PENGOLAHAN ASET BERBASIS MOBILE DENGAN ALGORITMA PERCEPTRON

Seminar Nasional Teknologi Informasi dan Komunikasi 2015 (SENTIKA 2015) Yogyakarta,28 Maret 2015

ISSN:2089-9815

PENGOLAHAN ASET BERBASIS MOBILE DENGAN ALGORITMA PERCEPTRON Lukman Hakim1, Julius Giovanni2 Program Studi Teknik Informatika1,2, Fakultas Teknologi dan Desain, Universitas Bunda Mulia JL. Lodan Raya No.2, Ancol – Jakarta Utara 14430 Telp. (021) 6929090 ext.617, Fakx (021) 6909712 E-mail:[email protected],[email protected]

ABSTRAKS Universitas XYZ perguruan tinggi swasta yang memiliki asset berupa kursi, meja, komputer (CPU), monitor, server, dan perlatan kantor lainnya yang cukup banyak sehingga perlu dilakukan pengolahan dan pengendalian secara baik, asset sendiri dikelola oleh departemen General Affair yang dilakukan secara. Tujuan penelitian sistem informasi asset berbasis mobile adalah mengetahui sejauh mana penerapan algoritma perceptron untuk pembelajaran keberadaan asset sesuai kondisi dan lokasi semula berada. Sistem pengolahan asset ini dapat menggunakan kamera untuk membaca QR Code sebagai kode dari asset yang secara unik. Metode penelitian ini menggunakan pengumpulan data observasi dan menggunakan algoritma Perceptron yang merupakan metode jaringan syaraf tiruan, yang digunakan untuk mengklasifikasikan data menjadi 2 pola khusus. Penggunaan algoritma perceptron pada aplikasi pengolahan asset berbasis mobile dapat melakukan pelacakan aset yang salah penempatan lokasi sesuai data semula dan melakukan koreksi terhadap klasifikasi data berdasarkan asset yang mudah rusak dan tidak mudah rusak masih terjadi kesalahan 0.03% dari 100 kali percobaan. Kata Kunci: algorima perceptron, asset, AndroidOS 1. PENDAHULUAN Universitas XYZ memiliki banyak sekali aset atau inventori barang yang harus selalu dikontrol setiap saat beradaannya, hal ini untuk mengetahui sejauh mana aset perusahaan atau Universitas tervalidasi dengan baik, sistem yang sekarang masih terasa kurang baik dalam pengecekan aset tersebut. Perkembangan teknologi informasi berkembang dengan pesat mendorong perubahan infrastruktur sistem informasi dari konsep sederhana hingga menggunakan teknologi berbasis mobile atau menggunakan gadget, Teknologi gadget atau Smartphone juga diklasifikasikan menjadi beberapa sistem operasi dan pengembangnya, yang saat ini diketahui, antara lain : AndroidOS (Google), IOS (Apple), Windows-PhoneOS (Microsoft), dan BlackberryOS (Blackberry). Aplikasi yang menggunakan AndroidOS banyak sekali diimplementasikan pada bisnis karena hampir teknologi Smartphone menggunakan fitur yang disediakan seperti QR-Code (Quick Response) serta bahasa yang dikembang open source (Java). Sistem aset dengan menggunakan QR-Code pada setiap aset memberikan salah satu solusi untuk memberikan kemudahan dalam pengolahan aset atau inventaris barang, karena aplikasi ini dapat menggunakan aplikasi mobile atau Smartphone dengan sistem operasi AndroidOS. Rumusan masalah apakah algoritma perceptron dapat diimplementasikan dalam sistem pengolahan aset berbasis AndroidOS. Tujuan penelitian adalah membuat aplikasi aset berbasis mobile dengan algoritma perceptron.

