BAB 2
LANDASAN TEORI
Bab ini akan membahas landasan teori, penelitian terdahulu, kerangka pikir dan
hipotesis yang mendasari penyelesaian permasalahan dalam prediksi biaya
perkuliahan untuk jurusan Teknologi Informasi di Fakultas Ilmu Komputer dan
Teknologi Informasi Universitas Sumatera Utara dengan menggunakan algoritma
Evolving Fuzzy Neural Network (EFuNN).
2.1 Data Mining
Data Mining berisi pencarian trend atau pola yang diinginkan dalam database besar
untuk membantu pengambilan keputusan di waktu yang akan dating. Pola-pola ini
dikenali oleh perangkat tertentu yang dapat memberikan suatu analisa data yang
berguna dan berwawasan yang kemudian dapat dipelajari dengan lebih teliti, yang
mungkin saja menggunakan perangkat pendukung keputusan (Hermawati, 2013).
Data Mining merupakan teknologi yang sangat berguna untuk membantu
perusahaanperusahaan menemukan informasi yang sangat penting dari gudang data
(Data warehouse) mereka. Dengan data mining dapat meramalkan tren dan sifat-sifat
perilaku bisnis yang sangat berguna untuk mendukung pengambilan keputusan
penting (Kusnawi, 2007).
Data mining melibatkan integrasi teknik dari berbagai disiplin ilmu seperti
database dan data warehouse teknologi, statistik, pembelajaran mesin (machine
visualisasi data, informasi pengambilan, gambar dan pemrosesan sinyal, dan analisis
data spasial atau temporal (Han et al., 2006).
Data warehousing dan data mining merupakan dasar-dasar arsitektural bagi
sistem-sistem pendukung keputusan. Keduanya memiliki hubungan simbiotik dimana
data warehouse menyiapkan tahapan untuk kegiatan data mining yang efektif.
Teknologi data warehouse telah memungkinkan sebuah organisasi untuk mengelola
dan menyimpan data bisnis dalam volume yang sangat besar dalam bentuk yang dapat
dianalisa. Kematangan dalam bidang kecerdasan buatan telah pula menciptakan
sekumpulan teknik mesin pembelajaran (machine learning) yang berguna untuk
mengotomatisasi kegiatan-kegiatan penting dan melelahkan guna mengungkapkan
pola-pola dalam database. (Sitompul, 2008)
2.1.1. Operasi data mining
Operasi data mining menurut sifatnya dibedakan menjadi dua yaitu:
1. Prediksi (prediction driven)
Yaitu untuk menjawab pertanyaan apa dan sesuatu yang bersifat remang-remang
atau transparan. Operasi prediksi digunakan untuk validasi hipotesis, querying dan
pelaporan, analisis multidimensi; OLAP (Online Analytic Processing) serta
analisis statistik.
2. Penemuan (discovery driven)
Yaitu bersifat transparan dan untuk menjawab pertanyaan “mengapa?”. Operasi penemuan digunakan untuk analisis data eksplorasi, pemodelan prediktif,
segmentasi database, analisis keterkaitan (link analysis) dan deteksi deviasi.
2.1.2. Tahapan dalam data mining
Dalam penggunaan data mining terdapat proses dalam penggunaannya. Adapun
Gambar 2.1. Tahap-tahap penambangan data. (Han, et al., 2006)
Pada tahapan yang terlihat pada gambar 2.1 dapat diuraikan sebagi berikut:
1. Memahami domain aplikasi untuk mengetahui dan menggali pengetahuan awal
serta apa sasaran pengguna
2. Membuat target data-set yang meliputi pemulihan data dan fokus pada sub-set
data.
3. Pembersihan dan transformasi data meliputi eleminasi derau, outliners, missing
value, serta pemilihan fitur dan reduksi dimensi.
4. Penggunaan algoritma data mining yang terdiri dari asosiasi, sekuensial,
klasifikasi, klasterisasi, dll.
