BAB 2 LANDASAN TEORI - Implementasi Algoritma Evolving Fuzzy Neural Network (EFuNN) Untuk Memprediksi Biaya Perkuliahan
BAB 2 LANDASAN TEORI Bab ini akan membahas landasan teori, penelitian terdahulu, kerangka pikir dan
hipotesis yang mendasari penyelesaian permasalahan dalam prediksi biaya perkuliahan untuk jurusan Teknologi Informasi di Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara dengan menggunakan algoritma Evolving Fuzzy Neural Network (EFuNN).
2.1 Data Mining
Data Mining berisi pencarian trend atau pola yang diinginkan dalam database besar
untuk membantu pengambilan keputusan di waktu yang akan dating. Pola-pola ini dikenali oleh perangkat tertentu yang dapat memberikan suatu analisa data yang berguna dan berwawasan yang kemudian dapat dipelajari dengan lebih teliti, yang mungkin saja menggunakan perangkat pendukung keputusan (Hermawati, 2013).
Data Mining merupakan teknologi yang sangat berguna untuk membantu
perusahaanperusahaan menemukan informasi yang sangat penting dari gudang data (Data warehouse) mereka. Dengan data mining dapat meramalkan tren dan sifat-sifat perilaku bisnis yang sangat berguna untuk mendukung pengambilan keputusan penting (Kusnawi, 2007).
Data mining melibatkan integrasi teknik dari berbagai disiplin ilmu seperti
database dan data warehouse teknologi, statistik, pembelajaran mesin (machine
learning ), kinerja tinggi komputasi, pengenalan pola, jaringan saraf (neural network), visualisasi data, informasi pengambilan, gambar dan pemrosesan sinyal, dan analisis data spasial atau temporal (Han et al., 2006).
Data warehousing dan data mining merupakan dasar-dasar arsitektural bagi
sistem-sistem pendukung keputusan. Keduanya memiliki hubungan simbiotik dimana
data warehouse menyiapkan tahapan untuk kegiatan data mining yang efektif.
Teknologi data warehouse telah memungkinkan sebuah organisasi untuk mengelola dan menyimpan data bisnis dalam volume yang sangat besar dalam bentuk yang dapat dianalisa. Kematangan dalam bidang kecerdasan buatan telah pula menciptakan sekumpulan teknik mesin pembelajaran (machine learning) yang berguna untuk mengotomatisasi kegiatan-kegiatan penting dan melelahkan guna mengungkapkan pola-pola dalam database. (Sitompul, 2008)2.1.1. Operasi data mining
Operasi data mining menurut sifatnya dibedakan menjadi dua yaitu:
1. Prediksi (prediction driven) Yaitu untuk menjawab pertanyaan apa dan sesuatu yang bersifat remang-remang atau transparan. Operasi prediksi digunakan untuk validasi hipotesis, querying dan pelaporan, analisis multidimensi; OLAP (Online Analytic Processing) serta analisis statistik.
2. Penemuan (discovery driven) Yaitu bersifat transparan dan untuk menjawab pertanyaan “mengapa?”. Operasi penemuan digunakan untuk analisis data eksplorasi, pemodelan prediktif, segmentasi database, analisis keterkaitan (link analysis) dan deteksi deviasi.
2.1.2. Tahapan dalam data mining
Dalam penggunaan data mining terdapat proses dalam penggunaannya. Adapun tahapan nya dapat dilihat pada Gambar 2.1.
Gambar 2.1. Tahap-tahap penambangan data. (Han, et al., 2006)Pada tahapan yang terlihat pada gambar 2.1 dapat diuraikan sebagi berikut:
1. Memahami domain aplikasi untuk mengetahui dan menggali pengetahuan awal serta apa sasaran pengguna
2. Membuat target data-set yang meliputi pemulihan data dan fokus pada sub-set data.
3. Pembersihan dan transformasi data meliputi eleminasi derau, outliners, missing value , serta pemilihan fitur dan reduksi dimensi.
4. Penggunaan algoritma data mining yang terdiri dari asosiasi, sekuensial, klasifikasi, klasterisasi, dll.
5. Interpretasi, evaluasi dan visualisasi pola untuk melihat apakah ada sesuatu yang baru dan menarik dan dilakukan iterasi jika diperlukan.
