- Margin seluruh laporan : Top=4cm, Left=4cm,

Bottom=3cm, Right=3cm
- Jenis Font Halaman Sampul : Arial Narrow size 14pt
- Jarak Antar Baris (Spasi) halaman sampul yaitu 1, befor=0
dan after=0
- Text Aligment adalah Center

PENENTUAN DISPOSISI MATERIAL INCOMING PADA

- Jumlah Baris maksimal 4 baris
PT. GATRA MAPAN MALANG MENGGUNAKAN 6 enter
- Bentuk Penulisan piramida JARINGAN SYARAF TIRUAN
terbalik BACKPROPAGATION
- Font Judul: Bold dan Capital

- Dituliskan sesuai
jenis laporan TUGAS AKHIR
o PRAKTER KERJA
LAPANGAN
Diajukan Untuk Memenuhi Salah Satu Syarat Kelulusan Sarjana Strata 1
o KULIAH KERJA
- Dituliskan sesuai jenis laporan
NYATA
o PKL : Diajukan Untuk Memenuhi Salah Satu Pra-Syarat Menempuh Tugas
o TUGAS AKHIR
Akhir
- Font: Bold dan
o TA : Diajukan Untuk Memenuhi Salah Satu Syarat Kelulusan Sarjana Strata 1 6 enter
Capital
- Font: Capitalize Each Words
-

- Logo : Full Color

- Diameter : 5 cm

5 enter

- Font: Capitalize Each Words

- Aligment : Center, Left Tab
Oleh
Afham Safiq Muhammad 14201001

5 enter

PROGRAM STUDI INFORMATIKA

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER ASIA
MALANG
2017
- Halaman ini dihitung sebagai
halaman i, tetapi nomor
halaman tidak dicetak
 LEMBAR PERSETUJUAN TUGAS AKHIR
- Font : Arial, size 16pt, Bold,
Capital
- Aligment : Center

Tugas akhir dengan judul : Penentuan Disposisi Material Incoming Pada

PT. Gatra Mapan Malang Menggunakan
Jaringan Syaraf Tiruan Backpropagation
Disusun oleh : Afham Safiq Muhammad
- Font : Arial, size 12pt,
NIM : 14201001
Capitalize Each Worlds
Program Studi : Informatika - Jarak Antar Baris (Spasi):
adalah 1.5, before=0 dan
after=0

- Ditulis Tanggal waktu ujian

dilaksanakan
Malang, 31 Juli 2017
Menyetujui

Kaprodi Informatika Pembimbing Tugas Akhir

Rina Dewi Indahsari, M.Kom Nama Dospem, M.Kom

- Nomor halaman pra laporan

(sebelum bab I) : ditulis di bawah
tengah dengan jenis romawi kecil
- Fontt : Arial, size 12 pt

ii
 SURAT KETERANGAN LULUS UJIAN TUGAS
AKHIR - Font : Arial, size 16pt, Bold, Capital
- Aligment : Center

Yang bertanda tangan dibawah ini menerangkan bahwa:

Nama : Afham Safiq Muhammad

- Ditulis Tanggal waktu ujian
NIM : 14201001 dilaksanakan

Program Studi : Informatika

Telah lulus ujian Tugas Akhir pada tanggal 31 Juli 2017 di STMIK ASIA
Malang.

Tim Penguji
Penguji 1 Penguji 2

Dosen Pembanding, M.Kom Dosen Pembimbing, M.Kom

Malang, 31 Juli 2017

Ketua Tim Penguji

- Font : Arial, size 12pt,

- Jarak Antar Baris (Spasi): Dosen Penguji, M.Kom
adalah 1.5, before=0 dan
after=0

iii
 - Logo : Full Color
- Diameter : 2 cm

SURAT PERNYATAAN
- Font : Arial, size 16pt, Bold, Capital
- Aligment : Center

Yang bertanda tangan dibawah ini adalah:

Nama : Afham Safiq Muhammad - Font : Arial, size 12pt,
- Jarak Antar Baris (Spasi):
NIM : 14201001 adalah 1.5, before=0 dan
after=0
Tempat/Tgl Lahir : Malang, 22 Januari 2014 - Font Judul : Bold, Capitalize
Each Worlds
Program Studi : Informatika
Alamat : Jl. Drs. Moh. Hatta 288 Dadaprejo, Junrejo, Batu
Menyatakan bahwa Karya Ilmiah/ Tugas Akhir yang berjudul:
“Penentuan Disposisi Material Incoming Pada PT. Gatra Mapan
Malang Menggunakan Jaringan Syaraf Tiruan Backpropagation”
adalah bukan merupakan karya tulis orang lain, baik sebagian maupun
keseluruhan, kecuali dalam bentuk kutipan yang disebutkan sumbernya.

Demikian surat pernyataan ini saya buat dengan sebenar-benarnya dan

apabila pernyataan ini tidak benar, saya bersedia menerima sanksi
akademik.

Mengetahui, Malang, 31 Juli 2017

Dosen Pembimbing Yang menyatakan

Dosen Pembimbing, M.Kom Afham Safiq Muhammad

iv
 HALAMAN PERNYATAAN PERSETUJUAN
PUBLIKASI TUGAS AKHIR UNTUK
KEPENTINGAN AKADEMIS -- Font : Arial, size 16pt, Bold, Capital
Aligment : Center

Sebagai Civitas Akademik STMIK Asia Malang, saya yang bertanda

tangan di bawah ini:
- Font : Arial, size 12pt,
Nama : Afham Safiq Muhammad - Jarak Antar Baris (Spasi):
adalah 1.5, before=0 dan
NIM : 14201001 after=0
- Font Judul : Bold, Capitalize
Program Studi : Informatika Each Worlds

Jenis Karya : Tugas Akhir

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan
kepada STMIK Asia Malang Hak Bebas Royalti atas tugas akhir saya
yang berjudul:
“Penentuan Disposisi Material Incoming Pada PT. Gatra Mapan
Malang Menggunakan Jaringan Syaraf Tiruan Backpropagation”
beserta perangkat yang ada (jika diperlukan).

