Contoh Template Laporan Tugas Akhir Prodi TI 2017

(1)

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

(2)

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

(3)

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):

(4)

S UR A T P E R NY A T A A N

Y a ng berta nda tang an diba wah ini adalah:

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

(5)

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:

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

(6)

A B S T R A K S I

tiruan s ehing g a menghas ilkan bentuk rule konjungs i (IF -T HE N).

(7)

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

(8)

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

- U capan Te rimakasih : minimal 5 point pe rtama, se le b ihnya b isa

(9)

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

(10)

(11)

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

2.4.4P 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

(12)

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

(13)

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

2.16 P enentuan Nilai A ktivas i yang D ihara pkan untuk y2 ... 39

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

- Cont : A rial, size 12pt, / apitalize 9ach W ords - Warak Antar . aris (S pasi):

- 5 itulis L angsung b omor Damb ar - / ara t e nulisan

(14)

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

3.13 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

(15)

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

- 5 itulis L angsung b omor Tab e l - / ara t e nulisan

(16)

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

- 5 itulis L angsung b omor t e rsamaan - / ara t e nulisan

(17)

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

- 5 itulis L angsung b omor L ampiran - / ara t e nulisan

(18)

B A B I

P E ND A HUL U A N

1.1 L atar B elak ang

(19)

2 dimeng erti oleh pengg una s is tem nantinya.

(20)

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.

(21)

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.

(22)

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.

(23)

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

(24)

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

(25)

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

(26)

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

(27)

10 da n hidden laye r akan ditambahka n s ebuah neuron bias .

(28)

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

(29)

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

(30)

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

(31)

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

(32)

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.

(33)

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.

(34)

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

(35)

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

(36)

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

(37)

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.

(38)

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

(39)

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)

(40)

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

(41)

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

(42)

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

(43)

(44)

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

(45)

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)

(46)

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

(47)

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

(48)

(49)

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

(50)