Implementasi Algoritma Evolving Fuzzy Neural Network (EFuNN) Untuk Memprediksi Biaya Perkuliahan

IMPLEMENTASI ALGORITMA EVOLVING FUZZY NEURAL

NETWORK (EFuNN) UNTUK MEMPREDIKSI

BIAYA PERKULIAHAN

SKRIPSI

ANDRE HASUDUNGAN LUBIS

091402129

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2014

IMPLEMENTASI ALGORITMA

EVOLVING FUZZY NEURAL

NETWORK

(EFuNN) UNTUK MEMPREDIKSI

BIAYA PERKULIAHAN

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi

ANDRE HASUDUNGAN LUBIS 091402129

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN 2014

PERSETUJUAN

Judul : IMPLEMENTASI ALGORITMA EVOLVING

FUZZY NEURAL NETWORK (EFUNN) UNTUK MEMPREDIKSI BIAYA PERKULIAHAN

Kategori : SKRIPSI

Nama : ANDRE HASUDUNGAN LUBIS

Nomor Induk Mahasiswa : 091402129

Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI

Departemen : TEKNOLOGI INFORMASI

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI

INFORMASI

Diluluskan di

Medan, Oktober 2014

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Baihaqi Siregar, S.Si.,M.T NIP. 19790108 201212 1 002

Romi Fadillah Rahmat, B. Comp.Sc., M.Sc NIP. 19860303 200212 1 002

Diketahui/Disetujui oleh

Program Studi Teknologi Informasi Ketua,

M. Anggia Muchtar, ST.,MM.IT NIP. 19800110 200801 1 010

PERNYATAAN

IMPLEMENTASI ALGORITMA EVOLVING FUZZY NEURAL

NETWORK (EFUNN) UNTUK MEMPREDIKSI

BIAYA PERKULIAHAN SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Oktober 2014

ANDRE HASUDUNGAN L 091402129

UCAPAN TERIMA KASIH

Puji dan syukur penulis panjatkan kepada Allah SWT Yang Maha Pengasih dan Maha Penyayang, dengan segala rahmat dan karuniaNya penulisan tugas akhir ini berhasil diselesaikan dalam waktu yang telah ditetapkan. Selama penyelesaian tugas akhir ini, banyak bantuan dan kerja sama serta doa dan dukungan dari berbagai pihak, oleh karena itu penulis sampaikan ucapan terima kasih sedalam-dalamnya dan penghargaan kepada :

1. Kedua orang tua dan sanak saudara penulis yang telah memberikan dukungan dan motivasi baik materil dan spiritual, Ayahanda Prof. Ir. H. Zulkarnain Lubis, MS, PhD dan Ibunda Dra Hj. Yenni Riorita Siregar S.Psi yang selalu sabar dalam mendidik dan membesarkan penulis. Untuk abang penulis Andi Reza S. Lubis dan adik penulis Irene F. Lubis yang selalu memberikan semangat kepada penulis.

2. Bapak Romi Fadillah Rahmat, B. Comp.Sc., M.Sc dan Bapak Baihaqi Siregar, S.Si.,M.T selaku pembimbing yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis.

3. Bapak Drs. Sawaluddin, M.IT dan Bapak Dedy Arisandi, ST.,M.Kom yang telah bersedia menjadi dosen pembanding yang telah memberikan kritik dan saran kepada penulis.

4. Ketua dan Sekretaris Program Studi Teknologi Informasi, Bapak M. Anggia Muchtar, ST.,MM.IT dan Bapak M. Fadly Syahputra, B.Sc.,M.Sc.IT.

5. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen serta pegawai di Fakultas Ilmu Komputer dan Teknologi Informasi.

Seluruh sahabat terbaik penulis yang selalu memberikan dukungan, Cut Khairunnisa, SE., Ahmad Najam, Denny Pratama, Mahathir Febrian, Darma Warista, Fachriza Fahmi, Dezi Radixa, Dedek Anshori, Alex Winner, Samuel, Rama, Dedi, Egha, Agus, Reza, Alvin, Christop, Rudi, Alman, Andi, Ammar, Julia, Ridzuan, Ardiansyah, Syarah, Hasmi, Yunisya, Supon, Reinhard, Fadly Komting B, Syarif, Bang Cheney, Bang Sugi, Bang Andre, Bang Razid serta seluruh angkatan 09, serta teman-teman seluruh angkatan mahasiswa TI USU lainnya yang tidak dapat penulis sebutkan satu persatu.

Semoga segala kebaikan dan bantuannya dibalas oleh Allah SWT dan semoga tugas akhir ini dapat bermanfaat bagi semua pihak yang memerlukannya.

ABSTRAK

Lembaga pendidikan sebagai organisasi non profit sangat memerlukan informasi biaya. Tanpa informasi biaya, pihak manajemen tidak memiliki ukuran apakah masukan yang dikorbankan memiliki nilai ekonomis yang lebih rendah daripada nilai keluarannya. Dalam menentukan biaya perkuliahan yang diperoleh dari perhitungan biaya satuan (unit cost), terdapat parameter yang menentukan yaitu Biaya Langsung dan Biaya Tidak Langsung. Nilai unit cost merupakan nilai satuan biaya yang dikeluarkan untuk memberikan pelayanan kepada seorang mahasiswa per tahun dalam suatu jenjang pendidikan. Sulitnya menentukan besaran yang diperlukan mengakibatkan pemangku kebijakan membutuhkan waktu yang lama dalam menentukan biaya perkuliahan tersebut. Permasalahan ini dapat diselesaikan dengan menerapkan data mining dalam proses penentuan prediksi biaya perkuliahan dengan algoritma Evolving Fuzzy Neural Network

(EFuNN) yaitu pengkombinasian antara teori fuzzy dengan neural network

dengan mengusulkan model hibrida yang menggabungkan gagasan fuzzy logic controller, struktur neural network dan kemampuan belajar menjadi logika fuzzy neural berbasis jaringan terpadu kontrol dan sistem pengambilan keputusan.

IMPLEMENTATION OF EVOLVING FUZZY NEURAL NETWORK (EFuNN) ALGORITHM FOR THE PREDICTION OF COST LECTURES

ABSTRACT

Educational institutions as a non-profit organization is in need for information costs. Without cost information, the management does not have the measure of the input that sacrificed having a lower economic value or higher than the value of its output. For Determining lecture costs that obtained from the calculation of the unit cost, there are parameters that determine for the cost such as Direct Costs and Indirect Costs. Value of the unit cost is the costs that incurred to provide services to a student each years in a given education level. The difficulty of determining the amount, is makes the stakeholder take a long time to determining the costs. This problem can be solved by applying data mining in the process of determining lecture costs prediction with

Evolving Fuzzy Neural Network (EFuNN) algorithm. This algorithm combining the fuzzy theory with neural network to propose a hybrid model that combines the idea of fuzzy logic controller, a neural network structure and learning abilities into a neural network-based fuzzy logic control and integrated decision-making system.

Keywords: unit cost, data mining, cost lectures, EFuNN Algorithm

DAFTAR ISI

Hal .

