- Margin seluruh laporan : Top=4cm, Left=4cm, Bottom=3cm, Right=3cm - Jenis Font Halaman Sampul : Arial Narrow size 14pt - Jarak Antar Baris (Spasi) halaman sampul yaitu 1, befor=0 dan after=0 - Text Aligment adalah Center
- Jumlah Baris maksimal 4 baris - Bentuk Penulisan piramida terbalik - Font Judul: Bold dan Capital - Dituliskan sesuai jenis laporan o PRAKTER KERJA LAPANGAN o KULIAH KERJA NYATA o TUGAS AKHIR - Font: Bold dan Capital -
PENENTUAN DISPOSISI MATERIAL INCOMING PADA PT. GATRA MAPAN MALANG MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
6 enter
TUGAS AKHIR Diajukan Untuk Memenuhi Salah Satu Syarat Kelulusan Sarjana Strata 1 - Dituliskan sesuai jenis laporan o PKL : Diajukan Untuk Memenuhi Salah Satu Pra-Syarat Menempuh Tugas Akhir o TA : Diajukan Untuk Memenuhi Salah Satu Syarat Kelulusan Sarjana Strata 1 - Font: Capitalize Each Words
6 enter
- Logo : Full Color - Diameter : 5 cm
5 enter
- Font: Capitalize Each Words - Aligment : Center, Left Tab
Oleh Afham Safiq Muhammad
14201001 5 enter
PROGRAM STUDI INFORMATIKA SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER ASIA MALANG 2017 - Halaman ini dihitung sebagai halaman i, tetapi nomor halaman tidak dicetak
LEMBAR PERSETUJUAN TUGAS AKHIR - Font : Arial, size 16pt, Bold, Capital - Aligment : Center
Tugas akhir dengan judul : Penentuan Disposisi Material Incoming Pada PT. Gatra Mapan Malang Menggunakan Jaringan Syaraf Tiruan Backpropagation Disusun oleh
: Afham Safiq Muhammad
NIM
: 14201001
Program Studi
: Informatika
- Ditulis Tanggal waktu ujian dilaksanakan
- Font : Arial, size 12pt, Capitalize Each Worlds - Jarak Antar Baris (Spasi): adalah 1.5, before=0 dan after=0
Malang, 31 Juli 2017 Menyetujui
Kaprodi Informatika
Pembimbing Tugas Akhir
Rina Dewi Indahsari, M.Kom
Nama Dospem, M.Kom
- Nomor halaman pra laporan (sebelum bab I) : ditulis di bawah tengah dengan jenis romawi kecil - Fontt : Arial, size 12 pt
ii
SURAT KETERANGAN LULUS UJIAN TUGAS AKHIR - Font : Arial, size 16pt, Bold, Capital - Aligment : Center
Yang bertanda tangan dibawah ini menerangkan bahwa: Nama
: Afham Safiq Muhammad
NIM
: 14201001
Program Studi
: Informatika
- Ditulis Tanggal waktu ujian dilaksanakan
Telah lulus ujian Tugas Akhir pada tanggal 31 Juli 2017 di STMIK ASIA Malang. Tim Penguji Penguji 1
Penguji 2
Dosen Pembanding, M.Kom
Dosen Pembimbing, M.Kom
Malang, 31 Juli 2017 Ketua Tim Penguji
- Font : Arial, size 12pt, - Jarak Antar Baris (Spasi): adalah 1.5, before=0 dan after=0
iii
Dosen Penguji, M.Kom
- Logo : Full Color - Diameter : 2 cm
SURAT PERNYATAAN - Font : Arial, size 16pt, Bold, Capital - Aligment : Center
Yang bertanda tangan dibawah ini adalah: Nama
: Afham Safiq Muhammad
NIM
: 14201001
Tempat/Tgl Lahir : Malang, 22 Januari 2014
- Font : Arial, size 12pt, - Jarak Antar Baris (Spasi): adalah 1.5, before=0 dan after=0 - Font Judul : Bold, Capitalize Each Worlds
Program Studi
: Informatika
Alamat
: Jl. Drs. Moh. Hatta 288 Dadaprejo, Junrejo, Batu
Menyatakan bahwa Karya Ilmiah/ Tugas Akhir yang berjudul: “Penentuan Disposisi Material Incoming Pada PT. Gatra Mapan Malang Menggunakan Jaringan Syaraf Tiruan Backpropagation” adalah bukan merupakan karya tulis orang lain, baik sebagian maupun keseluruhan, kecuali dalam bentuk kutipan yang disebutkan sumbernya. Demikian surat pernyataan ini saya buat dengan sebenar-benarnya dan apabila pernyataan ini tidak benar, saya bersedia menerima sanksi akademik.
Mengetahui,
Malang, 31 Juli 2017
Dosen Pembimbing
Yang menyatakan
Dosen Pembimbing, M.Kom
Afham Safiq Muhammad
iv
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI TUGAS AKHIR UNTUK : Arial, size 16pt, Bold, Capital KEPENTINGAN AKADEMIS -- Font Aligment : Center Sebagai Civitas Akademik STMIK Asia Malang, saya yang bertanda tangan di bawah ini: Nama
: Afham Safiq Muhammad
NIM
: 14201001
Program Studi
: Informatika
Jenis Karya
: Tugas Akhir
- Font : Arial, size 12pt, - Jarak Antar Baris (Spasi): adalah 1.5, before=0 dan after=0 - Font Judul : Bold, Capitalize Each Worlds
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada STMIK Asia Malang Hak Bebas Royalti atas tugas akhir saya yang berjudul: “Penentuan Disposisi Material Incoming Pada PT. Gatra Mapan Malang Menggunakan Jaringan Syaraf Tiruan Backpropagation” beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti ini, STMIK Asia Malang berhak untuk menyimpan,
mengalih
media/formatkan,
mengelola
dalam
bentuk
pangkalan data (database), merawat dan mempublikasikan Tugas Akhir saya tanpa meminta ijin dari saya selama tetap mencantumkan nama saya sebagai penulis/pencipta dan pemilik hak cipta. Demikian pernyataan ini saya buat dengan sebenarnya. Malang, 31 Juli 2017 Yang menyatakan Materai Rp. 6000
Afham Safiq Muhammad
v
- Font : Arial, size 16pt, Bold, Capital - Aligment : Center
- Nama Lengkap mahasiswa (tanda titik) NIM
- Nama Prodi, Nama Instansi, tahun - Kata Kunci : minimal 20 karakter
- Menunjukkan fokus masalah dalam penelitian ini
- Menunjukkan solusi dan proses perancangan solusi
- Menunjukkan hasil penelitian
ABSTRAKSI
- Font : Arial, size 12pt, - Jarak Antar Baris (Spasi): adalah 1, before=0 dan after=0 - Font Judul : Bold, Capital
Afham Safiq Muhammad. 14201001 PENENTUAN DISPOSISI MATERIAL INCOMING PADA PT. GATRA MAPAN MALANG MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Informatika, Sekolah Tinggi Manajemen Informatika dan Komputer ASIA Malang, 2017 Kata Kunci : Klasifikasi, jaringan syaraf tiruan, backpropagation, search tree, ekstraksi rule (xvii + 94 + Lampiran)
- Total halaman pra laporan + Total halaman Bab I sampai Bab V + Lampiran (kalau ada)
Jaringan syaraf tiruan akan dipakai untuk ekstraksi rule dalam pengklasifikasian data. Jaringan syaraf tiruan merupakan alat yang sangat baik digunakan untuk mengembangkan berbagai aplikasi pada dunia nyata, khususnya pada kasus-kasus dimana metode pemecahan masalah dengan cara tradisional gagal menyelesaikannya. Fokus dari penelitian ini adalah melakukan ekstraksi aturan dari hasil pembelajaran jaringan syaraf tiruan sehingga menghasilkan bentuk rule konjungsi (IF-THEN). Permasalahan yang diangkat adalah disposisi material (bahan baku) pada PT. Gatra Mapan Malang. Dataset terdiri dari 10 atribut non kelas dan 1 atribut kelas dengan total 28 distict value atribut non kelas dan 2 value atribut kelas. Formulasi permasalahan ke dalam jaringan syaraf dengan menggunakan 28 neuron input yang masing-masing mewakili value atribut non kelas dan 2 neuron output yang mewakili value atribut kelas. Pembelajaran dengan jaringan syaraf menggunakan 1288 record data. Berdasarkan bobot hasil pembelajaran jaringan syaraf kemudian dilakukan proses ekstraksi aturan. Salah satu pendekatan yang digunakan untuk ekstraksi aturan adalah metode berbasis pencarian ruang solusi. Metode ini terdiri dari 2 tahap, yang pertama adalah tahap pencarian aturan, dan tahap kedua adalah proses pengecekan validitas rule yang telah diperoleh dari tahap pertama. Pencarian aturan dimulai dari kemungkinan aturan dengan 1 premis sampai aturan dengan banyak premis. Jika aturan dengan 1 premis telah valid, maka tidak perlu dicari aturan dengan premis banyak. Dalam uji coba yang telah dilakukan terhadap dataset dengan 1288 record data telah menghasilkan 12 rule dengan akurasi rata-rata 90%. Dari semua rule yang telah dihasilkan dapat meng-cover 80% dari total 1288 data yang telah dilatihkan. Artinya dari 1288 record data yang dilatihkan akan ter-cover 1030 record oleh aturan yang dihasilkan. - (Tahun terbit tertua – tahun terbit termuda - Idealnya rentang 5 tahun terakhir
Daftar Pustaka (2012 – 2017)
vi
ABSTRACT
- Semua cara penulisan sama dengan abstraksi dalam Bahasa Indonesia - Nama instansi tidak perlu diterjemahkan dalam Bahasa Inggris
Afham Safiq Muhammad. 14201001 BACKPROPAGATION NEURAL NETWORK FOR DETERMINING MATERIAL DISPOSITION AT PT. GATRA MAPAN MALANG Informatics, Sekolah Tinggi Manajemen Informatika dan Komputer ASIA Malang, 2017 Keywords: Classification, artificial neural network, backpropagation, search tree, rule extraction (xvii + 94 + attachment) Artificial neural network will be used for rule extraction in classifying the data. Neural network is a good tool used to develop a variety of application in the real world, particularly in cases where the method of solving the problem in the traditional way fails to finish. The focus of this research is to extract rules from artificial neural network learning outcomes resulting in a form of rule that is more familiar to human and generate form a conjunction rule (IF-THEN). Issues raised is the disposition of raw materials on PT. Gatra Mapan Malang. The dataset consists of 10 non class attributes, one attribute class with a total of 28 distinct values of non class attributes and 2 value of class attribute. Role in the problem formulation to neural network by using 28 input neurons, each represents the value of non class attributes and 2 output neurons representing the class attribute values. Traning with neural networks uses 1288 data records. Based on the results of learning neural network weights, the extraction rule is then performed. One of the approaches used for extraction rules is based method searches the solution space. This method consists of two stages. The first is the search for order and the second stage is the process of checking the validity of rule that has been obtained from the first stage. Search starts from possible rules with one premise rule until the rule with many premises. If a rule with one premise is valid then no need to look for a rule with the premise of many. From the trials the results show that 12 rules with an average accuracy of 90%. Of all the rules that have been generated can cover 80% from the total of 1288 data that have been trained. This means that the data from 1288 record cover 1030 records generated by the rules. Bibliography (2012 – 2017)
vii
- Font : Arial, size 16pt, Bold, Capital - Aligment : Center
- Font : Arial, size 12pt, - Jarak Antar Baris (Spasi): adalah 1.5, before=0 dan after=0
KATA PENGANTAR
Dengan memanjatkan rasa syukur kehadirat Allah SWT atas segala rahmad dan hidayah-Nya yang diberikan kepada penulis sehingga laporan tugas akhir dengan judul "Penentuan Disposisi Material Incoming
Pada PT. Gatra Mapan Malang Menggunakan Jaringan Syaraf Tiruan Backpropagation" dapat terselesaikan dengan baik. Penyusunan laporan tugas akhir ini merupakan tugas mandiri yang harus
diselesaikan
Informatika
dan
oleh
Komputer
mahasiswa (STMIK)
Sekolah ASIA
Tinggi
Malang
Manajemen
program
studi
Informatika yang merupakan bagian dari prasyarat kelulusan program kesarjanaan. Pada kesempatan ini penulis mengucapkan banyak terima kasih kepada pihak-pihak yang telah membantu terselesainya tugas akhir sampai dengan penyusunan laporan, yaitu : 1. Bapak Ir. Teguh Widodo, MM., selaku Ketua STMIK Asia Malang. 2. Bapak M. Rofiq, S.T., M.T., selaku Pembantu Ketua I STMIK Asia Malang. 3. Ibu Rina Dewi Indah Sari, S.Kom., M.Kom., selaku Ketua Prodi Informatika. 4. Bapak/Ibu…….., selaku Dosen Pembimbing, 5. Bapak/Ibu……….., selaku Dosen Wali, … 6. Ayah Bunda 7. Saudara-saudari
- Ucapan Terimakasih : minimal 5 point pertama, selebihnya bisa ditambahkan seperlunya
8. Teman-teman kost 9. Teman-teman ngaji 10. Kekasih Hati .... 11. Dan seterusnya Kepada
semuanya
yang
telah
membantu
penulis
dalam
menyelesaikan tugas akhir ini, semoga mendapat balasan dengan berkat dan karunia yang berlimpah dari Allah SWT. viii
Penulis menyadari bahwa laporan tugas akhir ini jauh dari sempurna, oleh karena itu penulis selalu mengharapkan saran dan kritik yang bersifat membangun dari segenap pembaca. Akhirnya, semoga laporan tugas akhir ini dapat berguna dan bermanfaat terutama bagi pihak-pihak yang tertarik untuk mengkaji dan mengembangkannya.
