Full PDF
Full PDF
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat
Oleh :
Dhesa Ardhiyanta
125314038
2016
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
A THESIS
By :
Dhesa Ardhiyanta
125314038
2016
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
IIALAMAN PERSETUJUAI{
Pembimbing
SKRIPSI
DIIESA ARDHTYA}ITA
NIM:125314038
ps'r,*"H*"*,-.ln
-ry ffi*r'ts
$tl tl**:ry,:-.\\ b Tanda Tangan
effiF
7^ffi
?IN
.tryffi,Hd}
S. Si.,M.lvIath. Sc.,Ph.D
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
MOTTO
Jangan menunggu karena tak akan ada waktu yang tepat. Mulailah dari sekarang,
dan berusahalah dengan segala yang ada. Seiring waktu, akan ada cara yang lebih
baik asalkan tetap berusaha.
(Napoleon Hill)
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PERSEMBAHAN
Segala hasil ini saya persembahkan kepada Tuhan Yesus Kristus atas
segala rahmat dan berkat yang diberikan, sehingga semua dapat
terselesaikan.
Kepada bapak Benediktus Samidja dan ibu El. Sir Hartini , yang telah
memberikan doa, dukungan dan semangat selama proses perkuliahan.
Kepada Mba Indri, Mba Lusi, Ivan atas dukungan dan doa yang
diberikan.
v
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Sayr maSdm dErgan ffiegphmya b&wa tugas drhir 1mg sap tulis
tidakmqufug a*E reB,Ed kdl kfrltr oragfui4 ke€udi png tel&
die*dkan ddm & lu*e e kifm solaloya lcar:a ilmiah.
ffi"
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
NIM :125314038
atau media lain untuk kepentingan akademis tanpa meminta ijin dari saya maupun
memberikan royalty kepada saya selama tetap mencantumkan nama saya sebagai
penulis.
Dibuat di : Yogyakarta
vil
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAK
Toko roti Muntjul merupakan salah satu toko roti yang setiap hari
melakukan produksi roti. Berbagai jenis roti yang diproduksi sangat bervariasi, dan
permintaan konsumen yang paling tinggi jenis roti seperti roti pisang coklat, roti
pisang keju, roti pisang spesial. Dalam memenuhi permintaan konsumen yang
selalu berubah, toko roti ini memproduksi produk dengan jumlah yang berbeda
untuk roti tersebut. Hal ini menyebabkan toko roti muntjul tidak menentu dalam
menghasilkan jumlah suatu produk. Karena hal itu, dibutuhkan sebuah sistem yang
akurat untuk prediksi jumlah produksi roti sebagai pertimbangan untuk
memproduksi jumlah roti selanjutnya.
Penelitian ini menghasilkan sebuah model prediksi untuk jumlah roti yang
seharusnya diproduksi. Data yang digunakan merupakan data produksi tiga tahun
terakhir yaitu mulai tahun 2013-2015. Pendekatan yang digunakan untuk prediksi
jumlah produksi roti adalah dengan metode Jaringan Syaraf Tiruan
Backpropagation dengan fungsi transfer layer log-sigmoid dan fungsi transfer
output purelin dan model pengujian yang digunakan pada proses prediksi adalah 3
fold cross validation dalam menguji data training. Berdasarkan hasil penelitian,
diperoleh model prediksi untuk jumlah produksi roti di Toko Roti Muntjul Klaten
yang berbeda untuk setiap roti. Untuk roti pisang coklat dengan model satu hidden
layer dengan jumlah neuron 25 dengan delay 7 data menghasilkan akurasi 74.88
%, roti pisang keju dengan model dua hidden layer dengan masing-masing jumlah
neuron 25 dan 25 dengan delay 14 data menghasilkan akurasi 71.84 % , roti pisang
spesial dengan model dua hidden layer dengan masing-masing jumlah neuron 30
dan 25 dengan delay 21 data menghasilkan akurasi 74.05 %.
viii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
Muntjul Bakery is one of bakeries which produces bread every day. Various
kinds of bread are produced here everyday. The favorite bread which become the
big demand which comes from the consumer are banana chocolate bread, banana
cheese bread, and special banana bread. In order to fulfill the consumers’ demand,
this bakery produces those variant of bread in different quantity based on the
demand. That condition makes Muntjul bakery produces inconsistent number of
breads everyday. From that condition, it is required an accurate system to sum up
the production of bread as a consideration to produce the amount of the next bread.
ix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KATA PENGANTAR
Puji dan syukur penulis panjatkan ke hadirat Tuhan Yesus Kristus karena
atas berkat dan rahmatnya sehingga penulis dapat menyelesaikan tugas akhir
sesuai dengan waktu yang telah ditentukan. Skripsi ini disusun sebagai salah
satu syarat guna memperoleh gelar sarjana Teknik Informatika di Universitas
Sanata Dharma Yogyakarta.
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7. Seluruh dosen Teknik Informatika atas ilmu yang telah diberikan selama
menuntut ilmu dan sangat membantu penulis dalam mengerjakan tugas
akhir.
8. Teman-teman Teknik Informatika 2012 yang selalu memberi semangat dan
bantuan selama menyelesaikan skripsi ini.
9. Rekan seperjuanganyang dibimbing oleh Rm. Kun (wiga, Agustin, Nita,
Ria, Bondan, Nada, dkk) yang selalu bersemangat ketika bimbingan dan
senantiasa saling memberikan semangat dan doa satu sama lain selama
menyelesaikan skripsi ini.
10. Kepada teman-teman kost 21 (Dwi Tunggal), Kanca pait voice (cik rippa.
Kak Flo, Roy, Paul, Titus, Alm. Vinsen) , JANGKREK Klaten, dan OMK
Natalia Birin atas dukungan dan doa yang diberikan.
11. Kepada teman-teman l(anca Dolan crew (Dhanu, Fr.Willy, Christ, Raka,
Putri, Bagas, dkk) yang senantiasa mendengarkan keluh kesah selama
pengerjaan tugas akhir dan atas doa yang diberikan.
Penulis berharap semoga skripsi ini dapat bermanfaat bagi pihak-pihak yang
berkepentingan untuk menambah wav/asan dan pengetahuan dan juga bagi
pembaca.
Yogyakarta, ?| Juli 20 I 6
Penulis
&
Dhesa Ardhiyanta
xt
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ISI
xii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR GAMBAR
xiv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Gambar 4.14. Grafik Akurasi 1 Hidden Layer Roti Pisang Keju Delay Data : 21.
............................................................................................................................... 40
Gambar 4.15. Grafik Akurasi 2 Hidden Layer Roti Pisang Keju Delay Data : 21
.............................................................................................................................. .40
Gambar 4.16. Grafik Akurasi 1 Hidden Layer Roti Pisang Keju Delay Data : 28
.............................................................................................................................. .41
Gambar 4.17. Grafik Akurasi 2 Hidden Layer Roti Pisang Keju Delay Data : 28 ...
………………………………………………………………………………….. 41
Gambar 4.18. Grafik Akurasi 1 Hidden Layer Roti Pisang Spesial Delay Data : 7
............................................................................................................................... 41
Gambar 4.19. Grafik Akurasi 2 Hidden Layer Roti Pisang Spesial Delay Data : 7
............................................................................................................................... 42
Gambar 4.20. Grafik Akurasi 1 Hidden Layer Roti Pisang Spesial Delay Data : 14
............................................................................................................................... 42
Gambar 4.21. Grafik Akurasi 2 Hidden Layer Roti Pisang Spesial Delay Data : 14
............................................................................................................................... 42
Gambar 4.22. Grafik Akurasi 1 Hidden Layer Roti Pisang Spesial Delay Data : 21
............................................................................................................................... 43
Gambar 4.23. Grafik Akurasi 2 Hidden Layer Roti Pisang Spesial Delay Data : 21
............................................................................................................................... 43
Gambar 4.24. Grafik Akurasi 1 Hidden Layer Roti Pisang Spesial Delay Data : 28
............................................................................................................................... 44
Gambar 4.25. Grafik Akurasi 2 Hidden Layer Roti Pisang Spesial Delay Data : 28
............................................................................................................................... 44
Gambar 4.26. Contoh Grafik Output Program untuk Roti Pisang Coklat ............ 48
Gambar 4.27. Contoh Grafik Output Program untuk Roti Pisang Keju ............... 48
Gambar 4.28. Contoh Grafik Output Program untuk Roti Pisang Spesial ........... 49
xv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR TABEL
xvi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I
PENDAHULUAN
1.1.Latar Belakang
Perusahaan masa kini bergerak dalam pasar yang tidak menentu dan terus
berubah-ubah. Untuk itu setiap perusahaan dituntut untuk selalu mengerti dan
memahami apa yang terjadi dipasar dan apa yang menjadi keinginan konsumen
serta berbagai perubahan yang ada di lingkungan bisnisnya sehingga mampu
bersaing dengan perusahaan lain (Agung, 2008). Dalam memenuhi permintaan
pasar yang selalu berubah, suatu perusahaan memproduksi produk dengan jumlah
yang berbeda. Hal ini menyebabkan perusahaan tidak menentu dalam menghasilkan
jumlah suatu produk. Selain itu, dengan banyaknya permintaan dari konsumen
ataupun pesanan yang terus menerus, maka perusahaan harus cepat tanggap dalam
mengeluarkan keputusan dalam memproduksi produknya.
