PENENTUAN DISPOSISI M
ATERIAL INCOM
ING PADA
PT. GATRA M
APAN M
ALANG M
ENGGUNAKAN
J ARINGAN SYARAF TIRUAN
BACKPROPAGATION
TUGAS AKHIR
Diajukan Untuk M
em
enuhi Salah Satu Syarat Kelulusan Sarjana Strata 1
Oleh
Afham S afiq M
uhammad
14201001
PROGRAM
STUDI INFORM
ATIKA
L E MB A R P E R S E T UJ U A N T UG A S A K HIR
T ug as akhir deng an judul :P ene ntuan D is pos is i Material Inc oming P ada P T . G atra Mapan Malang Meng g unakan J aring an S yaraf T irua n B ac kpropa gation
D is us un oleh : A fham S afiq Muhammad
NIM : 14201001
P rog ram S tudi : Informatika
Malang , 31 J uli 2017 Menyetujui
K aprodi Informatika P embimbing T ug as A khir
R ina D ewi Inda hs a ri, M.K om Nama Dos pem, M.K om
- Cont : A rial, size 16pt, . old, / apital
- Aligme nt : / e nter
- Cont : A rial, size 12pt, / apitalize 9ach W orlds - Warak Antar . aris (S pasi):
adalah 1.5, b e fore =0 dan afte r=0
S UR A T K E T E R A NG A N L UL US UJ IA N T U G A S
A K H IR
Y a ng berta nda tang an diba wah ini mene rang kan ba hwa:
Nama : A fham S afiq Muhammad
NIM : 14201001
P rog ram S tudi : Informatika
T elah lulus ujian T ug as A khir pada ta ng ga l 31 J uli 2017 di S T MIK A S IA Malang .
T im P eng uji
P enguji 1 P enguji 2
D os en P embanding , M.K om D os e n P embimbing , M.K om
Malang , 31 J uli 2017 K etua T im P enguji
D os en P e nguji, M.K om
- Cont : A rial, size 16pt, . old, / apital - Aligme nt : / e nte r
- 5 itulis Tanggal waktu ujian dilaksanakan
- Cont : A rial, size 12pt, - Warak Antar . aris (S pasi):
S UR A T P E R NY A T A A N
Y a ng berta nda tang an diba wah ini adalah:
Nama : A fham S afiq Muhammad
NIM : 14201001
T empat/T g l L ahir : Malang, 22 J anuari 2014 P rog ram S tudi : Informatika
A lamat : J l. D rs . Moh. Hatta 288 D ada prejo, J unrejo, B atu Menyatakan bahwa K arya Ilmiah/ T ug as A khir yang berjudul:
“P enentuan D i s p os is i Material Inc o ming P ad a P T . G atra Mapan Malang Meng g unak a n J aring an S y araf T iruan B ac k p ro pag ation” adalah bukan merupakan karya tulis orang lain, ba ik s eba gian maupun kes eluruhan, kec uali dalam bentuk kutipan yang dis ebutkan s umbernya.
D emikian s urat pernyataan ini s aya buat deng an s e benar-benarnya dan apabila pernyataa n ini tidak benar, s a ya bers edia menerima s anks i akademik.
Meng eta hui, Malang , 31 J uli 2017
D os en P embimbing Y ang menyatakan
- L ogo : Cull / olor - 5 iame te r : 2 cm
- Cont : A rial, size 16pt, . old, / apital - Aligme nt : / e nte r
- Cont : A rial, size 12pt, - Warak Antar . aris (S pasi):
adalah 1.5, b e fore =0 dan afte r=0
H A L A MA N P E R NY A T A A N P E R S E T UJ U A N
P UB L IK A S I T U G A S A K HIR UNT UK
K E P E NT ING A N A K A D E MIS
S ebag ai C ivitas A kademik S T MIK A s ia Malang , s aya yang bertanda tangan di bawah ini:
Nama : A fham S afiq Muhammad
NIM : 14201001
P rog ram S tudi : Informatika J enis K arya : T ug as A khir
D emi peng emba ng an ilmu peng etahua n, menyetujui untuk me mberikan kepada S T MIK A s ia Malang Hak B ebas R oyalti atas tug as akhir s aya ya ng berjudul:
“P enentuan D i s p os is i Material Inc o ming P ad a P T . G atra Mapan Malang Meng g unak a n J aring an S y araf T iruan B ac k p ro pag ation” bes erta perang kat yang ada ( jika diperluka n).
D eng an Hak B ebas R oya lti ini, S T MIK A s ia Mala ng berhak untuk menyimpan, meng alih media/formatkan, meng elola dalam bentuk pa ng kalan data ( databas e), merawat da n mempublikas ikan T ug as A khir s aya tanpa meminta ijin da ri s aya s elama tetap mencantumkan nama s aya s eba gai pe nulis /penc ipta dan pemilik ha k c ipta.
D emikian pernyataan ini s a ya buat dengan s ebenarnya.
Malang , 31 J uli 2017 Y a ng menyatakan
A fham S afiq Muhammad Materai
R p. 6000
- Cont : A rial, size 16pt, . old, / apital - Aligme nt : / e nte r
- Cont : A rial, size 12pt, - Warak Antar . aris (S pasi):
adalah 1.5, b e fore =0 dan afte r=0
A B S T R A K S I
tiruan s ehing g a menghas ilkan bentuk rule konjungs i (IF -T HE N).A B S T R A C T
A fham S afiq Muhammad. 14201001
B A C K P R O P A G A T IO N NE UR A L NE T W O R K F O R D E T E R MINING MA T E R IA L D IS P O S IT IO N A T P T . G A T R A MA P A N MA L A NG
Informatic s , S ekolah T inggi Manajemen Informatika dan K omputer A S IA Malang , 2017
K e ywords : C las s ific ation, artific ial neural network, bac kpropag ation, s ea rc h tree, rule extrac tion
(xvii + 94 + attac hme nt)
A rtific ial neural network will be us e d for rule extrac tion in c las s ifying the data. Neural network is a good tool us ed to dev elop a variety of applic ation in the re al world, partic ularly in c as es where the method of s olving the problem in the traditional way fails to finis h. T he foc us of this res earc h is to extrac t rules from artific ial ne ural network lea rning outc omes res ulting in a form of rule that is more familiar to human a nd g e nera te form a c onjunc tion rule (IF -T HE N).
Is s ues rais ed is the dis pos ition of raw materials on P T . G atra Mapan Malang . T he datas et c ons is ts of 10 non c las s attribute s , one attribute c las s with a total of 28 dis tinc t va lues of non c las s attributes and 2 va lue of c las s attribute. R ole in the problem formulation to ne ural network by us ing 28 input neurons , eac h repres ents the value of non c las s attributes and 2 output neurons repres enting the c las s attribute values . T raning with ne ural networks us es 1288 data rec ords . B as ed on the res ults of learning neural network weig hts , the extrac tion rule is then pe rformed. One of the approac hes us ed for extrac tion rules is bas ed method s earc hes the s olution s pac e. T his method c ons is ts of two s tag es . T he firs t is the s earc h for order and the s e c ond s tag e is the proc es s of c hec king the validity of rule that has be en obtained from the firs t s tag e. S earc h s tarts from pos s ible rules with one premis e rule until the rule with many premis es . If a rule with one premis e is valid the n no need to look for a rule with the premis e of many.
F rom the trials the res ults s how that 12 rules with an average ac c urac y of 90% . Of all the rules that have be en g enerated c an c ove r 80% from the total of 1288 data that have be en traine d. T his me ans that the data from 1288 rec ord c over 1030 rec ords g e nerated by the rules .
B ibliog raphy ( 2012 – 2017)
- S e mua cara pe nulisan sama de ngan ab straksi dalam . ahasa Lndone sia - b ama instansi tidak pe rlu
K A T A P E NG A NT A R
D eng an memanjatkan ras a s yukur keha dirat A llah S W T atas s egala rahmad da n hidaya h-Nya ya ng diberikan ke pada penulis s ehingg a laporan tug as akhir de ngan judul "
P e nentuan
D is pos is i
Ma te rial
Inc oming
P a da
P T .
G a tra
Ma pan
Malang
Me ngg una kan
J aring a n
S ya ra f
T irua n B a c kpropag a tion
" dapat ters eles aikan dengan baik.P enyus unan laporan tug as akhir ini merupakan tug as mandiri ya ng ha rus dis eles aikan ole h ma has is wa S ekolah T ing gi Manajemen Informatika dan K omputer (S T MIK ) A S IA Malang program s tudi Informatika yang merupakan bag ian dari pras yarat kelulus an program kes arja naan.
