27
3. Dokumentasi Sistem yang akan dibangun dapat menyimpan hasil prediksi dari proses LVQ
dan Backpropagation.
4. Kontrol Sistem yang akan dibangun memiliki kontrol berupa enable dan disable,
dimana ketika parameter-parameter JST belum dimasukkan maka kontrol fungsi pada sistem dalam keadaan disable tetapi setelah parameter-parameter
JST dimasukkan maka kontrol fungsi sistem dalam keadaan enable.
5. Hemat Biaya Sistem yang akan dibangun tidak memerlukan perangkat tambahan dalam
proses eksekusinya sehingga dari segi biaya sistem lebih hemat dan waktu respon yang digunakan oleh sistem lebih cepat sehingga waaktu proses yang
digunakan oleh sistem lebih efektif dibandingkan secara manual.
3.3 Permodelan
Pada penelitian ini digunakan UML sebai bahasa pemodelan untuk mendesain dan merancang sistem prediksi kenaikan golongan pegawai. Model UML yang akan
digunakan adalah use case, activity diagram, sequence diagram dan class diagram.
3.3.1 Use Case Diagram
Untuk mengetahui aktor dan use case yang akan digunakan, maka dilakukan identifikasi aktor dan identifikasi use case. Setelah mendapatkan aktor dan use case,
maka use case diagram dapat digambarkan. Pengidentifikasian aktor dan use case pada sistem ini dilakukan dengan menjawab beberapa pertanyaan berikut :
1. Siapa yang menggunakan sistem? Jawaban : Pengguna
Universitas Sumatera Utara
28
2. Siapa yang diperlukan untuk melaksanakan fungsi pada sistem? Jawaban : Pengguna
3. Apa saja yang dapat dilakukan user pada sistem? Jawaban : Melakukan Training terhadap JST dengan menggunakan metode
LVQ dan Backpropagation dan dapat melakukan pengujian sistem untuk melihat daftar pegawai-pegawai yang layak dan tidak layak mendapatkan
kenaikan golongan.
Use case diagram berdasarkan aktor dan use case ditampilkan pada Gambar 3.2.
Sistem Memprediksi Kenaikan Golongan Pegawai
Aktor Backpropagation
LVQ
Pengujian Training
Pengujian Training
«uses»
«uses»
depend
depend
depend
depend
Gambar 3.2 Use case Diagram Sistem Memprediksi Kenaikan Golongan Pegawai
Universitas Sumatera Utara
29
3.3.2 Use case LVQ
Tabel 3.1 menunjukkan naratif use case LVQ Tabel 3.1 Dokumentasi naratif use case LVQ
Nama Use case Proses LVQ
Aktor Pengguna
Deskripsi Use case ini mendeskripsikan proses LVQ untuk
memprediksikan kenaikan golongan pegawai. Prakondisi
Sistem sudah masuk kedalam tampilan antarmuka LVQ dan sudah siap menerima masukan dari Jaringan Syaraf Tiruan.
Bidang Khas Aksi Aktor
Respon Sistem Langkah 1 : Pengguna
memilih tombol Data Training untuk mengisi
Nama File Pelatihan. Langkah 2 : Sistem
memanggil Data Pegawai dan menampilkan kedalam List
Box Data pelatihan LVQ. Langkah 3 : Pengguna
memilih tombol Data Uji untuk mengisi Nama File
Pengujian. Langkah 4 : Sistem
memanggil Data Pegawai Uji dan menampilkan kedalam
List Box Data Pengujian. Langkah 5 : Pengguna
memilih tombol Training. Langkah 6 : Sistem mengolah
data pelatihan dan hasilnya akan ditampilkan kedalam
grafik training. Langkah 7 : Pengguna
memilih tombol Pengujian.
Langkah 8 : Sistem mengolah data Pengujian dan hasilnya
akan ditampilkan dalam grafik serta menghasilkan
lama waktu pengujian. Langkah 9 : Sistem akan
menampilkan hasil prediksi layak atau tidak pegawai
mendapatkan kenaikan
Universitas Sumatera Utara
30
golongan yang berupa kelas dimana k
1
= layak, dan k
2
= tidak layak. Dan
menampilkan grafiknya.
Bidang Alternatif Langah 10 : Pengguna
akan memilih tombol Bersih.