1.1 Tinjauan Pustaka 1.1.1 Interaksi Manusia dan Komputer Definisi Interaksi manusia dan komputer yaitu sebuah ilmu yang mempelajari hubungan / interaksi antara manusia dengan komputer yang memiliki karakteristik tertentu untuk mencapai suatu tujuan tertentu dengan menggunakan sebuah sistem yang berdasarkan sebuah antarmuka (interface) (Ben Shneiderman & Catherine Plaisant 2010, p 74)[9]. Dalam desain aplikais selalu mempertimbangkan aspek manusia, dimana sistem yang dibuat memberikan kemudahan dalam penggunaa (user friendly). 1.1.2 Normalisasi Normalisasi merupakan suatu proses yang digunakan untuk menghilangkan kemungkinan adanya tipe-tipe kesalahan yang mungkin terjadi pada database yang tidak normal (Kusrini 2007, p 39)[3]. Dalam proses normalisasi ini diklasifikasikan menjadi beberapa bagian, diantaranya : 1. Bentuk tidak normal (Unormalized), Bentuk ini merupakan kumpulan data yang dikumpulkan seadanya sesuai keadaan sehingga masih terdapat data yang tidak lengkap atau terduplikasi. 2. Bentuk normal tahap pertama (1 NF), Bentuk ini merupakan tahap pertama dalam normalisasi database relasional yang dimana tidak ada baris yang terduplikasi dalam tabel dan masing-masing cell bernilai tunggal. 299


3. Bentuk normal tahap kedua (2 NF), Normalisasi tahap ini akan terpenuhi jika pada sebuah tabel semua atribut yang tidak termasuk dalam primary key memiliki ketergantungan fungsional pada primary key secara utuh. 4. Bentuk normal tahap ketiga (3 NF), dst Sebuah tabel dikatakan memenuhi bentuk normal ketiga (3 NF), jika untuk setiap ketergantungan fungsional dengan notasi X  A, dimana X adalah super key dalam tabel tersebut sedangkan A merupakan bagian dari primary key yang mewakili semua atribut tunggal yang tidak terdapat dalam X. 1.1.3 Algoritma Perceptron Algoritma Perceptron yang merupakan jaringan syarat tiruan melakukan pembelajaran dengan input yang berada pada basisdata, untuk mengetahui keakuratn data dan input dibandingkan sehingga menghasilkan output yang diinginkan, adapun data input berupa lokasi asset, jenis barang, range pemakaian. Algoritma Perceptron terdiri dari suatu input dan output, perceptron merupakan bentuk paling sederhana dari Jaringan Saraf Tiruan yang digunakan untuk pengklasifikasian jenis pola khusus yang disebut linearly separable (pola-pola yang terletak pada sisi yang berlawanan pada suatu bidang) (Anita Desiani & Muhammad Arhami 2006, p 178)[1]. “Arsitektur perceptron belajar mengenali pola dengan metode belajar terbimbing. Pola yang diklasifikasikan biasanya berupa bilangan biner (kombinasi 1 dan 0) dan kategori pengklasifikasian juga diwujudkan dalam bilangan biner. Perceptron dibatasi untuk dua lapisan pengolah dengan satu lapisan bobot (diantaranya) yang dapat beradaptasi.” (Arief Hermawan 2006, p 43)[4]

Gambar 1.Unit Pengolah Perceptron Elemen pada Gambar 1 merupakan unit pengolah dasar dari perceptron. Unit pengolah ini mendapat masukan dari unit pengolah lain yang masingmasing dihubungkan melalui suatu bobot interkoneksi (Wji). Unit pengolah melakukan penjumlahan bobot untuk seluruh masukannya dengan persamaan berikut :

ISSN:2089-9815

n Sj = ∑ ai wji i=0

(1)