P ada kes empatan ini pe nulis meng uc a pkan banyak terima kas ih kepada pihak-pihak yang telah membantu ters eles ainya tugas akhir s ampai deng a n pe nyus unan la poran, yaitu :
1. B apak Ir. T eg uh W idodo, MM., s elaku K etua S T MIK A s ia Mala ng. 2. B apak M. R ofiq, S .T ., M.T ., s elaku P emba ntu K etua I S T MIK A s ia
Malang .
3. Ibu R ina D ewi Indah S ari, S .K om., M.K om., s elaku K etua P rodi Informatika.
4. B apak/Ibu… … .., s elaku Dos en P embimbing, 5. B apak/Ibu… … … .., s elaku D os en W ali, … 6. A yah B unda
7. S audara-s audari 8. T eman-teman kos t 9. T eman-teman ngaji 10. K ekas ih Hati .... - Cont : A rial, size 16pt, . old,
/ apital
- Aligme nt : / e nte r
- Cont : A rial, size 12pt, - Warak Antar . aris (S pasi):
adalah 1.5, b e fore =0 dan afte r=0
- U capan Te rimakasih : minimal 5 point pe rtama, se le b ihnya b isa
P enulis menyadari bahwa laporan tug as akhir ini jauh dari s empurna, oleh karena itu pe nulis s elalu menghara pka n s aran dan kritik ya ng bers ifat membang un dari s eg enap pembac a. A khirnya, s emoga lapora n tug as akhir ini da pat berg una dan bermanfaat terutama bag i pihak-pihak yang tertarik untuk mengkaji dan meng embang ka nnya.
Malang , 31 J uli 2017
P enulis
- Tidak pe rlu ditulis nama mahasiswa
2.2.1 S truktur J aringa n S yaraf T iruan ... 13
2.2.2 J aring an S yaraf T iruan B ac kpropag ation ... 14
2.3 E ks traks i R ule de ngan P e ndekatan B erbas is R uang S olus i ... 17
2.3.1 E ks traks i R ule dari J aring a n S yaraf T iruan ... 18
2.3.2 P endekatan B erbas is P enc arian R ua ng S olus i ... 23
2.4 Ilus tras i E ks traks i R ule untuk L ogika A ND ... 27
2.4.1 F ormulas i P e rmas alahan L og ika A ND ke dalam J S T ... 27
2.4.2 P ros es P elatihan ( T raining) dan B obot yang D ihas ilkan ... 29
2.4.3 P ros es E ks traks i R ule dengan S e arc h B as ed untuk y1 ( y= 0) 31
2.4.3.1 P ros es P enc arian R ule untuk Hidden Node 1 ( z 1) ... 33
2.4.3.2 P ros es P enc arian R ule untuk Hidden Node 2 ( z 2) ... 36
2.4.3.3 P ros es P enc arian R ule untuk Hidden Node 3 ( z 3) ... 38
2.4.4P ros es E ks traks i R ule deng an S earc h B as ed untuk y2 ( y= 1) 38
2.4.5 P ros es O ptimas i R ule untuk L og ika A ND ... 40
B A B III P E MB A HA S A N ... 42
3.1 P ros e dur P eng ujian Material pa da P T . G atra Mapa n ... 42
3.1.1 B ahan B aku ( Material) P roduks i pada P T . G atra Mapan ... 43
3.1.2 P enerimaan B arang ... 44
3.1.3 P emeriks aan B a han B aku ... 46
3.1.4 P ros es D is pos is i Mate rial ... 47
3.2 P emodelan J S T Untuk P e nentuan D is pos is i Material P ada P T . G atra Mapa n Malang ... 49
3.3 D atas et Ins peks i Material (B aha n B aku) ... 52
3.4 F ormulas i P ermas alahan Ins peks i Material ke dalam J S T ... 56
3.5 P embelajara n (T raining ) D ata de nga n B P F F NN ... 60
3.6 E ks traks i R ule Untuk P enentuan D is pos is i Materia l P ada P T . G atra Mapan Malang ... 64
3.6.1 P embentukan P ohon P e nc arian (S earc h tree) ... 64
3.6.2 P enc arian R ule dalam R uang K a ndidat S olus i ... 66
3.6.3 O ptimas i A turan Has il E ks traks i ... 67 - S ub . ab pe rtama:
wata kiri - S ub . ab ke dua
B A B IV IMP L E ME NT A S I D A N P E NG UJ IA N ... 69
4.1 S pes ifikas i Implementas i ... 69
4.1.1 S pes ifikas i Hardware ... 69
4.1.2 S pes ifikas i S oftware ... 70
4.2 Impleme ntas i S is te m P enentua n Dis pos is i Material P ada P T . G atra Mapan Malang ... 70
4.2.1 Implementas i P ros es Manajemen D ata Ins peks i Material ... 71
4.2.2 Implementas i P ros es T raining D ata Ins peks i Material deng an J S T ... 74
4.2.3 Implementas i P ros es E ks traks i R ule Untuk P e nentuan D is pos is i Mate rial ... 76
4.3 P eng ujian S is tem ... 78
4.3.1 S pes ifikas i P eng ujian ... 78
4.3.2 U ji C oba P arameter P elatihan J S T ... 78
4.3.3 U ji C oba P elatiha n J S T ... 79
4.3.4 U ji C oba J umlah Node pa da Hidden L aye r ... 80
4.3.5 U ji C oba C ros s V alidas i D ata ... 81
B A B V P E NUT UP ... 82
5.1 K es impulan ... 82
5.2 S aran ... 83
D A F T A R P US T A K A ... 84
D A F T A R R IW A Y A T P E NUL IS ... 85 L A MP IR A N
- Cont 5 aftar t ustaka dan 5 aftar wiwayat t e nulis : . old dan / apital
- b omor I alaman 5 aftar t ustaka dan 5 aftar wiwayat t e nulis me lanjutkan pe nomoran dari isi laporan - L ampiran ditulis tanpa
D A F T A R G A MB A R
G ambar Halaman
2.1 P ros es K las ifikas i ... 12
2.2 S truktur Neuron da lam J S T ... 13
2.3 J aringan S yaraf T iruan B ac kpropag ation ... 15
2.4 Hubung an antara A rs itektur E ks traks i dan R ule yang dihas ilkan .... 19
2.5 A rs itektur E ks traks i untuk J S T deng an Hidde n L aye r ... 20
2.6 A rs itektur E ks traks i Dipec a h menjadi B eberapa B a gian ... 21
2.7 P eranan J aring an S yaraf T iruan dalam P ros es E ks traks i A turan .. 22
2.8 R ua ng K emung kinan A turan ... 23
2.9 A rs itektur J aringa n untuk D ata logika A ND ... 28
2.10 P enentuan Nilai A ktivas i yang D ihara pkan untuk y1 ... 32
2.11 P ohon P enc aria n untuk z 1 ( y1) ... 33
2.12 P ros es P eng ec ekan V a liditas R ule untuk z 1 ( y1) pa da L evel 1 .... 34
2.13 P ros es P eng ec ekan V a liditas R ule untuk z 1 ( y1) pa da L evel 2 .... 35
2.14 P ohon P enc aria n untuk z 2 ( y1) ... 36
2.15 P ros es P eng ec ekan V a liditas R ule untuk z 2 ( y1) pa da L evel 1 .... 37
2.16 P enentuan Nilai A ktivas i yang D ihara pkan untuk y2 ... 39
2.17 P ohon P enc aria n untuk z 1 ( y2) ... 39
2.18 P ros es P eng ec ekan V a liditas R ule untuk z 1 ( y2) pa da L evel 1 .... 40
2.19 P ros es P eng ec ekan R ule yang S ama untuk y1 ... 42
3.12 P ros es P eng ec ekan R ule yang S ama untuk y2 ... 43
3.1 Material S he et, P B , MD F , P lywood ... 56
3.2 D okumen B ukti P e nerimaan B arang ... 60
3.3 T abel A MS 105D untuk P e ng ambilan S a mpel B arang ... 61
3.4 P ros e dur P emeriks aa n dan P engujian B a ha n B aku oleh S taff QA 62
3.5 Has il Uji Material B aru ( F M/8.2/15) ... 65
3.6 B lok D iag ram S is tem yang D ius ulkan ... 67
3.7 A rs itektur B P F F NN untuk D ata Ins peks i Material ... 78 - Cont : A rial, size 16pt, . old, / apital
- Aligme nt : / e nte r
- Cont : A rial, size 12pt, / apitalize 9ach W ords - Warak Antar . aris (S pasi):
