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