JURNAL RANCANG BANGUN PERANGKAT LUNAK MENGKLASIFIKASI KUALITAS BIJI KOPI DENGAN METODE BACPROPAGATION (STUDI KASUS : MATERIAL WAREHOUSE PT. SANTOS JAYA ABADI)
Disusun Oleh : JARWO JIWO KUSUMO NIM : 04209018
PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS NAROTAMA SURABAYA 2014
RANCANG BANGUN PERANGKAT LUNAK MENGKLASIFIKASI KUALITAS BIJI KOPI DENGAN METODE BACPROPAGATION (STUDI KASUS : MATERIAL WAREHOUSE PT. SANTOS JAYA ABADI)
Jarwo Jiwo Kusumo Mahasiswa Program Studi Sistem Informasi, Universitas Narotama Dosen Pembimbing I : Drs. Didik Tristianto S.Kom, M.Kom Dosen Pembimbing II : Mustika Mentari, S.Kom ABSTRAK
Material Warehouse merupakan gudang penyimpanan biji kopi, pengelolaan data biji kopi yang ada di gudang masih dilakukan secara manual. Penilaian disposisi merupakan hasil keputusan dari proses Nilai cacat, standart mutu, Grade untuk menentukan kualitas biji kopi. Perangkat lunak mengklasifikasi kualitas biji kopi ini dibuat untuk membantu dan memudahkan pihak gudang secara komputerisasi, agar penetuan kualitas biji kopi dapat berjalan dengan baik. Tujuan dari penelitian ini adalah membuat perangkat lunak yang dapat menetukan kualitas biji kopi dengan menggunakan metode jaringan saraf tiruan (backpropagation).Arsitektur jaringan saraf tiruan yang digunakan adalah multilayer neural network, dengan algoritma pembelajaran backpropagation. Untuk membantu menentukan nilai grade pada biji kopi. Dari hasil penelitian ini menggunakan algoritma backpropogation dengan tingkat keakurasian 96,7 % dan disimpulkan sistem yang sudah dibangun dapat menentukan nilai disposisi berdasarkan kualitas biji kopi dengan baik.
Kata Kunci : Material Warehouse, Klasifikasi Perangkat Lunak, Backpropagation, Biji kopi, Komputerisasi, Grade.
Dengan adanya sistem basis data yang
1. PENDAHULUAN
terkomputerisai
dengan
baik,
pengambilan
Persediaan bahan baku biji kopi memiliki
keputusan dapat dilakukan dengan lebih cepat dan
peranan penting dalam mendukung kelancaran
tepat karena didukung oleh data-data yang akurat.
proses produksi. Oleh karena itu persediaan bahan
Dalam penelitian ini, metode Backpropagation
baku perlu direncanakan dengan baik. Untuk
merupakan
melakukan perencanaan dan pengendalian yang
jaringan
baik demi peningkatan kwalitas bahan baku biji
algoritma
kopi maka diperlukan suatu metode pengendalian
biasanya digunakan oleh perceptron dengan
yang tepat serta sistem basis data yang efektif
banyak layar lapisan untuk mengubah bobot-bobot
sehingga mampu bekerja secara terkomputerisasi
yang
dengan baik. Pengendalian persediaan bahan baku
Backpropagation adalah pelatihan jenis terkontrol
menggunakan metode Backpropogation.
dimana menggunakan pola penyesuaian bobot
sebuah
saraf
metode
tiruan
pembelajaran
ada
pada
sistematik
dengan yang
lapisan
pada
menggunakan terawasi
dan
tersembunyinya.