PERSETUJUAN ... ii

PERNYATAAN ... IIiii UCAPAN TERIMA KASIH ... iv

ABSTRAK ... v

ABSTRACT ... vi

DAFTAR ISI ... vii

DAFTAR TABEL ... vi

DAFTAR GAMBAR ... vii

BAB 1 PENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Rumusan Masalah ... 2

1.3. Batasan Masalah ... 3

1.4. Tujuan Penelitian ... 3

1.5. Manfaat Penelitian ... 3

1.6. Metodologi Penelitian ... 3

1.7. Sistematika Penulisan ... 4

BAB 2 LANDASAN TEORI ... 6

2.1. Data Mining ... 6

2.1.1 Operasi Data Mining ... 7

2.1.2 Tahapan dalam Data Mining ... 7

2.1.3 Teknik Data Mining ... 8

2.2. Fasilkom-TI USU ... 9

2.3. Biaya Perkuliahan ... 9

2.4. Peramalan (Forecasting) ... 11

2.5. Logika Fuzzy ... 12 2.5.1 Himpunan fuzzy ... 1ee12

2.5.2 Fungsi keanggotaan fuzzy ... 13

2.6. Evolving Connectionist System (ECOS) ... 15

2.7. EFuNN (Evolving Fuzzy Neural Network) ... 16

2.7.1 Arsitektur EFuNN (Evolving Fuzzy Neural Network) ... 17

2.7.2 Algoritma EFuNN (Evolving Fuzzy Neural Network) ... 19

2.8. PHP (Hypertext Processor) ... 21

2.9. UML ... 21

2.10. MySQL ... 22

2.11. Penelitian Terdahulu ... 22

BAB 3 ANALISIS DAN PERANCANGAN ... 24

3.1. Data yang Dibutuhkan ... 24

3.2. Analisis Sistem ... 25

3.2.1 Analisis Masalah ... 25

3.2.2 Analisis Kebutuhan ... 25

3.1.2.1 Kebutuhan Fungsional ... 25

3.1.2.2 Kebutuhan Nonfungsional ... 26

3.2.3 Flowchart ... 26

3.3. Use Case Diagram ... 31

3.3.1 Use Case Spesification ... 32

3.4. Perancangan Aplikasi dan Antarmuka Pemakai ... 34

3.4.1 Perancangan Halaman Home ... 35

3.4.2 Perancangan Halaman Category ... 35

3.4.3 Perancangan Halaman Data ... 36

3.4.4 Perancangan Halaman Prediksi ... 37

3.4.5 Perancangan Halaman Prediksi Lanjutan ... 38

3.6. Perancangan Database ... 39

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM ... 44

4.1. Spesifikasi Perangkat Keras dan Perangkat Lunak ... 44

4.2. Antarmuka Pengguna (User Interface) ... 45

4.2.1 Tampilan Halaman Home ... 45

4.2.2 Tampilan Halaman Category ... 46

4.2.3 Tampilan Halaman Data ... 46

4.2.4 Tampilan Halaman Prediksi ... 48

4.3. Pengujian Sistem ... 52

4.3.1 Rencana Pengujian Sistem ... 52

4.4. Pengujian Sistem Secara Menyeluruh ... 54

BAB 5 KESIMPULAN DAN SARAN ... 62

5.1. Kesimpulan ... 62

5.2. Saran ... 62

DAFTAR TABEL

Hal.

Tabel 2.1 Tabel Penelitian Terdahulu 23

Tabel 3.1 Tabel Use Case Spesifikasi untuk Use Case Category 32 Tabel 3.2 Tabel Use Case Spesifikasi untuk Use Case Data 33 Tabel 3.3 Tabel Use Case Spesifikasi untuk Use Case Prediksi 34

Tabel 3.4 Tabel catbl 39

Tabel 3.5 Tabel catbtl 40

Tabel 3.6 Tabel bl 40

Tabel 3.7 Tabel btl 41

Tabel 3.8 Tabel ramalbl 41

Tabel 3.9 Tabel ramalbtl 42

Tabel 3.10 Tabel tahunan 43

Tabel 4.1 Tabel Rencana Pengujian 52

Tabel 4.2 Tabel Hasil Pengujian 53

Tabel 4.3 Tabel Parameter dan Hasil Peramalan 60

Tabel 4.4 Tabel Hasil Prediksi 61

DAFTAR GAMBAR

Hal.

Gambar 2.1 Tahap-Tahap Penambangan Data 8

Gambar 2.2 Contoh Grafik Himpunan Fuzzy Pada variabel umur (Amiruddin, 2011)

12

Gambar 2.3 Grafik Fungsi Keanggotaan pada Representasi Linear naik (Amiruddin, 2011)

13

Gambar 2.4 Grafik Fungsi Keanggotaan pada Representasi Linear turun (Amiruddin, 2011)

14

Gambar 2.5Grafik Fungsi Keanggotaan pada Representasi Kurva Segitiga (Amiruddin, 2011)

14

Gambar 2.6 Grafik Fungsi Keanggotaan pada Representasi Kurva Trapesium (Amiruddin, 2011)

15

Gambar 2.7 Komponen ECOS 16

Gambar 2.8 Arsitektur standar EFFuN (Evolving Fuzzy Neural Network) 17 Gambar 2.9 Arsitektur standar EFFuN dengan short-term memory 17

Gambar 3.1 Flowchart data training 27

Gambar 3.2 Flowchart data testing 29

Gambar 3.3 Use Case Diagram Penentuan Prediksi Biaya Perkuliahan 31

Gambar 3.4 Rancangan Halaman Home 35

Gambar 3.5 Rancangan Halaman Category 36

Gambar 3.6 Rancangan Halaman Data 37

Gambar 3.7 Rancangan Halaman Prediksi 38

Gambar 3.7 Rancangan Halaman Prediksi Lanjutan 39

Gambar 4.1 Halaman Home 45

Gambar 4.2 Halaman Category 46

Gambar 4.3 Halaman Data 47

Gambar 4.4 Halaman Prediksi 48

Gambar 4.5 Halaman Prediksi Lanjutan 49

xi

Gambar 4.7 Tampilan Data training Biaya Tak Langsung 51

Gambar 4.8 Tampilan Grafik Prediksi 51

Gambar 4.9 Data Sampel Biaya Langsung 55

Gambar 4.10 Data Sampel Biaya Tak Langsung 56

Gambar 4.11Data Sampel Biaya Tak Langsung lanjutan 1 57 Gambar 4.12 Data Sampel Biaya Tak Langsung lanjutan 2 58 Gambar 4.13 Data Sampel Biaya Tak Langsung lanjutan 3 59

Gambar 4.14 Grafik Hasil Pengujian Nilai MAPE 60

Gambar 4.15 Grafik Hasil Pengujian 61

ABSTRAK

Lembaga pendidikan sebagai organisasi non profit sangat memerlukan informasi biaya. Tanpa informasi biaya, pihak manajemen tidak memiliki ukuran apakah masukan yang dikorbankan memiliki nilai ekonomis yang lebih rendah daripada nilai keluarannya. Dalam menentukan biaya perkuliahan yang diperoleh dari perhitungan biaya satuan (unit cost), terdapat parameter yang menentukan yaitu Biaya Langsung dan Biaya Tidak Langsung. Nilai unit cost merupakan nilai satuan biaya yang dikeluarkan untuk memberikan pelayanan kepada seorang mahasiswa per tahun dalam suatu jenjang pendidikan. Sulitnya menentukan besaran yang diperlukan mengakibatkan pemangku kebijakan membutuhkan waktu yang lama dalam menentukan biaya perkuliahan tersebut. Permasalahan ini dapat diselesaikan dengan menerapkan data mining dalam proses penentuan prediksi biaya perkuliahan dengan algoritma Evolving Fuzzy Neural Network

(EFuNN) yaitu pengkombinasian antara teori fuzzy dengan neural network

dengan mengusulkan model hibrida yang menggabungkan gagasan fuzzy logic controller, struktur neural network dan kemampuan belajar menjadi logika fuzzy neural berbasis jaringan terpadu kontrol dan sistem pengambilan keputusan.