2.1.3. Teknik data mining Beberapa teknik dan sifat dalam data mining adalah sebagai berikut :
1. Klasifikasi (Classification) Menentukan sebuah record data baru ke salah satu dari beberapa kategori atau kelas yang telah didefinisikan sebelumnya.
2. Klasterisasi (Clustering) Mempartisi data-set menjadi beberapa sub-set atau kelompok sedemikian rupa sehingga elemen-elemen dari suatu kelompok tertentu memiliki set property yang dishare bersamaa, dengan tingkat similaritas tinggi dalam satu kelompok dan tingkat similaritas antar kelompok yang rendah.
3. Kaidah Asosiasi (Association Rules) Mendeteksi kumpulan atribut-atribut yang muncul bersamaan dalam frekuensi yang sering, dan membentuk sejumlah kaidah dari kumpulan-kumpulan tersebut.
4. Pencarian pola sekuensial (Sequence Mining) Mencari sejumlah event yang secara umum terjadi bersama-sama.
5. Regresi (Regression) Memprediksi nilai dari suatu variabel kontinu yang diberikan berdasarkan nilai dari variabel yang lain, dengan mengasumsikan sebuah model ketergantungan linier atau nonlinier.
2.2 Fasilkom-TI USU
Fasilkom-TI USU dibentuk pada tanggal 6 September 2011 dengan diterbitkanya surat keputusan Rektor USU nomor 2360/UN5.1 R/SK/PRS/2011. Program Studi yang pertama kali terbentuk adalah Program Studi S-1 Ilmu Komputer dibawah naungan FMIPA USU, Program Studi S-1 Ilmu Komputer berdiri sesuai dengan surat keputusan Ditjen Dikti No.3551/D/T/2001 tanggal 22 Nopember 2001 tentang izin penyelenggaraan Program Studi S-1 Ilmu Komputer. Kemudian seiring berkembangnya keilmuan bidang komputasi maka dibentuklah Program Studi baru yaitu Program Studi S-1 Teknologi Informasi yang juga dibawah naungan FMIPA USU. Proposal pendirian Program Studi S-1 Teknologi Informasi diajukan ke Direktorat Jendral Pendidikan Tinggi (Dirjen Dikti) Republik Indonesia pada awal tahun 2007.
2.3 Biaya Perkuliahan
Biaya perkuliahan adalah biaya yang dikenakan kepada mahasiswa untuk penyelenggaraan dan pembinaan pendidikan serta layanan administrasi akademika. Universitas Sumatera Utara yang merupakan sebuah instansi pendidikan negara, dalam penentuan biaya kuliah mengikut perhitungan Uang Kuliah Tunggal (UKT) berdasarkan:
1. Surat Dirjen Dikti : 1. NOMOR: 21/E/T/2012 TGL 4 JANUARI 2012.
2. NOMOR: 274/E/T/2012 TGL 16 FEBRUARI 2012.
2. Surat Dirjen Dikti : NOMOR: 1727/E1.1/A/2012 TGL 17 APRIL 2012.
3. Perumusan Akhir Konsep UKT Rakor PRII dan bagian perencanaan DIKTI di Jakarta pada tanggal 25 April 2012.
Berikut akan dipaparkan ketentuan Uang Kuliah Tunggal (UKT): 1. UKT merupakan rerata dari uang kuliah setiap kelompok program studi.
2. UKT merupakan tarif yang dihitung dari Unit Cost.
3. Unit Cost merupakan komponen biaya operasional yang diperlukan untuk proses pembelajaran dan utilitasnya di setiap wilayah diluar biaya investasi.
