Bab IV
Analisis dan Perancangan Perangkat Lunak
Bagian ini menjelaskan tentang analisis dan rancangan sistem pendukung keputusan estimasi biaya produk pada IKM manufaktur dengan mempergunakan metode k-means dan MLR.
IV.1 Analisis Kebutuhan Perangkat Lunak IV.1.1 Deskripsi Sistem
Gambar IV-1 Deskripsi Sistem Pendukung Estimasi Biaya Produksi
Sistem pendukung estimasi biaya produksi dioperasikan oleh Bagian PPC. Peran Bagian PPC sebagai estimator biaya produksi dilaksanakan dengan bantuan perangkat
lunak.
Perangkat
lunak
pendukung
estimasi
biaya
produksi
mempergunakan data historis rancangan produk sebagai data masukan dan menghasilkan aturan estimasi biaya produksi seperti disajikan dalam Gambar IV-1. IV.1.2 Kebutuhan Antar Muka IV.1.2.1 Kebutuhan Antar Muka Perangkat Lunak
Ekstraksi fitur geometri dan pemesinan dilakukan dari file *.sldprt sehingga sistem yang dikembangkan harus mampu untuk berkomunikasi dengan aplikasi SolidworksTM
atau
FeatureCAMTM.
SolidworksTM
atau
FeatureCAMTM
menyediakan Application Programming Interface (API) yang dapat diakses
dengan dengan bahasa pemrograman Visual BasicTM. Dalam tesis ini API yang dipergunakan adalah FeatureCAMTM API karena menyediakan Automatic Feature Recognition (AFR), yaitu sebuah fasilitas untuk mengenali fitur produk dalam sebuah gambar rancangan. AFR dapat dipergunakan untuk melakukan identifikasi fitur pemesinan dari sebuah gambar rancangan produk. IV.1.2.2 Antar Muka Pengguna
Antar muka pengguna disesuaikan dengan batasan antar muka perangkat lunak yang menyatakan bahwa pengembangan hanya dapat dilakukan dengan bahasa pemrograman Visual Basic TM. Karena itu antar muka dirancang dengan formform yang disediakan oleh bahasa pemrograman Visual Basic TM. IV.1.2.3 Antar Muka Perangkat Keras
Antar muka perangkat keras tidak diperlukan dalam pengembangan sistem ini karena perangkat lunak dapat berfungsi tanpa bantuan perangkat keras khusus. IV.1.3 Kebutuhan Fungsional
Berdasarkan deskripsi sistem pada sub bab IV.1.1 dan kebutuhan pengguna pada bab III.3, disusun sebuah kebutuhan perangkat lunak yang dijadikan sebagai acuan dalam dalam tahapan analisis, perancangan dan pengujian perangkat lunak pendukung estimasi biaya. Kebutuhan perangkat lunak ini juga ditujukan untuk menjamin kebutuhan pengguna terpenuhi. Secara umum kebutuhan perangkat lunak dibagi menjadi dua, yaitu kebutuhan fungsional dan non fungsional. Kebutuhan fungsional mencakup fitur-fitur yang harus disediakan oleh sistem pendukung keputusan estimasi biaya produksi. Kebutuhan fungsional dari sistem pendukung keputusan estimasi biaya produksi disajikan dalam Tabel IV-1. Tabel IV-1 Kebutuhan Fungsional Perangkat Lunak
Kode F–1 F–2
F–3 F–4 F–5
F–6
Kebutuhan Fungsional Perangkat Lunak Mampu melakukan identifikasi file CAD Mampu melakukan ekstraksi fitur geometri dan pemesinan yang tersimpan dalam sebuah file CAD Mampu untuk melakukan pengolahan awal data Mampu melakukan clustering untuk keperluan pengelompokan produk Mampu melakukan pembangkitan rumus estimasi dengan mempergunakan metode prediction untuk tiaptiap kelompok produk yang dihasilkan pada spesifikasi 4 Mampu melakukan pengelompokan produk baru dan membangkitkan prediksi biaya produksi
IV.1.3.1 Context Diagram
Gambar IV-2 Context Diagram Sistem Pendukung Keputusan Estimasi Biaya
Berdasarkan deskripsi sistem pada sub bab IV.1.1 dan kebutuhan fungsional perangkat lunak pada Tabel IV-1, Context Diagram untuk Sistem Pendukung Keputusan Estimasi Biaya didefinisikan seperti pada Gambar IV-2. Pada Gambar Gambar IV-2, entitas yang terlibat dalam Sistem Pendukung Keputusan Estimasi Biaya adalah Bagian PPC. Bagian PPC memberikan data masukan berupa parameter estimasi dan sistem akan menghasilkan prediksi biaya produksi. IV.1.3.2 Data Flow Diagram (DFD) Level 1
Berdasarkan Context Diagram pada sub bab IV.1.3.1, diagram aliran data untuk sistem pendukung keputusan estimasi biaya didefinisikan seperti pada Gambar IV-3. Pada Gambar IV-3, sistem pendukung keputusan estimasi biaya terdiri dari 3 proses utama, yang terdiri dari Proses 1 Ekstraksi Fitur Geometri dan Pemesinan, Proses 2 Data Mining serta Proses 3 Estimasi Biaya Produksi. Bagian PPC berinteraksi langsung dengan ketiga proses tersebut.
