Identifikasi Kekurangan Unsur Hara pada Unsur Hara pada tanaman Jagung dengan metode Jaringan Saraf Tiruan Learning Vector Quantization.
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
SUSUNAN DEWAN REDAKSI JELIKU
KETUA
AGUS MULIANTARA, S.KOM, M.KOM
PENYUNTING
DRA. LUH GEDE ASTUTI, M.KOM
NGURAH AGUS SANJAYA E.R., S.KOM, M.KOM
IDA BAGUS MAHENDRA, S.KOM, M.KOM
IDA BAGUS GEDE DWIDASMARA, S.KOM, M.CS
PELAKSANA
I KETUT GEDE SUHARTANA, S.KOM., M.KOM
I GEDE SANTI ASTAWA, S.T., M.CS
I MADE WIDIARTHA, S.SI., M.KOM
ALAMAT REDAKSI
JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
KAMPUS BUKIT JIMBARAN – BADUNG
TELEPON : 0361 – 701805
EMAIL : [email protected]
WEBSITE : WWW.CS.UNUD.AC.ID
i
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
[halaman ini sengaja dikosongkan]
ii
JELIKU Vol 2 No. 3 Agustus 2013
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
DAFTAR ISI
SUSUNAN DEWAN REDAKSI JELIKU ............................................................................................ i
DAFTAR ISI ....................................................................................................................................... iii
PERANCANGAN SISTEM INFORMASI MOBILE SALES FORCE AUTOMATION (SFA) PT.
ASTRA INTERNASIONAL TBK. –HONDA
Ni Made Dwi Arnita, Agus Muliantara ............................................................................................. 1
PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN
WIDROW BACKPROPAGATION
I Gst Ag Indra Arthana, Agus Muliantara ..................................................................................... 11
PENERAPAN QUEUE TREE PADA ROUTER MIKROTIK DALAM MANAJEMEN BANDWITH
I Putu Ery Handika dan I Komang Ari Mogi ................................................................................. 16
PERANCANGAN SISTEM INFORMASI KEANEKARAGAMAN HAYATI DI PT. PERTAMINA
DEPOT PENGISIAN PESAWAT UDARA (DPPU) NGURAH RAI
I Gusti Putu Deviara Putra, I.B Made Mahendra .......................................................................... 25
IMPLEMENTASI SISTEM OPERASI ROUTER MIKROTIK SEBAGAI PROXY SERVER
BERBASIS TRANSPARENT PROXY
I Putu Iyasa Pringgagada Pecut, I Made Widhi Wirawan ............................................................ 33
PURWARUPA APLIKASI MESIN PENCARI REFERENSI
I Putu Sutria Narada, Agus Muliantara, Ida Bagus Dwidasmara ................................................ 42
IMPLEMENTASI BANDWIDTH MANAGEMENT PADA PENGALOKASIAN HOTSPOT DI
FAKULTAS HUKUM UNIVERSITAS UDAYANA
I Made Yuda Prasetia, I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan ......... 51
PERANCANGAN SISTEM TRACER STUDY
PARIWISATA UNIVERSITAS UDAYANA
BERBASIS
WEB
PADA
FAKULTAS
Luh Sukma Widiasari, Ngurah Widyatmaja .................................................................................. 59
PERANCANGAN DAN IMPLEMENTASI APLIKASI KLASIFIKASI PENYAKIT DIABETES
DENGAN METODE NAÏVE BAYES
Putu Gerhans Prawira Risnawan, Ngurah Agus Sanjaya ER, I Made Widiartha ..................... 68
IMPLEMENTASI SPLIT DNS DENGAN MENGGUNAKAN BIND9 DALAM MEMBANGUN
SISTEM CONTENT DELIVERY NETWORK
I Made Yoga Sattwika Darma
, I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan .............................................. 73
PERANCANGAN SISTEM INFORMASI SALES ACTIVITY PT. ASTRA INTERNATIONAL
TBK. - HONDA
I Wayan Angga Pratama, Ida Bagus Gede Dwidasmara ............................................................... 78
ANALISIS MANAJEMEN BANDWIDTH UNTUK MEMBERIKAN LAYANAN SECARA ADIL
TERHADAP PENGGUNA DENGAN MENGGUNKAN METODE ANTRIAN HTB DAN
METODE ANTRIAN PCQ PADA MIKROTIK
iii
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
I Made Bayu Adi Utama, I Dewa Made Bayu Atmaja Darmawan .............................................. 88
PENGENALAN WICARA KARAKTER INDONESIA MENGGUNAKAN HIDDEN MARKOV
MODEL
I Wayan Adi Juliawan Pawana ........................................................................................................ 96
IDENTIFIKASI KEKURANGAN UNSUR HARA PADA TANAMAN JAGUNG DENGAN
METODE JARINGAN SARAF TIRUAN LEARNING VECTOR QUANTIZATION
Adinda Prisila Permatasari, Luh Gede Astuti, I Gede Santi Astawa.......................................... 101
ANALISA KINERJA ROUTING MENGGUNAKAN ROUTING INFORMATION PROTOCOL
(rip) DAN OPEN SHORTEST PATH FIRST (OSPF)
A.A.Sagung Istri Candra Padmasari ........................................................................................... 1010
iv
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
PERANCANGAN SISTEM INFORMASI MOBILE SALES FORCE AUTOMATION (SFA) PT.
ASTRA INTERNASIONAL TBK. –HONDA
Ni Made Dwi Arnita, Agus Muliantara
Program Studi Teknik Informatika, Jurusan Ilmu Komputer,
Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana
Email: [email protected], [email protected] mailto:[email protected]
Abstrak
Sales Force Automation (SFA) merupakan aplikasi berbasis web yang memfasilitasi
komunikasi dan informasi dari setiap tenaga pemasaran. Dengan menggunakan SFA, tenaga
pemasaran dapat mengakses informasi terkait melalui web browser. Masalah yang terjadi sekarang
yaitu ketika tenaga pemasaran ingin mengakses SFA dengan smartphone (telepon pintar) dan belum
adanya SFA versi mobile.
Karena masalah inilah diperlukan suatu terobosan yang dapat mempermudah para tenaga
pemasaran untuk meningkatkan aktivitas penjualan. Maka dikembangkanlah sistem informasi Sales
Force Automation (SFA) yang telah ada sehingga dapat diakses dalam versi mobile. Sistem informasi
ini akan dirancang dengan menyertai beberapa fitur yang diperlukan dalam membangun sistem ini.
Hasil dari kebutuhan perangkat lunak yang telah dianalisis pada penelitian ini adalah data
input menghasilkan sub proses validasi data input dan simpan data input. Lihat prospek menghasilkan
sub proses lihat prospek pending, lihat prospek sale, lihat prospek cancel. Buat jadwal menghasilkan
sub proses validasi tanggal dan simpan jadwal. Isi jadwal menghasilkan sub proses validasi data
jadwal dan simpan isi jadwal. Lihat jadwal menghasilkan sub proses periksa tanggal dan tampil
jadwal. Lapor kunjungan menghasilkan sub proses validasi lapor kunjungan dan simpan lapor
kunjungan.
Kata kunci: Sales Force Automation, mobile, perancangan
ABSTRACT
Sales Force Automation (SFA) is a web-based application that facilitates the communication
and information of any marketing effort. By using the SFA, marketing personnel can access related
information through a web browser. The problem that is happened now is when the salesperson wants
to access the SFA with a smartphone and there is no a mobile version of the SFA yet.
Because of this problem we need a breakthrough that could make it easier for marketers to
increase sales activity. From the previous explanation, Sales Force Automation (SFA) is developed
that can be accessed in a mobile version. This information system will be designed to accompany
some of the features that is required in building this system.
The result of the need of the software that has been analyzed in this study is input data results
input data validation sub proses and input data store. Lihat Prospek have three sub-process including
lihat prospek pending, lihat prospek sale, lihat prospek cancel. Buat Jadwal have two sub-process
including save the date and schedule. Isi Jadwal have two sub-process including schedule data
validation process and store the contents of sub-process generates a schedule. Lihat Jadwal have two
sub-process including check the date and performing schedule. Lapor Kunjungan have two subprocess including validation report and visit store reports.
Keywords: Sales Force Automation, mobile, System Architecture
1
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
1. Pendahulan
1.1 Latar Belakang
PT Astra International Tbk – Honda,
pendeknya Astra Honda Motor (AHM)
merupakan anak cabang dari perusahaan
multinasional PT Astra International Tbk yang
secara spesifik membidangi penjualan kendaraan
roda dua. Untuk wilayah Bali, penjualan sepeda
motor Honda dipegang oleh HSO (Honda Sales
Office) Denpasar yang merupakan Maindealer
seluruh dealer Astra Motor dan dealer-dealer
Honda lainnya. HSO Denpasar juga melakukan
distribusi ke seluruh dealer Honda di Bali.
Seperti perusahaan otomotif pada umumnya,
Astra Honda Motor khususnya HSO Denpasar
memiliki tenaga pemasaran yang bertugas
memasarkan produk-produk Honda. Sistem yang
telah dimiliki sebelumnya yaitu SFA (Sales
Force Automation).
SFA adalah aplikasi berbasis web yang
memfasilitasi komunikasi dan informasi dari
setiap tenaga pemasaran. Dengan menggunakan
SFA, tenaga pemasaran dapat mengakses
informasi terkait melalui web browser. SFA
didedikaikan agar para tenaga pemasaran dapat
meningkatkan efisiensi dan profesionalisme
dalam melakukan aktivitas penjualan.
Masalah yang terjadi sekarang yaitu
ketika tenaga pemasaran ingin mengakses SFA
dengan smartphone (telepon pintar) yang
dimiliki dan tidak adanya SFA dalam versi
mobile. Karena masalah inilah diperlukan suatu
terobosan yang dapat mempermudah para tenaga
pemasaran untuk meningkatkan aktivitas
penjualan.
Maka
timbulah
ide
untuk
mengembangkan website sistem informasi Sales
Force Automation (SFA) yang telah ada
sehingga dapat diakses dalam versi mobile.
Sistem informasi ini akan dirancang dengan
menyertai beberapa fitur yang diperlukan dalam
membangun sistem ini.
Tujuan dari perancangan sistem
informasi ini antara lain yaitu merancang sebuah
sistem informasi yang mudah digunakan bagi
para tenaga pemasaran dalam mempermudah
pekerjaannya.
Manfaat yang diperoleh yaitu dapat
menciptakan suatu sistem yang mendukung
kegiatan pemasaran dan meningkatkan penjualan
produk.
JELIKU Vol 2 No. 3 Agustus 2013
2.1 UML (Unified Modelling Language)
Merupakan sebuah notasi yang telah
menjadi standar dalam industri untuk visualisasi,
merancang dan mendokumentasikan sistem
piranti lunak. UML menawarkan sebuah standar
untuk merancang model sebuah sistem. UML
sendiri juga memberikan standar penulisan
sebuah sistem blue print, yang meliputi konsep
bisnis proses, penulisan kelas-kelas dalam
bahasa program yang spesifik, skema database,
dan komponen-komponen yang diperlukan
dalam sistem software (Williams, 2004).
2.1.1 Usecase Diagram
Menggambarkan fungsionalitas yang
diharapkan dari sebuah sistem. Yang ditekankan
adalah “apa” yang diperbuat sistem, dan bukan
“bagaimana”.
Sebuah
usecase
merepresentasikan sebuah interaksi antara aktor
dengan sistem. Usecase merupakan sebuah
pekerjaan tertentu, misalnya login ke sistem,
meng-create sebuah daftar belanja, dan
sebagainya.
Seorang/sebuah aktor adalah
sebuah entitas manusia atau mesin yang
berinteraksi dengan sistem untuk melakukan
pekerjaan-pekerjaan tertentu (Bell, 2013).
2.1.2 Activity Diagram
Menggambarkan berbagai alir aktivitas
dalam sistem yang sedang dirancang, bagaimana
masing-masing alir berawal, decision yang
mungkin terjadi, dan bagaimana mereka
berakhir.
Activity diagram juga dapat
menggambarkan proses paralel yang mungkin
terjadi pada beberapa eksekusi (Bell, 2013).
2.1.3 Class Diagram
Class adalah sebuah spesifikasi yang
jika diinstansiasi akan menghasilkan sebuah
objek dan merupakan inti dari pengembangan
dan
desain
berorientasi
objek.
Class
menggambarkan keadaan (atribut/properti) suatu
sistem, sekaligus menawarkan layanan untuk
memanipulasi keadaan tersebut (metoda/fungsi)
(Bell, 2013). Class diagram menggambarkan
struktur dan deskripsi class, package dan objek
beserta hubungan satu sama lain seperti
containment, pewarisan, asosiasi, dan lain-lain.
2.1.4 Sequence Diagram
Sequence diagram adalah suatu diagram
yang menggambarkan interaksi antar obyek dan
2. Landasan Teori
2
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
mengindikasikan komunikasi diantara obyekobyek tersebut (Bell, 2013). Diagram ini juga
menunjukkan
serangkaian
pesan
yang
dipertukarkan
oleh
obyek-obyek
yang
melakukan suatu tugas atau aksi tertentu. Obyekobyek tersebut kemudian diurutkan dari kiri ke
kanan, aktor yang menginisiasi interaksi
biasanya ditaruh di paling kiri dari diagram.
yang akan digunakan para tenaga pemasaran
untuk melakukan aktivitas penjualan.
3.2 Gambaran Umum Sistem
SFA didedikasikan agar para tenaga
pemasaran dapat meningkatkan efisiensi dan
profesionalisme dalam melakukan aktivitas
penjualan. Pada saat ini belum terdapat
rancangan sistem informasi Sales Force
Automation dalam versi mobile. Secara umum
arsitektur sistem yang diusulkan dapat dilihat
seperti ini:
2.2 Model Proses Incremental
Model
ini
merupakan
model
pengembangan
sistem
pada
software
engineering requirement software yang dipecah
menjadi beberapa fungsi. Model incremental
menggabungkan
elemen-elemen
model
sekuensial linier (diimplementasikan secara
berulang) dengan filosofi prototype interatif.
Model ini memakai urutan-urutan linier di dalam
model yang membingungkan, seiring dengan
laju waktu kalender. Setiap urutan linier
menghasilkan pertambahan perangkat lunak
yang kemudian dapat disampaikan kepada
pengguna (Sommerville, 2011).
