnya

bernilai

random negative

. Contoh JST yang menggunakan jaringan dengan

lapisan kompetitif adalah

dan

Kohonen

[15].

Gambar 2.5 Jaringan Saraf dengan Competitive layer yang memiliki bobot –n [16]

Pada Gambar 2.5 Lapisan

input

memiliki empat unit

neuron

,yaitu A

1

, A

m

, A

i

,

A

j

dimana nilai bobotnya telah ditentukan misalnya n atau –e sedangkan nilai bobot

untuk dirinya sendiri bernilai 1.

2.3 Learning Vector Quantization (LVQ)

(28)

sama maka lapisan kompetitif akan menempatkan keduanya pada kelas yang sama,

dengan kata lain, jaringan LVQ belajar mengklasifikasikan vektor masukan ke kelas

target yang ditentukan oleh

user

.

Arsitektur jaringan LVQ dengan enam neuron pada lapisan masukan dan dua

neuron pada lapisan keluaran, proses yang terjadi pada setiap neuron adalah mencari

jarak vektor masukan ke bobot yang bersangkutan (

W

1

dan W

2

).

W

1

adalah vektor

bobot yang menghubungkan setiap neuron pada lapisan masukan ke neuron pertama

pada lapisan keluaran, sedangkan

W

2

adalah vektor bobot yang menghubungkan setiap

neuron pada lapisan masukan ke neuron kedua pada lapisan keluaran. Fungsi aktifasi

F

1

akan memetakan y_

in

1

ke y1=1 apabila |x-

W

1

| > |x-

W

2

| dan

y

1

=0 jika sebaliknya.

Demikian juga pada Fungsi aktifasi

F

2

akan memetakan y_

in

2

ke y

2

=1 apabila

|x-

W

2

| > |x-

W

1

| dan

y

2

= 0 Jika sebaliknya.

Jaringan LVQ terdiri atas dua lapisan, yaitu lapis kompetitif dan lapis linier.

Lapis kompetitif disebut juga

Self Organizing Map

(SOM), disebut lapis kompetitif

karena neuron-neuron berkompetisi dengan algoritma kompetisi yang akan

menghasilkan neuron pemenang.

Blok ||indist|| menerima vector masukan p dan matrk bobot masukan IW

1,1

menghasilkan vektor dengan elemen berjumlah S

1

. Elemen-elemen tersebut

merupakan jarak nilai terkecil antara vektor masukan dan vektor IW

1,1

dan baris

matrik bobot masukan. Masukan n

1

dari lapis kompetitif diperoleh dengan

menghitung jarak terkecil vektor

p

dan vektor bobot lalu ditambah dengan bias

b

. Jika

semua nilai bias nol masukan jaringan maksimum pada sebuah neuron adalah nol,

terjadi jika vektor p sama dengan vektor bobot neuron.

Fungsi alih kompetitif menerima vektor masukan dan menghasilkan keluaran

nol kecuali untuk neuron pemenang, yaitu neuron yang memiliki nilai negatif paling

kecil menghasilkan keluaran satu. Jika semua bias bernilai nol maka neuron yang

(29)

lW1,1 lW2,1

Competitive Layer _{Linear Layer} Input

R P

C R x 1

n2 s2 x 1

s2 x s1

s2 x 1 _S2 x 1

a1

n1

S1 x R

S1 _S2

a2= W2 a1 a1=compet (n1)

s2 x 1 a2

Gambar 2.6 Arsitektur jaringan LVQ [6]

Keterangan :

W1 = Vektor bobot yang menghubungkan setiap neuron pada lapisan masukan ke

neuron pertama pada lapisan keluaran.

W2 = Vektor bobot yang menghubungkan setiap neuron pada lapisan masukan ke

Neuron kedua pada lapisan kedua.

P = Vektor masukan p menuju

competitive layer

.

S

1

= Vektor yang dihasilkan dari vektor masukan p dan bobot masukan W

1

,

1

.

S

2

= Vektor yang dihasilkan dari vektor masukan a

1

dan bobot masukan W2,1.

a

1

= Hasil dari vektor masukan

competitive layer

ke

linear layer

.

a

2

= Vektor yang dihasilkan dari

linear layer.