Proses 1 Ekstraksi Fitur Geometri dan Pemesinan merupakan proses besar untuk mendapatkan data informasi produk historis. Masukan dari Proses 1 Ekstraksi Fitur Geometri dan Pemesinan adalah satu atau lebih file CAD yang menyimpan data rancangan produk manufaktur. Hasil dari proses ini disimpan dalam sebuah Data Store Informasi Produk Historis yang memuat data fitur geometri dan fitur pemesinan dari produk. Data Store Informasi Produk Historis bersama-sama dengan Data Store Data Pesanan dipergunakan sebagai data masukan bagi Proses 2 Data Mining. Hasil dari Proses 2 Data Mining adalah Data Store Estimasi Biaya yang berisi tentang aturan estimasi biaya. Bagian PPC berinteraksi dengan Proses 2 Data Mining dengan memberikan parameter data mining.
Gambar IV-3 DFD Level 1 Sistem Pendukung Keputusan Estimasi Biaya
Data Store Estimasi Biaya dipergunakan sebagai masukan dalam Proses 3 Estimasi Biaya Produksi untuk melakukan prediksi sebuah informasi produk baru.
Bagian PPC berinteraksi dengan Proses 3 Estimasi Biaya Produksi dengan memberikan parameter estimasi sebagai data masukan. Proses-proses yang membutuhkan perincian menjadi sub proses yang lebih kecil dibahas dalam sub bab-sub bab berikutnya. IV.1.3.2.1 DFD Level 2: Proses 1 Ekstraksi Fitur Geometri
Proses 1 Ekstraksi Fitur Geometri dirinci menjadi 5 proses yaitu Proses 1.1 Identifikasi File CAD, Proses 1.2 Identifikasi Dimensi produk, Proses 1.3 Penghitungan Volume Produk, Proses 1.4 Identifikasi Fitur Pemesinan dan Proses 1.5 Penyimpanan Hasil Ekstraksi Fitur seperti pada Gambar IV-4. Bagian PPC berinteraksi dengan Proses 1.1 Identifikasi File CAD pada saat memberikan data masukan berupa File CAD.
Gambar IV-4 DFD Level 2 Proses 1 Ekstraksi Fitur Geometri
Proses 1.1 Identifikasi File CAD dipergunakan untuk melakukan validasi apakah file CAD yang dipergunakan dapat diproses untuk ekstraksi data. File yang dapat diolah oleh sistem ini adalah file Solidworks Part yang bertipe .sldprt. Jika File yang diberikan oleh Bagian PPC adalah file bertipe .sldprt, maka Proses 1.1 Identifikasi File CAD akan menyatakan bahwa file masukan bersifat valid. Proses
1.1 Identifikasi File CAD akan menyimpan informasi data OrderID dan ProductName yang diekstraksi dari nama direktori dan nama file. Penamaan direktori adalah: OrderID – OrderName, contoh: 7025 - DIES ROOF PGE menunjukkan OrderID = 7025 dan OrderName = DIES ROOF PGE Proses 1.2 Identifikasi Dimensi Produk dilakukan dengan mengidentifikasi titik koordinat terluar dari sebuah produk. Titik koordinat terluar diperoleh untuk masing-masing sumbu, yaitu sumbu x, sumbu y dan sumbu z. Selisih dari titik koordinat terluar untuk masing-masing sumbu didefinisikan sebagai dimensi panjang untuk sumbu x, lebar untuk sumbu y dan tinggi untuk sumbu z. Proses 1.3 Penghitungan Volume Produk mempergunakan hasil Proses 1.2 Identifikasi Dimensi Produk sebagai data masukan. Dengan asumsi bahwa material berupa balok, maka volume produk dapat diperoleh dari hasil perkalian antara panjang, lebar dan tinggi. Data panjang, lebar, tinggi dan volume produk disimpan pada Data Store Informasi Produk Historis sebagai data fitur geometri. Proses 1.4 Identifikasi Fitur Pemesinan dipergunakan untuk melakukan identifikasi fitur-fitur pemesinan yang terdapat dalam sebuah produk. Fitur pemesinan yang dimaksud berupa Hole, Side, Pocket, Boss dan Surface. Hasil fitur pemesinan selanjutnya disimpan dalam Data Store Informasi Produk Historis. Proses 1.5 Penyimpanan Hasil Ekstraksi Fitur menyimpan data fitur geometri dan pemesinan ke dalam Data Store Informasi Produk Historis. Spesifikasi masing-masing proses disajikan dalam Lampiran A. IV.1.3.2.2 DFD Level 2: Proses 2 Data Mining
Proses 2 Data Mining terdiri dari 3 sub proses, yaitu Proses 2.1 Penyiapan Data, Proses 2.2 Clustering dan Proses 2.3 Pembuatan Aturan Estimasi seperti disajikan dalam Gambar IV-5. Bagian PPC berinteraksi langsung dengan Proses 2.1 Penyiapan Data pada saat memberikan data masukan parameter penyiapan data dan berinteraksi dengan Proses 2.2 Clustering pada saat memberikan data masukan berupa jumlah cluster. Proses 2.1 Penyiapan Data mempergunakan data masukan berupa Data Fitur Produk dari Data Store Informasi Produk Historis dan parameter penyiapan data dari Bagian PPC. Proses ini dipergunakan untuk menyiapkan data sebelum dipergunakan sebelum Proses 2.2 Clustering dilaksanakan. Hasil Proses 2.1 Penyiapan Data disimpan dalam Data Store Data Set yang selanjutnya dipergunakan oleh Proses 2.2 Clustering. Data yang disimpan ke dalam Data Store Data set meliputi Relasi, Atribut dan Data.