Dengan : wji = bobot sambungan dari unit i ke unit j ai = masukan yang berasal dari unit i Perceptron menguji apakah hasil penjumlahan berbobot berada diatas / dibawah nilai ambang yang telah ditentukan, dengan aturan : Jika Sj > 0 maka xj = 1 (2) Jika Sj <= 0 maka xj = 0 (3) Dengan : xj = nilai keluaran unit j (4) Perceptron dilatih dengan menggunakan sekumpulan pola yang diberikan kepadanya secara berulang-ulang selama latihan. Setiap pola yang diberikan merupakan pasangan pola masukan dan pola yang diinginkan. Perceptron melakukan penjumlahan berbobot tiap-tiap masukannya dan menggunakan fungsi ambang untuk menghitung hasil output-nya. Hasil output ini kemudian dibandingkan dengan hasil yang diinginkan, perbedaan yang dihasilkan dari perbandingan ini digunakan untuk merubah bobot-bobot yang ada dalam jaringan. Demikian dilakukan berulang-ulang sehingga dihasilkan keluaran yang sesuai dengan hasil yang diinginkan. Dengan menggunakan aturan perceptron yang sederhana maka perubahan bobot dapat dirumuskan : Wjbaru = Wjlama + C (tJp - xjp) ai (5) Dengan : C = Learning rate / kecepatan belajar. tJp = nilai keluaran yang diinginkan unit j setelah diberikan pola p pada lapisan masukan. xJp =nilai keluaran yang dihasilkan unit j setelah diberikan pola p pada lapisan masukan. ai = masukan yang berasal dari unit i 1.1.4 Asset Asset merupakan suatu nilai yang ditentukan oleh suatu lembaga / penanam modal (investors). Para ekonom menghubungkan dua basis dari nilai suatu asset, yaitu investor “tastes” dan economy’s “technologies”. Kedua basis ini digunakan untuk menghasilkan pengembalian asset. Sebuah penilaian teori asset yang baik harus dapat mempertimbangkan bagaimana individu-individu mengalokasikan kekayaan mereka antara asset yang memiliki pembayaran yang berbeda di masa mendatang (George Pennacchi 2008, p 3)[8]. 1.1.5 QR (Quick Response) Code QR Code merupakan simbol 2D, yang diciptakan tahun 1994 dari salah satu perusahaan toyota grup yang terbesar, dan disahkan sebagai ISO International standard (ISO/IEC18004) pada tahun 300


2000. QR Code digunakan untuk membaca data yang terdapat didalamnya yang berupa nomor telepon, alamat URL, teks, SMS message, Wi-fi login, bahkan huruf kanji dan masih banyak lainnya. [10](Tan Jin Soon 2008, p. 60) QR Code memiliki karakteristik unggulan seperti penyimpanan volume data yang besar, dapat membaca data didalamnya dengan cepat, dapat diakses dari segala arah, dapat diakses walaupun QR Code terdistorsi atau rusak dan kotor akan tetapi dengan toleransi yang diklasifikasikan seperti berikut ini : Tabel 1. Toleransi Kerusakan pada QR Code Level Low (L) Medium (M) Quartile (Q) High (H)

Toleransi kerusakan 7% kode yang rusak dapat diperbaiki 15% kode yang rusak dapat diperbaiki 25% kode yang rusak dapat diperbaiki 30% kode yang rusak dapat diperbaiki

1.1.6 ZXing ZXing merupakan suatu library yang digunakan aplikasi barcode scanner, Aplikasi ini dapat membaca QR dan ISBN code. Zxing digunakan karena open source dan multi-format image processing yang menggunakan bahasa pemograman Java. Oleh karena itu dapat membuat aplikasi android terintegrasi dengan mudah (Mc Carthy Graham, Sally Wilson, 2011, issue 13)[4].

1.1.7 Metodologi Penelitian ini menggunakan metode pengumpulan data dengan beberapa cara yaitu : a) Observasi/Peninjauan Lapangan Untuk mengetahui lebih dekat aktivitas pengolahan aset serta aktivitas yang terjadi pada Universitas XYZ dalam mengendalikan aset. b) Wawancara Melakukan wawancara dengan staff dan koordinator pengendalian aset pada Universitas XYZ. Metode analisis dan perancangan sistem pengolahan aset Universitas XYZ menggunakan yaitu: a) Waterfall model Dalam perancangan aplikasi ini menggunakan metode waterfall, sebagai acuan pengembangan pernagkat lunak atau sistem informasi. b) QR Code Merupakan bentuk kode asset di Universitas XYZ akan dibantu dengan penggunaan QR Code untuk mempercepat proses pengenalan asset. c) Algoritma Perceptron Dalam penggunaan algoritma perceptron digunakan untuk membantu menentukan asset yang sering mengalami kerusakan / yang tidak mudah rusak. Hal ini dilakukan untuk melakukan penggantian