Malang, 31 Juli 2017 Penulis
- Tidak perlu ditulis nama mahasiswa - Tidak perlu tanda tangan mahasiswa
ix
- Font : Arial, size 16pt, Bold, Capital - Aligment : Center - Font : Arial, size 12pt, Capitalize Each Words - Jarak Antar Baris (Spasi): adalah 1.5, before=0 dan after=0
DAFTAR ISI
- Terdapat Jarak antara tanda titik-titik dengan nomor halaman
- Tanda titik-titik harus menggunakan tabulasi - Tidak bold
Halaman
Halaman Sampul ..................................................................................
i
Halaman Persetujuan Tugas Akhir .......................................................
ii
Surat Keterangan Lulus Ujian Tugas Akhir ...........................................
iii
Surat Pernyataan ..................................................................................
iv
Surat Pernyataan Persetujuan Publikasi Tugas Akhir untuk
- Font Setiap Bab : Capital dan Bold
- Hanya Bab dan Sub Bab yang ditulis di Daftar isi - Penomoran (A,B,C) dan (1,2,3) tidak ditulis di daftar isi
Kepentingan Akademis .........................................................................
v
Abstraksi ...............................................................................................
vi
Abstract .................................................................................................
vii
Kata Pengantar .....................................................................................
viii
Daftar Isi ...............................................................................................
x
Daftar Gambar ......................................................................................
xiii
Daftar Tabel ..........................................................................................
xv
Daftar Persamaan .................................................................................
xvi
Daftar Lampiran ....................................................................................
xvii
BAB I PENDAHULUAN .......................................................................
1
1.1 Latar Belakang Masalah ..................................................................
1
1.2 Rumusan Masalah ..........................................................................
3
1.3 Batasan Masalah ............................................................................
3
1.4 Tujuan Dan Manfaat ........................................................................
4
1.4.1 Tujuan ....................................................................................
4
1.4.2 Manfaat ..................................................................................
4
1.5 Metodologi Penelitian.......................................................................
6
1.6 Sistematika Penulisan .....................................................................
7
BAB II LANDASAN TEORI ..................................................................
8
2.1 Klasifikasi Data dalam Data Mining .................................................
10
2.2 Backpropagation-Feed Forward Neural Network ............................
12
- Nomor Halaman lurus kiri
x
- Sub Bab pertama: Rata kiri - Sub Bab kedua dst : menjorok ke kanan
2.2.1 Struktur Jaringan Syaraf Tiruan .............................................
13
2.2.2 Jaringan Syaraf Tiruan Backpropagation ...............................
14
2.3 Ekstraksi Rule dengan Pendekatan Berbasis Ruang Solusi ...........
17
2.3.1 Ekstraksi Rule dari Jaringan Syaraf Tiruan ..........................
18
2.3.2 Pendekatan Berbasis Pencarian Ruang Solusi .....................
23
2.4 Ilustrasi Ekstraksi Rule untuk Logika AND ......................................
27
2.4.1 Formulasi Permasalahan Logika AND ke dalam JST .............
27
2.4.2 Proses Pelatihan (Training) dan Bobot yang Dihasilkan .......
29
2.4.3 Proses Ekstraksi Rule dengan Search Based untuk y1 (y=0)
31
2.4.3.1 Proses Pencarian Rule untuk Hidden Node 1 (z1) ......
33
2.4.3.2 Proses Pencarian Rule untuk Hidden Node 2 (z2) .....
36
2.4.3.3 Proses Pencarian Rule untuk Hidden Node 3 (z3) ......
38
2.4.4Proses Ekstraksi Rule dengan Search Based untuk y2 (y=1)
38
2.4.5 Proses Optimasi Rule untuk Logika AND ...............................
40
BAB III PEMBAHASAN .......................................................................
42
3.1 Prosedur Pengujian Material pada PT. Gatra Mapan .....................
42
3.1.1 Bahan Baku (Material) Produksi pada PT. Gatra Mapan .......
43
3.1.2 Penerimaan Barang ...............................................................
44
3.1.3 Pemeriksaan Bahan Baku .....................................................
46
3.1.4 Proses Disposisi Material ......................................................
47
3.2 Pemodelan JST Untuk Penentuan Disposisi Material Pada PT. Gatra Mapan Malang ...............................................................
49
3.3 Dataset Inspeksi Material (Bahan Baku) .........................................
52
3.4 Formulasi Permasalahan Inspeksi Material ke dalam JST .............
56
3.5 Pembelajaran (Training) Data dengan BPFFNN ..............................
60
3.6 Ekstraksi Rule Untuk Penentuan Disposisi Material Pada PT. Gatra Mapan Malang ...............................................................
64
3.6.1 Pembentukan Pohon Pencarian (Search tree) .....................
64
3.6.2 Pencarian Rule dalam Ruang Kandidat Solusi ......................
66
3.6.3 Optimasi Aturan Hasil Ekstraksi ............................................
67
xi
BAB IV IMPLEMENTASI DAN PENGUJIAN ........................................
69
4.1 Spesifikasi Implementasi .................................................................
69
4.1.1 Spesifikasi Hardware ..............................................................
69
4.1.2 Spesifikasi Software ...............................................................
70
4.2 Implementasi Sistem Penentuan Disposisi Material Pada PT. Gatra Mapan Malang ................................................................
70
4.2.1 Implementasi Proses Manajemen Data Inspeksi Material ......
71
4.2.2 Implementasi Proses Training Data Inspeksi Material dengan JST .............................................................................
74
4.2.3 Implementasi Proses Ekstraksi Rule Untuk Penentuan Disposisi Material ...................................................................
76
4.3 Pengujian Sistem .............................................................................
78
4.3.1 Spesifikasi Pengujian .............................................................
78
4.3.2 Uji Coba Parameter Pelatihan JST ........................................
78
4.3.3 Uji Coba Pelatihan JST .........................................................
79
4.3.4 Uji Coba Jumlah Node pada Hidden Layer ..........................
80
4.3.5 Uji Coba Cross Validasi Data ................................................
81
BAB V PENUTUP ................................................................................
82
5.1 Kesimpulan .....................................................................................
82
5.2 Saran ..............................................................................................
83
DAFTAR PUSTAKA .............................................................................
84
DAFTAR RIWAYAT PENULIS ..............................................................
85
LAMPIRAN - Font Daftar Pustaka dan Daftar Riwayat Penulis : Bold dan Capital - Nomor Halaman Daftar Pustaka dan Daftar Riwayat Penulis melanjutkan penomoran dari isi laporan
- Lampiran ditulis tanpa nomor halaman
xii
- Font : Arial, size 12pt, Capitalize Each Words - Jarak Antar Baris (Spasi): adalah 1.5, before=0 dan after=0 - Font : Arial, size 16pt, Bold, Capital - Aligment : Center
DAFTAR GAMBAR - Ditulis Langsung Nomor Gambar - Cara Penulisan sama dengan Daftar Isi
