Contoh Template Laporan Tugas Akhir Prodi TI 2017

-a arginsel
uruhlaporan:
Top=
4cm,L eft=
4
cm,
. ottom=
3cm,wight=
3cm
-W
enis Cont I al
amanS ampul:
A rialbarrowsize 1
4pt
-W
arakA ntar . aris (
S pasi)halamansampuly
aitu1,b efor=
0
danafter=
0

-Tex
t A ligment adal
ah/ enter

- W
umlah. aris mak
simal4b aris
- . entukt enulisanpiramida
terb al
ik
- Cont W
udul:
. ol
d dan/ apital

-5itul
isk
ansesuai
j
enis l

aporan
o t wA YT9wY9wW
A
L A t A bDA b
o YU L LA I Y9wW
A
bYA TA
o TU DA S A YI Lw
-Cont:
. ol
d dan
/ apital
-

PENENTUAN DISPOSISI MATERIAL INCOMING PADA
PT. GATRA MAPAN MALANG MENGGUNAKAN
J ARINGAN SYARAF TIRUAN
BACKPROPAGATION

6enter

TUGAS AKHIR
Diajukan Untuk Memenuhi Salah Satu Syarat Kelulusan Sarjana Strata 1
-5itul
isk
ansesuaij
enis l
aporan
o t YL :
5iaj
uk
anU ntuka emenuhiS al
ahS atut raSy
arat a enempuhTugas
Ak
hir
o TA :
5iaj
uk
anU ntuka emenuhiS al

ahS atuS y
arat Yel
ul
usanS arj
anaS trata1
-Cont:
/ apital
ize 9achW ords

6enter

-L ogo:
Cul
l/ ol
or
-5iameter :
5cm

5enter

-Cont:
/ apital
ize 9achW ords
-A ligment :
/ enter,L eft Tab

Oleh
Afham Safiq Muhammad

14201001
5enter

PROGRAM STUDI INFORMATIKA
SEKOLAH TINGGI MANAJ EMEN INFORMATIKA DAN KOMPUTER ASIA
MALANG
2017
-I al
amaninidihitung seb agai
hal
amani,tetapinomor

hal
amantidakdicetak

L E MB AR PE R S E TUJ UAN TUGAS AK HIR
-Cont :
A rial
,size 16pt,. ol
d,
/ apital
-A ligment :
/ enter

T ugas akhir dengan judul : Penentuan Disposisi Material Incoming Pada
PT. Gatra Mapan Malang Menggunakan
J aringan S yaraf T iruan Backpropagation
Disusun oleh

: Afham S afiq Muhammad

NIM

: 14201001

Program S tudi

: Informatika

-5itulis Tanggalwak
tuuj
ian
dil
ak
sanak
an

-Cont :
A rial
,size 12pt,
/ apital
ize 9achW orl

ds
-W
arakA ntar . aris (
S pasi)
:
adal
ah1.
5
,b efore=
0dan
after=
0

Malang, 31 J uli 2017
Menyetujui

Kaprodi Informatika

Pembimbing T ugas Akhir

R ina Dewi Indahsari, M.Kom

Nama Dospem, M.Kom

-bomor hal
amanpral
aporan
(
seb el
um b ab L):
ditul
is dib awah
tengahdenganj
enis romawik
ecil
-Contt :
A rial
,size 12pt

ii

S UR AT K E TE R ANG AN L UL US UJ IAN TUGAS
AK HIR
-Cont :
A rial
,size 16pt,. ol
d,/ apital
-A ligment :
/ enter

Y ang bertanda tangan dibawah ini menerangkan bahwa:

Nama

: Afham S afiq Muhammad

NIM

: 14201001

Program S tudi

: Informatika

-5itulis Tanggalwak
tuuj
ian
dil
ak
sanak
an

T elah lulus ujian Tugas Akhir pada tanggal 31 J uli 2017 di S T MIK AS IA
Malang.

Tim Penguji
Penguji 1

Penguji 2

Dosen Pembanding, M.Kom

Dosen Pembimbing, M.Kom

Malang, 31 J uli 2017
Ketua Tim P enguji

-Cont :
A rial
,size 12pt,
-W
arakA ntar . aris (
S pasi)
:
adal
ah1.
5,b efore=
0dan
after=
0

iii

Dosen Penguji, M.Kom

-L ogo:
Cul
l/ ol
or
-5iameter :2cm

S UR AT PE R NY A T A AN
-Cont :
A rial
,size 16pt,. ol
d,/ apital
-A ligment :
/ enter

Y ang bertanda tangan dibawah ini adalah:
Nama

: Afham S afiq Muhammad

NIM

: 14201001

Tempat/Tgl Lahir : Malang, 22 J anuari 2014

-Cont :
A rial
,size 12pt,
-W
arakA ntar . aris (
S pasi)
:
adal
ah1.
5
,b efore=
0dan
after=
0
-Cont W
udul:
. ol
d,/ apital
ize
9achW orl
ds

Program S tudi

: Informatika

Alamat

: J l. Drs. Moh. Hatta 288 Dadaprejo, J unrejo, Batu

Menyatakan bahwa K arya Ilmiah/ T ugas Akhir yang berjudul:
“Penentuan Dispos is i Material Incoming P ada PT. Gatra Mapan
Malang Menggunakan J aringan S yaraf Tiruan B ac kpropagation”
adalah bukan merupakan karya tulis orang lain, baik sebagian maupun
keseluruhan, kecuali dalam bentuk kutipan yang disebutkan sumbernya.

Demikian surat pernyataan ini saya buat dengan sebenar-benarnya dan
apabila pernyataan ini tidak benar, saya bersedia menerima sanksi
akademik.

Mengetahui,

Malang, 31 J uli 2017

Dosen Pembimbing

Y ang menyatakan

Dosen Pembimbing, M.Kom

Afham S afiq Muhammad

iv

HAL AMAN P E R NY AT A AN PE R S E TUJ UAN
PUB L IK AS I TUGAS AK HIR UNTUK
Cont :
A rial
,size 16pt,. ol
d,/ apital
K E PE NTING AN A K ADE MIS -A ligment :
/ enter
S ebagai C ivitas Akademik S TMIK Asia Malang, saya yang bertanda
tangan di bawah ini:
Nama

: Afham S afiq Muhammad

NIM

: 14201001

Program S tudi

: Informatika

J enis K arya

: Tugas Akhir

-Cont :
A rial
,size 12
pt,
-W
arakA ntar . aris (
S pasi)
:
adal
ah1.
5,b efore=
0dan
after=
0
-Cont W
udul:
. ol
d,/ apital
ize
9achW orl
ds

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan
kepada S TMIK Asia Malang Hak Bebas R oyalti atas tugas akhir saya
yang berjudul:
“Penentuan Dispos is i Material Incoming P ada PT. Gatra Mapan
Malang Menggunakan J aringan S yaraf Tiruan B ac kpropagation”
beserta perangkat yang ada (jika diperlukan).

Dengan Hak Bebas R oyalti ini, S TMIK Asia Malang berhak untuk
menyimpan,

mengalih

media/formatkan,

mengelola

dalam

bentuk

pangkalan data (database), merawat dan mempublikasikan T ugas Akhir
saya tanpa meminta ijin dari saya selama tetap mencantumkan nama
saya sebagai penulis/pencipta dan pemilik hak cipta.
Demikian pernyataan ini saya buat dengan sebenarnya.