ISSN:2089-9815

pada asset-asset kerusakan

yang

sering

mengalami

2. PEMBAHASAN Sistem aset yang berada di Universitas XYZ sudah memiliki aplikasi berbasis desktop, sistem tersebut dalam proses pengolahan masih dilakukan manual untuk melakukan pengecekan secara berkala, hal ini melakukan pekerjaan berulang dan tidak efektif, maka dengan sistem berbasis mobile/bergerak dengan AndroidOS merupakan solusi dalam permasalahan pengolahan aset. Pembahasan ini menguraikan dari sisi sistem berjalan dan yang diusulkan. 2.1 Sistem berjalan 2.1.1 Prosedur Laporan Penerimaan Asset manual Prosedur ini merupakan proses / tahapan awal untuk memasukan data asset pada sistem, namun bukan merupakan prosedur memasukan data asset pada sistem. Berikut ini adalah proses yang akan dilakukan : 1. Koordinator asset akan diberikan sebuah laporan penerimaan barang yang dapat dimasukkan kedalam asset. 2. Koordinator asset mengecek barang-barang yang akan dimasukan kedalam asset. 3. Apabila terdapat ketidak sesuaian pada laporan barang akan dilakukan konfirmasi dan perbaikan pada Manajer asset. 4. Setelah melakukan pengecekan pada laporan penerimaan barang, maka barang tersebut akan dilanjutkan kepada petugas asset untuk dimasukkan dalam server. Prosedure penerimaan asset secara manual dengan diagram flowchart terlampir pada gambar 2 sebagai berikut:

Gambar 2. Prosedure penerimaan asset

301


2.1.2 Prosedur Memasukan Data Asset pada Sistem berjalan Prosedur ini berisikan proses pemasukan data asset pada sistem yang database-nya terintegrasi dengan server di Universitas XYZ. Berikut ini adalah proses yang akan dilakukan : 1. Petugas asset akan diberikan laporan penerimaan barang yang telah dilakukan pengecekan terlebih dahulu sebelumnya. 2. Petugas asset membuka sistem berbasis web, dan kemudian melakukan login untuk mulai menginput data asset ke server. 3. Setelah login petugas asset memilih pilihan yang terdapat pada sistem(Asset  Input Awal) 4. Setelah memilih pilihan Input Awal petugas diharapkan mengisikan data-data asset sesuai dengan laporan penerimaan barang yang diterima. 5. Setelah selesai mengisikan data asset ke sistem, maka data asset akan tersimpan dalam server di Universitas XYZ. Prosedure memasukan data Aset dengan diagram flowchart terlampir pada gambar 3 sebagai berikut:

Gambar 3. Prosedur Memasukan Data Asset 2.2 Perancangan sistem yang diusulkan 2.2.1 Fungsi Input Lokasi Pengecekan Pada fungsi input lokasi pengecekan asset berbasis android ini merupakan proses awal yang dilakukan pada saat akan melakukan pengecekan asset. User harus memasukkan kode lokasi yang akan dilakukan pengecekan untuk mengambil data asset pada lokasi tersebut dari server. Setelah memasukkan kode lokasi dengan benar, maka akan muncul daftar asset pada lokasi tersebut, dan sistem sudah dapat melakukan pengecekan asset.

ISSN:2089-9815

2.2.2 Fungsi Pengecekan Asset dengan QR Code Pada fungsi pengecekan asset ini membutuhkan suatu library ZXing pada aplikasi android yang digunakan sehingga dapat membantu sistem dalam melakukan scanning QR(Quick Response) Code. Setelah melakukan proses scanning QR Code pada asset yang telah diberikan label QR Code, maka sistem akan menandai asset yang telah di-check terlebih dahulu pada daftar asset sebelum di-submit pada server. 2.2.3 Fungsi Pendeteksi Salah Penempatan / Kehilangan pada Asset Pada fungsi pendeteksi salah penempatan / kehilangan pada asset merupakan lanjutan dari fungsi pengecekan asset. Sebelum dilakukan submit pada server, untuk mendeteksi salah penempatan apabila terdapat ketidak sesuaian data asset dengan asset pada lokasi pengecekan, maka sistem akan melakukan pengecekan pada setiap lokasi data asset yang seharusnya dan akan dimasukkan pada daftar tampungan. Sedangkan untuk mendeteksi kehilangan asset pada lokasi apabila setelah dilakukan submit pada server, namun daftar asset masih belum ter-check list semua, maka sistem akan melakukan pengecekan pada daftar tampungan apakah terdapat asset yang hilang pada lokasi lain. Bila tidak ditemukan, maka asset akan dianggap hilang. 2.2.4 Fungsi Menentukan Asset yang Sering Rusak Pada fungsi penentuan asset yang sering mengalami kerusakan, menggunakan metode Jaringan Saraf Tiruan (Artificial Neural Network) dan Algoritma perceptron dimana pada fungsi ini akan melakukan penghitungan seringnya jenis asset yang sering mengalami kerusakan, maka sistem pengolahan asset memberikan daftar asset yang sering mengalami kerusakan dan tidak. Namun sebelumnya user harus memasukkan asset yang rusak pada tahap pengecekan asset sebelumnya, pada fungsi ini sistem juga dapat melakukan learning (pembelajaran) pada asset yang telah rusak dengan bantuan Algoritma perceptron. 2.2.5 Fungsi pengelolaan data asset di server Pada fungsi pengelolaan data asset di server yaitu dengan menambahkan langsung hasil report pengecekan asset pada server sistem yang telah berjalan. Selain itu dapat melakukan pengelolaan asset yang hilang dan sistem akan mengecek pada daftar tampungan, apabila ditemukan maka sistem akan otomatis mengubah report di server.