Gambar
Halaman
2.1 Proses Klasifikasi ............................................................................
12
2.2 Struktur Neuron dalam JST ...........................................................
13
2.3 Jaringan Syaraf Tiruan Backpropagation .......................................
15
2.4 Hubungan antara Arsitektur Ekstraksi dan Rule yang dihasilkan ....
19
2.5 Arsitektur Ekstraksi untuk JST dengan Hidden Layer ....................
20
2.6 Arsitektur Ekstraksi Dipecah menjadi Beberapa Bagian ................
21
2.7 Peranan Jaringan Syaraf Tiruan dalam Proses Ekstraksi Aturan ..
22
2.8 Ruang Kemungkinan Aturan ...........................................................
23
2.9 Arsitektur Jaringan untuk Data logika AND .....................................
28
2.10 Penentuan Nilai Aktivasi yang Diharapkan untuk y1 .....................
32
2.11 Pohon Pencarian untuk z1 (y1) .....................................................
33
2.12 Proses Pengecekan Validitas Rule untuk z1 (y1) pada Level 1 ....
34
2.13 Proses Pengecekan Validitas Rule untuk z1 (y1) pada Level 2 ....
35
2.14 Pohon Pencarian untuk z2 (y1) ....................................................
36
2.15 Proses Pengecekan Validitas Rule untuk z2 (y1) pada Level 1 ....
37
2.16 Penentuan Nilai Aktivasi yang Diharapkan untuk y2 .....................
39
2.17 Pohon Pencarian untuk z1 (y2) .....................................................
39
2.18 Proses Pengecekan Validitas Rule untuk z1 (y2) pada Level 1 ....
40
2.19 Proses Pengecekan Rule yang Sama untuk y1 ............................
42
3.12 Proses Pengecekan Rule yang Sama untuk y2 ............................
43
3.1 Material Sheet, PB, MDF, Plywood .................................................
56
3.2 Dokumen Bukti Penerimaan Barang ...............................................
60
3.3 Tabel AMS 105D untuk Pengambilan Sampel Barang ...................
61
3.4 Prosedur Pemeriksaan dan Pengujian Bahan Baku oleh Staff QA
62
3.5 Hasil Uji Material Baru (FM/8.2/15) ..................................................
65
3.6 Blok Diagram Sistem yang Diusulkan .............................................
67
3.7 Arsitektur BPFFNN untuk Data Inspeksi Material ...........................
78
xiii
Gambar
Halaman
3.8 Pemecahan Arsitektur Jaringan Syaraf Tiruan untuk Ekstraksi Rule
87
3.9 Penentuan Nilai Aktivasi yang Diharapkan untuk y1 .......................
88
3.10 Pohon Pencarian untuk z1 (pada y1) ...........................................
91
3.11 Proses Pengecekan Validitas Rule untuk z1 (y1) pada Level 1 ....
93
3.12 Proses Pengecekan Validitas Rule untuk z1 (y1) pada Level 2 ....
95
3.13 Proses Penghilangan Rule yang Sama ........................................
99
4.1 Tampilan Proses Manajemen Data Inspeksi Material ......................
69
4.2 Tampilan Proses Training Data dengan JST ...................................
70
4.3 Tampilan Proses Ekstraksi Aturan JST............................................
72
4.4 Spesifikasi Sistem yang Digunakan dalam Pengujian ....................
78
4.2 Model Pengujian Cross Validation ..................................................
81
xiv
- Font : Arial, size 16pt, Bold, Capital - Aligment : Center
- Font : Arial, size 12pt, Capitalize Each Words - Jarak Antar Baris (Spasi): adalah 1.5, before=0 dan after=0
DAFTAR TABEL
Tabel - Ditulis Langsung Nomor Tabel - Cara Penulisan sama dengan Daftar Isi
Halaman
2.1 Dataset Logika AND .......................................................................
27
2.2 Training Set logika AND ..................................................................
28
2.3 Inisialisasi Bobot untuk Dataset Logika AND ...................................
30
2.4 Bobot Hasil Training Dataset Logika AND .....................................
31
2.5 Bobot Input Node untuk z1 (y1) yang Telah Terurut Descending ...
33
2.6 Bobot Input Node untuk z2 (y1) yang Telah Terurut Ascending .....
36
2.7 Hasil Pengecekan Rule dengan Dataset AND ................................
44
3.1 Data Hasil Inspeksi Material Tahun 2011 – 2012 ...........................
69
3.2 Contoh Data Hasil Inspeksi dari Perusahaan .................................
70
3.3 Contoh Data Inspeksi Hasil Proses Selection .................................
71
3.4 Daftar Kriteria Inspeksi Bahan Baku PB dan MDF ..........................
72
3.5 Contoh Dataset Inspeksi Material ...................................................
73
3.6 Meta Data untuk Inspeksi Material ..................................................
74
3.7 Contoh Training Set Inspeksi Material ............................................
76
3.8 Inisialisasi Bobot Awal untuk Dataset Inspeksi Material ..................
81
3.9 Bobot Hasil Pelatihan Dataset Inspeksi Material ............................
83
3.10 Nilai Aktivasi yang Diharapkan .....................................................
89
3.11 Bobot Input Node untuk z1(y1) yang Telah Terurut Descending ...
90
3.12 Proses Pencarian Rule yang Optimum .........................................
100
4.1 Hasil Uji Coba Parameter BPFFNN ................................................
107
4.2 Hasil Uji Coba Akurasi Ekstraksi Rule ............................................
109
4.3 Hasil Uji Coba Hidden Layer ...........................................................
110
4.4 Hasil Uji Coba Cross Validation ......................................................
113
xv
- Font : Arial, size 12pt, Capitalize Each Words - Jarak Antar Baris (Spasi): adalah 1.5, before=0 dan after=0
- Font : Arial, size 16pt, Bold, Capital - Aligment : Center
DAFTAR PERSAMAAN Persamaan - Ditulis Langsung Nomor Persamaan - Cara Penulisan sama dengan Daftar Isi
Halaman
2.1 Fungsi Aktivasi Sigmoid Binary .......................................................
27
2.2 Fungsi Aktivasi Sigmoid Bipolar ......................................................
28
2.3 Nilai Aktivasi Search Tree ...............................................................
30
2.4 Fungsi Inisialisasi Bobot Awal .........................................................
31
xvi
- Font : Arial, size 12pt, Capitalize Each Words - Jarak Antar Baris (Spasi): adalah 1.5, before=0 dan after=0
- Font : Arial, size 16pt, Bold, Capital - Aligment : Center
DAFTAR LAMPIRAN Lampiran - Ditulis Langsung Nomor Lampiran - Cara Penulisan sama dengan Daftar Isi
Halaman
A Dokumen Inspeksi Material pada PT. Gatra Mapan Malang .............
A-1
B Dataset Inspeksi Material PB dan MDF ..............................................
B-1
C Kode Program Untuk Pembangkitan Search Tree ............................
C-1
D File Log Hasil Uji Coba ......................................................................
D-1
xvii
- Font : Arial, size 16pt, Bold, Capital - Aligment : Center - Jarak antar baris (spasi) adalah 1, before=0 dan after=0
- Font Judul Sub Bab: Arial, size 14pt, Bold, Capitalize Each Words - Jarak antar baris (spasi) adalah 1.5, before=0 dan after=0
BAB I PENDAHULUAN
- Font : Arial, size 12pt, - Jarak Antar Baris (Spasi): adalah 1.5, before=0 dan after=0
1.1 Latar Belakang Jaringan syaraf tiruan merupakan alat yang baik yang telah digunakan untuk mengembangkan berbagai aplikasi pada dunia nyata, khususnya pada kasus-kasus dimana metode pemecahan masalah dengan cara tradisional gagal menyelesaikannya. Jaringan syaraf menunjukkan keuntungan seperti kemampuan belajar yang ideal dari sekumpulan data, kemampuan klasifikasi dan generalisasi untuk situasi - Paragraf ditulis lurus nomor sub bab (rata kiri) - Aligment : Justify (rata kanan dan kiri)
tidak terstruktur, komputasi yang cepat meskipun melakukan pemrosesan secara paralel dan toleransi terhadap noise. Keunggulan ini yang membuat jaringan syaraf sukses diterapkan untuk berbagai masalah dalam dunia nyata, termasuk: pengenalan suara, diagnosa medis, komputasi gambar, proses kontrol dan pemodelan diagnosis kesalahan. Proses produksi dapat berjalan lancar apabila didukung dengan pengadaan bahan baku yang baik dan lancar pula. Setiap bahan baku yang datang, tidak bisa langsung digunakan dalam proses produksi karena harus melalui proses pemeriksaan dan pengujian bahan baku terlebih dahulu. Hal ini bertujuan untuk pengendalian mutu produk dan untuk memastikan bahwa bahan baku tersebut dapat digunakan dalam proses produksi. Proses pemeriksaan dan pengujian ini sangat dibutuhkan untuk kelancaran proses produksi dan menjamin kualitas produk yang dihasilkan dari proses produksi. Pada PT. Gatra Mapan, proses pemeriksaan dan pengujian bahan baku dilakukan oleh departemen QA khususnya staf QA bahan baku. Proses pemeriksaan dan pengujian dilakukan pada 2 jenis barang yaitu bahan baku (incoming) dan hasil produksi (outgoing). Sedangkan bahan baku (incoming) secara umum dibagi lagi menjadi beberapa jenis yaitu: Dos, Kaca, SparePart,
dan Bahan baku. Setiap material yang datang
akan dibongkar dari kontainer, untuk kemudian dilakukan pemeriksaan - Nomor Halaman untuk awal bab ditulis di bawah tengah - Font Arial size 12 pt
1
- Latar Belakang : o idealnya terdiri 4 sampai 6 paragraf o menjelaskan situasi permasalahan, dan bisa menjawab pertanyaan 5W + 1H o harus ada penjelasan tentang subjek penelitian o penyajian latar belakang secara deduktif (dari umum ke khusus)
2
dan pengujian oleh staf QA bahan baku sebelum material tersebut masuk ke gudang dan digunakan untuk produksi.
- Nomor Halaman untuk selain awal bab (isi bab) ditulis di Apabila tidak menemukan permasalahan saat pemeriksaan dan kanan atas Font Arial sizedapat 12 pt pengujian bahan baku, maka staf QA bahan baku langsung
memberi disposisi diterima dan memberikan registrasi berupa stempel QC PASSED (warna hijau). Tetapi apabila ditemukan permasalahan saat pemeriksaan dan pengujian, maka disposisi harus dilakukan oleh penanggung jawab QA dalam hal ini adalah Manager QA. Permasalahan yang terjadi adalah, karena disposisi material harus ditentukan oleh Manager QA, sehingga membutuhkan waktu yang cukup lama. Hal ini dikarenakan Manajer QA memiliki banyak tugas lain yang harus dilakukan, terlebih lagi kadang posisi Manager QA tidak berada di kantor karena sedang menghadiri acara. Hal ini mengakibatkan beberapa permasalahan diantaranya: a. Disposisi material bersifat subyektif, karena bergantung pada satu - List baik angka maupun huruf ditulis menjorok ke kanan 1.25 cm
orang yaitu Manager QA. b. Disposisi material yang cukup lama mengakibatkan down time pada proses produksi, sehingga hal ini dapat mempengaruhi target output harian (yield) produksi. Untuk itu diperlukan sebuah sistem yang dapat mengatasi permasalahan ini, karena downtime pada produksi berpengaruh pada banyak hal termasuk adanya komplain dari buyer karena keterlambatan pengiriman barang produksi. Permasalahan ini dapat diselesaikan dengan sebuah sistem yang bisa mempercepat disposisi material tanpa harus menunggu Manager QA. Hal ini dapat dilakukan berdasarkan data histori yang ada dari kasus-kasus sebelumnya. Karena pemberian disposisi material termasuk ke dalam masalah klasifikasi, salah satunya dapat dimodelkan ke dalam jaringan syaraf tiruan untuk dapat dipelajari pola disposisinya. Hasil dari pembelajaran jaringan syaraf tiruan ini dapat diekstraksi menjadi sebuah aturan konjungsi sehingga lebih dapat dimengerti oleh pengguna sistem nantinya.
- Rumusan Masalah disajikan dalam bentuk kalimat pertanyaan, tetapi tidak diakhiri tanda tanya - Boleh lebih dari 1, tetapi inti permasalahannya tetap 1 saja - Rumusan masalah harus mampu dijawab oleh kesimpulan di bab V - Jangan menyisipkan tujuan atau manfaat yang diharapkan dalam rumusan masalah, misal: o .....agar efektif dan efisien o .....untuk lebih dikenal masyarakat
3
1.2 Rumusan Masalah “Bagaimana menentukan disposisi material menggunakan Jaringan Syaraf Tiruan metode Backpropagation”
1.3 Batasan Masalah
- Jangan menyebutkan kembali yang sudah ditulis di judul - Dapat dibatasi dari sisi: o Objek yang diteliti o Data yang digunakan o Cakupan sistem yang dibahas dan yang tidak dibahas o Alat yang digunakan
1 Hasil inpeksi material yang digunakan hanya untuk bahan baku PB dan MDF. 2 Dataset yang digunakan untuk proses pelatihan adalah data hasil inspeksi material khusus bahan baku tahun 2016 dan 2017. 3 Rule yang dihasilkan bisa tidak mencakup semua input atribut. 4 Rule yang dihasilkan bisa memiliki premis yang bervariasi. 5 Jumlah neuron hidden layer maksimal adalah 50 neuron. 6 Menggunakan fungsi aktivasi sigmoid dalam pelatihan jaringan syaraf tiruan backpropagation.
1.4 Tujuan Dan Manfaat Penelitian 1.4.1 Tujuan - Sub Bab dengan 2 angka dan dengan 3 angka tetap rata kiri
- Penelitian memiliki 1 tujuan saja (tidak ada bagi penulis, bagi bla bla) - Tujuan secara umum adalah : untuk membantu “who” dalam menyelesaikan masalah “what” - Tujuan penelitian bukanlah untuk membangun sebuah program “apa”, tetapi membangun program itu untuk tujuan “apa”
1 Membantu Staff QA PT. Gatra Mapan Malang dalam menentukan disposisi material incoming khususnya bahan baku. 2 Merepresentasikan hasil pelatihan jaringan syaraf dalam bentuk aturan IF-THEN. 3 Mengembangkan metode ekstraksi aturan pada jaringan syaraf bakpropagation berdasarkan metode pencarian ruang solusi. 4 Menghasilkan rule-rule yang dapat merepresentasikan arsitektur jaringan syaraf backpropagation.