Toko Roti Muntjul merupakan salah satu toko roti yang ada di Klaten. Produksi
roti merupakan hal rutin yang dilakukan untuk dapat memenuhi kebutuhan
konsumen, terutama ketika konsumen banyak membeli roti di toko tersebut. Dalam
memproduksi roti yang harus diproduksi ada beberapa hal yang mempengaruhinya
diantaranya bahan baku dan jumlah permintaan.
Selama ini dalam memprediksi jumlah produksi roti yang harus dibuat hanya
mengandalkan perhitungan manual saja. Belum terdapat sistem tertentu yang
digunakan dalam membantu memprediksi jumlah produksi roti pada setiap harinya.
Dalam produksi setiap harinya, toko roti tersebut tidak menentu dalam
memproduksinya untuk setiap jenis roti khusus penjualan toko tersebut. melihat
data produksi yang sudah ada, terdapat beberapa roti yang paling banyak diminati
seperti roti pisang coklat, pisang keju, dan pisang spesial. Jenis roti tersebut
memiliki peminat konsumennya paling tinggi daripada jenis roti yang lainnya.
Sehingga untuk memuaskan konsumen perlu membuat prediksi jumlah produksi
terhadap jenis roti tersebut agar stok di toko tersebut tidak kehabisan stok.
Pada penelitian sebelumnya telah dilakukan penelitian terkait dengan
memprediksi jumlah produksi dengan studi kasus produksi air PDAM dengan
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1.2.Rumusan Masalah
Dari latar belakang diatas, maka dapat dirumuskan masalah sebagai berikut:
1.3.Tujuan Penelitian
Penelitian ini bertujuan untuk memprediksi jumlah produksi roti dengan
menggunakan metode Backpropagation.
1.4.Manfaat Penelitian
Berdasarkan tujuan penelitian diatas manfaat yang dapat diberikan adalah dapat
membantu produsen dalam proses produksi menjadi lebih tepat dan efisien dan
diharapkan menghasilkan informasi yang dapat dijadikan bahan pertimbangan
dalam melakukan kegiatan produksi roti.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1.5.Batasan Masalah
Melihat cakupan topik yang sangat luas, maka penulis memberi batasan
masalah, yaitu :
1. Data yang digunakan adalah seluruh data produksi roti tiap hari di Toko
Roti Muntjul Klaten.
2. Data produksi Toko Roti Muntjul yang digunakan hanya menggunakan
produksi roti pisang coklat, roti pisang spesial, dan roti pisang keju.
3. Data yang digunakan adalah data produksi dari tahun 2013 sampai dengan
2015 di Toko Roti Muntjul.
1.6.Metodologi Penelitian
1.7.Sistematika Penulisan
Dokumen ini terdiri atas enam bab, yaitu :
1. BAB I PENDAHULUAN
Bab ini akan dijelaskan mengenai latar belakang, rumusan masalah, tujuan
dan manfaat penulisan, batasan masalah, metodologi penulisan dan
sistematika penulisan.
2. BAB II LANDASAN TEORI
Bab ini akan dijelaskan tentang metode yang digunakan yaitu
Backpropagation serta rumus-rumus yang akan dipergunakan, dan
mengenai teori-teori produksi.
3. BAB III METODOLOGI PENELITIAN
Bab ini berisi tentang analisis dan perancangan sistem, meliputi: gambaran
umum penelitian, data yang digunakan, tahap penelitian, spesifikasi alat dan
gambaran perancangan.
4. BAB IV IMPLEMENTASI DAN ANALISIS SISTEM
Bab ini berisi tentang implementasi dan melakukan analisis dari prediksi
jumlah produksi setiap roti menggunakan metode Backpropagation.
5. BAB V PENUTUP
Bab ini berisi tentang jawaban singkat dari rumusan masalah atau
kesimpulan dan saran dalam pengembangan serta penyempurnaan penilitian
yang dibuat.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II
LANDASAN TEORI
Bab ini akan membahas dasar teori serta hasil penelitian terdahulu yang
akan digunakan dalam proses penyusunan dan pembahasan penelitian, tercakup di
dalamnya beberapa pengertian tentang jaringan syaraf tiruan dan konsep
manajemen produksi.
5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
W11
X1 Y1
Xi Wji Yj
Xn Ym
Dalam jaringan tersebut, semua unit input dihubungkan dengan semua unit
output, meskipun dengan bobot yang berbeda-beda. Tidak ada unit input yang
dihubungkan dengan unit input lainnya. Demikian pula dengan unit output.
Jaringan layar jamak merupakan perluasan dari layar tunggal. Dalam jaringan
ini, selain unit input dan output, ada unit-unit lain (sering disebut layar
tersembunyi). Dimungkinkan pula ada beberapa layar tersembunyi. Sama seperti
pada unit input dan output, unit-unit dalam satu layar tidak saling berhubungan.
X1 Y1
Z1
Xi Yj
Zp
Xn Ym
3. Jaringan Reccurent
Model jaringan reccurent mirip dengan jaringan layar tunggal ataupun ganda.
Hanya saja, ada neuron output yang memberikan sinyal pada unit input (sering
disebut feedback loop).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Untuk beberapa kasus, fungsi threshold yang tidak berharga 0 atau 1, tapi
berharga -1 atau 1 (sering disebut threshold bipolar) jadi
≥
={ (2.2)
− <
b. Fungsi Sigmoid
= + −
(2.3)
Fungsi ini sering dipakai karena nilai fungsinya yang terletak antara 0 dan 1
dapat diturunkan dengan mudah.
′
= − (2.4)
c. Fungsi identitas
= (2.5)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
X1
X2 Y
10
Y1 Yk Ym
Wkj
Z1 Zj Zp
X1 Xn
Xi
′ ( − )
= + −
dengan turunan =
Fungsi lain yang juga memenuhi syarat tersebut adalah fungsi sigmoid bipolar
yang bentuk fungsinya mirip dengan fungsi sigmoid biner, tapi dengan rentang
(-1, 1).
′
( + ) −
= −
− dengan turunan =
+
11
layar yang bukan layar keluaran. Pada layar keluaran, fungsi aktivasi yang dipakai
adalah fungsi identitas : f(x) = x.
12
Zj = f (Z_netj) = (2.7)
+ − _�
Yk = f(y_netk) = (2.9)
+ − _�
13
Hitung suku perubahan wkj (yang akan dipakai nanti untuk merubah
bobot wkj) dengan laju percepatan α
∆wkj = α δk zj ; k = 1,2,3,…,m ; j= 0,1,….,p (2.11)
8. Hitung faktor error lapisan output (δ) unit tersembunyi berdasarkan
kesalahan di setiap unit tersembunyi zj (j=1,2,…,p)
δ _netj =∑ = (2.12)
faktor δ unit tersembunyi :
δj = δ_netj f `(z_netj) = δ_netj zj (1- zj) (2.13)
hitung suku perubahan bobot vji (yang akan dipakai nanti untuk
merubah bobot vij)
∆vji = α δj xi ; j = 1,2,3,…,p ; i= 0,1,….,n (2.14)
9. Hitung semua perubahan bobot
Perubahan bobot garis yang menuju ke unit keluaran :
Wkj (baru) = wkj (lama) + ∆wkj (k=1,2,…..,m ; j = 0,1,…..,p)
Perubahan bobot garis yang menuju ke unit tersembunyi :
Vji (baru) = vji (lama) + ∆vji (j=1,2,…..,p ; i = 0,1,…..,n)
10. Uji kondisi berhenti (akhir iterasi)
14
= − + − (2.15)
< (2.16)
Efek dari filter ditunjukan dengan gambar 2.5. Contoh ini input diambil dari
gelombang sinus :
�
= + sin (2.17)
6
15
− �
∆ = − , (2.18)
∆ = − . (2.19)
− �
∆ = ∆ − − − , (2.20)
∆ = ∆ − − − . (2.21)
16
Dari gambar 2.6. cenderung untuk membuat lintasan terus ke arah yang
sama. Semakin besar , semakin cepat t lintasannya.