R = Vektor masukan

C = Kelas yang diwakili oleh oleh neuron ke-j.

T = Vektor target output

T =(t1, t2, …, tk)

α

=

Learning rate

epoh = Siklus perubahan bobot dari jumlah

inputan

nya

2.3.1 Algoritma Pelatihan LVQ

(30)

adalah W

j

= (W

1

,W

2

,..,W

n

), C

j

adalah kelas yang diwakili oleh Neuron ke-j. T adalah

kelas target untuk masukan X sedangkan J adalah jarak antara vektor masukan dan

vektor bobot. Blok ||indist|| menerima vektor masukan p dan matrik bobot masukan

IW

1,1

menghasilkan vektor dengan elemen berjumlah S

1

Perubahan bobot-bobot neuron dilakukan dengan langkah-langkah berikut :

1.

Tetapkan :

a.

Bobot awal variabel input ke-j menuju ke kelas (cluster) ke-I : W

ij

, dengan

i=1,2,..,m.

b.

Maksimum epoh : MaxEpoh

c.

Parameter

learning rate

α

d.

Pengurangan

learning rate

Dec

α

e.

Minimal

learning rate

yang diberbolehkan : Min

α

2.

Masukkan :

a.

Data input : X

ij ;

dengan i=1,2,..,m.

b.

Target berupa kelas: T

k

;

dengan k=1,2,..,n.

3.

Tetapkan kondisi awal : epoh = 0;

4.

Kerjakan jika : (epoh

≤ MaxEpoh) dan (α

≥ Minα

)

a.

epoh = epoh + 1; ……….. (2-2)

b.

Kerjakan untuk i=1 sampai n

i.

Tentukan J sedemikian hingga |X

i

-W

j

| minimum ……….. (2-3)

dengan j=1,2,..K.

ii.

Perbaiki Wj dengan ketentuan :

o

Jika T = C

j

maka

W

j

= W

j

+

α

(X

i

-W

j

) ……….. (2-4)

o

Jika T

≠ C

j

maka

W

j

= W

j

-

α

(X

i

-W

j

) ………... (2-5)

(31)

(pengurangan

α

bisa dilakukan dengan:

α

=

α

-Dec

α

;

atau dengan cara:

α

=

α

*Dec

α

) ………. (2-6)

Setelah dilakukan pelatihan, akan diperoleh bobot-bobot akhir(W).

Bobot-bobot ini nantinya akan digunakan untuk melakukan simulasi atau pengujian

np buah data.

2.3.2 Algoritma Simulasi (Pengujian)

1.

Masukkan data yang akan diuji, misal: Xij dengan i=1,2,..np dan j=1,2,..m.

2.

Kerjakan untuk i=1 sampai np

a.

Tentukan J sedemikian hingga |Xi-Wj| minimum ……….. (2-7)

dengan j=1,2,..K.

b.

J adalah kelas untuk X

i

[4].

2.4

Backpropagation

merupakan algoritma pembelajaran yang terawasi dan biasanya

digunakan oleh

perceptron

dengan banyak lapisan untuk mengubah bobot-bobot yang

terhubung dengan

neuron-neuron

yang ada pada lapisan tersembunyinya. Algoritma

backpropagation

menggunakan

error output

untuk mengubah nilai bobot-bobotnya

(32)

Y

₁

Y

_k

Y

_m

w

₀₁

w

₁₁

w

_j₁

w

_p₁

w

₀_k

w

₁_k

w

_jk

w

_pk

w

₀_m

w

₁_m

w

_jm

w

_pm

Z

₁

Z

_j

Z

_p

X

₁

X

_i

X

_n

v

₀₁

v

₁₁

v

_i₁

v

_n₁

v

₀_j

v

₁_j

v

_ij

v

_nj

v

₀_p

v

₁_p

v

_ip

v

_np

1

Gambar 2.7 Arsitektur jaringan Backpropagation [15]

Keterangan :

X = Vektor input pembelajaran

X = (X

1

, X

2

, …, X

n

)

V = Bobot lapisan tersembunyi/

Hidden Layer

Voj= Bias pada

Hidden

neuron ke j

W = Bobot lapisan keluaran

n = Jumlah unit pengolah lapisan tersembunyi

Z = Lapisan tersembunyi/

hidden

Zi = Hidden neuron ke-j. Nilai input Zi ditunjukkan dengan

k

δ

₌

Bagian koreksi

error

penyesuaian bobot

_W_jk_{berpedoman pada}_error

Output neuron Yk.

j

δ

=

Bagian

koreksi

error

penyesuaian bobot V

_ij

berpedoman pada

error

Output

neuron Zj.