Gambar IV-5 DFD Level 2 Proses 2 Data Mining
Proses 2.2 Clustering dipergunakan untuk mengelompokkan Data Set menjadi sejumlah kelompok data berdasarkan kemiripan. Jumlah kelompok ditentukan oleh Bagian PPC melalui data masukan Jumlah Cluster. Data Relasi, Atribut dan
Data
ditambah
dengan
cluster
untuk
masing-masing
data
selanjutnya
dipergunakan sebagai data masukan bagi Proses 2.3 Pembuatan Aturan Estimasi. Proses 2.1 Penyiapan Data, Proses 2.2 Clustering dan Proses 2.3 Pembuatan Aturan Estimasi selanjutnya akan dirinci dalam DFD Level 3 dalam sub bab terpisah. IV.1.3.2.3 DFD Level 2: Proses 3 Estimasi Biaya Produksi
Proses 3 Estimasi Biaya Produksi terdiri dari Proses 3.1 Penentuan Cluster untuk Data Baru dan Proses 3.2 Penentuan Estimasi Biaya Produksi seperti disajikan dalam Gambar IV-6. Bagian PPC berinteraksi dengan Proses 3.1 Penentuan Cluster untuk Data Baru pada saat memasukkan parameter prediksi. Proses 3.1 Penentuan Cluster untuk Data Baru dipergunakan guna menentukan keanggotaan data baru terhadap kelompok data yang telah dihasilkan pada Proses 2.2 Clustering. Hasil dari Proses 3.1 ini dipergunakan Proses 3.2 Penentuan Estimasi Biaya Produksi untuk menghasilkan prediksi biaya berdasarkan parameter estimasi.
Gambar IV-6 DFD Level 2 Proses 3 Estimasi Biaya Produksi
Spesifikasi masing-masing proses disajikan dalam Lampiran A. IV.1.3.2.4 DFD Level 3: Proses 2.1 Penyiapan Data
Proses 2.1 Penyiapan Data dirinci menjadi 2 proses, yaitu Proses 2.1.1 Seleksi Atribut, Proses 2.1.2 Penyimpanan Data untuk Data Mining seperti disajikan dalam Gambar IV-7. Bagian PPC berinteraksi dengan Proses 2.1.1 Seleksi Atribut pada saat menentukan atribut disimpan dalam data set. Proses 2.1.1 Seleksi Atribut dipergunakan untuk melakukan pemilihan atribut yang akan dipergunakan untuk data mining. Proses ini mempergunakan data masukan berupa atribut dari Bagian PPC dan skema data dari Data Store Informasi Produk Historis sehingga dihasilkan atribut yang terpilih.
Gambar IV-7 DFD Level 3: Proses 2.1 Penyiapan Data
Proses 2.1.2 Penyimpanan Data untuk Data Mining dipergunakan untuk menyimpan data yang telah dipilih berdasarkan atribut sesuai Proses 2.1.1 Seleksi Atribut ke dalam Data Store Data Set. Spesifikasi masing-masing proses disajikan dalam Lampiran A. IV.1.3.2.5 DFD Level 3: Proses 2.2 Clustering
Proses 2.2 Clustering terdiri dari 2 proses, yaitu Proses 2.2.1 Inisialisasi Titik Pusat Cluster dan Proses 2.2.2 Clustering dengan K-Means seperti pada Gambar IV-8. Bagian PPC berinteraksi dengan Proses 2.2.1 Inisialisasi Titik Pusat Cluster pada saat memasukkan jumlah cluster yang akan dibentuk.
Proses 2.2.1 Inisialisasi Titik Pusat Cluster dipergunakan untuk menggantikan langkah pertama algoritma K-Means, yaitu penentuan titik pusat cluster awal. Pada algoritma K-Means, titik pusat cluster awal ditentukan dengan cara memilih sejumlah data secara acak. Dengan proses ini, diharapkan proses pengelompokan produk dapat dilakukan secara lebih baik dibandingkan dengan penggunaan algoritma K-Means biasa. Hasil dari proses ini adalah sejumlah centroid sesuai dengan jumlah cluster.
Data Set Relasi, Atribut, Data
Relasi, Atribut, Data
Jumlah cluster
Bagian PPC
2.2.1 Inisialisasi Titik Pusat Cluster
centroid
2.2.2 Clustering dengan KMeans
Relasi, Atribut, Data, Cluster
centroid
2.3
Aturan Estimasi
Gambar IV-8 DFD Level 3: Proses 2.2 Clustering
Proses 2.2.2 dipergunakan untuk mengelompokkan data ke dalam sejumlah kelompok data yang disebut cluster. Proses ini mempergunakan algoritma KMeans dengan cara menghitung jarak Euclidian data terhadap centroid. Jarak terkecil terhadap titik pusat cluster dijadikan sebagai dasar pengalokasian data ke dalam cluster. Hasil dari proses ini selanjutnya dipergunakan sebagai masukan dalam Proses 2.3 Pembuatan Aturan Estimasi. Spesifikasi masing-masing proses disajikan dalam Lampiran A. IV.1.3.2.6 DFD Level 3: Proses 2.3 Pembuatan Aturan Estimasi
Proses 2.3 Pembuatan Aturan Estimasi terdiri dari 6 proses, yaitu Proses 2.3.1 Pembuatan Matrik Persamaan Linier, Proses 2.3.2 Pembuatan Transpose Matrik Variabel Dependen, Proses 2.3.3 Perkalian Matrik Dependen dan Transpose, Proses 2.3.4 Pembuatan Matrik Inversi, Proses 2.3.5 Penghitungan Koefisien
Regresi dan Proses 2.3.6 Penyimpanan Aturan Estimasi seperti pada Gambar IV-9. Bagian PPC tidak terlibat dalam proses-proses tersebut. Proses 2.3.1 Pembuatan Matrik Persamaan Linier dipergunakan untuk membuat dua buah matrik, yaitu matrik yang berisi variabel dependen dan matrik harga. Matrik variabel dependen diperoleh dari Proses 2.3 Clustering dengan K-Means. Sedangkan matrik harga diperoleh dari Data Store Data Pesanan. Matrik Variabel Dependen selanjutnya dipergunakan sebagai data masukan Proses 2.3.2 Pembuatan Transpose Matrik Variabel Dependen, sedangkan Matrik Harga dipergunakan sebagai data masukan untuk Proses 2.3.5 Penghitungan Koefisien Regresi. Proses ini juga menyimpan atribut yang diperoleh dari Proses 2.3 Clustering dengan K-Means.
