Memprediksi Kenaikan Golongan Pegawai Demgan Metode Learning Vector Quantization Dab Backropagation (Studi Kasus : PDAM Tirtanadi)

  i

MEMPREDIKSI KENAIKAN GOLONGAN PEGAWAI DENGAN METODE

  LEARNING VECTOR QUANTIZATION DAN BACKPROPAGATION (STUDI KASUS : PDAM TIRTANADI)

SKRIPSI FRANSISCA ANGELIA SEBAYANG 091401080 PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2013

MEMPREDIKSI KENAIKAN GOLONGAN PEGAWAI DENGAN METODE LEARNING VECTOR QUANTIZATION DAN

  BACKPROPAGATION (STUDI KASUS : PDAM TIRTANADI) SKRIPSI

  Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijasah Sarjana Ilmu Komputer

FRANSISCA ANGELIA SEBAYANG 091401080 PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2013

  ii PERSETUJUAN

  Judul : MEMPREDIKSI KENAIKAN GOLONGAN PEGAWAI DENGAN METODE LEARNING VECTOR

QUANTIZATION DAN BACKPROPAGATION

  (STUDI KASUS : PDAM TIRTANADI) Kategori : SKRIPSI Nama : FRANSISCA ANGELIA SEBAYANG Nomor Induk Mahasiswa : 091401080 Program Studi : SARJANA(S1) ILMU KOMPUTER Departemen : ILMU KOMPUTER Fakultas : FAKULTAS ILMU KOMPUTER DAN

  TEKNOLOGI INFORMASI (FASILKOM-TI) UNIVERSITAS SUMATERA UTARA Diluluskan di Medan, 22 Agustus 2013

  Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Amer Sharif, S.Si,M.Kom Dian Rachmawati,S.Si,M.Kom NIP. - NIP.198307232009122004 Diketahui/Disetujui oleh Program Studi S1 Ilmu Komputer Ketua, Dr. Poltak Sihombing, M.Kom NIP. 196203171991031001

  

PERNYATAAN

  MEMPREDIKSI KENAIKAN GOLONGAN PEGAWAI DENGAN METODE LEARNING VECTOR QUANTIZATION DAN

  

BACKPROPAGATION (STUDI KASUS : PDAM TIRTANADI)

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

  Medan, 22 Agustus 2013 FRANSISCA ANGELIA SEBAYANG NIM 091401080

  PENGHARGAAN

  Puji syukur dipanjatkan kepada Tuhan Yang Maha Esa atas segala hikmat dan pertolongan-Nya sehingga penulisan Tugas Akhir ini dapat diselesaikan dengan baik.

  Ucapan terima kasih saya sampaikan kepada semua pihak yang telah membantu saya dalam menyelesaikan skripsi ini baik secara langsung maupun tidak langsung. Pada kesempatan ini saya ingin mengucapkan terima kasih yang sebesar-besarnya kepada :

  1. Bapak Prof. Dr. dr. Syahril Pasaribu, DTM&H, Msc(CTM), Sp.A(K) selaku Rektor Universitas Sumatera Utara.

  2. Bapak Prof. Dr. Muhammad Zarlis selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

  3. Bapak Dr. Poltak Sihombing, M, selaku Ketua Program Studi S1 Ilmu Komputer Universitas Sumatera Utara dan Dosen Penguji I yang telah memberikan bimbingan, saran dan masukan kepada saya dalam pengerjaan skripsi ini.

  4. Ibu Maya Silvi Lydia, B.Sc, M.Sc selaku Sekretaris Program Studi Ilmu Komputer.

  5. Ibu Dian Rachmawati, S.Si,M.Kom selaku Dosen Pembimbing I yang telah memberikan bimbingan, saran dan masukan kepada saya dalam pengerjaan skripsi ini.

  6. Bapak Amer Sharif, S.Si, M.Kom selaku Dosen Pembimbing II yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.

  7. Bapak M. Andri Budiman, ST, M.Comp.Sc, MEM selaku Dosen Pembanding II yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.

  8. Semua dosen Program Studi S1 Ilmu Komputer FASILKOM-TI USU, dan pegawai di Ilmu Komputer FASILKOM-TI USU.

  9. Ayahanda Ukurmuli Sebayang,SH dan Ibunda Dra. Riana Barus tercinta yang telah memberikan doa, motivasi, perhatian , nasehat, kasih sayang yang tulus serta pengorbanan materi yang tidak ternilai harganya.

  10. Abang dan Adik yang tersayang Meno Bastiano Argentino Sebayang,SE dan Eliezer Maha Rani Sebayang serta kepada seluruh keluarga besar yang telah memberikan doa, dukungan dan perhatiannya kepada saya.

  11. Sadifa Asrofa, S.Kom, Rosalina V. Situmorang, S.Kom dan Eliezer S.Kom, serta Putra Antoni Sinamo, S.Pd yang telah memberikan semangat, dukungan, saran dan perhatiannya kepada saya.