Malang, 31 J uli 2017
Y ang menyatakan
Materai
Rp. 6000

Afham S afiq Muhammad

v

-Cont :
A rial
,size 12pt,
-W
arakA ntar . aris (
S pasi)
:
adal
ah1,b efore=
0dan
after=
0
-Cont W
udul:
. ol
d,/ apital

-Cont :
A rial
,size 16
pt,. ol
d,/ apital
-A ligment :
/ enter

A B S TR AK S I
-bamaL engk
apmahasiswa
(
tandatitik
)bLa

-bamat rodi,
bamaLnstansi,
tahun

-YataYunci:
minimal2
0
k
arak
ter

Afham S afiq Muhammad. 14201001
PE NE NTUAN DIS POS IS I MAT E R IAL INC OMING P ADA PT. GAT R A
MAP AN MAL ANG ME NGGUNAK AN J AR ING AN S Y AR AF TIR UA N
B AC K PR OP AG A TION
Informatika, S ekolah Tinggi Manajemen Informatika dan Komputer AS IA
Malang, 2017
Kata Kunci : K lasifikasi, jaringan syaraf tiruan, backpropagation, search
tree, ekstraksi rule
(xvii + 94 + Lampiran)

-a enunj
uk
k
an
fok
us masal
ah
dal
am
penel
itianini

-a enunj
uk
k
an
sol
usidan
proses
perancangan
sol
usi

-a enunj
uk
k
an
hasil
penel
itian

-Totalhal
amanpral
aporan+Totalhal
aman. ab L
sampai. ab V +L ampiran(
k
al
auada)

J aringan syaraf tiruan akan dipakai untuk ekstraksi rule dalam
pengklasifikasian data. J aringan syaraf tiruan merupakan alat yang sangat
baik digunakan untuk mengembangkan berbagai aplikasi pada dunia
nyata, khususnya pada kasus-kasus dimana metode pemecahan masalah
dengan cara tradisional gagal menyelesaikannya. F okus dari penelitian ini
adalah melakukan ekstraksi aturan dari hasil pembelajaran jaringan syaraf
tiruan sehingga menghasilkan bentuk rule konjungsi (IF -T HE N).
Permasalahan yang diangkat adalah disposisi material (bahan
baku) pada PT. Gatra Mapan Malang. Dataset terdiri dari 10 atribut non
kelas dan 1 atribut kelas dengan total 28 distict value atribut non kelas dan
2 value atribut kelas. F ormulasi permasalahan ke dalam jaringan syaraf
dengan menggunakan 28 neuron input yang masing-masing mewakili
value atribut non kelas dan 2 neuron output yang mewakili value atribut
kelas. Pembelajaran dengan jaringan syaraf menggunakan 1288 record
data. Berdasarkan bobot hasil pembelajaran jaringan syaraf kemudian
dilakukan proses ekstraksi aturan. S alah satu pendekatan yang digunakan
untuk ekstraksi aturan adalah metode berbasis pencarian ruang solusi.
Metode ini terdiri dari 2 tahap, yang pertama adalah tahap pencarian
aturan, dan tahap kedua adalah proses pengecekan validitas rule yang
telah diperoleh dari tahap pertama. Pencarian aturan dimulai dari
kemungkinan aturan dengan 1 premis sampai aturan dengan banyak
premis. J ika aturan dengan 1 premis telah valid, maka tidak perlu dicari
aturan dengan premis banyak.
Dalam uji coba yang telah dilakukan terhadap dataset dengan
1288 record data telah menghasilkan 12 rule dengan akurasi rata-rata
90%. Dari semua rule yang telah dihasilkan dapat meng-cover 80% dari
total 1288 data yang telah dilatihkan. Artinya dari 1288 record data yang
dilatihkan akan ter-cover 1030 record oleh aturan yang dihasilkan.
-(
Tahunterb it tertua–tahunterb it termuda
-Ldeal
ny
arentang 5tahunterak
hir

Daftar P ustaka (2012 – 2017)

vi

A B S TR AC T

-S emuacarapenul
isansamadengan
ab strak
sidal
am . ahasaLndonesia
-bamainstansitidakperl
u
diterj
emahk
andal
am . ahasaLnggris

Afham S afiq Muhammad. 14201001
B AC K PR OP AG A TION NE UR AL NE T WOR K F OR DE TE R MINING
MA TE R IA L DIS P OS ITION AT PT. GATR A MAP A N MA L ANG
Informatics, S ekolah T inggi Manajemen Informatika dan Komputer AS IA
Malang, 2017
Keywords: C lassification, artificial neural network, backpropagation,
search tree, rule extraction
(xvii + 94 + attachment)
Artificial neural network will be used for rule extraction in classifying
the data. Neural network is a good tool used to develop a variety of
application in the real world, particularly in cases where the method of
solving the problem in the traditional way fails to finish. T he focus of this
research is to extract rules from artificial neural network learning outcomes
resulting in a form of rule that is more familiar to human and generate form
a conjunction rule (IF -THE N).
Issues raised is the disposition of raw materials on P T. Gatra
Mapan Malang. The dataset consists of 10 non class attributes, one
attribute class with a total of 28 distinct values of non class attributes and
2 value of class attribute. R ole in the problem formulation to neural
network by using 28 input neurons, each represents the value of non class
attributes and 2 output neurons representing the class attribute values.
T raning with neural networks uses 1288 data records. Based on the
results of learning neural network weights, the extraction rule is then
performed. One of the approaches used for extraction rules is based
method searches the solution space. This method consists of two stages.
T he first is the search for order and the second stage is the process of
checking the validity of rule that has been obtained from the first stage.
S earch starts from possible rules with one premise rule until the rule with
many premises. If a rule with one premise is valid then no need to look for
a rule with the premise of many.
F rom the trials the results show that 12 rules with an average
accuracy of 90%. Of all the rules that have been generated can cover 80%
from the total of 1288 data that have been trained. This means that the
data from 1288 record cover 1030 records generated by the rules.
Bibliography (2012 – 2017)

vii

-Cont :
A rial
,size 1
6pt,. ol
d,
/ apital
-A ligment :
/ enter

-Cont :
A rial
,size 12
pt,
-W
arakA ntar . aris (
S pasi)
:
adal
ah1.
5,b efore=
0dan
after=
0

K AT A P E NG ANT AR

Dengan memanjatkan rasa syukur kehadirat Allah S WT atas segala
rahmad dan hidayah-Nya yang diberikan kepada penulis sehingga laporan
tugas akhir dengan judul "Penentuan Disposisi Material Incoming

Pada PT. Gatra Mapan Malang Menggunakan J aringan S yaraf
Tiruan Backpropagation" dapat terselesaikan dengan baik.
Penyusunan laporan tugas akhir ini merupakan tugas mandiri yang
harus

diselesaikan

Informatika

oleh

mahasiswa

dan Komputer (S T MIK)

