3.2 Analisis Sistem
Pada sistem ini akan dilakukan analisis terhadap sistem untuk melakukan prediksi penentuan biaya perkuliahan yang berlaku untuk mahasiswa Program Studi Ilmu
Komputer dan Teknologi Informasi di Fakultas Ilmu Komputer dan Teknologi Informasi Fasilkom-TI Universitas Sumatera Utara dengan menggunakan algoritma
EFuNN Evolving Fuzzy Neural Network.
3.2.1 Analisis masalah
Beberapa kendala masih terjadi pada kasus penentuan biaya perkuliahan oleh pihak universitas. Seperti sulitnya menentukan besaran yang diperlukan dalam penentuan
biaya perkuliahan berdasarkan berbagai faktor unit cost, dan menimbulkan waktu yang terlalu lama dalam penentuannya. Oleh karena itu metode ini memberikan
perhitungan yang lebih baik dan teliti.
3.2.2 Analisis kebutuhan
Kebutuhan merupakan suatu keinginan yang akan dicapai dalam melakukan perancangan. Kebutuhan menggambarkan fungsi dan batasan untuk aplikasi.
Adapun analisis kebutuhan dibagi menjadi dua, antara lain adalah kebutuhan fungsional dan kebutuhan nonfungsional.
3.2.2.1 Kebutuhan fungsional
Kebutuhan fungsional adalah kebutuhan yang fungsi-fungsinya harus dipenuhi pada rancangan aplikasi. Kebutuhan fungsional yang harus dipenuhi pada aplikasi yang
akan dirancang adalah : 1. Aplikasi harus mampu meng-input data kategori jenis biaya
2. Aplikasi harus mampu menentukan prediksi biaya perkuliahan sesuai dengan data kategori jenis biaya yang di-input
Universitas Sumatera Utara
3.2.2.2 Kebutuhan nonfungsional
Kebutuhan nonfungsional terdiri dari beberapa macam karakteristik, antara lain : 1. Performa
Aplikasi yang akan dibangun dapat menampilkan hasil dari fungsi sistem yaitu untuk menentukan prediksi biaya perkuliahan
2. Efisiensi Aplikasi yang akan dibangun diharuskan sederhana, agar memudahkan pengguna
untuk memakainya. 3. Ekonomi
Aplikasi yang akan dibangun tanpa mengeluarkan biaya tambahan dalam penggunaannya.
3.2.3 Flowchart
Flowchart merupakan bagian yang menampilkan alur proses kerja yang terjadi ataupun sedang dikerjakan dalam keseluruhan sistem dengan menyusun urutan
prosedur-prosedur yang akan dilakukan. Pada penelitian ini terdapat dua tahap proses yaitu: data training dan data testing
yang dapat dilihat pada Gambar 3.1 dan 3.2
Universitas Sumatera Utara
Mulai
Normalisasi data
Tentukan Nilai Bobot 1 dan Bobot 2
Data Training = n
Tambah rule node baru
Menghitung normalized fuzzy local distance
Hitung Nilai Aktivasi
A
max Thres
Melakukan Propagasi terhadap nilai Aktivasi
Hitung besar Error
Err error1
Ubah Nilai bobot 1 dan bobot 2
F
T
T F
T F
Selesai Fungsi Keanggotaan
Input data BL dan BTL
Data BL dan BTL
Gambar 3.1. Flowchart data training
Pada Gambar 3.1 cara kerja data training yang akan dibangun yaitu : 1. Ambil data Biaya Langsung dan Biaya Tak Langsung yang ingin di training
2. Melakukan Normalisasi data yang akan digunakan dan diubah pada rentang 0 ≤ x ≤ 1, dengan persamaan 2.1
Universitas Sumatera Utara
3. Menentukan nilai Fungsi Keanggotaan Membership Function terhadap data yang telah dinormalisasikan dengan persamaan 2.2
4. Tentukan rule node pertama untuk data pertama dan mengisi nilai bobot 1 dan bobot 2
5. Hitung nilai normalized fuzzy local distance dengan persamaan 2.4 6. Hitung nilai aktivasi dari hasil perhitungan rule node dengan persamaan
2.5 7. Cari nilai aktivasi tertinggi
8. Cek nilai Ai lebih besar dari Sensitive Threshold sThr, jika tidak maka rule node akan ditambah 1 dan kembali ke langkah 6
9. Lakukan propagasi terhadap nilai aktivasi dengan persamaan 2.6 10. Hitung nilai besar Error dengan persamaan 2.7
11. Cek Err lebih kecil dari error Threshold eThr dengan persamaan 2.8, jika tidak maka rule node akan ditambah 1 dan kembali ke langkah 6
12. Ubah bobot 1 dan bobot 2 dengan persamaan 2.9
Untuk flowchart data testing dapat dilihat pada Gambar 3.2
Universitas Sumatera Utara
Mulai
Ambil data BL dan BTL
Normalisasi data Fungsi Keanggotaan
Tentukan Nilai Bobot 1 dan Bobot 2
Data Testing = n
Menghitung normalized fuzzy local distance Hitung Nilai Aktivasi Maksimum
rNodeTes rNode
F
T
Data BL dan BTL
Selesai Hitung MAPE
Hitung Nilai Denormalisasi
Nilai Data Testing
F
T
Input parameter: sens thres, error thres, lr1, lr2, dan jlh
mhs
Hitung nilai Unit Cost
Gambar 3.2. Flowchart data testing
Universitas Sumatera Utara
Pada Gambar 3.2, cara kerja data Testing yang akan dibangun yaitu : 1. Input Nilai Parameter Sesnsitive Threshold sThr, Error Threshold eThr,
Learning rate 1 lr1, learning rate 2 lr2, dan jumlah mahasiswa. 2. Ambil data Biaya Langsung dan Biaya Tak Langsung sesuai dengan tahun nya.
3. Melakukan Normalisasi data yang akan digunakan dengan persamaan 2.1 4. Menentukan nilai Fungsi Keanggotaan Membership Function terhadap data
yang telah dinormalisasikan dengan persamaan 2.2 5. Tentukan rule node pertama untuk data pertama dan mengisi nilai bobot 1 dan
bobot 2 6. Hitung nilai normalized fuzzy local distance dengan persamaan 2.4
7. Hitung nilai aktivasi dari hasil perhitungan rule node dengan persamaan 2.5 8. Cari Nilai aktivasi tertinggi
9. Cek jika nilai rule node Testing lebih kecil dari rule node training, jika tidak maka kembali ke langkah 6.
10. Melakukan denormalisasi dari hasil data testing untuk menghasilkan nilai sebenarnya, dengan persamaan 3.1
x = y – 0.1 b - a + 0.8a 0.8
3.1
Keterangan: x = nilai denormalisasi y = nilai hasil prediksi
b = nilai maximum dari data a = nilai minimum dari data
11. Menghitung nilai unit cost yaitu dengan menghitung penjumlahan BL dengan BTL 12. Hitung tingkat kesalahan pada hasil prediksi dengan mengunakan MAPE Mean
Absolute Percentage Error dengan persamaan 3.2
Universitas Sumatera Utara
=
|
−
|
=1
x 100 3.2
Keterangan : a = data aktual b = data prediksi
n = banyak data testing
3.3 Use Case Diagram