2.2 Harga Produk
Relasi, Atribut, Data, Cluster
2.3.1 Pembuatan Matrik Persamaan Linier
Data Pesanan
Matrik Variabel Dependen (A)
2.3.2 Pembuatan Transpose Matrik Variabel Dependen
(AT), (A)
2.3.3 Perkalian Matrix Dependen dan Transpose (ATA)
Atribut, cluster Matrix Harga, cluster
2.3.6 Penyimpanan Aturan Estimasi
Koefisien
2.3.5 Penghitungan Koefisien Regresi
(ATA)-1, (A)T
2.3.4 Pembuatan Matrik Inversi
Koefisien, cluster, atribut
Aturan Estimasi
Gambar IV-9 DFD Level 3: Proses 2.3 Pembuatan Aturan Estimasi
Proses 2.3.2 Pembuatan Transpose Matrik Variabel Dependen dipergunakan untuk membuat transpose dari sebuah matrik, yaitu pertukaran antara nilai baris dengan kolom sebuah matrik. Matrik berukuran m x n akan menghasilkan sebuah
matrik transpose berukuran n x m serta elemen matrik (m, n) akan menjadi elemen (n, m) pada matrik transpose nya. Proses 2.3.3 Perkalian Matrik Matrik Variabel Dependen dan Transpose akan melakukan proses perkalian matrik antara Matrik Transpose yang berukuran m x n dengan Matrik Variabel Dependen yang berukuran n x n. Hasil perkalian ini akan dipergunakan oleh Proses 2.3.4 Pembuatan Matrik Inversi sebagai data masukan. Proses 2.3.4 Pembuatan Matrik Inversi dipergunakan untuk membuat inversi dari sebuah matrik yang berukuran n x n. Syarat yang harus dipenuhi untuk dapat membuat sebuah matrik inversi adalah nilai determinan dari matrik tidak sama dengan nol. Determinan tidak bernilai nol dapat diperoleh jika sebuah matrik: 1. Tidak mempunyai baris yang seluruh elemennya bernilai nol 2. Tidak mempunyai dua baris elemen dengan nilai yang sama 3. Tidak mempunyai baris elemen yang merupakan kelipatan dari baris elemen lainnya Hasil dari Proses 2.3.4 Pembuatan Matrik Inversi dipergunakan sebagai data masukan bagi Proses 2.3.5 Pembuatan Koefisien Regresi. Proses 2.3.5 Pembuatan Koefisien Regresi dipergunakan untuk menghitung koefisien nilai regresi dengan membuat perkalian seperti pada Persamaan II-10. Dalam Persamaan II-10, matrik X akan diperoleh dari Matrik Variabel Dependen, matrik XT diperoleh dari nilai transpose Matrik Variabel Dependen dan matrik Y diperoleh dari Matrik Harga. Matrik β yang berisi koefisien regresi diperoleh dari perkalian matrik sesuai dengan Persamaan II-10. Proses 2.3.6 Penyimpanan Aturan Estimasi Hasil menyimpan data yang dihasilkan dari Proses 2.3.1 Pembuatan Matrik Persamaan Linier dan Proses 2.3.5 Penghitungan Koefisien Regresi ke dalam Data Store Aturan Estimasi. Dalam
proses ini juga dilakukan penghitungan MAPE dan koefisien regresi. Spesifikasi masing-masing proses disajikan dalam Lampiran A. IV.1.4 Kamus Data
Data yang terlibat di dalam Diagram Aliran Data seperti pada pembahasan sub bab IV.1.3.2 didefinisikan dalam sebuah kamus data, yang menjelaskan tentang definisi dari data. Kamus data untuk seluruh diagram aliran data disajikan dalam Tabel IV-2 Kamus Data Nama Data Parameter Estimasi
Referensi Proses Context Diagram, Proses 3, Proses 3.1
Prediksi Biaya Produksi File CAD
Context Diagram, Proses 3.2 Proses 1, Proses 1.1 Proses 1, Proses 1.5
Hasil Ekstraksi OrderID ProductName
Proses 1.1 Proses 1.1
Skema Data
Proses 2, Proses 2.1.1 Proses 2
Data fitur produk
Nilai Parameter Estimasi = File CAD + Parameter Data Mining + Parameter Prediksi Riil String Hasil Ekstraksi=Data fitur produk + OrderID + ProductName String String String Data fitur produk = panjang + lebar + tinggi + volume + [jenis Fitur pemesinan] Parameter Data Mining = jumlah cluster + skema data String
Parameter Data Mining
Proses 2
Rule
Parameter Prediksi
Proses 2, Proses 2.3 Proses 3, Proses 3.1 Proses 3
Status File
Proses 1.1
[OK,Tidak OK]
Panjang
Proses 1.2
Riil /*> =0*/
Lebar
Proses 1.2
Riil /*> =0*/
Data Rule Terpilih
[Rule] [panjang, lebar, tinggi, volume, [jenis Fitur pemesinan]]