S ekolah
AS IA

T inggi

Malang

Manajemen

program studi

Informatika yang merupakan bagian dari prasyarat kelulusan program
kesarjanaan.
Pada kesempatan ini penulis mengucapkan banyak terima kasih
kepada pihak-pihak yang telah membantu terselesainya tugas akhir
sampai dengan penyusunan laporan, yaitu :
1. Bapak Ir. Teguh Widodo, MM., selaku Ketua S TMIK Asia Malang.
2. Bapak M. R ofiq, S .T., M.T., selaku Pembantu Ketua I S T MIK Asia
Malang.
3. Ibu R ina Dewi Indah S ari, S .Kom., M.Kom., selaku Ketua Prodi
Informatika.
4. Bapak/Ibu… … .., selaku Dosen P embimbing,
5. Bapak/Ibu… … … .., selaku Dosen W ali, …
6. Ayah Bunda
7. S audara-saudari

-U capanTerimak
asih:
minimal5point pertama,
sel
eb ihny
ab isa
ditamb ahk
anseperl
uny
a

8. T eman-teman kost
9. T eman-teman ngaji
10. Kekasih Hati ....
11. Dan seterusnya
Kepada

semuanya

yang

telah

membantu

penulis

dalam

menyelesaikan tugas akhir ini, semoga mendapat balasan dengan berkat
dan karunia yang berlimpah dari Allah S WT .

viii

Penulis menyadari bahwa laporan tugas akhir ini jauh dari
sempurna, oleh karena itu penulis selalu mengharapkan saran dan kritik
yang bersifat membangun dari segenap pembaca. Akhirnya, semoga
laporan tugas akhir ini dapat berguna dan bermanfaat terutama bagi
pihak-pihak yang tertarik untuk mengkaji dan mengembangkannya.

Malang, 31 J uli 2017

Penulis

-Tidakperl
uditul
is nama
mahasiswa
-Tidakperl
utandatangan
mahasiswa

ix

-Cont :
A rial
,size 16pt,. ol
d,/ apital
-A ligment :
/ enter

-Terdapat W
arakan
tara
tandatitik
titikdengan
nomor hal
aman

DAF T AR IS I
-Cont :
A rial
,size 12
pt,
/ apital
ize 9achW ords
-W
arakA ntar . aris (
S pasi)
:
adal
ah1.
5,b efore=
0dan
after=
0

-Tandatitik
titikharu
s
menggunak
antab ul
asi
-Tidakb old

Halaman

Halaman S ampul ..................................................................................

i

Halaman Persetujuan T ugas Akhir .......................................................

ii

S urat Keterangan Lulus Ujian Tugas Akhir ...........................................

iii

S urat Pernyataan ..................................................................................

iv

S urat Pernyataan Persetujuan Publikasi T ugas Akhir untuk

-Cont S etiap. ab :
/ apitaldan. ol
d

-I any
a. ab dan
S ub . ab y
ang
ditul
is di5aftar isi
-t enomoran
(
A,
.,
/ )dan
(
1
,
2,
3)tidak
ditul
is didaftar isi

Kepentingan Akademis .........................................................................

v

Abstraksi ...............................................................................................

vi

Abstract .................................................................................................

vii

Kata Pengantar .....................................................................................

viii

Daftar Isi ...............................................................................................

x

Daftar Gambar ......................................................................................

xiii

Daftar Tabel ..........................................................................................

xv

Daftar P ersamaan .................................................................................

xvi

Daftar Lampiran ....................................................................................

xvii

B AB I PE NDAHUL UA N .......................................................................

1

1.1 Latar Belakang Masalah ..................................................................

1

1.2 R umusan Masalah ..........................................................................

3

1.3 Batasan Masalah ............................................................................

3

1.4 T ujuan Dan Manfaat ........................................................................

4

1.4.1 T ujuan ....................................................................................

4

1.4.2 Manfaat ..................................................................................

4

1.5 Metodologi Penelitian.......................................................................

6

1.6 S istematika Penulisan .....................................................................

7

B AB II L ANDAS AN TE OR I ..................................................................

8

2.1 Klasifikasi Data dalam Data Mining .................................................

10

2.2 Backpropagation-F eed F orward Neural Network ............................

12

-bomor I al
aman
l
urus k
iri

x

-Sub . ab pertama:
watak
iri
-Sub . ab k
edua
dst :
menj
orokk
e
k
anan

2.2.1 S truktur J aringan S yaraf Tiruan .............................................

13

2.2.2 J aringan S yaraf T iruan Backpropagation ...............................

14

2.3 E kstraksi R ule dengan Pendekatan Berbasis R uang S olusi ...........

17

2.3.1 E kstraksi R ule dari J aringan S yaraf Tiruan ..........................

18

2.3.2 P endekatan Berbasis P encarian R uang S olusi .....................

23

2.4 Ilustrasi E kstraksi R ule untuk Logika AND ......................................

27

2.4.1 F ormulasi Permasalahan Logika AND ke dalam J S T .............

27

2.4.2 Proses P elatihan (Training) dan Bobot yang Dihasilkan .......

29

2.4.3 Proses E kstraksi R ule dengan S earch Based untuk y1 (y=0)

31

2.4.3.1 P roses Pencarian R ule untuk Hidden Node 1 (z1) ......

33

2.4.3.2 P roses Pencarian R ule untuk Hidden Node 2 (z2) .....

36

2.4.3.3 P roses Pencarian R ule untuk Hidden Node 3 (z3) ......

38

2.4.4Proses E kstraksi R ule dengan S earch Based untuk y2 (y=1)

38

2.4.5 Proses Optimasi R ule untuk Logika AND ...............................

40

B AB III PE MB A HA S A N .......................................................................

42

3.1 Prosedur P engujian Material pada PT . Gatra Mapan .....................

42

3.1.1 Bahan Baku (Material) Produksi pada P T. Gatra Mapan .......

43

3.1.2 P enerimaan Barang ...............................................................

44

3.1.3 P emeriksaan Bahan Baku .....................................................

46

3.1.4 Proses Disposisi Material ......................................................

47

3.2 Pemodelan J S T Untuk Penentuan Disposisi Material P ada
PT. Gatra Mapan Malang ...............................................................

49

3.3 Dataset Inspeksi Material (Bahan Baku) .........................................

52

3.4 F ormulasi Permasalahan Inspeksi Material ke dalam J S T .............

56

3.5 Pembelajaran (Training) Data dengan BPF F NN ..............................

60

3.6 E kstraksi R ule Untuk Penentuan Disposisi Material P ada
PT. Gatra Mapan Malang ...............................................................

64

3.6.1 P embentukan Pohon Pencarian (S earch tree) .....................

64

3.6.2 P encarian R ule dalam R uang Kandidat S olusi ......................

66

3.6.3 Optimasi Aturan Hasil E kstraksi ............................................

67

xi

B AB IV IMPL E ME NTA S I DAN PE NGUJ IAN ........................................

69

4.1 S pesifikasi Implementasi .................................................................

69

4.1.1 S pesifikasi Hardware ..............................................................

69

4.1.2 S pesifikasi S oftware ...............................................................

70

4.2 Implementasi S istem Penentuan Disposisi Material P ada
PT. Gatra Mapan Malang ................................................................

70

4.2.1 Implementasi Proses Manajemen Data Inspeksi Material ......

71

4.2.2 Implementasi Proses T raining Data Inspeksi Material
dengan J S T .............................................................................

74

4.2.3 Implementasi Proses E kstraksi R ule Untuk Penentuan
Disposisi Material ...................................................................