Dengan Hak Bebas Royalti ini, STMIK Asia Malang berhak untuk
menyimpan, mengalih media/formatkan, mengelola dalam bentuk
pangkalan data (database), merawat dan mempublikasikan Tugas Akhir
saya tanpa meminta ijin dari saya selama tetap mencantumkan nama
saya sebagai penulis/pencipta dan pemilik hak cipta.
Demikian pernyataan ini saya buat dengan sebenarnya.

Malang, 31 Juli 2017

Yang menyatakan

Materai
Rp. 6000

Afham Safiq Muhammad

v
 - Font : Arial, size 12pt,
- Font : Arial, size 16pt, Bold, Capital - Jarak Antar Baris (Spasi):
- Aligment : Center adalah 1, before=0 dan
after=0
- Font Judul : Bold, Capital

- Nama Lengkap mahasiswa

ABSTRAKSI
(tanda titik) NIM

Afham Safiq Muhammad. 14201001

PENENTUAN DISPOSISI MATERIAL INCOMING PADA PT. GATRA
MAPAN MALANG MENGGUNAKAN JARINGAN SYARAF TIRUAN
- Nama Prodi, BACKPROPAGATION
Nama Instansi, Informatika, Sekolah Tinggi Manajemen Informatika dan Komputer ASIA
tahun Malang, 2017
Kata Kunci : Klasifikasi, jaringan syaraf tiruan, backpropagation, search
- Kata Kunci : tree, ekstraksi rule
minimal 20 - Total halaman pra laporan + Total halaman Bab I
karakter sampai Bab V + Lampiran (kalau ada)
(xvii + 94 + Lampiran)

Jaringan syaraf tiruan akan dipakai untuk ekstraksi rule dalam

pengklasifikasian data. Jaringan syaraf tiruan merupakan alat yang sangat
baik digunakan untuk mengembangkan berbagai aplikasi pada dunia
nyata, khususnya pada kasus-kasus dimana metode pemecahan masalah
- Menunjukkan dengan cara tradisional gagal menyelesaikannya. Fokus dari penelitian ini
fokus masalah adalah melakukan ekstraksi aturan dari hasil pembelajaran jaringan syaraf
dalam
penelitian ini
tiruan sehingga menghasilkan bentuk rule konjungsi (IF-THEN).
Permasalahan yang diangkat adalah disposisi material (bahan
baku) pada PT. Gatra Mapan Malang. Dataset terdiri dari 10 atribut non
kelas dan 1 atribut kelas dengan total 28 distict value atribut non kelas dan
2 value atribut kelas. Formulasi permasalahan ke dalam jaringan syaraf
dengan menggunakan 28 neuron input yang masing-masing mewakili
value atribut non kelas dan 2 neuron output yang mewakili value atribut
kelas. Pembelajaran dengan jaringan syaraf menggunakan 1288 record
- Menunjukkan data. Berdasarkan bobot hasil pembelajaran jaringan syaraf kemudian
solusi dan dilakukan proses ekstraksi aturan. Salah satu pendekatan yang digunakan
proses untuk ekstraksi aturan adalah metode berbasis pencarian ruang solusi.
perancangan
solusi Metode ini terdiri dari 2 tahap, yang pertama adalah tahap pencarian
aturan, dan tahap kedua adalah proses pengecekan validitas rule yang
telah diperoleh dari tahap pertama. Pencarian aturan dimulai dari
kemungkinan aturan dengan 1 premis sampai aturan dengan banyak
premis. Jika aturan dengan 1 premis telah valid, maka tidak perlu dicari
aturan dengan premis banyak.
Dalam uji coba yang telah dilakukan terhadap dataset dengan
1288 record data telah menghasilkan 12 rule dengan akurasi rata-rata
- Menunjukkan
90%. Dari semua rule yang telah dihasilkan dapat meng-cover 80% dari
hasil total 1288 data yang telah dilatihkan. Artinya dari 1288 record data yang
penelitian dilatihkan akan ter-cover 1030 record oleh aturan yang dihasilkan.
- (Tahun terbit tertua – tahun terbit termuda
Daftar Pustaka (2012 – 2017) - Idealnya rentang 5 tahun terakhir

vi
 - Semua cara penulisan sama dengan
ABSTRACT abstraksi dalam Bahasa Indonesia
- Nama instansi tidak perlu
diterjemahkan dalam Bahasa Inggris

Afham Safiq Muhammad. 14201001

BACKPROPAGATION NEURAL NETWORK FOR DETERMINING
MATERIAL DISPOSITION AT PT. GATRA MAPAN MALANG
Informatics, Sekolah Tinggi Manajemen Informatika dan Komputer ASIA
Malang, 2017
Keywords: Classification, artificial neural network, backpropagation,
search tree, rule extraction

(xvii + 94 + attachment)

Artificial neural network will be used for rule extraction in classifying

the data. Neural network is a good tool used to develop a variety of
application in the real world, particularly in cases where the method of
solving the problem in the traditional way fails to finish. The focus of this
research is to extract rules from artificial neural network learning outcomes
resulting in a form of rule that is more familiar to human and generate form
a conjunction rule (IF-THEN).
Issues raised is the disposition of raw materials on PT. Gatra
Mapan Malang. The dataset consists of 10 non class attributes, one
attribute class with a total of 28 distinct values of non class attributes and
2 value of class attribute. Role in the problem formulation to neural
network by using 28 input neurons, each represents the value of non class
attributes and 2 output neurons representing the class attribute values.
Traning with neural networks uses 1288 data records. Based on the
results of learning neural network weights, the extraction rule is then
performed. One of the approaches used for extraction rules is based
method searches the solution space. This method consists of two stages.
The first is the search for order and the second stage is the process of
checking the validity of rule that has been obtained from the first stage.
Search starts from possible rules with one premise rule until the rule with
many premises. If a rule with one premise is valid then no need to look for
a rule with the premise of many.
From the trials the results show that 12 rules with an average
accuracy of 90%. Of all the rules that have been generated can cover 80%
from the total of 1288 data that have been trained. This means that the
data from 1288 record cover 1030 records generated by the rules.