5. Interpretasi, evaluasi dan visualisasi pola untuk melihat apakah ada sesuatu yang
baru dan menarik dan dilakukan iterasi jika diperlukan.
2.1.3. Teknik data mining
Beberapa teknik dan sifat dalam data mining adalah sebagai berikut :
1. Klasifikasi (Classification)
Menentukan sebuah record data baru ke salah satu dari beberapa kategori atau
kelas yang telah didefinisikan sebelumnya.
2. Klasterisasi (Clustering)
Mempartisi data-set menjadi beberapa sub-set atau kelompok sedemikian rupa
dishare bersamaa, dengan tingkat similaritas tinggi dalam satu kelompok dan
tingkat similaritas antar kelompok yang rendah.
3. Kaidah Asosiasi (Association Rules)
Mendeteksi kumpulan atribut-atribut yang muncul bersamaan dalam frekuensi
yang sering, dan membentuk sejumlah kaidah dari kumpulan-kumpulan tersebut.
4. Pencarian pola sekuensial (Sequence Mining)
Mencari sejumlah event yang secara umum terjadi bersama-sama.
5. Regresi (Regression)
Memprediksi nilai dari suatu variabel kontinu yang diberikan berdasarkan nilai
dari variabel yang lain, dengan mengasumsikan sebuah model ketergantungan
linier atau nonlinier.
2.2 Fasilkom-TI USU
Fasilkom-TI USU dibentuk pada tanggal 6 September 2011 dengan diterbitkanya surat
keputusan Rektor USU nomor 2360/UN5.1 R/SK/PRS/2011. Program Studi yang
pertama kali terbentuk adalah Program Studi S-1 Ilmu Komputer dibawah naungan
FMIPA USU, Program Studi S-1 Ilmu Komputer berdiri sesuai dengan surat
keputusan Ditjen Dikti No.3551/D/T/2001 tanggal 22 Nopember 2001 tentang izin
penyelenggaraan Program Studi S-1 Ilmu Komputer. Kemudian seiring
berkembangnya keilmuan bidang komputasi maka dibentuklah Program Studi baru
yaitu Program Studi S-1 Teknologi Informasi yang juga dibawah naungan FMIPA
USU. Proposal pendirian Program Studi S-1 Teknologi Informasi diajukan ke
Direktorat Jendral Pendidikan Tinggi (Dirjen Dikti) Republik Indonesia pada awal
tahun 2007.
2.3 Biaya Perkuliahan
Biaya perkuliahan adalah biaya yang dikenakan kepada mahasiswa untuk
penyelenggaraan dan pembinaan pendidikan serta layanan administrasi akademika.
Universitas Sumatera Utara yang merupakan sebuah instansi pendidikan negara,
dalam penentuan biaya kuliah mengikut perhitungan Uang Kuliah Tunggal (UKT)
1. Surat Dirjen Dikti :
1. NOMOR: 21/E/T/2012 TGL 4 JANUARI 2012.
2. NOMOR: 274/E/T/2012 TGL 16 FEBRUARI 2012.
2. Surat Dirjen Dikti :
NOMOR: 1727/E1.1/A/2012 TGL 17 APRIL 2012.
3. Perumusan Akhir Konsep UKT Rakor PRII dan bagian perencanaan DIKTI di
Jakarta pada tanggal 25 April 2012.
Berikut akan dipaparkan ketentuan Uang Kuliah Tunggal (UKT):
1. UKT merupakan rerata dari uang kuliah setiap kelompok program studi.
2. UKT merupakan tarif yang dihitung dari Unit Cost.
3. Unit Cost merupakan komponen biaya operasional yang diperlukan untuk proses
pembelajaran dan utilitasnya di setiap wilayah diluar biaya investasi.