Langkah 11 : Sistem akan berfungsi menghapus memori
dan tampilan Data Pelatihan LVQ dan data Pengujian.
Langkah 12 : Pengguna akan memilih tombol
Keluar. Langkah 13 : Sistem akan
berfungsi untuk mengakhiri aplikasi LVQ dan kembali Ke
Menu Utama. Post-Kondisi
Sistem akan menampilkan hasil prediksi Data Pegawai yang berupa Kelas, dimana K1 = Layak dan K2 = Tidak
Layak mendapatkan kenaikan golongan.
Universitas Sumatera Utara
31
Activity diagram untuk use case LVQ diperlihatkan pada Gambar 3.3
PENGGUNA SISTEM
Memilih Tombol Data Training Memanggil Data Pegawai dan menampilkan kedalam List Box Data Pelatihan
Pilih Tidak
Memanggil Data Pegawai Uji dan menampilkan kedalam List Box Data Uji Validasi Kesesuaian parameter
Sesuai Tidak Sesuai
Menampilkan hasil prediksi layak atau tidak layak mendapatkan kenaikan golongan Pilih
Tidak Validasi Kesesuaian parameter
Tidak Sesuai Sesuai
Tidak Sesuai Sesuai
Tidak Validasi Kesesuaian parameter
Tombol Data Uji
Tombol Training
Tombol Pengujian Pilih
Mengolah Data Pelatihan, menampilakn kedalam grafik Training dan Pelatihan
Mengelola data Pengujian dan menghasilkan waktu pengujian
Gambar 3.3 Activity Diagram LVQ
Universitas Sumatera Utara
32
3.3.3 Use case Backpropagation
Tabel 3.2 menunjukkan naratif use case Backpropagation Nama Use case
Proses Backpropagation Aktor
Pengguna Deskripsi
Use case ini mendeskripsikan proses Backpropagation dan sudah siap menerima masukan dari Jaringan Syaraf
Tiruan.
Bidang Khas Aksi Aktor
Respon Sistem Langkah 1 : Pengguna
memilih tombol Data Training untuk mengisi
Nama File Pelatihan. Langkah 2 : Sistem
memanggil Data Pegawai dan menampilkan kedalam
List Box Pelatihan Backpropagation.
Langkah 3 : Pengguna memilih tombol Data Uji
untuk mengisi Nama File Pengujian.
Langkah 4 : Sistem memaggil Data Pegawai
Uji dan menampilkan kedalam List Box Data
Pengujian. Langkah 5 : Pengguna
memilih tombol Training Langkah 6 : Sistem
mengolah data pelatihan dan hasilnya akan
ditampilkan kedalam grafik training dan grafik
pelatihan. Langkah 7 : Pengguna
memilih tombol Pengujian Langkah 8 : Sistem
mengolah pengujian data dan hasilnya akan
ditampilkan dalam grafik pengujian serta
menghasilkan lama waktu
Universitas Sumatera Utara
33
pengujian. Langkah 9 : Sistem akan
menampilkan hasil prediksi layak atau tidak
pegawai mendapatkan kenaikan golongan berupa
target dimana apabila target 1 = layak, dan target
2 = tidak layak
Bidang Alternatif Langkah 10 : Pengguna
akan memilih tombol Bersih.
Langkah 11 : Sistem akan berfungsi menghapus
memori dan tampilan Data Pelatihan dan data
pengujian Backpropagation
Langkah 12 : Pengguna akan memilih Tombol
Keluar. Langkah 13 : Sistem akan
berfungsi untuk mengakhiri aplikasi
Backpropagation dan kembali ke Menu Utama.
Post-Kondisi Sistem akan menampilkan hasil prediksi Layak atau
tidaknya Pegawai mendapatkan kenaikan golongan.