Dalam penentuannya Unit Cost (UC) dapat dihitung dengan perhitungan berikut, yaitu:
Unit Cost (UC) = Biaya Langsung (BL) + Biaya Tak Langsung (BTL)
Biaya Langsung (BL) adalah nilai sumber daya yang digunakan untuk melaksanakan aktivitas inti yaitu proses belajar mengajar. Biaya Langsung dihitung berdasarkan aktivitas langsung mahasiswa di tiap semester. Biaya langsung terdiri dari:
1. SDM, yakni biaya tenaga kerja langsung(gaji dan honor dosen)
2. BHP (Bahan Habis Pakai) pembelajaran
3. Sarana, dan
4. Prasarana (gedung) pembelajaran langsung Biaya Tak Langsung (BTL) adalah nilai dari sumber daya yang digunakan untuk melakukan aktivitas managerial, baik di tingkat fakultas maupun universitas. Biaya
Tidak Langsung dibebakan ke Unit Cost sesuai dengan proporsi jumlah mahasiswa setiap program studi terhadap jumlah mahasiswa total di fakultas. Biaya Tak Langsung terdiri dari:
1. Depresiasi, yakni saran dan prasarana non pembelajaran
2. Operasional, yakni biaya SDM manajerial dan non dosen
3. Pemeliharaan, dan 4. Lain-lain, seperti kegiatan pengembangan institusi.
2.4 Peramalan (Forecasting)
Menurut Gasperz (2001) Peramalan atau forecast merupakan suatu fungsi bisinis yang berusaha memperkirakan penjualan, penggunaan produk, dan permintaan pasar sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Peramalan merupakan perkiraan, tetapi dengan menggunakan teknik-teknik tertentu, maka peramalan menjadi lebih dari sekedar perkiraan (Ishak, 2010).
Dalam membuat peramalan, maka ada beberapa hal yang harus dipertimbangkan (Ishak, 2010), yaitu:
1. Peramalan pasti mengandung kesalahan. Peramal hanya dapat mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian tersebut.
2. Peramalan seharusnya memberikan informasi tentang bebrapa ukuran kesalahan.
3. Peramalan jangka pendek lebih akurat dibandingkan peramalan jangka panjang.
Menurut Ishak (2010), peramalan dibedakan menjadi tiga jenis sesuai dengan jangka waktunya:
1. Jangka pendek (Short term) Peramalan ini mencakup jangka waktu harian ataupun mingguan. Peramalan ini biasanya digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan tingkat produksi.
2. Jangka menengah (Medium term) Peramalan ini mencakup jangka waktu bulanan atau kuartal. Peramalan ini berguna untuk merencanakan penjualan, perencanaan dan anggaran produksi, dan menganalisis bermacam-macam rencana operasi.
3. Jangka panjang (Long term) Peramalan ini bersifat tahunan. Peramalan ini digunakan untuk merencanakan produk baru, pembelanjaan modal, pengembangan fasilitas, serta penelitian.
2.5 Logika Fuzzy
Fuzzy dapat diartikan sebagai kabur atau samar-samar suatu nilai dapat bernilai
benar atau bernilai salah secara bersamaan. Logika fuzzy diperkenalkan oleh Prof. lotfi Zadeh tahun 1965. Logika fuzzy merupakan suatu logika yang memilih nilai kesamaan (Fuzzyness) antara benar atau salah, logika fuzzy memiliki derajat keanggotaan dalam rentang 0 sampai 1.Logika fuzzy menunjukan sampai sejauh mana sebuah nilai itu benar dan sejauh mana sebuah nilai itu salah (Nasution, 2012).
Logika fuzzy merupakan suatu cara untuk memetahkan suatu ruang input ke dalam ouput, memiliki nilai kontinu dan fuzzy dinyatakan dalam derajat keanggotaan atau derajat dari kebenaran. Logika fuzzy digunakan untuk menerjemahkan besaran yang diekpresikan mengunakan bahasa (Nasution, 2012).
Kelebihan dari logika fuzzy adalah mampu memproses penalaran secara bahasa sehingga dalam proses pembuatannya tidak memerlukan persamaan matematika dan suatu objek yang akan dikendalikan (Nasution, 2012).