1.4.2 Manfaat Bagi Penulis 1 Mengaplikasikan disiplin ilmu yang telah diperoleh selama belajar di Perguruan Tinggi Asia Malang Program Studi Informatika. 2 Belajar menganalisa permasalahan dengan solusi secara ilmiah yaitu dengan memanfaatkan algoritma JST backpropagation.
- Penelitian yang dilakukan dapat memberi manfaat bagi banyak pihak (penulis, subjek penelitian, instansi) - Manfaat adalah sesuatu yang diharapkan dapat memberikan masukan dan membantu pengambilan keputusan, pembuatan kebijakan dan pemecahan masalah.
4
3 Dapat mengasah otak dalam berfikir secara cepat dan teliti untuk mencari penyelesaian masalah.
1.4.3 Manfaat Bagi PT. Gatra Mapan Malang 1 Memberikan alternatif cara yang efisien dalam penentuan disposisi material incoming tanpa tergantung kepada manager QA. 2 Dapat mempersingkat waktu penyelesaian masalah inspeksi material incoming. 3 Memperlancar proses produksi, karena tidak perlu menunggu bahan baku yang bermasalah dalam pemeriksaan.
1.4.4 Manfaat Bagi STMIK Asia 1 Dapat mengukur sejauh mana keberhasilan proses belajar mengajar di dalam kelas, dan capaian materinya. 2 Menjadi bahan kajian yang dapat dikembangkan dikemudian hari.
1.5 Metodologi Penelitian Untuk mendukung penyelesaian laporan tugas akhir ini digunakan beberapa metodologi penelitian yaitu: A. Studi Literatur Dengan mempelajari buku-buku referensi dan jurnal yang berkaitan dengan permasalahan penelitian yang diangkat serta mencari solusi yang terbaik.Topik bahasan utama yang dibutuhkan diantaranya adalah jaringan syaraf tiruan backpropagation dan ekstraksi aturan dengan pohon pencarian (search tree). B. Observasi dan Wawancara Pengamatan secara langsung dilakukan di PT. Gatra Mapan Malang, khususnya pada proses inspeksi material oleh staf QA dan pemberian disposisi material oleh Manager QA. Juga dilakukan tanya jawab kepada staf dan Manager QA mengenai proses inspeksi dan pemberian disposisi material. - Metodologi Penelitian berisi : tahap-tahap apa yang direncanakan akan digunakan untuk menyelesaikan penelitian - Menjelaskan kegiatan apa yang dilakukan mulai awal sampai penelitian dikatakan selesai - Tahap-tahap dijelaskan secara teknis, bukan definisi langkah-langkah tersebut
5
C. Analisa Melakukan uji coba secara teoritis terhadap masalah yang diangkat guna menganalisa apakah rancangan algoritma yang digunakan dapat menghasilkan solusi yang sesuai dengan tujuan penelitian. Hal ini bertujuan untuk mengetahui spesifikasi input, proses dan output sistem. D. Perancangan Perancangan
algoritma
JST
backpropagation
dalam
permasalahan disposisi material di PT. Gatra Mapan Malang. Proses perancangan menunjukkan hubungan antara input, proses dan output sistem yang ditunjukkan dalam bentuk flowchart. E. Implementasi Membuat program dari hasil rancangan algoritma yang telah dibuat untuk mengimplementasikan serta membuktikan bahwa hasil analisa secara teoritis yang telah dilakukan benar-benar sesuai yang diharapkan. F. Pengujian Pengujian dilakukan untuk melihat apakah data yang telah menjadi input akan diproses sesuai dengan output yang diharapkan. Hal ini juga dilakukan untuk mengevaluasi apakah metode yang diusulkan mampu menjawab tujuan yang telah usulkan. G. Dokumentasi Merupakan langkah akhir, penyusunan laporan mulai dari latar
belakang
permasalahan
sampai
dengan
pengambilan
kesimpulan akan dijelaskan dalam tahap dokumentasi ini.
1.6 Sistematika Penulisan Agar pembahasan bersifat komunikatif dan mudah dipahami maka dalam penyajiannya disusun dengan sistematika sebagai berikut :
- Sebutkan judul Bab dan keterangan isinya, tidak perlu dijadikan subbab - Keterangan setiap bab berisi rencana judul subbab yang akan ditulis
6
BAB I Pendahuluan Dalam bab ini menjelaskan secara umum penyusunan laporan tugas akhir ini yang meliputi latar belakang masalah, rumusan masalah, batasan masalah, tujuan dan manfaat, metodologi penulisan dan sistematika penulisan laporan. BAB II Landasan Teori Berisi tentang uraian-uraian secara teoritis disiplin ilmu yang mendukung pokok bahasan laporan yaitu mengenai klasifikasi dalam data mining, jaringan syaraf tiruan backpropagation dan ekstraksi aturan dengan pendekatan berbasis ruang solusi dengan search tree. BAB III Pembahasan Dalam bab ini akan membahas mengenai analisa masalah disposisi material bahan baku, prosedur inspeksi material oleh staff QA bahan baku dan bagaimana proses pemberian disposisi material oleh Manager QA. Selanjutnya dibahas pemodelan JST untuk penentuan disposisi material meliputi perancangan arsitektur JST dengan memodelkan dataset yang telah dibuat. Pada bagian terakhir dibahas proses
ekstraksi
aturan
dimulai
dengan
pembentukan
pohon
pencarian (search tree), kemudian dilakukan pencarian rule dalam ruang kandidat solusi dan yang terakhir dilakukan tes validasi rule yang telah diperoleh untuk mendapatkan rule yang baik. BAB IV Implementasi dan Pengujian Berisi penjelasan program yang dibangun untuk penentuan disposisi material. Pada pengujian akan dibahas hasil uji terhadap proses ekstraksi aturan yang telah dilakukan. Menunjukkan hasil rule yang didapatkan serta pembuktiannya untuk penentuan disposisi material. BAB V Penutup Pada bab ini berisi kesimpulan-kesimpulan yang didapat dalam analisa permasalahan, serta saran-saran untuk perbaikan di kemudian hari.
- Format Penulisan sama dengan Bab sebelumnya - Berisi teori yang dibutuhkan yang menunjang pembahasan di Bab III serta Implementasi dan pengujian di Bab IV - Bukan berisi definisi dari setiap kata di kalimat judul - Penyajian secara deduktif, dimulai dari materi umum ke khusus - Kelompokkan teori yang berkorelasi dalam subbab yang sama pula - Bukan berisi opini penulis, karena itu harus disebutkan sumbernya
BAB II LANDASAN TEORI 2.1 Klasifikasi Data dalam Data Mining Data mining adalah suatu proses mengekplorasi dan menganalisis data dalam jumlah besar baik secara otomatis maupun semi otomatis untuk mendapatkan suatu pola yang bermakna dari data. Secara - Sumber referensi
sederhana data mining merupakan proses ekstraksi informasi o Kutipan tidak langsung : dituliskan diakhir kalimat dalam atau pola tanda kurung (nama_belakang_penulis, tahun : halaman)
dari data yang ada dalam basis data yang besar. Data mining menjadi o Kutipan langsung : nama penulis ditulis dalam kalimat sedangkan tahun dan halaman ditulis dalam tanda kurung penting karena banyaknya data yang terkumpul saat ini, cepatnya transfer yang dipisahkan dengan tanda titik dua
o Sumber yang ditulis di dalam kurung dicetak tebal data yang terjadi pada saatreferensi ini serta adanya kebutuhan untuk dapat
mengolah data mentah menjadi data yang bernilai dengan cepat dan tepat (Kusumadewi, 2016:23). Data mining memiliki beberapa fungsionalitas yang sering digunakan, yaitu: a. Karakterisasi
dan
Diskriminasi:
yaitu
mengeneralisasi,
merangkum, dan mengkontraskan karakteristik data. b. Penggalian
pola
berulang:
yaitu
pencarian
pola
asosiasi
(association rule) atau pola intra-transaksi, atau pola pembelian yang terjadi dalam satu kali transaksi. c. Klasifikasi:
yaitu
membangun
suatu
model
yang
bisa
mengklasifikasikan suatu objek berdasar atribut-atributnya. Kelas target sudah tersedia dalam data sebelumnya, sehingga fokusnya adalah bagaimana mempelajari data yang ada agar klasifier bisa mengklasifikasikan sendiri. d. Penggugusan/Cluster
analysis:
yaitu
mengelompokkan
sekumpulan objek data berdasarkan kemiripannya. Kelas target tidak tersedia dalam data sebelumnya, sehingga fokusnya adalah memaksimalkan
kemiripan
intra
kemiripan antar kelas.
7
kelas
dan
meminimalkan
8
e. Analisis outlier: yaitu proses pengenalan data yang tidak sesuai dengan perilaku umum dari data lainnya. Contoh: mengenali noise dan pengecualian dalam data. f. Analisis trend dan evolusi: meliputi analisis regresi, penggalian pola sekuensial, analisis periodisitas, dan analisis berbasis kemiripan. Secara umum, proses klasifikasi dimulai dengan diberikannya sejumlah data yang menjadi acuan untuk membuat aturan klasifikasi data. Data-data ini biasa disebut dengan training sets. Dari training sets tersebut kemudian dibuat suatu model untuk mengklasifikasikan data. Model
tersebut
kemudian
digunakan
sebagai
acuan
untuk
o Gambar dalam laporan harus selalu dirujuk dalam penjelasan mengklasifikasikan data-data yang belum diketahui kelasnya yang biasa kalimat o Gambar dan penjelasan kalimat boleh berada di halaman disebut dengan test sets. Sebuah model classifier pada klasifikasi data yang berbeda, hal ini untuk menghindari sisa ruang kosong disetiap akhir halaman
dibentuk berdasarkan data yang sudah ada, dan kemudian model tersebut digunakan untuk klasifikasi dan prediksi data baru yang belum pernah ada. Pada umumnya, proses klasifikasi dapat digambarkan seperti pada gambar 2.1.
Data umumnya dibagi menjadi 2 (dua) yaitu training set dan testing set. Training set digunakan oleh algoritma klasifikasi (misalnya: decision tree, bayesian, neural network, SVM) untuk membentuk sebuah model classifier. Model ini merupakan representasi pengetahuan yang akan digunakan untuk prediksi kelas data baru yang belum pernah ada. Testing set digunakan untuk mengukur sejauh mana classifier berhasil melakukan klasifikasi dengan benar. Karena itu, data yang ada pada testing set seharusnya tidak boleh ada pada training set sehingga dapat diketahui apakah model classifier sudah “pintar” dalam melakukan klasifikasi. Lain lagi halnya dengan validation set. Umumnya beberapa algoritma klasifikasi memerlukan beberapa parameter. Misalnya: jumlah hidden layer dan learning rate pada neural network; parameter kernel pada SVM. Biasanya sebagian dari training set diambil untuk validation set. Validation set ini digunakan untuk mencari parameter yang paling baik
9
untuk sebuah algoritma klasifikasi.
Gambar 2.1 Proses Klasifikasi (Sumber Gambar) Memisahkan data menjadi training dan testing set dimaksudkan agar model yang diperoleh nantinya memiliki kemampuan generalisasi o Gambar diletakkan pas ditengah halaman (aligment=center)
yang baik dalam melakukan klasifikasi data. Tidak jarangdi bawah sebuah model o Nomor dan keterangan diletakkan gambar o Ditulis dengan font Arial size 12 pt spasi 1
klasifikasi dapat melakukan klasifikasi dengan sangat baikgambar pada o Penomorandata : berdasarkan nomor bab dan urutan
o Nomor gambar dicetak tebal (bold), keterangan gambar tidak teba
training set, tetapi sangat buruk dalamdanmelakukan klasifikasi o Gambar keterangan harus berada pada data halamanyang yang sama Gambar tidak boleh terpotong lebih dari 1 halaman baru dan belum pernah ada. Halo ini dinamakan overfitting.
