Bab V
Implementasi, Pengujian dan Evaluasi Hasil Pengujian
Bagian ini menjelaskan hasil implementasi perangkat lunak yang dibangun, pelaksanaan pengujian perangkat lunak dan evaluasi hasil pengujian.
V.1 Implementasi V.1.1 Lingkungan Implementasi
Perangkat keras yang dipergunakan dalam implementasi dan dapat digunakan untuk menjalankan sistem ini mengacu pada spesifikasi kebutuhan perangkat keras FeatureCAMTM, yaitu sebuah komputer dengan spesifikasi minimum: 1. Intel Pentium 4 2. Memori 1 GB 3. Space harddisk 1 GB 4. Layar dengan resolusi 1024 x 768 dengan warna 24 bit Lingkungan perangkat lunak juga mengacu pada spesifikasi kebutuhan perangkat lunak FeatureCAMTM, yaitu sistem operasi WindowsTM XP atau di spesifikasi yang lebih tinggi dengan perangkat lunak lain yang diperlukan adalah: 1. MySQLTM server 3.1 atau di atasnya 2. FeatureCAMTM Type Library V.1.2 Konfigurasi
Untuk dapat menjalankan perangkat lunak pendukung keputusan estimasi biaya produksi, diperlukan konfigurasi awal. Konfigurasi ini berhubungan dengan lokasi penyimpanan data historis rancangan produk dan lokasi penyimpanan hasil
ekstraksi. Konfigurasi awal untuk perangkat lunak pendukung keputusan estimasi biaya meliputi: 1. Pembuatan tabel InfoProduct dan InfoOrder pada mysql, dapat dilakukan dengan mempergunakan perintah berikut: CREATE TABLE InfoProduct ( OrderID varchar(4), ProductName varchar(50), MatLength double, MatWidth double, MatThick double, MatVolume double, NumFace int, NumHole int, NumPocket int, NumBoss int, NumSurface int, NumSide int, PRIMARY KEY (OrderID,ProductName)); CREATE TABLE InfoOrder ( OrderID varchar(4), ProductName varchar(50), CustomerID varchar(10), OrderData date, DeliveryDate date, Amount int, Price int, PRIMARY KEY (OrderID,ProductName));
2. Pengaturan koneksi terhadap database dilakukan dengan menentukan user, password dan lokasi server MySQL. Pengaturan ini dapat dilakukan dengan melakukan pengubahan nilai parameter yang tersimpan pada file C:\CSMConnect.txt 3. Jika lokasi direktori penyimpanan file SolidworksTM berada di komputer lain dalam jaringan, maka diperlukan mapping directory ke dalam ke dalam komputer lokal. Jika diperlukan otentifikasi pengguna, maka proses otentifikasi harus dilaksanakan sebelum menjalankan aplikasi.
V.2 Pengujian V.2.1 Tujuan Pengujian
Pengujian adalah kegiatan untuk mencari kesalahan perangkat lunak sebelum dipergunakan oleh pengguna. Tujuan dari pengujian ini adalah untuk:
1. mencari kesalahan dari hasil proses ekseskusi suatu program 2. memastikan
bahwa
perangkat
lunak
telah
memenuhi
spesifikasi
kebutuhannya V.2.2 Ruang Lingkup Pengujian
Pengujian dilakukan pada seluruh proses dalam perangkat lunak melalui layar yang telah disediakan. V.2.3 Strategi Pengujian
Sesuai dengan tujuan pengujian, maka pengujian difokuskan untuk mengetahui fungsionalitas perangkat lunak. Kesesuaian hasil implementasi dengan spesifikasi menjadi pertimbangan utama pelaksanaan pengujian. Karena itu pengujian dilaksanakan dengan mempergunakan antar muka pengguna pada tingkat pengujian unit dengan jenis pengujian black box. Selain pengujian fungsional, juga dilakukan pengujian unit dengan jenis pengujian black box untuk proses-proses berikut: 1. Proses 2.2.1 Inisialisasi Titik Pusat Cluster 2. Proses 2.2.2 Clustering dengan K-Means 3. Proses 2.3.2 Pembuatan Transpose Matrik Variabel Dependen 4. Proses 2.3.3 Perkalian Matrik Dependen dan Transpose 5. Proses 2.3.4 Pembuatan Matrik Inversi Untuk itu, disusun langkah-langkah pengujian yang terdiri dari kegiatan-kegiatan sebagai berikut: 1. Menyusun kasus uji sesuai dengan ruang lingkup pengujian 2. Melakukan pengujian untuk setiap kasus uji pada lingkungan pengujian yang ditetapkan 3. Mengevaluasi hasil pengujian