302


2.3

ISSN:2089-9815

Perancangan sistem usecase diagram pada pengecek asset

Sistem pengolahan asset berbasis AndroidOS dilengkapi beberapa fitur seperti scanser QR Code, daftar asset, mutasi asset, deteksi keberadaan lokasi asset yang sebenar, dst. Kemudahan sistem ini secara otomatis memberikan informasi secara akurat keberadaan atau pengecekan secara terintegrasi dengan server. Untuk secara lengkapnya terlampir pada gambar 4 pada usecase diagram pengecekan asset.

Gambar 5. Class Diagram Pengolahan Asset berbasis mobile

Gambar 4. Usecase Diagram Sistem pengecekan Asset

2.4

Class Diagram sistem pengolahan Asset berbasis mobile

Sistem pengolahan asset memiliki 12 kelas yang memiliki turunan antara kelas satu dengan kelas lainnya, konsep yang diterapkan dalam pengolahan asset berbasis objek. Konsep objek memberikan kemudahan dalam penyerderhanaan pembuatan program. 2.5 Rancangan ERD Sistem pengolahan Asset ERD ini merupakan dummy yang diambil dari sistem berjalan pada Universitas XYZ, dan sudah di ujikan dan simulasi pada pengolahan Asset.

Gambar 6. ERD Sistem pengolahan Asset

303


2.6 Rancangan Algoritma Perceptron Rancangan algoritma perceptron ini digunakan dalam penentuan barang-barang (asset) yang masuk kedalam daftar asset yang rusak. Penggunaan algoritma ini bertujuan untuk menentukan apakah asset tersebut sering atau tidak-nya mengalami kerusakan. Konsep dari algoritma perceptron yaitu melakukan pembelajaran terlebih dahulu, pada datadata yang ada, yang bertujuan untuk dapat menentukan bobot keseluruhan data berikutnya yang akan digunakan. 2.6.1 Tahap Awal Pengumpulan Data Perceptron Proses pembelajaran dari algoritma perceptron mengambil data dari beberapa tabel yang saling berhubungan satu sama lain, diantaranya : a) Tabel_asset_rusak Pada tabel ini berisikan beberapa field yaitu ‘kode_asset’, ‘lokasi’, ‘jenis_barang’, ‘tgl_rusak’, dan ‘output’. Tabel ini merupakan inti pembelajaran dari algoritma perceptron karena dari tiga kategori (lokasi, jenis barang, dan tgl rusak) yang digunakan akan menghasilkan suatu output yang mana akan dilakukan learning / pembelajaran oleh perceptron b) Tabel_lokasi Pada tabel ini berisikan dua field yaitu ‘lokasi’ dan ‘value’, tabel ini berfungsi untuk mengkonversikan ‘lokasi’ dari tabel_asset_rusak dengan tabel ini agar mendapat suatu nilai, karena perceptron dilakukan dengan perhitungan. c) Tabel_jenis_barang Pada tabel ini berisikan dua field yaitu ‘jenis_barang dan ‘value’, tabel ini berfungsi untuk mengkonversikan ‘jenis_barang’ dari tabel_asset_rusak dengan tabel ini agar mendapat suatu nilai, karena perceptron dilakukan dengan perhitungan. d) Tabel_range_pakai Pada tabel ini berisikan dua field yaitu ‘ranges dan ‘value’, tabel ini juga berfungsi untuk mengkonversikan nilai ‘ranges’ dengan nilai ‘value’. Namun nilai ranges didapat dengan perhitungan otomatis yang diambil dari ‘tgl_input’ asset pada tabel_asset dengan ‘tgl_rusak’ asset pada tabel_asset_rusak. Dari perhitungan tersebut maka akan didapat nilai dengan tipe data : float yang kemudian baru akan dikonversikan kedalam value. 2.6.2 Proses Pembelajaran Perceptron Untuk proses pembelajaran / learning menggunakan algoritma perceptron, dijabarkan sebagai berikut[11] : a) Inisialisasikan bias dan semua bobot dengan masing-masing kategori (lokasi=>wloc, jenis_barang=>wjen, tgl_input=>wtgl) yang digunakan pertama kali sama dengan nol(0).