Deskripsi Terdiri dari File CAD, Parameter Estimasi, Data Rule Terpilih, Jumlah Cluster Hasil Prediksi yang dihasilkan oleh sistem Nama File CAD sebagai input ekstraksi data Adalah hasil ekstraksi data produk Adalah identitas pesanan Adalah nama produk dalam tiap pesanan Skema data tabel Panjang, Lebar, Tinggi, jenis dan jumlah fitur pemesinan Terdiri dari Jumlah Cluster dan Skema Data Aturan Estimasi yang dihasilkan Aturan Estimasi yang dipilih oleh Bagian PPC Adalah data masukan untuk keperluan prediksi harga sebuah produk baru Status apakah sebuah file adalah file *.sldprt Adalah dimensi panjang sebuah produk Adalah dimensi lebar sebuah produk
Nama Data Tinggi
Referensi Proses Proses 1.2
Nilai Riil /*> =0*/
Volume
Proses 1.3
Riil /*> =0*/
Jenis Fitur pemesinan
Proses 1.4
[Face, Hole, Pocket, Boss, Surface, Side]
Jumlah Fitur pemesinan
Proses 1.4
Integer /*> =0*/
Parameter Penyiapan Data
Proses 2.1
Relasi
Cluster
Proses 2.1, Proses 2.2.1 Proses 2.1, Proses 2.2.1 Proses 2.1, Proses 2.2.1, Proses 2.2, Proses 3.1 Proses 2.3, 2.2.2
Parameter Penyiapan Data = skema data + nama relasi String
Atribut Terpilih
Proses 2.1.1
Jumlah Cluster
Proses 2.2.1
Centroid
Proses 2.2.1
Integer /*0<=cluster<=20*/ Riil
Harga Produk
Proses 2.3.1
Riil
Matrik Variabel Dependen (A)
Proses 2.3.1
Elemen data= riil jumlah baris= integer jumlah kolom= integer
Matrix Harga
Proses 2.3.1
(AT)
Proses 2.3.2
(ATA)
Proses 2.3.3
Elemen data= riil jumlah baris= integer jumlah kolom= integer Elemen data= riil jumlah baris= integer jumlah kolom= integer Elemen data= riil jumlah baris= integer jumlah kolom= integer
(ATA)-1
Proses 2.3.4
Koefisien
Proses 2.3.5
Atribut Data
String [integer, riil, string] Integer /*0<=cluster<=20*/ String
Elemen data= riil jumlah baris= integer jumlah kolom= integer Riil
Deskripsi Adalah dimensi tinggi sebuah produk Adalah volume sebuah produk Adalah fitur pemesinan, yaitu Face, Hole, Pocket, Boss, Surface, Side Adalah jumlah masingmasing jenis fitur pemesinan Terdiri dari skema data dan nama relasi Adalah nama dari sebuah tabel Adalah skema data dari sebuah tabel Data dari sebuah tabel Adalah identitas kelompok data Adalah skema data sebuah tabel yang dipilih oleh Bagian PPC Adalah jumlah kelompok data Adalah titik pusat sebuah cluster Adalah data harga produk Adalah data dalam bentuk matrik yang terdiri dari parameter atribut terpilih Adalah matrik yang berisi Harga Produk Adalah matrik transpose dari matrik variabel dependen A Adalah hasil perkalian antara matrik transpose dengan matrik variabel dependen Adalah matrik inversi dari (ATA) Adalah koefisien regresi dari sebuah persamaan linier
Berdasarkan data dan proses yang terlibat di dalam Diagram Aliran Data seperti pada pembahasan sub bab IV.1.3.2, terdapat empat Data Store yang terlibat yaitu Data Pesanan, Informasi Produk Historis, Data Set, Data Aturan Estimasi dan Hasil Estimasi Biaya. Data Store Informasi Produk Historis menyimpan informasi sesuai dengan aliran proses yang terhubung kepada Data Store tersebut. Informasi tersebut terdiri dari OrderID, ProductName, Fitur Geometri dan Fitur Pemesinan. Informasi Fitur Geometri berisi tentang Panjang, Lebar, Tinggi dan Volume Produk, sedangkan Fitur Pemesinan menyimpan informasi mengenai jumlah Hole, Face, Pocket, Boss, Surface dan Side. Deskripsi Data Store Informasi Produk Historis disajikan pada Tabel IV-3. Tabel IV-3 Data Store Informasi Produk Historis Nama Data
Nilai
Deskripsi
OrderID
String
Identitas pesanan
ProductName
String
Nama produk
Panjang
Riil /*> =0*/
Dimensi panjang material (mm)
Lebar
Riil /*> =0*/
Dimensi lebar material (mm)
Tinggi
Riil /*> =0*/
Dimensi ketebalan material (mm)
Volume
Riil /*> =0*/
Volume material
Jumlah Face
Riil /*> =0*/
Jumlah firut pemesinan face
Jumlah Hole
Integer /*> =0*/
Jumlah fitur pemesinan hole
Jumlah Pocket
Integer /*> =0*/
Jumlah fitur pemesinan pocket
Jumlah Boss
Integer /*> =0*/
Jumlah fitur pemesinan boss
Jumlah Surface
Integer /*> =0*/
Jumlah fitur pemesinan surface
Jumlah Side
Integer /*> =0*/
Jumlah fitur pemesinan side