2.3 Static testing
Merupakan suatu metode pengujian
yang dilakukan pada tahap perancangan
software, tujuan utama dari static testing adalah
mengurangi kesalahan dari pengembang
terhadap software yang dibangun, tujuan yang
kedua adalah melakukan pemeriksaan terhadap
operasi dari software. Static testing akan
menghasilkan
dokumentasi
dari
hasil
perbandingan antara kebutuhan awal aplikasi
dari pengguna perangkat lunak dengan yang
dihasilkan oleh pengembang perangkat lunak
(Everett Gerald D and McLeod Raymond,
2007).
Gambar 1. Arsitektur Sistem
Pada gambar 1 diatas, dilihat bahwa
sistem yang akan dikembangkan merupakan
sistem berorientasi object.
3.3 Pengumpulan Kebutuhan
Proses
pengumpulan
kebutuhan/
requirement dilakukan secara iteratif dan
dinamis, karena tidak seluruh kebutuhan dapat
dikemukakan di awal pengembangan sistem.
Dari keseluruhan pengumpulan kebutuhan maka
dihasilkan kebutuhan berikut:
3. Metodologi Penelitian
3.1 Analisa Permasalahan
Seperti perusahaan otomotif pada
umumnya, Astra Honda Motor khususnya HSO
Denpasar memiliki tenaga pemasaran yang
bertugas memasarkan produk-produk Honda.
Sistem yang telah dimiliki sebelumnya yaitu
SFA (Sales Force Automation). Masalah yang
terjadi sekarang yaitu ketika tenaga pemasaran
ingin mengakses SFA tetapi tidak tersedianya
versi mobile. Karena masalah inilah diperlukan
suatu terobosan baru yang dapat menjadi media
3.3.1 Kebutuhan Fungsional
Tabel 1 Kebutuhan Fungsional
3
Actor
Tenaga
Pemasaran
Kebutuhan/ Requirement
Dapat menginput prospek secara
online
Dapat melihat prospek yang ada
Dapat membuat jadwal
Dapat mengisi jadwal
Dapat melihat jadwal
Dapat melaporkan kunjungan
yang telah dilakukan
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
3.3.2 Analisa Kebutuhan dan Desain Sistem
Usecase Diagram
Gambar 2. Usecase Diagram
Pada fungsi ini, terdapat 3 usecase
utama yang dilakukan oleh tenaga pemasaran.
Pada prospek, tenaga pemasaran dapat
melakukan menginput data prospek, mensubmit
prospek yang ada, melihat daftar prospek. Pada
jadwal. Tenaga pemasaran dapat membuat
jadwal, mengisi jadwal, melihat jadwal, dan
pada kunjungan, tenaga pemasaran dapat
melaporkan kunjungan yang telah dilakukan.
Dan semua fungsi itu dapat dilakukan dengan
sebelumnya user (tenaga pemasaran) melakukan
autentifikasi terlebih dahulu.
Gambar 4. Activity Diagram Data Input
Activity diagram pada gambar 4
menjelaskan tentang alur jika user ingin
menginput prospek pada SFA versi mobile. Data
yang diinputkan oleh user akan langsung masuk
ke server.
Activity Diagram
Gambar 3. Activity Diagram Autentifikasi User
Activity diagram pada gambar 3
menjelaskan tentang alur jika user mengakses
sistem informasi Sales Force Automation.
Sebelum masuk ke sistem, tenaga pemasaran
harus menginputkan username dan password.
Gambar 5. Activity Diagram Lihat Prospek
Activity diagram pada gambar 5
menjelaskan tentang alur dari user jika ingin
melihat prospek. Dalam sistem ini ada 3 jenis
4
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
prospek, yaitu prospek pending, prospek sales,
dan prospek cancel.
Gambar 8. Activity Diagram Lihat Jadwal
Gambar 6. Activity Diagram Buat Jadwal
Diagram activity pada gambar 8
menjelaskan tentang alur dari user jika ingin
melihat jadwal yang telah dibuat dan diisi
sebelumnya.
Dalam activity diagram pada gambar 6,
jadwal yang dibuat yaitu jadwal mingguan.
Untuk membuat jadwal, user hanya perlu
memasukkan tanggal awal atau tanggal akhir
yang diinginkan.
Gambar 7. Activity Diagram Isi Jadwal
Gambar 9. Activity Diagram Lapor Kunjungan
Activity diagram pada gambar 7
menjelaskan tentang alur pengisian jadwal oleh
user. Jadwal akan bisa diisi jika user telah
membuat jadwal sebelumnya.
Gambar 9 merupakan activity diagram.
Lapor Kunjungan. Dalam activity ini, user akan
melaporkan hasil dari kunjungan yang telah
dijadwalkan sebelumnya.
5
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
Class Diagram
Gambar 12. Sequence Diagram Lihat Prospek
Gambar 12 menjelaskan alur sistem
untuk melihat prospek yang didaftarkan dan
telah dikunjungi. Prospek yang telah
dikunjungi dibagi menjadi 3 jenis yaitu sale,
cancel, dan pending.
Gambar 10. Class Diagram SFA
Gambar 10 merupakan class diagram
dari sistem Sales Force Automation. Dari class
diagram diatas, terdiri dari class model dan
class controller. Class model digunakan untuk
merepresentasikan entitas pada sistem dan
class
controller
digunakan
untuk
merepresentasikan fungsi yang berjalan pada
system
Sequence Diagram
Gambar 13. Sequence Diagram Buat Jadwal
Gambar 13 menjelaskan alur sistem
untuk membuat jadwal. Tenaga pemasaran
bisa menginputkan tanggal awal/tanggal akhir
dari periode mingguan yang diinginkan.
Gambar 11. Sequence Diagram Data Input
Gambar 11 menjelaskan alur sistem
untuk mendaftarkan prospek baru. Prospek
baru disini didaftarkan oleh tenaga pemasaran
dengan cara menginputkan semua data yang
diperlukan oleh system
Gambar 14. Sequence Diagram Isi Jadwal
Gambar 14 menjelaskan alur sistem
untuk megisi jadwal yang telah dibuat
sebelumnya. Tenaga pemasaran akan mengisi
data yang harus diisikan di form isi jadwal.
6
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
Gambar 15. Sequence Diagram Lihat Jadwal
Gambar 17. Halaman Login User
Gambar 15 menjelaskan alur sistem
untuk melihat jadwal. Untuk melihat jadwal
yang telah dibuat dan diisi sebelumnya, tenaga
pemasaranmenginputkan tanggal jadwal yang
diinginkan. Hasil jadwal yang ditampilkan
akan jadwal perhari.
Gambar 10 merupakan rancangan
antarmuka untuk login user. Sebelum dapat
menggunakan sistem, tenaga pemasaran harus
melakukan authentifikasi user terlebih dahulu.
Sistem ini dirancang khusus digunakan untuk
tenaga pemasaran. Tenaga Pemasaran akan
memasukkan username dan password sesuai
dengan akun yang telah dimilikinya, jika ada
kesalahan maka tenaga pemasaran diminta
memasukkan kembali.
Gambar 16. Sequence Diagram Lapor
Kunjungan
Gambar 16 menjelaskan alur sistem
untuk melaporkan hasil kunjungan yang telah
dilakukan sebelumnya. Tenaga pemasaran
diharuskan untuk mengisi data yang
diperlukan dalam form lapor kunjungan.
3.3.3 Perancangan Antarmuka
Proses
perancangan
dimulai dengan perancangan
halaman login
Gambar 18. Halaman Utama 1
antarmuka
antarmuka
Pada gambar 11 Halaman utama 1
menampilkan Sales ID dan Nama dari tenaga
pemasaran. Ada 3 menu utama yaitu prospek,
jadwal, dan kunjungan. Penggunaan halaman
prospek, jadwal dan kunjungan akan
dijelaskan selanjutnya.
7
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
Gambar 19. Menginput Prospek Baru
JELIKU Vol 2 No. 3 Agustus 2013
Gambar 21. Buat Jadwal
Gambar 13 merupakan langkahlangkah untuk menginputkan prospek baru.
Jika ingin menginputkan prospek baru, tenaga
pemasaran bisa memilih menu prospek dan
dilanjutkan dengan memilih submenu data
input, maka akan muncul form data input yang
berfungsi untuk mendaftarkan prospek baru.
Tenaga pemasaran memilih button input
prospek. Selanjutnya tenaga pemasaran
mengisi data dengan lengkap. Button submit
prospek akan menyimpan ke server.
Pada gambar 15 merupakan langkahlangkah untuk membuat jadwal baru. Tenaga
pemasaran harus melakukan autentifikasi
terlebih dahulu. Setelah itu akan masuk ke
menu utama, pilih menu jadwal. Dalam menu
jadwal terdapat submenu buat jadwal. Setelah
itu akan muncul form untuk membuat jadwal
baru. Submenu buat jadwal dibuat dengan
selang waktu 1 minggu. Ini merupakan
ketentuan dari sistem terdahulu. Masukkan
salah satu tanggal maka akan otomatis
dilakukan perhitungan. Pilih submit untuk
mensubmit jadwal ke server.
Gambar 20. Lihat Prospek
Gambar 22. Isi Jadwal
Gambar 14 menjelaskan tentang
langkah-langkah bagaimana cara tenaga
pemasaran melihat prospek yang ada. Jika
ingin melihat prospek, setelah melakukan
autentifikasi, tenaga pemasaran dapat memilih
menu prospek. Selanjutnya pilih submenu
Lihat Prospek. Setelah itu akan tampil form
untuk melihat prospek. Ada 3 jenis prospek
yang bisa dilihat yaitu pending, cancel, dan
sale.
Setelah membuat jadwal, selanjutnya
tenaga pemasaran dapat mengisi jadwal. Pada
gambar 16, tenaga pemasaran harus memilih
menu jadwal, selanjutnya memilih submenu isi
jadwal, setelah itu akan muncul form untuk
mengisi jadwal. Isi data yang ada dengan
lengkap. Prospek yang ingin dikunjungi adalah
prospek yang menjadi prioritas.
8
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
memeriksa apakah perancangan perangkat
lunak sesuai dengan pedoman kebutuhan
perangkat lunak pada tahapan analisis
kebutuhan perangkat lunak. Teknik pengujian
yang digunakan adalah static testing. Dimana
kebutuhan awal dari system ini dibandingkan
kembali denga hasil perancangan yang telah
dibangun. Hasil dari evaluasi dapat dilihat
pada table dibawah ini:
Tabel 2 Evaluasi Sistem
Requirement Sub Proses
Validasi data input
Data Input
Simpan data input
Lihat
prospek
pending
Lihat Prospek
Lihat prospek sale
Lihat prospek cancel
Validasi tanggal
Buat Jadwal
Simpan jadwal
Validasi data jadwal
Isi Jadwal
Simpan isi jadwal
Periksa tanggal
Lihat Jadwal
Tampil jadwal
Validasi
lapor
kunjungan
Lapor
Kunjungan
Simpan
lapor
kunjungan
Gambar 23. Lihat Jadwal
Gambar 17 menjelaskan tentang
bagaimana cara tenaga pemasaran melihat
jadwal yang telah dibuat dan diisi sebelumnya.
Pada form lihat jadwal, input yang dimasukan
adalah tanggal jadwal yang diinginkan untuk
di lihat. Hasil jadwal yang ditampilkan akan
jadwal perhari.
Validasi
√
√
√
√
√
√
√
√
√
√
√
√
√
5. Kesimpulan
Perancangan yang dihasilkan pada
penelitian ini menggunakan perancangan
berbasis object. Diantaranya usecase diagram,
activity diagram, class diagram, dan sequence
diagram. Selain perancangan system, pada
penelitian ini juga menghasilkan perancangan
antarmuka dengan berbasis mobile.
Hasil dari kebutuhan perangkat lunak
yang telah dianalisis pada penelitian ini adalah
sebagai berikut:
Gambar 24. Lapor Kunjungan
Gambar 18 merupakan langkahlangkah bagaimana tenaga pemasaran
melaporkan hasil kunjungan yang telah
dilakukan. Dari menu utama, tenaga
pemasaran harus memilih menu kunjungan,
lalu pilih submenu lapor kunjungan. Setelah
itu akan muncul form lapor kunjungan. Isi data
yang diminta lalu pilih tombol OK.
4. Evaluasi Sistem
Evaluasi sistem informasi adalah suatu
kegiatan terencana yang bertujuan untuk
memeriksa dan menilai sumber daya dalam
organisasi untuk mendapatkan hasil yang
dibandingkan dengan menggunakan tolak ukur
tertentu untuk memperoleh hasil mengenai
kinerja sumber daya organisasi tersebut.
Teknik evaluasi yang dilakukan adalah
9
Data input menghasilkan sub proses
validasi data input dan simpan data
input.
Lihat prospek menghasilkan sub
proses lihat proses pending, lihat
prospek sale, lihat prospek cancel.
Buat jadwal menghasilkan sub proses
validasi tanggal dan simpan jadwal.
Isi jadwal menghasilkan sub proses
validasi data jadwal dan simpan isi
jadwal.
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
Lihat jadwal menghasilkan sub proses
periksa tanggal dan tampil jadwal.
Lapor kunjungan menghasilkan sub
proses validasi lapor kunjungan dan
simpan lapor kunjungan.
Dari hasil evaluasi perancangan
perangkat lunak pada tabel 2, perancangan
yang dihasilkan sudah dapat mencakup seluruh
kebutuhan dari pihak pengguna perangkat
lunak.
6. Saran
Saran yang perlu dipertimbangkan
dalam perancangan sistem Sales Force
Automation yaitu tidak semua tenaga
pemasaran menggunakan smartphone dengan
operation system (OS) sama. Jadi jika
perancangan
ini
diimplementasikan,
diharapkan pembuatannya lebih mengarah ke
aplikasi dari masing masing OS.
7. Daftar Pustaka
Bell, D. (2013). Rational Software 2013. IBM
Global Services.
Sommerville, I. (2011). Software Engineering.
United States: Pearson.
Williams, L. (2004). An Introduction to the
Unified Modelling Language.
Everett Gerald D, McLeod Raymond. 2007.