IMPLEMENTATION OF EVOLVING FUZZY NEURAL NETWORK (EFuNN) ALGORITHM FOR THE PREDICTION OF COST LECTURES

ABSTRACT

Educational institutions as a non-profit organization is in need for information costs. Without cost information, the management does not have the measure of the input that sacrificed having a lower economic value or higher than the value of its output. For Determining lecture costs that obtained from the calculation of the unit cost, there are parameters that determine for the cost such as Direct Costs and Indirect Costs. Value of the unit cost is the costs that incurred to provide services to a student each years in a given education level. The difficulty of determining the amount, is makes the stakeholder take a long time to determining the costs. This problem can be solved by applying data mining in the process of determining lecture costs prediction with

Evolving Fuzzy Neural Network (EFuNN) algorithm. This algorithm combining the fuzzy theory with neural network to propose a hybrid model that combines the idea of fuzzy logic controller, a neural network structure and learning abilities into a neural network-based fuzzy logic control and integrated decision-making system.

Keywords: unit cost, data mining, cost lectures, EFuNN Algorithm

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Pendidikan merupakan kebutuhan yang sangat penting bagi setiap manusia, yang bertujuan agar manusia tersebut dapat mengembangkan diri menjadi pribadi yang lebih baik. Namun, untuk mendapatkan suatu pelayanan pendidikan, haruslah memiliki biaya yang harus dikeluarkan. Biaya perkuliahan ini menjadi pertimbangan bagi masyarakat luas yang selalu menjadi kendala utama dalam memilih suatu pelayanan pendidikan, khususnya pada pendidikan di perguruan tinggi.

Lembaga pendidikan sebagai organisasi non profit sangat memerlukan informasi biaya. Tanpa informasi biaya, pihak manajemen tidak memiliki ukuran apakah masukan yang dikorbankan memiliki nilai ekonomis yang lebih rendah daripada nilai keluarannya, sehingga manajemen tidak memiliki informasi apakah kegiatan usahanya menghasilkan sisa hasil usaha atau tidak. Sisa hasil usaha ini sangat diperlukan untuk mengembangkan dan mempertahankan eksistensi dalam jangka panjang sebuah lembaga pendidikan tersebut. Begitu juga sebaliknya tanpa informasi biaya, tidak akan dapat diketahui akurasi didalam penetapan biaya penyelenggara pendidikan itu apakah terlalu mahal atau terlalu murah. (Juanda. et al. 2012).

Dalam menentukan biaya perkuliahan yang diperoleh dari perhitungan biaya satuan (unit cost), terdapat parameter yang menentukan yaitu Biaya Langsung dan Biaya Tidak Langsung. Nilai unit cost merupakan nilai satuan biaya yang dikeluarkan untuk memberikan pelayanan kepada seorang mahasiswa per tahun dalam suatu jenjang pendidikan.

2

Hasil dari analisis perhitungan biaya satuan (unit cost) yang dilakukan menunjukkan bahwa biaya yang dikeluarkan oleh fakultas memiliki input yaitu biaya realisasi yang dikeluarkan oleh lembaga, sedangkan outputnya yaitu biaya yang dibebankan kepada mahasiswa. Dalam hal perhitungan biaya satuan (unit cost) teridentifikasi bahwa begitu banyaknya aktivitas mahasiswa yang digolongkan menjadi aktivitas utama dan aktivitas penunjang. Aktivitas utama yaitu kegiatan proses belajar mengajar yang berhubungan langsung dengan kurikulum fakultas, sedangkan aktivitas penunjang merupakan kegiatan yang berhubungan dengan kegiatan kemahasiswaan, kegiatan sarana prasarana dan lain-lain.

Data mining adalah proses yang memperkerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge) secara otomatis. Definisi lain di antaranya adalah pembelajaran berbasis induksi (induction-based learning) adalah proses pembentukan definisi-definisi konsep umum yang dilakukan dengan cara mengobservasi contoh-contoh spseifik dari konsep-konsep yang akan dipelajari (Hermawati, 2013).

Untuk kepentingan ini, diperlukannya penambangan data (data mining) dalam perhitungannya dan memanfaatkan algoritma-algoritma yang ada. Untuk mendukung suatu pengambilan keputusan diperlukan akses ke database dalam ukuran besar dan dimensi yang lebih kompleks, sehingga diperlukan teknik data mining.

Berdasarkan uraian di atas, maka dalam penulisan skripsi ini penulis meneliti penambangan data (data mining) dalam menentukan biaya perkuliahan di Program Studi Ilmu Komputer dan Teknologi Informasi di Fakultas Ilmu Komputer dan Teknologi Informasi (Fasilkom-TI) Universitas Sumatera Utara.

1.2 Rumusan Masalah

Sulitnya menentukan besaran yang diperlukan dalam memprediksi penentuan biaya perkuliahan berdasarkan berbagai faktor unit cost.

1.3 Batasan Masalah

Pada penelitian ini, penulis membatasi masalah adalah sebagai berikut:

1. Perhitungan prediksi biaya perkuliahaan berlaku untuk mahasiswa Program Studi Ilmu Komputer dan Teknologi Informasi di Fakultas Ilmu Komputer dan Teknologi Informasi (Fasilkom-TI) Universitas Sumatera Utara.

2. Hanya menggunakan data masukan yang di ambil dari biaya perkuliahan pada jurusan Teknologi Informasi dan jurusan Ilmu Komputer di Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk membantu pemangku kebijakan dalam menentukan prediksi biaya perkuliahan, menggunakan algoritma Evolving Fuzzy Neural Network (EFuNN).

1.5 Manfaat Penelitian

Penilitian ini diharapkan dapat memberikan manfaat bagi penulis, pembaca, dan para peneliti, sebagai berikut:

1. Dapat membantu pihak universitas dalam memprediksi biaya perkuliahan yang lebih akurat.

2. Dapat menambah variasi penyelesaian masalah menggunakan aplikasi sistem prediksi penentuan biaya perkuliahan.

3. Dapat digunakan sebagai referensi atau dikembangkan bagi tugas lain yang berkaitan dengan penentuan biaya perkuliahan dan algoritma Evolving Fuzzy Neural Network (EFuNN).

1.6 Metodologi Penelitian

Metodologi penelitian yang akan dilakukan pada pembuatan skripsi ini adalah aebagai berikut:

4

1. Studi Literatur

Studi literatur dilakukan dengan mengumpulkan bahan-bahan referensi baik dari buku, artikel, paper, jurnal, makalah, maupun situs-situs internet. Studi literatur yang dilakukan terkait dengan penentuan biaya perkuliahan.

2. Analisis Permasalahan

Pada tahap ini dilakukan analisis terhadap hasil studi literatur untuk mengetahui dan mendapatkan pemahaman mengenai data mining dan algoritma Evolving Fuzzy Neural Network (EFuNN) untuk menentukan biaya perkuliahan.