Data Store Data Pesanan memuat informasi mengenai pesanan. Data Store ini dihasilkan oleh sistem lain, dan dipergunakan oleh Proses 2.3.1 Permbuatan Matrik Persamaan Linier untuk membuat Matrik Harga. Skema data yang diperoleh pada sistem lain disajikan dalam Tabel IV-4. Tabel IV-4 Deskripsi Data Store Data Pesanan
Nama Data
Nilai
Deskripsi
OrderID
String
Identitas pesanan
ProductName
String
Nama Produk
CustomerID
String
Identitas Pelanggan
OrderDate
Date /* dd-mm-yyyy*/
Tanggal pemesanan, dd-mm-yyyy
DeliveryDate
Date /* dd-mm-yyyy*/
Tanggal pengiriman, dd-mm-yyyy
Amount
Integer /* >0 */
Jumlah produk
Price
Riil /* >0 */
Harga produk
Data Store Data Set menyimpan informasi Relasi, Atribut dan Data. Deskripsi Data Store Data Set disajikan dalam Tabel IV-5. Tabel IV-5 Deskripsi Data Store Data Set Nama Data
Nilai
Deskripsi
Relasi
String
Nama Relasi
Atribut
String
Nama Atribut [ ]
Data
[integer, riil, string]
Data sesuai atribut [ ]
Data Store Aturan Estimasi menyimpan informasi cluster, atribut dan koefisien. Deskripsi Data Store Aturan Estimasi disajikan dalam Tabel IV-6. Tabel IV-6 Deskripsi Data Store Aturan Estimasi Nama Data
Nilai Integer
Deskripsi Nama Cluster
Cluster
/*0<=cluster<=20*/
Atribut
String
Nama Atribut [ ]
Koefisien
Riil
Koefisien regresi
Centroid
Riil
Titik pusat cluster
Data Store Hasil Estimasi Biaya menyimpan hanya satu informasi, yaitu Prediksi Biaya yang merupakan hasil prediksi biaya produksi. Hubungan antara Data Store Pesanan dengan Data Store Informasi Produk Historis merupakan hubungan one to one. Hubungan di antara kedua Data Store tersebut dapat digambarkan seperti pada Gambar IV-10.
Gambar IV-10 Relasi Data Store Informasi Produk Historis dan Data Pesanan
IV.1.5 Kebutuhan Non Fungsional
Kebutuhan non fungsional sistem pendukung keputusan estimasi biaya produksi lebih ditekankan kepada kebutuhan terhadap kecepatan pemrosesan data dan kehandalan. Pendefinisian kebutuhan non fungsional terhadap dua aspek tersebut dikarenakan sistem akan berinteraksi dengan jumlah data yang besar serta operasi aljabar linier yang membutuhkan banyak operasi.
IV.2 Deskripsi Perancangan IV.2.1 Arsitektur Perangkat Lunak
Berdasarkan proses-proses dalam Diagram Aliran pada sub bab IV.1.3.2, dapat didefinisikan proses-proses yang dibutuhkan untuk menyusun sistem informasi pendukung keputusan estimasi biaya. Proses-proses tersebut selanjutnya akan dipergunakan sebagai acuan perancangan. Daftar proses yang dibutuhkan disajikan dalam Tabel IV-7. Dalam Tabel IV-7, selain daftar nama proses juga disajikan referensi kebutuhan fungsional yang dijadikan sebagai bahan penyusunan proses. Tabel IV-7 Daftar Proses No
Nama Proses
Referensi Keb. Fungsional
1
Proses 1.1 Identifikasi File CAD
F–1
No
Nama Proses
Referensi Keb. Fungsional
2
Proses 1.2 Identifikasi Dimensi Produk
F–2
3
Proses 1.3 Penghitungan Volume Produk
F–2
4
Proses 1.4 Identifikasi Fitur Pemesinan
F–2
5
Proses 1.5 Penyimpanan Hasil Ekstraksi Fitur
F–2
6
Proses 2.1.1 Seleksi Atribut
F–3
7
Proses 2.1.2 Penyimpanan Data untuk Data Mining
F–3
8
Proses 2.2.1 Inisialisasi Titik Pusat Cluster
F–4
9
Proses 2.2.2 Clustering dengan K-Means
F–4
10
Proses 2.3.1 Pembuatan Matrik Persamaan Linier
F–5
11
Proses 2.3.2 Pembuatan Transpose Matrik Variabel Dependen
F–5
12
Proses 2.3.3 Perkalian Matrik Dependen dan Transpose
F–5
13
Proses 2.3.4 Pembuatan Matrik Inversi
F–5
14
Proses 2.3.5 Penghitungan Koefisien Regresi
F–5
15
Proses 2.3.6 Penyimpanan Aturan Estimasi
F–5
16
Proses 3.1 Penentuan Cluster untuk Data Baru
F–6
17
Proses 3.2 Penentuan Estimasi Biaya Produksi
F–6
Berdasarkan daftar proses dalam Tabel IV-7 dan DFD pada sub bab IV.1.3.2, disusun modul-modul sesuai fungsionalitas perangkat lunak seperti disajikan dalam Tabel IV-8. Modul-modul tersebut mencerminkan struktur lojik dari perangkat lunak pendukung keputusan estimasi biaya yang dikembangkan. Jika digambarkan dalam sebuah struktur hirarki aplikasi, modul-modul tersebut membentuk
arsitektur
perangkat
lunak.