76

4.3 Pengujian S istem .............................................................................

78

4.3.1 S pesifikasi P engujian .............................................................

78

4.3.2 Uji C oba Parameter Pelatihan J S T ........................................

78

4.3.3 Uji C oba Pelatihan J S T .........................................................

79

4.3.4 Uji C oba J umlah Node pada Hidden Layer ..........................

80

4.3.5 Uji C oba C ross V alidasi Data ................................................

81

B AB V PE NUTUP ................................................................................

82

5.1 Kesimpulan .....................................................................................

82

5.2 S aran ..............................................................................................

83

DAF T A R PUS T A K A .............................................................................

84

DAF T A R R IWAY A T P E NUL IS ..............................................................

85

L AMP IR AN
-Cont 5aftar t ustak
adan5aftar wiway
at
t enul
is :
. old dan/ apital
-bomor I alaman5aftar t ustak
adan
5aftar wiway
at t enul
is mel
anj
utk
an
penomorandariisil
aporan

-L ampiranditul
is tanpa
nomor hal
aman

xii

-Cont :
A rial
,size 12pt,
/ apital
ize 9achW ords
-W
arakA ntar . aris (
S pasi)
:
adal
ah1.
5,b efore=
0dan
after=
0
-Cont :
A rial
,size 16pt,. ol
d,/ apital
-A ligment :
/ enter

DAF T AR G AMB AR

Gambar
-5itul
is L angsung
bomor Damb ar
-/ arat enul
isan
samadengan
5aftar Lsi

Halaman

2.1 Proses Klasifikasi ............................................................................

12

2.2 S truktur Neuron dalam J S T ...........................................................

13

2.3 J aringan S yaraf T iruan Backpropagation .......................................

15

2.4 Hubungan antara Arsitektur E kstraksi dan R ule yang dihasilkan ....

19

2.5 Arsitektur E kstraksi untuk J S T dengan Hidden Layer ....................

20

2.6 Arsitektur E kstraksi Dipecah menjadi Beberapa Bagian ................

21

2.7 Peranan J aringan S yaraf Tiruan dalam Proses E kstraksi Aturan ..

22

2.8 R uang Kemungkinan Aturan ...........................................................

23

2.9 Arsitektur J aringan untuk Data logika AND .....................................

28

2.10 Penentuan Nilai Aktivasi yang Diharapkan untuk y1 .....................

32

2.11 Pohon P encarian untuk z1 (y1) .....................................................

33

2.12 Proses Pengecekan V aliditas R ule untuk z1 (y1) pada Level 1 ....

34

2.13 Proses Pengecekan V aliditas R ule untuk z1 (y1) pada Level 2 ....

35

2.14 Pohon P encarian untuk z2 (y1) ....................................................

36

2.15 Proses Pengecekan V aliditas R ule untuk z2 (y1) pada Level 1 ....

37

2.16 Penentuan Nilai Aktivasi yang Diharapkan untuk y2 .....................

39

2.17 Pohon P encarian untuk z1 (y2) .....................................................

39

2.18 Proses Pengecekan V aliditas R ule untuk z1 (y2) pada Level 1 ....

40

2.19 Proses Pengecekan R ule yang S ama untuk y1 ............................

42

3.12 Proses Pengecekan R ule yang S ama untuk y2 ............................

43

3.1 Material S heet, PB, MDF , Plywood .................................................

56

3.2 Dokumen Bukti Penerimaan Barang ...............................................

60

3.3 T abel AMS 105D untuk Pengambilan S ampel Barang ...................

61

3.4 Prosedur P emeriksaan dan Pengujian Bahan Baku oleh S taff QA

62

3.5 Hasil Uji Material Baru (F M/8.2/15) ..................................................

65

3.6 Blok Diagram S istem yang Diusulkan .............................................

67

3.7 Arsitektur BPF F NN untuk Data Inspeksi Material ...........................

78

xiii

Gambar

Halaman

3.8 Pemecahan Arsitektur J aringan S yaraf Tiruan untuk E kstraksi R ule

87

3.9 Penentuan Nilai Aktivasi yang Diharapkan untuk y1 .......................

88

3.10 Pohon P encarian untuk z1 (pada y1) ...........................................

91

3.11 Proses Pengecekan V aliditas R ule untuk z1 (y1) pada Level 1 ....

93

3.12 Proses Pengecekan V aliditas R ule untuk z1 (y1) pada Level 2 ....

95

3.13 Proses Penghilangan R ule yang S ama ........................................

99

4.1 T ampilan Proses Manajemen Data Inspeksi Material ......................

69

4.2 T ampilan Proses T raining Data dengan J S T ...................................

70

4.3 T ampilan Proses E kstraksi Aturan J S T ............................................

72

4.4 S pesifikasi S istem yang Digunakan dalam Pengujian ....................

78

4.2 Model Pengujian C ross V alidation ..................................................

81

xiv

-Cont :
A rial
,size 12pt,
/ apital
ize 9achW ords
-W
arakA ntar . aris (
S pasi)
:
adal
ah1.
5,b efore=
0dan
after=
0
-Cont :
A rial
,size 16pt,. ol
d,/ apital
-A ligment :
/ enter

DAF T AR T AB E L

T abel
-5itul
is L angsung
bomor Tab el
-/ arat enul
isan
samadengan
5aftar Lsi

Halaman

2.1 Dataset Logika AND .......................................................................

27

2.2 Training S et logika AND ..................................................................

28

2.3 Inisialisasi Bobot untuk Dataset Logika AND ...................................

30

2.4 Bobot Hasil Training Dataset Logika AND .....................................

31

2.5 Bobot Input Node untuk z1 (y1) yang T elah Terurut Descending ...

33

2.6 Bobot Input Node untuk z2 (y1) yang T elah Terurut Ascending .....

36

2.7 Hasil P engecekan R ule dengan Dataset AND ................................

44

3.1 Data Hasil Inspeksi Material T ahun 2011 – 2012 ...........................

69

3.2 C ontoh Data Hasil Inspeksi dari P erusahaan .................................

70

3.3 C ontoh Data Inspeksi Hasil Proses S election .................................

71

3.4 Daftar Kriteria Inspeksi Bahan Baku PB dan MDF ..........................

72

3.5 C ontoh Dataset Inspeksi Material ...................................................

73

3.6 Meta Data untuk Inspeksi Material ..................................................

74

3.7 C ontoh Training S et Inspeksi Material ............................................

76

3.8 Inisialisasi Bobot Awal untuk Dataset Inspeksi Material ..................

81

3.9 Bobot Hasil Pelatihan Dataset Inspeksi Material ............................

83

3.10 Nilai Aktivasi yang Diharapkan .....................................................

89

3.11 Bobot Input Node untuk z1(y1) yang Telah T erurut Descending ...

90

3.12 Proses Pencarian R ule yang Optimum .........................................

100

4.1 Hasil Uji C oba P arameter BPF F NN ................................................

107

4.2 Hasil Uji C oba Akurasi E kstraksi R ule ............................................

109

4.3 Hasil Uji C oba Hidden Layer ...........................................................

110

4.4 Hasil Uji C oba C ross V alidation ......................................................

113

xv

-Cont :
A rial
,size 12pt,
/ apital
ize 9achW ords
-W
arakA ntar . aris (
S pasi)
:
adal
ah1.
5,b efore=
0dan
after=
0

