4.1.3. Implementasi Data
Adapun data penjualan sepeda motor yang digunakan didapat dari data penjualan sepeda motor Yamaha periode Januari 2010 s.d Juli 2014 adalah sebagai berikut :
Tabel 4.1. Rangkuman data penjualan sepeda motor No
BulanTahun Nama
motor Harga
motor Harga
modal Promosi Keuntungan
1 Januari 2010
Mio 14.843.000 13.600.000 350.000
1.200.000 2
februari 2010 JupiterZ 15.800.000 14.434.000 300.000 1.150.000
3 Maret 2010
Vixion 24.000.000 23.000.000 600.000
1.200.000 4
April 2010 Scorpio 25.000.000 24.000.000 600.000
1.270.000 5
Mei 2010 Vega
12.000.000 10.200.000 400.000 1.250.000
6 Juni 2010
Mio 14.360.000 13.500.000 350.000
1.200.000 7
Juli 2010 JupiterZ
15.670.00 14.634.000 350.000 1.130.000
8 Agustus 2010
Vixion 24.000.000 23.230.000 590.000
1.350.000 9
September 2010
Scorpio 25.000.000 24.150.000 550.000 1.470.000
10 Oktober 2010
Vega 12.000.000 10.100.000 430.000
1.130.000 ...
... ...
... ...
... ...
269 Januari 2014
Mio 15.404.000 13.950.000 400.000
1.000.000 270
Februari 2014 JupiterZ 16.415.000 15.150.000 400.000 900.000
271 Maret 2014
Vixion 24.996.000 22.800.000 550.000
1.000.000 272
April 2014 Scorpio 25.561.000 24.300.000 475.000
1.090.000 273
Mei 2014 Vega
14.379.000 13.590.000 294.000 890.000
274 Juni 2014
Mio 15.104.000 13.950.000 410.000
1.270.000 275
Juli 2014 JupiterZ 16.015.000 15.450.000 395.000
1.050.000
4.2. Pengujian Sistem
Pengujian sistem adalah suatu proses eksekusi sistem perangkat lunak untuk dapat mengetahui apakah sistem Perangkat lunak yang telah dibangun sesuai dengan apa
yang dibutuhkan. Pada tahap pengujian ini memiliki tujuan untuk mencari sebuah kesalahan dalam menjalankan sebuah sistem perangkat lunak. Untuk melakukan
pengujian ini mengunakan metode Black Box Testing. Black Box testing adalah pengujian sistem dijalankan sesuai dengan modul pada sistem perangkat lunak yang
Universitas Sumatera Utara
dibangun. Kemudian dilakukan pengecekan terhadap sistem perangkat lunak yang telah dibangun sesuai dengan kebutuhan.Kurniawan, 2011.
4.2.1. Rencana Pengujian sistem
Rancangan pengujian sistem yang akan diuji dengan teknik black box Testing dapat dilihat pada tabel 4.2
Tabel 4.2 Rencana Pengujian Sistem No
Komponen sistem yang diuji Butir Uji
1 Halaman Kategori Motor
Tombol “Simpan” Tombol “Hapus”
Tombol “Edit”
2 Halaman Parameter Data
Tombol “Simpan” Tombol “Edit”
Tombol “Hapus” Form Input Parameter Data
3 Halaman Parameter Aplikasi
Form Input Parameter Aplikasi Tombol “Simpan”
Tombol “Hapus” Tombol “Edit”
4 Halaman Prediksi
Tombol “Show” Form Hasil Parameter Aplikasi
4.2.2. Kasus dan hasil pengujian sistem
Adapun kasus berikut untuk menguji sistem yang akan dibangun dengan mengunakan metode Black Box Testing berdasarkan tabel 4.2. untuk hasil pengujian Black Box
Testing dapat dilihat pada tabel 4.3, tabel 4.4, tabel 4,5 dan tabel 4.6.