3. Perancangan Sistem

Pada tahap ini dilakukan perancangan arsitektur, pengumpulan data pelatihan, dan perancangan antarmuka. Proses perancangan dilakukan berdasarkan hasil analisis studi literatur yang telah didapatkan.

4. Pengujian dan validasi hasil

Pada tahap ini dilakukan proses pengujian dan percobaan terhadap perangkat lunak yang dibuat apakah sistem sudah sesuai dengan kebutuhan.

5. Dokumentasi

Pada tahap ini dilakukan pembuatan dokumentasi sistem, lengkap dengan analisis yang diperoleh.

6. Penyusunan Laporan

Pada tahap ini dilakukan penulisan dokumentasi hasil analisis dan implementasi algoritma Evolving Fuzzy Neural Network (EFuNN) pada proses penentuan prediksi biaya perkuliahan.

1.7 Sistematika Penulisan

Sistematika penulisan skripsi ini dibagi menjadi bebrapa bagian utama, yaitu:

BAB 1 : PENDAHULUAN

Bab ini berisi tentang latar belakang, rumusan masalah, tujuan penelitian, manfaat penelitian, batasan masalah, metode penelitian, dan sistematika penulisan dari skripsi ini.

BAB 2 : LANDASAN TEORI

Pada bab ini dijelaskan mengenai dasar-dasar teori, rujukan dan metode yang digunakan sebagai dasar dan alat untuk menyelesaikan permasalahan.

BAB 3 : ANALISIS DAN PERANCANGAN

Bab ini membahas tentang perancangan sistem dan program yang mencakup perancangan pangkalan data, perancangan sistem, dan perancangan interface. Dalam perancangan sistem dicantumkan flowchart dari sistem dan flowchart algoritma, serta

use case diagram untuk mempermudah penjelasan sistem.

BAB 4 : IMPLEMENTASI DAN PENGUJIAN SISTEM

Bab ini akan membahas tentang implementasi dari sistem yang dibuat berdasarkan hasil analisis dan perancangan sistem yang telah dibuat. Kemudian dilakukan pengujian sistem untuk mengetahui apakah sistem dapat berjalan sesuai tujuan dan harapan perancangan.

BAB 5 : KESIMPULAN DAN SARAN

Pada bab ini berisi tentang kesimpulan dari hasil analisis dan implementasi kerja pada bagian sebelumnya dan saran yang perlu diperhatikan untuk pengembangan aplikasi.

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 learning), kinerja tinggi komputasi, pengenalan pola, jaringan saraf (neural network),

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 tahapan nya dapat dilihat pada Gambar 2.1.

8

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 sehingga elemen-elemen dari suatu kelompok tertentu memiliki set property yang

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) berdasarkan:

10

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 Langsung terdiri dari:

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 produk baru, pembelanjaan modal, pengembangan fasilitas, serta penelitian.

12

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

Gambar 2.2. Contoh grafik himpunan fuzzy pada variabel umur (Amiruddin, 2011)

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

Fungsi Keanggotaan:

µ =

0; ( − )/( − ); 1;

0 1

a b

Derajat Keanggotaan

14

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 = ( − )/( − ); 0;

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

Fungsi Keanggotaan:

µ =

0;

( − )/( − ); ( − )/( − ); 0

1

a b

Derajat Keanggotaan

µ[X]

domain

0 1

a b

Derajat Keanggotaan

µ[X]

domain c

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:

µ =

0;

( − )/( − ); 1

( − )/( − );

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.

0 1

a b Derajat

Keanggotaan

µ[X]

16

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 Connectionist Systems (ECOS) (Kasabov, 2007).

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).

18

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 untuk variabel output.

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.

= 0,8 (₋− )+ 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 =

0;

( − )/( − ); ( − )/( − );

(2.2)

4. Membuat rule node pertama r(1) untuk merepresentasikan data yang pertama dan mengisi nilai pada bobot satu dan bobot dua.

= 1; 11 = � ; 21 = � 1 (2.3)

5. Lakukan pengulangan selama i <= N

a. Menghitung normalized fuzzy local distance (D) diantara fuzzy input vector

(� ) dan fuzzy input vector yang berada di tempat penyimpanan sementara pada saat rule node ( ), j=1…R, dimana R adalah nilai rule node

20

(� , ) = |� − 1

R

j =1 |

1 R j =1

(2.4)

b. Menghitung nilai aktivasi (�1 ) dari rule node ( ).

�1 = ( � , ) (2.5)

c. Cari rule node ( *) yang memiliki nilai aktivasi tertinggi

d. Jika nilai �1 lebih besar dari sThr, maka menuju langkah (e), jika nilai �1 lebih kecil dari sThr, maka: j = j +1. Ulangi dari langkah (a).

e. Melakukan propagasi terhadap aktivasi dari rule node ( *)

�2 = 1 . 2 (2.6) f. Menghitung fuzzy ouput error.

= |�2− � | (2.7)

g. Cari action node (k*) dengan nilai aktivasi tertinggi dari A2.

h. Jika Err(k*) lebih kecil dari errThr atau r sama dengan i,

= + 1

1 = � ; 2 = � 1 (2.8)

maka menuju langkah (i), jika Err(k*) lebih besar dari errThr atau r tidak sama dengan i. Ulangi dari langkah (a).

i. Ubah dari bobot W1 dan W2.

= � − 1( ∗) 1 ∗ = 1 ∗ + 1.

2 ∗ = 2 ∗ + 2.

= + 1 (2.9)

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 digunakan pada metodologi berorientasi objek (Rosa & Shalahuddin, 2011).

22

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

database.

2. “UPDATE” digunakan untuk mengubah informasi dari sebuah table pada

database.

3. “DELETE” digunakan untuk menghapus informasi dari sebuah table pada

database.

4. “INSERT” digunakan untuk menambah informasi baru kedalam table pada

database

2.11 Penelitian Terdahulu

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 Serdang untuk satu minggu ke depan.

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

1 Muhammad Fadhly Sani, Romi Fadillah Rahmat, Noviyanti

(2013)

Prediksi Jumlah Penjualan Distributor Telur terhadap Permintaan Pasar Menggunakan Metode

Evolving Fuzzy Neural Network (EFUNN)

2 Chandrawati Putri Wulandari,Purnomo

Budi Santoso, Arif Rahman (2013)

Rekayasa Sistem Pendukung Keputusan Terhadap Permasalahan Biaya Pendidikan

Mahasiswa

3 Reza Elfandra Siregar (2014)

Prediksi Banjir Dengan Menggunakan Weighted Evolving Fuzzy Neural Network (WEFUNN)

BAB 3

ANALISIS DAN PERANCANGAN

Dalam bab ini berisi beberapa hal diantaranya seperti data yang digunakan, penerapan algoritma dan analisis perancangan sistem dalam mengimplementasikan EFuNN (Evolving Fuzzy Neural Network) untuk permasalahan dalam prediksi penentuan biaya perkuliahan.

3.1 Data yang Dibutuhkan

Data yang digunakan pada penelitian ini adalah data Biaya Langsung dan Biaya Tak Langsung dari jurusan Teknologi Informasi dan jurusan Ilmu Komputer pada Fakultas Ilmu Komputer dan Teknologi Informasi pada tahun 2010 sampai 2013 di Universitas Sumatera Utara.