untuk mencapai nilai kesalahan yang minimum Dalam pembuatan tugas akhir ini mengacu beberapa hasil penelitian terdahulu. Dari beberapa
antara keluaran hasil prediksi dengan keluaran yang nyata. (F.Suhandi, 2009)
hasil penelitian dari Kiki Sri Kusumadewi, dan Nurtriana Hidayati , maka dapat digambarkan beberapa konsep yang berbeda tapi dapat membuat sebuah
keputusan
dengan
adanya
metode
Backpropogation. Konsep yang diterapkan pada skripsi
ini
dengan
referensi
penelitian
sebelumnya adalah pada penggunaan metode, yaitu metode Backpopogation. Sedangkan, jurnal yang di lakukan oleh Julianus Dising, Musa Palungan dan sudianto lande lebih menekan kan kepada desain alat pengupas dan peningkatan kualiatas dan kuantitas biji kopi. perbedaan
antara
penelitian
tersebut
skripsi
ini
adalah
Sehingga
dengan jurnal pada
letak
pembahasannya. Pada skripsi ini lebih difokuskan pada sistem database-nya
untuk menjelaskan
bagaimana cara agar biji kopi
pada material
2. TINJAUAN PUSTAKA
2.1. Kualitas Biji Kopi Dalam menetukan mutu biji kopi PT. Santos Jaya Abadi mengacu pada penggunaan Sistem Nilai Cacat (Defects Value System) sesuai keputusan ICO (International Coffe Organization). Dalam sistem cacat, semakin banyak nilai cacatnya, mutu kopi akan semakin rendah dan sebaliknya Dewan
ICO
(International
Coffee
Organization) awal tahun 2002 mengadakan sidang dan menghasilkan Resolusi No. 407 yang berisi Program Perbaikan Mutu Kopi yang mulai efektif diberlakukan per 1 Oktober 2002. Standar minimum dalam Resolusi 407 adalah :
warehouse di PT. Santos Jaya Abadi dapat dilakukan suatu identifikasi yang dibantu dengan sistem penunjang keputusan untuk meningkatakan kualitas biji kopi
a. Kopi Arabika : nilai cacat maks 86 per 300 gr sample menurut standar mutu Brazil/New York
serta rancangan permodelan
hasil laporan biji kopi.
b. Kopi Robusta : nilai cacat maks 150 per 300 gr sample menurut standar mutu Indonesia/ Vietnam c. Kadar Air : maks 12,5 % berdasarkan metode ISO 6673
Pada penjelasan gambar diatas bahwa nilai
2.2. Jaringan Syaraf Tiruan
(X) merupakan nilai masukan yang akan di uji, Jaringan Syaraf Tiruan (JST) merupakan
nilai (V) adalah bobot pada lapisan tersembunyi.
salah satu sistem pemrosesan informasi atau data
Dimana nilai (V) akan menjadi nilai baru pada
yang didisain dengan menirukan cara kerja otak
hidden layer yang diwakilkan dengan nilai (Z).
manusia dalam menyelesaikan suatu masalah
Sedangkan nilai (W) merupakan bobot pada
dengan
lapisan keluaran, yang akhirnya akan menentukan
melakukan
proses
belajar
melalui
perubahan bobot sinapsisnya. JST yang berupa
nilai keluaran yaitu nilai (Y)
susunan sel-sel saraf tiruan (neuron) dibangun berdasarkan
prinsip-prinsip
organisasi
otak
Pada dasarnya, algoritma pelatihan standar
manusia. Salah satu metode yang digunakan dalam
backpropagation
akan
menggerakkan
bobot
JST adalah Backpropagation.
dengan arah gradien negatif. Prinsip dasar dari algoritma backpropagation adalah memperbaiki
3. METODOLOGI PENELITIAN
fungsi aktivasi menjadi turun dengan cepat.
3.1. Arsitektur Backpropagation Arsitektur
algoritma
bobot-bobot jaringan dengan arah yang membuat
Pelatihan backpropagation meliputi 3 fase sebagai backpropagation
berikut ( Hito Mario, 2009 )
terdiri dari tiga layer, yaitu input layer, hidden layer dan output layer. Pada input layer tidak
a) Fase 1, yaitu propagasi maju.
terjadi proses komputasi, namun pada input layer
Pola masukan dihitung maju mulai dari layar
terjadi pengiriman sinyal input X ke hidden layer.
masukan hingga layar keluaran menggunakan
Pada hidden dan output layer terjadi proses
fungsi aktivasi yang ditentukan.
komputasi terhadap bobot dan bias dan dihitung
b) Fase 2, yaitu propagasi mundur.
pula besarnya output dari hidden dan output layer
Selisih antara keluaran jaringan dengan target yang
tersebut berdasarkan fungsi aktivasi tertentu.
diinginkan merupakan kesalahan yang terjadi.
Dalam algoritma backpropagation ini digunakan
Kesalahan yang terjadi itu dipropagasi mundur.
fungsi aktivasi sigmoid biner seperti dijelaskan
Dimulai dari garis yang berhubungan langsung
pada gambar 1.1 dibawah ini, .
dengan unit-unit di layar keluaran. c) Fase 3, yaitu perubahan bobot. Modifikasi bobot untuk menurunkan kesalahan yang terjadi. Ketiga fase tersebut diulang-ulang terus
hingga
Algoritma
kondisi pelatihan
penghentian untuk
dipenuhi. jaringan
backpropagation dengan satu layar tersembunyi (dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut.
Gambar 2.2 Arsitektur Backpropagration
( Sumber: Algoritma backpropagation kusumadewi, 2013 )
1. Langkah 0 Inisialisasi semua bobot dengan bilangan acak kecil.
δk merupakan unit kesalahan yang akan dipakai
dalam
perubahan
bobot
layar
dibawahnya. Hitung perubahan bobot wkj dengan laju pemahaman α .