V.2.4 Kasus Uji
Kasus uji pengujian fungsional disusun mulai dari proses ekstraksi data dari file CAD sampai dengan pelaksanaan prediksi biaya produksi untuk data baru. Kasus uji dikembangkan sebagai berikut: 1. Ekstraksi Data a. Disediakan data awal gambar produk yang tersimpan dalam direktori C:\PRODUK yang berisi sub direktori berikut: 7021 7030 7034 7038 7042
-
SIZE ROLLER & TIMING PULLEY - PVM1 MOLD TUTUP KECIL - KNM SMD COIL CONNECTOR - SET ROLLER MEJA PRESS KARET - DPL MATRES O RING HINO – RPS
Selanjutnya dilakukan ekstraksi data. b. Buka menu CAD Data | Extract From Directory, dan pilih direktori C:\PRODUK c. Sesudah direktori C:\PRODUK dipilih, klik tombol Proceed d. Hasil ekstraksi disimpan ke dalam database 2. Penyiapan Data a. Berdasarkan data yang sudah disimpan di dalam database, dilakukan penyiapan data pada menu Data Mining | Data Preparation
b. Setelah Layar
Feature
OrderID,
ProductName,
NumBoss,
NumSurface
Selection NumFace,
muncul, pilih atribut NumHole,
NumPocket,
dan NumSide dengan cara menekan
tombol >> untuk memindahkan atribut-atribut tersebut ke sisi
sebelah kanan c. Hasil penyiapan data disimpan dalam file sebagai relasi data5order
3. Clustering dan Pembangkitan Aturan Estimasi
a. Pilih menu Data Mining | Clustering Prediction b. Pada layar Clustering, pilih relasi yang akan diminculkan dan pilih relasi data5order c. Isikan angka 3 pada textbox NumberOfCluster(s) d. Hasil aturan estimasi disimpan sebagai aturan1 e. Ulangi langkah 3.a sampai dengan 3.d sejumlah 5 kali dengan textbox NumberOfCluster(s) pada langkah 3.c bernilai [0, 1, 21, 5] serta disimpan sebagai rule aturan1 dan aturan5 4. Prediksi terhadap nilai baru a. Pilih menu Predict New Product b. Pada layar Predict New Price, pilih Rule melalui combobox dan pilih file aturan1 c. Isikan angka [4,13,7,1,6,20] pada textbox [NumFace, NumHole, NumPocket, NumBoss, NumSurface, NumSide] dan klik tombol Predict Price
Kasus uji untuk pengujian unit dikembangkan sebagai berikut: 1. Pengujian Proses 2.2.1 Inisialisasi Titik Pusat Cluster a. Diberikan data dengan dua atribut, sebegai berikut: ID 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
X 3 1 3 4 8 3 6 2 7 8 8 4 4 3 9
Y 9 5 3 0 7 1 9 5 9 1 7 1 2 5 4
b. Data dibagi menjadi 2 cluster, maka titik pusat awal cluster pertama adalah (4.33, 1.33) dan titik pusat awal cluster kedua adalah (5.2,6.7) 2. Pengujian Proses 2.2.2 Clustering dengan K-Means a. Berdasarkan titik pusat awal tersebut, dilakukan clustering dengan k-means b. Hasil
yang
diharapkan,
cluster
pertama
terdiri
dari
ID
(4,6,12,10,13,3,15) sedangkan cluster kedua terdiri dari ID (2,8,14,5,11,1,7) 3. Pengujian Proses 2.3.2 Pembuatan Transpose Matrik Variabel Dependen a. Diberikan sebuah matrik berukuran 3 x 2 sebagai berikut 1 2 A= 5 3 3 3
b. Hasil yang diharapkan adalah matrik berukuran 2 x 3 sebagai berikut AT =
1 5 3 2 3 3
4. Pengujian Proses 2.3.3 Perkalian Matrik Dependen dan Transpose a. Diberikan matrik
A = T
1 5 3 2 3 3
1 2
, sehingga A = 5 3 3 3
b. Diharapkan hasil perkalian di antara matrik berukuran 2 x 2 yaitu AT A =
35 26 26 22
5. Pengujian Proses 2.3.4 Pembuatan Matrik Inversi a. Diberikan matrik AT A = 35 26
26 22
b. Diharapkan hasil inversi adalah (AT A)−1 = 0.23 − 0.28
− 0.28 0.37
6. Pengujian Proses 2.3.6 Penyimpanan Aturan Estimasi Hasil. Dalam proses ini juga disertakan penghitungan MAPE dari model estimasi. Pengujian
khusus
ini
hanya
ditujukan
untuk
melakukan
verifikasi
proses
penghitungan MAPE. a. Diberikan AT sebagai nilai aktual dan FT sebagai nilai prediksi sebagai berikut: AT
FT
4 5 6 4 6 7 6 6