Software testing: testing across the entire
software development life cycle. wileyinterscience a john wiley & sons, Inc.,
publication
10
JELIKU Vol 2 No. 3 Agustus 2013
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN
WIDROW BACKPROPAGATION
I Gst Ag Indra Arthana1, Agus Muliantara2
Program Studi Teknik Informatika,
Jurusan Ilmu Komputer,
Fakultas Matematika Dan Ilmu Pengetahuan Alam,
Universitas Udayana
Email : [email protected], [email protected]
ABSTRAK
Kanker payudara adalah penyakit penyebab kematian wanita kedua di dunia. Untuk
mendeteksi kanker payudara butuh pengetahuan dokter. Disamping itu kadangkala tidak tepat
sehingga pasien butuh second opinion. Salah satu cara untuk mendapatkan second opinion adalah
dengan menanyakannya kepada dokter lain sehingga informasi bisa lebih jelas. Untuk mempersingkat
proses penentuan kanker payudara, dapat dilakukan oleh system dengan menggunakan jaringan saraf
tiruan. Salah satu cabang dari jaringan saraf tiruan adalah backpropagation.
Algoritma Bacpropagation mengadaptasi bagaimana otak manusia bekerja dengan memproses
suatu masalah hingga mendapat hasil dengan mengupdate nilai dari masing – masing sinapsisnya.
Backpropagation mampu mengenali pola dari dataset yang telah ada. Dataset ini akan dipelajari oleh
Backpropagation sehinnga dapat memberikan keputusan untuk data baru yang akan diinputkan.
Backpropagation dapat digunakan untuk mendeteksi penyakit contohnya kanker payudara. Dataset
kanker payudara terdiri dari 9 atribut yang merupakan input ke Backpropagation.
Output dari backpropagation akan dibagi menjadi 2 kelas yaitu kelas benign, dan kelas
malignant. Maksimum iterasi yang digunakan adalah 10000 dengan toleransi kesalahan 0.1. Setelah
dilakukan proses pengenalan dan evaluasi didapatkanlah nilai akurasi 92%.
Kata Kunci: Jaringan saraf tiruan, backpropagation, Wisconsin breast cancer, eror, iterasi.
ABSTRACT
Breast cancer is the second leading causes of death of women in the world. To detect breast
cancer, physicians need knowledge. Besides, sometimes the result is inaccurate so patients need a
second opinion. One way is to get a second opinion is by checking with another doctor so the
information can be more clear. To shorten the process of determining breast cancer, can be
performed by the system by using artificial neural networks. One branch of artificial neural network
is backpropagation.
Backpropagation algorithm adapts how the human brain works by processing a problem to
get the result by updating the value of each neuron. Backpropagation is able to recognize the pattern
of existing datasets. This dataset will be learned by the Backpropagation until it can provide the
decision for new data to be entered. Backpropagation can be used to detect breast cancer. Breast
cancer dataset consists of 9 attributes that are inputs to the Backpropagation.
The output of the backpropagation will be divided into two classes, namely classes benign
and malignant classes. Maximum iterations used is 10000 with fault tolerance 0.1. After the learning
and evaluation process value obtained 92% accuracy.
Keyword: Artificial neural network, backpropagation, Wisconsin breast cancer, error, iteration.
1
PENDAHULUAN
Kanker payudara adalah jenis kanker
paling umum yang diderita kaum wanita.
11
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
Hingga saat ini, salah satu cara pengobatan
yang umum dilakukan adalah dengan
pembedahan dan jika perlu dilanjutkan dengan
kemoterapi
maupun
radiasi.
Namun
pengobatan tersebut tidak akan memberikan
dampak yang signifikan jika kankernya sudah
mencapai stadium akhir. Oleh karena itu
apabila penyakit ini dapat dideteksi lebih awal,
dampak buruk yang mungkin ditimbulkan oleh
kanker payudara dapat dicegah.
Untuk deteksi awal kanker payudara
dapat dibantu dengan menggunakan AI
(Artificial
Intelligence)
agar
dapat
mendapatkan hasil yang cepat dan akurat.
Salah satu cabang dari AI (Artificial
Intelligence) adalah apa yang dikenal dengan
Jaringan Saraf Tiruan (Artificial Neural
Network). Jaringan saraf tiruan merupakan
salah satu sistem pemrosesan informasi yang
didesain dengan menirukan cara kerja otak
manusia dalam menyelesaikan suatu masalah
dengan melakukan proses belajar melalui
perubahan bobot sinapsisnya. Jaringan saraf
tiruan mampu melakukan pengenalan kegiatan
berbasis data masa lalu. Data masa lalu akan
dipelajari oleh jaringan saraf tiruan sehingga
mempunyai kemampuan untuk memberikan
keputusan terhadap data yang belum pernah
dipelajari. Dalam analisis ini dicoba untuk
dipelajari dan dicoba penerapannya didalam
bidang kesehatan yaitu pada kanker payudara.
Usaha
manusia
dalam
mengembangkan suatu sistem yang meniru
kemampuan dan perilaku makhluk hidup telah
berlangsung
selama
beberapa
decade
belakangan ini. Jaringan saraf tiruan (JST),
merupakan hasil perkembangan ilmu dan
teknologi yang kini sedang berkembang pesat.
JST yang berupa susunan sel-sel saraf tiruan
(neuron) dibangun berdasarkan prinsip-prinsip
organisasi otak manusia. Perhatian yang besar
pada JST disebabkan adanya keunggulan yang
dimilikinya seperti kemampuan untuk belajar,
komputasi
paralel,
kemampuan
untuk
memodelkan fungsi nonlinier dan sifat fault
tolerance.
Bobot awal akan mempengaruhi
apakah jaringan mencapai titik minimum lokal
(local minimum) atau global dan seberapa
cepat
konvergensinya.
Bobot
yang
menghasilkan nilai turunan aktivasi yang kecil
sedapat mungkin dihindari karena akan
JELIKU Vol 2 No. 3 Agustus 2013
menyebabkan perubahan bobotnya menjadi
sangat kecil. Demikian pula nilai bobot awal
tidak boleh terlalu besar karena nilai turunan
fungsi aktivasinya menjadi sangat kecil juga.
Oleh
karena
itu
dalam
“Standar
backpropagation”, bobot dan bias diisi dengan
bilangan acak kecil.
Nguyen
dan
Widrow
(1990)
mengusulkan cara membuat inisialisasi bobot
dan bias ke unit tersembunyi sehingga
meghasilkan iterasi lebih cepat (Zamani dkk.,
2012). Oleh karana itu, pada penelitian ini
dilakukan optimasi pencarian bobot random
pada jaringan syaraf tiruan backpropagation
dengan metode nguyen widrow untuk
melakukan
klasifikasi
data
dengan
meminimalkan waktu iterasi.
Pada penelitian ini penulis akan
mengimplementasikan
nguyen
widrow
bacpropagation.
2
METODOLOGI
Metode dalam penelitian ini adalah
algoritma backpropagation yang telah di
enhance dengan algoritma nguyen widrow.
Dan dataset yang digunakan adalah dataset
kanker payudara.
2.1 Datasets
Pada penelitian ini dataset yang
digunakan adalah dataset Wisconsin Breast
Cancer. Dataset ini berasal dari University of
Wisconsin Hospitals, Madison dari Dr.
William H. Wolberg [1]. Dataset ini berisi 699
data yang terdiri dari 458 kanker jinak dan 241
kanker ganas. Atribut dari masing – masing
data ada 9 yaitu Clump Thickness, Uniformity
of Cell Size, Uniformity of Cell Shape,
Marginal Adhesion, Single Epithelial Cell
Size, Bare Nuclei, Bland Chromatin, Normal
Nucleoli, Mitoses.
2.2 Backpropagation
Backpropagation
merupakan
algoritma pembelajaran yang terawasi dan
biasanya digunakan oleh perceptron dengan
banyak lapisan untuk mengubah bobot-bobot
yang terhubung dengan neuron-neuron yang
ada pada lapisan tersembunyinya. Algoritma
backpropagation menggunakan error output
12
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
untuk mrngubah nilai bobot-bobotnya dalam
arah mundur (backward). Untuk mendapatkan
error ini, tahap perambatan maju (forward
propagation) harus dikerjakan terlebih dahulu.
Pada saat perambatan maju, neuron-neuron
diaktifkan dengan menggunakan fungsi
aktivasi sigmoid (Kusumadewi, 2003).
JELIKU Vol 2 No. 3 Agustus 2013
kesalahan di unit yk ke semua unit tersembunyi
yang terhubung langsung dengan yk. δk juga
dipakai untuk mengubah bobot garis yang
berhubungan langsung dengan unit keluaran.
Dengan cara yang sama, dihitung
faktor δk di setiap layer tersembunyi sebagai
dasar perubahan bobot semua garis yang
berasal dari unit tersembunyi di layer di
bawahnya. Dan seterusnya hingga semua
faktor δ di unit tersembunyi yang terhubung
langsung dengan unit masukan dihitung.
Setelah semua faktor δ dihitung, bobot
semua
garis
dimodifikasi
bersamaan.
Perubahan bobot suatu garis didasarkan atas
faktor δ neuron di layer atasnya.
Ketiga fase tersebut diulang-ulang
hingga
kondisi
penghentian
dipenuhi.
Umumnya kondisi penghentian yang sering
dipakai adalah jumlah interasi atau kesalahan.
Iterasi akan dihentikan jika jumlah iterasi yang
dilakukan sudah melebihi jumlah maksimum
iterasi yang ditetapkan, atau jika kesalahan
yang terjadi sudah lebih kecil dari batas
toleransi yang ditetapkan.
Algoritma
backpropagation
(Kusumadewi, 2003):
a. Inisialisasi bobot dilakukan dengan cara
mengambil bobot awal dengan nilai
random yang cukup kecil.
b. Langkah-langkah
berikut
dikerjakan
selama kondisi berhenti bernilai FALSE
1. Untuk tiap-tiap pasangan elemen yang
akan dilakukan pembelajaran, maka
dilakukan langkah-langkah berikut:
Feed forward:
a. Tiap-tiap
unit
input
(xi,
i=1,2,3,….,n) menerima sinyal xi
dan meneruskan sinyal tersebut ke
semua unit pada lapisan yang ada
di atasnya (lapisan tersembunyi).
b. Tiap-tiap unit tersembunyi (zj,
j=1,2,3,….p)
menjumlahkan
sinyal-sinyal input terbobot:
∑
z_inj
=
v0j
+
xivij……………(1)
Gunakan fungsi aktivasi untuk
menghitung sinyal outputnya:
zj
=
f(z_inj)
…………………………(2)
Dan kirimkan sinyal tersebut ke
semua unit di lapisan atasnya
(unit-unit output).
f (x)
Dimana :
e : bilangan exponensial
x : inputan ke sinapsis
Arsitektur jaringan backpropagation seperti
dilihat pada gambar 1.
Gambar 1. arsitektur jaringan backpropagation
[3]
Selama perambatan maju, sinyal
masukan (x1) diperambatankan ke layer
tersembunyi menggunakan fungsi aktivasi
yang ditentukan. Keluaran dari unit
tersembuyi
(Zj)
tersebut
selanjutnya
diperambatan maju lagi ke layer tersembunyi
berikutnya dengan fungsi aktivasi yang telah
ditentukan.
Dan
seterusnya
hingga
menghasilkan keluaran jaringan (yk).
Berikutnya, keluaran jaringan (yk)
dibandingkan dengan target yang harus dicapai
(tk). Selisih tk – yk adalah kesalahan yang
terjadi. Jika kesalahan ini lebih kecil dari batas
toleransi yang ditentukan, maka iterasi
dihentikan. Jika kesalahan masih lebih besar
dari batas toleransi, maka bobot setiap garis
dari jaringan akan dimodifikasi untuk
mengurangi kesalahan
Berdasarkan kesalahan tk – yk dihitung
faktor δk yang dipakai untuk mendistribusikan
13
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
c. Tiap-tiap
unit
output
(yk,
k=1,2,3,….,m)
menjumlahkan
sinyal-sinyal input terbobot.
∑
y_ink
=
w0k
+
ziwjk………….(3)
Gunakan fungsi aktivasi untuk
menghitung sinyal outputnya:
yk=
f(y_ink)………………………….(
4)
Dan kirimkan sinyal tersebut ke
semua unit di lapisan atasnya
(unit-unit output).
d. Tiap-tiap
unit
output
(yk,
k=1,2,3,….,m) menerima target
pola yang berhubungan dengan
pola input pembelajaran, hitung
informasi erornya:
δk
=
(tk-yk)
f’(y_ink)…………………(5)
Kemudian hitung koreksi bobot
(yang nantinya akan digunakan
untuk memperbaiki nilai wjk).
∆wjk
=
αδkzj…………………………(6)
Hitung juga koreksi bias (yang
nantinya akan digunakan untuk
memperbaiki nilai W0k)
∆W0k=αδk………………………
……(7)
Kirimkan δk ini ke unit yang ada
dilapisan bawahnya.
e. Tiap-tiap unit tersembunyi (zj,
j=1,2,3,…..p) menjumlahkan delta
inputnya (dari unit-unit yang
berada pada lapisan di atasnya.
Kalikan nilai ini dengan turunan
dari funssi aktivasinya untuk
menghitung informasi error
δj=
δ_
inj
f(z_inj)……………………(8)
Kemudian hitung koreksi bobot
(yang nantinya akan digunakan
untuk memperbaiki nilai v)
∆vjk=αδjxi………………………
…..(9)
Hitung juga koreksi bias (yang
nantinya akan digunakan untuk
memperbaiki nilai v)
∆v0j=αδj…………………………
…(10)
JELIKU Vol 2 No. 3 Agustus 2013
f.
Tiap-tiap
unit
output
(yk,
k=1,2,3,….,m) memperbaiki bias
dan bobotnya (j=0,1,2,…p)
wjk (baru)= wjk (lama) +
∆vjk……(11)
Tiap-tiap unit tersembunyi (zj,
j=1,2,3,…..p) memperbaiki bias
dan bobotnya (i=0,1,2,…,n)
vij (baru)= vij (lama) +
∆vij………..(12)
2. Tes
kondisi
berhenti.
Apakah
maksimum iterasi atau minimum eror
terpenuhi.