2.2 Backpropagation-Feed Forward Neural Network Neural Network (NN) atau Jaringan Syaraf Tiruan (JST) adalah prosesor tersebar paralel yang sangat besar (massively paralel distributed processor) yang memiliki kecenderungan untuk menyimpan pengetahuan yang bersifat pengalaman dan membuatnya siap untuk digunakan (Aleksander & Morton, 1990). Jaringan syaraf tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. JST mempunyai sifat dan kemampuan: a. Nonlinieritas (Nonlinearity) b. Pemetaan Input-Output (Input-Output Mapping) c. Adaptivitas (Adaptivity)
10
d. Respon yang Jelas (Evidential Response) e. Informasi yang Sesuai dengan Keadaan (Contextual Information) f. Toleransi Kesalahan (Fault Tolerance) g. Keseragaman Analisis dan Perancangan (Unifomity of Analysis and Design) h. Analogi Sel Syaraf Biologi (Neurobiological Analogy)
2.2.1 Struktur Jaringan Syaraf Tiruan Struktur jaringan syaraf tiruan dibangun oleh sejumlah neuron dan memiliki nilai tertentu yang menunjukkan seberapa besar koneksi antara neuron (dikenal dengan istilah bobot). Sebuah neuron terdiri dari tiga bagian yaitu : input, fungsi aktivasi, dan output. Input ini akan diproses - Aturan Umum :
o Gambar atauyang Tabel tidak boleh berada di awal atau nilai-nilai akhir sub bab semua oleh suatu fungsi perambatan akan menjumlahkan o Sebuah sub bab minimal diawali 1 paragraf dan diakhiri 1 paragraf
bobot yang datang (dikenal summing function). o Sebuah dengan sub bab minimal teridir dari 3 paragraf Hasil penjumlahan o Sebuah paragraf minimal terdiri dari 3 kalimat
ini akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron (gambar 2.2). x1 x2
x0=1 w1 w2
. . wn xn .
w0
∑ net= Gambar 2.2 Struktur Neuron dalam JST o Gambar yang kurang jelas dapat digambar ulang tanpa merubah
Neuron-neuron akan dikumpulkan maknanyadalam dan tetaplapisan-lapisan disebutkan sumbernya (layer)
o Ukuran gambar harus proposional terhadap teks, jangan terlalu
yang disebut dengan lapisan neuronbesar (neuron layers). Biasanya dalam (untuk menuhin halaman saja) atau terlalu kecil (tidak jelas terbaca)
jaringan syaraf tiruan terdapat minimal 2 lapisan neuron yaitu input layer dan output layer. Namun pada jaringan syaraf tiruan yang lebih kompleks terdapat lapisan lain yang disebut dengan hidden layer. Pada input layer dan hidden layer akan ditambahkan sebuah neuron bias. Struktur neuron pada jaringan syaraf tiruan merupakan sistem
11
adaptif yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi yang mengalir melalui jaringan tersebut. Secara sederhana, jaringan syaraf tiruan adalah sebuah alat pemodelan data statistik yang dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data.
2.2.2 Jaringan Syaraf Tiruan Backpropagation Backpropagation
merupakan
algoritma
pembelajaran
yang
terawasi (supervised learning) dan biasanya digunakan oleh jaringan syaraf tiruan dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya (hidden layer). Jaringan syaraf tiruan backpropagation memiliki arsitektur jaringan yang
full-connected. Dimana semua neuron input akan
terhubung dengan semua neuron hidden, dan semua neuron hidden berhubungan dengan semua neuron output. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuronneuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid, yaitu: f(x) =
(2.1)
Dimana F(x) adalah fungsi aktivasi untuk neuron x.
Dan seterusnya..............................
Sebuah Persamaan ditulis ditengah halaman Ditulis dengan equation Dihindari persamaan yang berupa gambar (picture) Ditambahkan penomoran dalam tanda kurung disebelah kanannya o Cara penomoran sama seperti penomoran gambar dan tabel o o o o
- Format Penulisan sama dengan Bab sebelumnya
BAB III PEMBAHASAN 3.1
Prosedur Pengujian Material pada PT. Gatra Mapan Pengujian dan pemeriksaan (inspeksi) bahan baku mencakup
kegiatan
pengukuran
material
dengan
metode
tertentu
dan
membandingkan hasilnya dengan standart (spec) yang digunakan sebagai acuan dalam proses produksi. Pengukuran disini tidak hanya bersifat dimensional, tetapi juga pengujian properties (hardness) serta pengujian - Bab IIIcheck diawali dengan Masalah”, yaitu fakta sensory (visual : noda“Analisa dan crack). atau kondisi saat ini pada subjek penelitian dan
Inspeksi merupakan dilengkapi dengan bukti-buktibagian data
yang
penting
- Judul sub bab 3.1 tidak harus “Analisa Masalah”, bisa Control/Pengendalian mutu danyangkegiatan penjaminan disesuaikan dengan masalah dibahas
dari
Quality
kualitas produksi.
Pada PT. Gatra Mapan, proses pemeriksaan dan pengujian bahan baku dilakukan oleh departemen QA khususnya staf QA bahan baku. Proses inspeksi material pada PT. Gatra Mapan menggunakan metode sampling inspeksi. Proses pemeriksaan dan pengujian dilakukan pada 2 jenis barang yaitu bahan baku (incoming) dan hasil produksi (outgoing). Spesifikasi bahan baku dibuat oleh departemen R&D dan perhitungan jumlah pemesanan ditentukan oleh departemen PPIC. Sedangkan yang melakukan pemesanan dan penawaran harga dengan supplier adalah departemen Pengadaan. Pada bagian ini hanya membahas proses pemeriksaan dan pengujian pada bahan baku (incoming). Setiap material bahan baku (incoming) yang datang akan dibongkar dari kontainer, untuk kemudian dilakukan pemeriksaan dan pengujian oleh staf QA bahan baku sebelum material tersebut masuk ke gudang dan digunakan untuk produksi. Prosedur pemeriksaan dan pengujian bahan baku dilakukan berdasarkan dokumen nomer QP/8.2/06. Dimana pemeriksaan dan pengujian bahan baku dilakukan
dengan
mengambil
sampel barang
secara acak
berdasarkan tabel AMS 105 D (American Standart). Pemeriksaan
42
43
dilakukan sesuai dengan Instruksi Kerja Pemeriksaan Bahan Baku (dokumen nomer WI/8.2/05). Apabila tidak menemukan permasalahan saat pemeriksaan dan pengujian bahan baku, maka staf QA bahan baku dapat langsung memberi disposisi diterima dan memberikan registrasi berupa stempel QC PASSED (warna hijau). Tetapi apabila ditemukan permasalahan saat pemeriksaan dan pengujian, maka disposisi harus dilakukan oleh penanggung jawab QA dalam hal ini adalah Manager QA.
3.1.1 Penerimaan Barang Setiap barang yang datang dari supplier ke PT. Gatra Mapan Malang akan diterima oleh bagian gudang. Selanjutnya bagian gudang akan - Analisa Masalah dapat didetailkan dalam sub bab
membuatkan dokumen BPB (Bukti Barang). Dokumen BPB untukPenerimaan penjelasan hal yang berhubungan dengan permasalahan pada subjek penelitian ini terdiri 5 (lima) rangkap, yang masing-masing akan didistribusikan untuk
bagian gudang, bagian QA, bagian pembelian dan bagian akuntansi, sedangkan lembar yang terakhir dilampirkan pada lot materialnya. Bagian QA yang menerima dokumen BPB adalah staf QA bahan baku. Dokumen BPB ini berisi keterangan nomor BPB, tanggal, nama supplier, ekspedisi, nomor faktur, nomor order, keterangan kode, nama dan jumlah barang serta berisi tandatangan beberapa bagian yang terkait. Dokumen BPB harus disertakan dalam setiap proses sebelum masuk dalam proses produksi. Termasuk pada proses pemeriksaan barang (inspeksi), BPB digunakan sebagai acuan dalam pemeriksaan. Contoh dokumen BPB ditunjukkan pada gambar 3.1. Apabila barang yang datang belum dilengkapi dengan BPB oleh bagian gudang, maka harus dilengkapi dengan surat jalan. Surat jalan merupakan pengganti BPB untuk sementara waktu dalam hal BPB belum diterima dan akan diterima kemudian. Pada BPB tidak dilengkapi keterangan barang yang datang tersebut akan digunakan untuk tipe produk apa dalam produksi, sehingga bagian staff QA bahan baku hanya melakukan pemeriksaan berdasarkan hardcopy yang ada. Selanjutnya
44
staff QA bahan baku akan menerima copy BPB warna merah dan atau surat jalan dari bagian gudang.
- Contoh Bukti Dokumen yang digunakan
Gambar 3.1 Dokumen Bukti Penerimaan Barang (BPB) Berdasarkan BPB atau surat jalan tersebut, staff QA akan melakukan pemeriksaan dan pengujian terhadap barang datang. Pengujian dan pemeriksaan barang dilakukan dengan cara sampling pada setiap lot material yang datang. Material di sampling secara acak berdasarkan tabel yang telah ditetapkan yaitu tabel AMS 105 D pada tingkat pemeriksaan umum dengan AQL (Acceptable Quality Level) 2.5. Tingkat pemeriksaan AQL 2.5 adalah batas toleransi penerimaan yang diperbolehkan terhadap hasil pengujian dan pemeriksaan yang telah dilakukan. Tabel AMS 105 D merupakan
tabel
standar
internasional
yang
digunakan
untuk
pengambilan sampling material.
3.1.2 Pemeriksaan Bahan Baku Pemeriksaan bahan baku oleh staf QA bahan baku dilakukan berdasarkan prosedur standar yang telah ditetapkan oleh perusahaan. Prosedur pemeriksaan dan pengujian bahan baku dilakukan berdasarkan dokumen nomer QP/8.2/06 yang mengatur tata cara pemeriksaan dan pengujian bahan baku serta pemeriksaan ulang (re-inspection) bahan
45
baku. Pemeriksaan dilakukan sesuai dengan Instruksi Kerja Pemeriksaan Bahan Baku (dokumen nomer WI/8.2/05). Prosedur pemeriksaan bahan baku oleh staf QA ditunjukkan pada gambar 3.2.