Wok = Bias pada

output

neuron ke-j

Y

k

=

Output

neuron ke-k. Nilai

input

Y

k

ditunjukkan dengan :

Backpropagation

memiliki beberapa unit yang ada dalam satu atau lebih

layer

tersembunyi. Gambar 2.7 adalah arsitektur

backpropagation

dengan n buah masukan

∑

+

=

j jk j ok

k

w

z

w

(33)

(ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah

sebuah bias), serta m buah unit keluaran.

V

ji

merupakan bobot garis dari unit masukan X

i

ke unit layar tersembunyi Z

j

(V

jo

merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layar

tersembunyi Zj). Wkj merupakan bobot dari unit layar tersembunyi Zj ke unit keluaran

Yk (Wk0 merupakan bobot dari bias di layar tersembunyi ke unit keluaran Zk)[8] .

2.4.1

Algoritma Backpropagation

1.

Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil).

2.

Tetapkan : maksimum epoh, Target Error, dan Learning rate

3.

Inisialisasi : Epoh = 0, MSE = 1

4.

Kerjakan langkah-langkah berikut selama (Epoh < Maksimum Epoh) dan

(MSE > Target Error) :

•

Epoh = Epoh + 1

•

Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, maka

kerjakan :

Feedforward

a.

Tiap-tiap unit input (Xi, i =1,2,3,..,n) menerima sinyal xi dan meneruskan

sinyal tersebut ke semua unit pada lapisan yang ada diatasnya (lapisan

tersembunyi).

b.

Tiap-tiap unit pada suatu lapisan tersembunyi (Zj, j =1,2,3,..,p )

menjumlahkan sinyal-sinyal input terbobot :

...(2-8)

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya :

Z

j

= f(Z_in

j

)

...(2-9)

Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit

output

).

c.

Tiap-tiap unit

output

(Yk, k = 1,2,3,..,m) menjumlahkan sinyal-sinyal

input

terbobot.

... (2-10)

∑

+

=

i ij i j

j

b

x

v

in

z

_

1

∑

+

=

j jk j ok

k

w

z

w

(34)

Gunakan fungsi aktivasi untuk menghitung sinyal

output

nya :

Yk =

f

(y_ink)

... (2-11)

Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit

output

).

Catatan : Langkah (b) dilakukan sebanyak jumlah lapisan terembunyi

Backpropagation

d.

Tiap-tiap unit

output

(Yk, K = 1,2,3,..,m) menerima target pola yang

berhubungan dengan pola

input

pembelajaran , hitung informasi

error

nya

:

... (2-12)

Kemudian hitung koreksi bobot (yang nantinya digunakan untuk

memperbaiki nilai Wjk) :

... (2-13)

Hitung juga koreksi bias (yang nantinya akan digunak untuk memperbaiki

nilai b2k) :

... (2-14)

Langkah (d) ini juga dilakukan sebanyak jumlah lapisan tersembunyi,

yaitu menghitung informasi

error

dari suatu lapisan tersembunyi ke

lapisan tersembunyi sebelumnya.

e.

Tiap-tiap unit tersembunyi (Z

j

, j = 1,2,3,..,p) menjumlahkan delta inputnya

(dari unit-unit yang berada pada lapisan atasnya) :

... (2-15)

Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk

memperbaiki nilai V

ij

) :

... (2-16)

Hitung juga koreksi bias (yang nantinya akan digunakan untuk

memperbaiki nilai b1j) :

... (2-17)

f.

