4.2.6. Halaman parameter administrator
Gambar 4.6 Halaman parameter administrator
4.3. Pengujian Sistem
Teknik yang sering dipakai untuk melakukan verifikasi dan validasi kualitas dari sebuah sistem adalah pengujian sistem D. Shao, dkk. 2007. Tujuan dilakukannya
pengujian sistem adalah untuk menguji dan memastikan semua elemen dan komponen sistem tersebut telah berjalan atau berfungsi sesuai dengan yang diharapkan. Metode
pengujian yang diterapkan dalam skripsi ini adalah metode pengujian black box. Metode pengujian black box atau disebut juga functional testing adalah teknik yang di
desain untuk menguji kasus berbasis dari informasi yang diperoleh dari spesifikasi H. Liu, dkk. 2009. Pada metode black box, pengujian tidak dilakukan pada internal
source code, tetapi hanya pada interface sistem dengan mendemonstrasikan fungsi dan eksekusi sistem tersebut.
4.3.1. Rencana pengujian sistem Rencana pengujian system prediksi kredit yang akan diuji menggunakan teknik black
box yang dapat dilihat pada tabel 4.1.
Universitas Sumatera Utara
Tabel 4.1 Tabel Rencana Pengujian Sistem No
Komponen Sistem yang diuji Butir Uji
1 Login
Tombol “Login” Tombol “Logout”
2 Halaman Data
Form tanggal data Tombol “Proses”
Tombol “Reset” 3
Halaman Prediksi Kredit Form Peramalan
Tombol “Show” 4
Halaman Parameter Form Parameter
Tombol “Simpan” 5
Halaman Edit Data Kredit Form tanggal dan pinjaman
Tombol Simpan”
4.3.2. Kasus dan hasil pengujian sistem Adapun kasus dan hasil pengujian sistem dengan menggunakan teknik black box
berdasarkan tabel 4.1 adalah sebagai berikut: a.
Login Tabel 4.2 akan menjelaskan skenario dari pengujian sistem kredit untuk proses
login ke dalam halaman admin.
Tabel 4.2 Hasil Pengujian Komponen Login No.
Skenario Uji Hasil yang Diharapkan
Hasil Pengujian
1. Memasukkan username
dan password yang benar. Sistem
melakukan pengecekan username dan
password, lalu masuk ke dalam halaman administrator.
Berhasil
2. Memasukkan username
atau password yang salah. Sistem
melakukan pengecekan username dan
password, lalu menampilkan pesan bahwa username dan
password yang dimasukkan salah.
Berhasil
3 Mengklik Tombol
“Logout” dari halaman administrator.
Keluar dari
halaman administrator dan kembali ke
halaman awal home. Berhasil
b. Halaman data
Tabel 4.3 akan menjelaskan skenario dari pengujian sistem kredit untuk proses tampil data sesuai dengan tanggal yang diinput user maupun administrator.
Universitas Sumatera Utara
Tabel 4.3 Hasil Pengujian Komponen Data No.
Skenario Uji Hasil yang Diharapkan
Hasil Pengujian
1. User memasukkan tanggal
data kemudian mengklik tombol “proses”
Sistem melakukan proses pengambilan
data dari
database sesuai
dengan tanggal
yang diinput,
kemudian ditampilkan
dalam bentuk tabel Berhasil
2. User memasukkan tanggal
data kemudian mengklik tombol “reset”
Sistem melakukan proses reset data dari database
sesuai dengan tanggal yang diinput.
Berhasil
c. Halaman prediksi
Tabel 4.4 akan menjelaskan skenario dari pengujian sistem pada prediksi kredit.
Tabel 4.4 Hasil Pengujian Komponen Prediksi Kredit No.
Skenario Uji Hasil yang Diharapkan
Hasil Pengujian
1. User memasukkan tanggal
testing kemudian mengklik tombol “show”
Sistem akan
mengambil parameter
default yang
terdapat pada database yang telah diinput terlebih dahulu,
kemudian melakukan proses prediksi dan menampilkan
hasil prediksi tersebut Berhasil
2. User mengklik tombol
“lihat grafik” Hasil
prediksi akan
ditampilkan dalam bentuk grafik data
Berhasil
d. Halaman parameter
Tabel 4.5 akan menjelaskan skenario dari pengujian sistem pada pengaturan paramter sistem kredit.
Tabel 4.5 Hasil Pengujian Komponen Parameter No.
Skenario Uji Hasil yang Diharapkan
Hasil Pengujian
1. User memasukkan
parameter seperti Laju pembelajaran, max epoch
dan momentum, kemudian
mengklik tombol “simpan” Sistem akan menyimpan data
kredit yang dimasukkan oleh user ke dalam database
Berhasil
Universitas Sumatera Utara
e. Halaman edit data
Tabel 4.6 akan menjelaskan skenario dari pengujian sistem pada pengeditan data pada sistem kredit.