- Fakta pada subjek penelitian yang digambarkan prosedurnya dalam bentuk flowcart
Gambar 3.2 Prosedur Pemeriksaan dan Pengujian Bahan Baku oleh Staf QA
46
Prosedur pemeriksaan dan pengujian bahan baku bertujuan untuk memberikan kejelasan dan kepastian bagi semua pihak yang terlibat dalam aktivitas ini, khususnya staff QA bahan baku dalam melakukan kegiatan pemeriksaan dan pengujian barang dating. Dokumen nomer QP/8.2/06 ini berlaku untuk kegiatan pemeriksaan bahan baku yang masuk pada PT. Gatra Mapan dan Re-inspection bahan baku yang usia penyimpanannya lebih dari 6 bulan dan 1 tahun. Berdasarkan dokumen nomer WI/8.2/05, pemeriksaan bahan baku oleh staf QA dilakukan dengan memperhatikan beberapa kriteria. Tidak semua kriteria berlaku pada seluruh jenis material yang diinspeksi. Untuk material PB, dan MDF akan menggunakan 4 (empat) kriteria dari 6 (enam) kriteria yang ada. Kriteria-kriteria yang digunaka adalah sebagai berikut: 1. Bentuk dan dimensi Kriteria ini berlaku untuk semua jenis bahan baku. Pemeriksaan bentuk dan dimensi barang sesuai dengan spesifikasi/hard copy yang ada. 2. Printing/Sablon dan dimensi sablon Kriteria ini digunakan untuk bahan baku yang menggunakan printing/sablon seperti Dos dan sebagian Kaca. Pemeriksaan bentuk, warna. Dimensi (skala printing) dan jarak printing pada barang apakah sudah sesuai dengan spesifikasi. 3. Hasil uji Digunakan untuk bahan baku jenis Lem. Dilakukan test uji laboratorium terhadap bahan baku tersebut diatas sesuai standart uji lab yang ada. 4. Warna barang Kriteria ini digunakan untuk semua jenis bahan baku. Pemeriksaan aktual warna barang yang datang apakah sudah sesuai dengan spesifikasi/hard copy yang ada. 5. Kondisi barang
47
Kriteria ini digunakan untuk semua jenis bahan baku. Pemeriksaan kondisi barang yang datang apakah layak untuk digunakan untuk produksi dan juga untuk packing barang apakah aman apabila terkena handling standar di PT. Gatra Mapan. 6. Fungsi dan aplikasi barang Kriteria ini digunakan untuk khususnya untuk sparepart. Pengecekan bahan baku sesuai fungsinya dan diaplikasikan sesuai aplikasi pada produk. Misalnya fungsi magnet, kunci, engsel, mur, baut dan handle pada bautnya. Khusus untuk bahan baku jenis lem kayu, lem sheet, lem kuning, harus dikirimkan sampel ke bagian laboratorium untuk dilakukan pengujian. Beberapa parameter pengujian yang digunakan pada lab uji adalah density, swelling thickness, thickness, length and width, uji gores untuk sheet, uji panas, uji dingin, warna, bentuk serta tampilan fisik. Hasil uji laboratorium dituliskan pada dokumen nomer FM/8.2/15 yang ditunjukkan pada gambar 4.5.
3.2
Pemodelan JST Untuk Penentuan Disposisi Material
Pada PT. Gatra Mapan Malang Sistem yang diusulkan melibatkan seorang user. User ini bisa staf QA bahan baku atau Manager QA sendiri. User akan berhubungan - Setelah “Analisa Masalah”, selanjutnya “Analisa Sistem”
dengan -sistem melalui sebuah interface, dengan inputan parameter untuk Judul subbab dapat disesuaikan dengan permasalahan - Berisi penjelasan sistem/solusi yang akan dibangun secara umum
pelatihan- Berdasarkan JST. Parameter yang harus diinputkan adalah jumlah neuron analisa masalah di subbab 3.1 maka dibutuhkan
sistem yang bagaimana pada layer hidden, learning rate, maksimal epoch dan target eror yang - Menjelaskan spesifikasi kebutuhan input, proses dan output,
tetapi tidak dibedakan dalam sub bab tersendiri diharapkan.
- Spesifikasi sistem dijelaskan dalam satu kesatuan berdasarkan
gambar diagram sistem secara umum Sistem akan melakukan pelatihan terhadap dataset hasil inspeksi
material bahan baku yang telah tersimpan di dalam database. Hasil pelatihan adalah bobot yang telah diperbarui dari proses iterasi. Selanjutnya proses ekstraksi aturan dilakukan dengan mengurutkan bobot dari
hidden
layer
sesuai
dengan
output
yang
diinginkan,
jadi
48
pengurutannya bisa secara ascending atau descending tergantung nilai y yang diharapkan. Blok sistem yang diusulkan disajikan pada gambar 3.3. Secara umum sistem terbagi menjadi 3 proses yaitu, proses pelatihan, proses ekstraksi aturan dan proses pengujian. Proses pelatihan membutuhkan parameter jaringan syaraf tiruan yang diinputkan oleh user, serta dataset yang akan dilatihkan. Dataset yang akan dilatih telah tersimpan dalam database. Pelatihan dilakukan dengan jaringan syaraf tiruan backpropagation sampai target eror terpenuhi atau mencapai maksimum iterasi yang telah ditentukan. Pelatihan Jaringan Syaraf Tiruan
`
Feed Forward
Parameter JST
Backpropagation
Bobot hasil
Ekstraksi Aturan Membentuk Pohon Pencarian
Pengujian Aturan IF-Then
Penelusuran Pohon Pencarian
Optimasi Aturan
PROBLEM
- Analisa sistem dijelaskan dalam gambar (boleh blok diagram, flowchart atau diagram yang lain) - Gambar menunjukkan hubungan input, proses dan output dari sistem secara umum
Gambar 3.3 Blok Diagram Sistem yang Diusulkan
49
Dari
hasil
pelatihan
dihasilkan
bobot-bobot
yang
kemudian
digunakan sebagai inputan dalam proses ekstraksi aturan. Proses ekstraksi aturan dimulai dengan membentuk pohon pencarian dan kemudian dilakukan penelusuran pohon pencarian. Pohon pencarian yang dibentuk sebanyak kelas pada output atribut dan ditelusuri sebanyak jumlah layer hidden. Dari gambar 3.3 terlihat bahwa sistem yang diusulkan diawali dengan proses pelatihan dengan jaringan syaraf tiruan. Pelatihan dengan jaringan syaraf tiruan membutuhkan inputan parameter JST dan menghasilkan output berupa bobot-bobot. Pelatihan dengan jaringan syaraf tiruan bertujuan untuk melakukan klasifikasi data. Klasifikasi data terdiri dari dua langkah yang utama, yaitu: pembangunan model dari set data pelatihan dan penggunaan model/arsitektur jaringan syaraf tiruan untuk mengklasifikasi data baru. Bobot hasil pelatihan JST selanjutnya digunakan dalam proses ekstraksi rule. Proses ekstraksi rule terdiri dari 3 sub proses yaitu pembangkitan pohon pencarian, proses penelusuran node-node dalam pohon pencarian untuk mencari rule yang valid dan proses terakhir adalah optimasi rule yang telah diperoleh.
3.3
Dataset Inspeksi Material (Bahan Baku) Data yang digunakan dalam penelitian ini adalah data hasil inspeksi - Sub bab selanjutnya bisa membahas pre
material khusus bahan baku pada PT. Gatra Mapan processing data Malang. Data yang - Data yang diperoleh dari subjek penelitian
digunakan adalah data hasil inspeksi material olehbelum bagian QA bahan baku biasanya bisa langsung digunakan, tetapi harus ada proses penyiapan data
mulai tahun 2011 sampai 2012. Total data inspeksi oleh staf - Bisahasil ada tahap cleaning, selection atau QA penentuan variabel, domain dsb
yang akan digunakan dalam penelitian ini- Menjelaskan adalah 786 record data yang langkah-langkah apa untuk
penyiapan data ditunjukkan pada tabel 3.1. Pada tabel- melakukan tersebut ditunjukkan jumlah Dibagian akhir ditunjukkan bentuk data yang
sudah siap digunakan untuk sistemsampai yang akan kedatangan barang bahan baku setiap bulan mulai Januari 2011 dibangun
bulan Desember 2012. Rata-rata kedatangan barang per bulan adalah 32 kali, sehingga dalam sehari rata-rata kedatangan barang adalah 1-2 kali. Tetapi dalam kenyataannya, kedatangan barang bahan baku ini tidak datang setiap hari. Sehingga ada kemungkinan dalam sehari bisa terjadi
50
lebih dari 1 kali kedatangan barang atau bahkan tidak ada kedatangan barang dalam sehari. Dalam prakteknya penanganan barang datang bisa lebih dari sehari, termasuk didalamnya proses inspeksi material. Tabel 3.1 Data Hasil Inspeksi Material Tahun 2011-2012 No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
Jumlah (Record) 2011 31 2011 13 - Tabel diletakkan di tengah halaman 2011 - Keterangan32 tabel ditulis diatas tabel 2011 - Cara penulisan 21 sama dengan keterangan gambar dengan spasi 1, before=0 dan after=0 2011 - Tabel ditulis43 - Caption setiap kolom ditulis dengan Capitalize 2011 Each Words56 dan bold, aligment =center 2011 - Tabel harus13 diketik ulang, tidak boleh capture 2011 gambar 43 - Tabel boleh terpotong lebih dari 1 halaman, pada 2011 halaman kedua 45 dituliskan keterangan tabel lagi 2011 (tabel lanjutan) 67 2011 - Tabel maksimal 45 2 halaman, apabila lebih dari itu maka sebaiknya diletakkan pada lampiran 2011 42 2012 14 2012 7 2012 43 2012 42 2012 38 2012 16 2012 54 2012 11 2012 21 2012 32 2012 30 2012 27 Total 786
Tahun
Data hasil inspeksi tersebut kemudian dibentuk menjadi dataset dengan melakukan
preprocessing data.
Preprocessing data yang
dilakukan meliputi proses selection dan cleaning. Pemilihan (selection) data dari sekumpulan data operasional, pemilihan data sesuai tujuan yang diharapkan. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data,
seperti
kesalahan
cetak (tipografi). Juga
dilakukan
proses
51
enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk pelatihan, seperti data atau informasi eksternal. Dan seterusnya.......................(bisa ditambahkan flowchart)
3.4
Formulasi Permasalahan Inspeksi ke dalam JST Dataset inspeksi material akan diubah menjadi training set dengan
22 atribut yaitu 20 atribut non kelas (x11, x12, x21, x22, x31, x32, x33, x41, x42, x43, x44, x45, x51, x52, x53, x54, x61, x62, x63, x64) dan 2 atribut kelas (y1, y2). - Sub Bab selanjutnya membahas perancangan
Masing-masing atribut memiliki 2 distinct valuealgoritma yaitu 0untuk dan 1. Valuepermasalahan 0 menyelesaikan - Harus digambarkan dalam bentuk flowchart
menunjukkan bahwa value atribut tersebut tidak detail, terpilih, bukansedangkan flowchat aplikasivalue (menjalankan
program) 1 menunjukkan bahwa atribut tersebut terpilih. Training set untuk inspeksi - Perancangan menggunakan data dari subbab sebelumnya
material ditunjukkan pada tabel 3.7.
Tabel 3.7 ContohTraining Set Inspeksi Material x x x x x x x x x x x x x x
x
x
x
x
1
1
2
2
3
3
3
4
4
4
4
4
5
5
5
5
6
1
2
1
2
1
2
3
1
2
3
4
5
1
2
3
4
1
1 1 1 1 1 1 0 1 0 0
0 0 0 0 0 0 1 0 1 1
1 1 1 1 1 1 1 0 0 0
0 0 0 0 0 0 0 1 1 1
1 0 1 1 1 1 0 1 0 0
0 0 0 0 0 0 1 0 1 0
0 1 0 0 0 0 0 0 0 1
1 0 1 1 1 0 0 0 0 0
0 0 0 0 0 1 1 0 0 0
0 0 0 0 0 0 0 1 0 0
0 0 0 0 0 0 0 0 1 1
0 1 0 0 0 0 0 0 0 0
1 0 1 1 1 1 0 0 0 0
0 0 0 0 0 0 0 1 1 1
0 0 0 0 0 0 1 0 0 0
0 1 0 0 0 0 0 0 0 0
1 0 1 0 1 1 0 1 0 0
x
x y y
6
6
6
2
3
4
0 1 0 0 0 0 0 0 0 0
0 0 0 1 0 0 1 0 0 0
0 0 0 0 0 0 0 0 1 1
1
2
0 0 1 1 1 1 0 1 0 1
1 1 0 0 0 0 1 0 1 0
Dataset inspeksi material akan disimpan pada tabel “inspeksi”. Tabel ini terdiri dari 7 field yaitu 6 field untuk atribut non kelas dan 1 field untuk atribut kelas seperti yang ditunjukkan pada gambar 5.3. Perubahan dataset menjadi training set dilakukan pada saat runtime. Pembentukan training set dengan mengakses dataset dari tabel “inspeksi” dan kemudian disimpan dalam variabel array dua dimensi. Pembentukan training set pada saat runtime dilakukan karena struktur dataset bersifat dinamis, baik
52
atribut input maupun atribut output dapat ditambah dan dikurangi sesuai kebutuhan.
