Flowchart Prediksi Perhitungan Training

25 Tabel 3.3 Produksi kelapa sawit tahun 2010 lanjutan No X1 X2 X3 X4 X5 X6 X7 X8 X9 Kelas 4 2010 2003 4 7 57 7766 62 25,160 1 5 2010 2003 5 7 57 7766 195 23,110 1 6 2010 2003 6 7 57 7766 88 49,270 1 7 2010 2003 7 7 57 7766 87 54,590 1 8 2010 2003 8 7 57 7766 101 94,700 2 9 2010 2003 9 7 57 7766 76 72,080 1 10 2010 2003 10 7 57 7766 89 88,430 2 11 2010 2003 11 7 57 7766 96 31064 96,170 2 12 2010 2003 12 7 57 7766 99 75,210 1 Sepuluh inputan akan dijadikan input pembelajaran. Dapat dilihat pada tabel 3.4 tabel pembelajaran training. Tabel 3.4 Tabel pembelajaran training No X1 X2 X3 X4 X5 X6 X7 X8 X9 Kelas 1 2010 2003 2 7 57 7766 68 44655 36,970 1 2 2010 2003 3 7 57 7766 52 34947 26,930 1 3 2010 2003 4 7 57 7766 62 25,160 1 4 2010 2003 5 7 57 7766 195 23,110 1 5 2010 2003 6 7 57 7766 88 49,270 1 6 2010 2003 7 7 57 7766 87 54,590 1 7 2010 2003 8 7 57 7766 101 94,700 2 8 2010 2003 9 7 57 7766 76 72,080 1 9 2010 2003 11 7 57 7766 96 31064 96,170 2 10 2010 2003 12 7 57 7766 99 75,210 1 Dua inputan dengan kelas berbeda yakni kelas 1, dan 2 akan diinisialisasi sebagai bobot training. Dapat dilihat pada tabel 3.5 bobot training. 26 Tabel 3.5 Tabel bobot training No X1 X2 X3 X4 X5 X6 X7 X8 X9 Kelas 1 2010 2003 1 7 57 7766 113 44,410 1 2 2010 2003 10 7 57 7766 89 88,430 2 Sebagai Nilai awal dipilih Learning rate α = 0.05, epoch = 500, penurunan α = 0.1 α lama. Epoch ke-1 : Data Ke-1 : 2010, 2003, 2, 7, 57, 7766, 68, 44655, 36970 Bobot ke-1: 2010, 2003, 1, 7, 57, 7766, 113, 0, 44410 Jarak pada bobot ke – 1 = – – – = – – – = = = = 45270,571 Bobot ke-2: 2010, 2003, 10, 7, 57, 7766, 89, 0, 88430 Jarak pada bobot ke – 2 = – – – = – – – = = = 68133,700 Jarak terkecil pada bobot ke-1 Target data ke-1 = 1 Bobot ke-1 baru: W 13 = W 13 + α X 13 – W 13 = 2010 + 0.052010-2010 = 2010 W 14 = W 14 + α X 14 – W 14 = 2003 + 0.052003-2003 = 2003 W 15 = W 14 + α X 14 – W 14 = 1 + 0.052-1 = 1.05 W 16 = W 15 + α X 15 – W 15 = 7 + 0.057-7 = 7 W 17 = W 14 + α X 14 – W 14 = 57 + 0.0557-57 = 57 27 W 18 = W 16 + α X 16 – W 16 = 7766+ 0.057766-7766 = 7766 W 19 = W 17 + α X 17 – W 17 = 113 + 0.0568-113 = 110.75 W 20 = W 18 + α X 18 – W 18 = 0 + 0.0544655-0 = 2232.75 W 21 = W 19 + α X 19 – W 19 = 44410 + 0.0536970-44410 = 44038 W 1 baru = 2010, 2003, 1.05, 7, 57, 7766, 110.75, 2232.75, 44038 Untuk melakukan update bobot yang baru, maka nilai W 1 dimasukkan ke tabel bobot baru ke-1. Dapat dilihat pada tabel 3.6. tabel bobot baru pertama. Tabel 3.6 Tabel bobot baru pertama No X1 X2 X3 X4 X5 X6 X7 X8 X9 Kelas 1 2010 2003 1.05 7 57 7766 110.75 2232.75 44,038 1 2 2010 2003 10 7 57 7766 89 88,430 2 Data Ke-2 : 2010, 2003, 3, 7 , 57, 7766, 52, 34947, 26930 Bobot ke-1: 2010, 2003, 1.05, 7, 57, 7766, 110.75, 2232.75, 44038 Jarak pada bobot ke – 1 = – – – = – – – = = = = 36917.6011 Bobot ke-2: 2010, 2003, 10, 7, 57, 7766, 89, 0, 88430 Jarak pada bobot ke – 2 = – – – = – – – = = = = 70735.7351 Jarak terkecil pada bobot ke-1 Target data ke-2 = 1 28 Bobot ke-1 baru: W 13 = W 13 + α X 13 – W 13 = 2010 + 0.05 2010 - 2010 = 2010 W 14 = W 14 + α X 14 – W 14 = 2003 + 0.05 2003 - 2003 = 2003 W 15 = W 14 + α X 14 – W 14 = 1.05 + 0.05 3 - 1.05 = 1.1475 W 16 = W 15 + α X 15 – W 15 = 7 + 0.05 7 - 7 = 7 W 17 = W 14 + α X 14 – W 14 = 57+ 0.05 57 - 57 = 57 W 18 = W 16 + α X 16 – W 16 = 7766+ 0.05 7766 - 7766 = 7766 W 19 = W 17 + α X 17 – W 17 = 110.75 + 0.05 52 - 110.75 = 107.8125 W 20 = W 18 + α X 18 – W 18 = 2232.75 + 0.05 34947 - 2232.75 = 3862.4625 W 21 = W 19 + α X 19 – W 19 = 44038 + 0.05 26930 - 44038 = 43182.6 W 1 baru = 2010, 2003, 1.1475, 7, 57, 7766, 107.8125, 3862.4625, 43182.6 Untuk melakukan update bobot yang baru, maka nilai W1 dimasukkan ke tabel bobot baru ke-1. Dapat dilihat pada tabel 3.7. bobot baru kedua. Tabel 3.7 Tabel bobot baru kedua No X1 X2 X3 X4 X5 X6 X7 X8 X9 Kelas 1 2010 2003 1.14 7 57 7766 107.81 3862.46 43182 1 2 2010 2003 10 7 57 7766 89 88,430 2 Proses ini diteruskan sampai dengan data ke 10. Kemudian akan dilanjutkan ke epoch ke-2. Namus sebelum masuk epoch ke-2, nilai learning rate akan diupdate terlebih dahulu dengan cara nilai dec alpha dikalikan dengan nilai learning rate. New learning rate = dec alpha learning rate lama New learning rate = 0.1 0.05 New learning rate = 0. 005. Setelah nilai learning rate baru didapat, proses yang berjalan akan dilanjutkan seperti proses-proses sebelumnya hingga mencapai epoch yang ditentukan yakni epoch ke- 500.

