BAB 3 ANALISIS DAN PERANCANGAN SISTEM
Pada bab ini secara garis besar membahas tentang analisis metode backpropagation dan jaringan neural network pada sistem dan tahap-tahap yang akan dilakukan dalam
perancangan sistem yang akan dibangun.
3.1 Data Yang Digunakan
Penulis mengambil data dari PT. Lafarge Semen Andalas Indonesia area kerja Sumatera yang berjumlah 1344 data, merupakan data time series dari tahun 2006
hingga 2013. Perusahan menginput hasil penjualan setiap hari produksi dengan merekap seluruh data hasil penjualan ke data bulanan. Setelah terkumpul hasil
penjualan perbulan akan disatukan menjadi data penjualan tahunan. Data penjualan di daerah aceh dengan produk PCC yang berjumlah 12 data, yang ada dapat dilihat
seperti yang dirangkum pada tabel 3.1.
Tabel 3.1 Rangkuman Data Penjualan
No Periode
Penjualan 1
Januari 2006 25.157
2 Febuari 2006
22.542 3
Maret 2006 20.082
4 April 2006
28.380 5
Mei 2006 21.043
6 Juni 2006
24.766 7
Juli 2006 27.241
8 Agustus 2006
21.229 9
September 2006 20.085
10 Oktober 2006
11.209
Universitas Sumatera Utara
18
11 November 2006
18.991 12
Desember 2006 16.728
... ......
..... ...
...... .....
1341 September 2013
36.200
1342 Oktober 2013
47.838
1343 November2013
50.427
1344 Desember2013
36.200
Untuk pemodelan data pada tabel 3.1 dalam bentuk grafik, dapat dilihat pada gambar 3.1.
Gambar 3.1 Grafik penjualan
3.2 Analisis Sistem
Analisis pada sistem untuk memproses pengidentifikasi terhadap sistem yang akan dikembangkan. Analisis pada sistem sangat dibutuhkan sebagai acuan utama
perancangan pada sistem. Di peneitian ini terdapat tahap proses analis yaitu tahap training dan tahap testing.
10,000 20,000
30,000 40,000
50,000 60,000
penjualan
penjualan
Universitas Sumatera Utara
19
Tahapan proses training atau pelatihan sebagai berikut: 1. Memasukan nilai learning rate nilai pembelajaran, masukan nilai tolerensi error
atau nilai ambang Monentum, dan memasukan data Perusahan sebagai nilai acuan inisialisasi bobot awal.
2. While kondisi berhenti tidak terpenuhi do langkah ke-2 sampai langkah ke-9.
3. Untuk setiap pasanggan pola pelatihan, melakukan langkah ke-3 sampai langkah ke-8.
4. Setiap unit input Xi dari unit ke-1 sampai unit ke-n pada lapisan input mengirimkan sinyal input ke semua unit yang adadi lapisan atasnya kelapisan
tersembunyi2.1. 5. Melakukan tahap perhitungan feed foward seperti perhitungan tahap dari unit
keluaran Zj 1 hingga unit keluaran P Tahap 2. Menghitung Nilai output Zj, j=1,2,3,...n. dari unit ke-1 sampai ke-p; i=i,...,n; j=l,..,p sinyal output lapisan
tersembunyi dihitung dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input berbot Xi Kemudian dikirim ke semua unit di lapisan atasnya
lapisan tersembunyi dalam tahap 2.2. 6. Menghitung nilai input Yk, k=1,2,3,..,n. Pada tahap ini menghitung input Yk=1
hingga Yj=n pada unit output yk dari unit ke-1 sampai unit ke= n i=l,...n; k=l,...,m menghitung sinyal outputnya dengan menerapkan fungsi aktivasi terhadap
penjumlahan sinyal bobot Zj dalam tahap 2.3. 7. Setiapunit ouput Yk dari unit ke-1 sampai unit ke-m; j=l,...,P; k=l,..,m menerima
pola target tk lalu informasi kesalahan lapisan outputδk dihitung. δk dikirim ke lapisan di bawahnya dan digunakan untuk menghitung besar koreksi bobot dan bias
δWjk dan δWok antara lapisan tersembunyi dengan lapisan output dalam tahap 2.4.