2.5.1. Himpunan fuzzy
Himpunan fuzzy merupakan suatu kelompok yang dimana mewakili suatu kondisi tertentu untuk suatu variabel fuzzy. Contoh : untuk variabel umur yaitu Muda, Tua dan Parobaya (Amiruddin,2011). Grafik Himpnan fuzzy dapat dilihat pada Gambar 2.2
Gambar 2.2. Contoh grafik himpunan fuzzy pada variabel umur (Amiruddin, 2011)Di dalam Himpunan fuzzy terdapat 2 atribut yaitu linguistik dan numeris. Linguistik merupakan pemberian nama suatu kelompok yang mewakili kondisi tertentu dengan mengunakan bahasa alami seperti : muda, tua dan parobaya dan numeris merupakan nilai yang menunjukan suatu ukuran pada variabel seperti : 20, 40, dan 35. (Amiruddin,2011) 2.5.2.
Fungsi keanggotaan fuzzy
Fungsi keanggotaan (member function) merupakan sebuah kurva yang pemetaannya melalui titik-titik input data ke dalam nilai keanggotaan (derajat keanggotaan) yang di dalamnya terdapat nilai 0 sampai 1 (Amiruddin, 2011). Menurut Amiruddin (2011), salah satu cara untuk mendapatkan nilai keanggotaan adalah dengan cara pendekataan fungsi, ada beberapa fungsi untuk menentukan sebuah nilai keanggotaan yaitu linear, kurva segitiga, kurva trapesium dan metode lainnya.
1. Representasi Linear Representasi Linear adalah pemetaan input ke derajat keanggotaanya digambarkan dalam garis lurus. Ada 2 (dua) jenis fuzzy linear yaitu linear naik dan linear turun.Linear naik memiliki derajat keanggotaan nol (0) bergerak ke kanan menuju ke derajat keanggotaan yang lebih tinggi. Gambar Representasi Linear naik dapat dilihat pada Gambar 2.3 1 Keanggotaan
Derajat µ[X] a b
Gambar 2.3. Grafik fungsi keanggotaan pada representasi linier naikFungsi Keanggotaan: 0;
≤ (
µ
− )/( − ); ≤ ≤ =
1; ≥ Linear turun adalah garis kurva yang dimulai dari domain tetinggi dari sisi sebelah kiri bergerak menurun ke domain derajat keanggotaan yang lebih rendah. Gambar Representasi Linear turun dapat dilihat pada Gambar 2.4 Keanggotaan Derajat µ[X]
1 a domain b
Gambar 2.4. Grafik fungsi keanggotaan pada representasi linier turunFungsi Keanggotaan: (
− )/( − ); ≤ ≤
µ
= 0;
≥
2. Representasi Kurva Segitiga Kurva Segitiga adalah gabungan antara 2 (dua) garis linear.Gambar Representasi Kurva Segitiga dapat dilihat pada Gambar 2.5 1 Keanggotaan
Derajat µ[X] a c domain b
Gambar 2.5. Grafik fungsi keanggotaan pada representasi kurva segitigaFungsi Keanggotaan: 0;
≤ ≥ (
µ − )/( − ); ≤ ≤
= (
− )/( − ); ≤ ≤
3. Representasi Kurva Trapesium Kurva Trapesium adalah meneyerupai bentuk segitiga, tapi ada beberapa titik yang memiliki nilai keanggotaan bernilai 1 (satu).Gambar Representasi Kurva Trapesium dapat dilihat pada Gambar 2.6
1 Derajat Keanggotaan µ[X] a c d
b
domainGambar 2.6. Grafik fungsi keanggotaan pada representasi kurva trapesiumFungsi Keanggotaan: 0;
≤ ≥ (
− )/( − ); ≤ ≤
µ
=
1 ≤ ≤
( − )/( − ); ≥
2.6 Evolving Connectionist System (ECOS)
Evolving Connectionist System (ECOS) adalah sebuah metode pembelajaran yang
adaptif, bertahap dan sistem representasi pengetahuan yang mengembangkan struktur dan fungsinya, dimana dalam inti sistem terdapat arsitektur koneksionis yang terdiri dari neuron (unit pengolahan informasi) dan hubungan antar-neuron (Kasabov, 2007).
Evolving Connectionist System (ECOS) merupakan sistem komputasi cerdas yang
berdasarkan JST (Jaringan Saraf Tiruan), tetapi juga menggunakan teknik lain dari komputasi cerdas yang beroperasi secara terus-menerus dan mengadaptasikan strukturnya melalui interaksi terhadap lingkungan dan sistem lainnya (Kasabov, 2007). Proses adaptasi ini diakukan melalui: 1. Sekumpulan aturan yang dapat berkembang.