Pada penelitian ini, ada beberapa data di modifikasi dari data aslinya, seperti pada data Biaya Langsung yaitu Rate SDM dan pada data Biaya Tak Langsung yaitu: Biaya Rekening Listrik, Biaya Internet, Biaya Pemeliharaan Jasa Kebersihan, Biaya Pemeliharaan Gedung, Biaya Pemeliharaan Alat dan Sarana, Biaya Penelitian, Biaya Pengabdian Masyarakat, Biaya Kemahasiswaan, Biaya Pengembangan Program, dan Biaya Perjalanan Dinas. Hal ini di karenakan untuk menjaga kerahasian sumber data tersebut.

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

26

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

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

Amax > 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

28

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

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

30

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)

= |

− _| =1

x 100 % (3.2)

Keterangan : a = data aktual b = data prediksi n = banyak data testing

3.3 Use Case Diagram

Perancangan sistem digambarkan dengan menggunakan pemodelan use case. Untuk pengidentifikasian aktor berdasarkan pada tahap analisis pengguna, aktor yang berperan dalam aplikasi ini hanya satu aktor yaitu pengguna yang akan menggunakan sistem untuk melakukan prediksi penentuan biaya perkuliahan.

Use case yang terjadi adalah use case melakukan prediksi penentuan biaya perkuliahan. Diagram use case dapat memberikan gambaran interaksi yang terjadi antara aktor dengan use case di dalam sistem. Berdasarkan pengidentifikasian aktor dan use case, scenario use case yang terjadi dapat digambarkan dengan diagram use case pada Gambar 3.3.

User

Category

Data BL

Data BTL

Prediksi

Grafik

32

3.3.1 Use case spesification

Sebuah use case specification menggambarkan masing-masing scenario dari usecase

sistem yang dibangun secara lebih terperinci. Tabel use case specification untuk

scenario Profil dari sistem penentu prediksi biaya perkuliahan yang dibangun dapat dilihat pada tabel-tabel beikut ini.

Tabel 3.1 Use Case Spesifikasi untuk Use Case Category

Tipe Use Case Penjelasan

Nama Use Case Category

Aktor User

Deskripsi Use case ini digunakan user untuk memilih jenis kategori biaya, baik biaya langsung maupun biaya tak langsung, sesuai dengan yang di inginkan. Pengguna dapat mengisi jenis kategori.

Pre condition Pengguna harus mengisi kolom kategori untuk diproses oleh sistem.

Characteristic of activation

Eksekusi hanya bisa dilakukan oleh pengguna.

Basic flow -Pengguna memilih menu Category.

-Sistem menampilkan Category. Pengguna dapat mengisi kategori, kemudian menyimpan nya

-Use case ini berakhir ketika sistem menampilkan halaman

output.

Alternative flow -

Post condition Pada use case ini aktor dapat melihat isi jenis-jenis kategori.

Limitations -

Tabel 3.2 Use Case Spesifikasi untuk Use Case Data

Tipe Use Case Penjelasan

Nama Use Case Data

Aktor User

Deskripsi Use case ini digunakan pengguna untuk memasukan jenis kategori biaya yang telah dimasukkan pada Category. Pengguna dapat memasukkan nominal biaya dan tahun dari jenis kategori biaya tersebut, baik biaya langsung maupun biaya tak langsung.

Pre condition Pengguna harus mengisi kolom memasukkan kategori, nominal biaya dan tahun dari jenis kategori biaya tersebut untuk diproses oleh sistem.

Characteristic of activation

Eksekusi hanya bisa dilakukan oleh pengguna.

Basic flow -Pengguna memilih menu Data.

-Sistem menampilkan Data. Pengguna dapat mengisi nominal biaya dan tahun dari jenis kategori biaya, kemudian menyimpan nya

-Use case ini berakhir ketika sistem menampilkan halaman

output.

Alternative flow -

Post condition Pada use case ini aktor dapat melihat isi data kategori jenis biaya yang telah diisi tahun dan nominal nya.

34

Tabel 3.3 Use Case Spesifikasi untuk Use Case Prediksi

Tipe Use Case Penjelasan

Nama Use Case Prediksi

Aktor User

Deskripsi Use case ini digunakan oleh pengguna untuk memprediksi biaya perkuliahan.

Pre condition Pengguna harus mengisi kolom sensitive threshold, error threshold, learning rate 1, learning rate 2 dan jumlah mahasiswa, untuk diproses oleh sistem.

Characteristic of activation

Eksekusi hanya bisa dilakukan oleh pengguna.

Basic flow -Pengguna memilih menu prediksi.

-Sistem menampilkan form prediksi.

-Aktor dapat mengisi form yang tersedia dan menekan tombol Show.

-Use case ini berakhir ketika sistem telah selesai menampilkan semua data prediksi.

Alternative flow -

Post condition Pada use case ini aktor dapat melakukan prediksi biaya perkuliahan.

Limitations -

3.4 Perancangan Aplikasi dan Antarmuka Pemakai

Perancangan sistem prediksi untuk menentukan biaya perkuliahan terdiri dari penggambaran atau perencanaan dari beberapa elemen dalam pengembangan aplikasi. Rancangan aplikasi yang akan di buat adalah aplikasi prediksi biaya perkuliahan yang dapat dijalankan oleh pihak universitas, khususnya pada biro rektor.

3.4.1 Perancangan halaman home

Rancangan halaman utama ini berfungsi untuk menampilkan menubar-menubar pilihan, seperti header, Home, Category, Data, Prediksi, dan footer. Rancangan halaman utama terdapat 6 komponen utama pada antarmuka, yaitu:

1. header yang menggambarkan aplikasi penelitian ini, 2. menubar Home yaitu yang akan menuju halaman Home,

3. menubar Category yang akan menuju halaman Category, 4. menubar Data yang akan menuju halaman Data,

5. menubar Prediksi yang akan menuju halaman Prediksi

6. footer untuk menampilkan copyright

Bentuk rancangan halaman utama dapat di lihat pada Gambar 3.4. sebagai berikut.

Gambar 3.4 Rancangan halaman Home

3.4.2 Perancangan halaman category

Rancangan halaman category ini berfungsi untuk menampilkan halaman yang berfungsi untuk mengisi berbagai macam jenis kategori biaya, baik biaya langsung maupun biaya tak langsung, sesuai dengan yang di inginkan. Rancangan halaman

category terdapat 4 komponen utama pada antarmuka, yaitu:

1.

Header

3. Category 4. Data 5. Prediksi 2. Home

36

1. Form category yaitu form untuk mengisi jenis-jenis kategori yang di inginkan,

2. Tombol simpan yang akan menyimpan/men-submit kategori,

3. Tabel Kategori yang akan menampilkan jenis-jenis kategori biaya yang telah disimpan,

4. Tombol delete untuk menghapus kategori yang terdapat dalam tabel.

Halaman Category untuk biaya langsung dan biaya tak langsung memiliki bentuk yang sama, namun yang membedakan adalah data yang akan di masukkan. Bentuk rancangannya dapat di lihat pada Gambar 3.5.