Bibliography (2012 – 2017)

vii
- Font : Arial, size 16pt, Bold, - Font : Arial, size 12pt,
Capital - Jarak Antar Baris (Spasi):
- Aligment : Center adalah 1.5, before=0 dan
KATA PENGANTAR after=0

Dengan memanjatkan rasa syukur kehadirat Allah SWT atas segala

rahmad dan hidayah-Nya yang diberikan kepada penulis sehingga laporan
tugas akhir dengan judul "Penentuan Disposisi Material Incoming
Pada PT. Gatra Mapan Malang Menggunakan Jaringan Syaraf
Tiruan Backpropagation" dapat terselesaikan dengan baik.
Penyusunan laporan tugas akhir ini merupakan tugas mandiri yang
harus diselesaikan oleh mahasiswa Sekolah Tinggi Manajemen
Informatika dan Komputer (STMIK) ASIA Malang program studi
Informatika yang merupakan bagian dari prasyarat kelulusan program
kesarjanaan.
Pada kesempatan ini penulis mengucapkan banyak terima kasih
kepada pihak-pihak yang telah membantu terselesainya tugas akhir
sampai dengan penyusunan laporan, yaitu :
1. Bapak Ir. Teguh Widodo, MM., selaku Ketua STMIK Asia Malang.
2. Bapak M. Rofiq, S.T., M.T., selaku Pembantu Ketua I STMIK Asia
Malang.
3. Ibu Rina Dewi Indah Sari, S.Kom., M.Kom., selaku Ketua Prodi
Informatika.
4. Bapak/Ibu…….., selaku Dosen Pembimbing,
5. Bapak/Ibu……….., selaku Dosen Wali, …
6. Ayah Bunda
7. Saudara-saudari - Ucapan Terimakasih :
minimal 5 point pertama,
8. Teman-teman kost selebihnya bisa
ditambahkan seperlunya
9. Teman-teman ngaji
10. Kekasih Hati ....
11. Dan seterusnya
Kepada semuanya yang telah membantu penulis dalam
menyelesaikan tugas akhir ini, semoga mendapat balasan dengan berkat
dan karunia yang berlimpah dari Allah SWT.

viii
 Penulis menyadari bahwa laporan tugas akhir ini jauh dari
sempurna, oleh karena itu penulis selalu mengharapkan saran dan kritik
yang bersifat membangun dari segenap pembaca. Akhirnya, semoga
laporan tugas akhir ini dapat berguna dan bermanfaat terutama bagi
pihak-pihak yang tertarik untuk mengkaji dan mengembangkannya.

Malang, 31 Juli 2017

Penulis

- Tidak perlu ditulis nama

mahasiswa
- Tidak perlu tanda tangan
mahasiswa

ix
 - Font : Arial, size 16pt, Bold, Capital - Terdapat Jarak antara
- Aligment : Center tanda titik-titik dengan
nomor halaman
- Font : Arial, size 12pt,
DAFTAR ISI
Capitalize Each Words
- Tanda titik-titik harus
- Jarak Antar Baris (Spasi):
menggunakan tabulasi
adalah 1.5, before=0 dan
after=0
- Tidak bold Halaman
Halaman Sampul .................................................................................. i
Halaman Persetujuan Tugas Akhir ....................................................... ii
Surat Keterangan Lulus Ujian Tugas Akhir ........................................... iii
Surat Pernyataan .................................................................................. iv
Surat Pernyataan Persetujuan Publikasi Tugas Akhir untuk
Kepentingan Akademis ......................................................................... v
Abstraksi ............................................................................................... vi
Abstract ................................................................................................. vii
Kata Pengantar ..................................................................................... viii
Daftar Isi ............................................................................................... x
Daftar Gambar ...................................................................................... xiii
Daftar Tabel .......................................................................................... xv
Daftar Persamaan ................................................................................. xvi
Daftar Lampiran .................................................................................... xvii
- Font Setiap Bab :
Capital dan Bold BAB I PENDAHULUAN ....................................................................... 1
1.1 Latar Belakang Masalah .................................................................. 1
1.2 Rumusan Masalah .......................................................................... 3
1.3 Batasan Masalah ............................................................................ 3
1.4 Tujuan Dan Manfaat ........................................................................ 4
- Hanya Bab dan
Sub Bab yang 1.4.1 Tujuan .................................................................................... 4
ditulis di Daftar isi
- Penomoran 1.4.2 Manfaat .................................................................................. 4
(A,B,C) dan
(1,2,3) tidak 1.5 Metodologi Penelitian....................................................................... 6
ditulis di daftar isi
1.6 Sistematika Penulisan ..................................................................... 7
BAB II LANDASAN TEORI .................................................................. 8
2.1 Klasifikasi Data dalam Data Mining ................................................. 10
2.2 Backpropagation-Feed Forward Neural Network ............................ 12