Tiap-tiap unit output (Yk, k = 1,2,3,...,m) memperbaiki bias dan bobotnya

(j = 0,1,2,..,p) :

wjk (baru) = wjk (lama) +

Δ

wjk

...(2-18)

)

_

(

'

)

(

_k _k _k

k

=

t

−

y

f

y

in

δ

j k

jk

z

w

=

α

δ

∆

k k

b

2

=

α

δ

2

∆

∑

= = m k jk k j w in 1 _ δ δ ij ij

V

=

α

δ

1

∆

j j

(35)

b2

k

(baru) = b2

k

(lama) +

Δ

b2

k

... (2-19)

Tiap-tiap unit tersembunyi (Zj, j = 1,2,3,...,p) memperbaiki bias dan

bobotnya (i = 0,1,2,..,n) :

v

ij

(baru) = v

ij

(lama) +

Δ

v

ij

... (2-20)

b1

j

(baru) = b1

j

(lama) +

Δ

b1

j

... (2-21)

•

Hitung MSE

2.4.2

Inisialisasi Bobot Awal

Pemilihan bobot awal sangat mempengaruhi jaringan saraf dalam mencapai minimum

global terhadap nilai

error

, serta cepat tidaknya proses pelatihan menuju

kekonvergenan

. Apabila nilai bobot awal terlalu besar, maka

input

ke setiap lapisan

sembunyi atau lapisan

output

akan jatuh pada daerah dimana turunan fungsi

sigmoidnya sangat kecil dan apabila nilai bobot awal terlalu kecil maka

input

ke setiap

lapisan tersembunyi atau lapisan

output

akan sangat kecil yang akan menyebabkan

proses pelatihan akan berjalan sangat lambat.

Inisialisasi bobot awal terdiri dari 2 yaitu :

1.

Inisialisasi Bobot Awal Secara Random

Inisialisasi bobot awal secara

random

biasanya bobot awal diinisialisasi secara

random

dengan nilai antara -0.5 sampai 0.5 (atau -1 sampai 1, atau imterval

lainnya).

2.

Inisialisasi Bobot Awal Dengan Metode Nguyen-Widrow

Metode Nguyen-Widrow akan menginisalisasi bobot-bobot lapisan dengan nilai

antara -0.5 sampai 0.5. Sedangkan bobot-bobot dari lapisan

input

ke lapisan

tersembunyi dirancang sedemikian rupa sehingga dapat meningkatkan

(36)

2.4.3

Fungsi Aktifasi

Fungsi aktivasi merupakan fungsi pengolah jumlahan data masukan menjadi data

keluaran. Karakteristik pada fungsi aktivasi dari

backpropagation

adalah

continue,

dapat diturunkan, dan tidak menurun secara monoton. Fungsi aktivasi untuk algoritma

backpropagation

adalah sebagai berikut:

1. Linier atau

Purelin

Fungsi linier menggunakan konsep superposisi. Fungsi linier akan membawa

masukkan ke keluaran yang sebanding. Fungsi ini didefinisikan:

f(x) = α x

... (2-22)

keterangan:

α =

kemiringan (

slope

)

jika

slope

α

= 1, maka fungsi aktivasi linier dinamakan fungsi identitas.

Ilustrasi [image:36.595.194.476.428.591.2]

fungsi

linier

digambarkan:

Gambar 2.8 Fungsi Aktivasi Linier[3]

2. Sigmoid Biner atau

Logsig

Fungsi ini memiliki sifat nonlinier sehingga sangat baik diterapkan dalam

penyelesaian masalah yang kompleks. Keluaran dari fungsi sigmoid biner

berupa bilangan biner (0 atau 1) atau nilai yang berada di antara 0 sampai 1.

sigmoid biner memiliki range dari (0,1) dan didefinisikan:

-1 1

0

x

(37)

1

exp(

)

1

)

(

x

f

[image:37.595.175.457.211.365.2]

−

+

=

... (2-23)

dan fungsi turunannya adalah:

f

'

(

x

)

=

f

1

(

x

)[

1

−

f

1

(

x

)]

... (2-24)

Ilustrasi fungsi sigmoid biner digambarkan:

Gambar 2.9 Sigmoid Biner [3]