Sehingga
aplikasi
yang
dibangun
diharapkan
dapat
beradaptasi dengan perkembangan yang ada. Dan seterusnya...............(bisa ditambahkan flowchart)
3.5
Pembelajaran (Training) Data dengan JST Proses pembelajaran pada jaringan syaraf tiruan backpropagation
didasarkan pada hubungan
yang sederhana,
yaitu jika keluaran
memberikan hasil yang salah, maka bobot (weight) dikoreksi supaya galatnya dapat diperkecil dan respon jaringan selanjutnya diharapkan akan
lebih
mendekati
harga
yang
berkemampuan untuk memperbaiki (hidden layer). Ketika jaringan syaraf
benar.
jugaproses apa saja - Backpropagation Sub Bab selanjutnya membahas diperlukan sesuai dengan gambar blok bobot padayang lapisan tersembunyi sistem secara umum (gambar 3.3) di Bab III sebaiknya tiruan diberi- Setiap pola penjelsanan masukanproses (training digambar flowchatnya
set) sebagai pola pelatihan maka pola tersebut akan menuju ke unit pada hidden layer untuk diteruskan pada unit yang berada pada output layer. Output sementara pada hidden layer akan diteruskan pada output layer dan output layer akan memberikan tanggapan berupa output sementara pula. Ketika output sementara tidak sama dengan output yang diharapkan, maka selisih (error) nya akan disebarkan secara mundur (backward) pada hidden layer dan diteruskan ke unit di depannya yaitu input layer. Oleh karena itu proses tersebut disebut propagasi balik (backpropagation) dimana
tahap
pelatihan
dilakukan
dengan
merubah
bobot
yang
menghubungkan unit dalam setiap layer jaringan ketika diberi umpan maju dan umpan balik. Untuk mempercepat proses pelatihan digunakan parameter learning rate. Nilai untuk parameter learning rate berada pada kisaran 0 sampai 1. Dan seterusnya..................bisa ditambahkan flowchart
3.6
Ekstraksi Rule Untuk Penentuan Disposisi Material
(Bla...bla...bla... Gambar langkah per langkah dan flowchart) Sesuai dengan arsitektur jaringannya, maka seluruh rule hasil
53
optimasi (18 rule) selanjutnya akan digabungkan menggunakan operator OR sehingga menjadi 2 buah rule sesuai atribut kelasnya. Sehingga menghasilkan dua buah rule sebagai berikut: 1. IF (permukaan_atas=1 AND ketebalan=1 AND hasil_laminasi_bawah=1 AND kondisi=1) OR (kondisi=1 AND permukaan_atas=1 AND ketebalan=1 AND permukaan_bawah=1) OR
- Penjelasan di Bab III terus berlanjut sampai
didapatkan hasil (output) yang diharapkan (kondisi=1 AND permukaan_atas=2) OR
(kondisi=1 AND ketebalan=3 AND hasil_laminasi_atas=1) OR (kondisi=1 AND ketebalan=3 AND permukaan_atas=1) THEN disposisi=1 2. IF (hasil_laminasi_bawah=2 AND ketebalan=2) OR (permukaan_atas=4 AND hasil_laminasi_bawah=1 AND permukaan_bawah=1 AND hasil_laminasi_atas=2) OR (hasil_laminasi_bawah=2 AND permukaan_bawah=2) OR (permukaan_atas=3 AND hasil_laminasi_atas=1 AND hasil_laminasi_bawah=1 AND kondisi=3) - Bab III diakhiri dengan kalimat yang THEN disposisi=2
menjelaskan hasil (output) yang telah diperoleh)
Dari 2 buah rule hasil ekstraksi rule diatas terlihat bahwa untuk kondisi masing-masing kelas dipengaruhi oleh atribut yang berbeda-beda. Akan tetapi dapat dianalisa bahwa terdapat atribut dominan yang mempengaruhi kondisi tiap kelas. Dari 5 rule yang dihasilkan oleh y1 terlihat bahwa atribut “kondisi” menjadi prioritas dalam menentukan disposisi =1. Hal ini terlihat bahwa 4 dari 5 rule yang dihasilkan dari y1 menunjukkan bahwa atribut “kondisi” harus bernilai 1agar disposisi=1. Atribut ini menjadi premis pertama yang disebutkan dalam setiap rule. Sedangkan dari 13 rule yang dihasilkan oleh y2, tampak bahwa atribut “permukaan_atas” menjadi prioritas diantara atribut yang lain. Hal ini dibuktikan dari 13 rule terdapat 10 rule dengan atribut “permukaan_atas” sebagai premis pertama dalam susunan rule.
- Format Penulisan sama dengan Bab sebelumnya
BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1
Spesifikasi Implementasi Hasil aplikasi disajikan dalam bentuk file setup yang dapat diinstall
pada sistem komputer dengan Sistem Operasi Windows. Proses pembentukan file setup dilakukan dengan aplikasi Package and Deployment Wizard yang tersedia pada VB6. - Bab IV diawali dengan spesifikasi yang digunakan untuk proses implementasi sistem - Dapat dituliskan spesifikasi hardware dan software yang digunakan untuk membangun sistemnya
Dan seterusnya.................
4.2
Implementasi Sistem Disposisi Material (Jelaskan mengapa implementasinya menggunakan bahasa pemrograman apa dan database apa.- Sub Kemudian tunjukkan struktur Bab selanjutnya menceritakan bagaimana caranya untuk menjalankan sistem yang telah dibuat
menu dan pembagian hak akses usernya) - Bukan menceritakan tampilan dan menu-menunya
4.3
- Penjelasan diurutkan berdasarkan perancangan proses yang dilakukan di bab III - Setiap penjelasan proses ditunjukkan dengan capture tampilan aplikasi dan penjelasan inputnya
Implementasi Proses 1
(Jelaskan menu apa yang dipilih untuk melakukan proses itu, tunjukkan printscreen dan penjelasannya)
4.4
Implementasi Proses 2 (bisa ditambahkan cuplikan kode program pada fungsi tertentu dalam algortima atau metode yang digunakan. Cuplikan kode program maksimal ½ halaman ditulis dengan courier new size 10 spasi 1) Kode Kode Kode Kode
4.5
programmmmmmmmmmmmmmmmmmmmmmmm programmmmmmmmmmmmmmmmmmmmmmmm programmmmmmmmmmmmmmmmmmmmmmmm programmmmmmmmmmmmmmmmmmmmmmmm
Dst
69
- Pada penjelasan proses tertentu, dimana aplikasi menjalankan algoritma penyelesaian masalahnya, maka harus ditambahkan cuplikan kode program - Gampangnya, setiap ada rumus/persamaan di bab III maka harus ada kode programnya di bab IV - Cuplikan kode program maksimal ½ halaman saja, apabila lebih dari itu sebaiknya diletakkan pada lampiran - Cuplikan kode program ditulis dengan font courier new, size 10 pt, spasi 1
70
4.6
Pengujian Sistem Pengujian sistem ekstraksi aturan dari jaringan syaraf tiruan untuk
menentukan disposisi material pada PT. Gatra Mapan Malang dilakukan dengan melihat sifat dari rule yang dihasilkan. Sifat ini dapat dilihat dari tingkat akurasi aturan dan bentuk aturan yang dihasilkan, dengan melakukan pelatihan dan ekstraksi aturan terhadap dataset inspeksi material dan kemudian dilakukan pengujian pada setiap aturan yang ada. Dalam bab ini akan dibahas 4 macam pengujian dengan tujuan yang berbeda. Beberapa pengujian yang akan dilakukan diantaranya adalah: 1. Uji coba Parameter Pelatihan jaringan syaraf tiruan Pengujian ini bertujuan mengetahui pengaruh parameter - Pada sub bab pengujian, diawali dengan penjelasan
learning rate terhadap bobot rencana hasil pengujian pelatihan dan terhadap dan spesifikasi apa saja yang digunakan untuk melakukan pengujian
keakurasian rule yang dihasilkan. - Selanjutnya ditunjukkan data yang diujikan, proses pengujian dan hasilnya yang ditunjukkan dalam bentuk
2. Uji coba Pelatihan jaringan syaraf tiruan tabel agar lebih mudah di perbandingkan
- Dibagian akhir ditambahkan kalimat penjelas tentang hasil Pengujian ini bertujuan mengetahui model hasil pelatihan pengujian yang telah dilakukan
jaringan syaraf tiruan apabila pelatihan dilakukan berkali-kali. Dalam uji coba ini akan dilakukan 10 kali percobaan. 3. Uji coba jumlah node pada hidden layer Pengujian ini bertujuan untuk mengetahui pengaruh jumlah node pada hidden layer terhadap akurasi rule yang dihasilkan. 4. Uji coba Cross validasi Pengujian ini bertujuan untuk mengukur akurasi bobot hasil pelatihan dan rule yang dihasilkan terhadap dataset. Keempat pengujian ini akan dijelaskan secara runut dalam beberapa subbab yang ada. Pada setiap akhir bahasan pengujian akan diutarakan analisa terhadap hasil pengujian. Dengan beberapa pengujian yang dilakukan ini diharapkan dapat memberi gambaran dengan lebih baik tentang hasil dari penelitian ini.
- Format Penulisan sama dengan Bab sebelumnya
BAB V PENUTUP 5.1
Kesimpulan Dari hasil penelitian ekstraksi aturan dari jaringan syaraf tiruan
untuk menentukan disposisi material pada PT. Gatra Mapan Malang - Kalimat kesimpulan harus bisa menjawab Rumusan dengan menggunakan Visual Basic 6.0 dan Microsoft Access dapat Masalah di Bab I - Kesimpulan adalah sebuah pernyataansebagai yang baru berikut: disimpulkan diketahui oleh penulis setelah menyelesaikan bab III dan bab IV 1. Aplikasi yang dibuat terbukti dapat melakukan ekstraksi aturan dari - Kesimpulan dapat diambil dari hasil perancangan di bab III dan hasil pengujian di bab IV data bobot hasil pelatihan dengan jaringan syaraf tiruan - Kalimat kesimpulan terdiri dari 2 bagian yaitu, bagian kesimpulan dan bagian keterangan (bukti) backpropagation. Hal ini dibuktikan dengan pembahasan yang telah - Jangan menulis tujuan dan mafaat di Bab I ke dalam kesimpulan atau saran dilakukan menunjukkan hasil 2 buah rule untuk menentukan disposisi - Yang dituliskan dalam kesimpulan tidak selalu yang positif, bisa juga membuat material. kesimpulan negatif
2. Pada uji coba pengaruh jumlah node hidden layer terhadap akurasi dilakukan 10 kali percobaan dengan jumlah node pada hidden layer yang berbeda-beda. Didapatkan akurasi terbaik adalah pada jumlah node 10 dengan akurasi rule 98.46%. Dari uji coba ini menunjukkan bahwa jumlah node pada hidden layer berpengaruh pada proses ekstraksi rule yang dilakukan, karena semakin banyak node pada hidden
layer
maka
semakin banyak
pula search tree
yang
dibangkitkan dalam proses pencarian rule. Sehingga menghasilkan rule yang semakin banyak pula. Hal ini mempengaruhi ketelitian rule yang dihasilkan sehingga memberikan tingkat akurasi rule yang - Sebaiknya apa yang ditulis di kesimpulan diperkuat dengan bukti dalam bentuk angka
semakin tinggi.