Gambar 3.5 Rancangan halaman Category

3.4.3 Perancangan halaman data

Rancangan halaman data ini berfungsi untuk menampilkan halaman yang berfungsi untuk mengisi jenis kategori biaya yang telah dimasukkan pada halaman sebelumnya yaitu halaman category, serta nominal biaya nya dan tahun nya. Terdapat tabel yang berisi beberapa data yang telah dimasukkan, dan tombol delete untuk menghapus data-data. Rancangan halaman category terdapat 6 komponen utama pada antarmuka, yaitu:

1. Form jenis biaya yaitu form untuk memilih jenis kategori biaya yang telah dimasukkan pada halaman sebelumnya yaitu halaman Category,

2. Form nominal biaya yaitu form untuk mengisi jumlah nominal pada biaya, 3. Form tahun yaitu form untuk mengisi tahun pada jenis kategori,

3. Tabel Kategori 1.Form

2. Simpan

4. Delete

4. Tabel Kategori yang akan menampilkan jenis-jenis kategori yang telah disimpan,

5. Tombol simpan yang akan menyimpan/men-submit data,

6. Tombol delete untuk menghapus kategori yang terdapat dalam tabel.

Halaman category untuk biaya langsung dan biaya tak langsung memiliki bentuk yang sama, namun yang membedakan adalah data yang di masukkan.

Bentuk rancangannya dapat di lihat pada Gambar 3.6.

Gambar 3.6 Rancangan halaman Data

3.4.4 Perancangan halaman prediksi

Rancangan halaman prediksi ini berfungsi untuk menampilkan prediksi yang akan dilakukan oleh sistem. Terdapat form yaitu sensitive threshold, error threshold, learning rate 1, learning rate 2 dan jumlah mahasiswa dan tombol Show untuk menampilkan hasil prediksi. Rancangan halaman prediksi terdapat 6 komponen utama pada antarmuka, yaitu:

1. Form sensitive threshold yaitu form untuk mengisi nilai threshold yang di inginkan,

2. Form error threshold yaitu form untuk mengisi nilai error threshold yang di inginkan,

3. Form learning rate 1 yaitu form untuk mengisi nilai learning rate 1 yang di inginkan,

4. Tabel Kategori 1.Form jenis biaya

6. Delete

2.Form nominal biaya

3. Form tahun

38

4. Form learning rate 2 yaitu form untuk mengisi nilai learning rate 2 yang di inginkan,

5. Form jumlah mahasiswa yaitu form untuk mengisi jumlah target mahasiswa, 6. Tombol show yaitu untuk menampilkan hasil prediksi.

Bentuk rancangan halaman Prediksi dapat di lihat pada Gambar 3.7.

Gambar 3.7 Rancangan halaman Prediksi

3.4.5 Perancangan halaman prediksi lanjutan

Rancangan halaman prediksi lanjutan berfungsi untuk menampilkan hasil prediksi yang telah dilakukan oleh sistem. Terdapat tampilan akhir dari sistem yaitu menunjukkan hasil dari prediksi. Rancangan halaman prediksi lanjutan terdapat 2 komponen utama pada antarmuka, yaitu:

1. Tampilan hasil prediksi yaitu berupa teks yang memberikan informasi mengenai hasil prediksi,

2. Tabel hasil prediksiyaitu tabel yang berisikan tentang hasil prediksi, 3. Tombol lihat grafik yaitu untuk menampilkan grafik.

4. Tombol lihat data training Biaya Langsung yaitu untuk menampilkan data training dari BL.

5. Tombol lihat data training Biaya Tak Langsung yaitu untuk menampilkan data training dari BL.

1.Form sensitive threshold

5.Form jumlah mahasiswa 3. Form learning rate 1

6. Show

2.Form error threshold

4. Form learning rate 2

Bentuk rancangan halaman prediksi lanjutan dapat di lihat pada Gambar 3.8.

Gambar 3.7 Rancangan halaman Prediksi Lanjutan

3.5 Perancangan Database

Database pada aplikasi ini berfungsi untuk tempat penyimpanan data-data antara lain tabel catbl, tabel catbtl, tabel bl, tabel btl,, tabel ramalbl, tabel ramalbtl, dan tabel tahunan yang akan di uraikan sebagai berikut.

1. Tabel catbl

Tabel ini berfungsi sebagai tempat penyimpanan jenis-jenis kategori biaya langsung yang telah di-input. Struktur tabel ini dapat dilihat pada Tabel 3.4.

Tabel 3.4 Tabel catbl

No Nama Field Tipe Ukuran Keterangan

1. id_catbl Int 4 Nomor id_catbl

(primary key)

2. Catbl Varchar 100 Nama dari jenis

kategori BL

1. Hasil prediksi

3. Lihat Grafik

4. Lihat data training dari BL 5. Lihat data training dari BTL 2.Tabel

hasil prediksi

40

2. Tabel catbtl

Tabel ini berfungsi sebagai tempat penyimpanan jenis-jenis kategori biaya tak langsung yang telah di-input. Struktur tabel ini dapat dilihat pada Tabel 3.5.

Tabel 3.5 Tabel catbtl

No Nama Field Tipe Ukuran Keterangan

1. id_catbtl Int 4 Nomor

id_catbtl

(primary key)

2. Catbtl Varchar 100 Nama dari jenis

kategori BTL

3. Tabel bl

Tabel ini berfungsi sebagai tempat penyimpanan biaya langsung. Struktur tabel ini dapat dilihat pada Tabel 3.6.

Tabel 3.6 Tabel bl

No Nama Field Tipe Ukuran Keterangan

1. id_bl Int 4 Nomor id_bl

(primary key)

2. Namabl Varchar 100 Nama dari BL

3. Biayabl Varchar 100 Nominal dari

BL

4. tahunbl Year 4 Tahun dari BL

4. Tabel btl

Tabel ini berfungsi sebagai tempat penyimpanan biaya tak langsung. Struktur tabel ini dapat dilihat pada Tabel 3.7.

Tabel 3.7 Tabel btl

No Nama Field Tipe Ukuran Keterangan

1. id_btl Int 4 Nomor id_btl

(primary key)

2. namabtl Varchar 100 Nama dari BTL

3. Biayabtl Varchar 100 Nominal dari

BTL

4. tahunbtl Year 4 Tahun dari BTL

5. Tabel ramalbl

Tabel ini berfungsi sebagai tempat penyimpanan hasi peramalan biaya langsung. Struktur tabel ini dapat dilihat pada Tabel 3.8.

Tabel 3.8 Tabel ramalbl

No Nama Field Tipe Ukuran Keterangan

1. id_ramal Int 4 Nomor

id_ramalbl

(primary key)

2. nama_bl Int 100 Nama dari BL

3. Sessbl Varchar 100 Session dari BL

4. Actualbl Varchar 100 Nilai sesungguh dari BL

5. Ramalbl Varchar 100 Nilai sesudah

peramalan dari BL

42

6. Tabel ramalbtl

Tabel ini berfungsi sebagai tempat penyimpanan hasi peramalan biaya tak langsung.. Struktur tabel ini dapat dilihat pada Tabel 3.9.