Pelatihan akan lebih cepat apabila laju pemahaman dapat diubah ubah
besarnya selama proses pelatihan. Jika error sekarang lebih besar
dibandingkan error sebelumnya, maka laju pemahaman diturunkan. Jika
sebaliknya, maka laju pemahaman diperbesar. Dengan demikian laju
pemahaman dapat dibuat sebesar besarnya dengan tetap mempertahankan
kestabilan proses.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
+ = − (2.22)
= ∇� | = (2.23)
Ada dua metode umum untuk menentukan determinan dari learning rate, ∝ .
Satu pendekatan untuk meminimalkan kinerja indeks � dengan
sehubungan untuk ∝ pada setiap iterasi. Dalam pilihan meminimalkan
setiap baris.
−∝
� = + ,
.
=[ ]
.
�
�
�
∇� =[ �
]=[ ] (2.24)
�
�
= ∇� | = =[ ]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
. .
= −∝ =[ ]− . [ ]=[ ]
. .
. . .
= −∝ =[ ]− . [ ]=[ ]
. . .
Gambar 2.7. Perubahan bobot learning rate=0.01 (Hagan & Demuth, 1996)
19
Menurut Riedmiller dan Braun (1996) Untuk mencapai hal ini, setiap
bobot akan selalu diperbarui nilainya ∆ yang akan menentukan nilai bobot
terbaru. Pembaharuan nilai bobot ini selama proses pembelajaran dalam
fungsi error E. berikut learning-rule yang digunakan :
− �� − ��
�+ ∗ ∆ , ∗ >
� �
∆ = − �� − ��
�− ∗ ∆ , ∗ < (2.25)
� �
−
{∆ , < �− < < �+ }
Selama perubahan nilai setiap bobot mengikuti aturan : jika turunan adalah
positif, nilai bobot akan turun, jika turunan adalah negative maka
perubahan nilai akan ditambahkan :
��
−∆ , >
�
= �� (2.26)
+∆ , <
�
{ , }
+
= +∆ (2.27)
Namun, ada satu pengecualian: Jika turunan parsial perubahan tanda, yaitu
langkah sebelumnya terlalu besar dan minimum, pembaharuan bobot
sebelumnya adalah dikembalikan:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
− �� − ��
∆ = −∆ ,
�
∗
�
(2.28)
Nilai dan bobot berubah setiap waktu seluruh pola yang ditetapkan telah
dimasukan ke dalam jaringan.
Menurut Hagan dan Demuth (1996) Satu set vector saling conjugate
sehubungan dengan pasti positif matriks Hessian jika dan hanya jika
�� �� = , ≠ (2.29)
∇� =� + (2.30)
∇ � =� (2.31)
∆ = + − = � + + − � + = �∆ (2.32)
∆ = + − = � (2.33)
21
�� �� = ∆ �
�� = ∆ �
� = , ≠ (2.34)
� =− (2.35)
Perihal lain dari algoritma conjugate gradient dari beberapa usulan arah
pencarian pada setiap iterasi ditentukan oleh :
� =− + � − (2.36)
Berbagai versi dari algoritma conjugate gradient dibedakan oleh cara di mana
βk konstan dihitung. Untuk Fletcher-Reeves memperbarui prosedur ini :
�� �
= �� � −
(2.37)
−
Ini adalah rasio norma kuadrat dari gradien saat ini untuk norma kuadrat dari
gradien sebelumnya.
∆��− �
= (2.38)
��− � −
| � | ||
− . || (2.39)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
Jika kondisi ini dipenuhi, arah pencarian ulang ke negatif dari gradien.
� � = �� [ ]�
.�
=[ ]
− . �
� +�
∇� =[ ]
� + �
� − .
� =− = −∇ � | = =[ ]
− .
− .
[ . . ][ ]
∝ = − . = .
− .
[− . − . ][ ] [ ]
− .
. − . .
= +∝ � = [ ]+ . [ ]=[ ]
− . − . − .
Langkah diatas sama dengan untuk langkah pertama steepest descent dengan
meminimalkan sebuah baris.
. .
= ∇� | = =[ ][ ]=[ ]
− . − .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
.
� [ . − . ][ ] .
= = − . = = .
. ][ . ]
� .
[ .
.
− . − . − .
� = − + � =[ ]+ . [ ]=[ ]
. − . .
[ . − . ] [− . ] .
∝ = − . = = .
[− . . ][ − . .
][ ]
.
. − .
= +∝ � = [ ]+ . [ ]=[ ]
− . .
24
Bentuk khusus dari metode ini adalah ketika k di set k=N, jumlah data dalam
set data. Metode ini disebut dengan leave-one-out, yaitu set data uji hanya berisi
satu data saja, sedangkan proses pelatihan dan pengujian dilakukan sebanyak N
kali. Pendekatan ini mempunyai keuntungan penggunaan sebanyak mungkin data
sebagai set data latih sehingga data latih yang digunakan hamper seluruh data dalam
set data. Hanya saja, pendekatan ini mempunyai kelemahan, yaitu komputasi yang
mahal untuk mengulang prosedur sebanyak N kali. Selanjutnya, karena set data uji
hanya berisi satu data saja, maka varian nilai kinerja yang diperkirakan bisa jadi
tinggi.
Sebagai contoh data dibagi menjadi 3 bagian dengan jumlah data yang sama.
Data bagian 1 dan data bagian 2 digunakan sebagai data pelatihan dan data bagian
3 digunakan sebagai data pengujian. Contoh ini disebut dengan 3-Fold Cross
Validation.
K-Fold Cross Validation menjadikan data pelatihan dan data pengujian tidak
sama. Data pelatihan tidak digunakan sebagai data pengujian dan sebaliknya.
25
2. Sistem
2.3.1. Produksi
Menurut Reksohadiprodjo (1995) produksi merupakan pengubahan bentuk
atau transformasi sumberdaya menjadi barang-barang dan jasa-jasa. Produktivitas
adalah peningkatan proses produksi. Peningkatan produksi berarti perbandingan
yang membaik jumlah sumberdaya yang dipergunakan (masukan) dengan jumlah
barang-barang dan jasa-jasa yang diproduksikan (keluaran). Pengurangan dalam
masukan dengan keluaran tetap atau kenaikan keluaran sedang masukan tetap
merupakan peningkatan dalam produktivitas.
26
1. Akurasi
Akurasi dari suatu hasil peramalan diukur dengan kebiasaan dan
kekonsistensian peramalan. Hasil peramalan dikatakan bila peramalan
tersebut terlalu tinggi atau rendah disbanding dengan kenyataan yang
sebenarnya terjadi. Hasil peramalan dikatakan bila kesalahan peramalan
relative kecil.
2. Biaya
Biaya yang diperlukan untuk pembuatan suatu peramalan tergantung dari
jumlah item yang diramalkan, lamanya periode peramalan, dan metode
peramalan yang dipakai.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
3. Kemudahan
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah
diaplikasikan akan memberikan keuntungan bagi perusahaan.
2.4.2. Metode Peramalan/ Prediksi
Berdasarkan metode peramalan yang digunakan peramalan dibedakan menjadi
metode kualitatif dan kuantitatif.
a. Metode Kualitatif
Didasarkan pada intuisi dan penilaian orang yang melakukan peramalan dari
pada pemanipulasi (pengolahan dan penganalisisan) data.
b. Metode Kuantitatif
Didasarkan pada pemanipulasian atas data yang tersedia secara memadai dan
tanpa intuisi maupun penilaian subyektif dari orang yang melakukan
peramalan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB III
METODOLOGI PENELITIAN
Bab ini akan dibahas mengenai cara kerja algoritma yang digunakan dan proses
yang akan dibangun untuk melakukan perhitungan prediksi harga saham.
3.1. Data
Data yang digunakan dalam penelitian ini adalah data produksi roti harian dari
tahun 2013 hingga tahun 2015 di Toko Roti Muntjul Klaten untuk jenis roti sebagai
berikut :
1. Roti Pisang Coklat
2. Roti Pisang Keju
3. Roti Pisang Spesial
Seluruh data produksi roti yang digunakan diambil langsung dari toko tersebut
diatas dalam format Excel dengan menghilangkan hari yang toko roti tersebut tidak
melakukan produksi, dan setiap roti memiliki 1002 data. Data tersebut akan dibagi
kedalam data yang akan digunakan untuk pelatihan dan pengujian dalam jaringan
syaraf tiruan.
′ �− ∗ −
= (3.1)
− +
Dengan X’ adalah data hasil perhitungan dan X adalah data asli, sedangkan a
adalah data maksimum yang diharapkan dan b adalah data minimum yang
diharapkan, datamax adalah nilai data terbesar dari data sedangkan datamin adalah
nilai data terkecil dari data.