Arsitektur
perangkat
lunak
menggambarkan struktur perangkat lunak secara keseluruhan. Arsitektur diharapkan dapat memperlihatkan konsep lengkap dari sebuah sistem dalam bentuk hirarki dari modul penyusun aplikasi dan menunjukkan bagaimana modulmodul tersebut berinteraksi. Arsitektur perangkat lunak sistem pendukung keputusan estimasi biaya disajikan pada Gambar IV-11. Tabel IV-8 Dekomposisi Fungsional Modul Nama Modul Ekstraksi Fitur Produk
Nama Proses Proses 1.1 Identifikasi File CAD
Nama Modul
Nama Proses Proses 1.2 Identifikasi Dimensi Produk Proses 1.3 Penghitungan Volume Produk Proses 1.4 Identifikasi Fitur Pemesinan Proses 1.5 Penyimpanan Hasil Ekstraksi Fitur
Pengolahan Awal Data
Proses 2.1.1 Seleksi Atribut Proses 2.1.2 Penyimpanan Data untuk Data Mining
Clustering
Proses 2.2.1 Inisialisasi Titik Pusat Cluster Proses 2.2.2 Clustering dengan K-Means
Pembuatan Aturan Estimasi
Proses 2.3.1 Pembuatan Matrik Persamaan Linier Proses 2.3.6 Penyimpanan Aturan Estimasi
Pengelolaan Matrik
Proses 2.3.2 Pembuatan Transpose Matrik Variabel Dependen Proses 2.3.3 Perkalian Matrik Dependen dan Transpose Proses 2.3.4 Pembuatan Matrik Inversi Proses 2.3.5 Penghitungan Koefisien Regresi
Estimasi Biaya Produk Baru
Proses 3.1 Penentuan Cluster untuk Data Baru Proses 3.2 Penentuan Estimasi Biaya Produksi
Aplikasi
Penentuan Estimasi Biaya Produksi
Penyimpanan Aturan Estimasi
Pembuatan Transpose Matrik Variabel Dependen
Perkalian Matrik Dependen dan Transpose
Pembuatan Matrik Inversi
Penghitungan Koefisien Regresi
Pembuatan Matrik Persamaan Linier
Identifikasi Dimensi Produk
Penghitungan Volume Produk
Identifikasi Fitur Pemesinan
Penyimpanan Hasil Ekstraksi Fitur
Seleksi Atribut
Penyimpanan Data untuk Data Mining
Inisialisasi Titik Pusat Cluster
Clustering dengan KMeans
Pengelolaan Matrik
Identifikasi File CAD
Gambar IV-11 Arsitektur Perangkat Lunak
Penentuan Cluster untuk Data Baru
Pembuatan Aturan Estimasi Clustering Pengolahan Awal Data
Estimasi Biaya Produk Baru Data Mining Ekstraksi Fitur Produk
IV.2.2 Deskripsi Data
Dekomposisi fisik Data Store diwujudkan dalam bentuk tabel dan file. Informasi umum mengenai rancangan fisik dari Data Store disajikan dalam Tabel IV-9. Tabel IV-9 Implementasi Fisik Data Store Data Store
Type Data
Nama File/Tabel
Laju
Informasi Produk Historis
Tabel
InfoProduct
2400 per tahun
Data Pesanan
Tabel
Order
2400 per tahun
Data Set
File
[DataSet]
Aturan Estimasi
File
[EstimationRule]
IV.2.2.1 Tabel InfoProduct Tabel IV-10 Tabel InfoProduct Atribut
Type Data
Ukuran
Primary Key
OrderID
String
4
Yes
ProductName
String
40
Yes
Mat.Length
Double
Mat.Width
Double
Mat.Thick
Double
Mat.Volume
Double
NumFace
Integer
NumHole
Integer
NumPocket
Integer
NumBoss
Integer
NumSurface
Integer
NumSide
Integer
Tabel InfoProduct merupakan dekomposisi fisik dari Data Store Informasi Produk Histori. Struktur tabel infoproduct disajikan dalam Tabel IV-10. IV.2.2.2 Tabel Order
Tabel Order merupakan dekomposisi fisik dari Data Store Pesanan. Struktur tabel Order disajikan dalam Tabel IV-11.