adalah 1.5, b e fore =0 dan afte r=0
- 5 itulis L angsung b omor Damb ar - / ara t e nulisan
G amb ar Halaman 3.8 P emec aha n A rs ite ktur J aring an S ya raf T iruan untuk E ks traks i R ule 87
3.9 P ene ntua n Nilai A ktivas i ya ng D iharapkan untuk y1 ... 88
3.10 P ohon P enc aria n untuk z 1 ( pa da y1) ... 91
3.11 P ros es P eng ec ekan V a liditas R ule untuk z 1 ( y1) pa da L evel 1 .... 93
3.12 P ros es P eng ec ekan V a liditas R ule untuk z 1 ( y1) pa da L evel 2 .... 95
3.13 P ros es P eng hilanga n R ule yang S ama ... 99
4.1 T ampilan P ros es Manajeme n D ata Ins peks i Material ... 69
4.2 T ampilan P ros es T raining D ata de ng an J S T ... 70
4.3 T ampilan P ros es E ks traks i A turan J S T ... 72
4.4 S pes ifikas i S is tem yang Digunakan dalam P engujia n ... 78
D A F T A R T A B E L
T ab el Halaman
2.1 D atas et L og ika A ND ... 27
2.2 T raining S et logika A ND ... 28
2.3 Inis ialis as i B obot untuk D atas et L ogika A ND ... 30
2.4 B obot Has il T raining D atas et L og ika A ND ... 31
2.5 B obot Input Node untuk z 1 ( y1) yang T elah T erurut Des c ending ... 33
2.6 B obot Input Node untuk z 2 ( y1) yang T elah T erurut A s c ending ... 36
2.7 Has il P eng ec eka n R ule dengan D atas et A ND ... 44
3.1 D ata Has il Ins peks i Material T ahun 2011 – 2012 ... 69
3.2 C ontoh D ata Has il Ins peks i dari P erus a haan ... 70
3.3 C ontoh D ata Ins pe ks i Has il P ros es S e lec tion ... 71
3.4 D aftar K riteria Ins peks i B a han B aku P B dan MDF ... 72
3.5 C ontoh D atas et Ins peks i Material ... 73
3.6 Meta D ata untuk Ins peks i Material ... 74
3.7 C ontoh T raining S et Ins peks i Materia l ... 76
3.8 Inis ialis as i B obot A wal untuk D atas et Ins peks i Material ... 81
3.9 B obot Has il P e latihan D atas et Ins peks i Material ... 83
3.10 Nilai A ktivas i yang D iharapkan ... 89
3.11 B obot Input Node untuk z 1( y1) ya ng T elah T erurut D es c ending ... 90
3.12 P ros es P enc arian R ule yang O ptimum ... 100
4.1 Has il Uji C oba P arameter B P F F NN ... 107
4.2 Has il Uji C oba A kuras i E ks traks i R ule ... 109
4.3 Has il Uji C oba H idden L ayer ... 110
4.4 Has il Uji C oba C ros s V alidation ... 113
- Cont : A rial, size 16pt, . old, / apital - Aligme nt : / e nte r
- Cont : A rial, size 12pt, / apitalize 9ach W ords - Warak Antar . aris (S pasi):
adalah 1.5, b e fore =0 dan afte r=0
- 5 itulis L angsung b omor Tab e l - / ara t e nulisan
D A F T A R P E R S A MA A N
P ers amaan Halaman
2.1 F ung s i A ktivas i S ig moid B inary ... 27
2.2 F ung s i A ktivas i S ig moid B ipolar ... 28
2.3 Nilai A ktivas i S earc h T ree ... 30
2.4 F ung s i Inis ialis as i B obot A wal ... 31 - Cont : A rial, size 16pt, . old, / apital
- Aligme nt : / e nte r
- Cont : A rial, size 12pt, / apitalize 9ach W ords - Warak Antar . aris (S pasi):
adalah 1.5, b e fore =0 dan afte r=0
- 5 itulis L angsung b omor t e rsamaan - / ara t e nulisan
D A F T A R L A MP IR A N
L ampiran Halaman
A D okumen Ins peks i Materia l pada P T . G atra Ma pan Malang ... A -1 B D atas et Ins peks i Material P B da n MDF ... B -1 C K ode P rogram Untuk P embangkitan S e arc h T ree ... C -1 D F ile L og Has il Uji C oba ... D -1 - Cont : A rial, size 16pt, . old, / apital
- Aligme nt : / e nte r
- Cont : A rial, size 12pt, / apitalize 9ach W ords - Warak Antar . aris (S pasi):
adalah 1.5, b e fore =0 dan afte r=0
- 5 itulis L angsung b omor L ampiran - / ara t e nulisan
B A B I
P E ND A HUL U A N
1.1 L atar B elak ang
2 dimeng erti oleh pengg una s is tem nantinya.
3 4 R ule yang dihas ilka n bis a memiliki premis yang bervarias i. 5 J umlah ne uron hidde n laye r maks imal ada lah 50 neuron. bakpropagation berdas arkan metode penc aria n ruang s olus i.
4
3 D apat meng as ah otak dalam berfikir s ec ara c epat dan te liti untuk menc ari penyeles aia n mas alah.
1.4.3 Manfaat B ag i P T . G atra Mapan Malang
1 Memberikan alternatif c ara yang efis ien dalam pene ntuan dis pos is i material inc oming tanpa terg a ntung kepa da manage r Q A .
2 D apat mempers ingka t waktu penyeles aia n mas alah ins peks i material inc oming.
3 Memperlanc ar pros es produks i, kare na tidak pe rlu me nungg u ba han baku yang bermas ala h dalam pemeriks aa n.
1.4.4 Manfaat B ag i S T MIK A s ia
1 D apat meng ukur s ejauh mana keberha s ila n pros es belajar meng ajar di dalam kelas , da n c apaian materinya.
2 Menjadi baha n kajian yang da pat dikembang kan dikemudian hari.
1.5 Metodolog i P enelitian
Untuk mendukung pe nyeles aian laporan tugas akhir ini digunakan be be rapa metodolog i penelitia n yaitu:
A . S tudi L iteratur
D eng an mempelajari buku-buku referens i da n jurna l yang berkaitan deng an pe rmas alaha n pene litian yang diangkat s erta menc ari s olus i yang terbaik.T opik bahas an utama ya ng dibutuhkan diantaranya adalah jaring an s yaraf tirua n bac kpropa gation dan eks traks i aturan deng an pohon penc arian (s earc h tree) .
B . O bs ervas i dan W awanc ara
P eng amatan s ec ara langs ung dilakuka n di P T . G atra Mapan Malang , khus us nya pa da pros es ins peks i material oleh s taf Q A dan pemberian dis pos is i materia l oleh Manag er Q A . J ug a dilakukan tanya jawab kepada s taf dan Manag er QA mengenai pros es ins peks i dan pemberian dis pos is i material.
- t e ne litian yang dilakukan dapat me mb e ri manfaat b agi b anyak pihak (pe nulis, sub je k pe ne litian, instansi)
- aanfaat adalah se suatu yang diharapkan dapat me mb e rikan masukan dan me mb antu pe ngamb ilan ke putusan, pe mb uatan ke b ijakan dan pe me cahan masalah.
5
C . A nalis a
Melakukan uji c oba s ec a ra teoritis terhadap mas alah yang diangkat guna meng analis a apakah ra nc angan algoritma ya ng digunakan dapat menghas ilkan s olus i yang s es ua i deng a n tujuan penelitian. Hal ini be rtujuan untuk meng etahui s pes ifikas i input, pros es dan output s is tem.
D . P eranc ang a n
P eranc ang an algoritma J S T bac kpropag ation da lam permas ala han dis pos is i material di P T . G atra Mapa n Malang . P ros es peranc angan menunjukkan hubung an antara input, pros es dan output s is tem yang ditunjukkan dalam bentuk flowc hart.