ISSN:2089-9815

Pseudocode : wloc, wjen, wtgl, bias = 0 b) Set Learning rate pembelajaran perceptron setiap kali bobot tidak sesuai. Pseudocode : c = 0.01 c)

Lakukan perhitungan untuk pola dari masingmasing input asset dan bobot kategori-nya. Dengan menggunakan rumus berikut : n

Sj = ∑ ai wji i. i = 0 Pseudocode : (banyak data=>i, input lokasi=>v_loc, input jenis barang=>v_jen, input range pemakaian=>v_tgl) yline = (wloc * v_loc[i] + wjen * v_jen[i] + wtgl * v_tgl[i]) + bias Rumus :

d) Tentukan pola perhitungan(yline) yang didapat memiliki nilai satu(1) atau nol(0) untuk menentukan apakah pola yang didapat sudah cocok dengan output yang sebenarnya. Pseudocode : if yline > 0 then learn = 1 else learn = 0 e) Setelah menentukan nilai dari pola perhitungan sebelumnya, kemudian lakukan pengecekan apakah nilai pola(learn) sudah cocok dengan output asset yang rusak. Bila tidak cocok maka lakukan penggantian masing-masing bobot terus menerus hingga nilai pola dan output sesuai. Rumus : Wjbaru = Wjlama + C (tJp - xjp) ai Pseudocode : if output[i] != learn then wloc_baru = wloc_lama + c * (output[i] - learn) * v_loc[i] wjen_baru = wjen_lama + c * (output[i] - learn) * v_jen[i] wtgl_baru = wtgl_lama + c * (output[i] - learn) * v_tgl[i] endif f)

Lakukan langkah ke 3 sampai 5 berulang-ulang sebanyak asset rusak yang ada untuk mendapatkan bobot yang sesuai. Sehingga bobot tersebut dapat digunakan kembali selanjutnya untuk menentukan asset yang sering mengalami kerusakan ataupun yang tidak. Demikian langkah-langkah yang dibutuhkan untuk melakukan training perceptron dalam aplikasi pengecekan asset dengan QR Code. 2.6.3

Algoritma Perceptron untuk learning bobot Algoritma perceptron merupakan suatu metode yang digunakan pada metode Jaringan Saraf Tiruan (Artificial Neural Network). Konsep metode ini yaitu 304


melakukan learning / pembelajaran dari data-data yang sudah ada. Algoritma perceptron diimplementasikan untuk melakukan pengklasifikasian daya tahan asset yang rusak pada aplikasi pengolahan asset scanner. Berikut ini akan digambarkan proses learning bobot pada sistem: 1. Proses learning weight (bobot)