Tabel 3.9 Tabel ramalbtl

No Nama Field Tipe Ukuran Keterangan

1. id_ramalbtl Int 4 Nomor

id_ramalbtl

(primary key)

2. nama_btl int 100 Nama dari BTL

3. Sessbtl Varchar 100 Session dari

BTL

4. actualbtl Varchar 100 Nilai sesungguh dari BTL

5. Ramalbtl Varchar 100 Nilai sesudah peramalan dari

BTL

6. Tahunbtl varchar 100 Tahun dari BTL

7. Tabel tahunan

Tabel ini berfungsi sebagai tempat penyimpanan prediksi hasil prediksi dan digunakan untuk membentuk grafik. Struktur tabel ini dapat dilihat pada Tabel 3.10.

Tabel 3.10 Tabel tahunan

No Nama Field Tipe Ukuran Keterangan

1. id_grafik Int 4 Nomor

id_grafik

(primary key)

2. Sesstahun Varchar 100 Session dari

hasil prediksi

3. ramal Varchar 100 Hasil ramalan

prediksi

4. tahun varchar 4 Tahun dari

BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

Pada bab ini akan diuraikan tahapan selanjutnya dalam pengembangan sistem yaitu tahapan proses pengimplementasian algoritma ke dalam sistem dan melakukan pengujian dari sistem yang dikembangkan.

4.1. Spesifikasi Perangkat Keras dan Perangkat Lunak

Spesifikasi perangkat lunak yang digunakan selama pembangunan sistem adalah sebagai berikut:

1. Operating System Windows 7 32-bit, 2. Web Server Apache 2.2.14,

3. PHP 5.3.1, 4. MySQL 5.1.41.

Agar perangkat lunak dapat berjalan dengan baik untuk para pengguna, maka spesifikasi yang dibutuhkan oleh sistem baik dari sisi perangkat keras (hardware) maupun perangkat lunak (software) dapat diuraikan sebagai berikut. Untuk perangkat keras, yang direkomendasikan adalah sebagai berikut:

1. Processor dengan kecepatan minimal 1 GHZ, 2. Hardisk minimal 80 GB,

3. RAM minimal 1 MB,

4. Monitor 14,1” dengan resolusi layar minimum 800 x 600 pixel,

5. Mouse dan Keyboard.

Untuk perangkat lunak, yang dapat mendukung agar sistem dapat berjalan adalah: 1. Operating system Microsoft Windows 7, Windows 8,

2. Browser, seperti Mozilla Firefox, Google Chrome, dan lain-lain, 3. PHP 5.3.1,

4. MySQL 5.1.41,

5. Web Server Apache 2.2.14.

4.2. Antarmuka Pengguna (User Interface)

Setelah melewati tahap analisis perancangan antarmuka pengguna, rancangan digunakan sebagai acuan untuk proses pengkodean halaman-halaman pada perangkat lunak.

4.2.1. Tampilan halaman home

Halaman home merupakan halaman yang pertama kali muncul ketika sistem dijalankan. Pada halaman terdapat 4 (empat) menu bar yaitu: home, category, data, dan prediksi,. Halaman home yang telah dilakukan pengkodean ditunjukkan pada Gambar 4.1.

46

4.2.2. Tampilan halaman category

Pada halaman category, terdapat pilihan toolbar yaitu: Biaya Langsung dan Biaya Tak Langsung, dimana pengguna dapat memilih kategori mana yang akan di jalankan. Pada halaman ini pengguna dapat mengisi berbagai macam jenis kategori biaya baik biaya langsung maupun biaya tak langsung, sesuai dengan yang di inginkan, juga disediakan kolom category untuk memasukkan jenis kategori biaya. Terdapat juga tabel yang berisi beberapa kategori-kategori yang telah dimasukkan, dan tombol “delete” untuk menghapus jenis kategori biaya. Halaman category pada sistem ini dapat dilihat pada Gambar 4.2.

Gambar 4.2. Halaman Category.

4.2.3. Tampilan halaman data

Sama halnya dengan halaman Category, pada halaman Data terdapat pilihan toolbar yaitu: Biaya Langsung dan Biaya Tak Langsung, dimana pengguna dapat memilih pilihan data yang akan di isi. Pada halaman ini disediakan kolom Jenis biaya, Nominal biaya, dan Tahun untuk memasukkan jenis kategori biaya yang telah dimasukkan pada halaman sebelumnya yaitu halaman Category. Dan juga untuk memasukkan nominal biaya nya dan tahun nya. Terdapat tabel yang berisi beberapa data yang telah dimasukkan, dan tombol “delete” untuk menghapus data-data . Halaman Data pada sistem ini dapat dilihat pada Gambar 4.3.

48

4.2.4. Tampilan halaman prediksi

Pada halaman prediksi adalah halaman untuk menampilkan prediksi yang akan dilakukan oleh sistem yang menggunakan algoritma EFuNN (Evolving Fuzzy Neural Network). Pengguna harus mengisi kolom sensitive threshold, error threshold, learning rate 1, learning rate 2 dan jumlah mahasiswa, untuk diproses oleh sistemyang kemudian dapat menampilkan hasil prediksi dengan menekan tombol “show”. halaman prediksi pada sistem dapat dilihat pada Gambar 4.4

Gambar 4.4. Halaman Prediksi.

Setelah pengguna mengisi form yang ada di halaman prediksi dan menekan tombol “Show”, maka sistem akan menghasilkan output yang dapat di lihat di Gambar 4.5.

Gambar 4.5. Halaman Prediksi Lanjutan.

Kemudian terdapat beberapa pilihan seperti“Data Training Biaya Langsung” untuk menampilkan hasil training dari Biaya Langsung, “Data Training Biaya Tak Langsung” untuk menampilkan hasil training dari Biaya Tak Langsung, dan “lihat grafik” untuk menampilkan grafik hasil prediksi penentuan biaya kuliah dari tahun ke tahun yang dapat dilihat pada gambar-gambar berikut.

50

Gambar 4.6. Tampilan Data Training Biaya Langsung.

Pada Gambar 4.6 di tampilkan hasil training data dari Biaya Langsung, yaitu berupa tabel yang berisi nama kategori dari Biaya Langsung, nilai aktual nya, nilai peramalannya, serta nilai setelah peramalan dan error nya.

Sama halnya dengan data training Biaya Langsung, tampilan tabel yang terlihat pada Gambar 4.7 menampilkan nama kategori dari Biaya Tak Langsung, nilai aktual nya, nilai peramalannya, serta nilai setelah peramalan dan error nya.

Dan untuk grafik dari hasil prediksi dapat dilihat pada Gambar 4.8.

Gambar 4.7. Tampilan Data Training Biaya Tak Langsung.

59

60

Berikut akan di paparkan beberapa hasil pengujian dengan nilai sensitive threshold,

error threshold, learning rate 1, dan nilai learning rate 2 yang berbeda-beda dan dengan menggunakan data Biaya Langsung dan Biaya Tak Langsung seperti yang terlihat pada gambar-gambar diatas, yang dapat dilihat pada Tabel 4.3.

Tabel 4.3 Tabel Parameter dan Hasil peramalan

No sThr errThr lr1 lr2 Jlh mhs MAPE

1. 0.1 0.001 0.001 0.005 300 1.17%

2. 0.2 0.05 0.002 0.001 300 1.48%

3. 0.3 0.04 0.002 0.002 300 0.95%

4. 0.7 0.048 0.05 0.001 300 1.12%

5. 0.3 0.009 0.002 0.003 400 0.09%

6. 0.1 0.002 0.001 0.002 400 1.59%

Berdasarkan Tabel 4.3 didapatkan grafik hasil pengujian nilai MAPE sebagai berikut.