2.3 Nguyen Widrow
Nguyen
dan
Widrow
(1990)
mengusulkan cara membuat inisialisasi bobot
dan bias ke unit tersembunyi sehingga
meghasilkan iterasi lebih cepat. Misalkan, n =
jumlah unit masukan, p = jumlah unit
tersembunyi, dan β = faktor skala = 0,7 √ .
Algoritma inisialisasi Nguyen-Widrow adalah
sbb:
1. Inisialisasi semua bobot (v (lama)) dengan
ij
bilangan acak dalam interval [-0,5: 0,5]
2.
Hitung
‖ ‖
………..(13)
√
3. Bobot yang dipakai sebagai inisialisasi
‖
‖
…………………………….(14)
4. Bias yang dipakai sebagai inisialiasasi v =
0j
bilangan acak antara –β dan β
2.4 Flowchart Backpropagation
Adapun alur kerja yang dilakukan
dalam penelitian ini adalah sebagai berikut:
14
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
dibagi dengan total data yang diujikan.
Sedangkan waktu komputasi dihitung berapa
lama
algoritma
bacpropagation
dapat
menghitung hasilnya.
Gambar 2. Flowchart Training
Pada proses training data diinputkan
ke dalam sistem. Setelah data diinputkan
sistem akan menginisialisasi bobot awal dari
setiap inputan dan bias dengan menggunakan
algoritma nguyen widrow. Hitung nilai pada
setiap layer dan gunakan fungsi aktivasi
sigmoid untuk menentukan outputnya.
Selanjutnya hitung eror pada outputnya. Bila
eror sudah dibawah toleransi eror atau epoh
sudah mencapai maksimum epoh maka simpan
bobot dan tampilkan hasilnya. Bila belum
memenuhi kriteria maka lakukan proses
update bobot dan ulangi proses hitung nilai
pada setiap layer.
Pada proses testing bobot yang
digunakan adalah bobot hasil dari proses
training yang telah disimpan sebelumnya.
Proses pada testing hampir sama dengan
proses training hanya saja tidak terjadi proses
update bobot.
3
Gambar 3. Flowchart Testing
4
HASIL PENGUJIAN
Pada penelitian ini menggunakan
dataset wisconsin breast cancer dengan jumlah
maksimun iterasi 10000, jumlah hiden layer 7,
nilai belajar 0.7, dan nilai kesalahan 0.1. Pada
tabel 1, saat proses pembelajaran dataset diatur
secara acak antara kelas malignant dan benign
sehingga hasil dari pembelajaran dapat dengan
optimal
dilakukan
oleh
algoritma
backpropagation.
Dari tabel 3 dapat dilihat bahwa
akurasi
dari
backpropagation
dengan
penentuan bobot awal dengan nguyen widrow
lebih baik daripada algoritma backpropagation
tanpa nguyen widrow yaitu 92%.
SKENARIO UJI COBA
Tabel 3. Perbandingan antara Backpropagation
dan Nguyen Widrow Backprogation
No Metode
Bena Sala Akuras
.
r
h
i
(%)
1
Backpropagatio 79
21
79
n
2
Nguyen
92
8
92
Pada
penelitian
ini
pengujian
dilakukan dengan membandingkan antara hasil
yang
diperoleh
dengan
algoritma
backpropagation dengan hasil yang ada di
dataset yang diujikan. Setelah dilakukan
pengujian, hasilnya akan dievaluasi dengan
akurasi dan waktu komputasinya. Akurasi
dapat dihitung dengan jumlah data yang benar
15
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
Widrow
Backpropagatio
n
5
JELIKU Vol 2 No. 3 Agustus 2013
[6] Kusumadewi, 2003. Artificial Intelligence
(Teknik dan Aplikasinya). Yogyakarta:
Graha Ilmu
[7] Mait, H. M. N. 2009. Jaringan Syaraf
Tiruan. Depok: Universitas Gunadarma.
[8] Subekti, R. M. 2010. Perbaikan Metode
Backpropagation untuk Pelatihan Jaringan
Syaraf Tiruan Multilayer. Tangerang:
P2TRR-Batan. Hal. 1-8.
[9] Zaman, A. M., Amaliah, B. dan Munif, A.
2012. Implementasi Algoritma Genetika
pada Struktur Backpropagation Neural
Network untuk Klasifikasi Kanker
Payudara. Jurnal Teknik ITS (1): 2012,
hal: 222-227.
KESIMPULAN
Melalui penelitian ini, dapat diketahui
dengan penambahan metode nguyen widrow
pada
inisialisasi
bobot
awal
dapat
mempercepat proses pembelajaran. Sehingga
hasil klasifikasi menggunakan algoritma
Baclpropagation menjadi lebih meningkat.
Akan
tetapi
tingkat
akurasi
dari
backpropagation masih mungkin dapat
ditingkatkan. Untuk penelitian selanjutnya
disarankan untuk mengembangkan penentuan
bobot awal dan jumlah hidden layer agar bisa
menghasilkan akurasi yang lebih baik.
DAFTAR PUSTAKA
[1] Ming, S. Hung, Shanker, Murali, Y. Hu,
Michael. Estimating Breast Cancer Risks
Using Neural Networks. Journal of
Operation Research society:2001, 52, hal:
1-10.
[2] Antara, I P. R., Sumarminingsih, E., dan
Handoyo, S. 2010. Model Jaringan Syaraf
Tiruan Backpropagation dengan Input
Berdasarkan Model Regresi Terbaik.
Malang: Universitas Brawijaya.
[3] Dhaneswara, G. dan Moertini, V. S. 2004.
Jaringan Saraf Tiruan Propagasi Balik
untuk Klasifikasi Data. Integral, FMIPA
Unpar, (9):3, hal. 1-11.
[4] Kiki, S. K. 2004. Analisis Jaringan Saraf
Tiruan dengan Metode Backpropagation
untuk Mendeteksi Gangguan Psikologi.
Yogyakarta: Universitas Islam Indonesia.
[5] Kumar, P. R., Murty, M. V. R., et al.
2008. Time Series Modeling Using
Artificial Neural Networks. Journal of
Theoretical and Applied Information
Technology, 4 (12), hal. 259-264.
PENERAPAN QUEUE TREE PADA ROUTER MIKROTIK DALAM MANAJEMEN
BANDWITH
I Putu Ery Handika, I Komang Ari Mogi
Program Studi Teknik Informatika, Jurusan Ilmu Komputer,
16
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana
Email: [email protected]
ABSTRAK
Dalam mengelola suatu jaringan internet, sangat penting untuk mengatur pemakaian
bandwidth yang akan digunakan oleh client. Jika tidak dilakukan pengelolaan, maka akan terjadi
pemakaian bandwidth yang tidak teratur atau pemakaian bandwidth yang berlebihan oleh satu atau
beberapa user. Pemakaian bandwidth yang berlebihan tersebut akan menyebabkan jaringan yang
dikelola tidak dapat memberikan layanan yang maksimal kepada seluruh client.
Router mikrotik memiliki fitur Queue yang dapat digunakan untuk mengatur alokasi
bandwidth yang dialokasikan kepada setiap client. Queue tree akan digunakan dalam bandwidth
management yang bertujuan meningkatkan kualitas layanan jaringan (Quality of Service) dengan
mengoptimalkan bandwidth yang tersedia.
Dari penelitian yang telah dilakukan, bandwidth minimum yang didapat client dapat dihitung
dengan cara membagi bandwidth keseluruhan dengan jumlah client. Hasil yang didapat dari
pengujian dengan alokasi bandwidth sebesar 2048 Kbps menggunakan satu client, rata-rata bandwidth
yang didapatkan 2024 Kbps; menggunakan dua client 1004,5 Kbps; menggunakan tiga client 660
Kbps; dan empat client 519,25 Kbps. Dengan penerapan Queue Tree pembagian bandwidth menjadi
teratur dan jika client lainnya tidak menggunakan bandwidth maka akan dialokasikan ke client lain
yang membutuhkan sehingga dapat mengoptimalkan bandwidth yang tersedia.
Kata Kunci : Internet, Management Bandwidth, Router Mikrotik, Queue, Queue Tree.
ABSTRACT
It is important to set the bandwidth to be used by the client in managing an Internet
network. There will be a bandwidth usage irregular or excessive bandwidth usage by one or more
users if there is no bandwidth management. Excessive bandwidth usage will lead to a managed
network that can not provide maximum service to all client.
Router Queue in Mikrotik features can be used to manage the allocation of bandwidth
distribution for each client. Queue Tree will be used in the bandwidth management which aims to
improve the quality of network services (Quality of Service) to optimize the available bandwidth.
From the research that has been done, the client obtained the minimum bandwidth can be
calculated by dividing the total by the number of client bandwidth. The results obtained from testing
with 2048 Kbps bandwidth allocation using a single client is average bandwidth of 2024 Kbps; using
two clients is average bandwidth 1004.5 Kbps; using three client is 660 Kbps, and four client is
519.25 Kbps. With the implementation of Queue Tree of bandwidth distribution becomes more
regular; if the client is not active, then the bandwidth will be allocated to another client who need it,
to optimize the available bandwidth .
Keywords: Internet, Management Bandwidth, Router Mikrotik, Queue, Queue Tree.
PENDAHULUAN
Pesatnya perkembangan
terutama
dalam
jaringan
menyebabkan kebutuhan akan
meningkat pula. Dengan adanya
internet setiap orang dapat bertukar
baik berupa artikel, file, audio, video, gambar
dan lain sebagainya. Untuk dapat bertukar
informasi dibutuhkan sarana yang mendukung
akan hal tersebut yaitu koneksi internet yang
cepat dan stabil.
Bandwidth adalah besaran yang
menunjukkan seberapa banyak data yang dapat
teknologi
internet
informasi
jaringan
informasi
17
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
dilewatkan dalam koneksi melalui sebuah
network [1]. Bandwidth sangat berdampak
pada kinerja jaringan dimana besarnya
bandwidth akan berdampak pada kecepatan
transmisi.
Permasalahan yang sering muncul saat
ini adalah proses dalam pengiriman data yang
lambat bahkan tidak sampai di tujuan padahal
bandwidth yang dimiliki sudah cukup dalam
melakukan pertukaran informasi. Hal tersebut
diakibatkan
tidak
adanya
manajemen
penggunaan bandwidth yang tepat dan teratur.
Dalam manajemen bandwidth pada
router mikrotik dapat menggunakan simple
queue dan queue tree. Simple Queue
merupakan teknik antrian menggunakan
metode FIFO (First Input First Output)
dimana paket data yang pertama datang akan
diproses terlebih dahulu dan dimasukkan ke
dalam antrian, selanjutnya dikeluarkan sesuai
dengan urutan kedatangannya [4]. Sedangkan
Queue tree merupakan teknik antrian
menggunakan metode HTB (Hierarchical
Token Bucket) dimana metode ini melakukan
manajemen bandwidth dengan membatasi
akses menuju alamat IP tertentu tanpa
mengganggu trafik bandwidth pengguna lain
[6]. Simple queue dan queue tree dapat
mengontrol nilai throughput sesuai keinginan
administrator dan memiliki nilai dari packet
loss 0-3% tetapi simple queue memiliki delay
lebih besar dari queue tree [7].
Berdasarkan permasalahan diatas
maka solusi yang tepat adalah penerapan
queue tree pada router mikrotik. Dengan
fasilitas queue tree pada router mikrotik akan
menjadikan jaringan lebih handal dengan
penggunaan bandwidth yang teratur sehingga
akan berdampak pada kecepatan akses.
JELIKU Vol 2 No. 3 Agustus 2013
kecil.
LAN
digunakan
untuk
menghubungkan
komputer-komputer
pribadi dan workstation dalam satu
gedung untuk saling bertukar informasi.
2. Metropolitan Area Network (MAN)
Metropolitan Area Network (MAN)
merupakan jaringan yang mirip dengan
LAN hanya saja ruang lingkupnya lebih
luas.
MAN
digunakan
untuk
menghubungkan
LAN-LAN
yang
lokasinya berjauhan. Wide Area Network
(WAN)
3. Wide Area Network (WAN) merupakan
jaringan yang ruang lingkupnya luas,
misalnya menghubungkan sebuah negara.
WAN terdiri dari LAN, MAN, dan
kumpulan mesin untuk menjalankan
program-program aplikasi pemakai.
4. Internet
Internet merupakan jaringan komputer
global
yang
menghubungkan
dua
komputer atau lebih untuk saling bertukar
file, email dan pesan-pesan real-time.
Internet juga dapat dikatakan sebagai
kumpulan beberapa jaringan komputer
yang berbeda-beda di seluruh dunia untuk
dapat berkomunikasi satu sma lain dengan
menggunakan TCP/IP.
Bandwidth
Bandwidth adalah besaran yang
menunjukkan seberapa banyak data yang dapat
dilewatkan dalam koneksi melalui sebuah
network [1]. Bandwidth juga merupakan
banyaknya bits maksimum yang dapat dikirim
atau diterima dari komputer satu ke komputer
lainnya dalam satuan waktu. Badwitdth
dinyatakan dalam satuan bit per second (bps).
Management Bandwidth
Management bandwidth merupakan
suatu cara yang dapat mengoptimalkan
penggunaan dari suatu bandwidth dalam suatu
jaringan.
Management
bandwidth
mengoptimalkan layanan Quality Of Service
(QoS) dalam menentukan tipe lalu lintas dari
jaringan [4].
TINJAUAN PUSTAKA
Jaringan Komputer
Jaringan
komputer
merupakan
kumpulan beberapa komputer dan perangkat
lainnya dalam satu kesatuan [2]. Jaringan
tersebut dapat terhubung dengan media
transmisi kabel atau tanpa kabel. Terdapat
beberapa jenis jaringan komputer, antara lain :
1. Local Area Network (LAN)
Local Area Network (LAN), merupakan
jaringan yang ruang lingkupnya relative
Hierarchical Token Bucket (HTB)
HTB merupakan salah satu metode
manajemen bandwidth dengan membatasi
akses menuju alamat IP tertentu tanpa
18
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
dengan melakukan drop packet. Mekanisme
yang dapat digunakan yaitu Drop Tail Router.