- Nomor Halaman
lurus kiri

x
 2.2.1 Struktur Jaringan Syaraf Tiruan ............................................. 13
- Sub Bab pertama:
Rata kiri 2.2.2 Jaringan Syaraf Tiruan Backpropagation ............................... 14
- Sub Bab kedua
dst : menjorok ke 2.3 Ekstraksi Rule dengan Pendekatan Berbasis Ruang Solusi ........... 17
kanan
2.3.1 Ekstraksi Rule dari Jaringan Syaraf Tiruan .......................... 18
2.3.2 Pendekatan Berbasis Pencarian Ruang Solusi ..................... 23
2.4 Ilustrasi Ekstraksi Rule untuk Logika AND ...................................... 27
2.4.1 Formulasi Permasalahan Logika AND ke dalam JST ............. 27
2.4.2 Proses Pelatihan (Training) dan Bobot yang Dihasilkan ....... 29
2.4.3 Proses Ekstraksi Rule dengan Search Based untuk y1 (y=0) 31
2.4.3.1 Proses Pencarian Rule untuk Hidden Node 1 (z1) ...... 33
2.4.3.2 Proses Pencarian Rule untuk Hidden Node 2 (z2) ..... 36
2.4.3.3 Proses Pencarian Rule untuk Hidden Node 3 (z3) ...... 38
2.4.4Proses Ekstraksi Rule dengan Search Based untuk y2 (y=1) 38
2.4.5 Proses Optimasi Rule untuk Logika AND ............................... 40
BAB III PEMBAHASAN ....................................................................... 42
3.1 Prosedur Pengujian Material pada PT. Gatra Mapan ..................... 42
3.1.1 Bahan Baku (Material) Produksi pada PT. Gatra Mapan ....... 43
3.1.2 Penerimaan Barang ............................................................... 44
3.1.3 Pemeriksaan Bahan Baku ..................................................... 46
3.1.4 Proses Disposisi Material ...................................................... 47
3.2 Pemodelan JST Untuk Penentuan Disposisi Material Pada
PT. Gatra Mapan Malang ............................................................... 49
3.3 Dataset Inspeksi Material (Bahan Baku) ......................................... 52
3.4 Formulasi Permasalahan Inspeksi Material ke dalam JST ............. 56
3.5 Pembelajaran (Training) Data dengan BPFFNN .............................. 60
3.6 Ekstraksi Rule Untuk Penentuan Disposisi Material Pada
PT. Gatra Mapan Malang ............................................................... 64
3.6.1 Pembentukan Pohon Pencarian (Search tree) ..................... 64
3.6.2 Pencarian Rule dalam Ruang Kandidat Solusi ...................... 66
3.6.3 Optimasi Aturan Hasil Ekstraksi ............................................ 67

xi
BAB IV IMPLEMENTASI DAN PENGUJIAN ........................................ 69
4.1 Spesifikasi Implementasi ................................................................. 69
4.1.1 Spesifikasi Hardware .............................................................. 69
4.1.2 Spesifikasi Software ............................................................... 70
4.2 Implementasi Sistem Penentuan Disposisi Material Pada
PT. Gatra Mapan Malang ................................................................ 70
4.2.1 Implementasi Proses Manajemen Data Inspeksi Material ...... 71
4.2.2 Implementasi Proses Training Data Inspeksi Material
dengan JST ............................................................................. 74
4.2.3 Implementasi Proses Ekstraksi Rule Untuk Penentuan
Disposisi Material ................................................................... 76
4.3 Pengujian Sistem ............................................................................. 78
4.3.1 Spesifikasi Pengujian ............................................................. 78
4.3.2 Uji Coba Parameter Pelatihan JST ........................................ 78
4.3.3 Uji Coba Pelatihan JST ......................................................... 79
4.3.4 Uji Coba Jumlah Node pada Hidden Layer .......................... 80
4.3.5 Uji Coba Cross Validasi Data ................................................ 81
BAB V PENUTUP ................................................................................ 82
5.1 Kesimpulan ..................................................................................... 82
5.2 Saran .............................................................................................. 83
DAFTAR PUSTAKA ............................................................................. 84
DAFTAR RIWAYAT PENULIS .............................................................. 85
LAMPIRAN

- Font Daftar Pustaka dan Daftar Riwayat

Penulis : Bold dan Capital
- Nomor Halaman Daftar Pustaka dan
- Lampiran ditulis tanpa Daftar Riwayat Penulis melanjutkan
nomor halaman penomoran dari isi laporan

xii
 - Font : Arial, size 12pt,
Capitalize Each Words
- Jarak Antar Baris (Spasi):
adalah 1.5, before=0 dan
after=0
- Font : Arial, size 16pt, Bold, Capital
- Aligment : Center

DAFTAR GAMBAR

- Ditulis Langsung
Gambar Halaman
Nomor Gambar
2.1 Proses Klasifikasi ............................................................................ 12
- Cara Penulisan
sama dengan 2.2 Struktur Neuron dalam JST ........................................................... 13
Daftar Isi
2.3 Jaringan Syaraf Tiruan Backpropagation ....................................... 15
2.4 Hubungan antara Arsitektur Ekstraksi dan Rule yang dihasilkan .... 19
2.5 Arsitektur Ekstraksi untuk JST dengan Hidden Layer .................... 20
2.6 Arsitektur Ekstraksi Dipecah menjadi Beberapa Bagian ................ 21
2.7 Peranan Jaringan Syaraf Tiruan dalam Proses Ekstraksi Aturan .. 22
2.8 Ruang Kemungkinan Aturan ........................................................... 23
2.9 Arsitektur Jaringan untuk Data logika AND ..................................... 28
2.10 Penentuan Nilai Aktivasi yang Diharapkan untuk y1 ..................... 32
2.11 Pohon Pencarian untuk z1 (y1) ..................................................... 33
2.12 Proses Pengecekan Validitas Rule untuk z1 (y1) pada Level 1 .... 34
2.13 Proses Pengecekan Validitas Rule untuk z1 (y1) pada Level 2 .... 35
2.14 Pohon Pencarian untuk z2 (y1) .................................................... 36
2.15 Proses Pengecekan Validitas Rule untuk z2 (y1) pada Level 1 .... 37
2.16 Penentuan Nilai Aktivasi yang Diharapkan untuk y2 ..................... 39
2.17 Pohon Pencarian untuk z1 (y2) ..................................................... 39
2.18 Proses Pengecekan Validitas Rule untuk z1 (y2) pada Level 1 .... 40
2.19 Proses Pengecekan Rule yang Sama untuk y1 ............................ 42
3.12 Proses Pengecekan Rule yang Sama untuk y2 ............................ 43
3.1 Material Sheet, PB, MDF, Plywood ................................................. 56
3.2 Dokumen Bukti Penerimaan Barang ............................................... 60
3.3 Tabel AMS 105D untuk Pengambilan Sampel Barang ................... 61
3.4 Prosedur Pemeriksaan dan Pengujian Bahan Baku oleh Staff QA 62
3.5 Hasil Uji Material Baru (FM/8.2/15) .................................................. 65
3.6 Blok Diagram Sistem yang Diusulkan ............................................. 67
3.7 Arsitektur BPFFNN untuk Data Inspeksi Material ........................... 78