-Cont :
A rial
,size 16pt,. ol
d,/ apital
-A ligment :
/ enter

DAF T AR PE R S AMA AN

Persamaan
-5itul
is L angsung
bomor t ersamaan
-/ arat enul
isan
samadengan
5aftar Lsi

Halaman

2.1 F ungsi Aktivasi S igmoid Binary .......................................................

27

2.2 F ungsi Aktivasi S igmoid Bipolar ......................................................

28

2.3 Nilai Aktivasi S earch T ree ...............................................................

30

2.4 F ungsi Inisialisasi Bobot Awal .........................................................

31

xvi

-Cont :
A rial
,size 12pt,
/ apital
ize 9achW ords
-W
arakA ntar . aris (
S pasi)
:
adal
ah1.
5,b efore=
0dan
after=
0

-Cont :
A rial
,size 16pt,. ol
d,/ apital
-A ligment :
/ enter

DAF T AR L AMPIR AN

L ampiran
-5itul
is L angsung
bomor L ampiran
-/ arat enul
isan
samadengan
5aftar Lsi

Halaman

A Dokumen Inspeksi Material pada PT. Gatra Mapan Malang .............

A-1

B Dataset Inspeksi Material P B dan MDF ..............................................

B-1

C Kode Program Untuk Pembangkitan S earch T ree ............................

C -1

D F ile Log Hasil Uji C oba ......................................................................

D-1

xvii

-Cont :
A rial
,size 16
pt,. ol
d,/ apital
-A ligment :
/ enter
-W
arakantar b aris (
spasi)adal
ah1,
b efore=
0danafter=
0

-Cont W
udulS ub . ab :
A rial
,size
14
pt,. ol
d,/ apital
ize 9ach
W ords
-W
arakantar b aris (
spasi)adal
ah
1.
5
,b efore=
0danafter=
0

B AB I
PE NDAHUL UA N

-Cont :
A rial
,size 12pt,
-W
arakA ntar . aris (
S pasi)
:
adal
ah1.
5,b efore=
0dan
after=
0

1.1 L atar B elakang
J aringan syaraf tiruan merupakan alat yang baik yang telah
digunakan untuk mengembangkan berbagai aplikasi pada dunia nyata,
khususnya pada kasus-kasus dimana metode pemecahan masalah
dengan cara tradisional gagal menyelesaikannya. J aringan syaraf
menunjukkan keuntungan seperti kemampuan belajar yang ideal dari
sekumpulan data, kemampuan klasifikasi dan generalisasi untuk situasi
-t aragrafditul
is
l
urus nomor sub
b ab (
ratak
iri)
-A ligment :
W
ustify
(
ratak
anandan
k
iri)

tidak terstruktur, komputasi yang cepat meskipun melakukan pemrosesan
secara paralel dan toleransi terhadap noise. K eunggulan ini yang
membuat jaringan syaraf sukses diterapkan untuk berbagai masalah
dalam dunia nyata, termasuk: pengenalan suara, diagnosa medis,
komputasi gambar, proses kontrol dan pemodelan diagnosis kesalahan.
Proses produksi dapat berjalan lancar apabila didukung dengan
pengadaan bahan baku yang baik dan lancar pula. S etiap bahan baku
yang datang, tidak bisa langsung digunakan dalam proses produksi
karena harus melalui proses pemeriksaan dan pengujian bahan baku
terlebih dahulu. Hal ini bertujuan untuk pengendalian mutu produk dan
untuk memastikan bahwa bahan baku tersebut dapat digunakan dalam
proses produksi. Proses pemeriksaan dan pengujian ini sangat dibutuhkan
untuk kelancaran proses produksi dan menjamin kualitas produk yang
dihasilkan dari proses produksi.
Pada PT . Gatra Mapan, proses pemeriksaan dan pengujian bahan
baku dilakukan oleh departemen QA khususnya staf QA bahan baku.
Proses pemeriksaan dan pengujian dilakukan pada 2 jenis barang yaitu
bahan baku (incoming) dan hasil produksi (outgoing). S edangkan bahan
baku (incoming) secara umum dibagi lagi menjadi beberapa jenis yaitu:
Dos, Kaca, S pareP art,

dan Bahan baku. S etiap material yang datang

akan dibongkar dari kontainer, untuk kemudian dilakukan pemeriksaan
-bomor I alamanuntukawal
b ab ditul
is dib awahtengah
-Cont A rialsize 1
2pt

1

-L atar . elak
ang :
o idealny
aterdiri4sampai6paragraf
o menj
elask
ansituasipermasal
ahan,danb isamenj
awab
pertany
aan5W +1
I
o harus adapenj
elasantentang sub j
ekpenel
itian
o peny
aj
ianl
atar b el
ak
ang secaradeduk
tif(
dariumum k
ek
husus)

2

dan pengujian oleh staf QA bahan baku sebelum material tersebut masuk
ke gudang dan digunakan untuk produksi.
-bomor I alamanuntuksel
ain
awalb ab (
isib ab )ditul
is di
Apabila tidak menemukan permasalahan
saat pemeriksaan dan
k
ananatas
Co
n
A rialsizedapat
12pt langsung
pengujian bahan baku, maka staf QA bahan tbaku

memberi disposisi diterima dan memberikan registrasi berupa stempel QC
PAS S E D (warna hijau). Tetapi apabila ditemukan permasalahan saat
pemeriksaan dan pengujian, maka disposisi harus dilakukan oleh
penanggung jawab QA dalam hal ini adalah Manager QA. Permasalahan
yang terjadi adalah, karena disposisi material harus ditentukan oleh
Manager QA, sehingga membutuhkan waktu yang cukup lama. Hal ini
dikarenakan Manajer QA memiliki banyak tugas lain yang harus dilakukan,
terlebih lagi kadang posisi Manager QA tidak berada di kantor karena
sedang menghadiri acara. Hal ini mengakibatkan beberapa permasalahan
diantaranya:
a. Disposisi material bersifat subyektif, karena bergantung pada satu
-L ist b aikangk
a
maupunhuruf
ditul
is menj
orok
k
ek
anan1
.
25cm

orang yaitu Manager QA.
b. Disposisi material yang cukup lama mengakibatkan down time
pada proses produksi, sehingga hal ini dapat mempengaruhi
target output harian (yield) produksi.
Untuk itu diperlukan sebuah sistem yang dapat mengatasi
permasalahan ini, karena downtime pada produksi berpengaruh pada
banyak hal termasuk adanya komplain dari buyer karena keterlambatan
pengiriman barang produksi. Permasalahan ini dapat diselesaikan dengan
sebuah sistem yang bisa mempercepat disposisi material tanpa harus
menunggu Manager QA. Hal ini dapat dilakukan berdasarkan data histori
yang ada dari kasus-kasus sebelumnya. K arena pemberian disposisi
material termasuk ke dalam masalah klasifikasi, salah satunya dapat
dimodelkan ke dalam jaringan syaraf tiruan untuk dapat dipelajari pola
disposisinya. Hasil dari pembelajaran jaringan syaraf tiruan ini dapat
diekstraksi menjadi sebuah aturan konjungsi sehingga lebih dapat
dimengerti oleh pengguna sistem nantinya.