2. Sekumpulan parameter yang dapat berubah selama sistem bekerja.
3. Informasi yang datang secara terus menerus, terutama pada distribusi data yang tidak menentu.
4. Kriteria goal atau tujuan yang diterapkan untuk mengoptimalkan kinerja sistem dari waktu ke waktu.
Gambar 2.7. Komponen ECOS (Kasabov, 2007)2.7 EFuNN (Evolving Fuzzy Neural Network)
EFuNN (Evolving Fuzzy Neural Network) pertama kali diperkenalkan oleh Kasabov pada tahun 1999 yang merupakan fuzzy neural model. Fuzzy Neural Network (FuNN) merupakan struktur terhubung yang mengimplementasikan aturan-aturan fuzzy
inference system . FuNN merepresentasikan sebuah kelas dari struktur tersebut. Model
EFuNN memiliki prinsip yang berbeda dengan FuNN walaupun memiliki struktur yang mirip. EFuNNs dikembangkan berdasarkan prinsip-prinsip Evolving
Connectionist Systems (ECOS) (Kasabov, 2007).
2.7.1 Arsitektur EFuNN (Evolving Fuzzy Neural Network)
EFuNN memiliki lima struktur layer dengan node dan koneksinya dibentuk atau dikoneksikan sesuai dengan data sample yang ada, seperti yang dapat dilihat pada Gambar 2.8.
Gambar 2.8. Arsitektur standar EFuNN (Kasabov, 2007)Sebuah layer opsional (short-term) memory dapat digunakan melalui sebuah kondisi feedback dari aturan-aturan node pada layer seperti ditunjukkan oleh Gambar
2.9. Layer feedback yang terkoneksi dapat digunakan jika relasi temporal input data dapat dikenali secara struktural (Kasabov, 2007).
Gambar 2.9. Arsitektur standar EFuNN dengan short-term memory (Kasabov, 2007)Berikut penjelasan mengenai lima layernya:
1. Layer pertama merupakan layer input variabel dimana variabel-variabel masukan tersebut akan dilatih dan diuji pada tahap EFuNN selanjutnya.
2. Layer kedua merepresentasikan persamaan fuzzy dari masing-masing bagian.
Sebagai contoh, dua buah input fuzzy pada jaringan/neuron merepresentasikan “kecil” dan “besar” untuk sebuah input variabel umum. Fungsi keanggotaan
fuzzy dapat ditambahkan untuk mendapatkan derajat keanggotaan setiap data input .
3. Layer ketiga berisi aturan-aturan (case) yang dikembangkan melalui pembelajaran terawasi atau metode pembelajaran tidak terawasi. Aturan
prototype (sampel-sampel) dari input
- –output kumpulan data yang dapat
dipresentasikan secara grafik sebagai hyper-spheres (titik puncak pada grafik geometri/lengkungan kurva fungsi keanggotaan) dari sphares (bidang lengkungan) grafik input fuzzy dan output fuzzy. Setiap aturan r didefenisikan dengan 2 vektor dari koneksi bobot
- – W1(r) dan W2(r), aturan yang paling akhir disesuaikan melalui pembelajaran terawasi berdasarkan error output, dan aturan awal disesuaikan melalui pembelajaran tidak terawasi berdasarkan kemiripan pengukuran di dalam suatu area masalah. Suatu fungsi aktivasi linier, atau suatu gaussian function, digunakan pada neuron/jaringan pada layer ini.
4. Pada layer keempat dilakukan kuantisasi variabel fuzzy output. Kuantisasi adalah operasi pemotongan (truncation) atau pembulatan (rounding) nilai data dengan suatu presisi (precision) tertentu untuk mendapatkan nilai luas kurva. Pada layer ini masukan bobot fungsi penjumlahan dan sebuah fungsi aktivasi linier penuh/jenuh digunakan pada neuron/jaringan untuk menghitung derajat keanggotaan yang mana vektor output yang terhubung dengan input vektor yang diberikan masing-masing fungsi keanggotaan output.