2. Langkah 1 Jika kondisi penghentian belum dipenuhi,
8. Langkah 7
lakukan langkah 2-8.
Hitung faktor δ unit tersembunyi berdasarkan
3. Langkah 2
kesalahan di setiap unit tersembunyi zj (j = 1,
Untuk setiap pasang data pelatihan pada langkah 3-8 4. Langkah 3 (langkah 3-5 merupakan fase 1) Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya.
Faktor δ unit tersembunyi.
5. Langkah 4 Hitung semua keluaran di unit tersembunyi zj (j = 1, 2,..., p). Hitung suku perubahan bobot vji.
9. Langkah 8 (fase 3) Hitung semua perubahan bobot. Perubahan bobot garis yang menuju ke unit keluaran, yaitu:
6. Langkah 5 Hitung semua keluaran jaringan di unit keluaran yk (k = 1, 2,...,m).
Perubahan bobot garis yang menuju ke unit tersembunyi, yaitu:
Parameter pemahaman
yang
α
merupakan
menentukan
laju
kecepatan
iterasi. Nilai α terletak antara 0 dan 1 (0 ≤ α ≤ 1). Semakin besar harga α , semakin sedikit 7. Langkah 6 (langkah 6-7 merupakan fase 2) Hitung faktor δ unit keluaran berdasarkan kesalahan disetiap unit keluaran yk (k = 1, 2,.. m).
iterasi yang dipakai. Akan tetapi jika harga α terlalu besar, maka akan merusak pola yang sudah benar sehingga pemahaman menjadi lambat. Satu siklus pelatihan yang melibatkan semua pola disebut epoch. .
Setelah dilakukan penerimaan digudang,
Dalam proses perhitungan terdapat
biji kopi akan melalui proses penilaian nilai cacat.
sebuah
proses
peramalan
Dari laporan hasil nilai cacat akan diketahui Mutu
menggunakan
(Grade) dan Disposisi untuk kelayakan pakai
model dapat dilihat pada Gambar 3.11 .
Algoritma
dengan
Backpropogation,
diproduksi.
Table 3.1. Standar Mutu
Mutu
persyaratan
Mutu (Grade) 1 Total Nilai Cacat max 11
Mutu (Grade) 2 Total Nilai Cacat 12-25
Mutu (Grade) 3 Total Nilai Cacat 26 -44
Mutu (Grade) 4 Total Nilai Cacat 45 -80
Mutu (Grade) 5 Total Nilai Cacat 81-150
Mutu (Grade) 6 Total Nilai Cacat 151-225
Setelah
dilakukan
penerimaan
digudang, biji kopi akan melalui proses penilaian nilai cacat. Dari laporan hasil nilai cacat akan diketahui Mutu (Grade) dan Disposisi untuk kelayakan pakai diproduksi.
Tabel 3.2. Level Grade Bahan Gambar 3. 1 Flowchart algoritma Disposisi
Kadar Air
Nilai Cacat 4. HASIL DAN PEMBAHASAN
Boleh Dipakai <= 12,5 %
<= 80
4.1. Implementasi desain
Pada bab ini akan diuraikan mengenai Ditahan
>= 12,5 %
<= 80
hasil penelitian yang telah dibuat. Hasil penelitian dari perancangan sistem informasi persediaan
Tukar Guling
>=15 %
>= 80
barang ini menggunakan VB.Net sebagai software aplikasi pemrograman dan MySQL sebagai software aplikasi pengolah database. Pada sistem
penentuan kualitas biji kopi ini dibedakan menjadi tiga, yaitu admin gudang, Quality Control,dan Coordinator. Admin
gudang
4.1. Implementasi hasil
Tabel 4.1 Pengujian Aplikasi ke dalam
hanya dapat
mengakses menu penerimaan barang dan laporan
Koneksi Database
penerimaan barang. Untuk Quality Control dapat
Koneksi ke Database
Menu
mengakses pengelolahan barang, master grade
MySQL
dan laporan pegolahan barang.. Sedangkan untuk oordinator bias mengakses kesuluruhan menu
Sukses
Gagal
yang ada di program sistem penetuan kualitas biji kopi.
Login
√
Master Item
√
Master Lot
√
Master Grade
√
Transaksi penerimaan
√
Pada form ini pengguna dalam pengolahan data training, data filter, data result, dan data testing.