Mekanisme ini akan membuang paket yang
datang jika antrian pada buffer penuh [10].
mengganggu trafik bandwidth pengguna lain
[6]. HTB mempunyai parameter-parameter
penyusun antrian yaitu :
a. Rate, berfungsi dalam
JELIKU Vol 2 No. 3 Agustus 2013
SUSUNAN DEWAN REDAKSI JELIKU
KETUA
AGUS MULIANTARA, S.KOM, M.KOM
PENYUNTING
DRA. LUH GEDE ASTUTI, M.KOM
NGURAH AGUS SANJAYA E.R., S.KOM, M.KOM
IDA BAGUS MAHENDRA, S.KOM, M.KOM
IDA BAGUS GEDE DWIDASMARA, S.KOM, M.CS
PELAKSANA
I KETUT GEDE SUHARTANA, S.KOM., M.KOM
I GEDE SANTI ASTAWA, S.T., M.CS
I MADE WIDIARTHA, S.SI., M.KOM
ALAMAT REDAKSI
JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
KAMPUS BUKIT JIMBARAN – BADUNG
TELEPON : 0361 – 701805
EMAIL : [email protected]
WEBSITE : WWW.CS.UNUD.AC.ID
i
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
[halaman ini sengaja dikosongkan]
ii
JELIKU Vol 2 No. 3 Agustus 2013
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
DAFTAR ISI
SUSUNAN DEWAN REDAKSI JELIKU ............................................................................................ i
DAFTAR ISI ....................................................................................................................................... iii
PERANCANGAN SISTEM INFORMASI MOBILE SALES FORCE AUTOMATION (SFA) PT.
ASTRA INTERNASIONAL TBK. –HONDA
Ni Made Dwi Arnita, Agus Muliantara ............................................................................................. 1
PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN
WIDROW BACKPROPAGATION
I Gst Ag Indra Arthana, Agus Muliantara ..................................................................................... 11
PENERAPAN QUEUE TREE PADA ROUTER MIKROTIK DALAM MANAJEMEN BANDWITH
I Putu Ery Handika dan I Komang Ari Mogi ................................................................................. 16
PERANCANGAN SISTEM INFORMASI KEANEKARAGAMAN HAYATI DI PT. PERTAMINA
DEPOT PENGISIAN PESAWAT UDARA (DPPU) NGURAH RAI
I Gusti Putu Deviara Putra, I.B Made Mahendra .......................................................................... 25
IMPLEMENTASI SISTEM OPERASI ROUTER MIKROTIK SEBAGAI PROXY SERVER
BERBASIS TRANSPARENT PROXY
I Putu Iyasa Pringgagada Pecut, I Made Widhi Wirawan ............................................................ 33
PURWARUPA APLIKASI MESIN PENCARI REFERENSI
I Putu Sutria Narada, Agus Muliantara, Ida Bagus Dwidasmara ................................................ 42
IMPLEMENTASI BANDWIDTH MANAGEMENT PADA PENGALOKASIAN HOTSPOT DI
FAKULTAS HUKUM UNIVERSITAS UDAYANA
I Made Yuda Prasetia, I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan ......... 51
PERANCANGAN SISTEM TRACER STUDY
PARIWISATA UNIVERSITAS UDAYANA
BERBASIS
WEB
PADA
FAKULTAS
Luh Sukma Widiasari, Ngurah Widyatmaja .................................................................................. 59
PERANCANGAN DAN IMPLEMENTASI APLIKASI KLASIFIKASI PENYAKIT DIABETES
DENGAN METODE NAÏVE BAYES
Putu Gerhans Prawira Risnawan, Ngurah Agus Sanjaya ER, I Made Widiartha ..................... 68
IMPLEMENTASI SPLIT DNS DENGAN MENGGUNAKAN BIND9 DALAM MEMBANGUN
SISTEM CONTENT DELIVERY NETWORK
I Made Yoga Sattwika Darma
, I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan .............................................. 73
PERANCANGAN SISTEM INFORMASI SALES ACTIVITY PT. ASTRA INTERNATIONAL
TBK. - HONDA
I Wayan Angga Pratama, Ida Bagus Gede Dwidasmara ............................................................... 78
ANALISIS MANAJEMEN BANDWIDTH UNTUK MEMBERIKAN LAYANAN SECARA ADIL
TERHADAP PENGGUNA DENGAN MENGGUNKAN METODE ANTRIAN HTB DAN
METODE ANTRIAN PCQ PADA MIKROTIK
iii
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
I Made Bayu Adi Utama, I Dewa Made Bayu Atmaja Darmawan .............................................. 88
PENGENALAN WICARA KARAKTER INDONESIA MENGGUNAKAN HIDDEN MARKOV
MODEL
I Wayan Adi Juliawan Pawana ........................................................................................................ 96
IDENTIFIKASI KEKURANGAN UNSUR HARA PADA TANAMAN JAGUNG DENGAN
METODE JARINGAN SARAF TIRUAN LEARNING VECTOR QUANTIZATION
Adinda Prisila Permatasari, Luh Gede Astuti, I Gede Santi Astawa.......................................... 101
ANALISA KINERJA ROUTING MENGGUNAKAN ROUTING INFORMATION PROTOCOL
(rip) DAN OPEN SHORTEST PATH FIRST (OSPF)
A.A.Sagung Istri Candra Padmasari ........................................................................................... 1010
iv
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
PERANCANGAN SISTEM INFORMASI MOBILE SALES FORCE AUTOMATION (SFA) PT.
ASTRA INTERNASIONAL TBK. –HONDA
Ni Made Dwi Arnita, Agus Muliantara
Program Studi Teknik Informatika, Jurusan Ilmu Komputer,
Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana
Email: [email protected], [email protected] mailto:[email protected]
Abstrak
Sales Force Automation (SFA) merupakan aplikasi berbasis web yang memfasilitasi
komunikasi dan informasi dari setiap tenaga pemasaran. Dengan menggunakan SFA, tenaga
pemasaran dapat mengakses informasi terkait melalui web browser. Masalah yang terjadi sekarang
yaitu ketika tenaga pemasaran ingin mengakses SFA dengan smartphone (telepon pintar) dan belum
adanya SFA versi mobile.
Karena masalah inilah diperlukan suatu terobosan yang dapat mempermudah para tenaga
pemasaran untuk meningkatkan aktivitas penjualan. Maka dikembangkanlah sistem informasi Sales
Force Automation (SFA) yang telah ada sehingga dapat diakses dalam versi mobile. Sistem informasi
ini akan dirancang dengan menyertai beberapa fitur yang diperlukan dalam membangun sistem ini.
Hasil dari kebutuhan perangkat lunak yang telah dianalisis pada penelitian ini adalah data
input menghasilkan sub proses validasi data input dan simpan data input. Lihat prospek menghasilkan
sub proses lihat prospek pending, lihat prospek sale, lihat prospek cancel. Buat jadwal menghasilkan
sub proses validasi tanggal dan simpan jadwal. Isi jadwal menghasilkan sub proses validasi data
jadwal dan simpan isi jadwal. Lihat jadwal menghasilkan sub proses periksa tanggal dan tampil
jadwal. Lapor kunjungan menghasilkan sub proses validasi lapor kunjungan dan simpan lapor
kunjungan.
Kata kunci: Sales Force Automation, mobile, perancangan
ABSTRACT
Sales Force Automation (SFA) is a web-based application that facilitates the communication
and information of any marketing effort. By using the SFA, marketing personnel can access related
information through a web browser. The problem that is happened now is when the salesperson wants
to access the SFA with a smartphone and there is no a mobile version of the SFA yet.
Because of this problem we need a breakthrough that could make it easier for marketers to
increase sales activity. From the previous explanation, Sales Force Automation (SFA) is developed
that can be accessed in a mobile version. This information system will be designed to accompany
some of the features that is required in building this system.
The result of the need of the software that has been analyzed in this study is input data results
input data validation sub proses and input data store. Lihat Prospek have three sub-process including
lihat prospek pending, lihat prospek sale, lihat prospek cancel. Buat Jadwal have two sub-process
including save the date and schedule. Isi Jadwal have two sub-process including schedule data
validation process and store the contents of sub-process generates a schedule. Lihat Jadwal have two
sub-process including check the date and performing schedule. Lapor Kunjungan have two subprocess including validation report and visit store reports.
Keywords: Sales Force Automation, mobile, System Architecture
1
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
1. Pendahulan
1.1 Latar Belakang
PT Astra International Tbk – Honda,
pendeknya Astra Honda Motor (AHM)
merupakan anak cabang dari perusahaan
multinasional PT Astra International Tbk yang
secara spesifik membidangi penjualan kendaraan
roda dua. Untuk wilayah Bali, penjualan sepeda
motor Honda dipegang oleh HSO (Honda Sales
Office) Denpasar yang merupakan Maindealer
seluruh dealer Astra Motor dan dealer-dealer
Honda lainnya. HSO Denpasar juga melakukan
distribusi ke seluruh dealer Honda di Bali.
Seperti perusahaan otomotif pada umumnya,
Astra Honda Motor khususnya HSO Denpasar
memiliki tenaga pemasaran yang bertugas
memasarkan produk-produk Honda. Sistem yang
telah dimiliki sebelumnya yaitu SFA (Sales
Force Automation).
SFA adalah aplikasi berbasis web yang
memfasilitasi komunikasi dan informasi dari
setiap tenaga pemasaran. Dengan menggunakan
SFA, tenaga pemasaran dapat mengakses
informasi terkait melalui web browser. SFA
didedikaikan agar para tenaga pemasaran dapat
meningkatkan efisiensi dan profesionalisme
dalam melakukan aktivitas penjualan.
Masalah yang terjadi sekarang yaitu
ketika tenaga pemasaran ingin mengakses SFA
dengan smartphone (telepon pintar) yang
dimiliki dan tidak adanya SFA dalam versi
mobile. Karena masalah inilah diperlukan suatu
terobosan yang dapat mempermudah para tenaga
pemasaran untuk meningkatkan aktivitas
penjualan.
Maka
timbulah
ide
untuk
mengembangkan website sistem informasi Sales
Force Automation (SFA) yang telah ada
sehingga dapat diakses dalam versi mobile.
Sistem informasi ini akan dirancang dengan
menyertai beberapa fitur yang diperlukan dalam
membangun sistem ini.
Tujuan dari perancangan sistem
informasi ini antara lain yaitu merancang sebuah
sistem informasi yang mudah digunakan bagi
para tenaga pemasaran dalam mempermudah
pekerjaannya.
Manfaat yang diperoleh yaitu dapat
menciptakan suatu sistem yang mendukung
kegiatan pemasaran dan meningkatkan penjualan
produk.
JELIKU Vol 2 No. 3 Agustus 2013
2.1 UML (Unified Modelling Language)
Merupakan sebuah notasi yang telah
menjadi standar dalam industri untuk visualisasi,
merancang dan mendokumentasikan sistem
piranti lunak. UML menawarkan sebuah standar
untuk merancang model sebuah sistem. UML
sendiri juga memberikan standar penulisan
sebuah sistem blue print, yang meliputi konsep
bisnis proses, penulisan kelas-kelas dalam
bahasa program yang spesifik, skema database,
dan komponen-komponen yang diperlukan
dalam sistem software (Williams, 2004).
2.1.1 Usecase Diagram
Menggambarkan fungsionalitas yang
diharapkan dari sebuah sistem. Yang ditekankan
adalah “apa” yang diperbuat sistem, dan bukan
“bagaimana”.
Sebuah
usecase
merepresentasikan sebuah interaksi antara aktor
dengan sistem. Usecase merupakan sebuah
pekerjaan tertentu, misalnya login ke sistem,
meng-create sebuah daftar belanja, dan
sebagainya.
Seorang/sebuah aktor adalah
sebuah entitas manusia atau mesin yang
berinteraksi dengan sistem untuk melakukan
pekerjaan-pekerjaan tertentu (Bell, 2013).
2.1.2 Activity Diagram
Menggambarkan berbagai alir aktivitas
dalam sistem yang sedang dirancang, bagaimana
masing-masing alir berawal, decision yang
mungkin terjadi, dan bagaimana mereka
berakhir.
Activity diagram juga dapat
menggambarkan proses paralel yang mungkin
terjadi pada beberapa eksekusi (Bell, 2013).
2.1.3 Class Diagram
Class adalah sebuah spesifikasi yang
jika diinstansiasi akan menghasilkan sebuah
objek dan merupakan inti dari pengembangan
dan
desain
berorientasi
objek.
Class
menggambarkan keadaan (atribut/properti) suatu
sistem, sekaligus menawarkan layanan untuk
memanipulasi keadaan tersebut (metoda/fungsi)
(Bell, 2013). Class diagram menggambarkan
struktur dan deskripsi class, package dan objek
beserta hubungan satu sama lain seperti
containment, pewarisan, asosiasi, dan lain-lain.
2.1.4 Sequence Diagram
Sequence diagram adalah suatu diagram
yang menggambarkan interaksi antar obyek dan
2. Landasan Teori
2
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
mengindikasikan komunikasi diantara obyekobyek tersebut (Bell, 2013). Diagram ini juga
menunjukkan
serangkaian
pesan
yang
dipertukarkan
oleh
obyek-obyek
yang
melakukan suatu tugas atau aksi tertentu. Obyekobyek tersebut kemudian diurutkan dari kiri ke
kanan, aktor yang menginisiasi interaksi
biasanya ditaruh di paling kiri dari diagram.
yang akan digunakan para tenaga pemasaran
untuk melakukan aktivitas penjualan.
3.2 Gambaran Umum Sistem
SFA didedikasikan agar para tenaga
pemasaran dapat meningkatkan efisiensi dan
profesionalisme dalam melakukan aktivitas
penjualan. Pada saat ini belum terdapat
rancangan sistem informasi Sales Force
Automation dalam versi mobile. Secara umum
arsitektur sistem yang diusulkan dapat dilihat
seperti ini:
2.2 Model Proses Incremental
Model
ini
merupakan
model
pengembangan
sistem
pada
software
engineering requirement software yang dipecah
menjadi beberapa fungsi. Model incremental
menggabungkan
elemen-elemen
model
sekuensial linier (diimplementasikan secara
berulang) dengan filosofi prototype interatif.
Model ini memakai urutan-urutan linier di dalam
model yang membingungkan, seiring dengan
laju waktu kalender. Setiap urutan linier
menghasilkan pertambahan perangkat lunak
yang kemudian dapat disampaikan kepada
pengguna (Sommerville, 2011).