xiii
Gambar Halaman
3.8 Pemecahan Arsitektur Jaringan Syaraf Tiruan untuk Ekstraksi Rule 87
3.9 Penentuan Nilai Aktivasi yang Diharapkan untuk y1 ....................... 88
3.10 Pohon Pencarian untuk z1 (pada y1) ........................................... 91
3.11 Proses Pengecekan Validitas Rule untuk z1 (y1) pada Level 1 .... 93
3.12 Proses Pengecekan Validitas Rule untuk z1 (y1) pada Level 2 .... 95
3.13 Proses Penghilangan Rule yang Sama ........................................ 99
4.1 Tampilan Proses Manajemen Data Inspeksi Material ...................... 69
4.2 Tampilan Proses Training Data dengan JST ................................... 70
4.3 Tampilan Proses Ekstraksi Aturan JST............................................ 72
4.4 Spesifikasi Sistem yang Digunakan dalam Pengujian .................... 78
4.2 Model Pengujian Cross Validation .................................................. 81

xiv
 - Font : Arial, size 12pt,
Capitalize Each Words
- Jarak Antar Baris (Spasi):
adalah 1.5, before=0 dan
after=0
- Font : Arial, size 16pt, Bold, Capital
- Aligment : Center
DAFTAR TABEL

Tabel Halaman
- Ditulis Langsung
Nomor Tabel
2.1 Dataset Logika AND ....................................................................... 27
- Cara Penulisan 2.2 Training Set logika AND .................................................................. 28
sama dengan
Daftar Isi 2.3 Inisialisasi Bobot untuk Dataset Logika AND ................................... 30
2.4 Bobot Hasil Training Dataset Logika AND ..................................... 31
2.5 Bobot Input Node untuk z1 (y1) yang Telah Terurut Descending ... 33
2.6 Bobot Input Node untuk z2 (y1) yang Telah Terurut Ascending ..... 36
2.7 Hasil Pengecekan Rule dengan Dataset AND ................................ 44
3.1 Data Hasil Inspeksi Material Tahun 2011 – 2012 ........................... 69
3.2 Contoh Data Hasil Inspeksi dari Perusahaan ................................. 70
3.3 Contoh Data Inspeksi Hasil Proses Selection ................................. 71
3.4 Daftar Kriteria Inspeksi Bahan Baku PB dan MDF .......................... 72
3.5 Contoh Dataset Inspeksi Material ................................................... 73
3.6 Meta Data untuk Inspeksi Material .................................................. 74
3.7 Contoh Training Set Inspeksi Material ............................................ 76
3.8 Inisialisasi Bobot Awal untuk Dataset Inspeksi Material .................. 81
3.9 Bobot Hasil Pelatihan Dataset Inspeksi Material ............................ 83
3.10 Nilai Aktivasi yang Diharapkan ..................................................... 89
3.11 Bobot Input Node untuk z1(y1) yang Telah Terurut Descending ... 90
3.12 Proses Pencarian Rule yang Optimum ......................................... 100
4.1 Hasil Uji Coba Parameter BPFFNN ................................................ 107
4.2 Hasil Uji Coba Akurasi Ekstraksi Rule ............................................ 109
4.3 Hasil Uji Coba Hidden Layer ........................................................... 110
4.4 Hasil Uji Coba Cross Validation ...................................................... 113

xv
 - Font : Arial, size 12pt,
Capitalize Each Words
- Jarak Antar Baris (Spasi):
adalah 1.5, before=0 dan
- Font : Arial, size 16pt, Bold, Capital after=0
- Aligment : Center

DAFTAR PERSAMAAN

Persamaan Halaman
- Ditulis Langsung 2.1 Fungsi Aktivasi Sigmoid Binary ....................................................... 27
Nomor Persamaan
- Cara Penulisan 2.2 Fungsi Aktivasi Sigmoid Bipolar ...................................................... 28
sama dengan
Daftar Isi 2.3 Nilai Aktivasi Search Tree ............................................................... 30
2.4 Fungsi Inisialisasi Bobot Awal ......................................................... 31

xvi
 - Font : Arial, size 12pt,
Capitalize Each Words
- Jarak Antar Baris (Spasi):
adalah 1.5, before=0 dan
- Font : Arial, size 16pt, Bold, Capital after=0
- Aligment : Center

DAFTAR LAMPIRAN

Lampiran Halaman
- Ditulis Langsung A Dokumen Inspeksi Material pada PT. Gatra Mapan Malang ............. A-1
Nomor Lampiran
- Cara Penulisan B Dataset Inspeksi Material PB dan MDF .............................................. B-1
sama dengan
Daftar Isi
C Kode Program Untuk Pembangkitan Search Tree ............................ C-1
D File Log Hasil Uji Coba ...................................................................... D-1

xvii
 - Font : Arial, size 16pt, Bold, Capital
- Aligment : Center
- Jarak antar baris (spasi) adalah 1,
before=0 dan after=0

- Font Judul Sub Bab: Arial, size

14pt, Bold, Capitalize Each BAB I - Font : Arial, size 12pt,
Words
- Jarak antar baris (spasi) adalah
PENDAHULUAN - Jarak Antar Baris (Spasi):
adalah 1.5, before=0 dan
1.5, before=0 dan after=0 after=0