Dalam penentuannya Unit Cost (UC) dapat dihitung dengan perhitungan berikut,
yaitu:
Unit Cost (UC) = Biaya Langsung (BL) + Biaya Tak Langsung (BTL)
Biaya Langsung (BL) adalah nilai sumber daya yang digunakan untuk
melaksanakan aktivitas inti yaitu proses belajar mengajar. Biaya Langsung dihitung
berdasarkan aktivitas langsung mahasiswa di tiap semester. Biaya langsung terdiri
dari:
1. SDM, yakni biaya tenaga kerja langsung(gaji dan honor dosen)
2. BHP (Bahan Habis Pakai) pembelajaran
3. Sarana, dan
4. Prasarana (gedung) pembelajaran langsung
Biaya Tak Langsung (BTL) adalah nilai dari sumber daya yang digunakan untuk
melakukan aktivitas managerial, baik di tingkat fakultas maupun universitas. Biaya
Tidak Langsung dibebakan ke Unit Cost sesuai dengan proporsi jumlah mahasiswa
setiap program studi terhadap jumlah mahasiswa total di fakultas. Biaya Tak
1. Depresiasi, yakni saran dan prasarana non pembelajaran
2. Operasional, yakni biaya SDM manajerial dan non dosen
3. Pemeliharaan, dan
4. Lain-lain, seperti kegiatan pengembangan institusi.
2.4 Peramalan (Forecasting)
Menurut Gasperz (2001) Peramalan atau forecast merupakan suatu fungsi bisinis yang
berusaha memperkirakan penjualan, penggunaan produk, dan permintaan pasar
sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Peramalan
merupakan perkiraan, tetapi dengan menggunakan teknik-teknik tertentu, maka
peramalan menjadi lebih dari sekedar perkiraan (Ishak, 2010).
Dalam membuat peramalan, maka ada beberapa hal yang harus dipertimbangkan
(Ishak, 2010), yaitu:
1. Peramalan pasti mengandung kesalahan. Peramal hanya dapat mengurangi
ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian
tersebut.
2. Peramalan seharusnya memberikan informasi tentang bebrapa ukuran kesalahan.
3. Peramalan jangka pendek lebih akurat dibandingkan peramalan jangka panjang.
Menurut Ishak (2010), peramalan dibedakan menjadi tiga jenis sesuai dengan
jangka waktunya:
1. Jangka pendek (Short term)
Peramalan ini mencakup jangka waktu harian ataupun mingguan. Peramalan ini
biasanya digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah
tenaga kerja, penugasan kerja, dan tingkat produksi.
2. Jangka menengah (Medium term)
Peramalan ini mencakup jangka waktu bulanan atau kuartal. Peramalan ini
berguna untuk merencanakan penjualan, perencanaan dan anggaran produksi, dan
menganalisis bermacam-macam rencana operasi.
3. Jangka panjang (Long term)
Peramalan ini bersifat tahunan. Peramalan ini digunakan untuk merencanakan
2.5 Logika Fuzzy
Fuzzy dapat diartikan sebagai kabur atau samar-samar suatu nilai dapat bernilai
benar atau bernilai salah secara bersamaan. Logika fuzzy diperkenalkan oleh Prof. lotfi
Zadeh tahun 1965. Logika fuzzy merupakan suatu logika yang memilih nilai kesamaan
(Fuzzyness) antara benar atau salah, logika fuzzy memiliki derajat keanggotaan dalam
rentang 0 sampai 1.Logika fuzzy menunjukan sampai sejauh mana sebuah nilai itu
benar dan sejauh mana sebuah nilai itu salah (Nasution, 2012).
Logika fuzzy merupakan suatu cara untuk memetahkan suatu ruang input ke dalam
ouput, memiliki nilai kontinu dan fuzzy dinyatakan dalam derajat keanggotaan atau
derajat dari kebenaran. Logika fuzzy digunakan untuk menerjemahkan besaran yang
diekpresikan mengunakan bahasa (Nasution, 2012).
Kelebihan dari logika fuzzy adalah mampu memproses penalaran secara bahasa
sehingga dalam proses pembuatannya tidak memerlukan persamaan matematika dan
suatu objek yang akan dikendalikan (Nasution, 2012).