E . Implementas i
Membuat prog ram da ri has il ranc angan alg oritma yang telah dibuat untuk mengimplementas ikan s e rta membuktikan ba hwa has il analis a s ec ara teoritis yang telah dilakukan benar-benar s es uai yang diharapka n.
F . P engujia n
P eng ujia n dilakukan untuk melihat apakah data yang telah menjadi input akan dipros es s es uai deng an output ya ng diharapka n. Hal ini jug a dilakukan untuk mengev aluas i apakah metode yang dius ulka n mampu menjawab tujuan yang te lah us ulkan.
G . D okumentas i
Merupakan lang ka h a khir, penyus unan laporan mulai dari latar be lakang permas alahan s ampai deng an pe ng ambilan kes impulan akan dijelas kan dalam tahap dokumentas i ini.
6
B A B I P end ahuluan
Dalam bab ini menjelas kan s ec a ra umum penyus una n laporan tug as akhir ini yang meliputi latar be lakang mas alah, rumus an mas alah, batas a n mas a lah, tujuan dan manfaat, metodologi penulis an dan s is tematika penulis an laporan.
B A B II L and as an T eo ri
B eris i te nta ng uraian-uraian s ec ara teoritis dis iplin ilmu yang mendukung pokok ba has an laporan ya itu meng enai klas ifikas i dalam data mining, jaring an s yaraf tiruan bac kpropag ation dan eks traks i aturan dengan pe ndekatan berbas is ruang s olus i deng an s e arc h tree. B A B III P emb ahas an
Dalam ba b ini aka n membahas meng enai analis a mas ala h dis pos is i material bahan baku, pros edur ins peks i material oleh s taff Q A bahan baku dan baga imana pros es pemberian dis pos is i material oleh Manager Q A . S elanjutnya dibahas pemodelan J S T untuk penentuan dis pos is i material meliputi peranc ang an ars itektur J S T deng an memodelkan datas et yang telah dibuat. P ada bag ian terakhir dibahas pros es eks traks i aturan dimulai deng a n pembentukan pohon pe nc arian (s earc h tre e), kemudian dilakukan penc arian rule dalam ruang ka ndidat s olus i dan yang terakhir dilakukan tes validas i rule yang telah diperoleh untuk mendapatka n rule ya ng baik.
B A B IV Imp leme nta s i d an P eng ujian
B eris i penjelas an prog ram yang diba ng un untuk penentuan dis pos is i material. P ada peng ujian akan dibahas has il uji terhadap pros es eks traks i aturan ya ng telah dilakukan. Menunjukkan has il rule ya ng didapatkan s erta pembuktiannya untuk penentuan dis pos is i material. B A B V P enu tup
P ada bab ini beris i kes impulan-kes impulan ya ng dida pat dalam analis a permas ala han, s erta s aran-s aran untuk pe rbaikan di kemudian ha ri.
- S e b utkan judul . ab dan ke te rangan isinya, tidak pe rlu dijadikan sub b ab
B A B II
L A ND A S A N T E OR I
2.1
K las ifik as i D ata dalam D ata Mining
D ata mining adala h s uatu pros es mengekploras i dan meng analis is data dalam jumlah bes a r baik s ec ara otomatis maupun s emi otomatis untuk mendapatkan s uatu pola yang bermakna dari data. S ec ara s ederha na data mining merupaka n pros es eks traks i informas i atau pola da ri data ya ng a da dalam bas is data yang bes ar. Data mining menjadi pe nting karena banyaknya data ya ng terkumpul s aat ini, c e patnya trans fer data ya ng terja di pa da s aat ini s erta adanya kebutuhan untuk dapat meng olah data mentah menjadi data ya ng bernilai deng an c epat dan tepat (K us umad ew i, 2016: 23) .
D ata mining memiliki bebe rapa fungs ionalitas ya ng s ering digunakan, yaitu:
a. K arakteris as i dan D is kriminas i: yaitu meng eneralis as i, merang kum, dan me ngkontras kan karakteris tik data.
b. P engg alian pola berulang: yaitu penc a rian pola as os ias i (as s oc iation rule) atau pola intra-trans aks i, atau pola pembelian ya ng terjadi dalam s atu kali tra ns aks i.
c . K las ifikas i: yaitu membangun s uatu model ya ng bis a meng klas ifikas ikan s uatu objek be rdas a r atribut-atributnya. K elas targ et s uda h ters edia dalam data s ebelumnya, s ehingga fokus nya adalah bag aimana mempela jari data yang a da agar klas ifier bis a meng klas ifikas ikan s endiri.
d. P engg ug us an/C lus ter analys is : ya itu mengelompokkan s ekumpulan objek data berdas a rka n kemiripannya. K e las targ et - Cormat t e nulisan sama de ngan . ab se b e lumnya
- . e risi te ori yang dib utuhkan yang me nunjang pe mb ahasan di . ab LLL se rta Lmple me ntasi dan pe ngujian di . ab LV
- . ukan b e risi de finisi dari se tiap kata di kalimat judul
- t e nyajian se cara de duktif, dimulai dari mate ri umum ke khusus - Ye lompokkan te ori yang b e rkore lasi dalam sub b ab yang sama pula - . ukan b e risi opini pe nulis, kare na itu harus dise b utkan sumb e rnya
- S umb e r re fe re nsi
o Yutipan tidak langsung : dituliskan diakhir kalimat dalam tanda kurung (nama_b e lakang_pe nulis, tahun : halaman) o Yutipan langsung : nama pe nulis ditulis dalam kalimat
se dangkan tahun dan halaman ditulis dalam tanda kurung yang dipisahkan de ngan tanda titik dua
8
e. A nalis is outlier: yaitu pros es pengenalan data yang tidak s es uai deng an pe rilaku umum dari data lainnya . C ontoh: meng enali nois e dan pe ng ec ualian dalam data.
f. A nalis is trend da n evolus i: meliputi analis is regres i, pengg alian pola s ekuens ial, analis is pe riodis itas , dan a nalis is be rbas is kemiripan. S ec ara umum, pros e s klas ifikas i dimulai deng a n diberika nnya s ejumlah data yang menjadi ac uan untuk membuat aturan klas ifikas i data. D ata-data ini bias a dis e but deng an training s ets . D ari training s ets ters ebut kemudian dibuat s uatu model untuk mengklas ifikas ikan data. Model ters ebut kemudian dig unaka n s ebag ai ac uan untuk mengklas ifikas ikan data-data yang belum diketa hui kelas nya yang bias a dis ebut deng an tes t s ets . S ebuah model c las s ifier pada klas ifikas i data dibe ntuk berdas arka n data ya ng s udah ada, da n kemudian model ters ebut digunakan untuk klas ifikas i dan prediks i data ba ru ya ng belum pernah ada. P ada umumnya, pros es klas ifikas i dapat dig ambarkan s eperti pa da gambar 2.1.
D ata umumnya dibag i menjadi 2 ( dua) ya itu training s et dan tes ting s et. T raining s et dig unakan oleh alg oritma klas ifikas i (mis alnya: dec is ion tree, ba yes ian, neural network, S V M) untuk membentuk s ebua h model c las s ifier. Model ini merupakan repres entas i pe ng etahua n yang akan dig unaka n untuk prediks i ke las data baru yang belum pernah ada. T es ting s et digunakan untuk meng ukur s ejauh mana c las s ifier berhas il melakuka n klas ifikas i de ng an benar. K arena itu, data ya ng ada pada tes ting s et s eharus nya tidak boleh a da pada training s et s ehing g a dapat diketahui apakah model c las s ifier s udah “pintar” dalam melakukan klas ifikas i.
L ain lag i halnya de ng an validation s et. Umumnya bebera pa algoritma klas ifikas i memerlukan beberapa parameter. Mis alnya: jumlah hidden layer da n lea rning rate pa da ne ural network; parameter kernel pa da S V M. B ias a nya s ebag ian dari training s et diambil untuk validation s et. V alidation s et ini digunakan untuk menc a ri parameter yang paling baik
o Damb ar dalam laporan harus se lalu dirujuk dalam pe nje lasan kalimat
9
untuk s e buah alg oritma klas ifikas i.
G ambar 2.1 P ros es K las ifikas i ( S umber G a mbar)
Memis a hkan data menjadi training da n tes ting s et dimaks udkan ag ar model yang diperoleh nantinya memiliki kemampua n g ene ralis as i ya ng baik dalam melakukan klas ifikas i data. T idak jarang s ebuah model klas ifikas i dapat melakukan klas ifikas i data deng an s ang at baik pada training s et, tetapi s ang at buruk dalam melakukan klas ifikas i data yang ba ru da n belum perna h ada. H al ini dinamakan overfitting .