2.3 Static testing
Merupakan suatu metode pengujian
yang dilakukan pada tahap perancangan
software, tujuan utama dari static testing adalah
mengurangi kesalahan dari pengembang
terhadap software yang dibangun, tujuan yang
kedua adalah melakukan pemeriksaan terhadap
operasi dari software. Static testing akan
menghasilkan
dokumentasi
dari
hasil
perbandingan antara kebutuhan awal aplikasi
dari pengguna perangkat lunak dengan yang
dihasilkan oleh pengembang perangkat lunak
(Everett Gerald D and McLeod Raymond,
2007).
Gambar 1. Arsitektur Sistem
Pada gambar 1 diatas, dilihat bahwa
sistem yang akan dikembangkan merupakan
sistem berorientasi object.
3.3 Pengumpulan Kebutuhan
Proses
pengumpulan
kebutuhan/
requirement dilakukan secara iteratif dan
dinamis, karena tidak seluruh kebutuhan dapat
dikemukakan di awal pengembangan sistem.
Dari keseluruhan pengumpulan kebutuhan maka
dihasilkan kebutuhan berikut:
3. Metodologi Penelitian
3.1 Analisa Permasalahan
Seperti perusahaan otomotif pada
umumnya, Astra Honda Motor khususnya HSO
Denpasar memiliki tenaga pemasaran yang
bertugas memasarkan produk-produk Honda.
Sistem yang telah dimiliki sebelumnya yaitu
SFA (Sales Force Automation). Masalah yang
terjadi sekarang yaitu ketika tenaga pemasaran
ingin mengakses SFA tetapi tidak tersedianya
versi mobile. Karena masalah inilah diperlukan
suatu terobosan baru yang dapat menjadi media
3.3.1 Kebutuhan Fungsional
Tabel 1 Kebutuhan Fungsional
3
Actor
Tenaga
Pemasaran
Kebutuhan/ Requirement
Dapat menginput prospek secara
online
Dapat melihat prospek yang ada
Dapat membuat jadwal
Dapat mengisi jadwal
Dapat melihat jadwal
Dapat melaporkan kunjungan
yang telah dilakukan
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
3.3.2 Analisa Kebutuhan dan Desain Sistem
Usecase Diagram
Gambar 2. Usecase Diagram
Pada fungsi ini, terdapat 3 usecase
utama yang dilakukan oleh tenaga pemasaran.
Pada prospek, tenaga pemasaran dapat
melakukan menginput data prospek, mensubmit
prospek yang ada, melihat daftar prospek. Pada
jadwal. Tenaga pemasaran dapat membuat
jadwal, mengisi jadwal, melihat jadwal, dan
pada kunjungan, tenaga pemasaran dapat
melaporkan kunjungan yang telah dilakukan.
Dan semua fungsi itu dapat dilakukan dengan
sebelumnya user (tenaga pemasaran) melakukan
autentifikasi terlebih dahulu.
Gambar 4. Activity Diagram Data Input
Activity diagram pada gambar 4
menjelaskan tentang alur jika user ingin
menginput prospek pada SFA versi mobile. Data
yang diinputkan oleh user akan langsung masuk
ke server.
Activity Diagram
Gambar 3. Activity Diagram Autentifikasi User
Activity diagram pada gambar 3
menjelaskan tentang alur jika user mengakses
sistem informasi Sales Force Automation.
Sebelum masuk ke sistem, tenaga pemasaran
harus menginputkan username dan password.
Gambar 5. Activity Diagram Lihat Prospek
Activity diagram pada gambar 5
menjelaskan tentang alur dari user jika ingin
melihat prospek. Dalam sistem ini ada 3 jenis
4
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
prospek, yaitu prospek pending, prospek sales,
dan prospek cancel.
Gambar 8. Activity Diagram Lihat Jadwal
Gambar 6. Activity Diagram Buat Jadwal
Diagram activity pada gambar 8
menjelaskan tentang alur dari user jika ingin
melihat jadwal yang telah dibuat dan diisi
sebelumnya.
Dalam activity diagram pada gambar 6,
jadwal yang dibuat yaitu jadwal mingguan.
Untuk membuat jadwal, user hanya perlu
memasukkan tanggal awal atau tanggal akhir
yang diinginkan.
Gambar 7. Activity Diagram Isi Jadwal
Gambar 9. Activity Diagram Lapor Kunjungan
Activity diagram pada gambar 7
menjelaskan tentang alur pengisian jadwal oleh
user. Jadwal akan bisa diisi jika user telah
membuat jadwal sebelumnya.
Gambar 9 merupakan activity diagram.
Lapor Kunjungan. Dalam activity ini, user akan
melaporkan hasil dari kunjungan yang telah
dijadwalkan sebelumnya.
5
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
Class Diagram
Gambar 12. Sequence Diagram Lihat Prospek
Gambar 12 menjelaskan alur sistem
untuk melihat prospek yang didaftarkan dan
telah dikunjungi. Prospek yang telah
dikunjungi dibagi menjadi 3 jenis yaitu sale,
cancel, dan pending.
Gambar 10. Class Diagram SFA
Gambar 10 merupakan class diagram
dari sistem Sales Force Automation. Dari class
diagram diatas, terdiri dari class model dan
class controller. Class model digunakan untuk
merepresentasikan entitas pada sistem dan
class
controller
digunakan
untuk
merepresentasikan fungsi yang berjalan pada
system
Sequence Diagram
Gambar 13. Sequence Diagram Buat Jadwal
Gambar 13 menjelaskan alur sistem
untuk membuat jadwal. Tenaga pemasaran
bisa menginputkan tanggal awal/tanggal akhir
dari periode mingguan yang diinginkan.
Gambar 11. Sequence Diagram Data Input
Gambar 11 menjelaskan alur sistem
untuk mendaftarkan prospek baru. Prospek
baru disini didaftarkan oleh tenaga pemasaran
dengan cara menginputkan semua data yang
diperlukan oleh system
Gambar 14. Sequence Diagram Isi Jadwal
Gambar 14 menjelaskan alur sistem
untuk megisi jadwal yang telah dibuat
sebelumnya. Tenaga pemasaran akan mengisi
data yang harus diisikan di form isi jadwal.
6
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
Gambar 15. Sequence Diagram Lihat Jadwal
Gambar 17. Halaman Login User
Gambar 15 menjelaskan alur sistem
untuk melihat jadwal. Untuk melihat jadwal
yang telah dibuat dan diisi sebelumnya, tenaga
pemasaranmenginputkan tanggal jadwal yang
diinginkan. Hasil jadwal yang ditampilkan
akan jadwal perhari.
Gambar 10 merupakan rancangan
antarmuka untuk login user. Sebelum dapat
menggunakan sistem, tenaga pemasaran harus
melakukan authentifikasi user terlebih dahulu.
Sistem ini dirancang khusus digunakan untuk
tenaga pemasaran. Tenaga Pemasaran akan
memasukkan username dan password sesuai
dengan akun yang telah dimilikinya, jika ada
kesalahan maka tenaga pemasaran diminta
memasukkan kembali.
Gambar 16. Sequence Diagram Lapor
Kunjungan
Gambar 16 menjelaskan alur sistem
untuk melaporkan hasil kunjungan yang telah
dilakukan sebelumnya. Tenaga pemasaran
diharuskan untuk mengisi data yang
diperlukan dalam form lapor kunjungan.
3.3.3 Perancangan Antarmuka
Proses
perancangan
dimulai dengan perancangan
halaman login
Gambar 18. Halaman Utama 1
antarmuka
antarmuka
Pada gambar 11 Halaman utama 1
menampilkan Sales ID dan Nama dari tenaga
pemasaran. Ada 3 menu utama yaitu prospek,
jadwal, dan kunjungan. Penggunaan halaman
prospek, jadwal dan kunjungan akan
dijelaskan selanjutnya.
7
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
Gambar 19. Menginput Prospek Baru
JELIKU Vol 2 No. 3 Agustus 2013
Gambar 21. Buat Jadwal
Gambar 13 merupakan langkahlangkah untuk menginputkan prospek baru.
Jika ingin menginputkan prospek baru, tenaga
pemasaran bisa memilih menu prospek dan
dilanjutkan dengan memilih submenu data
input, maka akan muncul form data input yang
berfungsi untuk mendaftarkan prospek baru.
Tenaga pemasaran memilih button input
prospek. Selanjutnya tenaga pemasaran
mengisi data dengan lengkap. Button submit
prospek akan menyimpan ke server.
Pada gambar 15 merupakan langkahlangkah untuk membuat jadwal baru. Tenaga
pemasaran harus melakukan autentifikasi
terlebih dahulu. Setelah itu akan masuk ke
menu utama, pilih menu jadwal. Dalam menu
jadwal terdapat submenu buat jadwal. Setelah
itu akan muncul form untuk membuat jadwal
baru. Submenu buat jadwal dibuat dengan
selang waktu 1 minggu. Ini merupakan
ketentuan dari sistem terdahulu. Masukkan
salah satu tanggal maka akan otomatis
dilakukan perhitungan. Pilih submit untuk
mensubmit jadwal ke server.
Gambar 20. Lihat Prospek
Gambar 22. Isi Jadwal
Gambar 14 menjelaskan tentang
langkah-langkah bagaimana cara tenaga
pemasaran melihat prospek yang ada. Jika
ingin melihat prospek, setelah melakukan
autentifikasi, tenaga pemasaran dapat memilih
menu prospek. Selanjutnya pilih submenu
Lihat Prospek. Setelah itu akan tampil form
untuk melihat prospek. Ada 3 jenis prospek
yang bisa dilihat yaitu pending, cancel, dan
sale.
Setelah membuat jadwal, selanjutnya
tenaga pemasaran dapat mengisi jadwal. Pada
gambar 16, tenaga pemasaran harus memilih
menu jadwal, selanjutnya memilih submenu isi
jadwal, setelah itu akan muncul form untuk
mengisi jadwal. Isi data yang ada dengan
lengkap. Prospek yang ingin dikunjungi adalah
prospek yang menjadi prioritas.
8
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
memeriksa apakah perancangan perangkat
lunak sesuai dengan pedoman kebutuhan
perangkat lunak pada tahapan analisis
kebutuhan perangkat lunak. Teknik pengujian
yang digunakan adalah static testing. Dimana
kebutuhan awal dari system ini dibandingkan
kembali denga hasil perancangan yang telah
dibangun. Hasil dari evaluasi dapat dilihat
pada table dibawah ini:
Tabel 2 Evaluasi Sistem
Requirement Sub Proses
Validasi data input
Data Input
Simpan data input
Lihat
prospek
pending
Lihat Prospek
Lihat prospek sale
Lihat prospek cancel
Validasi tanggal
Buat Jadwal
Simpan jadwal
Validasi data jadwal
Isi Jadwal
Simpan isi jadwal
Periksa tanggal
Lihat Jadwal
Tampil jadwal
Validasi
lapor
kunjungan
Lapor
Kunjungan
Simpan
lapor
kunjungan
Gambar 23. Lihat Jadwal
Gambar 17 menjelaskan tentang
bagaimana cara tenaga pemasaran melihat
jadwal yang telah dibuat dan diisi sebelumnya.
Pada form lihat jadwal, input yang dimasukan
adalah tanggal jadwal yang diinginkan untuk
di lihat. Hasil jadwal yang ditampilkan akan
jadwal perhari.
Validasi
√
√
√
√
√
√
√
√
√
√
√
√
√
5. Kesimpulan
Perancangan yang dihasilkan pada
penelitian ini menggunakan perancangan
berbasis object. Diantaranya usecase diagram,
activity diagram, class diagram, dan sequence
diagram. Selain perancangan system, pada
penelitian ini juga menghasilkan perancangan
antarmuka dengan berbasis mobile.
Hasil dari kebutuhan perangkat lunak
yang telah dianalisis pada penelitian ini adalah
sebagai berikut:
Gambar 24. Lapor Kunjungan
Gambar 18 merupakan langkahlangkah bagaimana tenaga pemasaran
melaporkan hasil kunjungan yang telah
dilakukan. Dari menu utama, tenaga
pemasaran harus memilih menu kunjungan,
lalu pilih submenu lapor kunjungan. Setelah
itu akan muncul form lapor kunjungan. Isi data
yang diminta lalu pilih tombol OK.
4. Evaluasi Sistem
Evaluasi sistem informasi adalah suatu
kegiatan terencana yang bertujuan untuk
memeriksa dan menilai sumber daya dalam
organisasi untuk mendapatkan hasil yang
dibandingkan dengan menggunakan tolak ukur
tertentu untuk memperoleh hasil mengenai
kinerja sumber daya organisasi tersebut.
Teknik evaluasi yang dilakukan adalah
9
Data input menghasilkan sub proses
validasi data input dan simpan data
input.
Lihat prospek menghasilkan sub
proses lihat proses pending, lihat
prospek sale, lihat prospek cancel.
Buat jadwal menghasilkan sub proses
validasi tanggal dan simpan jadwal.
Isi jadwal menghasilkan sub proses
validasi data jadwal dan simpan isi
jadwal.
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
Lihat jadwal menghasilkan sub proses
periksa tanggal dan tampil jadwal.
Lapor kunjungan menghasilkan sub
proses validasi lapor kunjungan dan
simpan lapor kunjungan.
Dari hasil evaluasi perancangan
perangkat lunak pada tabel 2, perancangan
yang dihasilkan sudah dapat mencakup seluruh
kebutuhan dari pihak pengguna perangkat
lunak.
6. Saran
Saran yang perlu dipertimbangkan
dalam perancangan sistem Sales Force
Automation yaitu tidak semua tenaga
pemasaran menggunakan smartphone dengan
operation system (OS) sama. Jadi jika
perancangan
ini
diimplementasikan,
diharapkan pembuatannya lebih mengarah ke
aplikasi dari masing masing OS.
7. Daftar Pustaka
Bell, D. (2013). Rational Software 2013. IBM
Global Services.
Sommerville, I. (2011). Software Engineering.
United States: Pearson.
Williams, L. (2004). An Introduction to the
Unified Modelling Language.
Everett Gerald D, McLeod Raymond. 2007.