1.1 Latar Belakang

Jaringan syaraf tiruan merupakan alat yang baik yang telah
digunakan untuk mengembangkan berbagai aplikasi pada dunia nyata,
khususnya pada kasus-kasus dimana metode pemecahan masalah
dengan cara tradisional gagal menyelesaikannya. Jaringan syaraf
menunjukkan keuntungan seperti kemampuan belajar yang ideal dari
sekumpulan data, kemampuan klasifikasi dan generalisasi untuk situasi
- Paragraf ditulis
lurus nomor sub tidak terstruktur, komputasi yang cepat meskipun melakukan pemrosesan
bab (rata kiri)
- Aligment : Justify secara paralel dan toleransi terhadap noise. Keunggulan ini yang
(rata kanan dan
kiri) membuat jaringan syaraf sukses diterapkan untuk berbagai masalah
dalam dunia nyata, termasuk: pengenalan suara, diagnosa medis,
komputasi gambar, proses kontrol dan pemodelan diagnosis kesalahan.
Proses produksi dapat berjalan lancar apabila didukung dengan
pengadaan bahan baku yang baik dan lancar pula. Setiap bahan baku
yang datang, tidak bisa langsung digunakan dalam proses produksi
karena harus melalui proses pemeriksaan dan pengujian bahan baku
terlebih dahulu. Hal ini bertujuan untuk pengendalian mutu produk dan
untuk memastikan bahwa bahan baku tersebut dapat digunakan dalam
proses produksi. Proses pemeriksaan dan pengujian ini sangat dibutuhkan
untuk kelancaran proses produksi dan menjamin kualitas produk yang
dihasilkan dari proses produksi.
Pada PT. Gatra Mapan, proses pemeriksaan dan pengujian bahan
baku dilakukan oleh departemen QA khususnya staf QA bahan baku.
Proses pemeriksaan dan pengujian dilakukan pada 2 jenis barang yaitu
bahan baku (incoming) dan hasil produksi (outgoing). Sedangkan bahan
baku (incoming) secara umum dibagi lagi menjadi beberapa jenis yaitu:
Dos, Kaca, SparePart, dan Bahan baku. Setiap material yang datang
akan dibongkar dari kontainer, untuk kemudian dilakukan pemeriksaan

- Nomor Halaman untuk awal

bab ditulis di bawah tengah 1
- Font Arial size 12 pt
 - Latar Belakang :
o idealnya terdiri 4 sampai 6 paragraf
o menjelaskan situasi permasalahan, dan bisa menjawab 2
pertanyaan 5W + 1H
o harus ada penjelasan tentang subjek penelitian
o penyajian latar belakang secara deduktif (dari umum ke khusus)

dan pengujian oleh staf QA bahan baku sebelum material tersebut masuk
ke gudang dan digunakan untuk produksi. - Nomor Halaman untuk selain
awal bab (isi bab) ditulis di
Apabila tidak menemukan permasalahan saat pemeriksaan dan
kanan atas
- Font
pengujian bahan baku, maka staf QA bahan baku Arial sizedapat
12 pt langsung
memberi disposisi diterima dan memberikan registrasi berupa stempel QC
PASSED (warna hijau). Tetapi apabila ditemukan permasalahan saat
pemeriksaan dan pengujian, maka disposisi harus dilakukan oleh
penanggung jawab QA dalam hal ini adalah Manager QA. Permasalahan
yang terjadi adalah, karena disposisi material harus ditentukan oleh
Manager QA, sehingga membutuhkan waktu yang cukup lama. Hal ini
dikarenakan Manajer QA memiliki banyak tugas lain yang harus dilakukan,
terlebih lagi kadang posisi Manager QA tidak berada di kantor karena
sedang menghadiri acara. Hal ini mengakibatkan beberapa permasalahan
diantaranya:
a. Disposisi material bersifat subyektif, karena bergantung pada satu
- List baik angka
maupun huruf
orang yaitu Manager QA.
ditulis menjorok b. Disposisi material yang cukup lama mengakibatkan down time
ke kanan 1.25 cm
pada proses produksi, sehingga hal ini dapat mempengaruhi
target output harian (yield) produksi.
Untuk itu diperlukan sebuah sistem yang dapat mengatasi
permasalahan ini, karena downtime pada produksi berpengaruh pada
banyak hal termasuk adanya komplain dari buyer karena keterlambatan
pengiriman barang produksi. Permasalahan ini dapat diselesaikan dengan
sebuah sistem yang bisa mempercepat disposisi material tanpa harus
menunggu Manager QA. Hal ini dapat dilakukan berdasarkan data histori
yang ada dari kasus-kasus sebelumnya. Karena pemberian disposisi
material termasuk ke dalam masalah klasifikasi, salah satunya dapat
dimodelkan ke dalam jaringan syaraf tiruan untuk dapat dipelajari pola
disposisinya. Hasil dari pembelajaran jaringan syaraf tiruan ini dapat
diekstraksi menjadi sebuah aturan konjungsi sehingga lebih dapat
dimengerti oleh pengguna sistem nantinya.
 - Rumusan Masalah disajikan dalam bentuk kalimat pertanyaan,
tetapi tidak diakhiri tanda tanya
- Boleh lebih dari 1, tetapi inti permasalahannya tetap 1 saja
- Rumusan masalah harus mampu dijawab oleh kesimpulan di bab V 3
- Jangan menyisipkan tujuan atau manfaat yang diharapkan dalam
rumusan masalah, misal:
o .....agar efektif dan efisien
o .....untuk lebih dikenal masyarakat
1.2 Rumusan Masalah
“Bagaimana menentukan disposisi material menggunakan Jaringan
Syaraf Tiruan metode Backpropagation” - Jangan menyebutkan kembali yang sudah ditulis di judul
- Dapat dibatasi dari sisi:
o Objek yang diteliti
o Data yang digunakan
1.3 Batasan Masalah o Cakupan sistem yang dibahas dan yang tidak dibahas
o Alat yang digunakan
1 Hasil inpeksi material yang digunakan hanya untuk bahan baku PB
dan MDF.
2 Dataset yang digunakan untuk proses pelatihan adalah data hasil
inspeksi material khusus bahan baku tahun 2016 dan 2017.
3 Rule yang dihasilkan bisa tidak mencakup semua input atribut.
4 Rule yang dihasilkan bisa memiliki premis yang bervariasi.
5 Jumlah neuron hidden layer maksimal adalah 50 neuron.
6 Menggunakan fungsi aktivasi sigmoid dalam pelatihan jaringan
syaraf tiruan backpropagation. - Penelitian memiliki 1 tujuan saja (tidak ada bagi
penulis, bagi bla bla)
- Tujuan secara umum adalah : untuk membantu
“who” dalam menyelesaikan masalah “what”
1.4 Tujuan Dan Manfaat Penelitian - Tujuan penelitian bukanlah untuk membangun
sebuah program “apa”, tetapi membangun
1.4.1 Tujuan program itu untuk tujuan “apa”