2.2
B ac k propag ation-F eed F orw ard Neural Netw ork
Neural Network (NN) atau J a ring an S yaraf T iruan (J S T ) adalah pros es or ters ebar paralel ya ng s ang at bes ar ( mas s ively paralel dis tributed proc es s or) yang memiliki kec e nderung an untuk menyimpan peng etahuan ya ng bers ifat peng alaman da n membuatnya s iap untuk dig unakan ( A le k s and er & Morto n, 1990). J aring a n s yaraf tiruan merupakan s alah s atu repres entas i buatan da ri otak manus ia yang s elalu menc oba untuk mens imulas ikan pros e s pembelajaran pa da otak manus ia ters ebut. J S T mempunyai s ifat dan kemampuan:
o Damb ar dile takkan pas dite ngah halaman (aligme nt=ce nte r) o b omor dan ke te rangan dile takkan di b awah gamb ar o 5 itulis de ngan font A rial size 12 pt spasi 1
10 da n hidden laye r akan ditambahka n s ebuah neuron bias .
11
adaptif yang dapat meruba h s trukturnya untuk memec ahka n mas alah be rdas arkan informas i ya ng mengalir mela lui jaringan ters ebut. S ec ara s ederha na, jaring an s ya raf tiruan adalah s ebuah alat pemodelan data s tatis tik ya ng da pat dig unakan untuk memodelka n hubung an ya ng kompleks antara input dan output untuk mene mukan pola-pola pa da data.
2.2.2 J aring an S y araf T iruan B ac k propa g atio n
B ac kpropag ation merupakan alg oritma pembelaja ran ya ng terawas i (s upervis ed learning ) dan bias anya dig unakan oleh jaring an s yaraf tiruan dengan banyak lapis an untuk mengubah bobot-bobot yang terhubung deng an ne uron-ne uron yang ada pada la pis an ters embunyinya (hidden layer). J aring an s yaraf tiruan bac kpropag ation memiliki ars itektur jaring an yang full-c onnec ted. D imana s emua neuron input akan terhubung dengan s emua neuron hidden, dan s emua ne uron hidden be rhubung an deng a n s emua neuron output.
A lgoritma bac kpropagation me ng g unakan error output untuk meng ubah nilai bobot-bobotnya dalam arah mundur ( bac kward). Untuk mendapatkan error ini, tahap perambata n maju ( forward propag ation) ha rus dikerjakan te rlebih dahulu. P ada s aat perambatan maju, neuron-ne uron diaktifkan deng an me ngg unakan fung s i aktivas i s ig moid, yaitu:
f(x)
=
(2.1)D imana F (x) adalah fungs i aktiva s i untuk ne uron x.
D an s eterus nya...
o S e b uah t e rsamaan ditulis dite ngah halaman o 5 itulis de ngan e quation
B A B III
P E MB A H A S A N
3.1
P ros edur P eng ujian Material pada P T . G atra Mapan
P eng ujia n dan pemeriks aan (ins peks i) ba han baku menc akup keg iatan peng ukura n material de ng an metode terte ntu dan membandingkan has ilnya de ng an s ta ndart ( s pec ) yang digunakan s ebag ai ac uan da lam pros es produks i. P eng ukuran dis ini tidak ha nya bers ifat dimens iona l, tetapi juga pengujian properties (hardnes s ) s erta peng ujian s ens ory (vis ual c hec k : noda dan c rac k).Ins peks i merupakan ba gia n yang penting da ri Q uality C ontrol/P e ngendalian mutu dan kegiatan penjaminan kua litas produks i. P ada P T . G atra Mapan, pros es pemeriks a an dan peng ujia n baha n baku dilakukan oleh departemen Q A khus us nya s taf QA baha n baku. P ros es ins peks i material pada P T . G atra Mapa n me ng g unakan metode s a mpling ins peks i. P ros es pe meriks aan dan peng ujian dilakukan pada 2 jenis ba rang yaitu bahan baku ( inc oming ) dan has il produks i ( outgoing ). S pes ifikas i ba han ba ku dibuat oleh departemen R &D dan perhitung an jumla h pemes anan ditentukan oleh de pa rte men P P IC . S eda ngkan ya ng melakuka n pemes anan dan penawaran ha rg a dengan s upplier adalah de pa rteme n P eng ada an.
P ada bag ian ini hanya membahas pros es pemeriks a an dan pe ng ujian pa da bahan baku ( inc oming). S etiap material bahan baku (inc oming ) yang datang akan dibong kar da ri kontainer, untuk ke mudian dilakukan pemeriks aa n dan peng ujia n oleh s taf Q A bahan baku s ebelum material te rs ebut mas uk ke g udang dan digunaka n untuk produks i. P ros edur pemeriks aan dan peng ujian baha n baku dilakukan berdas arkan dokumen nomer Q P /8.2/06. D imana pemeriks aa n dan pengujian bahan baku dilakukan dengan meng ambil s ampel barang s ec ara ac ak be rdas arkan ta bel A MS 105 D (A meric an S tandart) . P emeriks aan - Cormat t e nulisan sama de ngan . ab se b e lumnya
- . ab LLL diawali de ngan “Analisa aasalah”, yaitu fakta atau kondisi saat ini pada sub je k pe ne litian dan dile ngkapi de ngan b ukti-b ukti data
43
dilakukan s es uai deng an Ins truks i K erja P emeriks aan B aha n B aku (dokumen nomer W I/8.2/05).
A pabila tidak menemukan permas alahan s aat pemeriks a an dan pe ng ujian baha n baku, maka s taf Q A bahan baku dapat la ng s ung memberi dis pos is i diterima dan memberika n reg is tras i berupa s tempel QC P A S S E D (warna hijau). T etapi apa bila ditemukan permas ala han s aat pemeriks aan dan pengujian, maka dis pos is i harus dilakukan oleh pe na ngg ung ja wab Q A dalam hal ini adalah Mana ger Q A .
3.1.1 P enerimaan
B arang
S etiap barang ya ng da tang dari s upplier ke P T . G atra Mapa n Malang akan diterima oleh bagian g udang. S elanjutnya bag ian g udang akan membuatkan dokumen B P B (B ukti P enerimaa n B arang). D okumen B P B ini terdiri 5 (lima) rang kap, yang mas ing-mas ing aka n didis tribus ika n untuk ba gian g udang , bagian Q A , bag ian pembelian dan bag ian akuntans i, s edangkan lembar yang terakhir dilampirkan pada lot materialnya. B agian Q A yang menerima dokumen B P B adalah s taf QA baha n baku. Dokumen B P B ini beris i kete ranga n nomor B P B , tang gal, nama s upplier, eks pedis i, nomor faktur, nomor order, kete ranga n kode, nama dan jumlah ba rang s erta beris i tandatang an be bera pa bagia n ya ng terkait. D okumen B P B ha rus dis ertakan dalam s etiap pros es s e belum mas uk dalam pros es produks i. T ermas uk pada pros es pemeriks aan ba rang (ins peks i) , B P B digunakan s ebag ai ac uan dalam peme riks aa n. C ontoh dokumen B P B ditunjukkan pa da gambar 3.1.
A pabila barang yang datang belum dileng kapi deng an B P B oleh ba gian g uda ng, maka harus dilengkapi denga n s urat jala n. S urat jalan merupakan pe ng g anti B P B untuk s ementa ra waktu dalam hal B P B belum
44
s taff Q A bahan baku akan menerima c opy B P B warna merah da n atau s urat jalan dari bagian gudang.
G ambar 3.1 Dokumen B ukti P enerima an B a rang (B P B )
B erdas arkan B P B atau s urat jalan ters ebut, s taff Q A akan melakukan pemeriks aan dan peng ujia n terha dap ba rang datang. P eng ujian dan pemeriks aan ba rang dilakukan de ng a n c ara s ampling pada s etiap lot material yang data ng. Material di s ampling s ec a ra ac ak berdas arkan ta bel ya ng tela h ditetapka n yaitu tabel A MS 105 D pa da ting kat pemeriks aan umum deng an A Q L ( A c c epta ble Q uality L e vel) 2.5. T ingkat pemeriks aan A Q L 2.5 adalah batas tolera ns i pe nerimaan yang diperbole hkan te rhadap has il peng ujian dan pemeriks aan yang tela h dilakukan. T abel A MS 105 D merupakan ta bel s tanda r internas ional yang digunakan untuk pe ng ambilan s ampling material.