Software testing: testing across the entire
software development life cycle. wileyinterscience a john wiley & sons, Inc.,
publication
10
JELIKU Vol 2 No. 3 Agustus 2013
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN
WIDROW BACKPROPAGATION
I Gst Ag Indra Arthana1, Agus Muliantara2
Program Studi Teknik Informatika,
Jurusan Ilmu Komputer,
Fakultas Matematika Dan Ilmu Pengetahuan Alam,
Universitas Udayana
Email : [email protected], [email protected]
ABSTRAK
Kanker payudara adalah penyakit penyebab kematian wanita kedua di dunia. Untuk
mendeteksi kanker payudara butuh pengetahuan dokter. Disamping itu kadangkala tidak tepat
sehingga pasien butuh second opinion. Salah satu cara untuk mendapatkan second opinion adalah
dengan menanyakannya kepada dokter lain sehingga informasi bisa lebih jelas. Untuk mempersingkat
proses penentuan kanker payudara, dapat dilakukan oleh system dengan menggunakan jaringan saraf
tiruan. Salah satu cabang dari jaringan saraf tiruan adalah backpropagation.
Algoritma Bacpropagation mengadaptasi bagaimana otak manusia bekerja dengan memproses
suatu masalah hingga mendapat hasil dengan mengupdate nilai dari masing – masing sinapsisnya.
Backpropagation mampu mengenali pola dari dataset yang telah ada. Dataset ini akan dipelajari oleh
Backpropagation sehinnga dapat memberikan keputusan untuk data baru yang akan diinputkan.
Backpropagation dapat digunakan untuk mendeteksi penyakit contohnya kanker payudara. Dataset
kanker payudara terdiri dari 9 atribut yang merupakan input ke Backpropagation.
Output dari backpropagation akan dibagi menjadi 2 kelas yaitu kelas benign, dan kelas
malignant. Maksimum iterasi yang digunakan adalah 10000 dengan toleransi kesalahan 0.1. Setelah
dilakukan proses pengenalan dan evaluasi didapatkanlah nilai akurasi 92%.
Kata Kunci: Jaringan saraf tiruan, backpropagation, Wisconsin breast cancer, eror, iterasi.
ABSTRACT
Breast cancer is the second leading causes of death of women in the world. To detect breast
cancer, physicians need knowledge. Besides, sometimes the result is inaccurate so patients need a
second opinion. One way is to get a second opinion is by checking with another doctor so the
information can be more clear. To shorten the process of determining breast cancer, can be
performed by the system by using artificial neural networks. One branch of artificial neural network
is backpropagation.
Backpropagation algorithm adapts how the human brain works by processing a problem to
get the result by updating the value of each neuron. Backpropagation is able to recognize the pattern
of existing datasets. This dataset will be learned by the Backpropagation until it can provide the
decision for new data to be entered. Backpropagation can be used to detect breast cancer. Breast
cancer dataset consists of 9 attributes that are inputs to the Backpropagation.
The output of the backpropagation will be divided into two classes, namely classes benign
and malignant classes. Maximum iterations used is 10000 with fault tolerance 0.1. After the learning
and evaluation process value obtained 92% accuracy.
Keyword: Artificial neural network, backpropagation, Wisconsin breast cancer, error, iteration.
1
PENDAHULUAN
Kanker payudara adalah jenis kanker
paling umum yang diderita kaum wanita.
11
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
Hingga saat ini, salah satu cara pengobatan
yang umum dilakukan adalah dengan
pembedahan dan jika perlu dilanjutkan dengan
kemoterapi
maupun
radiasi.
Namun
pengobatan tersebut tidak akan memberikan
dampak yang signifikan jika kankernya sudah
mencapai stadium akhir. Oleh karena itu
apabila penyakit ini dapat dideteksi lebih awal,
dampak buruk yang mungkin ditimbulkan oleh
kanker payudara dapat dicegah.
Untuk deteksi awal kanker payudara
dapat dibantu dengan menggunakan AI
(Artificial
Intelligence)
agar
dapat
mendapatkan hasil yang cepat dan akurat.
Salah satu cabang dari AI (Artificial
Intelligence) adalah apa yang dikenal dengan
Jaringan Saraf Tiruan (Artificial Neural
Network). Jaringan saraf tiruan merupakan
salah satu sistem pemrosesan informasi yang
didesain dengan menirukan cara kerja otak
manusia dalam menyelesaikan suatu masalah
dengan melakukan proses belajar melalui
perubahan bobot sinapsisnya. Jaringan saraf
tiruan mampu melakukan pengenalan kegiatan
berbasis data masa lalu. Data masa lalu akan
dipelajari oleh jaringan saraf tiruan sehingga
mempunyai kemampuan untuk memberikan
keputusan terhadap data yang belum pernah
dipelajari. Dalam analisis ini dicoba untuk
dipelajari dan dicoba penerapannya didalam
bidang kesehatan yaitu pada kanker payudara.
Usaha
manusia
dalam
mengembangkan suatu sistem yang meniru
kemampuan dan perilaku makhluk hidup telah
berlangsung
selama
beberapa
decade
belakangan ini. Jaringan saraf tiruan (JST),
merupakan hasil perkembangan ilmu dan
teknologi yang kini sedang berkembang pesat.
JST yang berupa susunan sel-sel saraf tiruan
(neuron) dibangun berdasarkan prinsip-prinsip
organisasi otak manusia. Perhatian yang besar
pada JST disebabkan adanya keunggulan yang
dimilikinya seperti kemampuan untuk belajar,
komputasi
paralel,
kemampuan
untuk
memodelkan fungsi nonlinier dan sifat fault
tolerance.
Bobot awal akan mempengaruhi
apakah jaringan mencapai titik minimum lokal
(local minimum) atau global dan seberapa
cepat
konvergensinya.
Bobot
yang
menghasilkan nilai turunan aktivasi yang kecil
sedapat mungkin dihindari karena akan
JELIKU Vol 2 No. 3 Agustus 2013
menyebabkan perubahan bobotnya menjadi
sangat kecil. Demikian pula nilai bobot awal
tidak boleh terlalu besar karena nilai turunan
fungsi aktivasinya menjadi sangat kecil juga.
Oleh
karena
itu
dalam
“Standar
backpropagation”, bobot dan bias diisi dengan
bilangan acak kecil.
Nguyen
dan
Widrow
(1990)
mengusulkan cara membuat inisialisasi bobot
dan bias ke unit tersembunyi sehingga
meghasilkan iterasi lebih cepat (Zamani dkk.,
2012). Oleh karana itu, pada penelitian ini
dilakukan optimasi pencarian bobot random
pada jaringan syaraf tiruan backpropagation
dengan metode nguyen widrow untuk
melakukan
klasifikasi
data
dengan
meminimalkan waktu iterasi.
Pada penelitian ini penulis akan
mengimplementasikan
nguyen
widrow
bacpropagation.
2
METODOLOGI
Metode dalam penelitian ini adalah
algoritma backpropagation yang telah di
enhance dengan algoritma nguyen widrow.
Dan dataset yang digunakan adalah dataset
kanker payudara.
2.1 Datasets
Pada penelitian ini dataset yang
digunakan adalah dataset Wisconsin Breast
Cancer. Dataset ini berasal dari University of
Wisconsin Hospitals, Madison dari Dr.
William H. Wolberg [1]. Dataset ini berisi 699
data yang terdiri dari 458 kanker jinak dan 241
kanker ganas. Atribut dari masing – masing
data ada 9 yaitu Clump Thickness, Uniformity
of Cell Size, Uniformity of Cell Shape,
Marginal Adhesion, Single Epithelial Cell
Size, Bare Nuclei, Bland Chromatin, Normal
Nucleoli, Mitoses.
2.2 Backpropagation
Backpropagation
merupakan
algoritma pembelajaran yang terawasi dan
biasanya digunakan oleh perceptron dengan
banyak lapisan untuk mengubah bobot-bobot
yang terhubung dengan neuron-neuron yang
ada pada lapisan tersembunyinya. Algoritma
backpropagation menggunakan error output
12
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
untuk mrngubah nilai bobot-bobotnya dalam
arah mundur (backward). Untuk mendapatkan
error ini, tahap perambatan maju (forward
propagation) harus dikerjakan terlebih dahulu.
Pada saat perambatan maju, neuron-neuron
diaktifkan dengan menggunakan fungsi
aktivasi sigmoid (Kusumadewi, 2003).
JELIKU Vol 2 No. 3 Agustus 2013
kesalahan di unit yk ke semua unit tersembunyi
yang terhubung langsung dengan yk. δk juga
dipakai untuk mengubah bobot garis yang
berhubungan langsung dengan unit keluaran.
Dengan cara yang sama, dihitung
faktor δk di setiap layer tersembunyi sebagai
dasar perubahan bobot semua garis yang
berasal dari unit tersembunyi di layer di
bawahnya. Dan seterusnya hingga semua
faktor δ di unit tersembunyi yang terhubung
langsung dengan unit masukan dihitung.
Setelah semua faktor δ dihitung, bobot
semua
garis
dimodifikasi
bersamaan.
Perubahan bobot suatu garis didasarkan atas
faktor δ neuron di layer atasnya.
Ketiga fase tersebut diulang-ulang
hingga
kondisi
penghentian
dipenuhi.
Umumnya kondisi penghentian yang sering
dipakai adalah jumlah interasi atau kesalahan.
Iterasi akan dihentikan jika jumlah iterasi yang
dilakukan sudah melebihi jumlah maksimum
iterasi yang ditetapkan, atau jika kesalahan
yang terjadi sudah lebih kecil dari batas
toleransi yang ditetapkan.
Algoritma
backpropagation
(Kusumadewi, 2003):
a. Inisialisasi bobot dilakukan dengan cara
mengambil bobot awal dengan nilai
random yang cukup kecil.
b. Langkah-langkah
berikut
dikerjakan
selama kondisi berhenti bernilai FALSE
1. Untuk tiap-tiap pasangan elemen yang
akan dilakukan pembelajaran, maka
dilakukan langkah-langkah berikut:
Feed forward:
a. Tiap-tiap
unit
input
(xi,
i=1,2,3,….,n) menerima sinyal xi
dan meneruskan sinyal tersebut ke
semua unit pada lapisan yang ada
di atasnya (lapisan tersembunyi).
b. Tiap-tiap unit tersembunyi (zj,
j=1,2,3,….p)
menjumlahkan
sinyal-sinyal input terbobot:
∑
z_inj
=
v0j
+
xivij……………(1)
Gunakan fungsi aktivasi untuk
menghitung sinyal outputnya:
zj
=
f(z_inj)
…………………………(2)
Dan kirimkan sinyal tersebut ke
semua unit di lapisan atasnya
(unit-unit output).
f (x)
Dimana :
e : bilangan exponensial
x : inputan ke sinapsis
Arsitektur jaringan backpropagation seperti
dilihat pada gambar 1.
Gambar 1. arsitektur jaringan backpropagation
[3]
Selama perambatan maju, sinyal
masukan (x1) diperambatankan ke layer
tersembunyi menggunakan fungsi aktivasi
yang ditentukan. Keluaran dari unit
tersembuyi
(Zj)
tersebut
selanjutnya
diperambatan maju lagi ke layer tersembunyi
berikutnya dengan fungsi aktivasi yang telah
ditentukan.
Dan
seterusnya
hingga
menghasilkan keluaran jaringan (yk).
Berikutnya, keluaran jaringan (yk)
dibandingkan dengan target yang harus dicapai
(tk). Selisih tk – yk adalah kesalahan yang
terjadi. Jika kesalahan ini lebih kecil dari batas
toleransi yang ditentukan, maka iterasi
dihentikan. Jika kesalahan masih lebih besar
dari batas toleransi, maka bobot setiap garis
dari jaringan akan dimodifikasi untuk
mengurangi kesalahan
Berdasarkan kesalahan tk – yk dihitung
faktor δk yang dipakai untuk mendistribusikan
13
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
c. Tiap-tiap
unit
output
(yk,
k=1,2,3,….,m)
menjumlahkan
sinyal-sinyal input terbobot.
∑
y_ink
=
w0k
+
ziwjk………….(3)
Gunakan fungsi aktivasi untuk
menghitung sinyal outputnya:
yk=
f(y_ink)………………………….(
4)
Dan kirimkan sinyal tersebut ke
semua unit di lapisan atasnya
(unit-unit output).
d. Tiap-tiap
unit
output
(yk,
k=1,2,3,….,m) menerima target
pola yang berhubungan dengan
pola input pembelajaran, hitung
informasi erornya:
δk
=
(tk-yk)
f’(y_ink)…………………(5)
Kemudian hitung koreksi bobot
(yang nantinya akan digunakan
untuk memperbaiki nilai wjk).
∆wjk
=
αδkzj…………………………(6)
Hitung juga koreksi bias (yang
nantinya akan digunakan untuk
memperbaiki nilai W0k)
∆W0k=αδk………………………
……(7)
Kirimkan δk ini ke unit yang ada
dilapisan bawahnya.
e. Tiap-tiap unit tersembunyi (zj,
j=1,2,3,…..p) menjumlahkan delta
inputnya (dari unit-unit yang
berada pada lapisan di atasnya.
Kalikan nilai ini dengan turunan
dari funssi aktivasinya untuk
menghitung informasi error
δj=
δ_
inj
f(z_inj)……………………(8)
Kemudian hitung koreksi bobot
(yang nantinya akan digunakan
untuk memperbaiki nilai v)
∆vjk=αδjxi………………………
…..(9)
Hitung juga koreksi bias (yang
nantinya akan digunakan untuk
memperbaiki nilai v)
∆v0j=αδj…………………………
…(10)
JELIKU Vol 2 No. 3 Agustus 2013
f.
Tiap-tiap
unit
output
(yk,
k=1,2,3,….,m) memperbaiki bias
dan bobotnya (j=0,1,2,…p)
wjk (baru)= wjk (lama) +
∆vjk……(11)
Tiap-tiap unit tersembunyi (zj,
j=1,2,3,…..p) memperbaiki bias
dan bobotnya (i=0,1,2,…,n)
vij (baru)= vij (lama) +
∆vij………..(12)
2. Tes
kondisi
berhenti.
Apakah
maksimum iterasi atau minimum eror
terpenuhi.