Untuk
itu
akan
dijabarkan
ditiap
bagiannya
barang
√
Transaksi pegolahan barang
√
Laporan Gambar 4. 1 Form pengolahan bahan Training procees
Pengujian
sistem
dilakukan
untuk
memeriksa elemen-elemen sistem berfungsi sesuai yang diharapkan. Pengujian sistem termasuk juga pengujian
program
secara
menyeluruh.
Kesimpulan program yang telah diintegrasikan perlu diuji coba untuk melihat apakah sebuah program dapat menerima dengan baik Dari tabel pengujian aplikasi ke dalam Gambar 4. 2 Form pengolahan bahan Testing procees
koneksi database terlihat bahwa semua menu mulai dari menu login sampai laporan berhasil dengan baik.
4.3.2 Pengujian Peramalan Barang Tabel 4.4 Pengujian Peramalan Barang
ITEM KOPI BIJI 02 KOPI BIJI 02 KOPI BIJI 02 KOPI BIJI 02 KOPI BIJI 02 KOPI BIJI 02 KOPI BIJI 02 KOPI BIJI 02 KOPI BIJI 03 KOPI BIJI 03 KOPI BIJI 03 KOPI BIJI 03 KOPI BIJI 03 KOPI BIJI 05 KOPI BIJI 06 KOPI BIJI 06 KOPI BIJI 07 KOPI BIJI 07 KOPI BIJI 07 KOPI BIJI 07 KOPI BIJI 07 KOPI BIJI 08 KOPI BIJI 08 KOPI BIJI 09 KOPI BIJI 09 KOPI BIJI 10 KL/S KOPI BIJI 10* KOPI BIJI 11 KOPI BIJI 12 KOPI BIJI 12
lot
kadar air
G0.ALXX G0.BBXX G0.MCSX G0.ALXX G0.BBXX G0.MCSX G0.BTXX G0.ALXX G0.BNXX G0.ALXX G0.BBXX G0.PCXX G0.MCSX G0.SAXX G0.DMXX G0.PPXX G0.BTXX G0.SAXX G0.SMXX G0.ALXX G0.PCXX G0.SAXX G0.BROX G0.MCSX G0.MCSX G0.KLXX G0.ETHS G0.MCSX G0.KLXX G0.LWXX
9.50 11.10 10.00 10.00 11.00 10.00 15.00 18.00 12.00 13.00 14.00 14.00 17.00 16.00 12.00 14.00 12.00 15.00 13.00 18.00 16.00 14.00 15.00 13.00 13.00 15.00 15.00 13.00 12.00 15.00
cacat
Grade
Disposisi Program
Disposisi Manual
Target
80 4 DIPAKAI 75 4 DIPAKAI 20 2 DIPAKAI 80 4 DIPAKAI 75 4 DIPAKAI 20 2 DIPAKAI 85 5 TUKAR GULING 170 6 TUKAR GULING 79 4 DIPAKAI 77 4 DITAHAN 76 4 DITAHAN 45 4 DITAHAN 90 5 TUKAR GULING 89 5 TUKAR GULING 18 2 DIPAKAI 40 3 DITAHAN 22 2 DIPAKAI 15 2 DITAHAN 14 2 DITAHAN 94 5 TUKAR GULING 90 5 TUKAR GULING 12 2 DITAHAN 95 5 TUKAR GULING 81 5 DITAHAN 25 2 DITAHAN 98 5 TUKAR GULING 89 5 TUKAR GULING 56 4 DITAHAN 47 4 DIPAKAI 86 5 TUKAR GULING Hasil persentasi error Hasil persentasi keakuratan
DIPAKAI DITAHAN DIPAKAI DIPAKAI DIPAKAI DIPAKAI TUKAR GULING TUKAR GULING DIPAKAI DITAHAN DITAHAN DITAHAN TUKAR GULING TUKAR GULING DIPAKAI DITAHAN DIPAKAI DITAHAN DITAHAN TUKAR GULING TUKAR GULING DITAHAN TUKAR GULING TUKAR GULING DITAHAN TUKAR GULING TUKAR GULING DITAHAN DIPAKAI TUKAR GULING
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 3,3 % 96,7 %
Terlihat pada tabel bahwa nilai error sebesar 3,3%. Sehingga dapat diperoleh hasil keakuratan sebesar 96,7 %. Nilai error ini masih dianggap wajar kareana masih mendekati nilai sebenarnya.