3.1.2 P emerik s aan B ahan B ak u
P emeriks a an ba han baku oleh s taf QA ba han baku dilakukan be rdas arkan pros edur s tandar yang telah ditetapka n oleh perus ahaa n. P ros edur pemeriks aan dan peng ujian baha n baku dilakukan berdas arkan dokumen nome r Q P /8.2/06 yang mengatur tata c ara pemeriks aan dan
45
baku. P emeriks aan dilakukan s es uai dengan Ins truks i K e rja P emeriks aan B ahan B aku (dokume n nomer W I/8.2/05). P ros e dur pemeriks aa n ba han baku ole h s taf Q A ditunjukka n pada g ambar 3.2.
46
P ros edur pemeriks aa n dan pengujian baha n baku bertujuan untuk memberikan kejelas a n dan kepas tian bag i s emua pihak yang terlibat dalam aktivitas ini, khus us nya s taff Q A bahan baku dalam melakukan keg iatan pemeriks aa n dan peng ujian ba rang dating . D okumen nomer Q P /8.2/06 ini berlaku untuk keg iatan pemeriks aan bahan baku yang mas uk pa da P T . G atra Mapan dan R e-ins pec tion bahan baku yang us ia pe nyimpanannya lebih dari 6 bulan da n 1 tahun.
B erdas arkan dokumen nomer W I/8.2/05, pemeriks aan bahan baku oleh s taf Q A dilakukan de ng an memperhatikan be be rapa kriteria. T idak s emua kriteria berlaku pa da s eluruh jenis material ya ng diins peks i. Untuk material P B , dan MD F akan mengg unakan 4 (empat) krite ria dari 6 ( enam) kriteria yang ada. K riteria-kriteria ya ng dig unaka a dalah s eba gai berikut:
1. B entuk dan dimens i
K riteria ini berlaku untuk s emua jenis ba ha n baku. P emeriks aan bentuk da n dimens i bara ng s es uai de ng a n s pes ifikas i/hard c opy ya ng ada.
2. P rinting /S a blon da n dimens i s ablon
K riteria ini dig unakan untuk bahan baku ya ng mengg unakan printing/s ablon s e perti Dos dan s eba gian K ac a. P emeriks aan be ntuk, warna. D imens i (s kala printing ) da n jarak printing pada barang apakah s udah s es uai deng a n s pes ifikas i.
3. Has il uji
D igunakan untuk baha n baku jenis L e m. Dilakukan tes t uji laboratorium terhada p ba han baku ters e but diatas s es uai s tandart uji lab yang ada.
4. W arna barang
K riteria ini dig unakan untuk s emua jenis bahan baku. P emeriks aan aktual warna barang ya ng datang apaka h s udah s es uai deng an s pes ifikas i/hard c opy yang a da.
47
K riteria ini dig unakan untuk s emua jenis bahan baku. P emeriks aan kondis i barang yang datang a pakah la yak untuk digunakan untuk produks i da n juga untuk pac king barang apaka h aman apabila terkena handling s tandar di P T . G atra Mapan.
6. F ung s i da n aplikas i barang
K riteria ini digunakan untuk khus us nya untuk s parepart. P engec ekan bahan baku s es uai fungs inya dan diaplikas ikan s es ua i aplikas i pada produk. Mis alnya fung s i magnet, kunc i, engs el, mur, baut da n handle pada bautnya.
K hus us untuk bahan baku jenis lem kayu, lem s heet, lem kuning , ha rus dikirimkan s a mpel ke bagian laboratorium untuk dilakukan pe ng ujian. B eberapa parameter pengujian yang dig unakan pada lab uji adalah dens ity, s welling thic knes s , thic knes s , length and width, uji g ores untuk s heet, uji panas , uji ding in, warna, be ntuk s erta tampilan fis ik. Has il uji laboratorium ditulis kan pada dokume n nomer F M/8.2/15 ya ng ditunjukkan pa da gambar 4.5.
3.2
P emodelan J S T Untuk P enentuan D is pos is i Material
P ada P T . G atra Mapan Malang
S is tem ya ng dius ulkan melibatka n s eora ng us er. Us er ini bis a s taf Q A bahan baku ata u Manag er Q A s endiri. Us er aka n berhubung an de ng an s is tem melalui s ebuah interfac e, denga n inputan parameter untuk pelatihan J S T . P arameter yang harus diinputka n a dalah jumlah neuron pa da layer hidde n, le arning rate, maks imal epoc h da n ta rget eror yang dihara pkan.
S is tem akan melakukan pelatihan terhadap datas et has il ins peks i - S e te lah “Analisa aasalah”, se lanjutnya “Analisa S iste m”
- Wudul sub b ab dapat dise suaikan de ngan pe rmasalahan
- . e risi pe nje lasan siste m/solusi yang akan dib angun se cara umum - . e rdasarkan analisa masalah di sub b ab 3.1 maka dib utuhkan
siste m yang b agaimana
- ae nje laskan spe sifikasi ke b utuhan input, prose s dan output, te tapi tidak dib e dakan dalam sub b ab te rse ndiri
48
pe ng urutannya bis a s ec ara as c ending atau des c ending tergantung nilai y ya ng diharapkan. B lok s is tem yang dius ulka n dis ajikan pada g amba r 3.3.
S ec ara umum s is tem terbag i menjadi 3 pros es ya itu, pros es pelatihan, pros es eks traks i aturan dan pros es pe ngujian. P ros es pelatihan membutuhkan parame ter jaringan s ya raf tiruan yang diinputkan oleh us er, s erta datas et ya ng akan dilatihkan. D atas et yang akan dilatih telah ters impan dalam data bas e. P elatihan dilakukan dengan jaringa n s yaraf tiruan bac kpropa gation s ampai targ et eror terpenuhi ata u menc apai maks imum iteras i ya ng tela h ditentukan.
`
G amb ar 3.3 B lok D ia g ram S is tem yang D ius ulkan P ar ameter J S T
P elatihan J ar ingan Syar af T ir uan
F eed F or war d B ack pr opagation
B obot hasil
E k str ak si A tur an
M embentuk P ohon Pencarian
Penelusuran Pohon Pencarian
O ptimasi A tur an Penguj ian
PR O B L E M
A tur an I F -T hen
- Analisa siste m dije laskan dalam gamb ar (b ole h b lok diagram, flowchart atau diagram yang lain) - Damb ar me nunjukkan hub ungan input, prose s
49
D ari has il pelatiha n dihas ilkan bobot-bobot yang kemudian digunakan s eba gai inputan dalam pros e s eks traks i aturan. P ros es eks traks i aturan dimulai dengan membentuk pohon penc arian dan kemudian dilakukan penelus uran pohon penc arian. P ohon penc arian ya ng dibe ntuk s e banyak kelas pada output atribut dan ditelus uri s eba nyak jumla h layer hidden.
D ari gambar 3.3 terlihat bahwa s is tem yang dius ulka n diawali de ng an pros es pe latihan de nga n jaring an s yaraf tiruan. P elatihan deng an jaring an s ya raf tirua n membutuhkan inputan parameter J S T dan meng has ilkan output berupa bobot-bobot. P elatihan denga n jaring an s yaraf tiruan be rtujuan untuk melakukan klas ifikas i data. K las ifikas i data terdiri dari dua langkah yang utama, yaitu: pembang una n model da ri s et data pelatihan da n pengg unaa n model/ars itektur jaring an s yaraf tiruan untuk meng klas ifikas i data baru. B obot has il pe latihan J S T s elanjutnya digunakan dalam pros es eks traks i rule. P ros es eks traks i rule terdiri dari 3 s ub pros es yaitu pembangkita n pohon penc aria n, pros es penelus uran node -node dalam pohon penc arian untuk menc ari rule yang valid dan pros es terakhir adalah optimas i rule yang telah dipe role h.