3. Sigmoid Bipolar atau

Tansig

Keluaran dari fungsi sigmoid bipolar berupa nilai yang berada di antara -1

sampai 1 dan didefinisikan:

1

)

exp(

1

2

)

(

−

+

=

x

f

... (2-25)

dan turunan fungsi adalah:

[

1

(

)

][

1

(

)

]

2

1

)

(

'

x

f

₂

x

f

₂

x

f

=

+

−

... (2-26)

x

f(x)

0

(38)

[image:38.595.173.456.144.300.2]

Ilustrasi fungsi di atas digambarkan:

Gambar 2.10 Sigmoid Bipolar [3]

2.5

Kenaikan Golongan Pada Pegawai

Perusahaan Daerah Air Minum (PDAM) Tirtanadi merupakan Badan Usaha Milik

Daerah Provinsi Sumatera Utara yang mengelola air sungai menjadi air bersih. PDAM

Tirtanadi Propinsi Sumatera Utara didirikan berdasarkan penandatanganan akte

notaris pada tanggal 8 September 1905 di Amsterdam Netherlands yang diberi nama

Waterleiding Maatschappij.

Golongan adalah kedudukan yang menunjukkan tingkat seorang Pemda

(Pegawai daerah) berdasarkan golongan dalam rangkaian susunan kepegawaian dan

digunakan sebagai dasar penggajian. Kenaikan golongan adalah penghargaan yang

diberikan kepada Pemda atas dasar prestasi kerja dan pengabdian terhadap

perusahaan.Berdasarkan Keputusan Direksi Perusahaan Daerah Air Minum Tirtanadi

Provinsi Sumatera Utara Nomor 44/KPTS/2012 tentang Persyaratan Kenaikan Gaji

Berkala atau Golongan. Maka Kriteria persyaratan untuk naik golongan adalah

Penilaian Kerja Pegawai yang baik, Masa Kerja minimal empat tahun, dan mengikuti

ujian psikotes. Data tersebut yang akan menjadi pertimbangan seorang pegawai layak

atau tidak layak untuk mendapatkan kenaikan golongan.

-1

x

f(x)

(39)

BAB 3

ANALISIS PERANCANGAN SISTEM

3.1 Analisis Permasalahan

Golongan adalah kedudukan yang menunjukkan tingkat seorang Pemda (Pegawai

daerah) berdasarkan golongan dalam rangkaian susunan kepegawaian dan digunakan

sebagai dasar penggajian. Kenaikan golongan adalah penghargaan yang diberikan

kepada pegawai atas dasar prestasi kerja dan pengabdian terhadap perusahaan. Pada

umumnya kenaikan golongan masih dilakukan secara manual dan subyektif, yaitu

dengan melakukan perbandingan penilaian kerja pegawai dari satu pegawai ke

pegawai berikutnya, dan nilai ujian psikotes sehingga tingkat keakuratannya belum

valid

untuk menentukan apakah seorang pegawai layak atau tidak layak mendapatkan

kenaikan golongan.

Penyebab dan dampak dari permasalahan tersebut dapat diperlihatkan pada

diagram

ishikawa

pada gambar 3.1

Layak atau tidak layak mendapatkan kenaikan golongan People

Metode Kepala SDM menginput

nilai-nilai data pegawai

LVQ dan Backpropagation

Material

Keseluruhan nilai-nilai data pegawai harus memenuhi persyaratan yang ditentukan

Prosedur Prosedur kenaikan golongan

meliputi penilaian kerja pegawai, masa kerja empat

tahun, dan nilai ujian psikotes

[image:39.595.136.498.526.636.2]

Kenaikan golongan pegawai masih dilakukan subyektif

(40)

3.2 Analisis Kebutuhan Sistem

Analisis Kebutuhan sistem meliputi dua kategorial yaitu analisis kebutuhan fungsional

sistem dan analisis kebutuhan non-fungsional sistem.

3.2.1 Kebutuhan Fungsional Sistem

Kebutuhan fungsional yang harus dimiliki sistem prediksi kenaikan golongan pegawai

adalah :

1.