Untuk melakukan prediksi produksi roti perlu diketahui seberapa banyak data
yang akan digunakan agar prediksi produksi roti lebih optimal. Karena hal itu perlu
dilakukan perhitungan dengan data input jumlah produksi roti dan
28
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
memperhitungkan delay hari yaitu dimulai dari 7 kemudian akan ditambah 7 untuk
variabel selanjutnya. Contohnya dengan nilai delay 7 berarti dalam perhitungan
akan digunakan data 6 hari sebelumnya untuk melakukan prediksi hari ini seperti
Gambar 3.1. Pencarian delay terbaik ini merupakan tahap pertama dari penelitian
ini.
26 36 12 18 36 36 32
Data Input
Data Target
Gambar 3.1. Contoh pembagian data input dan target dengan nilai delay 7
3.2.Gambaran Penelitian
30
Xn-6
Xn-5
Z1 Z1
Xn-4
Z2 Z2
Xn-3
Xn Hasil
Xn-2
Output Layer
Zj Zj
Xn-1
31
3.3.Validasi
Dalam melakukan pengujian dari penelitian ini baik makan akan dilakukan dengan
3-fold cross validation. Proses 3-fold cross validation adalah sebagai berikut: data
produksi selama 3 tahun akan dibagi menjadi 3 kelompok. Setiap kelompok
memiliki data yang berbeda untuk setiap data roti karena setiap hari terdapat roti
yang tidak melakukan produksi dan setiap kelompok data juga selalu berubah
tergantung delay data yang digunakan. Proses validasi akan dilakukan sesuai tabel
di bawah:
Tabel 3.1 Proses Validasi
No Data Training Data Testing
(| � � −ℎ � |)
= −( ) % (3.2)
� �
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
Untuk setiap pengujian data testing akan dilakukan perhitungan akurasi dengan
rumus diatas. Tetapi dalam sistem yang akan ditampilkan adalah rata-rata akurasi
dari masing-masing jenis roti dengan rumus sebagai berikut :
+ +
− = (3.3)
Sistem ini mempunyai kebutuhan perangkat keras dan lunak untuk mendapatkan
hasil yang maksimal.
3.5.Tahapan Penelitian
Dalam sub bab ini akan membahas tentang metode perancangan yang akan
digunakan dan langkah-langkah dalam penelitian ini, adapun sebagai berikut :
1. Tahap wawancara
Tahap ini dilakukan dengan narasumber secara langsung, dan yang menjadi
sumber adalah pihak dari Toko Roti Muntjul.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
BAB IV
IMPLEMENTASI DAN ANALISA HASIL
Bab ini akan berisikan tentang implementasi dan analisis keluaran dari
sistem dengan algoritma yang telah digunakan serta perancangan antarmuka.
a. Data Kelompok
Proses uji data kelompok dilakukan dengan cara memilih jenis roti terlebih
dahulu dengan memilih satu jenis roti. Kemudian memasukan nilai variabel
jaringan syaraf tiruan, yaitu: hidden layer 1, hidden layer 2, epoch dan
learning rate. Setelah itu menekan tombol “prediksi”.
b. Grafik
Proses ini dilakukan untuk menampilkan perbandingan grafik antara data
asli dan data hasil prediksi. Grafik akan muncul ketika menekan tombol
“Grafik”.
c. Data Tunggal
Proses ini dilakukan untuk menguji satu data saja. Cara nmenguji data
tersebut adalah memasukan tanggal prediksi dengan format tanggal
(bulan/hari/tahun) kemudian menekan tombol Prediksi. Kemudian akan
34
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
muncul hasil dan waktu prediksi. Tabel data input digunakan untuk
menampilkan data input yang digunakan untuk menguji data tunggal.
4.2. Pengujian
Pengujian sistem telah dilakukan beberapa kali untuk mendapatkan hasil yang
paling optimal dimulai dari menguji dan merubah jumlah neuron dalam setiap
hidden layer, fungsi aktivasi dan metode training yang digunakan dalam arsitektur
jaringan. Selain itu pengujian juga dilakukan terhadap jumlah data input dengan
beberapa kombinasi delay data yang dilakukan dalam pengujian sistem tersebut.
Akurasi 1 HL
76
74
72
70
68
66
25 30 35 40 45 50 55 60 65 70
Gambar 4.2. Grafik Akurasi 1 Hidden Layer Roti Pisang Coklat Delay Data : 7
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
Akurasi 2 HL
76
74
72
70
25 30 35 40 45 50 55 60 65 70
25
Gambar 4.3. Grafik Akurasi 2 Hidden Layer Roti Pisang Coklat Delay Data : 7
Dapat dilihat dari Gambar 4.2 dan Gambar 4.3 hasil dari percobaan roti
pisang coklat masing-masing variasi. Jika dibandingkan dengan percobaan
menggunakan dua hidden layer akurasi tertinggi mencapai 74.45 % dengan variasi
jumlah neuron 25 dan 25, sedangkan hasil dari satu hidden layer lebih tinggi
akurasinya. Yaitu pada variasi jumlah neuron 25 dengan akurasi 74.88 % untuk
percobaan dengan jumlah delay 7 data.
Akurasi 1 HL
76
74
72
70
68
25 30 35 40 45 50 55 60 65 70
Gambar 4.4. Grafik Akurasi 1 Hidden Layer Roti Pisang Coklat Delay Data : 14
Akurasi 2 HL
76
74
72
70
68
25 30 35 40 45 50 55 60 65 70
30
Gambar 4.5. Grafik Akurasi 2 Hidden Layer Roti Pisang Coklat Delay Data : 14
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
Dapat dilihat dari Gambar 4.4 dan Gambar 4.5 hasil dari percobaan roti
pisang coklat masing-masing variasi. Jika dibandingkan dengan percobaan
menggunakan satu hidden layer akurasi tertinggi mencapai 74.21 % dengan variasi
jumlah neuron 30, sedangkan hasil dari dua hidden layer lebih tingggi akurasinya.
Yaitu pada variasi jumlah neuron 30 dan 35 dengan akurasi 74.38 % untuk
percobaan dengan jumlah delay 14 data.
Akurasi 1 HL
76
74
72
70
68
66
25 30 35 40 45 50 55 60 65 70
Gambar 4.6. Grafik Akurasi 1 Hidden Layer Roti Pisang Coklat Delay Data : 21
Akurasi 2 HL
75
74
73
72
71
70
25 30 35 40 45 50 55 60 65 70
30
Gambar 4.7. Grafik Akurasi 2 Hidden Layer Roti Pisang Coklat Delay Data : 21
Dapat dilihat dari Gambar 4.6 dan Gambar 4.7 hasil dari percobaan roti
pisang coklat masing-masing variasi. Jika dibandingkan dengan percobaan
menggunakan satu hidden layer akurasi tertinggi mencapai 74.09 % dengan variasi
jumlah neuron 30, sedangkan hasil dari dua hidden layer lebih tinggi akurasinya.
Yaitu pada variasi jumlah neuron 30 dan 35 dengan akurasi 74.63 % untuk
percobaan dengan jumlah delay 21 data.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
Akurasi 1 HL
76
74
72
70
68
25 30 35 40 45 50 55 60 65 70
Gambar 4.8. Grafik Akurasi 1 Hidden Layer Roti Pisang Coklat Delay Data : 28
Akurasi 2 HL
76
74
72
70
25 30 35 40 45 50 55 60 65 70
25
Gambar 4.9. Grafik Akurasi 2 Hidden Layer Roti Pisang Coklat Delay Data : 28
Dapat dilihat dari Gambar 4.8 dan Gambar 4.9 hasil dari percobaan roti
pisang coklat masing-masing variasi. Jika dibandingkan dengan percobaan
menggunakan dua hidden layer akurasi tertinggi mencapai 74.06 % dengan variasi
jumlah neuron 25 dan 25, sedangkan hasil dari satu hidden layer lebih tinggi
akurasinya. Yaitu pada variasi jumlah neuron 25 dengan akurasi 74.73 % untuk
percobaan dengan jumlah delay 28 data.
Akurasi 1 HL
72
71
70
69
68
67
25 30 35 40 45 50 55 60 65 70
Gambar 4.10. Grafik Akurasi 1 Hidden Layer Roti Pisang Keju Delay Data : 7
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
Akurasi 2 HL
72
70
68
66
25 30 35 40 45 50 55 60 65 70
30
Gambar 4.11. Grafik Akurasi 2 Hidden Layer Roti Pisang Keju Delay Data : 7
Dapat dilihat dari Gambar 4.10 dan Gambar 4.11 hasil dari percobaan roti
pisang keju masing-masing variasi. Jika dibandingkan dengan percobaan
menggunakan satu hidden layer akurasi tertinggi mencapai 71.58 % dengan variasi
jumlah neuron 30, sedangkan hasil dari dua hidden layer lebih tinggi akurasinya.
Yaitu pada variasi jumlah neuron 30 dan 45 dengan akurasi 71.61 % untuk
percobaan dengan jumlah delay 7 data.