3.3
D atas et Ins pek s i Material (B ahan B ak u)
D ata ya ng dig unakan dalam pene litian ini adalah data has il ins peks i material khus us baha n baku pa da P T . G atra Mapan Malang. D ata yang digunakan ada lah data has il ins peks i material ole h ba gian Q A bahan baku mulai tahun 2011 s ampai 2012. T otal data has il ins peks i oleh s taf Q A ya ng akan dig unakan dalam pe nelitian ini adalah 786 rec ord data yang ditunjukkan pa da tabel 3.1. P ada ta be l ters ebut ditunjukkan jumlah kedatangan bara ng bahan baku s etiap bulan mulai J anuari 2011 s ampai
- S ub b ab se lanjutnya b isa memb ahas pre proce ssing data
- 5 ata yang dipe role h dari sub je k pe ne litian b iasanya b e lum b isa langsung digunakan, te tapi harus ada prose s pe nyiapan data
- . isa ada tahap cle aning, se le ction atau pe ne ntuan variab e l, domain dsb - ae nje laskan langkah-langkah apa untuk
me lakukan pe nyiapan data
50
lebih dari 1 kali kedatanga n barang atau bahkan tidak ada ke datang an ba rang dalam s ehari. D alam prakteknya penanganan barang datang bis a lebih dari s ehari, termas uk didalamnya pros es ins peks i material.
51
enric hment, yaitu pros es “memperka ya” da ta yang s uda h ada deng an data atau informas i lain yang releva n da n dipe rluka n untuk pelatihan, s eperti data ata u informas i eks ternal.
Dan s ete rus nya...(bis a dita mbahkan flowchart)
3.4
F ormulas i P ermas alahan Ins pek s i k e d alam J S T
52
atribut input maupun atribut output dapat ditambah dan dikurang i s es uai kebutuhan. S ehing g a aplikas i yang dibang un diharapkan dapat be rada ptas i deng an perkembangan yang ada.
D an s eterus nya...(bis a dita mbahkan flowc hart)
3.5
P embelajaran ( T raining ) Da ta d eng an J S T
P ros es pembelajaran pada jaring an s yaraf tiruan bac kpropag ation didas arkan pada hubung an yang s e derha na, yaitu jika keluaran memberikan has il yang s alah, maka bobot ( weight) dikoreks i s upaya galatnya dapat diperkec il da n res pon jaring an s elanjutnya diharapkan akan lebih mendekati harg a yang be nar. B ac kpropag ation jug a be rkemampuan untuk memperbaiki bobot pa da la pis a n ters embunyi (hidden layer). K etika jaringan s yaraf tiruan diberi pola mas ukan ( training s et) s ebag ai pola pelatiha n maka pola ters ebut akan menuju ke unit pada hidden laye r untuk diterus kan pada unit yang berada pada output layer. O utput s eme ntara pada hidden layer akan diterus kan pa da output layer da n output layer akan memberikan tang g apan berupa output s ementara pula. K etika output s ementara tidak s ama deng an output yang diha rapkan, maka s elis ih ( error) nya akan dis ebarkan s ec ara mundur ( bac kward) pa da hidden layer dan diterus kan ke unit di depa nnya yaitu input layer. O leh karena itu pros es te rs ebut dis ebut propagas i balik ( bac kpropagation) dimana ta ha p pelatihan dilakukan de ngan merubah bobot ya ng meng hubungkan unit dalam s etiap layer jaringan ketika diberi umpan maju da n umpa n balik. Untuk memperc epat pros es pelatihan dig unakan pa rameter le arning rate. Nila i untuk parameter le arning rate berada pada kis aran 0 s ampai 1.
Dan s ete rus nya...bis a ditambahkan flowc hart
3.6
E k s trak s i R ule Untuk P enentuan D is pos is i Material
(B la...bla...bla...G ambar lang kah pe r lang kah dan flowchart)
- S ub . ab se lanjutnya memb ahas prose s apa saja yang dipe rlukan se suai de ngan gamb ar b lok siste m se cara umum (gamb ar 3.3)
53
optimas i ( 18 rule) s elanjutnya akan digabung kan meng gunakan operator O R s ehing g a menjadi 2 buah rule s es uai atribut kelas nya. S e hing ga meng has ilkan dua buah rule s ebag ai be rikut:
1. IF ( permuka an_ atas =1 A ND ketebalan=1 A ND has il_ laminas i_ bawah=1 A ND kondis i=1) OR
(kondis i=1 A ND permukaan_ atas =1 A ND ketebalan= 1 A ND pe rmuka an_ bawah=1) O R
(kondis i=1 A ND permukaan_ atas =2) OR
(kondis i=1 A ND ketebalan=3 A ND has il_ laminas i_ atas =1) O R (kondis i=1 A ND ketebalan=3 A ND permuka an_ atas = 1)
T HE N dis pos is i= 1
2. IF ( has il_ laminas i_ ba wah=2 A ND ketebalan=2) O R (permukaa n_ atas =4 A ND has il_ laminas i_ ba wah= 1 A ND
pe rmuka an_ bawah=1 A ND has il_ laminas i_ atas =2) O R (has il_ laminas i_ ba wa h=2 A ND permukaan_ bawa h=2) O R
(permuka an_ atas =3 A ND has il_ laminas i_ atas = 1 A ND has il_ laminas i_ bawah=1 A ND kondis i= 3)
T HE N dis pos is i= 2
D ari 2 buah rule has il eks traks i rule diatas terlihat bahwa untuk kondis i mas ing-mas ing kelas dipe ng a ruhi ole h atribut ya ng berbeda-beda. A kan tetapi dapat dianalis a bahwa terdapat atribut domina n yang mempengaruhi kondis i tiap kelas . Dari 5 rule yang dihas ilka n oleh y1 terlihat bahwa atribut “kondis i” menjadi prioritas dalam menentukan dis pos is i =1. Hal ini terlihat bahwa 4 dari 5 rule yang dihas ilkan dari y1 menunjukka n bahwa atribut “kondis i” harus bernilai 1a gar dis pos is i= 1. A tribut ini menjadi premis pe rtama yang dis ebutkan dalam s etia p rule. S edang kan da ri 13 rule ya ng dihas ilka n oleh y2, tampak bahwa atribut - t e nje lasan di . ab LLL te rus b e rlanjut sampai didapatkan hasil (output) yang diharapkan
- . ab LLL diakhiri de ngan kalimat yang
B A B IV
(J elas kan mengapa implementas inya meng g unakan ba has a
pe mrogra man apa dan databas e apa. K emudian tunjukkan s truktur menu dan pe mbag ian hak aks es us e rnya)
4.3
Implementas i P ros es 1
(J elas kan menu a pa yang dipilih untuk melakukan pros es itu, tunjukkan prints c ree n da n penjelas annya)
4.4
Implementas i P ros es 2
70
4.6
P eng ujian S is tem
P eng ujia n s is tem eks traks i aturan dari jaring a n s yaraf tiruan untuk menentukan dis pos is i material pada P T . G atra Mapan Malang dilakukan de ng an melihat s ifat dari rule yang dihas ilkan. S ifat ini dapat dilihat dari tingkat akuras i aturan dan be ntuk aturan yang dihas ilkan, deng an melakuka n pelatihan da n eks traks i aturan terhadap datas et ins peks i material dan kemudian dilakuka n peng ujian pada s etiap aturan yang ada. D alam bab ini akan dibahas 4 mac am peng ujian deng an tujuan yang be rbeda. B e berapa peng ujian yang akan dilakukan diantara nya adalah:
1. Uji c oba P arameter P e latihan jaring an s ya raf tiruan
P eng ujia n ini bertujuan meng etahui pe ng aruh parameter lea rning rate terhada p bobot has il pe latihan dan terhadap keakuras ian rule yang dihas ilkan.
2. Uji c oba P elatihan jaringa n s yaraf tiruan
P eng ujia n ini bertujuan mengetahui model has il pelatihan jaringa n s yaraf tiruan apabila pe latihan dilakukan berkali-kali. D alam uji c oba ini akan dilakukan 10 ka li perc obaan.
3. Uji c oba jumlah node pada hidden layer
P eng ujia n ini bertujuan untuk mengetahui penga ruh jumlah node pada hidden layer terha dap akuras i rule yang dihas ilkan. 4. Uji c oba C ros s validas i
P eng ujia n ini bertujuan untuk meng ukur akuras i bobot has il pelatihan dan rule yang dihas ilkan terha dap datas et.