  12. Teman-teman seperjuangan mahasiswa S1-Ilmu Komputer stambuk 2009 secara khusus Desi Manurung, Nurul Khairina, Suri Syahfitri, Sylvia Dinata, Hanna Marlina, Marti Nelly Sembiring, dan Efrienni Tampubolon yang telah memberikan semangat dan menjadi teman diskusi penulis dalam menyelesaikan skripsi ini.

13. KA-KR Remaja GBKP SETIA BUDi yang telah memberikan semangat, dukungan dan doa kepada saya.

  14. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu per satu yang telah membantu penyelesaian skripsi ini.

  Saya harapkan kritik dan saran dari pembaca untuk kelengkapan skripsi ini, agar dapat bermanfaat bagi saya dan peneliti selanjutnya.

  Medan, 22 Agustus 2013 Penulis

  Fransiska AngeliaSebayang

  

ABSTRAK

  Perusahaan Air Minum PDAM TIRTANADI merupakan Badan Usaha Milik Daerah Provinsi Sumatera Utara yang mengelola air sungai menjadi air bersih. Golongan adalah kedudukan yang menunjukkan tingkat seorang Pemda (pegawai daerah) berdasarkan golongan dalam rangkaian susunan kepegawaian yang digunakan sebagai dasar penggajian. Skripsi ini membuat sebuah sistem memprediksi kenaikan golongan pada pegawai dengan perbandingan metode Learning Vector Quantization dengan metode Backpropagation di bidang kecepatan komputasi pengujian data dengan menggunakan Software R2007b. Learning Vector Quantization merupakan pelatihan terhadap lapisan-lapisan kompetetif yang terawasi yang memiliki target sedangkan

  

Backpropagation merupakan algoritma pembelajaran yang terawasi yang mengubah

  bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi. Hasil yang diperoleh dalam bentuk angka dan grafik. Nilai Learning rate yang digunakan 0.5, maksimal epoh =100, dan goal yang diharapkan 0,01. Hasil dari penelitian ini diperoleh bahwa terdapat kelebihan dan kekurangan dari setiap metode. Kecepatan komputasi pengujian lebih cepat diolah dengan menggunakan metode LVQ dibandingkan dengan menggunakan metode Backpropagation. Namun kelemahan dari LVQ adalah output yang dihasilkan berupa kelas sehingga data-data tidak dapat diamati secara langsung sedangkan dengan menggunakan backpropagation, Output yang dihasilkan dapat diamati secara langsung. Kata kunci : JST, Learning Vector Quantization, Backpropagation, Kenaikan Golongan, PDAM Tirtanadi

  

Predicting the Increase in the Employee Class with a Learning Vector

Quantization and Backpropagation Method

  

(Case study: PDAM TIRTANADI)

Abstract

  Water supply company PDAM TIRTANADI is a Regional-Owned Enterprise of the Government of North Sumatra which manages the river water into clean water. Grade is a position of the employees which indicate the basis for his salary. This study developed a system to predict the suitability for grade raise by comparing the LVQ and Backpropagation. Method of artificial neural network implemeted with matlab R2007b. The comparison was done on the computing speed. LVQ used a supervised training on competitive layers which has a target, while Backpropagation is a supervised learning algorithm which changes the weights that connect with existing neurons in the hidden layer. The results obtained in the form of numbers and graphics.

  Learning rate value that used is 0.5, the maximum epoch = 100, and goals expected is

  0.01. The results of this research showed that there are advantages and disadvantages of each method. the computing of speed tests were faster processed by using LVQ method than using backpropagation method. but the weakness of LVQ is The resulting output is in the form of class, that means the data can not be observed directly while by using backpropagation, the resulting output can be observed directly.

  

Keywords: JST, Learning Vector Quantization, Backpropagation, great position,

PDAM Tirtanadi.

