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
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
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.
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.
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
3.4. Perancangan Aplikasi dan Antarmuka Pemakai ... 34
3.4.1 Perancangan Halaman Home ... 35
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
4.2.3 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
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