Sistem dapat membaca masukkan variabel data yang meliputi penilaian kerja

pegawai, masa kerja empat tahun, dan nilai ujian psikotes dengan memakai

fungsi aktifasi biner (1 dan 0).

2.

Sistem dapat membaca masukan

file

pelatihan,

file

pengujian yang digunakan

oleh metode

LVQ

dan

Backpropagation

.

3.

Sistem dapat melakukan perbandingan kecepatan komputasi pengujian dengan

menggunakan kedua metode.

4.

Sistem dapat memprediksi kenaikan golongan karyawan berupa layak atau

tidak layak mendapatkan kenaikan golongan tersebut.

3.2.2 Kebutuhan Non-Fungsional Sistem

Persyaratan

non-fungsional

adalah persyaratan sifat-sifat yang harus dimiliki sistem.

Persyaratan

non-fungsional

yang harus dipenuhi oleh sistem yang akan dirancang

adalah sebagai berikut :

1.

Performa

Sistem yang akan dibangun dapat menunjukkan prediksi kenaikan jabatan

dengan metode

LVQ

dan

Backpropagation

.

2.

Mudah dipelajari dan digunakan

(41)

3.

Dokumentasi

Sistem yang akan dibangun dapat menyimpan hasil prediksi dari proses

LVQ

dan

Backpropagation

.

4.

Kontrol

Sistem yang akan dibangun memiliki kontrol berupa

enable

dan

disable

,

dimana ketika parameter-parameter JST belum dimasukkan maka kontrol

fungsi pada sistem dalam keadaan

disable

tetapi setelah parameter-parameter

JST dimasukkan maka kontrol fungsi sistem dalam keadaan

enable

.

5.

Hemat Biaya

Sistem yang akan dibangun tidak memerlukan perangkat tambahan dalam

proses eksekusinya sehingga dari segi biaya sistem lebih hemat dan waktu

respon yang digunakan oleh sistem lebih cepat sehingga waaktu proses yang

digunakan oleh sistem lebih efektif dibandingkan secara manual.

3.3 Permodelan

Pada penelitian ini digunakan UML sebai bahasa pemodelan untuk mendesain dan

merancang sistem prediksi kenaikan golongan pegawai. Model UML yang akan

digunakan adalah use

case, activity diagram, sequence diagram

dan

class diagram

.

3.3.1 Use Case Diagram

Untuk mengetahui aktor dan

use case

yang akan digunakan, maka dilakukan

identifikasi aktor dan identifikasi

use case

. Setelah mendapatkan aktor dan

use case

,

maka

use case

diagram dapat digambarkan. Pengidentifikasian aktor dan

use case

pada sistem ini dilakukan dengan menjawab beberapa pertanyaan berikut :

1.

Siapa yang menggunakan sistem?

(42)

2.

Siapa yang diperlukan untuk melaksanakan fungsi pada sistem?

Jawaban : Pengguna

3.

Apa saja yang dapat dilakukan user pada sistem?

Jawaban : Melakukan Training terhadap JST dengan menggunakan metode

LVQ

dan

Backpropagation

dan dapat melakukan pengujian sistem untuk

melihat daftar pegawai-pegawai yang layak dan tidak layak mendapatkan

kenaikan golongan.

Use case diagram berdasarkan aktor dan use case ditampilkan pada Gambar

3.2.

Sistem Memprediksi Kenaikan Golongan Pegawai

Aktor

Backpropagation LVQ

Pengujian Training

Pengujian Training «uses»

«uses»

<<depend>>

[image:42.595.133.505.292.586.2]

<<depend>>

(43)

3.3.2

Use case LVQ

Tabel 3.1 menunjukkan naratif

use case LVQ

Tabel 3.1 Dokumentasi naratif

use case LVQ

Nama

Use case

Proses

LVQ

Aktor

Pengguna

Deskripsi

Use case

ini mendeskripsikan proses

LVQ

untuk

memprediksikan kenaikan golongan pegawai.

Prakondisi

Sistem sudah masuk kedalam tampilan antarmuka

LVQ

dan

sudah siap menerima masukan dari Jaringan Syaraf Tiruan.