Tabel 4.6 Hasil Pengujian Komponen Edit Data Kredit No.
Skenario Uji Hasil yang Diharapkan
Hasil Pengujian
1. User memasukkan tanggal
dan pinjaman, kemudian mengklik tombol “simpan”
Sistem akan menyimpan data kredit yang dimasukkan oleh
user ke dalam database Berhasil
4.3.3. Pengujian kinerja sistem Untuk pengujian kinerja sistem digunakan misalkan terdapat 20 data kredit dari
tanggal 8 Januari 2013 s.d. 9 Februari 2013 yang dapat kita lihat pada tabel 4.7.
Tabel 4.7 Data Kredit No
Tanggal Aktual value
1 2013-01-08
Rp. 16.000.000 2
2013-01-10 Rp. 100.000.000
3 2013-01-11
Rp. 132.000.000 4
2013-01-12 Rp. 35.000.000
5 2013-01-14
Rp. 40.000.000 6
2013-01-15 Rp. 155.500.000
7 2013-01-16
Rp. 148.000.000 8
2013-01-17 Rp. 60.000.000
9 2013-01-18
Rp. 344.000.000 10
2013-01-21 Rp. 3.000.000
11 2013-01-22
Rp. 22.000.000 12
2013-01-23 Rp. 118.000.000
13 2013-01-28
Rp. 23.000.000 14
2013-01-29 Rp. 63.000.000
15 2013-02-01
Rp. 16.000.000 16
2013-02-05 Rp. 5.750.000
17 2013-02-06
Rp. 4.000.000 18
2013-02-07 Rp. 118.000.000
19 2013-02-08
Rp. 60.000.000 20
2013-02-09 Rp. 120.000.000
Langkah – langkah perhitungan manual pada algoritma Adaptive Neuro Fuzzy
Inference System ANFIS untuk data pada tabel 4.7 adalah sebagai berikut : 1.
Menentukan nilai parameter yang akan digunakan yaitu laju pembelajaran = 0.09, Max Epoch = 600, dan Momentum = 0.1.
Universitas Sumatera Utara
2. Melakukan normalisasi data yang terdapat pada tabel 4.7 berdasarkan
persamaan 2.1. Nilai hasil normalisasi dapat dilihat pada tabel 4.8.
Tabel 4.8 Nilai Normalisasi Data Kredit No.
Tanggal Aktual value
Nilai Normalisasi
1 2013-01-08
Rp. 16.000.000 0.125210084034
2 2013-01-10
Rp. 100.000.000 0.266386554622
3 2013-01-11
Rp. 132.000.000 0.320168067227
4 2013-01-12
Rp. 35.000.000 0.157142857143
5 2013-01-14
Rp. 40.000.000 0.165546218487
6 2013-01-15
Rp. 155.500.000 0.359663865546
7 2013-01-16
Rp. 148.000.000 0.347058823529
8 2013-01-17
Rp. 60.000.000 0.199159663866
9 2013-01-18
Rp. 344.000.000 0.676470588235
10 2013-01-21
Rp. 3.000.000 0.103361344538
11 2013-01-22
Rp. 22.000.000 0.135294117647
12 2013-01-23
Rp. 118.000.000 0.296638655462
13 2013-01-28
Rp. 23.000.000 0.136974789916
14 2013-01-29
Rp. 63.000.000 0.204201680672
15 2013-02-01
Rp. 16.000.000 0.125210084034
16 2013-02-05
Rp. 5.750.000 0.107983193277
17 2013-02-06
Rp. 4.000.000 0.105042016807
18 2013-02-07
Rp. 118.000.000 0.296638655462
19 2013-02-08
Rp. 60.000.000 0.199159663866
20 2013-02-09
Rp. 120.000.000 0,300000000000
3. Kemudian membuat partisi awal U derajat keanggotaan awal dalam cluster
yang dibuat secara acak. Kemudian mencari nilai center dengan persamaan 2.4 dan memperbaharui nilai derajat keanggotaan dalam setiap cluster
dengan persamaan 2.5 dimana untuk mencari nilai derajat keanggotaan tersebut digunakan metode euclidean distance dengan persamaan 2.6. Nilai
fuzzy clustering mean C-mean dapat kita lihat pada tabel 4.9.