2.5.1. Himpunan fuzzy
Himpunan fuzzy merupakan suatu kelompok yang dimana mewakili suatu kondisi
tertentu untuk suatu variabel fuzzy. Contoh : untuk variabel umur yaitu Muda, Tua dan
Parobaya (Amiruddin,2011). Grafik Himpnan fuzzy dapat dilihat pada Gambar 2.2
Di dalam Himpunan fuzzy terdapat 2 atribut yaitu linguistik dan numeris.
Linguistik merupakan pemberian nama suatu kelompok yang mewakili kondisi
tertentu dengan mengunakan bahasa alami seperti : muda, tua dan parobaya dan
numeris merupakan nilai yang menunjukan suatu ukuran pada variabel seperti : 20,
40, dan 35. (Amiruddin,2011)
2.5.2. Fungsi keanggotaan fuzzy
Fungsi keanggotaan (member function) merupakan sebuah kurva yang pemetaannya
melalui titik-titik input data ke dalam nilai keanggotaan (derajat keanggotaan) yang di
dalamnya terdapat nilai 0 sampai 1 (Amiruddin, 2011). Menurut Amiruddin (2011),
salah satu cara untuk mendapatkan nilai keanggotaan adalah dengan cara pendekataan
fungsi, ada beberapa fungsi untuk menentukan sebuah nilai keanggotaan yaitu linear,
kurva segitiga, kurva trapesium dan metode lainnya.
1. Representasi Linear
Representasi Linear adalah pemetaan input ke derajat keanggotaanya digambarkan
dalam garis lurus. Ada 2 (dua) jenis fuzzy linear yaitu linear naik dan linear
turun.Linear naik memiliki derajat keanggotaan nol (0) bergerak ke kanan menuju
ke derajat keanggotaan yang lebih tinggi. Gambar Representasi Linear naik dapat
dilihat pada Gambar 2.3
Gambar 2.3. Grafik fungsi keanggotaan pada representasi linier naik
Linear turun adalah garis kurva yang dimulai dari domain tetinggi dari sisi sebelah
kiri bergerak menurun ke domain derajat keanggotaan yang lebih rendah. Gambar
Representasi Linear turun dapat dilihat pada Gambar 2.4
Gambar 2.4. Grafik fungsi keanggotaan pada representasi linier turun
Fungsi Keanggotaan:
µ 𝑋 = (𝑏 − 𝑥)/(𝑏 − 𝑎); 𝑎 ≤ 𝑥 ≤ 𝑏 0; 𝑥 ≥ 𝑏
2. Representasi Kurva Segitiga
Kurva Segitiga adalah gabungan antara 2 (dua) garis linear.Gambar Representasi
Kurva Segitiga dapat dilihat pada Gambar 2.5
Gambar 2.5. Grafik fungsi keanggotaan pada representasi kurva segitiga
3. Representasi Kurva Trapesium
Kurva Trapesium adalah meneyerupai bentuk segitiga, tapi ada beberapa titik yang
memiliki nilai keanggotaan bernilai 1 (satu).Gambar Representasi Kurva
Trapesium dapat dilihat pada Gambar 2.6
Gambar 2.6. Grafik fungsi keanggotaan pada representasi kurva trapesium
Fungsi Keanggotaan:
2.6 Evolving Connectionist System (ECOS)
Evolving Connectionist System (ECOS) adalah sebuah metode pembelajaran yang
adaptif, bertahap dan sistem representasi pengetahuan yang mengembangkan struktur
dan fungsinya, dimana dalam inti sistem terdapat arsitektur koneksionis yang terdiri
dari neuron (unit pengolahan informasi) dan hubungan antar-neuron (Kasabov, 2007).