Universitas Sumatera Utara
34
Activity diagram untuk use case Backpropagation diperlihatkan pada Gambar 3.4
PENGGUNA SISTEM
Memilih Tombol Data Training Memanggil Data Pegawai dan menampilkan kedalam List Box Data Pelatihan
Pilih Tidak
Memanggil Data Pegawai Uji dan menampilkan kedalam List Box Data Uji Validasi Kesesuaian parameter
Sesuai Tidak Sesuai
Menampilkan hasil prediksi layak atau tidak layak mendapatkan kenaikan golongan Pilih
Tidak Validasi Kesesuaian proses
Tidak Sesuai Sesuai
Tidak Sesuai Sesuai
Tidak Validasi Kesesuaian proses
Tombol Data Uji
Tombol Training
Tombol Pengujian Pilih
Mengolah Data Pengujian, menampilkan kedalam grafik dan menghasilkan waktu pengujian Mengolah Data Pelatihan, menampilakn kedalam grafik Training dan Pelatihan
Gambar 3.4 Activity Diagram Backpropagation
Universitas Sumatera Utara
35
3.3.4 Analisis Proses Sistem
Berikut ini dijelaskan proses Backpropagation yang terjadi pada sistem dengan menggunakan sequence diagram.
3.3.4.1 Proses LVQ
Pada proses LVQ, input Data pelatihan dan target dimana data pelatihan ada 40 data dan target yang diinginkan ada dua yaitu layak dan tidak layak. Kemudian target yang
diinput diubah kedalam vektor. Pada tahap selanjutnya tentukan jumlah ukuran kelas dan jumlah neuron yang akan digunakan. Di dalam program jumlah kelas ada 2 yaitu,
k
1
= layak dan k
2
= tidak layak, jumlah neuron ada empat neuron. Selanjutnya jaringan yang akan dibangun dipakai newlvq dan cara untuk menentukan kelas yang diproses
digunakan net = newlvqminmaxP,JumNeuron,1Jumklsones1,Jumkls setelah kelas diperoleh berdasarkan nilai jarak maka di inputkan nilai parameter dan
trainingnya. Didalam program nilai-nilai parameternya sebagai berikut : net.trainParam.epochs = 100
net.trainParam.goal = 0.01 Pada tahapan selanjutnya dilakukan training data dengan cara memanggil data
pelatihan utk dilakukan training dan memanggil data pengujian. Data pelatihan di training pada saat diproses maka akan muncul grafik yang menggambarkan hubungan
epoh dan goalnya. Apabila epoh sudah mencapai 100 epoh atau apabila learning goalnya sudah mencapai 0.01 maka grafik akan berhenti.
Tahapan selanjutnya data dari pengujian yang baru diuji untuk menentuka kelas dan neuronnya.Waktu proses pengujian akan ditampilkan dan Kelas, neuronnya
akan ditampilkan dalam grafik prediksi dimana k
1
= layak, k
2
= tidak layak. Sequence diagram untuk proses LVQ diperlihatkan pada Gambar 3.5.
Universitas Sumatera Utara
36
Input Data Pelatihan dan Target
Kelas Ubah Target ke Vektor
bangun Jaringan LVQ Input Parameter dan Training
Training Pengujian
Grafik
Proses Pengubahan
newlvq
Epoh, nilai goal yang diharapkan
Proses training Proses
Pengujian Tampilkan
hasil prediksi Buat kelas
berdasarkan Jarak
Top Package::Program
Gambar 3.5 Sequence Diagram Proses LVQ
Berikut adalah algoritma dari Proses LVQ pada sistem memprediksi kenaikan golongan pegawai :
1. Pelatihan
DataLatih
textreadfullfilenama_path, nama_file_Latih N1
Nilai Kinerja N2
Lama Kerja N3
Nilai Psikotes p
DataLatih N1,N2,N3,:K t
DataLatih :,K T
ind2vect Jumkls
sizefullT,1 JumNeuron
4 net
newlvqminmaxP,JumNeuron,1Jumklsones1,Jumkls; net.trainParam.epochs = 100;
net.trainParam.goal=0.01; net = trainnet,P,T;
BobotAkhir_Input=net.IW{1,1} BobotAkhir_Lapisan=net.LW{2,1}
Hc = simnet,p; H = vec2indHc
net netsave
Universitas Sumatera Utara
37
2. Pengujian
Data Uji
textreadfullfilenama_path, nama_file_Uji net
net save M1
Nilai Kinerja M2
Lama Kerja M3
Nilai Psikotes A
Data Uji M1,M2,M3:KU Yc
simnet,A Y
vec2indYc Tampilkan hasil pengujian dalam grafik
Layak 1
TidakLayak 2
3.3.4.2 Proses Backpropagation
Pada proses Backpropagation, input data pelatihan dan target. Dimana data pelatihan ada 40 data, target yang diinginkan ada dua pola yaitu layak dan tidak layak.