- Sub Bab dengan 2 1 Membantu Staff QA PT. Gatra Mapan Malang dalam menentukan
angka dan dengan 3
angka tetap rata kiri
disposisi material incoming khususnya bahan baku.
2 Merepresentasikan hasil pelatihan jaringan syaraf dalam bentuk
aturan IF-THEN.
3 Mengembangkan metode ekstraksi aturan pada jaringan syaraf
bakpropagation berdasarkan metode pencarian ruang solusi.
4 Menghasilkan rule-rule yang dapat merepresentasikan arsitektur
jaringan syaraf backpropagation.
1.4.2 Manfaat Bagi Penulis
1 Mengaplikasikan disiplin ilmu yang telah diperoleh selama belajar di
Perguruan Tinggi Asia Malang Program Studi Informatika.
2 Belajar menganalisa permasalahan dengan solusi secara ilmiah
yaitu dengan memanfaatkan algoritma JST backpropagation.
 - Penelitian yang dilakukan dapat memberi manfaat bagi
banyak pihak (penulis, subjek penelitian, instansi) 4
- Manfaat adalah sesuatu yang diharapkan dapat memberikan
masukan dan membantu pengambilan keputusan, pembuatan
kebijakan dan pemecahan masalah.

3 Dapat mengasah otak dalam berfikir secara cepat dan teliti untuk
mencari penyelesaian masalah.
1.4.3 Manfaat Bagi PT. Gatra Mapan Malang
1 Memberikan alternatif cara yang efisien dalam penentuan disposisi
material incoming tanpa tergantung kepada manager QA.
2 Dapat mempersingkat waktu penyelesaian masalah inspeksi
material incoming.
3 Memperlancar proses produksi, karena tidak perlu menunggu
bahan baku yang bermasalah dalam pemeriksaan.
1.4.4 Manfaat Bagi STMIK Asia
1 Dapat mengukur sejauh mana keberhasilan proses belajar
mengajar di dalam kelas, dan capaian materinya.
2 Menjadi bahan kajian yang dapat dikembangkan dikemudian hari.

1.5 Metodologi Penelitian

Untuk mendukung penyelesaian laporan tugas akhir ini digunakan
beberapa metodologi penelitian yaitu:
A. Studi Literatur
Dengan mempelajari buku-buku referensi dan jurnal yang
berkaitan dengan permasalahan penelitian yang diangkat serta
mencari solusi yang terbaik.Topik bahasan utama yang dibutuhkan
diantaranya adalah jaringan syaraf tiruan backpropagation dan
ekstraksi aturan dengan pohon pencarian (search tree).
B. Observasi dan Wawancara
Pengamatan secara langsung dilakukan di PT. Gatra Mapan
Malang, khususnya pada proses inspeksi material oleh staf QA dan
pemberian disposisi material oleh Manager QA. Juga dilakukan
tanya jawab kepada staf dan Manager QA mengenai proses inspeksi
dan pemberian disposisi material.

- Metodologi Penelitian berisi : tahap-tahap apa yang direncanakan akan digunakan untuk
menyelesaikan penelitian
- Menjelaskan kegiatan apa yang dilakukan mulai awal sampai penelitian dikatakan selesai
- Tahap-tahap dijelaskan secara teknis, bukan definisi langkah-langkah tersebut
 5

C. Analisa
Melakukan uji coba secara teoritis terhadap masalah yang
diangkat guna menganalisa apakah rancangan algoritma yang
digunakan dapat menghasilkan solusi yang sesuai dengan tujuan
penelitian. Hal ini bertujuan untuk mengetahui spesifikasi input,
proses dan output sistem.
D. Perancangan
Perancangan algoritma JST backpropagation dalam
permasalahan disposisi material di PT. Gatra Mapan Malang. Proses
perancangan menunjukkan hubungan antara input, proses dan
output sistem yang ditunjukkan dalam bentuk flowchart.
E. Implementasi
Membuat program dari hasil rancangan algoritma yang telah
dibuat untuk mengimplementasikan serta membuktikan bahwa hasil
analisa secara teoritis yang telah dilakukan benar-benar sesuai yang
diharapkan.
F. Pengujian
Pengujian dilakukan untuk melihat apakah data yang telah
menjadi input akan diproses sesuai dengan output yang diharapkan.
Hal ini juga dilakukan untuk mengevaluasi apakah metode yang
diusulkan mampu menjawab tujuan yang telah usulkan.
G. Dokumentasi
Merupakan langkah akhir, penyusunan laporan mulai dari
latar belakang permasalahan sampai dengan pengambilan
kesimpulan akan dijelaskan dalam tahap dokumentasi ini.