Evolving Connectionist System (ECOS) merupakan sistem komputasi cerdas yang
berdasarkan JST (Jaringan Saraf Tiruan), tetapi juga menggunakan teknik lain dari
komputasi cerdas yang beroperasi secara terus-menerus dan mengadaptasikan
strukturnya melalui interaksi terhadap lingkungan dan sistem lainnya (Kasabov,
2007). Proses adaptasi ini diakukan melalui:
1. Sekumpulan aturan yang dapat berkembang.
2. Sekumpulan parameter yang dapat berubah selama sistem bekerja.
3. Informasi yang datang secara terus menerus, terutama pada distribusi data yang
tidak menentu.
4. Kriteria goal atau tujuan yang diterapkan untuk mengoptimalkan kinerja sistem
dari waktu ke waktu.
Gambar 2.7. Komponen ECOS (Kasabov, 2007)
2.7 EFuNN (Evolving Fuzzy Neural Network)
EFuNN (Evolving Fuzzy Neural Network) pertama kali diperkenalkan oleh Kasabov
pada tahun 1999 yang merupakan fuzzy neural model. Fuzzy Neural Network (FuNN)
merupakan struktur terhubung yang mengimplementasikan aturan-aturan fuzzy
inference system. FuNN merepresentasikan sebuah kelas dari struktur tersebut. Model
EFuNN memiliki prinsip yang berbeda dengan FuNN walaupun memiliki struktur
yang mirip. EFuNNs dikembangkan berdasarkan prinsip-prinsip Evolving
2.7.1 Arsitektur EFuNN (Evolving Fuzzy Neural Network)
EFuNN memiliki lima struktur layer dengan node dan koneksinya dibentuk atau
dikoneksikan sesuai dengan data sample yang ada, seperti yang dapat dilihat pada
Gambar 2.8.
Gambar 2.8. Arsitektur standar EFuNN (Kasabov, 2007)
Sebuah layer opsional (short-term) memory dapat digunakan melalui sebuah
kondisi feedback dari aturan-aturan node pada layer seperti ditunjukkan oleh Gambar
2.9. Layer feedback yang terkoneksi dapat digunakan jika relasi temporal input data
dapat dikenali secara struktural (Kasabov, 2007).
Berikut penjelasan mengenai lima layernya:
1. Layer pertama merupakan layer input variabel dimana variabel-variabel
masukan tersebut akan dilatih dan diuji pada tahap EFuNN selanjutnya.
2. Layer kedua merepresentasikan persamaan fuzzy dari masing-masing bagian.
Sebagai contoh, dua buah input fuzzy pada jaringan/neuron merepresentasikan “kecil” dan “besar” untuk sebuah input variabel umum. Fungsi keanggotaan
fuzzy dapat ditambahkan untuk mendapatkan derajat keanggotaan setiap data
input.
3. Layer ketiga berisi aturan-aturan (case) yang dikembangkan melalui
pembelajaran terawasi atau metode pembelajaran tidak terawasi. Aturan
prototype (sampel-sampel) dari input–output kumpulan data yang dapat
dipresentasikan secara grafik sebagai hyper-spheres (titik puncak pada grafik
geometri/lengkungan kurva fungsi keanggotaan) dari sphares (bidang
lengkungan) grafik input fuzzy dan output fuzzy. Setiap aturan r didefenisikan
dengan 2 vektor dari koneksi bobot – W1(r) dan W2(r), aturan yang paling
akhir disesuaikan melalui pembelajaran terawasi berdasarkan error output, dan
aturan awal disesuaikan melalui pembelajaran tidak terawasi berdasarkan
kemiripan pengukuran di dalam suatu area masalah. Suatu fungsi aktivasi
linier, atau suatu gaussian function, digunakan pada neuron/jaringan pada
layer ini.
4. Pada layer keempat dilakukan kuantisasi variabel fuzzy output. Kuantisasi
adalah operasi pemotongan (truncation) atau pembulatan (rounding) nilai data
dengan suatu presisi (precision) tertentu untuk mendapatkan nilai luas kurva.