Tabel 4.9 Nilai fuzzy clustering mean No
Tanggal Nilai Normalisasi
Fuzzy C-mean
1 2013-01-08
0.125210084034 0.532773109244
2 2013-01-10
0.266386554622 0.640336134454
3 2013-01-11
0.320168067227 0.314285714286
4 2013-01-12
0.157142857143 0.331092436975
5 2013-01-14
0.165546218487 0.719327731092
6 2013-01-15
0.359663865546 0.694117647059
7 2013-01-16
0.347058823529 0.398319327731
Universitas Sumatera Utara
Tabel 4.9 Nilai fuzzy clustering mean lanjutan No
Tanggal Nilai Normalisasi
Fuzzy C-mean
8 2013-01-17
0.199159663866 0.647058823529
9 2013-01-18
0.676470588235 0.206722689076
10 2013-01-21
0.103361344538 0.270588235294
11 2013-01-22
0.135294117647 0.593277310924
12 2013-01-23
0.296638655462 0.273949579832
13 2013-01-28
0.136974789916 0.408403361345
14 2013-01-29
0.204201680672 0.250420168067
15 2013-02-01
0.125210084034 0.215966386555
16 2013-02-05
0.107983193277 0.210084033613
17 2013-02-06
0.105042016807 0.593277310924
18 2013-02-07
0.296638655462 0.398319327731
19 2013-02-08
0.199159663866 0.224423434859
20 2013-02-09
0,300000000000 0.600000000000
4. Melakukan training data. Data yang digunakan berkisar dari 8 Januari 2013
sampai 29 Januari 2013. 5.
Melakukan testing data. Data yang digunakan berkisar dari 1 Februari 2013 sampai 9 Februari 2013. Hasil dari proses ini dapat dilihat pada tabel 4.10.
Tabel 4.10 Hasil Prediksi Data
6. Selanjutnya dilakukan proses denormalisasi untuk mengubah hasil prediksi
pada tabel 4.10 menjadi nilai sebenarnya. Hasil denormalisasi dapat dilihat pada tabel 4.11.
Tabel 4.11 Hasil Denormalisasi Prediksi Data No
Tanggal Target
Nilai Hasil Prediksi Error
1. 2013-02-01
Rp. 16.000.000 Rp. 14.056.490
1.943.510 2.
2013-02-05 Rp. 5.750.000
Rp. 3.489.067 2.260.933
3. 2013-02-06
Rp. 4.000.000 Rp. 1.646.895
2.353.105 4.
2013-02-07 Rp. 118.000.000
Rp. 91.482.501 26.517.499
5. 2013-02-08
Rp. 60.000.000 Rp. 55.264.496
4.735.504 6.
2013-02-09 Rp. 120.000.000
Rp. 92.243.354 27.756.646
No Tanggal
Fuzzy C-mean Nilai Hasil Prediksi
1. 2013-02-01
0.215966386555 0.125210084034
2. 2013-02-05
0.210084033613 0.107983193277
3. 2013-02-06
0.593277310924 0.105042016807
4. 2013-02-07
0.398319327731 0.296638655462
5. 2013-02-08
0.224423434859 0.199159663866
6. 2013-02-09
0.600000000000 0.300000000000
Universitas Sumatera Utara
7. Menghitung nilai error rata-rata dari hasil prediksi pada tabel 4.11 dengan
menggunakan persamaan 2.30. Nilai MAPE yang dihasilkan yaitu sebesar 8.19. Hasil prediksi dalam bentuk grafik dapat dilihat pada gambar 4.7.
Gambar 4.7 Grafik Hasil Prediksi
4.3.4. Pengujian data Pada tahap ini dilakukan proses pengujian terhadap hasil prediksi yang telah dilakukan
untuk menghitung tingkat keakuratannya. Data dibagi menjadi dua yaitu data training dan data testing. Data training yang digunakan yaitu permintaan kredit dari tanggal 4
Januari 2006 s.d. 18 Februari 2012 dengan jumlah data sebanyak 1416 data. Sedangkan data testing yang digunakan dari tanggal 19 Februari 2012 s.d. 28
Desember 2013 dengan jumlah data sebanyak 356 data. Pengujian data permintaan kredit dengan menggunakan kombinasi yang berbeda-beda dapat dilihat pada tabel
4.12.
Tabel 4.12 Parameter dan Hasil Pengujian Prediksi Permintaan Kredit
No. Max Epoch
Momentum Laju Pembelajaran
MAPE 1.
2. 3.
4. 5.
6. 7.
100 150
200 250
300 350
400 0.1
0.1 0.1
0.1 0.1
0.1 0.1
0.01 0.01
0.01 0.01
0.01 0.01
0.01 17.592
17.546 17.505
17.506 17.508
17.507 17.491
50.000 100.000
150.000 200.000
250.000
1 2
3 4
5 6
K re
d it
x 1
Data Set
Aktual Prediksi
Universitas Sumatera Utara
Tabel 4.12 Parameter dan Hasil Pengujian Prediksi Permintaan Kredit lanjutan
No. Max Epoch
Momentum Laju Pembelajaran
MAPE 8.
9. 10.
11. 12.
13. 14.
15. 16.
17. 18.
19. 20.
21. 22.
23. 24.
25. 26.
27. 28.
29. 30.
31. 32.