Universitas Sumatera Utara
Tabel 4.3 Hasil pengujian Black Box Testing halaman Kategori Motor
Tabel 4.4 Hasil pengujian Black Box Testing halaman Parameter Data
Tabel 4.5. Hasil pengujian Black Box Testing halaman Parameter Aplikasi No
Skenario Uji Hasil yang diharapkan
Hasil Pengujian 1
Pengguna memasukan
kategori motor
yang akan dibuat dan
mengklik
tombol “Simpan” Ketika mengklik Tombol “simpan”
maka akan muncul kategori motor yang baru dibuat dan tersimpan
kedalam database. Berhasil
2 Pengguna
mengklik tombol
“Hapus”
Ketika Pengguna mengklik tombol
“Hapus” maka akan muncul pesan pop
upkemudian data kategori yang di inginkan akan terhapus.
Berhasil
3 Pengguna
mengklik tombol
“Edit”
Ketika Pengguna mengklik tombol
“Edit” maka akan muncul form untuk
mengganti nama kategori dan tombol
“Update” untuk menyimpannya.
Berhasil
No Skenario Uji
Hasil yang diharapkan Hasil Pengujian
1 Pengguna mengisi
form data motor yang akan dibuat
dan
mengklik
tombol “Simpan” Ketika mengklik Tombol “simpan”
maka akan muncul Data yang baru dibuat dan tersimpan kedalam
database. Berhasil
2
Pengguna mengklik tombol
“Hapus”
Ketika Pengguna mengklik tombol
“Hapus” maka akan muncul pesan pop upkemudian datayang di inginkan akan
terhapus. Berhasil
3 Pengguna
mengklik tombol
“Edit”
Ketika Pengguna mengklik tombol
“Edit” maka akan muncul form untuk mengganti parameter data dan tombol
“Update” untuk menyimpannya.
Berhasil
No Skenario Uji
Hasil yang diharapkan Hasil Pengujian
1 Pengguna mengisi
form parameter
aplikasi yang akan dibuat
dan mengklik
tombol
“Simpan” Ketika mengklik Tombol “simpan”
maka akan muncul data parameter yang baru dibuat dan tersimpan
kedalam database. Berhasil
Universitas Sumatera Utara
Tabel 4.6. Hasil pengujian Black Box Testing halaman Prediksi
4.2.3. Pengujian Kinerja Sistem
Misalkan terdapat 10 data penjualan sepeda motor yang dikelompokkan perbulan pada Tabel 4.7.
Tabel 4.7. Data penjualan sepeda motor Januari 2010-Oktober 2010 No
BulanTahun Nama
motor Harga
motor Harga
modal Promosi Keuntungan
1 Januari 2010
Mio 14.843.000 13.600.000 350.000
1.200.000 2
Februari 2010 JupiterZ 15.800.000 14.434.000 300.000
1.150.000 3
Maret 2010 Vixion
24.000.000 23.000.000 600.000 1.200.000
4 April 2010
Scorpio 25.000.000 24.000.000 600.000 1.270.000
5 Mei 2010
Vega 12.000.000 10.200.000 400.000
1.250.000
Tabel 4.5. Hasil pengujian Black Box Testing halaman Parameter Aplikasi
lanjutan
2 Pengguna
mengklik tombol
“Hapus”
Ketika Pengguna mengklik tombol
“Hapus” maka akan muncul pesan pop
upkemudian data parameter aplikasi yang di inginkan akan terhapus.