Pada layer ini masukan bobot fungsi penjumlahan dan sebuah fungsi aktivasi
linier penuh/jenuh digunakan pada neuron/jaringan untuk menghitung derajat
keanggotaan yang mana vektor output yang terhubung dengan input vektor
yang diberikan masing-masing fungsi keanggotaan output.
5. Layer kelima merepresentasikan dari nilai dari variabel output. Di layer ini
sebuah fungsi aktivasi linier digunakan untuk menghitung nilai defuzifikasi
2.7.2 Algoritma EFUNN (Evolving Fuzzy Neural Network)
Berikut ini adalah algoritma EFUNN (Evolving Fuzzy Neural Network) (Chang et al.
2006):
1. Melakukan inisialisasi terhadap parameter yakni: sensitive threshold (sThr), error
threshold (errThr), learning rate 1 (lr1), dan learning rate 2 (lr2).
2. Melakukan normalisasi data yang telah diinput dengan data ditransformasikan
pada selang 0,1 sampai 0.9. Adapun rumus untuk melakukan normalisasi data
adalah sebagai berikut.
𝑦= 0,8 (𝑏−𝑎𝑥−𝑎)+ 0,1 (2.1)
dimana: y = nilai normaliasai
x = nilai data beban
a = nilai minimum dari data
b = nilai maximum dari data
3. Melakukan fuzifikasi terhadap data yang akan di training dengan menggunakan
fungsi keanggotaan (membership function).
µ 𝑋 =
0; 𝑥 ≤ 𝑎𝑎𝑡𝑎𝑢𝑥 ≥ 𝑐 (𝑥 − 𝑎)/(𝑏 − 𝑎); 𝑎 ≤ 𝑥 ≤ 𝑏 (𝑏 − 𝑥)/(𝑐 − 𝑏); 𝑏 ≤ 𝑥 ≤ 𝑐
(2.2)
4. Membuat rule node pertama r(1) untuk merepresentasikan data yang pertama dan
mengisi nilai pada bobot satu dan bobot dua.
𝑟= 1;𝑊11 = 𝐼𝑛𝑝𝐹𝑖;𝑊21 = 𝑡𝑎𝑟𝑔𝑒𝑡1 (2.3)
5. Lakukan pengulangan selama i <= N
a. Menghitung normalized fuzzy local distance (D) diantara fuzzy input vector
(𝐼𝑛𝑝𝐹𝑖) dan fuzzy input vector yang berada di tempat penyimpanan
sementara pada saat rule node (𝑟𝑗), j=1…R, dimana R adalah nilai rule node
𝐷(𝐼𝑛𝑝𝐹𝑖,𝑟𝑗) = |𝐼𝑛𝑝 𝐹𝑖−𝑤1𝑟𝑗
c. Cari rule node (𝑟𝑗*) yang memiliki nilai aktivasi tertinggi
d. Jika nilai 𝐴1𝑟𝑗 lebih besar dari sThr, maka menuju langkah (e), jika nilai
𝐴1𝑟𝑗 lebih kecil dari sThr, maka: j = j +1. Ulangi dari langkah (a). e. Melakukan propagasi terhadap aktivasi dari rule node (𝑟𝑗*)
𝐴2 = 𝑊1𝑟𝑗.𝑊2𝑟𝑗 (2.6)
f. Menghitung fuzzy ouput error.
𝐸𝑟𝑟𝑜𝑟= |𝐴2− 𝑡𝑎𝑟𝑔𝑒𝑡𝑖| (2.7)
g. Cari action node (k*) dengan nilai aktivasi tertinggi dari A2.
2.8 PHP (Hypertext Preprocessor)
Menurut Prasetyo (2008), PHP (Hypertext Preprocessor) adalah skrip yang bersifat
server-side yang ditambahkan ke dalam skrip HTML. PHP merupakan singkatan dari
Personal Home Page Tools. Skrip ini yang akan membuat suatu aplikasi website dapat
diintegrasikan ke dalam HTML sehingga website tersebut tidak lagi bersifat statis,
namun menjadi bersifat dinamis. Maksud dari bersifat server-side itu sendiri adalah
pengerjaan skrip di lakukan di server, baru kemudian hasilnya dikirim ke browser.