2.3 Nguyen Widrow
Nguyen
dan
Widrow
(1990)
mengusulkan cara membuat inisialisasi bobot
dan bias ke unit tersembunyi sehingga
meghasilkan iterasi lebih cepat. Misalkan, n =
jumlah unit masukan, p = jumlah unit
tersembunyi, dan β = faktor skala = 0,7 √ .
Algoritma inisialisasi Nguyen-Widrow adalah
sbb:
1. Inisialisasi semua bobot (v (lama)) dengan
ij
bilangan acak dalam interval [-0,5: 0,5]
2.
Hitung
‖ ‖
………..(13)
√
3. Bobot yang dipakai sebagai inisialisasi
‖
‖
…………………………….(14)
4. Bias yang dipakai sebagai inisialiasasi v =
0j
bilangan acak antara –β dan β
2.4 Flowchart Backpropagation
Adapun alur kerja yang dilakukan
dalam penelitian ini adalah sebagai berikut:
14
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
dibagi dengan total data yang diujikan.
Sedangkan waktu komputasi dihitung berapa
lama
algoritma
bacpropagation
dapat
menghitung hasilnya.
Gambar 2. Flowchart Training
Pada proses training data diinputkan
ke dalam sistem. Setelah data diinputkan
sistem akan menginisialisasi bobot awal dari
setiap inputan dan bias dengan menggunakan
algoritma nguyen widrow. Hitung nilai pada
setiap layer dan gunakan fungsi aktivasi
sigmoid untuk menentukan outputnya.
Selanjutnya hitung eror pada outputnya. Bila
eror sudah dibawah toleransi eror atau epoh
sudah mencapai maksimum epoh maka simpan
bobot dan tampilkan hasilnya. Bila belum
memenuhi kriteria maka lakukan proses
update bobot dan ulangi proses hitung nilai
pada setiap layer.
Pada proses testing bobot yang
digunakan adalah bobot hasil dari proses
training yang telah disimpan sebelumnya.
Proses pada testing hampir sama dengan
proses training hanya saja tidak terjadi proses
update bobot.
3
Gambar 3. Flowchart Testing
4
HASIL PENGUJIAN
Pada penelitian ini menggunakan
dataset wisconsin breast cancer dengan jumlah
maksimun iterasi 10000, jumlah hiden layer 7,
nilai belajar 0.7, dan nilai kesalahan 0.1. Pada
tabel 1, saat proses pembelajaran dataset diatur
secara acak antara kelas malignant dan benign
sehingga hasil dari pembelajaran dapat dengan
optimal
dilakukan
oleh
algoritma
backpropagation.
Dari tabel 3 dapat dilihat bahwa
akurasi
dari
backpropagation
dengan
penentuan bobot awal dengan nguyen widrow
lebih baik daripada algoritma backpropagation
tanpa nguyen widrow yaitu 92%.
SKENARIO UJI COBA
Tabel 3. Perbandingan antara Backpropagation
dan Nguyen Widrow Backprogation
No Metode
Bena Sala Akuras
.
r
h
i
(%)
1
Backpropagatio 79
21
79
n
2
Nguyen
92
8
92
Pada
penelitian
ini
pengujian
dilakukan dengan membandingkan antara hasil
yang
diperoleh
dengan
algoritma
backpropagation dengan hasil yang ada di
dataset yang diujikan. Setelah dilakukan
pengujian, hasilnya akan dievaluasi dengan
akurasi dan waktu komputasinya. Akurasi
dapat dihitung dengan jumlah data yang benar
15
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
Widrow
Backpropagatio
n
5
JELIKU Vol 2 No. 3 Agustus 2013
[6] Kusumadewi, 2003. Artificial Intelligence
(Teknik dan Aplikasinya). Yogyakarta:
Graha Ilmu
[7] Mait, H. M. N. 2009. Jaringan Syaraf
Tiruan. Depok: Universitas Gunadarma.
[8] Subekti, R. M. 2010. Perbaikan Metode
Backpropagation untuk Pelatihan Jaringan
Syaraf Tiruan Multilayer. Tangerang:
P2TRR-Batan. Hal. 1-8.
[9] Zaman, A. M., Amaliah, B. dan Munif, A.
2012. Implementasi Algoritma Genetika
pada Struktur Backpropagation Neural
Network untuk Klasifikasi Kanker
Payudara. Jurnal Teknik ITS (1): 2012,
hal: 222-227.
KESIMPULAN
Melalui penelitian ini, dapat diketahui
dengan penambahan metode nguyen widrow
pada
inisialisasi
bobot
awal
dapat
mempercepat proses pembelajaran. Sehingga
hasil klasifikasi menggunakan algoritma
Baclpropagation menjadi lebih meningkat.
Akan
tetapi
tingkat
akurasi
dari
backpropagation masih mungkin dapat
ditingkatkan. Untuk penelitian selanjutnya
disarankan untuk mengembangkan penentuan
bobot awal dan jumlah hidden layer agar bisa
menghasilkan akurasi yang lebih baik.
DAFTAR PUSTAKA
[1] Ming, S. Hung, Shanker, Murali, Y. Hu,
Michael. Estimating Breast Cancer Risks
Using Neural Networks. Journal of
Operation Research society:2001, 52, hal:
1-10.
[2] Antara, I P. R., Sumarminingsih, E., dan
Handoyo, S. 2010. Model Jaringan Syaraf
Tiruan Backpropagation dengan Input
Berdasarkan Model Regresi Terbaik.
Malang: Universitas Brawijaya.
[3] Dhaneswara, G. dan Moertini, V. S. 2004.
Jaringan Saraf Tiruan Propagasi Balik
untuk Klasifikasi Data. Integral, FMIPA
Unpar, (9):3, hal. 1-11.
[4] Kiki, S. K. 2004. Analisis Jaringan Saraf
Tiruan dengan Metode Backpropagation
untuk Mendeteksi Gangguan Psikologi.
Yogyakarta: Universitas Islam Indonesia.
[5] Kumar, P. R., Murty, M. V. R., et al.
2008. Time Series Modeling Using
Artificial Neural Networks. Journal of
Theoretical and Applied Information
Technology, 4 (12), hal. 259-264.
PENERAPAN QUEUE TREE PADA ROUTER MIKROTIK DALAM MANAJEMEN
BANDWITH
I Putu Ery Handika, I Komang Ari Mogi
Program Studi Teknik Informatika, Jurusan Ilmu Komputer,
16
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana
Email: [email protected]
ABSTRAK
Dalam mengelola suatu jaringan internet, sangat penting untuk mengatur pemakaian
bandwidth yang akan digunakan oleh client. Jika tidak dilakukan pengelolaan, maka akan terjadi
pemakaian bandwidth yang tidak teratur atau pemakaian bandwidth yang berlebihan oleh satu atau
beberapa user. Pemakaian bandwidth yang berlebihan tersebut akan menyebabkan jaringan yang
dikelola tidak dapat memberikan layanan yang maksimal kepada seluruh client.
Router mikrotik memiliki fitur Queue yang dapat digunakan untuk mengatur alokasi
bandwidth yang dialokasikan kepada setiap client. Queue tree akan digunakan dalam bandwidth
management yang bertujuan meningkatkan kualitas layanan jaringan (Quality of Service) dengan
mengoptimalkan bandwidth yang tersedia.
Dari penelitian yang telah dilakukan, bandwidth minimum yang didapat client dapat dihitung
dengan cara membagi bandwidth keseluruhan dengan jumlah client. Hasil yang didapat dari
pengujian dengan alokasi bandwidth sebesar 2048 Kbps menggunakan satu client, rata-rata bandwidth
yang didapatkan 2024 Kbps; menggunakan dua client 1004,5 Kbps; menggunakan tiga client 660
Kbps; dan empat client 519,25 Kbps. Dengan penerapan Queue Tree pembagian bandwidth menjadi
teratur dan jika client lainnya tidak menggunakan bandwidth maka akan dialokasikan ke client lain
yang membutuhkan sehingga dapat mengoptimalkan bandwidth yang tersedia.
Kata Kunci : Internet, Management Bandwidth, Router Mikrotik, Queue, Queue Tree.
ABSTRACT
It is important to set the bandwidth to be used by the client in managing an Internet
network. There will be a bandwidth usage irregular or excessive bandwidth usage by one or more
users if there is no bandwidth management. Excessive bandwidth usage will lead to a managed
network that can not provide maximum service to all client.
Router Queue in Mikrotik features can be used to manage the allocation of bandwidth
distribution for each client. Queue Tree will be used in the bandwidth management which aims to
improve the quality of network services (Quality of Service) to optimize the available bandwidth.
From the research that has been done, the client obtained the minimum bandwidth can be
calculated by dividing the total by the number of client bandwidth. The results obtained from testing
with 2048 Kbps bandwidth allocation using a single client is average bandwidth of 2024 Kbps; using
two clients is average bandwidth 1004.5 Kbps; using three client is 660 Kbps, and four client is
519.25 Kbps. With the implementation of Queue Tree of bandwidth distribution becomes more
regular; if the client is not active, then the bandwidth will be allocated to another client who need it,
to optimize the available bandwidth .
Keywords: Internet, Management Bandwidth, Router Mikrotik, Queue, Queue Tree.
PENDAHULUAN
Pesatnya perkembangan
terutama
dalam
jaringan
menyebabkan kebutuhan akan
meningkat pula. Dengan adanya
internet setiap orang dapat bertukar
baik berupa artikel, file, audio, video, gambar
dan lain sebagainya. Untuk dapat bertukar
informasi dibutuhkan sarana yang mendukung
akan hal tersebut yaitu koneksi internet yang
cepat dan stabil.
Bandwidth adalah besaran yang
menunjukkan seberapa banyak data yang dapat
teknologi
internet
informasi
jaringan
informasi
17
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
dilewatkan dalam koneksi melalui sebuah
network [1]. Bandwidth sangat berdampak
pada kinerja jaringan dimana besarnya
bandwidth akan berdampak pada kecepatan
transmisi.
Permasalahan yang sering muncul saat
ini adalah proses dalam pengiriman data yang
lambat bahkan tidak sampai di tujuan padahal
bandwidth yang dimiliki sudah cukup dalam
melakukan pertukaran informasi. Hal tersebut
diakibatkan
tidak
adanya
manajemen
penggunaan bandwidth yang tepat dan teratur.
Dalam manajemen bandwidth pada
router mikrotik dapat menggunakan simple
queue dan queue tree. Simple Queue
merupakan teknik antrian menggunakan
metode FIFO (First Input First Output)
dimana paket data yang pertama datang akan
diproses terlebih dahulu dan dimasukkan ke
dalam antrian, selanjutnya dikeluarkan sesuai
dengan urutan kedatangannya [4]. Sedangkan
Queue tree merupakan teknik antrian
menggunakan metode HTB (Hierarchical
Token Bucket) dimana metode ini melakukan
manajemen bandwidth dengan membatasi
akses menuju alamat IP tertentu tanpa
mengganggu trafik bandwidth pengguna lain
[6]. Simple queue dan queue tree dapat
mengontrol nilai throughput sesuai keinginan
administrator dan memiliki nilai dari packet
loss 0-3% tetapi simple queue memiliki delay
lebih besar dari queue tree [7].
Berdasarkan permasalahan diatas
maka solusi yang tepat adalah penerapan
queue tree pada router mikrotik. Dengan
fasilitas queue tree pada router mikrotik akan
menjadikan jaringan lebih handal dengan
penggunaan bandwidth yang teratur sehingga
akan berdampak pada kecepatan akses.
JELIKU Vol 2 No. 3 Agustus 2013
kecil.
LAN
digunakan
untuk
menghubungkan
komputer-komputer
pribadi dan workstation dalam satu
gedung untuk saling bertukar informasi.
2. Metropolitan Area Network (MAN)
Metropolitan Area Network (MAN)
merupakan jaringan yang mirip dengan
LAN hanya saja ruang lingkupnya lebih
luas.
MAN
digunakan
untuk
menghubungkan
LAN-LAN
yang
lokasinya berjauhan. Wide Area Network
(WAN)
3. Wide Area Network (WAN) merupakan
jaringan yang ruang lingkupnya luas,
misalnya menghubungkan sebuah negara.
WAN terdiri dari LAN, MAN, dan
kumpulan mesin untuk menjalankan
program-program aplikasi pemakai.
4. Internet
Internet merupakan jaringan komputer
global
yang
menghubungkan
dua
komputer atau lebih untuk saling bertukar
file, email dan pesan-pesan real-time.
Internet juga dapat dikatakan sebagai
kumpulan beberapa jaringan komputer
yang berbeda-beda di seluruh dunia untuk
dapat berkomunikasi satu sma lain dengan
menggunakan TCP/IP.
Bandwidth
Bandwidth adalah besaran yang
menunjukkan seberapa banyak data yang dapat
dilewatkan dalam koneksi melalui sebuah
network [1]. Bandwidth juga merupakan
banyaknya bits maksimum yang dapat dikirim
atau diterima dari komputer satu ke komputer
lainnya dalam satuan waktu. Badwitdth
dinyatakan dalam satuan bit per second (bps).
Management Bandwidth
Management bandwidth merupakan
suatu cara yang dapat mengoptimalkan
penggunaan dari suatu bandwidth dalam suatu
jaringan.
Management
bandwidth
mengoptimalkan layanan Quality Of Service
(QoS) dalam menentukan tipe lalu lintas dari
jaringan [4].
TINJAUAN PUSTAKA
Jaringan Komputer
Jaringan
komputer
merupakan
kumpulan beberapa komputer dan perangkat
lainnya dalam satu kesatuan [2]. Jaringan
tersebut dapat terhubung dengan media
transmisi kabel atau tanpa kabel. Terdapat
beberapa jenis jaringan komputer, antara lain :
1. Local Area Network (LAN)
Local Area Network (LAN), merupakan
jaringan yang ruang lingkupnya relative
Hierarchical Token Bucket (HTB)
HTB merupakan salah satu metode
manajemen bandwidth dengan membatasi
akses menuju alamat IP tertentu tanpa
18
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
dengan melakukan drop packet. Mekanisme
yang dapat digunakan yaitu Drop Tail Router.
Mekanisme ini akan membuang paket yang
datang jika antrian pada buffer penuh [10].
mengganggu trafik bandwidth pengguna lain
[6]. HTB mempunyai parameter-parameter
penyusun antrian yaitu :
a. Rate, berfungsi dalam