K eempat peng ujian ini akan dijelas kan s ec a ra runut da lam be be rapa s ubbab yang a da. P ada s etiap akhir ba has an pengujia n akan diutaraka n a nalis a terhada p has il pengujian. Denga n be berapa peng ujian ya ng dilakuka n ini diha rapkan da pat memberi gambara n deng an lebih baik
- t ada sub b ab pe ngujian, diawali de ngan pe nje lasan re ncana pe ngujian dan spe sifikasi apa saja yang digunakan untuk me lakukan pe ngujian
- S e lanjutnya ditunjukkan data yang diujikan, prose s pe ngujian dan hasilnya yang ditunjukkan dalam b e ntuk tab e l agar le b ih mudah di pe rb andingkan
72
operator A ND da n peng gunaan operator O R pada has il pe ng g abungan rule.
5. R ule ya ng dihas ilkan dari pros es eks traks i atura n memiliki pola tertentu ya ng dapat menunjukkan atribut prioritas dalam pe nentuan dis pos is i materia l. Dari 5 rule yang dihas ilka n oleh y1 terlihat ba hwa atribut “kondis i” menjadi prioritas da lam mene ntukan dis pos is i =1. S edangka n dari 13 rule yang dihas ilkan oleh y2, tampak bahwa atribut “permukaan_ atas ” menja di prioritas diantara atribut yang lain.
5.2
S aran
G una perbaikan da n untuk mening katkan has il yang lebih baik maka dis aranka n penelitian s elanjutnya adala h :
1. D atas et ins peks i material ini memiliki ting kat kes erag aman rec ord yang c ukup ting g i s ehing g a banyak rec ord-rec ord yang memiliki kes ama an, maka dis arankan untuk memanfaatkan metode eks traks i aturan de ng an s earc h tree untuk datas et yang lebih bervariatif dan kompleks s ehing ga akan lebih terlihat kinerja dari metode ini.
2. S elain dis a rankan dikembang kan untuk data ya ng lebih bervariatif, jug a dapat ditamba hkan va riabel denga n numeric al value. S ehing ga da pat dihas ilka n rule deng an operator le bih kec il (<) atau lebih bes ar (>).
3. D is aranka n untuk menambahkan fitur peng ujian barang ba ru pada aplikas i agar memuda hka n dalam pengguna annya. P ada penelitian ini belum ditambahkan fitur peng ujia n barang baru karena lebih fokus pa da penerapan metodenya.
4. Untuk pe nelitian lebih lanjut dis ara nkan memunc ulkan varia bel temporary ( intermediate varia ble). S ehingg a rule yang dihas ilkan - S aran ditujukan untuk pe nge mb angan pe ne litian se lanjutnya
- S aran dapat me nanggapi b atasan masalah yang ada di . ab L - S aran dapat me nanggapi ke simpulan yang ne gatif
D A F T A R P US T A K A
B ertalya. K ons ep D ata Mining K las ifikas i: P ohon K e putus an. J aka rta. Univers itas G unadarma, 2009
C hris na, T emmy, B ijaks ana, A rif, Muntina, E ddy. E ks traks i R ule D ari J aring an S yaraf T irua n Mengg unakan Metode S e arc h B as ed P a da D ata Mining. S T T T elkom B andung . 2005
D anc e y, Darren. T ree B as ed Methods for R ule E xtrac tion from A rtific ial Neural Networks . Manc hes ter Metropolitan Univ ers ity. United K ing dom. 2008
D uc h, W łodz is ław, K ordos , Miros ław, S earc h-bas ed T raining for L ogic al R ule E xtrac tion by Multilayer P erc eptron, S c hool of C omputer E ngineering Ins titute of C omputer S c ienc e Nanyang T ec hnolog ic al Univers ity T he S iles ian Univers ity of T ec hnolog y, S inga pore, 2005
F ujimoto, K oji, Naka ba yas hi, S ampei. A pplying G MD H A lg orithm to E xtrac t R ules from E xamples . F inanc ial E ng ineering G roup, Inc ., A kas aka Y amada T okyo. J apan. 2001
K us umadewi, S ri. A rtific ial Intellig ent (T eknik da n A plikas inya). G raha Ilmu. Y ogyakarta. 2003
Mark W , C raven. Us ing Neural Network F or D ata Mining. S c hool of C omputer S c ienc e C arnig ie Mellon Univerc ity. P itts burgh. 2000
Na yak, R ic hi. G ya n: A Methodolog y for R ule E xtrac tion from A rtific ial Neural Networks . Q ueens lan Univers ity of T ec hnolog y A us tralia. 1999
P alade, V as ile, Neag u, Da nie l-C iprian, P atton, R on J .. Interpretation of T rained Neural Networks by R ule E xtrac tion. T he Univers ity of Hull, C otting ham R oad. United K ing dom. 2001
S oman, K .P ., D iwakar, S hyam, A jay. Ins ig ht into D ata mining, theory and prac tic e. P rentic e Hall of India P rivate L imited. Ne w D elhi. 2006
S uyanto. Intelijens ia B uata n. J urus an T eknik Informatika S T T T elkom. B andung. 2002
T urban, E ,. Mc L ean, E ., W etherbe, J .. Information T ec hnolog y for Managemen. 2 ed.. NY :J ohn W iley and S ons , Inc . 1999
- 5 aftar t ustaka minimal 5 re fe re nsi yang diamb il dari b uku, e b ook atau jurnal ilmiah - L ink we b site tidak dipe rb ole hkan
- Cormat pe nulisan daftar pustaka : b ama_b e lakang, nama_de pan. Wudul_b uku. t e ne rb it. Yota. Tahun - Wudul b uku digaris b awah, tidak miring dan tidak te b al
- we fe re nsi yang le b ih dari 1 b aris, maka b aris ke -2 dan se terusnya di tulis me njorok ke kanan 1.25 cm - 5 itulis urut ab jad asce nding (a-z)
- Cont : A rial size 12 pt, spasi 1 de ngan b e fore = 0 dan afte r = 0 - Antar re fe re nsi dib e ri jarak satu b aris de ngan spasi 1 (1 kali e nte r)
D A F T A R R IW A Y A T P E NUL IS
Data P ribadi
Nama : ... T empat/ta ng g al lahir : ... J enis kelamin : ... A gama : ... A lamat : ...
T elepon : ... A lamat email: ...
D ata K elu arg a
Nama A yah : ... Nama Ibu : ... P ekerjaan : ... A lamat : ...
R iw ay at P endidik an
(riwayat pe ndidikan formal s ejak a wal hingg a memas uki jenjang kuliah)
R iw ay at P e k erjaan (bila ada)
D aftar P enelitian
(daftar karya ilmiah ya ng pernah ditulis oleh penulis bila ada)
F oto 3 x 4 ( harus di print)
- Cont : A rial size 16pt, capital
L A MP IR A N A
D O K UME N P E ND UK UNG INS P E K S I MA T E R IA L
P A D A P T . G A T R A MA P A N MA L A NG
- Cont : A rial size 16pt, capital - Warak antar b aris (spasi) adalah 1
L A MP IR A N C
K O D E P R O G R A M UNT UK P E MB A NG K IT A N
S E A R C H T R E E
Pr iv a t e S ub buildT r e e ( le v e l As I nt e g e r ) I f le v e l = 1 T he n 'unt uk le v e l s a t u
F or j = 1 T o jmlNode
a t r ibut ( le v e l, j, 1 ) = a t r ibut ( l e v e l - 1 , j, 1 ) je nis ( le v e l, j, 1 ) = je nis ( l e v e l - 1 , j, 1 ) Ne x t
numNode ( le v e l) = jmlNode
E ls e I f le v e l = 2 T he n ' unt uk le v e l dua t e mpJmlNode = jmlNode
jmlNode = 0
F or j = 1 T o t e mpJ mlNode - 1 F or k = j + 1 T o t e mpJ mlNode
I f a t r ibut ( le v e l - 1 , j, 1 ) < > a t r ibut ( le v e l - 1 , k , 1 ) T he n
jmlNode = jmlNode + 1
a t r ibut ( le v e l, jmlNode , 1 ) = a t r ibut ( le v e l - 1 , j, 1 ) a t r ibut ( le v e l, jmlNode , 2 ) = a t r ibut ( le v e l - 1 , k , 1 )
je ni s ( le v e l, jmlNode , 1 ) = je ni s ( le v e l – 1 , j, 1 )
je ni s ( le v e l, jmlNode , 2 ) = je ni s ( le v e l – 1 , k , 1 )
E nd I f Ne x t
Ne x t
- L ampiran kode program