Akurasi 1 HL
72
70
68
66
25 30 35 40 45 50 55 60 65 70
Gambar 4.12. Grafik Akurasi 1 Hidden Layer Roti Pisang Keju Delay Data : 14
Akurasi 2 HL
74
72
70
68
25 30 35 40 45 50 55 60 65 70
25
Gambar 4.13. Grafik Akurasi 2 Hidden Layer Roti Pisang Keju Delay Data : 14
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
Dapat dilihat dari Gambar 4.12 dan Gambar 4.13 hasil dari percobaan roti
pisang keju masing-masing variasi. Jika dibandingkan dengan percobaan
menggunakan satu hidden layer akurasi tertinggi mencapai 71.52 % dengan variasi
jumlah neuron 25, sedangkan hasil dari dua hidden layer lebih tinggi akurasinya.
Yaitu pada variasi jumlah neuron 25 dan 25 dengan akurasi 71.84 % untuk
percobaan dengan jumlah delay 14 data.
Akurasi 1 HL
75
70
65
60
25 30 35 40 45 50 55 60 65 70
Gambar 4.14. Grafik Akurasi 1 Hidden Layer Roti Pisang Keju Delay Data : 21
Akurasi 2 HL
72
70
68
66
25 30 35 40 45 50 55 60 65 70
25
Gambar 4.15. Grafik Akurasi 2 Hidden Layer Roti Pisang Keju Delay Data : 21
Dapat dilihat dari Gambar 4.14 dan Gambar 4.15 hasil dari percobaan roti
pisang keju masing-masing variasi. Jika dibandingkan dengan percobaan
menggunakan satu hidden layer akurasi tertinggi mencapai 71.65 % dengan variasi
jumlah neuron 25, sedangkan hasil dari dua hidden layer lebih tinggi akurasinya.
Yaitu pada variasi jumlah neuron 25 dan 30 dengan akurasi 71.69 % untuk
percobaan dengan jumlah delay 21 data.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
Akurasi 1 HL
72
70
68
66
64
25 30 35 40 45 50 55 60 65 70
Gambar 4.16. Grafik Akurasi 1 Hidden Layer Roti Pisang Keju Delay Data : 28
Akurasi 2 HL
72
70
68
66
25 30 35 40 45 50 55 60 65 70
25
Gambar 4.17. Grafik Akurasi 2 Hidden Layer Roti Pisang Keju Delay Data : 28
Dapat dilihat dari Gambar 4.16 dan Gambar 4.17 hasil dari percobaan roti
pisang keju masing-masing variasi. Jika dibandingkan dengan percobaan
menggunakan dua hidden layer akurasi tertinggi mencapai 71.1 % dengan variasi
jumlah neuron 25 dan 35, sedangkan, hasil dari satu hidden layer lebih tinggi
akurasinya. Yaitu pada variasi jumlah neuron 25 dengan akurasi 71.5 % untuk
percobaan dengan jumlah delay 28 data.
Akurasi 1 HL
76
74
72
70
68
66
25 30 35 40 45 50 55 60 65 70
Gambar 4.18. Grafik Akurasi 1 Hidden Layer Roti Pisang Spesial Delay Data : 7
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
Akurasi 2 HL
74
73
72
71
70
25 30 35 40 45 50 55 60 65 70
25
Gambar 4.19. Grafik Akurasi 2 Hidden Layer Roti Pisang Spesial Delay Data : 7
Dapat dilihat dari Gambar 4.18 dan Gambar 4.19 hasil dari percobaan roti
pisang spesial masing-masing variasi. Jika dibandingkan dengan percobaan
menggunakan dua hidden layer akurasi tertinggi mencapai 73.48 % dengan variasi
jumlah neuron 25 dan 25, sedangkan hasil dari satu hidden layer lebih tinggi
akurasinya. Yaitu pada variasi jumlah neuron 25 dengan akurasi 73.93 % untuk
percobaan dengan jumlah delay 7 data.
Akurasi 1 HL
76
74
72
70
68
25 30 35 40 45 50 55 60 65 70
Gambar 4.20. Grafik Akurasi 1 Hidden Layer Roti Pisang Spesial Delay Data : 14
Akurasi 2 HL
76
74
72
70
68
25 30 35 40 45 50 55 60 65 70
25
Gambar 4.21. Grafik Akurasi 2 Hidden Layer Roti Pisang Spesial Delay Data : 14
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
Dapat dilihat dari Gambar 4.20 dan Gambar 4.21 hasil dari percobaan roti
pisang spesial masing-masing variasi. Jika dibandingkan dengan percobaan
menggunakan satu hidden layer akurasi tertinggi mencapai 73.66 % dengan variasi
jumlah neuron 25 dan 25, sedangkan hasil dari satu hidden layer lebih tinggi
akurasinya. Yaitu pada variasi jumlah neuron 25 dengan akurasi 74.04 % untuk
percobaan dengan jumlah delay 14 data.
Akurasi 1 HL
76
74
72
70
68
25 30 35 40 45 50 55 60 65 70
Gambar 4.22. Grafik Akurasi 1 Hidden Layer Roti Pisang Spesial Delay Data : 21
Akurasi 2 HL
76
74
72
70
68
25 30 35 40 45 50 55 60 65 70
30
Gambar 4.23. Grafik Akurasi 2 Hidden Layer Roti Pisang Spesial Delay Data : 21
Dapat dilihat dari Gambar 4.22 dan Gambar 4.23 hasil dari percobaan roti
pisang spesial masing-masing variasi. Jika dibandingkan dengan percobaan
menggunakan satu hidden layer akurasi tertinggi mencapai 74.03 % dengan variasi
jumlah neuron 30, sedangkan, hasil dari dua hidden layer lebih tinggi akurasinya.
Yaitu pada variasi jumlah neuron 30 dan 25 dengan akurasi 74.05 % untuk
percobaan dengan jumlah delay 21 data.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
Akurasi 1 HL
76
74
72
70
68
66
25 30 35 40 45 50 55 60 65 70
Gambar 4.24. Grafik Akurasi 1 Hidden Layer Roti Pisang Spesial Delay Data : 28
Akurasi 2 HL
74
73
72
71
70
25 30 35 40 45 50 55 60 65 70
25
Gambar 4.25. Grafik Akurasi 2 Hidden Layer Roti Pisang Spesial Delay Data : 28
Dapat dilihat dari Gambar 4.24 dan Gambar 4.25 hasil dari percobaan roti
pisang keju masing-masing variasi. Jika dibandingkan dengan percobaan
menggunakan dua hidden layer akurasi tertinggi mencapai 73.76 % dengan variasi
jumlah neuron 25 dan 30, sedangkan hasil dari satu hidden layer lebih tinggi
akurasinya. Yaitu pada variasi jumlah neuron 25 dengan akurasi 74.02 % untuk
percobaan dengan jumlah delay 28 data.
Setelah didapatkan hasil pengujian terhadap setiap jenis roti, pengujian data
dimulai dengan input 25 neuron kemudian dilanjutkan dengan ditambahkan 5
neuron untuk setiap percobaan sampai dengan 70 neuron. Selain jumlah neuron,
delay data juga diuji dengan sebanyak 7, 14, 21 dan 28 yang dikombinasikan
dengan jumlah neuron. Dari beberapa hasil grafik diatas beberapa kombinasi yang
mencapai akurasi tertinggi untuk setiap jenis roti, sebagai berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
Jumlah Jumlah
Delay Akurasi
No Jenis Roti Neuron Neuron
Data (%)
(1) (2)
46
1 Traingdm 66.87
2 Traingda 73.82
3 Trainrp 72.23
4 Traincgf 68.58
5 Traincgp 73.91
6 Traincgb 74.34
1 Traingdm 70.89
2 Traingda 70.47
3 Trainrp 60.23
4 Traincgf 66.51
5 Traincgp 67.02
6 Traincgb 71.47
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
1 Traingdm 71.68
2 Traingda 73.82
3 Trainrp 60.13
4 Traincgf 60.80
5 Traincgp 64.17
6 Traincgb 73.26
3.3.Hasil Pengujian
Dari hasil percobaan diatas dengan parameter jumlah hidden layer dan jumlah
delay data telah didapat hasil optimal dengan beberapa kombinasi antara kedua
parameter terhadap data setiap roti, dan hasil pengujiannya sebagai berikut :
Hidden Layer 1 = 25
Delay Data = 7
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
Gambar 4.26. Contoh Grafik Output Program untuk Roti Pisang Coklat
Grafik yang berwarna biru merupakan nilai produksi yang sebenarnya sedangkan
yang berwarna hijau merupakan hasil prediksi sistem.
Delay Data = 14
Gambar 4.27. Contoh Grafik Output Program untuk Roti Pisang Keju
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
Grafik yang berwarna hijau merupakan nilai produksi yang sebenarnya sedangkan
yang berwarna merah merupakan hasil prediksi sistem.