Berhasil
3 Pengguna
mengklik tombol
“Edit”
Ketika Pengguna mengklik tombol
“Edit” maka akan muncul form untuk
mengganti parameter aplikasi dan
tombol “Simpan” untuk
menyimpannya. Berhasil
No Skenario Uji
Hasil yang diharapkan Hasil Pengujian
1 Form Parameter
Aplikasi Ketika pengguna masuk ke dalam
halaman Predi ksi otomatis akan muncul parameter aplikasi yang telah
di pilih. Berhasil
2
Pengguna mengklik tombol
“Show”
Ketika Pengguna mengklik tombol
“Show” maka secara otomatis akan
muncul halaman yang menampilkan nilai dari prediksi sistem dan nilai
MAPE Berhasil
Universitas Sumatera Utara
Tabel 4.7. Data Penjualan sepeda motor Januari 2010-Oktober 2010 lanjutan No
BulanTahun Nama
motor Harga
motor Harga
modal Promosi Keuntungan
6 Juni 2010
Mio 14.360.000 13.500.000 350.000
1.200.000 7
Juli 2010 JupiterZ 15.670.00o 14.634.000 350.000
1.130.000 8
Agustus 2010 Vixion
24.000.000 23.230.000 590.000 1.350.000
9 September2010 Scorpio 25.000.000 24.150.000 550.000
1.470.000 10
Oktober 2010 Vega
12.000.000 10.100.000 430.000 1.130.000
Langkah-langkah perhitungan manual pada metode weighted evolving fuzzy neural networks untuk data pada Tabel 4.7 sebagai berikut:
1. Menentukan nilai dari parameter EFuNN yaitu: sensitive threshold, learning rate
1, learning rate 2, dan error threshold. Nilai parameter yang digunakan adalah sensitive threshold = 0,01, learning rate 1 = 0,01, learning rate 2 = 0,01, dan error
threshlod = 0,01.
2. Melakukan normalisasi data penjualan sepeda motor pada Tabel 4.7 berdasarkan
persamaan 3.1. Harga Target didapat dari penjumlahan harga modal ditambah biaya promosi ditambah keuntungan. Maka didapatkan nilai normalisasi yang
dapat dilihat pada Tabel 4.8.
Tabel 4.8 Nilai Normalisasi Data sepeda motor Januari 2010-Oktober 2010 No
BulanTahun Nama
motor Harga Target
Nilai Normalisasi
1 Januari 2010
Mio 15.150.000
0,2622 2
februari 2010 JupiterZ
14.434.000 0,2948
3 Maret 2010
Vixion 24.800.000
0,6911 4
April 2010 Scorpio
25.870.000 0,7386
5 Mei 2010
Vega 11.850.000
0,1155 6
Juni 2010 Mio
14.950.000 0,2533
Universitas Sumatera Utara
Tabel 4.8 Nilai Normalisasi Data sepeda motor Januari 2010-Oktober 2010
7 Juli 2010
JupiterZ 16.114.000
0,3050 8
Agustus 2010 Vixion
25.170.000 0,7075
9 September2010
Scorpio 26.170.000
0,752 10
Oktober 2010 Vega
11.660.000 0,1071
3. Menentukan nilai membership function dan target dari data yang sudah
dinormalisasi menggunakan triangular membership function sesuai dengan persamaan 2.3. Dari data penjualan sepeda motor pada Tabel 4.8. Hasil dari
penentuan nilai membership function dan target dari data yang telah dinormalisasi dapat dilihat pada Tabel 4.9.
Tabel 4.9 Nilai fuzzy input dan fuzzy output
No BulanTahun
Nama motor
Nilai Normalisasi
Fuzzy Input Inp
Fuzzy Output target
1
Januari 2010 Mio
0,2622 0,1041
0,2622
2 Februari 2010
JupiterZ 0,2948
0,1109 0,2948
3 Maret 2010
Vixion 0,6911
0,1257 0,6911
4 April 2010
Scorpio 0,7386
0,1016 0,7386
5
Mei 2010 Vega
0,1155 0,2676
0,1155
6 Juni 2010
Mio 0,2533
0,1094 0,2533
7 Juli 2010
Jupiter Z 0,3050
0,1229 0,3050
8 Agustus 2010
Vixion 0,7075
0,1260 0,7075
9
September 2010 Scorpio
0,752 0,0565
0,752
10 Oktober 2010
Vega 0,1071
0,2814 0,1071
4. Melakukan inisialisasi terhadap bobot W1 = Inp
i
, W2 = target
i
, dan rn rule node = 1, sehingga didapatkan nilai dari bobot W1 = 0,1041 dan W2 = 0,2622 dan rn =
1.