-wumusana asalahdisaj
ik
andal
am b entukk
al
imat pertany
aan,
tetapitidakdiak
hiritandatany
a
-. olehleb ihdari1,tetapiintipermasal
ahanny
atetap1saj
a
-wumusanmasalahharus mampudij
awab ol
ehk
esimpul
andib ab V
-W
anganmeny
isipk
antuj
uanataumanfaat y
ang diharapk
andal
am
rumusanmasal
ah,misal
:
o .
.
.
.
.
agar efek
tifdanefisien
o .
.
.
.
.
untukl
eb ihdik
enalmasy
arak
at

3

1.2 R umusan Mas alah
“Bagaimana menentukan disposisi material menggunakan J aringan
S yaraf T iruan metode Backpropagation”

1.3 B atas an Mas alah

-W
anganmeny
eb utk
ank
emb al
iy
ang sudahditulis dij
udul
-5apat dib atasidarisisi:
o hb j
eky
ang ditel
iti
o 5atay
ang digunak
an
o / ak
upansistem y
ang dib ahas dany
ang tidakdib ahas
o Al
at y
ang digunak
an

1 Hasil inpeksi material yang digunakan hanya untuk bahan baku PB
dan MDF .
2 Dataset yang digunakan untuk proses pelatihan adalah data hasil
inspeksi material khusus bahan baku tahun 2016 dan 2017.
3 R ule yang dihasilkan bisa tidak mencakup semua input atribut.
4 R ule yang dihasilkan bisa memiliki premis yang bervariasi.
5 J umlah neuron hidden layer maksimal adalah 50 neuron.
6 Menggunakan fungsi aktivasi sigmoid dalam pelatihan jaringan
syaraf tiruan backpropagation.

1.4 Tujuan Dan Manfaat P enelitian
1.4.1 Tujuan

-t enelitianmemilik
i1tuj
uansaj
a(
tidakadab agi
penul
is,b agib l
ab l
a)
-Tuj
uansecaraumum adalah:untukmemb antu
“
who”dal
ammeny
el
esaik
anmasal
ah“
what”
-Tuj
uanpenelitianb uk
anlahuntukmemb angun
seb uahprogram “
apa”
,tetapimemb angun
program ituuntuktuj
uan“
apa”

1 Membantu S taff QA PT. Gatra Mapan Malang dalam menentukan
-S ub . ab dengan2
angk
adandengan3
angk
atetapratak
iri

disposisi material incoming khususnya bahan baku.
2 Merepresentasikan hasil pelatihan jaringan syaraf dalam bentuk
aturan IF -THE N.
3 Mengembangkan metode ekstraksi aturan pada jaringan syaraf
bakpropagation berdasarkan metode pencarian ruang solusi.
4 Menghasilkan rule-rule yang dapat merepresentasikan arsitektur
jaringan syaraf backpropagation.

1.4.2 Manfaat B agi Penulis
1 Mengaplikasikan disiplin ilmu yang telah diperoleh selama belajar di
Perguruan Tinggi Asia Malang Program S tudi Informatika.
2 Belajar menganalisa permasalahan dengan solusi secara ilmiah
yaitu dengan memanfaatkan algoritma J S T backpropagation.

-t enelitiany
ang dilak
uk
andapat memb erimanfaat b agi
b any
akpihak(
penul
is,subj
ekpenel
itian,instansi)
-a anfaat adalahsesuatuy
ang diharapk
andapat memb erik
an
masuk
andanmemb antupengamb il
ank
eputusan,pemb uatan
k
eb ij
ak
andanpemecahanmasal
ah.

4

3 Dapat mengasah otak dalam berfikir secara cepat dan teliti untuk
mencari penyelesaian masalah.

1.4.3 Manfaat B agi PT. Gatra Mapan Malang
1 Memberikan alternatif cara yang efisien dalam penentuan disposisi
material incoming tanpa tergantung kepada manager QA.
2 Dapat mempersingkat waktu penyelesaian masalah inspeksi
material incoming.
3 Memperlancar proses produksi, karena tidak perlu menunggu
bahan baku yang bermasalah dalam pemeriksaan.

1.4.4 Manfaat B agi S TMIK As ia
1 Dapat mengukur sejauh mana keberhasilan proses

belajar

mengajar di dalam kelas, dan capaian materinya.
2 Menjadi bahan kajian yang dapat dikembangkan dikemudian hari.

1.5 Metodologi Penelitian
Untuk mendukung penyelesaian laporan tugas akhir ini digunakan
beberapa metodologi penelitian yaitu:
A. S tudi Literatur
Dengan mempelajari buku-buku referensi dan jurnal yang
berkaitan dengan permasalahan penelitian yang diangkat serta
mencari solusi yang terbaik.T opik bahasan utama yang dibutuhkan
diantaranya adalah jaringan syaraf tiruan backpropagation dan
ekstraksi aturan dengan pohon pencarian (search tree).
B. Observasi dan W awancara
Pengamatan secara langsung dilakukan di PT. Gatra Mapan
Malang, khususnya pada proses inspeksi material oleh staf QA dan
pemberian disposisi material oleh Manager QA. J uga dilakukan
tanya jawab kepada staf dan Manager QA mengenai proses inspeksi
dan pemberian disposisi material.
-a etodologit enelitianb erisi:tahaptahapapay
ang direncanak
anak
andigunak
anuntuk
meny
el
esaik
anpenel
itian
-a enj
elask
ank
egiatanapay
ang dil
ak
uk
anmul
aiawalsampaipenelitiandik
atak
ansel
esai
-Tahaptahapdij
el
ask
ansecaratek
nis,b uk
andefinisil
angk
ahl
angk
ahterseb ut

5

C . Analisa
Melakukan uji coba secara teoritis terhadap masalah yang
diangkat guna menganalisa apakah rancangan algoritma yang
digunakan dapat menghasilkan solusi yang sesuai dengan tujuan
penelitian. Hal ini bertujuan untuk mengetahui spesifikasi input,
proses dan output sistem.
D. Perancangan
Perancangan

algoritma

J ST

backpropagation

dalam

permasalahan disposisi material di PT. Gatra Mapan Malang. Proses
perancangan menunjukkan hubungan antara input, proses dan
output sistem yang ditunjukkan dalam bentuk flowchart.
E . Implementasi
Membuat program dari hasil rancangan algoritma yang telah
dibuat untuk mengimplementasikan serta membuktikan bahwa hasil
analisa secara teoritis yang telah dilakukan benar-benar sesuai yang
diharapkan.
F . Pengujian
Pengujian dilakukan untuk melihat apakah data yang telah
menjadi input akan diproses sesuai dengan output yang diharapkan.
Hal ini juga dilakukan untuk mengevaluasi apakah metode yang
diusulkan mampu menjawab tujuan yang telah usulkan.
G. Dokumentasi
Merupakan langkah akhir, penyusunan laporan mulai dari
latar

belakang

permasalahan

sampai

dengan

pengambilan

kesimpulan akan dijelaskan dalam tahap dokumentasi ini.