3. Uji cross validasi dengan K-Fold Cross-Validation menunjukkan hasil akurasi yang cukup baik. Untuk akurasi rata-rata pelatihan jaringan syaraf tiruan diperoleh 98.378% sedangkan akurasi rata-rata dari ekstraksi aturan sebesar 91.687%. 4. Rule yang dihasilkan oleh ekstraksi aturan dengan pendekatan berbasis search tree cenderung cukup kompleks. Hal ini ditunjukkan oleh jumlah premis yang cukup banyak yang dihubungkan dengan 71
72
operator
AND
dan
penggunaan
operator
OR
pada
hasil
penggabungan rule. 5. Rule yang dihasilkan dari proses ekstraksi aturan memiliki pola tertentu yang dapat menunjukkan atribut prioritas dalam penentuan disposisi material. Dari 5 rule yang dihasilkan oleh y1 terlihat bahwa -
atribut “kondisi” menjadi prioritas dalam menentukan disposisi =1.
Saran ditujukan untuk pengembangan penelitian selanjutnya Sedangkan yang dihasilkan oleh y2, tampak bahwa Saran dapat menanggapi batasan masalah yangdari ada di13 Babrule I Saran dapat menanggapi kesimpulan yang negatif “permukaan_atas” menjadi prioritas diantara atribut yang lain. Kalimat saran terdiri dari 2 bagian yaitu, bagian kesimpulan dan bagian keterangan.
5.2
atribut
Saran Guna perbaikan dan untuk meningkatkan hasil yang lebih baik
maka disarankan penelitian selanjutnya adalah : 1. Dataset inspeksi material ini memiliki tingkat keseragaman record yang cukup tinggi sehingga banyak record-record yang memiliki kesamaan, maka disarankan untuk memanfaatkan metode ekstraksi aturan dengan search tree untuk dataset yang lebih bervariatif dan kompleks sehingga akan lebih terlihat kinerja dari metode ini. 2. Selain disarankan dikembangkan untuk data yang lebih bervariatif, juga dapat ditambahkan variabel dengan numerical value. Sehingga dapat dihasilkan rule dengan operator lebih kecil (<) atau lebih besar (>). 3. Disarankan untuk menambahkan fitur pengujian barang baru pada aplikasi agar memudahkan dalam penggunaannya. Pada penelitian ini belum ditambahkan fitur pengujian barang baru karena lebih fokus pada penerapan metodenya. 4. Untuk penelitian lebih lanjut disarankan memunculkan variabel temporary (intermediate variable). Sehingga rule yang dihasilkan bukan hanya memiliki premis atribut inputan saja, tetapi bisa juga memiliki premis hidden layer (IF z1 then y1).
-
Daftar Pustaka minimal 5 referensi yang diambil dari buku, ebook atau jurnal ilmiah Link website tidak diperbolehkan Format penulisan daftar pustaka : Nama_belakang, nama_depan. Judul_buku. Penerbit. Kota. Tahun Judul buku digaris bawah, tidak miring dan tidak tebal Referensi yang lebih dari 1 baris, maka baris ke-2 dan seterusnya di tulis menjorok ke kanan 1.25 cm Ditulis urut abjad ascending (a-z) Font : Arial size 12 pt, spasi 1 dengan before = 0 dan after = 0 Antar referensi diberi jarak satu baris dengan spasi 1 (1 kali enter)
DAFTAR PUSTAKA
- 1 enter
Bertalya. Konsep Data Mining Klasifikasi: Pohon Keputusan. Jakarta. Universitas Gunadarma, 2009 Chrisna, Temmy, Bijaksana, Arif, Muntina, Eddy. Ekstraksi Rule Dari Jaringan Syaraf Tiruan Menggunakan Metode Search Based Pada Data Mining. STT Telkom Bandung. 2005 Dancey, Darren. Tree Based Methods for Rule Extraction from Artificial Neural Networks. Manchester Metropolitan University. United Kingdom. 2008 Duch, Włodzisław, Kordos, Mirosław, Search-based Training for Logical Rule Extraction by Multilayer Perceptron, School of Computer Engineering Institute of Computer Science Nanyang Technological University The Silesian University of Technology, Singapore, 2005 Fujimoto, Koji, Nakabayashi, Sampei. Applying GMDH Algorithm to Extract Rules from Examples. Financial Engineering Group, Inc., Akasaka Yamada Tokyo. Japan. 2001 Kusumadewi, Sri. Artificial Intelligent (Teknik dan Aplikasinya). Graha Ilmu. Yogyakarta. 2003 Mark W, Craven. Using Neural Network For Data Mining. School of Computer Science Carnigie Mellon Univercity. Pittsburgh. 2000 Nayak, Richi. Gyan: A Methodology for Rule Extraction from Artificial Neural Networks. Queenslan University of Technology Australia. 1999 Palade, Vasile, Neagu, Daniel-Ciprian, Patton, Ron J.. Interpretation of Trained Neural Networks by Rule Extraction. The University of Hull, Cottingham Road. United Kingdom. 2001 Soman, K.P., Diwakar, Shyam, Ajay. Insight into Data mining, theory and practice. Prentice Hall of India Private Limited. New Delhi. 2006 Suyanto. Intelijensia Buatan. Jurusan Teknik Informatika STT Telkom. Bandung. 2002 Turban, E,. McLean, E., Wetherbe, J.. Information Technology for Managemen. 2 ed.. NY:John Wiley and Sons, Inc. 1999
- Nomor halaman melanjutkan dari bab V
73
- Font : Arial size 16pt, capital
DAFTAR RIWAYAT PENULIS - Foto harus diprint, tidak boleh ditempel - Foto tidak harus resmi, tetapi tetap sopan
Data Pribadi Foto 3x4 (harus di print)
Nama
: ....................................
Tempat/tanggal lahir
: ..............................
Jenis kelamin
: .......................................
Agama
: .........................................
Alamat
: .........................................
Telepon
: .........................................
Alamat email: ......................................... Data Keluarga Nama Ayah
: ......................................
Nama Ibu
: ......................................
Pekerjaan
: ......................................
Alamat
: ......................................
Riwayat Pendidikan (riwayat pendidikan formal sejak awal hingga memasuki jenjang kuliah) Riwayat Pekerjaan (bila ada) Daftar Penelitian (daftar karya ilmiah yang pernah ditulis oleh penulis bila ada)
- Nomor halaman melanjutkan dari Daftar Pustaka
74
- Font : Arial size 16pt, capital - Jarak antar baris (spasi) adalah 1 before=0 dan after=0
LAMPIRAN A DOKUMEN PENDUKUNG INSPEKSI MATERIAL PADA PT. GATRA MAPAN MALANG
- Nomor halaman berdasarkan nama lampiran dan dimulai dari 1
A-1
LAMPIRAN B DATASET INSPEKSI MATERIAL PB DAN MDF Att Att Att Att 1 2 3 4 - Jenis Font 2 dan1ukuran1 tidak 1 ditentukan, boleh disesuaikan 1 1 1 1 dengan bentuk lampiran 1 1 1 1 2 1 1 4 1 1 1 4 1 1 1 1 1 2 1 1 2 2 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 4 1 1 1 1 2 1 1 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 2 1 1 4 1 1 1 4 1 1 1 1 1 2 1 1 2 2 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 4 1 1 1 1 2 1 1 4 1 1 1 1
Att 5 4 2 1 4 1 3 1 1 1 2 1 2 3 1 1 4 2 2 1 1 2 1 4 2 1 4 1 3 1 1 1 2 1 2 3 1 1 4 2
Att 6 1 1 2 1 1 1 1 2 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 2 1 1 1 1 2 1 1 1 1 1 1 2 1 1
Att 1 1 1 1 1 1 1 1 1 1 2 1 1 2 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 2 1 1 1
Kls 2 1 1 2 2 2 1 2 1 1 1 1 2 2 1 2 1 1 1 2 1 1 2 1 1 2 2 2 1 2 1 1 1 1 2 2 1 2 1
B-1
Att 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Att 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Att 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Att 5 2 1 1 2 1 2 1 1 1 4 2 1 1 2 1 2 1 1 2 2 1 2 1 2 1 1 2 1 2 1 1 1 4 2 1 1 2 1 2
Att 6 1 1 1 1 1 1 1 1 1 1 1 2 1 1 2 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 2 1
Kls 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1
LAMPIRAN C KODE PROGRAM UNTUK PEMBANGKITAN SEARCH TREE Private Sub buildTree(level As Integer) If level = 1 Then 'untuk level satu For j = 1 To jmlNode atribut(level, j, 1) = atribut(level - 1, j, 1) jenis(level, j, 1) = jenis(level - 1, j, 1) Next numNode(level) = jmlNode ElseIf level = 2 Then 'untuk level dua tempJmlNode = jmlNode jmlNode = 0 For j = 1 To tempJmlNode - 1 For k = j + 1 To tempJmlNode If atribut(level - 1, j, 1) <> atribut(level - 1, k, 1) Then jmlNode = jmlNode + 1 atribut(level, jmlNode, 1) = - Lampiran kode program atribut(level - 1, j, 1) menggunakan Courier New, spasi 1 atribut(level, jmlNode, 2) = dan size menyesuaikan atribut(level - 1, k, 1) jenis(level, jmlNode, 1) = jenis(level – 1, j, 1) jenis(level, jmlNode, 2) = jenis(level – 1, k, 1) End If Next Next
C-1
LAMPIRAN D FILE LOG HASIL UJI COBA Waktu Pengujian = 9/9/2014 11:09:01 AM ============================================== Nama Ekstraksi = hidden node 10 Jumlah Neuron Hidden = 10 Learning Rate = 0.5 Max. Iterasi = 100 Target Error = 0.001 Bobot Awal Sebelum Pelatihan ============================================== v111 = 0.6655 v223 = -0.8041 v112 = -0.9625 v224 = -0.1123 v113 = -0.5793 v225 = -0.4541 v114 = -0.8521 v226 = 0.7451 v115 = -0.7891 v227 = 0.5014 v116 = -0.3366 v228 = -0.4541 v117 = -0.7435 v229 = 0.3473 v118 = -0.9995 v2210 = -0.4867 v119 = 0.0736 v311 = -0.8202 v1110 = 0.3141 v312 = -0.9381 v121 = 0.088 v313 = -0.3546 v122 = 0.6548 v314 = 0.5803 v123 = -0.8362 v315 = -0.4055 v124 = -0.6162 v316 = -0.5294 v125 = 0.3578 v317 = -0.0391 v126 = -0.0916 v318 = -0.4908 v127 = -0.286 v319 = -0.3188 v128 = -0.7 v3110 = -0.9101 v129 = 0.4088 v321 = -0.0351 v1210 = 0.8576 v322 = -0.588 v211 = 0.0604 v323 = 0.7291 v212 = -0.8207 v324 = 0.1773 v213 = 0.5155 v325 = 0.5098 v214 = -0.1963 v215 = -0.0763 v326 = 0.8558 v216 = -0.0157 v327 = -0.338 v217 = -0.5847 v328 = 0.0859 v218 = -0.3405 v329 = -0.8386 v219 = -0.8091 v3210 = 0.2687 v2110 = 0.1796 v331 = -0.1799 v221 = -0.6603 v332 = 0.9208 v222 = 0.8552 v333 = -0.7708 v435 = 0.2384 v436 = -0.0203 v437 = 0.3616 v438 = 0.7732 v439 = -0.259 v4310 = -0.395 v441 = -0.4143 v442 = -0.6994
D-1
v334 = 0.8469 v335 = 0.2404 v336 = -0.3045 v337 = -0.7015 v338 = -0.04 v339 = -0.5612 v3310 = 0.9875 v411 = -0.7392 v412 = -0.9422 v413 = -0.3092 v414 = 0.0953 v415 = 0.8459 v416 = 0.0765 v417 = -0.1872 v418 = 0.6945 v419 = 0.6525 v4110 = 0.3449 v421 = 0.4438 v422 = 0.9935 v423 = -0.3204 v424 = -0.0096 v425 = -0.1741 v426 = 0.3906 v427 = -0.6418 v428 = -0.1542 v429 = 0.0864 v4210 = 0.6293 v431 = 0.0818 v432 = -0.1449 v433 = 0.0181 v434 = -0.5444