Cara penulisan script PHP terbagi atas empat style, yaitu:
1. Standard Style, dengan format: <?php … ?>
2. Short Style, dengan format: <? … ?>
3. Javascript Style, dengan format: <script language=’PHP’> … </script>
4. ASP Style, dengan format: <% … %>
2.9 UML
Pemodelan merupakan gambaran sederhana dalam bentuk pemetaan dengan berbagai
aturan-aturan tertentu. Pemodelan perangkat lunak digunakan untuk mempermudah
tahapan berikutnya sehingga pengembangan dilakukan dengan lebih terencana..
Pada perkembangan teknik pemrograman berorientasi objek, muncullah sebuah
standarisasi bahasa pemodelan untuk pembangunan perangkat lunak yang dibangun
dengan menggunakan teknik pemrograman berorientasi objek, yaitu Unified Modeling
Languge (UML). UML muncul karena adanya kebutuhan pemodelan visual untuk
menspesifikasikan, menggambarkan, membangun, dan dokumentasi dari sistem
perangkat lunak. UML merupakan bahasa visual untuk pemodelan dan komunikasi
mengenai sebuah sistem dengan menggunakan diagram dan teks-teks pendukung.
UML hanya berfungsi untuk melakukan pemodelan. Jadi penggunaan UML tidak
terbatas pada metodologi tertentu, meskipun pada kenyataannya UML paling banyak
2.10 MySQL
MySQL merupakan server database yang mendukung perintah SQL (Structured
Query Languange). Perintah dalam MySQL disebut dengan pernyataan (statement)
yang memiliki cirri khas pengakhirannya yang di tutup dengan tanda titik koma(;).
MySQL pada prinsip kerja nya yaitu mengetikkan sejumlah pernyataan dan di akhiri
dengan titik koma, maka program klien MySQL akan segera mengirim perintah
tersebut ke server database MySQL dan kemudian memberikan respon yang sesuai.
Prinsip kerja dari MySQL yaitu dengan mengetikkan sejumlah pernyataan dan di
akhiri dengan titik koma, maka program klien MySQL akan segera mengirim perintah
tersebut ke server database MySQL dan kemudian memberikan respon yang sesuai
dengan pernyataan yang diberikan (Rozy, 2014). Berikut pernyataan-pernyataan
umum yang sering digunakan dalam MySQL adalah sebagai berikut:
1. “SELECT” digunakan untuk menampilkan informasi dari sebuah table pada
Dalam melakukan penelitian, penulis membutuhkan beberapa bahan penelitian yang
sudah pernah dilakukan peneliti-peneliti lainnya mengenai masalah teknik data
mining, dan algoritma Evolving Fuzzy Neural Network (EFuNN).
Muhammad Fadhly Sani, Romi Fadillah Rahmat, dan Noviyanti (2013) berhasil
mengimplementasikan metode Evolving Fuzzy Neural Network dengan memiliki
keakuratan yang berbeda-beda dan rata-rata memiliki tingkat error sebesar 0,6% untuk
meramalkan jumlah penjualan telur pada salah satu distributor telur di kabupaten Deli
Chandrawati Putri Wulandari, Purnomo Budi Santoso dan Arif Rahman (2013)
telah menggunakan Sistem Pengambilan Keputusan (SPK) untuk mengkalkulasi
jumlah tunggakan uang kuliah mahasiswa.
Reza Elfandra Siregar (2014) melakukan penelitian dan pengujian untuk sistem
prediksi banjir dengan mengunakan metode Weighted Evolving Fuzzy neural
Network(WEFuNN).
Untuk penelitian yang dilakukan oleh peneliti sebelumnya, dapat dilihat pada
Tabel 2.1.
Tabel 2.1. Tabel Penelitian Terdahulu
No Peneliti Judul Penelitian