3.7. Perhitungan Prediksi

Pada perhitungan proses prediksi, input akan di inisialisasi seperti proses training. Sebagai contoh kita akan memprediksi produksi kelapa sawit untuk bulan Januari 2014. Dapat dilihat pada tabel 3.8 inisialisai input dari proses prediksi. 29 Tabel 3.8 Inisialisasi input prediksi No X1 X2 X3 X4 X5 X6 X7 X8 X9 Kelas 1 2014 2003 1 7 57 7766 78 32000 Setelah input di inisialisasi, maka langkah selanjutnya cari jarak terpendek menggunakan bobot terakhir dari proses training. Disini kita akan mencoba menggunakan tabel 3.7 tabel bobot baru kedua sebagai bobot akhir training. Hasil dari perhitungan bobot dengan jarak terpendek akan menjadi kelasnya. Jarak pada bobot ke – 1 = – – = – – – – = = = = 51639.3335 Bobot ke-2: 2010, 2003, 10, 7, 57, 7766, 89, 0, 88430 Jarak pada bobot ke – 2 = – – – = – – – = = = = 88430.0011 Jarak terkecil pada bobot ke-1 Sehingga input prediksi tersebut termasuk kedalam kelas 1 yakni kelas produksi rendah. Jika diupdate maka dapat dilihat pada tabel 3.9 hasil prediksi. Tabel 3.9 hasil Prediksi No X1 X2 X3 X4 X5 X6 X7 X8 X9 Kelas 1 2014 2003 1 7 57 7766 78 32000 1

BAB 4 IMPLEMENTASI DAN PENGUJIAN

4.1 Implementasi

Setelah melalui tahap analisis dan perancangan, tahap selanjutnya yaitu implementasi serta pengujian. Implementasi dan pengujian diperlukan untuk mengetahui apakah prediksi produksi kelapa sawit yang dibangun berjalan sesuai yang diharapkan. Berikut hasil implementasi dari aplikasi yang telah dibangun 1. Pada halaman awal, program akan menampilkan berupa nama aplikasi yang dibangun serta beberapa sub menu yang terdiri dari file, help, exit. Dapat dilihat pada gambar 4.1 tampilan halaman awal program prediksi produksi kelapa sawit. Gambar 4.1 Tampilan halaman awal Dalam menu file akan ada 2 sub menu yaitu sub menu input data, berfungsi untuk masuk ke menu input data dan sub menu training dan prediksi yang berfungsi untuk langsung masuk ke menu training dan prediksi tanpa memasukkan data. Sedangkan menu exit berfungsi untuk keluar dari program prediksi.