DAFTAR ISI

  25

  17

  2.4 Backpropagation

  17

  2.4.1 Algoritma Backpropagation

  19

  2.4.2 Inisialisasi Bobot Awal

  21

  2.4.3 Fungsi Aktifasi

  23

  2.5 Kenaikan Golongan Pegawai

  24 Bab 3 Analisis Dan Perancangan Sistem

  3.1 Analisis Per masalahan

  3.2 Analisis Kebutuhan Sistem

  16

  26

  3.2.1 Kebutuhan Fungsional Sistem

  26

  3.2.2 Kebutuhan Non Fungsional Sistem

  26

  3.3 Permodelan

  27

  3.3.1 Use Case Diagram

  27

  3.3.2 Use Case LVQ

  29

  3.3.3 Use Case Backpropagation

  32

  2.3.2 Algoritma Simulasi (Pengujian)

  Halaman Persetujuan ii

  Pernyataan iii

  1.4 Tujuan Penelitian

  Penghargaan iv

  Abstrak vi

  Abstract vii

  Daftar Isi viii

  Daftar Tabel xi

  Daftar Gambar xii

  Bab 1 Pendahuluan

  1.1 Latar Belakang

  1

  1.2 Rumusan Masalah

  3

  1.3 Batasan Masalah

  3

  3

  14

  1.5 Manfaat Penelitian

  4

  1.6 Metode Penelitian

  4

  1.7 Sistematika Penulisan

  5 Bab 2 Tinjauan Pustaka

  2.1 Jaringan Syaraf Biologi

  7

  2.2 Jaringan Syaraf Tiruan

  8

  2.2.1 Arsitektur Jaringan

  10

  2.3 Learning Vector Quantization

  2.3.1 Algoritma Pelatihan LVQ

  3.3.4 Analisis Proses Sistem

  35

  3.3.4.1 Proses LVQ

  35

  3.3.4.2 Proses Backpropagation

  37

  3.4 Flowchart System

  40

  3.4.1 Flowchart Algoritma Pelatihan LVQ

  40

  3.4.2 Flowchart Algoritma Simulasi LVQ

  42

  3.4.3 Flowchart Algoritma Pelatihan Backpropagation

  43

  3.4.4 Flowchart Algoritma Pengujian Backpropagation

  44

  3.5 Perancangan Antarmuka

  3.5.1 Antarmuka Awal

  45

  3.5.2 Antarmuka LVQ

  46

  3.5.3 Antarmuka Backpropagation

  48 Bab 4 Implementasi Dan Pengujian Sistem

  4.1 Implementasi Sistem

  50

  4.1.1 Tampilan Antarmuka Sistem

  50

  4.1.1.1 Antarmuka Menu Utama

  50

  4.1.1.2 Antarmuka LVQ

  52

  4.1.1.3 Pelatihan Sistem LVQ

  55

  4.1.1.4 Pengujian Sistem LVQ

  55

  4.1.1.5 Antarmuka Backpropagation

  56

  4.1.1.6 Pelatihan Sistem Backpropagation

  59

  4.1.1.7 Pengujian Sistem Backpropagation

  61 Bab 5 Kesimpulan Dan Saran

  5.1 Kesimpulan

  64

  5.2 Saran

  65 Daftar Pustaka

  84 Lampiran Listing Program A-1 Curriculum Vitae B-1

  

DAFTAR TABEL

Hal.

  3.1 Dokumentasi Naratif Use Case LVQ

  3.2 Dokumentasi Naratif Use Case Backpropagation

  4.1 Pengujian Bobot Dengan Menggunakan Parameter LVQ

  4.2 Data Pelatihan Backpropagation

  4.3 Data Pengujian Backpropagation

  4.4 Perbandingan Metode LVQ Dengan Backpropagation

  4.5 Persamaan Metode LVQ Dengan Backpropagation

  29

  32

  55

  59

  62

  63

  63

  

DAFTAR GAMBAR

  4.1 Tampilan Antarmuka Menu Utama

  41

  3.8 Algoritma Proses Simulasi Pada Metode LVQ

  43

  3.9 Algoritma Proses Pelatihan Pada Metode Backpropagation

  44

  3.10 Algoritma Proses Pengujian Pada Metode Backpropagation

  45

  3.11 Tampilan Rancangan Antarmuka Awal

  46

  3.12 Tampilan Rancangan Antarmuka Metode LVQ

  47

  3.13 Tampilan Rancangan Antarmuka Metode Backpropagation

  49

  52

  39

  4.2 Tampilan Antarmuka LVQ

  53

  4.3 Tampilan Grafik Training Antara Epoh dan Learning Goal

  54

  4.4 Tampilan Antarmuka LVQ Setelah Data Dilatih Dan Diuji

  54

  4.5 Tampilan Antarmuka Backpropagation

  57

  4.6 Tampilan Antarmuka Backpropagation Pelatihan Data

  58

  4.7 Tampilan Antarmuka Backpropagation Pengujian Data

  59

  4.8 Tampilan Antarmuka Backpropagation Pengujian Data

  3.7 Algoritma Proses Pelatihan Pada Metode LVQ

  3.6 Sequence Diagram Proses Backpropagation

  Halaman

  19

  2.1 Susunan Syaraf Manusia

  8

  2.2 Model Neuron

  10

  2.3 Jaringan Saraf Tiruan dengan Lapis Tunggal (Single Layer)

  12

  2.4 Jaringan Saraf Tiruan dengan Lapis Banyak (MultiLayer)

  13

  2.5 Jaringan Saraf Tiruan dengan Competitive Layer

  14

  2.6 Arsitektur LVQ

  16

  2.7 Arsitektur Backpropagation

  2.8 Fungsi Aktivasi Linier

  37

  23

  2.9 Fungsi Aktivasi Biner

  24

  2.10 Fungsi Aktivasi Bipolar

  25

  3.1 Diagram Ishikawa Analisis Permasalahan

  26

  3.2 Use Case Diagram Sistem Memprediksi Kenaikan Golongan Pegawai 29

  3.3 Activity Diagram LVQ

  32

  3.4 Activity Diagram Backpropagation

  35

  3.5 Sequence Diagram Proses LVQ

  62