Delay Data = 21
Gambar 4.28. Contoh Grafik Output Program untuk Roti Pisang Spesial
50
dibandingkan dengan jumlah data testing yang digunakan, sehingga hasil yang
didapatkan seperti pada tabel 4.1.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB V
PENUTUP
5.1. Kesimpulan
Dalam hasil penelitian prediksi jumlah produksi roti menggunakan metode
backpropagation dapat disimpulkan sebagai berikut :
1. Hasil percobaan beberapa arsitektur jaringan untuk memprediksi jumlah
produksi berbeda untuk setiap roti, sebagai berikut :
a. Roti pisang Coklat dengan memiliki variasi 1 hidden layer
dengan jumlah neuron 25 dengan perpotongan atau delay 7 data
dengan menghasilkan akurasi 74.88 %.
b. Roti pisang keju dengan memiliki variasi 2 hidden layer dengan
jumlah neuron 25 dan 25 dengan perpotongan atau delay 14 data
dengan menghasilkan 71.84 %.
c. Roti pisang spesial dengan memiliki variasi 2 hidden layer
dengan jumlah neuron 30 dan 25 dengan perpotongan atau delay
21 data dengan menghasilkan 74.05 %.
2. Berdasarkan hasil grafik yang dihasilkan sistem ini masih ada kekurangan
adalah selisih hasil jumlah produksi hasil prediksi dengan jumlah produksi
real masih cukup besar jika dilihat secara grafik. Hal ini dikarenakan jumlah
produksi yang tidak menentu tanpa mempertimbangkan faktor lain seperti
musiman dan jumlah permintaan sehingga belum cukup akurat dalam
melakukan sebuah prediksi.
5.2. Saran
Saran yang dapat diberikan untuk mengembangkan sistem ini adalah :
51
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
Daftar Pustaka
Aditya, Kevin. 2014. Uji Akurasi Algoritma Fuzzy Neural Network Untuk
Memprediksi Pergerakan Harga Saham. Skripsi. Tidak
dipublikasikan. Yogyakarta: Universitas sanata Dharma.
Agung, I Gusti ngurah. 2008. Teori Ekonomi Mikro ; Suatu Analisis Produksi
Terapan. Jakarta: Raja Grafindo Persada.
Daryanto. 2012. Sari Kuliah Manajemen Produksi. Bandung: PT. Sarana Tutorial
Nurani Sejahtera.
53
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
Suwanto, Tri, A. 2015. Prediksi Nilai Tukar Rupiah Terhadap Dolar Amerika
Serikat Dengan Menggunakan Metode Backpropagation. Skripsi.
Tidak dipublikasikan. Yogyakarta: Universitas Sanata Dharma.
55
LAMPIRAN
1. Source Code Kelas GUI
function varargout = HalamanUtamaPrediksi(varargin)
% HALAMANUTAMAPREDIKSI MATLAB code for HalamanUtamaPrediksi.fig
% HALAMANUTAMAPREDIKSI, by itself, creates a new
HALAMANUTAMAPREDIKSI or raises the existing
% singleton*.
%
% H = HALAMANUTAMAPREDIKSI returns the handle to a new
HALAMANUTAMAPREDIKSI or the handle to
% the existing singleton*.
%
%
HALAMANUTAMAPREDIKSI('CALLBACK',hObject,eventData,handles,...)
calls the local
% function named CALLBACK in HALAMANUTAMAPREDIKSI.M with the
given input arguments.
%
% HALAMANUTAMAPREDIKSI('Property','Value',...) creates a new
HALAMANUTAMAPREDIKSI or raises the
% existing singleton*. Starting from the left, property
value pairs are
% applied to the GUI before HalamanUtamaPrediksi_OpeningFcn
gets called. An
% unrecognized property name or invalid value makes property
application
% stop. All inputs are passed to
HalamanUtamaPrediksi_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows
only one
% instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES
56
57
58
%Akurasi
error = abs(target_hasil_uji-vecD);
akurasi = (1-(error/target_hasil_uji))*100;
akurasi_1=sprintf('%.2f',akurasi);
set(handles.Hasil,'String',vecD);
set(handles.akurasi,'String',error);
toc
set(handles.waktu,'String',toc);
% --- Executes on selection change in jenisrotiPop.
function jenisrotiPop_Callback(hObject, eventdata, handles)
% hObject handle to jenisrotiPop (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hints: contents = cellstr(get(hObject,'String')) returns
jenisrotiPop contents as cell array
% contents{get(hObject,'Value')} returns selected item from
jenisrotiPop
% --- Executes during object creation, after setting all
properties.
function jenisrotiPop_CreateFcn(hObject, eventdata, handles)
% hObject handle to jenisrotiPop (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles empty - handles not created until after all
CreateFcns called
% Hint: popupmenu controls usually have a white background on
Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
% --- Executes on selection change in DelayPop.
function DelayPop_Callback(hObject, eventdata, handles)
% hObject handle to DelayPop (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hints: contents = cellstr(get(hObject,'String')) returns
DelayPop contents as cell array
% contents{get(hObject,'Value')} returns selected item from
DelayPop
% --- Executes during object creation, after setting all
properties.
function DelayPop_CreateFcn(hObject, eventdata, handles)
% hObject handle to DelayPop (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles empty - handles not created until after all
CreateFcns called
% Hint: popupmenu controls usually have a white background on
Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
set(hObject,'BackgroundColor','white');
end
function hl1_Callback(hObject, eventdata, handles)
% hObject handle to hl1 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of hl1 as text
% str2double(get(hObject,'String')) returns contents of hl1
as a double
% --- Executes during object creation, after setting all
properties.
function hl1_CreateFcn(hObject, eventdata, handles)
% hObject handle to hl1 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles empty - handles not created until after all
CreateFcns called
% Hint: edit controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function hl2_Callback(hObject, eventdata, handles)
% hObject handle to hl2 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of hl2 as text
% str2double(get(hObject,'String')) returns contents of hl2
as a double
% --- Executes during object creation, after setting all
properties.
function hl2_CreateFcn(hObject, eventdata, handles)
% hObject handle to hl2 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles empty - handles not created until after all
CreateFcns called
% Hint: edit controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function epoch_Callback(hObject, eventdata, handles)
% hObject handle to epoch (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of epoch as text
% str2double(get(hObject,'String')) returns contents of
epoch as a double
% --- Executes during object creation, after setting all
properties.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
61
learning_rate=get(handles.edit6,'String');
if hl1=='0'
msgbox('Hidden Layer Harus Tidak Bernilai 0');
return;
end
epoch=get(handles.epoch,'String');
if epoch=='0'
msgbox('Epoch Harus Tidak Bernilai 0');
return;
end
hl1num=str2num(hl1);
hl2num=str2num(hl2);
epochnum=str2num(epoch);
ratenum=str2num(learning_rate);
if learning_rate=='0'
msgbox('Learning Rate Harus Tidak Bernilai 0');
return;
end
%Tahap Normalisasi
maxVec=max(data_produksi);
minVec=min(data_produksi);
[vecN] = thp_norm(data_produksi,maxVec,minVec);
%Bagi Data
[data_kel] = BagiDataTunggal(vecN,delayData);
if k==1
[rata_akurasi,label_data_testing1,label_data_testing2,label_data_t
esting3,a1,a2,a3] =
BackpropagationRoti_PisangCoklat(hl1num,hl2num,epochnum,data_kel,d
elayData,ratenum,maxVec,minVec);
end
if k==4
[rata_akurasi,label_data_testing1,label_data_testing2,label_data_t
esting3,a1,a2,a3] =
BackpropagationRoti_PisangKeju(hl1num,hl2num,epochnum,data_kel,del
ayData,ratenum,maxVec,minVec);
end
if k==2
[rata_akurasi,label_data_testing1,label_data_testing2,label_data_t
esting3,a1,a2,a3] =
BackpropagationRoti_PisangSpesial(hl1num,hl2num,epochnum,data_kel,
delayData,ratenum,maxVec,minVec);
end
rata_akurasi1=sprintf('%.2f',rata_akurasi);
set(handles.akurasi_kel,'String',rata_akurasi1);
handles.gui.vecN=vecN;
handles.gui.label_data_testing1= label_data_testing1;
handles.gui.label_data_testing2= label_data_testing2;
handles.gui.label_data_testing3=label_data_testing3;
handles.gui.a1 =a1;
handles.gui.a2 =a2;
handles.gui.a3 =a3;
assignin('base','data_Normalisasi',vecN);
assignin('base','label_data_testing1',label_data_testing1);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
assignin('base','label_data_testing2',label_data_testing2);
assignin('base','label_data_testing3',label_data_testing3);
assignin('base','hasil_prediksi_1',a1);
assignin('base','hasil_prediksi_2',a2);
assignin('base','hasil_prediksi_3',a3);
assignin('base','data_produksi',data_produksi);
handles.gui.ratenum =ratenum;
handles.gui.hl1num =hl1num;
handles.gui.hl2num = hl2num;
handles.gui.epochnum = epochnum;
handles.gui.k = k;
handles.gui.delayData = delayData;
handles.gui.data_produksi = data_produksi;
handles.gui.tanggal_Produksi = tanggal_Produksi;
handles.gui.maxVec=maxVec;
handles.gui.minVec=minVec;
guidata(hObject,handles);
% --- Executes on button press in plot.