Tabel IV-11 Tabel Order Atribut
Type Data
Ukuran
Primary Key
OrderID
String
4
Yes
OrderName
String
CustomerID
String
OrderDate
Date
DeliveryDate
Date
Amount
Integer
Price
Integer
IV.2.2.3 File [DataSet]
File ini disimpan dengan penamaan dan lokasi penyimpanan yang ditentukan oleh pengguna pada saat penyimpanan. File ini merupakan implementasi Data Store Data Set dan disimpan dalam bentuk tipe file .arff. Tipe file .arff mempunyai struktur isi yang tediri dari dua bagian, yaitu header dan data. Bagian header berisi komentar, relasi dan atribut. Baris komentar selalu diawali dengan karakter %, sedangkan baris relasi dengan @RELATION dan baris atribut diawali dengan @ATTRIBUTE. Bagian data merupakan seluruh baris setelah @DATA. Data untuk tiap atribut disimpan dengan dipisahkan oleh tanda koma. Khusus untuk atribut string, maka data diawali dan diakhiri dengan tanda single quote ( ‘ ). @RELATION nama-umur @ATTRIBUTE Nama @ATTRIBUTE Umur
STRING NUMERIC
@DATA ‘John’,28 ‘Adam’,27
IV.2.2.4 File [EstimationRule]
File ini disimpan dengan penamaan dan lokasi penyimpanan yang ditentukan oleh pengguna pada saat penyimpanan. File EstimationRule yang merupakan
implementasi Data Store aturan estimasi. File EstimationRule terdiri dari dua bagian yaitu bagian aturan estimasi dan titik pusat cluster. Baris pada bagian aturan estimasi diawali dengan @RULE, sedangkan baris pada bagian titik pusat cluster diawali dengan @CLUSTERCENTER. Pada baris aturan estimasi, terdapat tiga kolom data yaitu kolom cluster, atribut dan koefisien regresi sedangkan bagian titik pusat cluster, terdapat dua kolom data yaitu cluster dan titik pusat cluster. Contoh isi file EstimationRule sebagai berikut: @RULE 0 NumFace @RULE 0 NumHole @RULE 0 NumSide @RULE 1 NumFace @RULE 1 NumHole @RULE 1 NumSide @RULE 2 NumFace @RULE 2 NumHole @RULE 2 NumSide @CLUSTERCENTER 0 @CLUSTERCENTER 1 @CLUSTERCENTER 2
0.974371956217754 0.604320362601862 2.60861179420418E-02 -0.232954668210712 -0.175947491001483 0.557272919754394 0.631752153822889 0.731931686934726 0.159162875060349 3.38, 1.44, 3 4.86, 2.43, 19.43 5.54, 19.62, 8.15
Pada contoh tersebut di atas, terdapat 3 cluster yaitu cluster 0, cluster 1 dan cluster 2 dengan atribut NumFace, NumHole dan NumSide. IV.2.3 Dekomposisi Fisik Modul
Dekomposisi fisik modul mendefinisikan implementasi fisik dari masing-masing modul yang dirancang sesuai dengan arsitektur perangkat lunak yang disajikan pada sub bab IV.2.1. Dekomposisi fisik modul disajikan dalam Tabel IV-12. Tabel IV-12 Dekomposisi Fisik Modul Nama Modul
Nama Modul
Ekstraksi Fitur Produk
CAD.bas
Pengolahan Awal Data
DM.bas
Clustering
KM.bas
Pembuatan Aturan Estimasi
MLR.bas
Pengelolaan Matrik
Matrices.bas
Prediction
Prediction.bas
IV.2.4 Rancangan Layar Tabel IV-13 Perancangan Layar Nama Layar
Nama File
Gambar Rancangan
L1 Layar Main
mainApp.frm
Gambar IV-13
L2 Layar Extract from One File
frmOneFile
L3 Layar Extract from Directory
frmDirFile
Gambar IV-14
L4 Layar Extraction Result
frmSaveEkstraksi
Gambar IV-15
L5 Layar Feature Selection
frmFeatSelect
Gambar IV-16
L6 Layar Dataset
frmDataset
Gambar IV-17
L7 Layar Clustering
frmClustering
Gambar IV-18
L8 Layar Clustering Result
frmClustResult
Gambar IV-19
L9 Layar Save Rule
frmSaveRule
Gambar IV-20
L10 Layar Predict New Price
frmPrediction
Gambar IV-21
L1
L2
L3
L4
L5
L7
L6
L8
L10
L9
Gambar IV-12 Kebergantungan Antar Layar
Antar muka pengguna dirancang dalam bentuk layar. Daftar layar yang dibutuhkan sistem estimasi biaya produksi disajikan dalam Tabel IV-13. Dalam tabel tersebut, setiap layar disimpan dalam sebuah file yang berbeda. Secara umum, terdapat 10 layar yang dibutuhkan dalam sistem estimasi biaya produksi
ini. Di antara 10 layar tersebut, terdapat 1 layar utama aplikasi dimana seluruh layar bergantung kepadanya. Kebergantungan dari setiap layar dari sistem estimasi biaya produksi disajikan dalam Gambar IV-12. Dalam Gambar IV-12 dapat dilihat bahwa seluruh layar bergantung secara langsung maupun tidak langsung pada sebuah layar utama. Layar yang bergantung langsung pada layar utama adalah L2, L3, L5, L7 dan L10. L4 bergantung pada layar L2 atau L3, sedangkan layar L6 bergantung langsung pada layar L5, layar L8 bergantung langsung pada layar L7 dan layar L9 bergantung langsung pada layar L8. Rancangan Layar disajikan dalam Gambar IV-13 sampai dengan Gambar IV-21 dengan rincian disajikan dalam Lampiran B.
Gambar IV-13 L1 Layar Main
Gambar IV-14 L3 Layar Extract from
Gambar IV-15 L4 Layar Extraction Result
Directory
Gambar IV-16 L5 Layar Feature Selection
Gambar IV-17 L6 Layar Dataset
Gambar IV-18 L7 Layar Clustering
Gambar IV-19 L8 Layar Clustering Result
Gambar IV-20 L9 Layar Save Rule
Gambar IV-21 L10 Layar Predict New Price