33. 34.
35. 36.
37. 38.
39. 40.
41. 42.
43. 44.
45. 46.
47. 48.
49. 50.
51. 52.
450 500
550 600
100 150
200 250
300 350
400 450
500 550
600 100
150 200
250 300
350 400
450 500
550 600
100 150
200 250
300 350
400 450
500 550
600 100
150 200
250 300
350 400
450 0.1
0.1 0.1
0.1 0.5
0.5 0.5
0.5 0.5
0.5 0.5
0.5 0.5
0.5 0.5
0.99 0.99
0.99 0.99
0.99 0.99
0.99 0.99
0.99 0.99
0.99
0.1 0.1
0.1 0.1
0.1 0.1
0.1 0.1
0.1 0.1
0.1 0.5
0.5 0.5
0.5 0.5
0.5 0.5
0.5 0.01
0.01 0.01
0.01 0.01
0.01 0.01
0.01 0.01
0.01 0.01
0.01 0.01
0.01 0.01
0.01 0.01
0.01 0.01
0.01 0.01
0.01 0.01
0.01 0.01
0.01 0.09
0.09 0.09
0.09 0.09
0.09 0.09
0.09 0.09
0.09 0.09
0.09 0.09
0.09 0.09
0.09 0.09
0.09 0.09
17.466 17.443
17.423 17.448
17.594 17.546
17.515 17.506
17.508 17.507
17.491 17.466
17.443 17.409
17.404 17.492
17.546 17.515
17.506 17.408
17.507 17.491
17.466 17.543
17.423 17.416
17.522 17.536
17.505 17.506
17.508 17.507
17.491 17.466
17.443 17.423
17.405 17.594
17.546 17.505
17.506 17.508
17.447 17.491
17.47
Universitas Sumatera Utara
Tabel 4.12 Parameter dan Hasil Pengujian Prediksi Permintaan Kredit
lanjutan No.
Max Epoch Momentum
Laju Pembelajaran MAPE
53. 54.
55. 56.
57. 58.
59. 60.
61. 62.
63. 64.
65. 66.
500 550
600 100
150 200
250 300
350 400
450 500
550 600
0.5 0.5
0.5
0.99 0.99
0.99 0.99
0.99 0.99
0.99 0.99
0.99 0.99
0.99 0.09
0.09 0.09
0.09 0.09
0.09 0.09
0.09 0.09
0.09 0.09
0.09 0.09
0.09 17.453
17.423 17.424
17.535 17.546
17.505 17.506
17.508 17.476
17.491 17.466
17.443 17.423
17.407
Berdasarkan pengujian parameter pada tabel 4.11, maka diperoleh nilai error yang berbeda
– beda. Gambar 4.8 menunjukkan hasil error dari pengujian yang dilakukan berdasarkan tabel 4.12.
Gambar 4.8 Grafik nilai error
Kombinasi parameter yang digunakan cukup berpengaruh terhadap nilai error yang dihasilkan. Semakin kecil nilai max epoch yang digunakan maka nilai error yang
dihasilkan semakin kecil. Tetapi momentum dan laju pembelajaran tidak memberikan pengaruh yang signifikan terhadap error yang dihasilkan.
17,35 17,4
17,45 17,5
17,55 17,6
17,65
1 11
21 31
41 51
61
M AP
E
Data Set
Universitas Sumatera Utara
Pada tabel 4.12, nilai error terkecil sebesar 17.405 diperoleh dengan kombinasi parameter laju pembelajaran = 0.09, momentum = 0.1, dan max epoch =
600. Sedangkan error terbesar sebesar 17.594 dengan kombinasi parameter laju pembelajaran = 0.09, momentum = 0.5, dan max epoch = 100.
Grafik hasil prediksi pada tanggal 19 Februari 2012 s.d 28 Desember 2013 dengan menggunakan parameter laju pembelajaran = 0.09, momentum = 0.1, dan max
epoch 600, dapat kita lihat pada gambar 4.9.
Gambar 4.9 Grafik Hasil Prediksi
Error yang diperoleh dari penelitian ini bisa dikatakan cukup besar yaitu 17.405. Kemampuan peramalan dikatakan sangat baik apabila nilai MAPE kurang dari 10,
serta dikatakan baik apabila nilai MAPE kurang dari 20 Khikmiyah, L , dkk, 2012. Menurut Fitriah 2011, penggunakan ANFIS lebih cocok untuk jangka waktu pendek
dibanding dengan jangka waktu panjang, misalkan prediksi untuk 3 bulan kemudian.
175.000 350.000
525.000 700.000
875.000 1.050.000
1 26
51 76
101 126
151 176
201 226
251 276
301 326
351
K re
d it
x 1
Prediksi Aktual
Universitas Sumatera Utara
55
BAB 5 KESIMPULAN DAN SARAN