8. Pada setiap lapisan tersembunyidari unit ke-1 sampai unit ke-m; i=l,...,P; k=l,..,m menghitung informasi kesalahan lapisan tersembunyi δj. δj kemudian digunakan
Universitas Sumatera Utara
20
untuk menghitung besar koreksi bobot d an bias δVij dan δVoj antara lapisan
input dan lapisan tersembunyi dalam tahap 2.5. 9 . Pada setiap unit output Yk dari unit ke-1sampai unit ke-m dilakukan pengupdate
bias dan bobot j=0,...,p; k=l,...,m sehingga bias dan bobot yang baru menjadi pada tahap 2.6.
10. Dari unit ke-1 sampai unit ke-p lapisan tersembunyi juga dilakukan pengupdatean pada tahap unit tersembunyi mengupdate bobot i=0,....,p pada
tahap 2.7. 11. Tes proses kondisi berhenti pada tahap training.
Universitas Sumatera Utara
21
Contoh gambar flowchart training pada gambar 3.2 sebagai berikut
Mulai Learning rate nilai
pembelajarran, Momentum Nilai toleransi error
Data Penjuaan Perusahan
Inialisasi Bobot Awal Epoch = 1
Epoch= Epoch + 1
Unit Keluaran Z Input layer ke hidden layer
Unit Keluaran Y Hidden layer ke output layer
Menghitung Error Error = target Error
Backpropagation Perubahan bobot
Bobot Pelatihan Selesai
Tahap Feed Foward
Tidak
Ya
Unit Input X mengirimkan sinyal input ke semua hidden layer
Gambar 3.2 Flowchart proses training
Universitas Sumatera Utara
22
Tahapan proses testing sebagai berikut: 1. Penginisialisasi bobot, bobot ini diambil dari bobot
–bobot terakhir yang diperoleh dari algoritma pelatihan.
2. Untuk Setiap vektor input, lakukan langkah ke-2 sampai ke-4. 3. Setiap unit Xi dari unit ke-1 sampai unit ke-n pada lapisan input; i=l,..,n menerima
sinyal input pengujian Xi dan menyiarkan sinyal Xi ke semua unit pada lapisan di atasnya unit-unit tersembunyi.
4. Setiap unit lapisan tersembunyi Zj dari unit ke-1 sampai unit ke-p; i=l,...,n; j=l,...,p Menghitung sinya outputnya dengan input Xi. Sinyal Output dari lapisan
tersembunyi kemudian dikirim ke semua unit pada lapisan di atasnya ke lapisan tersembunyi dalam tahap 2.8.
5. Setiap unit output Yk dari unit ke-1 sampai unit ke-m; j=l,...,p; k=l,...,m menghitung sinyal outputnya dengan menerapkan fungsi aktivasi terhadap
penjumlahansinyal-sinyal input bagi lapisan ini, yaitu sinyal-sinyal input Zj dari lapisan tersembunyi dalam tahap 2.9.
6. Mengambil bobot terbaik pada training pengujian untuk dihitung ke tahap alur maju.
7. Menghasilkan data lebih kecil dari jumlah data pengujian. 8. Menghitung nilai pengujian dengan MSE Mean Squaere Eror dengan rumus pada
tahap 3.1.
3.1 9. Setelah selesai menghitung MSE menghasilkan prediksi penjualan.
Universitas Sumatera Utara
23
Contoh gambar flowchart testing pada gambar 3.3:
Mulai
Data Penjualan
Unit Keluaran Y Hidden layer ke output layer
Menghitung MSE
Selesai Bobot Terakhir Pelatihan
Tahap Feed Foward
Unit Keluaran Z Input layer ke hidden layer
Data Jlh Data Pengujian
ya
Hasil Prediksi
Penjualan
Tidak
Unit Input Xi Mengirimkan sinyal input ke hidden layer
Gambar 3.3 Flowchart proses testing
Universitas Sumatera Utara
24
3.3 Use Case Diagram