Selanjutnya dilakukan proses data pelatihan dan target dengan melakukan penskalaan data agar masuk range [-1 1]. Pada tahapan selanjutnya akan dibangun jaringan
dengan menggunakan newff dan set bobot awal, hidden dan bias. Bobot awal dilakukan secara random, jaringan yang dibangun ada tiga lapisan dimana lapisan
pertama memiliki sepuluh neuron dan diproses dengan menggunakan tansig, lapisan kedua memiliki lima neuron dan diproses dengan menggunakan logsig, dan lapisan
ketiga memiliki satu neuron di proses dengan purelin dan hasil dari ketiga lapisan tersebut akan diproses dengan menggunakan traingdm.
Pada tahapan selanjutnya input nilai-nilai parameter yang akan digunakan. Pada program ini nilai-nilai parameter sebagai berikut :
net.trainParam.epoch=100, net.trainParam.goal=1e-2,
net.trainParam.mc=0.8. Setelah di input nilai-nilai parameter maka akan dilakukan training data
dengan cara memanggil data pelatihan dan data pengujian. Kemudian data pelatihan di training sehingga akan muncul grafik hasil pelatihan dimana data yang di training ada
sebanyak 40 data dan target yang diinginkan dengan dua pola yaitu pola 1 = layak, dan pola 2 = tidak layak.
Universitas Sumatera Utara
38
Pada tahapan selanjutnya maka akan dilakukan pengujian dengan 20 data. Hasil pengujian data akan ditampilkan dalam bentuk grafik dimana pola 1 = layak dan
pola 2 = tidak layak. Sequence diagram untuk proses Backpropagation diperlihatkan pada Gambar 3.6.
Input Data Pelatihan dan Target
Proses Data Pelatihan dan Target
Membangun Jaringan Set Bobot awal,hidden,
dan bias Input Parameter
Training Pengujian
Grafik
Penskalaan data
newff
Proses Training
Tampilkan hasil prediksi
Bangun 3 lapisan, tansig,
logsig,purelin
Proses Pengujian
Epoh maksimal, Learning Rate,
nilai goal yang diharapkan
Programmer
Gambar 3.6 Sequence Diagram Proses Backpropagation
Berikut adalah algoritma dari Proses Backpropagation pada sistem memprediksi kenaikan golongan pegawai :
1. Proses Pelatihan
DataLatih textreadfullfilenama_path, nama_file_Latih
N1 Nilai Kinerja
N2 Lama Kerja
N3 Nilai Psikotes
p DataLatih N1,N2,N3,:K
t DataLatih :,K
prestd p,t [pn,meanp,stdp,tn,meant,stdt]
net newffminmaxpn,[10 5 1],{‘tansig’ ‘logsig’ _
‘purelin’},’traingdm’ BobotAwal_Input
net.IW{1,1} BobotAwal_Bias_Input
net.b{1,1} BobotAwal_Lapisan1
net.LW{2,1} BobotAwal_Bias_Lapisan1
net.b{2,1} BobotAwal_Lapisan2
net.LW{3,2} BobotAwal_Bias_Lapisan2
net.b{3,1}
Universitas Sumatera Utara
39
net.trainParam.epochs 100
net.trainParam.goal 1e-2
net.trainParam.lr 0.5
net.trainParam.show 100
net.trainParam.mc 0.8
net trainnet,pn,tn
an simnet,pn
a poststdan,meant,stdt
meanp save meanp
meant save meant
stdp save stdp
stdt save stdt
net save net
2. Pengujian
net net save
stdt stdt save
stdp stdp save
meanp meanp save
meant meant save
Data Uji textreadfullfilenama_path, nama_file_Uji
M1 Nilai Kinerja
M2 Lama Kerja
M3 Nilai Psikotes
Q Data Uji M1,M2,M3:KU
TQ Data Uji :,KU
Qn trastdQ,meanp,stdp
Bn simnet,Qn
Layak 1
TidakLayak 2
Universitas Sumatera Utara
40
3.4 Flowchart System