Gambar 4.14. Grafik hasil peramalan nilai MAPE.

Untuk hasil pengujian yang dilakukan dengan parameter yang berbeda-beda yang didapat, kemudian dilakukan tahap pengujian, maka pada nilai parameter sensitive threshold = 0.3, learning rate 1 = 0.009, learning rate 2 = 0.002, dan error threshold = 0,003 dan jumlah mahasiswa = 400 menghasilkan nilai error MAPE terkecil pada proses pengujian sebesar 0.09%.

0.00% 0.20% 0.40% 0.60% 0.80% 1.00% 1.20% 1.40% 1.60% 1.80%

1 2 3 4 5 6

N il ai E rr o r M A PE

Pengujian Ke

61

Berdasarkan Tabel 4.3, didapat hasil prediksi sesuai dengan pengujian-pengujian yang telah dilakukan, yang dapat dilihat pada Tabel 4.4.

Tabel 4.4 Tabel Hasil Prediksi

No. Pengujian

Prediksi Uang Kuliah (Rp)

2011 2012 2013 2014

1. 20254067.1 23723582 26249611.3 29044558 2. 20162895 25240422.2 30512072.4 36897743 3. 18693452.3 19536937 20574486.5 23612148.1 4. 15166051.4 19020824.2 23010371.8 27846641.6 5. 14911811.8 17790219.4 24840362 25956053.7 6. 2132817.4 28155181 33574165.1 39457641.9

Hasil output sesuai pada Tabel 4.4 merupakan hasil prediksi biaya perkuliahan untuk mahasiswa selama 4 tahun, yaitu selama masa aktif perkuliahan. Pada pengujian 5 di dapat hasil prediksi biaya perkuliahan untuk tahun 2014 adalah Rp. 25,956,053.7. Kemudian dengan menentukan biaya perkuliahan untuk mahasiswa selama 4 tahun, yaitu selama masa aktif perkuliahan, hasil prediksi tersebut menjadi Rp. 6,489,013.43. Sedangkan data sebenarnya yang di dapat dari sumber yaitu Rp. 6,200,000 maka di dapat hasil pendekatan prediksi sebesar 95.3 %. Berdasarkan Tabel 4.4 didapatkan grafik hasil pengujian yang dapat dilihat pada Gambar 4.15.

Gambar 4.15. Grafik hasil pengujian. 0 5000000 10000000 15000000 20000000 25000000 30000000 35000000 40000000 45000000

1 2 3 4 5 6

2011 2012 2013 2014

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan analisis dari sistem dan pengujian sistem secara menyeluruh yang telah dilakukan pada bab sebelumnya, maka ada beberapa hal yang dapat dijadikan kesimpulan pada penelitian ini antara lain:

1. Algoritma EFuNN (Evolving Fuzzy Neural Network) dengan modifikasi mampu menyelesaikan permasalahan dalam penentuan biaya perkuliahan.

2. Berdasarkan data pelatihan dan data pengujian yang telah dilakukan dengan mengunakan algoritma Evolving Fuzzy Neural Network (EFuNN) maka diperoleh kesimpulan bahwa algoritma yang digunakan dengan memasukan beberapa parameter yang berbeda-beda sesuai dengan daftar tabel 4.3 maka dapat menunjukan hasil prediksi yang mendekati nilai sebenarnya dengan tingkat error sebesar 0.09 % .

5.2. Saran

Penulis menyarankan dalam pengembangan penelitian lebih lanjut untuk sistem prediksi penentuan biaya perkuliahan sebagai berikut:

1. Sistem ini selanjutnya diharapkan dapat memberikan informasi terperinci tentang penentuan yang lebih tepat dengan adanya aturan-aturan yang menjadi parameter dalam penentuan biaya perkuliahan.

2. Sistem ini selanjutnya diharapkan dapat mendukung penentuan biaya perkuliahan untuk mulai dari awal kuliah hingga akhir untuk setiap mahasiswa.

DAFTAR PUSTAKA

Amiruddin, A.A. 2011. Prediksi kurs rupiah terhadap dollar Amerika menggunakan metode fuzzy time series. Program Studi Teknik Informatika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Diponegoro.

Chang, P., C. Liu, dan Y. Wang. 2006. A Hybrid Model by Clustering and Evolving Fuzzy Rules for Sales Decision Supports in Printed Circuit Board Industry. Decision Support Systems, 42: hal 1254-1269.

Gaspersz, Vincent. 2001. Production Planning and Inventory Control. Jakarta: PT Gramedia Pustaka Utama.

Gea, D. 2011. Analisis pengujian optimalisasi kinerja website.Seminar Nasional Aplikasi Teknologi Informasi, pp. 55-59.

Hermawati, F.A. 2013. Data Mining.Andi: Yogyakarta.

Han, J. & Kamber, M., 2006. Data Mining: Concepts and Techniques2nd edition.

Elsevier Inc.: San Frasisco.

Ishak, A. 2010. Manajemen Operasi. Graha Ilmu: Yogyakarta.

Juanda A. & Lestari N.A. 2012. Analisis Perhitungan Biaya Satuan (Unit Cost) Penyelenggaraan Pendidikan Kedokteran (Studi Kasus Pada Fakultas Kedokteran Universitas Muhammadiyah Malang). Jurnal. Universitas Muhammadiyah Malang.

Kasabov, N. 2007. Evolving Connectionist System: The knowledge engineering approach. 2nd Edition. Springer: London.

64

Kusnawi. 2007. Pengantar Solusi Data Mining. Seminar Nasional Teknologi, Yogyakarta, pp. 1-5.

Nasution, H. 2012. Implementasi Logika Fuzzy pada sistem Kecerdasan Buatan Program Studi Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik Univeristas Tanjung Pura Pontianak.

Prasetyo, E. 2008.Pemrograman Web PHP & MySQL untuk Sistem Informasi Perpustakaan. Yogyakarta: Graha Ilmu.

Rozy, Muhammad Lubis. 2014. Implementasi Algoritma Brute Force Untuk Permasalahan Dalam Penerjemahan Idiom Bahasa Inggris. Skripsi. Universitas Sumatera Utara. Medan.

Rosa, A.S. & Shalahuddin, M. 2011.Modul Pembelajaran Rekayasa Perangkat Lunak (Terstruktur dan Berorientasi Objek). Bandung: Penerbit Modula.

Sani M.F., Rahmat R.F. & Noviyanti. 2013. Prediksi Jumlah Penjualan Distributor Telur Terhadap Permintaan Pasar Menggunakan Metode Evolving Fuzzy Neural Network (EFUNN). Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2013), pp. 3-13.

Siregar, R.A. 2014. Prediksi Banjir Dengan Menggunakan Weighted Evolving Fuzzy Neural Network (WEFUNN.) Skripsi. Universitas Sumatera Utara. Medan

Sitompul, O.S. 2008. Data Warehouse dan Data Mining Untuk Sistem Pendukung Manajemen. Pidato Pengukuhan Jabatan Guru Besar

.

Universitas Sumatera Utara. Medan, pp. 1-15.

Wulandari, P.W., Santoso, P.B. & Rahman A. 2013. Rekayasa Sistem Pendukung Keputusan Terhadap Permasalahan Biaya Pendidikan Mahasiswa. Tesis.Universitas Brawijaya.