5. Melakukan training terhadap data yang ada.
Universitas Sumatera Utara
6. Melakukan proses prediksi menggunakan metode weighted evolving fuzzy neural
network pada sistem.
7. Setelah didapat hasil prediksi, maka selanjutnya melakukan denormalisasi dari
hasil prediksi menggunakan persamaan 3.2 pada sistem karena hasil prediksi belum menjadi nilai yang sebenarnya.
8. Menghitung error rata-rata prediksi dari sepuluh data yang terdapat di Tabel 4.2
dengan menggunakan persamaan 3.3.
Dan untuk hasil pengujian sistem pada database yang dimasukkan yaitu data penjualan sepeda motor dari bulan Januari 2010 s.d. Desember 2013 dengan
beberapa range priode yang ditentukan dirangkum pada Tabel 4.10.
Tabel 4.10 Rangkuman Hasil Pengujian Sistem No
RangePeriode Banyak Data
MAPE 1
Januari 2010-Desember 2011 120
0,856
2 Januari 2011-Desember 2012
120 0,871
3 Januari 2010-Desember 2012
180 0,776
4
Januari 2010-Desember 2013 240
0,698
5 Januari 2011-Desember 2013
180 0,759
6 Januari 2012-Desember 2013
120 0,857
7
Januari 2010-Desember 2010 60
0.972
Berdasarkan Tabel 4.10 dapat disimpulkan bahwa pengimplementasian metode weighted evolving fuzzy neural network memiliki keakuratan yang berbeda-beda dan
rata-rata memiliki tingkat error sebesar 0,7.
4.2.4. Pelatihan data
Pelatihan data adalah untuk mencari bobot-bobot yang terdapat pada tiap layer yang akan digunakan untuk melakukan pengujian terhadap data yang tidak dilakukan
pelatihan. Data pelatihan yang digunakan adalah data penjualan sepeda motor dari
Universitas Sumatera Utara
bulan Januari 2010 s.d. Desember 2013 dengan jumlah data sebanyak 240 data. Di bawah ini adalah hasil pelatihan dengan menggunakan parameter yang berbeda-beda
dengan menggunakan data penjualan sepeda motor pada Tabel 4.11.
Tabel 4.11 Parameter dan hasil pelatihan dengan WEFuNN No
Sensitive Threshold
Error Threshold
Learning Rate 1
Learning rate 2
MAPE
1 0,1
0,01 0,09
0,09 0,702
2
0,9 0,09
0,01 0,01
1,223
3 0,5
0,05 0,01
0,01 1,09
4 0,2
0,02 0,02
0,02 0,747
5 0,9
0,09 0,09
0,09 1,194
6 0,3
0,03 0,03
0,03 0,76
7 0,1
0,01 0,01
0,01 0,698
Berdasarkan hasil pelatihan diatas didapat bahwa dengan parameter yang berbeda, maka didapat juga tingkat error yang berbeda pula.
4.2.5. Pengujian data
Setelah hasil pelatihan dengan parameter yang berbeda-beda diperoleh, selanjutnya dilakukan pengujian terhadap 35 data testing, yaitu data penjualan sepeda motor dari
bulan Januari 2014 s.d. Juli 2014. Arsitektur jaringan yang akan digunakan dalam pengujian adalah arsitektur jaringan yang memiliki tingkat error paling kecil selama
proses pelatihan. Berdasarkan tabel pelatihan yang terdapat pada Tabel 4.11, arsitektur dengan nilai parameter sensitive threshold = 0.1, learning rate 1 = 0.01, learning rate
2 = 0.01, dan error threshold = 0,01 menghasilkan nilai error terkecil selama masa pelatihan yakni 0,698. Pengujian ini bertujuan untuk menguji keakuratan arsitektur
jaringan WEFuNN dalam mengenali pola data runtun waktu. Dari hasil pengujian, diperoleh nilai error sebesar 1,269 .
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