Proses penentuan output ini akan mengambil bobot yang telah dilakukan learning sebelumnya, dan akan dihitung dengan hasil konversi masing-masing value yang digunakan. Apabila hasil perhitungan (“$out”) lebih besar dari pada 0, maka daya tahan asset tidak mudah rusak, sedangkan sebaliknya maka daya tahan asset mudah rusak 2.7

for ($i = 0; $i < count($code); $i++) { $match = false; while (!$match) { $yline = ($wloc * $v_loc[$i] + $wjen * $v_jen[$i] + $wtgl * $v_tgl[$i]) + $bias; if ($yline > 0) { $learn = 1; } else { = 0; Gambar$learn 4.13 Coding learning weight } dengan perceptron if ($output[$i] <> $learn) { $wloc = $wloc + $c * ($output[$i] - $learn) * $v_loc[$i]; $wjen = $wjen + $c * ($output[$i] - $learn) * $v_jen[$i]; $wtgl = $wtgl + $c * ($output[$i] - $learn) * $v_tgl[$i]; $bias = $bias + $c * ($output[$i] - $learn); } else { $match = true; } } }

ISSN:2089-9815

Hasil

Aplikasi yang dihasilkan berupa pengolahan Asset berbasis mobile, aplikasi ini memberikan kemudahan dalam memasukan data, kontroling, serta kesesuaian letak lokasi asset dan asset itu sendiri tersebut. 2.7.1 Tampilan Halaman utama Halaman ini dilengkapi beberapa fitur seperti Scan QRCode yang digunakan untuk melakukan indentifikasi kode pada asset, Fitur temporary Asset digunakan untuk menampung asset serta melakukan cek apabila terjadi kesalahan, Fitur Report List digunakan untuk menampilkan informasi data asset yang terdapat dalam pengolahan asset, dst. Untuk lebih jelasnya ditunjukkan pada gambar 9.

Gambar 7. Coding learning weight dengan perceptron Proses learning bobot ini akan berulang sebanyak asset yang rusak yang terdapat dari coding diatas yaitu “$code”. Proses learning bobot ini dilakukan dengan menghitung value (“$v_loc, $v_jen, $v_tgl”) yang didapat sebelumnya dengan masing-masing bobot (“$wloc, $wjen, $wtgl”) sampai ditemukan kecocokan pada data yang diolah dengan data yang sudah ada yaitu “$output”. Apabila sudah cocok maka akan dilanjutkan pada asset rusak selanjutnya 2. Proses penentuan output asset rusak $out = $v_loc * $wloc + $v_jen * $wjen + $v_tgl * $wtgl; if ($out > 0) { $output = 1; } else { $output = 0; }

Gambar 9. Tampilan halaman utama 2.7.2 Tampilan Halaman data Asset Pada halaman ini merupakan halaman yang digunakan untuk melakukan cek status asset, yaitu sesuai dilokasi yang ditentukan serta keberadaan asset tersebut, apabila tidak ada tidak perlu di ceklist. ditunjukkan pada gambar 8.

Gambar 8. Coding penentu output asset rusak 305


ISSN:2089-9815

Gambar 10. Halaman data Asset 2.7.3 Tampilan Halaman Laporan Halaman ini menampilkan report sesuai dengan tanggal dan lokasi yang dipilih. Form ini juga digunakan untuk mensinkronisasikan asset yang berstatus hilang, sistem akan mencari dalam daftar tampungan untuk melakukan sinkronisasi asset. Untuk lebih jelasnya ditunjukkan pada gambar 11.

Gambar 12. Halaman List Demaged Asset 2.7.5 Pengujian Algoritma Perceptron Dalam pengujian ini dilakukan 2 percobaan, untuk 100 data learning bobot dan 350 data learning data, sebagai berikut: 1. Percobaan dengan 100 data Mengacu pada tabel 2 perhitungan bobot, sebagai berikut: Tabel 2. Perhitungan bobot Lokasi Jenis Barang Range Pakai -0.8 0.5 1.5 Untuk hasil pengklasifikasian beberapa data ditunjukkan pada tabel 3. Hasil uji pengklasifikasian Asset ditunjukkan pada tabel 3 berikut ini: Tabel 3. Klasifikasi Asset

Gambar 11. Halaman laporan 2.7.4 Tampilan Halaman List Damaged Asset Halaman list damaged asset digunakan untuk melakukan learning bobot asset rusak dan juga melihat daftar asset yang telah rusak. Daftar asset rusak dapat dibagi menjadi beberapa periode dengan memilih periode asset yang rusak. Selain itu juga dapat dilakukan update dan delete dengan memilih asset rusak tersebut yang selanjutnya akan dilakukan pengubahan pada form edit damaged asset. Untuk lebih jelasnya dapat dilihat pada Gambar 12.