Bidang Khas

Aksi Aktor

Respon Sistem

Langkah 1 : Pengguna

memilih tombol Data

Training

untuk mengisi

Nama

File

Pelatihan.

Langkah 2 : Sistem

memanggil Data Pegawai dan

menampilkan kedalam

List

Box

Data pelatihan

LVQ

.

memilih tombol Data Uji

untuk mengisi Nama

File

Pengujian.

Langkah 4 : Sistem

memanggil Data Pegawai Uji

dan menampilkan kedalam

List Box

Data Pengujian.

memilih tombol

Training

.

Langkah 6 : Sistem mengolah

data pelatihan dan hasilnya

akan ditampilkan kedalam

grafik training

.

Langkah 7 : Pengguna

memilih tombol

Pengujian.

Langkah 8 : Sistem mengolah

data Pengujian dan hasilnya

akan ditampilkan dalam

grafik

serta menghasilkan

(44)

golongan yang berupa kelas

dimana k

1

= layak, dan k

2

=

tidak layak. Dan

menampilkan grafiknya.

Bidang Alternatif

Langah 10 : Pengguna

akan memilih tombol

Bersih.

Langkah 11 : Sistem akan

berfungsi menghapus memori

dan tampilan Data Pelatihan

LVQ

dan data Pengujian.

akan memilih tombol

Keluar.

berfungsi untuk mengakhiri

aplikasi

LVQ

dan kembali Ke

Menu Utama.

(45)

Activity diagram

untuk

use case LVQ

diperlihatkan pada Gambar 3.3

PENGGUNA SISTEM

Memilih Tombol Data Training Memanggil Data Pegawai dan menampilkan kedalam List Box Data Pelatihan

Pilih

Tidak

Memanggil Data Pegawai Uji dan menampilkan kedalam List Box Data Uji Validasi Kesesuaian parameter

Sesuai Tidak Sesuai

Menampilkan hasil prediksi layak atau tidak layak mendapatkan kenaikan golongan Pilih

Tidak

Validasi Kesesuaian parameter

Tidak Sesuai

Sesuai

Tidak Sesuai

Sesuai

Tidak

Validasi Kesesuaian parameter Tombol Data Uji

Tombol Training

Tombol Pengujian Pilih

Mengolah Data Pelatihan, menampilakn kedalam grafik Training dan Pelatihan

[image:45.595.125.513.128.619.2]

Mengelola data Pengujian dan menghasilkan waktu pengujian

(46)

3.3.3 Use case Backpropagation

Tabel 3.2 menunjukkan naratif

use case Backpropagation

Nama

Use case

Proses

Backpropagation

Aktor

Pengguna

Deskripsi

Use case

ini mendeskripsikan proses

Backpropagation

dan sudah siap menerima masukan dari Jaringan Syaraf

Tiruan.

Bidang Khas

Aksi Aktor

Respon Sistem

memilih tombol Data

Training

untuk mengisi

Nama

File

Pelatihan.

Langkah 2 : Sistem

memanggil Data Pegawai

dan menampilkan kedalam

List Box

Pelatihan

Backpropagation.

memilih tombol Data Uji

untuk mengisi Nama

File

Pengujian.

Langkah 4 : Sistem

memaggil Data Pegawai

Uji dan menampilkan

kedalam

List Box

Data

Pengujian.

memilih tombol

Training

[image:46.595.124.516.149.755.2]

Langkah 6 : Sistem

mengolah data pelatihan

dan hasilnya akan

ditampilkan kedalam

grafik

training

dan grafik

pelatihan.

memilih tombol Pengujian

Langkah 8 : Sistem

mengolah pengujian data

dan hasilnya akan

ditampilkan dalam

grafik

pengujian serta

(47)

pengujian.

menampilkan hasil

prediksi layak atau tidak

pegawai mendapatkan

kenaikan golongan berupa

target dimana apabila

target 1 = layak, dan target

2 = tidak layak

Bidang Alternatif

akan memilih tombol

Bersih.

berfungsi menghapus

memori dan tampilan Data

Pelatihan dan data

pengujian

Backpropagation

akan memilih Tombol

Keluar.

berfungsi untuk

mengakhiri aplikasi

Backpropagation

dan

kembali ke

Menu Utama

.