5. Layer kelima merepresentasikan dari nilai dari variabel output. Di layer ini sebuah fungsi aktivasi linier digunakan untuk menghitung nilai defuzifikasi untuk variabel output.
2.7.2 Algoritma EFUNN (Evolving Fuzzy Neural Network) Berikut ini adalah algoritma EFUNN (Evolving Fuzzy Neural Network) (Chang et al.
2006):
1. Melakukan inisialisasi terhadap parameter yakni: sensitive threshold (sThr), error (errThr), learning rate 1 (lr1), dan learning rate 2 (lr2).
threshold
2. Melakukan normalisasi data yang telah diinput dengan data ditransformasikan pada selang 0,1 sampai 0.9. Adapun rumus untuk melakukan normalisasi data adalah sebagai berikut.
0,8 ( − )
- 0,1 (2.1) =
−
dimana: y = nilai normaliasai x = nilai data beban a = nilai minimum dari data b = nilai maximum dari data
3. Melakukan fuzifikasi terhadap data yang akan di training dengan menggunakan fungsi keanggotaan (membership function).
0; ≤ ≥
( (2.2)
µ
− )/( − ); ≤ ≤ =
( − )/( − ); ≤ ≤
4. Membuat rule node pertama r(1) untuk merepresentasikan data yang pertama dan mengisi nilai pada bobot satu dan bobot dua.
= ; = (2.3)
1
1
1
= 1; 1
2
5. Lakukan pengulangan selama i <= N
a. Menghitung normalized fuzzy local distance (D) diantara fuzzy input vector ( ) dan fuzzy input vector yang berada di tempat penyimpanan sementara pada saat rule node (
), j=1…R, dimana R adalah nilai rule node pada saat ini. R
j =1 − 1
| |, ) = (2.4)
( R j =1
1
b. Menghitung nilai aktivasi ( ) dari rule node ( ).1 = , (2.5) 1 ( ) c. Cari rule node ( *) yang memiliki nilai aktivasi tertinggi
d. Jika nilai lebih besar dari sThr, maka menuju langkah (e), jika nilai
1 lebih kecil dari sThr, maka: j = j +1. Ulangi dari langkah (a).
1
- * e. Melakukan propagasi terhadap aktivasi dari rule node ( )
. (2.6) 2 = 1 2 f. Menghitung fuzzy ouput error.
| (2.7) = | 2 − g. Cari action node (k*) dengan nilai aktivasi tertinggi dari A2.
h. Jika Err(k*) lebih kecil dari errThr atau r sama dengan i, = + 1
= ; = (2.8)
1
1
2 maka menuju langkah (i), jika Err(k*) lebih besar dari errThr atau r tidak sama dengan i. Ulangi dari langkah (a). i. Ubah dari bobot W1 dan W2.
= − 1( ∗) 1 ∗ = 1 ∗ + 1. 2 ∗ = 2 ∗ + 2.
(2.9) = + 1
2.8 PHP (Hypertext Preprocessor)
Menurut Prasetyo (2008), PHP (Hypertext Preprocessor) adalah skrip yang bersifat
server -side yang ditambahkan ke dalam skrip HTML. PHP merupakan singkatan dari
Personal Home Page Tools . Skrip ini yang akan membuat suatu aplikasi website dapat
diintegrasikan ke dalam HTML sehingga website tersebut tidak lagi bersifat statis, namun menjadi bersifat dinamis. Maksud dari bersifat server-side itu sendiri adalah pengerjaan skrip di lakukan di server, baru kemudian hasilnya dikirim ke browser. Cara penulisan script PHP terbagi atas empat style, yaitu:
1. Standard Style, dengan format:
<?php … ?>
2. Short Style, dengan format:
<? … ?>
3. Javascript Style, dengan format:
<script language=’PHP’> … </script>
4. ASP Style, dengan format:
<% … %>
2.9 UML
Pemodelan merupakan gambaran sederhana dalam bentuk pemetaan dengan berbagai aturan-aturan tertentu. Pemodelan perangkat lunak digunakan untuk mempermudah tahapan berikutnya sehingga pengembangan dilakukan dengan lebih terencana..