1.6 S istematika Penulis an
Agar pembahasan bersifat komunikatif dan mudah dipahami maka
dalam penyajiannya disusun dengan sistematika sebagai berikut :

-S eb utk
anj
udul. ab dank
eteranganisiny
a,tidakperl
u
dij
adik
ansub b ab
-Yeterangansetiapb ab b erisirencanaj
udulsub b ab y
ang ak
an
ditul
is

6

B AB I Pendahuluan
Dalam bab ini menjelaskan secara umum penyusunan laporan tugas
akhir ini yang meliputi latar belakang masalah, rumusan masalah,
batasan masalah, tujuan dan manfaat, metodologi penulisan dan
sistematika penulisan laporan.
B AB II L andas an T eori
Berisi tentang uraian-uraian secara teoritis disiplin ilmu yang
mendukung pokok bahasan laporan yaitu mengenai klasifikasi dalam
data mining, jaringan syaraf tiruan backpropagation dan ekstraksi
aturan dengan pendekatan berbasis ruang solusi dengan search tree.
B AB III Pembahas an
Dalam bab ini akan membahas mengenai analisa masalah disposisi
material bahan baku, prosedur inspeksi material oleh staff QA bahan
baku dan bagaimana proses pemberian disposisi material oleh
Manager QA. S elanjutnya dibahas pemodelan J S T untuk penentuan
disposisi material meliputi perancangan arsitektur J S T dengan
memodelkan dataset yang telah dibuat. Pada bagian terakhir dibahas
proses

ekstraksi

aturan dimulai dengan pembentukan

pohon

pencarian (search tree), kemudian dilakukan pencarian rule dalam
ruang kandidat solusi dan yang terakhir dilakukan tes validasi rule
yang telah diperoleh untuk mendapatkan rule yang baik.
B AB IV Implementasi dan Pengujian
Berisi penjelasan program yang dibangun untuk penentuan disposisi
material. P ada pengujian akan dibahas hasil uji terhadap proses
ekstraksi aturan yang telah dilakukan. Menunjukkan hasil rule yang
didapatkan serta pembuktiannya untuk penentuan disposisi material.
B AB V Penutup
Pada bab ini berisi kesimpulan-kesimpulan yang didapat dalam
analisa permasalahan, serta saran-saran untuk perbaikan di kemudian
hari.

-Cormat t enulisansamadengan. ab seb el
umny
a
-. erisiteoriy
ang dib utuhk
any
ang menunj
ang pemb ahasandi. ab LLLserta
Lmpl
ementasidanpenguj
iandi. ab LV
-. uk
anb erisidefinisidarisetiapk
atadik
al
imat j
udul
-t eny
aj
iansecaradeduk
tif,dimul
aidarimateriumum k
ek
husus
-Yelompok
k
anteoriy
ang b erk
orel
asidal
amsub b ab y
ang samapul
a
-. uk
anb erisiopinipenul
is,k
arenaituharus diseb utk
ansu
mb erny
a

B AB II
L ANDAS AN TE OR I
2.1 K lasifikasi Data dalam Data Mining
Data mining adalah suatu proses mengekplorasi dan menganalisis
data dalam jumlah besar baik secara otomatis maupun semi otomatis
untuk mendapatkan suatu pola yang bermakna dari data. S ecara
-S umb er referensi

sederhana data mining
merupakan
proses
ekstraksi
informasi
o Yu
tipantidaklangsu
ng :
ditul
isk
andiak
hir k
al
imat dal
am atau pola
tandak
urung (
nama_b el
ak
ang_penulis,tahun:
hal
aman)

dari data yang ada dalam
basis data
yang besar.
Data
mining menjadi
o Yutipanlangsung :
namapenulis ditul
is dal
am k
al
imat
sedangk
antahundanhal
amanditul
is dal
amtandak
urung
penting karena banyaknya
data
yang terkumpul
saat
ini, cepatnya
transfer
y
ang dipisahk
andengantandatitikdua
o S umb
er referen
y
ang ditu
l
is didal
am k
urung dicetaktebuntuk
al
data yang terjadi pada
saat
ini siserta
adanya
kebutuhan
dapat

mengolah data mentah menjadi data yang bernilai dengan cepat dan tepat
(K usumadewi, 2016:23).
Data mining memiliki beberapa fungsionalitas yang sering
digunakan, yaitu:
a. Karakterisasi

dan

Diskriminasi:

yaitu

mengeneralisasi,

merangkum, dan mengkontraskan karakteristik data.
b. Penggalian

pola

berulang:

yaitu

pencarian

pola

asosiasi

(association rule) atau pola intra-transaksi, atau pola pembelian
yang terjadi dalam satu kali transaksi.
c. K lasifikasi:

yaitu

membangun

suatu

model

yang

bisa

mengklasifikasikan suatu objek berdasar atribut-atributnya. Kelas
target sudah tersedia dalam data sebelumnya, sehingga fokusnya
adalah bagaimana mempelajari data yang ada agar klasifier bisa
mengklasifikasikan sendiri.
d. Penggugusan/C luster

analysis:

yaitu

mengelompokkan

sekumpulan objek data berdasarkan kemiripannya. Kelas target
tidak tersedia dalam data sebelumnya, sehingga fokusnya adalah
memaksimalkan

kemiripan

intra

kemiripan antar kelas.

7

kelas

dan

meminimalkan

8

e. Analisis outlier: yaitu proses pengenalan data yang tidak sesuai
dengan perilaku umum dari data lainnya. C ontoh: mengenali noise
dan pengecualian dalam data.
f. Analisis trend dan evolusi: meliputi analisis regresi, penggalian pola
sekuensial, analisis periodisitas, dan analisis berbasis kemiripan.
S ecara umum, proses klasifikasi dimulai dengan diberikannya
sejumlah data yang menjadi acuan untuk membuat aturan klasifikasi data.
Data-data ini biasa disebut dengan training sets. Dari training sets
tersebut kemudian dibuat suatu model untuk mengklasifikasikan data.
Model

tersebut

kemudian

digunakan

sebagai

acuan

untuk

o Damb ar dal
am l
aporanharus sel
al
udiruj
ukdal
am penj
el
asan
mengklasifikasikan data-data
yang belum diketahui kelasnya yang biasa
k
al
imat
o Damb ar danpenj
elasank
alimat b ol
ehb eradadihal
aman
disebut dengan test sets.
S ebuah model classifier padaoso
klasifikasi
data
y
ang b erb eda,haliniuntukmenghindarisisaruang k
ng
disetiapak
hir hal
aman

dibentuk berdasarkan data yang sudah ada, dan kemudian model tersebut
digunakan untuk klasifikasi dan prediksi data baru yang belum pernah
ada. Pada umumnya, proses klasifikasi dapat digambarkan seperti pada
gambar 2.1.
Data umumnya dibagi menjadi 2 (dua) yaitu training set dan
testing set. Training set digunakan oleh algoritma klasifikasi (misalnya:
decision tree, bayesian, neural network, S V M) untuk membentuk sebuah
model classifier. Model ini merupakan representasi pengetahuan yang
akan digunakan untuk prediksi kelas data baru yang belum pernah ada.
T esting set digunakan untuk mengukur sejauh mana classifier berhasil
melakukan klasifikasi dengan benar. K arena itu, data yang ada pada
testing set seharusnya tidak boleh ada pada training set sehingga dapat
diketahui apakah model classifier sudah “pintar” dalam melakukan
klasifikasi.
Lain lagi halnya dengan validation set. Umumnya beberapa
algoritma klasifikasi memerlukan beberapa parameter. Misalnya: jumlah
hidden layer dan learning rate pada neural network; parameter kernel
pada S V M. Biasanya sebagian dari training set diambil untuk validation
set. V alidation set ini digunakan untuk mencari parameter yang paling baik

9

untuk sebuah algoritma klasifikasi.