% function plot_Callback(hObject, eventdata, handles)
% % hObject handle to plot (see GCBO)
% % eventdata reserved - to be defined in a future version of
MATLAB
% % handles structure with handles and user data (see GUIDATA)
%
% --- Executes on button press in grafikbutton.
function grafikbutton_Callback(hObject, eventdata, handles)
% hObject handle to grafikbutton (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
%
label_data_testing1= handles.gui.label_data_testing1;
label_data_testing2= handles.gui.label_data_testing2;
label_data_testing3=handles.gui.label_data_testing3;
a1 =handles.gui.a1;
a2 =handles.gui.a2;
a3 =handles.gui.a3;
maxVec=handles.gui.maxVec;
minVec=handles.gui.minVec;
[Denorm_label1] = thp_Denorm(label_data_testing1,maxVec,minVec);
[Denorm_label2] = thp_Denorm(label_data_testing2,maxVec,minVec);
[Denorm_label3] =thp_Denorm(label_data_testing3,maxVec,minVec);
[hasil1] = thp_Denorm(a1,maxVec,minVec);
[hasil2] = thp_Denorm(a2,maxVec,minVec);
[hasil3] = thp_Denorm(a3,maxVec,minVec);
% %Membuat Plot
cla(handles.axes5);
cla(handles.axes6);
cla(handles.axes7);
axes(handles.axes5);
plot(label_data_testing1(1:40,:));
hold all;
plot(a1(:,1:40));
xlabel('data produksi');
ylabel('jumlah produksi');
axes(handles.axes6);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
plot(label_data_testing2(1:40,:));
hold all;
plot(a2(:,1:40));
xlabel('data produksi');
ylabel('jumlah produksi');
axes(handles.axes7);
plot(label_data_testing3(1:40,:));
hold all;
plot(a3(:,1:40));
xlabel('data produksi');
ylabel('jumlah produksi');
handles.gui.label_data_testing1= label_data_testing1;
handles.gui.label_data_testing2= label_data_testing2;
handles.gui.label_data_testing3=label_data_testing3;
handles.gui.a1 =a1;
handles.gui.a2 =a2;
handles.gui.a3 =a3;
guidata(hObject,handles);
function edit6_Callback(hObject, eventdata, handles)
% hObject handle to edit6 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of edit6 as text
% str2double(get(hObject,'String')) returns contents of
edit6 as a double
% --- Executes during object creation, after setting all
properties.
2. Kelas thp_norm
3. Kelas thp_Denorm
4. Kelas BackpropagationRoti_PisangCoklat.m
function
[rata_akurasi,label_data_testing1,label_data_testing2,label_data_t
esting3,a1,a2,a3] =
BackpropagationRoti_PisangCoklat(hl1,hl2,epoch,data_kel,delayData,
ratenum,maxVec,minVec)
%UNTITLED Summary of this function goes here
% Detailed explanation goes here
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
label_data_training1=[
label_datapelatihan2
label_datapelatihan3
];
data_testing1= datapelatihan1;
label_data_testing1=label_datapelatihan1;
if hl2==0
net=newff(minmax(data_training1.'),[hl1,1],{'logsig','purelin'},'t
raingdx');
else
net=newff(minmax(data_training1.'),[hl1,hl2,1],{'logsig','logsig',
'purelin'},'traingdx');
end
net=init(net);
net.trainParam.epochs = epoch;
net.trainParam.lr = ratenum;
[net,tr]=train(net,data_training1.',label_data_training1.');
a1=sim(net,data_testing1.')
[vecD1] = thp_Denorm(a1,maxVec,minVec)
[Denorm_label1] = thp_Denorm(label_data_testing1,maxVec,minVec)
error1=abs(Denorm_label1.'-vecD1)
akurasi1 = (1-(error1/Denorm_label1.'))*100
% akurasi1=100-((sum(error1)/size(label_datapelatihan1,1))*100);
label_data_training2=[
label_datapelatihan1
label_datapelatihan3
];
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
data_testing2= datapelatihan2;
label_data_testing2=label_datapelatihan2;
if hl2==0
net=newff(minmax(data_training2.'),[hl1,1],{'logsig','purelin'},'t
raingdx');
else
net=newff(minmax(data_training2.'),[hl1,hl2,1],{'logsig','logsig',
'purelin'},'traingdx');
end
net=init(net);
net.trainParam.epochs = epoch;
net.trainParam.lr = ratenum;
[net,tr]=train(net,data_training2.',label_data_training2.');
a2=sim(net,data_testing2.');
[vecD2] = thp_Denorm(a2,maxVec,minVec);
[Denorm_label2] = thp_Denorm(label_data_testing2,maxVec,minVec);
error2=abs(Denorm_label2.'-vecD2)
akurasi2 = (1-(error2/Denorm_label2.'))*100;
% akurasi2=100-((sum(error2)/size(label_datapelatihan2,1))*100);
label_data_training3=[
label_datapelatihan1
label_datapelatihan2
];
data_testing3= datapelatihan3;
label_data_testing3=label_datapelatihan3;
if hl2==0
net=newff(minmax(data_training3.'),[hl1,1],{'logsig','purelin'},'t
raingdx');
else
net=newff(minmax(data_training3.'),[hl1,hl2,1],{'logsig','logsig',
'purelin'},'traingdx');
end
net=init(net);
net.trainParam.epochs = epoch;
net.trainParam.lr = 0.01;
[net,tr]=train(net,data_training3.',label_data_training3.');
a3=sim(net,data_testing3.');
[vecD3] = thp_Denorm(a3,maxVec,minVec);
[Denorm_label3] = thp_Denorm(label_data_testing3,maxVec,minVec);
error3=abs(Denorm_label3.'-vecD3);
akurasi3 = (1-(error3/Denorm_label3.'))*100;
% akurasi3=100-((sum(error3)/size(label_datapelatihan3,1))*100);
rata_akurasi = (akurasi1+akurasi2+akurasi3)/3;
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
5. Kelas BackpropagationRoti_PisangKeju.m
function
[rata_akurasi,label_data_testing1,label_data_testing2,label_data_t
esting3,a1,a2,a3] =
BackpropagationRoti_PisangKeju(hl1,hl2,epoch,data_kel,delayData,ra
tenum,maxVec,minVec)
%UNTITLED Summary of this function goes here
% Detailed explanation goes here
label_data_training1=[
label_datapelatihan2
label_datapelatihan3
];
data_testing1= datapelatihan1;
label_data_testing1=label_datapelatihan1;
if hl2==0
net=newff(minmax(data_training1.'),[hl1,1],{'logsig','purelin'},'t
raingdx');
else
net=newff(minmax(data_training1.'),[hl1,hl2,1],{'logsig','logsig',
'purelin'},'traingdx');
end
net=init(net);
net.trainParam.epochs = epoch;
net.trainParam.lr = ratenum;
[net,tr]=train(net,data_training1.',label_data_training1.');
a1=sim(net,data_testing1.');
[vecD1] = thp_Denorm(a1,maxVec,minVec);
[Denorm_label1] = thp_Denorm(label_data_testing1,maxVec,minVec);
error1=abs(Denorm_label1.'-vecD1);
akurasi1 = (1-(error1/Denorm_label1.'))*100;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
label_data_training2=[
label_datapelatihan1
label_datapelatihan3
];
data_testing2= datapelatihan2;
label_data_testing2=label_datapelatihan2;
if hl2==0
net=newff(minmax(data_training2.'),[hl1,1],{'logsig','purelin'},'t
raingdx');
else
net=newff(minmax(data_training2.'),[hl1,hl2,1],{'logsig','logsig',
'purelin'},'traingdx');
end
net=init(net);
net.trainParam.epochs = epoch;
net.trainParam.lr = 0.05;
[net,tr]=train(net,data_training2.',label_data_training2.');
a2=sim(net,data_testing2.');
[vecD2] = thp_Denorm(a2,maxVec,minVec);
[Denorm_label2] = thp_Denorm(label_data_testing2,maxVec,minVec);
error2=abs(Denorm_label2.'-vecD2);
akurasi2 = (1-(error2/Denorm_label2.'))*100;
%data training dan data testing (3)
data_training3=[
datapelatihan1