5. KESIMPULAN Mempercepat karyawan gudang
respon
dari
pihak
dalam mengelola data,
sehingga lebih akurat dalam memberikan informasi kopi dalam penetuan kode dan grade yang terdapat di gudang. Mampu menganalisis
Halpin, W., Daniel & Riggs, S. Leland. (1992). “Planning and analysis of constructon operation”. United States : John Wiley & Sons, Inc. Hartono, Jogiyanto. ( 2001 ) “Analisis & Desain Sistem Informasi: Pendekatan Terstruktur Teori dan Praktik Aplikasi Bisnis”. ANDI Yogyakarta
dan perancangan sistem yang telah dibuat dan dapat membantu dalam pengecekan disposisi dengan cepat. Sehingga kopi biji yang masuk
Haryanto, Steven. (2005). “Kumpulan Resep Query Menggunakan MYSQL”. DIAN Rakyat Jakarta
dapat segera diketahui jenis keputusannya
Hermawan, A. (2006). “Jaringan Syaraf Tiruan Teori dan Aplikasi”. Yogyakarta: Penerbit Andi
yaitu dipakai, ditahan, tukar guling. Target output yang diinginkan lebih mendekati
ketepatan
dalam
melakukan
pengujian, yaitu persentase akurasi sebesar 96,7% Sedangakan persentase error 3,3 %, angka tersebut berasal dari 30 data yang diuji dari 100 data yang ada. Nilai error ini masih dianggap wajar kareana masih mendekati nilai sebenarnya.
6. DAFTAR PUSTAKA
Cypta, ( 2013 ), Essensi Indonesia, diakses 10 Oktober 2013 20.00 WIB http://www.thecrowdvoice.com/post/esensiindonesia-2-4144065.html Dising Julianus, Palungan Musa dan lande Sudianto (2013 ) “Desain Alat Pengupas kulit Tanduk Kopi Untuk Meningkatkan Kualitas Dan Kuantitas Biji Kopi ” Poleteknik Pertanian Negeri Kupang dan UKI Paulus Makssar F.Suhandi, ( 2009) “Prediksi Hrga Saham dengan Pendekatan Artificial Neural Network menggunakan Algoritma Backpropogation.” Diakses 19 Agustus 2014 10.00 WIB http://krisnafebrianto.blog.upi.edu// Gaspersz, Vincent ( 1998 ), “Analisis sistem terapan”, Gramedia pustaka utama
Hidayati Nurtriana (2013) “Aplikasi Sistem Penentuan penilaian Dosen Teladan dengan metode Forward dan Backpropogation” Universitas Diponegoro Hito Mario, ( 2009 ) “Jaringan Syaraf Tiruan”, Laporan Akhir Pratikum, Universitas Gunadarma Howard, ( 1997 ). “ Intelegence Multiple Perspectives”, USA : Thomson Learning Jhon W.Satzinger., Robert B.Jackson.Stephen D.Burd. ( 2007 ) “ System Analys and Design in a Changing Word, fourth edition, New York” : Thomson Course Technology, Kusual digital, (2012) , 7 kopiterkenal dari Indonesia, diakses 27 September 2013 19.25WIB http://bisangopi.com/component/content/ar ticle/3-jenis-kopi/7 tocabica Kusumadewi, S. (2003). “Artifical Intellegence (Teknik dan Aplikasinya)”. Yogyakarta: Graha Ilmu Kusumadewi, Kiki Sri (2004) “Analisis Jaringan Syaraf Tiruan dengan Metode Backpropogation untuk mendeteksi gangguan psikologis ” Universitas Islam Indonesia Nugroho, Agung (2004) “ Pengenalan Pola Karakter Huruf Jawa Menggunakan Syaraf Tiruan LVQ ( Learning Jaringan Quantization )”, Tugas Akhir MIPA UNDIP, Semarang
Permana P. Irfan, (2013 ) “ Sistem Informasi Persediaan Barang Menggunakan Metode Exponential Smoothing Tunggal Untuk Menanggulangi Terjadinya Loss Supply”, Universitas Narotama Surabaya Pressman, Roger S (2002). “Rekayasa Perangkat Lunak Pendekatan Praktisi (BUKU SATU).” Yogyakarta:ANDI. Priyanto, Rahmat. (2009). “Visual Basic.NET 2008”. ANDI Yogyakarta Puspaningrum, D. (2006). “Pengantar Jaringan Syaraf Tiruan”. Yogyakarta Andi Offset Riyan, (2013) , Jenis - jenis kopi asli Indonesia, diakses 23 September 2013, 21.30 WIB http://www.describeindonesia.com/lifestyle /item/108-jenis-jenis-kopiasli indonesia.html Sutrabri , Tata ( 2004 ).” Analisis sistem informasi”, ANDI Yogyakarta Turban, Efraim (1995) “Decision Support Systems and Intelligent Systems”, United States. Wilkinson, Joseph ( 1993 ) ”Accounting and information system”, United States : John Wiley & Sons, Inc.