Post-Kondisi

Sistem akan menampilkan hasil prediksi Layak atau

tidaknya Pegawai mendapatkan kenaikan golongan.

(48)

Activity diagram

untuk

use case Backpropagation

diperlihatkan pada Gambar 3.4

PENGGUNA SISTEM

Memilih Tombol Data Training _{Memanggil Data Pegawai dan menampilkan kedalam List Box Data Pelatihan}

Pilih Tidak

Memanggil Data Pegawai Uji dan menampilkan kedalam List Box Data Uji Validasi Kesesuaian parameter

Sesuai

Tidak Sesuai

Menampilkan hasil prediksi layak atau tidak layak mendapatkan kenaikan golongan Pilih

Tidak

Validasi Kesesuaian proses

Tidak Sesuai

Sesuai

Tidak Sesuai Sesuai

Tidak

Validasi Kesesuaian proses Tombol Data Uji

Tombol Training

Tombol Pengujian

Pilih

[image:48.595.132.520.121.613.2]

Mengolah Data Pengujian, menampilkan kedalam grafik dan menghasilkan waktu pengujian Mengolah Data Pelatihan, menampilakn kedalam grafik Training dan Pelatihan

(49)

3.3.4 Analisis Proses Sistem

Berikut ini dijelaskan proses

Backpropagation

yang terjadi pada sistem dengan

menggunakan

sequence diagram

.

3.3.4.1 Proses LVQ

Pada proses

LVQ

,

input

Data pelatihan dan target dimana data pelatihan ada 40 data

dan target yang diinginkan ada dua yaitu layak dan tidak layak. Kemudian target yang

di

input

diubah kedalam vektor. Pada tahap selanjutnya tentukan jumlah ukuran kelas

dan jumlah neuron yang akan digunakan. Di dalam program jumlah kelas ada 2 yaitu,

k1= layak dan k2 = tidak layak, jumlah

neuron

ada empat

neuron

. Selanjutnya jaringan

yang akan dibangun dipakai

newlvq

dan cara untuk menentukan kelas yang diproses

digunakan net = newlvq(minmax(P),JumNeuron,(1/Jumkls)*ones(1,Jumkls)) setelah

kelas diperoleh berdasarkan nilai jarak maka di inputkan nilai parameter dan

training

nya. Didalam program nilai-nilai parameternya sebagai berikut :

net.trainParam.epochs

= 100

net.trainParam.goal

= 0.01

Pada tahapan selanjutnya dilakukan

training

data dengan cara memanggil data

pelatihan utk dilakukan training dan memanggil data pengujian. Data pelatihan di

training pada saat diproses maka akan muncul grafik yang menggambarkan hubungan

epoh dan

goal

nya. Apabila epoh sudah mencapai 100 epoh atau apabila learning

goal

nya sudah mencapai 0.01 maka grafik akan berhenti.

Tahapan selanjutnya data dari pengujian yang baru diuji untuk menentuka

kelas dan neuronnya.Waktu proses pengujian akan ditampilkan dan Kelas, neuronnya

(50)

[image:50.595.112.517.129.383.2]

Input Data Pelatihan

dan Target Ubah Target ke Vektor bangun Jaringan LVQ Kelas Input Parameter dan Training Training Pengujian Grafik

Proses Pengubahan

newlvq

Epoh, nilai goal yang diharapkan

Proses training

Proses Pengujian

Tampilkan hasil prediksi Buat kelas

berdasarkan Jarak

Top Package::Program

Gambar 3.5 Sequence Diagram Proses LVQ

Berikut adalah algoritma dari Proses LVQ pada sistem memprediksi kenaikan

golongan pegawai :

1. Pelatihan

DataLatih  textread(fullfile(nama_path, nama_file_Latih))

N1  Nilai Kinerja

N2  Lama Kerja

N3  Nilai Psikotes

p  DataLatih (N1,N2,N3,:K)

t  DataLatih (:,K)

T  ind2vec(t)

Jumkls  size(full(T),1)

JumNe