Hasil hitung pola menggunakan rumus perceptron dengan value masing-masing input. Pengklasifikasian dari tabel diatas apabila hasil hitung_pola > 0, maka asset akan tergolong tidak mudah rusak, atau sebaliknya, pengklasifikasian dari percobaan asset diatas masih belum maksimal, karena didapati untuk range yang cukup lama masih tergolong pada asset mudah rusak.

306


2.

Percobaan 350 data Mengacu pada tabel 4 perhitungan bobot, sebagai berikut: Tabel 4. Perhitungan bobot Lokasi Jenis Barang Range Pakai -2.8 0.6 3.5

Untuk hasil pengklasifikasian beberapa data ditunjukkan pada tabel 5. Hasil uji pengklasifikasian Asset ditunjukkan pada tabel 5 berikut ini: Tabel 5. Klasifikasi Asset

Hasil pengklasifikasian pada percobaan kedua dapat dikatakan berhasil, karena dari 10 data yang diuji, dapat dinyatakan bahwa berhasil diklasifikasikan, karena secara awam dapat dilihat dari range / rentang waktu-nya bahwa semakin besar rentang waktu, maka asset dapat dikatakan tidak mudah rusak, namun didapati pada data terakhir yaitu kode asset ‘01-13024’ tidak sesuai dengan hasil yang di ekspektasikan, karena range / jangka waktu asset bertahan hanya kecil, namun diklasifikasikan sebagai asset yang tidak mudah rusak

ISSN:2089-9815

PUSTAKA [1] Desiani, Anita & Muhammad Arhami, (2006), Konsep Kecerdasan Buatan, Andi, Yogyakarta. [2] Hermawan Arief, (2006), Jaringan Saraf Tiruan, Andi, Yogyakarta. [3] Kusrini, (2007), Strategi perancangan dan pengelolaan basis data, Andi, Yogyakarta [4] Mc Carthy Graham, Sally Wilson, (2011), ‘ISBN and QR Barcode Scanning Mobile App for Libraries’ issue 13 [5] Miles, Russ & Kim Hamliton, (2006), Learning UML 2.0, O’Reilly. [6] Murphy, Mark, 2011, Beginning Android 3, Apress. [7] Nishimura, Naomi, (2009), What is pseudocode ?, University Of Florida, viewed 01 April 2014, < http://www.cise.ufl.edu/class/cot5405fa09/pseu docode.html> [8] Pennacchi, George, (2008), Theory of Asset Pricing, Pearson, USA. [9] Shneiderman, Ben & Catherine Plaisant, (2010), Designing the user interface:Strategies for effectife Human-Computer Interaction(Fifth Edition), Pearson Education, USA. [10] Tan Jin Soon, (2008), ‘There are severals types of 2D codes in use by the industry’ QR Code, section 3, p 60. [11] Rimico Adyaksah dan M.Isa Irawan, (2012), Perancangan Sistem Kriptanalisis RSA menggunakan jaringan syaraf tiruan Perceptron, Jurnal Teknik POMITS Vol.1 No.1, ITS, (http://digilib.its.ac.id/public/ITSpaper-29413-1209100010-Paper.pdf).

3. KESIMPULAN Berdasarkan hasil uji algoritma perceptron dan aplikasi dapat disimpulkan sebagai berikut: 1.

Sistem dapat melakukan tracking pada asset, yang salah penempatan lokasi sesuai dengan data asset sebelumnya 2. Aplikasi pengolahan asset mobile dapat melakukan pengecekan asset yang langsung terintegrasi pada server Universitas XYZ. 3. Pengujian Algoritma Perceptron, untuk pengklasifikasian asset sebagai asset mudah / tidak mudah rusak masih terdapat kesalahan, dari 100 kali percobaan, masih ada 0.03% ketidak sesuaian data klasifikasi yang didapat. 4. Apabila terdapat kerusakan QR Code tidak sesuai toleransi pada bagian-bagian tertentu, maka sistem tidak dapat membaca QR Code tersebut

307

PENGOLAHAN ASET BERBASIS MOBILE DENGAN ALGORITMA PERCEPTRON

Recommend Documents