2 7 5 5 5 8 5 5
b. Diharapkan hasil MAPE sebesar 24.5% dengan nilai akurasi sebesar 75.5 %
V.3 Evaluasi Hasil Pengujian Evaluasi terhadap hasil pengujian dilakukan untuk
mengetahui kesesuaian
spesifikasi kebutuhan dan rancangan telah dipenuhi berdasarkan hasil kasus uji yang telah dibangun. Hasil dari pengujian terhadap kasus uji untuk pengujian fungsionalitas disajikan pada Tabel V-1. Sedangkan pengujian unit untuk prosesproses tertentu disajikan pada Tabel V-2. Tabel V-1 Kasus Uji Fungsionalitas No
Kasus Uji
Hasil Pengujian
1
Ekstransi Data
1.b
menu CAD Data | Extract From
Menampilkan Layar Extract From
Directory
Directory
klik tombol Proceed
Menjalankan ekstraksi dan
1.c
Status OK OK
menampilkan Layar Extraction Result 1d
Penyimpanan hasil ekstraksi ke
Data disimpan dalam tabel InfoProduct
OK
Layar Feature Selection Ditampilkan
OK
dalam database 2
Penyiapan Data
2a
menu Data Mining | Data Preparation
OK
No 2b
Kasus Uji
Hasil Pengujian
pilih atribut OrderID, ProductName,
Atribut berpindah ke textbox sebelah
NumFace, NumHole, NumPocket,
kanan, menampilkan data sesuai atribut
NumBoss, NumSurface dan
yang dipilih
Status OK
NumSide 2c
Simpan data dalam relasi data5order
Data tersimpan dalam
OK
C:\CSM\Dataset\data5order.arff 3
Clustering dan Pembangkitan Aturan Estimasi
3a
Pilih menu Data Mining | Data
Layar Clustering ditampilkan
OK
Pilih relasi yang akan ditampilkan
Data set yang tersimpan dalam
OK
dengan memilih data5order
C:\CSM\Dataset\data5order.arff
Prediction 3b
ditampilkan 3c 3c 3d
Pengisian jumlah cluster 3 dan
Hasil clustering dimulai dari cluster 0,
dilakukan clustering
1 dan 2
Pengisian jumlah cluster 5 dan
Hasil clustering dimulai dari cluster 0,
dilakukan clustering
1, 2, 3 dan 4
Simpan ke dalam
File terbentuk dan berisi aturan
C:\PRODUK\aturan3.txt
estimasi
OK OK OK
4
Prediksi terhadap Nilai Baru
4a
Pilih menu Predict New Product
Layar Predict New Price ditampilkan
OK
4b
Pilih Rule melalui combobox Rule
Isi file C:\CSM\rule\aturan1.rule
OK
Name dan pilih file aturan1
ditampilkan
Isikan angka [4,13,7,1,6,20] pada
Hasil prediksi harga ditampilkan
4c
OK
textbox [NumFace, NumHole, NumPocket, NumBoss, NumSurface, NumSide] dan klik tombol PredictPrice Tabel V-2 Kasus Uji Pengujian Unit pada Proses Tertentu No 1 2
Kasus Uji
Hasil Pengujian
Proses 2.2.1 Inisialisasi Titik Pusat
Menghasilkan (4.33, 1.33) dan
Cluster
(5.2,6.7)
Proses 2.2.2 Clustering dengan K-
Menghasilkan (4,6,12,10,13,3,15) dan
Means
(2,8,14,5,11,1,7)
Status OK OK
No 3
Kasus Uji Proses 2.3.2 Pembuatan Transpose Matrik Variabel Dependen
4
Proses 2.3.3 Perkalian Matrik Dependen dan Transpose
5
Proses 2.3.4 Pembuatan Matrik Inversi
6
Hasil Pengujian
Status
Menghasilkan 1 5 3 2 3 3
OK
35 26
OK
Menghasilkan
Menghasilkan
26 22
0.23 − 0.28 − 0.28 0.37
Proses 2.3.6 Penyimpanan Aturan
Menghasilkan MAPE = 24.5% dan
Estimasi
akurasi = 75.5 %
OK
OK
Berdasarkan hasil pengujian pada Tabel V-1 dan Tabel V-2, evaluasi terhadap hasil pengujian menunjukkan bahwa seluruh spesifikasi terpenuhi seperti ditampilkan pada Tabel V-3. Tabel V-3 Evaluasi Hasil Pengujian Kode Spesifikasi
Spesifikasi
Status
F-1
Mampu melakukan identifikasi file CAD
Dipenuhi
F-2
Mampu melakukan ekstraksi fitur geometri dan pemesinan
Dipenuhi
yang tersimpan dalam sebuah file CAD F-3
Mampu untuk melakukan pengolahan awal data
Dipenuhi
F-4
Mampu melakukan clustering untuk keperluan
Dipenuhi
pengelompokan produk F–5
Mampu melakukan pembangkitan rumus estimasi dengan
Dipenuhi
mempergunakan metode prediction untuk tiap-tiap kelompok produk yang dihasilkan pada spesifikasi 4 F–6
Mampu melakukan pengelompokan produk baru dan membangkitkan prediksi biaya produksi
Dipenuhi