datapelatihan2
];
label_data_training3=[
label_datapelatihan1
label_datapelatihan2
];
data_testing3= datapelatihan3;
label_data_testing3=label_datapelatihan3;
if hl2==0
net=newff(minmax(data_training3.'),[hl1,1],{'logsig','purelin'},'t
raingdx');
else
net=newff(minmax(data_training3.'),[hl1,hl2,1],{'logsig','logsig',
'purelin'},'traingdx');
end
net=init(net);
net.trainParam.epochs = epoch;
net.trainParam.lr = 0.05;
[net,tr]=train(net,data_training3.',label_data_training3.');
a3=sim(net,data_testing3.');
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
[vecD3] = thp_Denorm(a3,maxVec,minVec);
[Denorm_label3] = thp_Denorm(label_data_testing3,maxVec,minVec);
error3=abs(Denorm_label3.'-vecD3);
akurasi3 = (1-(error3/Denorm_label3.'))*100;
rata_akurasi = (akurasi1+akurasi2+akurasi3)/3;
end
6. Kelas BackpropagationRoti_PisangSpesial.m
function
[rata_akurasi,label_data_testing1,label_data_testing2,label_data_t
esting3,a1,a2,a3] =
BackpropagationRoti_PisangSpesial(hl1,hl2,epoch,data_kel,delayData
,ratenum,maxVec,minVec)
%UNTITLED Summary of this function goes here
% Detailed explanation goes here
label_data_training1=[
label_datapelatihan2
label_datapelatihan3
];
data_testing1= datapelatihan1;
label_data_testing1=label_datapelatihan1;
if hl2==0
net=newff(minmax(data_training1.'),[hl1,1],{'logsig','purelin'},'t
raingdx');
else
net=newff(minmax(data_training1.'),[hl1,hl2,1],{'logsig','logsig',
'purelin'},'traingdx');
end
net=init(net);
net.trainParam.epochs = epoch;
net.trainParam.lr = ratenum;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
[net,tr]=train(net,data_training1.',label_data_training1.');
a1=sim(net,data_testing1.');
[vecD1] = thp_Denorm(a1,maxVec,minVec);
[Denorm_label1] = thp_Denorm(label_data_testing1,maxVec,minVec);
error1=abs(Denorm_label1.'-vecD1)
akurasi1 = (1-(error1/Denorm_label1.'))*100;
%data training dan data testing (2)
data_training2=[
datapelatihan1
datapelatihan3
];
label_data_training2=[
label_datapelatihan1
label_datapelatihan3
];
data_testing2= datapelatihan2;
label_data_testing2=label_datapelatihan2;
if hl2==0
net=newff(minmax(data_training2.'),[hl1,1],{'logsig','purelin'},'t
raingdx');
else
net=newff(minmax(data_training2.'),[hl1,hl2,1],{'logsig','logsig',
'purelin'},'traingdx');
end
net=init(net);
net.trainParam.epochs = epoch;
net.trainParam.lr = 0.05;
[net,tr]=train(net,data_training2.',label_data_training2.');
a2=sim(net,data_testing2.');
[vecD2] = thp_Denorm(a2,maxVec,minVec);
[Denorm_label2] = thp_Denorm(label_data_testing2,maxVec,minVec);
error2=abs(Denorm_label2.'-vecD2)
akurasi2 = (1-(error2/Denorm_label2.'))*100;
%data training dan data testing (3)
data_training3=[
datapelatihan1
datapelatihan2
];
label_data_training3=[
label_datapelatihan1
label_datapelatihan2
];
data_testing3= datapelatihan3;
label_data_testing3=label_datapelatihan3;
if hl2==0
net=newff(minmax(data_training3.'),[hl1,1],{'logsig','purelin'},'t
raingdx');
else
net=newff(minmax(data_training3.'),[hl1,hl2,1],{'logsig','logsig',
'purelin'},'traingdx');
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
end
net=init(net);
net.trainParam.epochs = epoch;
net.trainParam.lr = 0.05;
[net,tr]=train(net,data_training3.',label_data_training3.');
a3=sim(net,data_testing3.');
[vecD3] = thp_Denorm(a3,maxVec,minVec);
[Denorm_label3] = thp_Denorm(label_data_testing3,maxVec,minVec);
error3=abs(Denorm_label3.'-vecD3)
akurasi3 = (1-(error3/Denorm_label3.'))*100
rata_akurasi = (akurasi1+akurasi2+akurasi3)/3;
end
7. Kelas tanggalIndex.m
8. Kelas BagiData.m
function [saveTrain,saveTarget]=BagiData(data,index,delay)
% trainAwal=index-701;
trainAwal=1;
targetAwal=trainAwal;
jum_data=size(data,1);
for i=1:jum_data-delay
for j=1:delay
saveTrain(i,j)=data(trainAwal);
trainAwal=trainAwal+1;
end
saveTarget(i)=data(trainAwal);
trainAwal=targetAwal+1;
targetAwal=targetAwal+1;
end
Pada proses optimalisasi jaringan ini akan dilakukan data pelatihan 1002 data untuk
setiap jenis roti dengan beberapa jumlah delay data yaitu 7, 14, 21, dan 28 dan total
epoch 1000 kali. Berikut hasil proses optimalisasi jaringan yang dilakukan :
71
25 74.88 25 74.45
30 74.13 30 73.90
35 73.88 35 73.62
40 74.17 40 74.05
45 72.87 45 73.47
25
50 73.14 50 73.39
55 72.89 55 72.04
60 71.37 60 72.91
65 71.55 65 72.90
70 69.53 70 72.62
25 73.94 25 74.17
30 74.21 30 30 74.28
35 73.45 35 74.38
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
40 73.68 40 73.36
45 72.72 45 72.56
50 73.16 50 72.33
55 72.03 55 72.07
60 72.01 60 71.17
65 70.86 65 71.53
70 71.15 70 71.87
25 73.4 25 73.86
30 74.09 30 73.81
35 73.71 35 74.63
40 73.68 40 73.31
45 72.64 45 73.57
30
50 72.43 50 72.70
55 70.71 55 73.01
60 71.55 60 72.15
65 71.32 65 72.66
70 69.78 70 72.16
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
25 74.73 25 74.06
30 74.72 30 74.00
35 73.84 35 73.87
40 73.59 40 73.37
45 73.18 45 73.57
25
50 73.57 50 73.21
55 72.97 55 73.30
60 71.22 60 71.74
65 71.89 65 72.20
70 71.87 70 71.45
25 71.50 25 71.23
30 71.58 30 71.04
30
35 70.65 35 70.58
40 70.57 40 70.95
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
45 70.03 45 71.61
50 69.80 50 70.12
55 70.65 55 69.91
60 68.57 60 69.80
65 69.29 65 69.33
70 68.88 70 69.09
25 71.52 25 71.84
30 71.34 30 70.98
35 71.03 35 71.45
40 71.20 40 71.23
45 70.32 45 70.02
25
50 70.00 50 70.22
55 70.34 55 70.17
60 69.28 60 70.32
65 68.37 65 69.38
70 68.26 70 69.30
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
25 71.65 25 71.59
30 71.42 30 71.69
35 70.94 35 70.86
40 70.73 40 71.39
45 70.48 45 70.59
25
50 70.88 50 70.31
55 69.71 55 69.77
60 68.81 60 69.78
65 67.78 65 70.47
70 67.14 70 69.05
25 71.50 25 70.67
30 71.40 30 71.06
35 71.24 25 35 71.10
40 70.99 40 71.07
45 70.91 45 70.75
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
50 70.55 50 69.86
55 69.48 55 69.87
60 68.23 60 69.56
65 67.66 65 69.71
70 67.93 70 68.81
25 73.93 25 73.48
30 73.64 30 73.60
35 73.53 35 73.27
40 72.66 40 72.52
45 73.10 45 73.31
25
50 72.79 50 73.11
55 72.71 55 72.92
60 71.59 60 72.70
65 71.48 65 71.21
70 69.90 70 71.69
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
25 73.66 25 74.04
30 73.90 30 73.43
35 73.13 35 72.69
40 73.34 40 72.49
45 72.52 45 73.10
25
50 71.82 50 72.80
55 71.66 55 72.84
60 70.55 60 71.09
65 70.38 65 71.55
70 70.83 70 70.38
25 73.59 25 74.05
30 74.03 30 73.63
35 72.97 30 35 73.62
40 72.54 40 72.49
45 72.45 45 72.07
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
50 71.94 50 72.33
55 71.80 55 71.73
60 70.23 60 71.89
65 70.51 65 70.97
70 70.56 70 71.63
25 74.02 25 73.58
30 73.68 30 73.76
35 73.61 35 73.17
40 73.21 40 73.09
45 72.91 45 73.17
25
50 72.23 50 72.89
55 70.96 55 71.98
60 70.50 60 72.31
65 70.85 65 71.53
70 69.97 70 72.16