Pada perkembangan teknik pemrograman berorientasi objek, muncullah sebuah standarisasi bahasa pemodelan untuk pembangunan perangkat lunak yang dibangun dengan menggunakan teknik pemrograman berorientasi objek, yaitu Unified Modeling
Languge (UML). UML muncul karena adanya kebutuhan pemodelan visual untuk
menspesifikasikan, menggambarkan, membangun, dan dokumentasi dari sistem perangkat lunak. UML merupakan bahasa visual untuk pemodelan dan komunikasi mengenai sebuah sistem dengan menggunakan diagram dan teks-teks pendukung.
UML hanya berfungsi untuk melakukan pemodelan. Jadi penggunaan UML tidak terbatas pada metodologi tertentu, meskipun pada kenyataannya UML paling banyak digunakan pada metodologi berorientasi objek (Rosa & Shalahuddin, 2011).
2.10 MySQL
MySQL merupakan server database yang mendukung perintah SQL (Structured
Query Languange ). Perintah dalam MySQL disebut dengan pernyataan (statement)
yang memiliki cirri khas pengakhirannya yang di tutup dengan tanda titik koma(;).MySQL pada prinsip kerja nya yaitu mengetikkan sejumlah pernyataan dan di akhiri dengan titik koma, maka program klien MySQL akan segera mengirim perintah tersebut ke server database MySQL dan kemudian memberikan respon yang sesuai.
Prinsip kerja dari MySQL yaitu dengan mengetikkan sejumlah pernyataan dan di akhiri dengan titik koma, maka program klien MySQL akan segera mengirim perintah tersebut ke server database MySQL dan kemudian memberikan respon yang sesuai dengan pernyataan yang diberikan (Rozy, 2014). Berikut pernyataan-pernyataan umum yang sering digunakan dalam MySQL adalah sebagai berikut: 1.
“SELECT” digunakan untuk menampilkan informasi dari sebuah table pada database .
2.
“UPDATE” digunakan untuk mengubah informasi dari sebuah table pada database .
3.
“DELETE” digunakan untuk menghapus informasi dari sebuah table pada database .
4.
“INSERT” digunakan untuk menambah informasi baru kedalam table pada
database
2.11 Penelitian Terdahulu
Dalam melakukan penelitian, penulis membutuhkan beberapa bahan penelitian yang sudah pernah dilakukan peneliti-peneliti lainnya mengenai masalah teknik data
mining , dan algoritma Evolving Fuzzy Neural Network (EFuNN).
Muhammad Fadhly Sani, Romi Fadillah Rahmat, dan Noviyanti (2013) berhasil mengimplementasikan metode Evolving Fuzzy Neural Network dengan memiliki keakuratan yang berbeda-beda dan rata-rata memiliki tingkat error sebesar 0,6% untuk meramalkan jumlah penjualan telur pada salah satu distributor telur di kabupaten Deli Serdang untuk satu minggu ke depan.
Chandrawati Putri Wulandari, Purnomo Budi Santoso dan Arif Rahman (2013) telah menggunakan Sistem Pengambilan Keputusan (SPK) untuk mengkalkulasi jumlah tunggakan uang kuliah mahasiswa.
Reza Elfandra Siregar (2014) melakukan penelitian dan pengujian untuk sistem prediksi banjir dengan mengunakan metode Weighted Evolving Fuzzy neural Network(WEFuNN).
Untuk penelitian yang dilakukan oleh peneliti sebelumnya, dapat dilihat pada Tabel 2.1.
Tabel 2.1. Tabel Penelitian Terdahulu No Peneliti Judul Penelitian1 Muhammad Fadhly
Prediksi Jumlah Penjualan Distributor Telur Sani, Romi Fadillah terhadap Permintaan Pasar Menggunakan Metode
Rahmat, Noviyanti Evolving Fuzzy Neural Network (EFUNN)
(2013)
2 Chandrawati Putri Rekayasa Sistem Pendukung Keputusan
Wulandari,Purnomo Terhadap Permasalahan Biaya Pendidikan Budi Santoso, Arif Mahasiswa
Rahman (2013)
3 Reza Elfandra Prediksi Banjir Dengan Menggunakan Weighted
Siregar (2014) Evolving Fuzzy Neural Network (WEFUNN)