Gambar 2.1 Proses Klasifikasi (S umber Gambar)

Memisahkan data menjadi training dan testing set dimaksudkan
agar model yang diperoleh nantinya memiliki kemampuan generalisasi
o Damb ar dil
etak
k
anpas ditengahhal
aman(
al
igment=
center)

yang baik dalam melakukan klasifikasi
data.
Tidak
jarang
o bomor dan
k
eteran
gandil
eta
k
k
andibsebuah
awahgamb model
ar
o 5itulis denganfont A rialsize 12pt spasi1

klasifikasi dapat melakukan klasifikasi
data
sangat
baik
o t enomoran
:b erdadengan
sark
annomo
r b ab danuru
tangapada
mb ar
o bomor gamb ar dicetakteb al(
b old)
,k
eterangangamb ar tidakteb a

training set, tetapi sangat buruk
dalam
melakukan
klasifikasi
yang
o Damb
ar dan
k
eteranganharu
s b eradapadadata
hal
aman
y
ang sama
Damb ar tidakb olehterpotong l
eb ihdari1hal
aman
baru dan belum pernah ada. Halo ini
dinamakan overfitting.

2.2 B ackpropagation-F eed F orward Neural Network
Neural Network (NN) atau J aringan S yaraf Tiruan (J S T ) adalah
prosesor tersebar paralel yang sangat besar (massively paralel distributed
processor) yang memiliki kecenderungan untuk menyimpan pengetahuan
yang bersifat pengalaman dan membuatnya siap untuk digunakan
(Aleks ander & Morton, 1990). J aringan syaraf tiruan merupakan salah
satu representasi buatan dari otak manusia yang selalu mencoba untuk
mensimulasikan proses pembelajaran pada otak manusia tersebut. J S T
mempunyai sifat dan kemampuan:
a. Nonlinieritas (Nonlinearity)
b. Pemetaan Input-Output (Input-Output Mapping)
c. Adaptivitas (Adaptivity)

10

d. R espon yang J elas (E vidential R esponse)
e. Informasi yang S esuai dengan Keadaan (C ontextual Information)
f. Toleransi Kesalahan (F ault Tolerance)
g. Keseragaman Analisis dan Perancangan (Unifomity of Analysis and
Design)
h. Analogi S el S yaraf Biologi (Neurobiological Analogy)

2.2.1 S truktur J aringan S yaraf Tiruan
S truktur jaringan syaraf tiruan dibangun oleh sejumlah neuron dan
memiliki nilai tertentu yang menunjukkan seberapa besar koneksi antara
neuron (dikenal dengan istilah bobot). S ebuah neuron terdiri dari tiga
bagian yaitu : input, fungsi aktivasi, dan output. Input ini akan diproses
-A turanU mum :
o Damb ar atau
Tab elti
dakb ol
eh
b eradadiawalataunilai-nilai
ak
hir sub b ab semua
oleh suatu fungsi perambatan
yang
akan
menjumlahkan
o S eb uahsub b ab minimaldiawal
i1paragrafdandiak
hiri1paragraf

bobot yang datang (dikenal
summing
o S eb uahdengan
sub b ab min
imalteridir dafunction).
ri3paragraf Hasil penjumlahan
o S eb uahparagrafminimalterdiridari3k
al
imat

ini akan dibandingkan dengan suatu nilai ambang (threshold) tertentu
melalui fungsi aktivasi setiap neuron (gambar 2.2).
x0= 1
x1
x2

w1
w2

.
. wn
.
xn

w0

∑
net=

Gambar 2.2 S truktur Neuron dalam J S T
o Damb ar y
ang k
urang j
elas dapat digamb ar ul
ang tanpamerub ah

Neuron-neuron akan dikumpulkan
mak
nany
adalam
dantetaplapisan-lapisan
diseb utk
ansumb erny
a(layer)
o Uk
urangamb ar harus proposionalterhadaptek
s,j
anganterl
al
u

yang disebut dengan lapisan neuron
(neuron
layers).
Biasanya
dalam
b esa
r(
untukmen
uhinhal
ama
nsaj
a)atauterl
al
uk
ecil(
tidakj
el
as
terb aca)

jaringan syaraf tiruan terdapat minimal 2 lapisan neuron yaitu input layer
dan output layer. Namun pada jaringan syaraf tiruan yang lebih kompleks
terdapat lapisan lain yang disebut dengan hidden layer. Pada input layer
dan hidden layer akan ditambahkan sebuah neuron bias.
S truktur neuron pada jaringan syaraf tiruan merupakan sistem

11

adaptif yang dapat merubah strukturnya untuk memecahkan masalah
berdasarkan informasi yang mengalir melalui jaringan tersebut. S ecara
sederhana, jaringan syaraf tiruan adalah sebuah alat pemodelan data
statistik yang dapat digunakan untuk memodelkan hubungan yang
kompleks antara input dan output untuk menemukan pola-pola pada data.

2.2.2 J aringan S yaraf Tiruan B ackpropagation
Backpropagation

merupakan

algoritma

pembelajaran

yang

terawasi (supervised learning) dan biasanya digunakan oleh jaringan
syaraf tiruan dengan banyak lapisan untuk mengubah bobot-bobot yang
terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya
(hidden layer). J aringan syaraf tiruan backpropagation memiliki arsitektur
jaringan yang

full-connected. Dimana semua neuron input akan

terhubung dengan semua neuron hidden, dan semua neuron hidden
berhubungan dengan semua neuron output.
Algoritma backpropagation menggunakan error output untuk
mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk
mendapatkan error ini, tahap perambatan maju (forward propagation)
harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuronneuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid, yaitu:

f(x) =

(2.1)

Dimana F (x) adalah fungsi aktivasi untuk neuron x.

Dan seterusnya..............................

o
o
o
o

S eb uaht ersamaanditul
is ditengahhal
aman
5itul
is denganequation
5ihindaripersamaany
ang b erupagamb ar (
picture)
5itamb ahk
anpenomorandal
am tandak
urung diseb el
ah
k
ananny
a
o / arapenomoransamasepertipenomorangamb ar dan
tab el

-Cormat t enulisansamadengan. ab seb el
umny
a

B AB III
PE MB AHAS AN
3.1

Pros edur Pengujian Material pada PT. Gatra Mapan
Pengujian dan pemeriksaan (inspeksi) bahan baku mencakup

kegiatan

pengukuran

material

dengan

metode

tertentu

dan

membandingkan hasilnya dengan standart (spec) yang digunakan sebagai
acuan dalam proses produksi. Pengukuran disini tidak hanya bersifat
dimensional, tetapi juga pengujian properties (hardness) serta pengujian
-. ab LLcheck
Ldiawaliden
gan“
A dan
nalisacrack).
a asalah”
,y
aitufak
ta
sensory (visual
: noda
atauk
ondisisaat inipadasub j
ekpenel
itiandan

Inspeksi
merupakan
bagian
dil
engk
a
pidenganb uk
tib uk
ti
data

yang

penting

-W
udulsub b ab 3
.
1tidakharus “
A nal
isaa asal
ah”
,b isa
C on