1.6 Sistematika Penulisan

Agar pembahasan bersifat komunikatif dan mudah dipahami maka
dalam penyajiannya disusun dengan sistematika sebagai berikut :
- Sebutkan judul Bab dan keterangan isinya, tidak perlu 6
dijadikan subbab
- Keterangan setiap bab berisi rencana judul subbab yang akan
ditulis

BAB I Pendahuluan
Dalam bab ini menjelaskan secara umum penyusunan laporan tugas
akhir ini yang meliputi latar belakang masalah, rumusan masalah,
batasan masalah, tujuan dan manfaat, metodologi penulisan dan
sistematika penulisan laporan.
BAB II Landasan Teori
Berisi tentang uraian-uraian secara teoritis disiplin ilmu yang
mendukung pokok bahasan laporan yaitu mengenai klasifikasi dalam
data mining, jaringan syaraf tiruan backpropagation dan ekstraksi
aturan dengan pendekatan berbasis ruang solusi dengan search tree.
BAB III Pembahasan
Dalam bab ini akan membahas mengenai analisa masalah disposisi
material bahan baku, prosedur inspeksi material oleh staff QA bahan
baku dan bagaimana proses pemberian disposisi material oleh
Manager QA. Selanjutnya dibahas pemodelan JST untuk penentuan
disposisi material meliputi perancangan arsitektur JST dengan
memodelkan dataset yang telah dibuat. Pada bagian terakhir dibahas
proses ekstraksi aturan dimulai dengan pembentukan pohon
pencarian (search tree), kemudian dilakukan pencarian rule dalam
ruang kandidat solusi dan yang terakhir dilakukan tes validasi rule
yang telah diperoleh untuk mendapatkan rule yang baik.
BAB IV Implementasi dan Pengujian
Berisi penjelasan program yang dibangun untuk penentuan disposisi
material. Pada pengujian akan dibahas hasil uji terhadap proses
ekstraksi aturan yang telah dilakukan. Menunjukkan hasil rule yang
didapatkan serta pembuktiannya untuk penentuan disposisi material.
BAB V Penutup
Pada bab ini berisi kesimpulan-kesimpulan yang didapat dalam
analisa permasalahan, serta saran-saran untuk perbaikan di kemudian
hari.
- Format Penulisan sama dengan Bab sebelumnya
- Berisi teori yang dibutuhkan yang menunjang pembahasan di Bab III serta
Implementasi dan pengujian di Bab IV
- Bukan berisi definisi dari setiap kata di kalimat judul
- Penyajian secara deduktif, dimulai dari materi umum ke khusus
- Kelompokkan teori yang berkorelasi dalam subbab yang sama pula
- Bukan berisi opini penulis, karena itu harus disebutkan sumbernya
BAB II
LANDASAN TEORI

2.1 Klasifikasi Data dalam Data Mining

Data mining adalah suatu proses mengekplorasi dan menganalisis
data dalam jumlah besar baik secara otomatis maupun semi otomatis
untuk mendapatkan suatu pola yang bermakna dari data. Secara
- Sumber referensi
sederhana data mining merupakan
o Kutipan proses
tidak langsung ekstraksi
: dituliskan informasi
diakhir kalimat dalam atau pola
tanda kurung (nama_belakang_penulis, tahun : halaman)
dari data yang ada dalam basis data yang besar. Data mining menjadi
o Kutipan langsung : nama penulis ditulis dalam kalimat
sedangkan tahun dan halaman ditulis dalam tanda kurung
penting karena banyaknya data yang terkumpul saat ini, cepatnya transfer
yang dipisahkan dengan tanda titik dua
o Sumber
data yang terjadi pada saatreferensi yang ditulis
ini serta di dalam kurung
adanya dicetak tebal
kebutuhan untuk dapat
mengolah data mentah menjadi data yang bernilai dengan cepat dan tepat
(Kusumadewi, 2016:23).
Data mining memiliki beberapa fungsionalitas yang sering
digunakan, yaitu:
a. Karakterisasi dan Diskriminasi: yaitu mengeneralisasi,
merangkum, dan mengkontraskan karakteristik data.
b. Penggalian pola berulang: yaitu pencarian pola asosiasi
(association rule) atau pola intra-transaksi, atau pola pembelian
yang terjadi dalam satu kali transaksi.
c. Klasifikasi: yaitu membangun suatu model yang bisa
mengklasifikasikan suatu objek berdasar atribut-atributnya. Kelas
target sudah tersedia dalam data sebelumnya, sehingga fokusnya
adalah bagaimana mempelajari data yang ada agar klasifier bisa
mengklasifikasikan sendiri.
d. Penggugusan/Cluster analysis: yaitu mengelompokkan
sekumpulan objek data berdasarkan kemiripannya. Kelas target
tidak tersedia dalam data sebelumnya, sehingga fokusnya adalah
memaksimalkan kemiripan intra kelas dan meminimalkan
kemiripan antar kelas.

7
 8

e. Analisis outlier: yaitu proses pengenalan data yang tidak sesuai

dengan perilaku umum dari data lainnya. Contoh: mengenali noise
dan pengecualian dalam data.
f. Analisis trend dan evolusi: meliputi analisis regresi, penggalian pola
sekuensial, analisis periodisitas, dan analisis berbasis kemiripan.
Secara umum, proses klasifikasi dimulai dengan diberikannya
sejumlah data yang menjadi acuan untuk membuat aturan klasifikasi data.
Data-data ini biasa disebut dengan training sets. Dari training sets
tersebut kemudian dibuat suatu model untuk mengklasifikasikan data.
Model tersebut kemudian digunakan sebagai acuan untuk
o Gambar dalam laporan harus selalu dirujuk dalam penjelasan
mengklasifikasikan data-data
kalimat yang belum diketahui kelasnya yang biasa
o Gambar dan penjelasan kalimat boleh berada di halaman
disebut dengan test sets. Sebuah model classifier pada klasifikasi data
yang berbeda, hal ini untuk menghindari sisa ruang kosong
disetiap akhir halaman
dibentuk berdasarkan data yang sudah ada, dan kemudian model tersebut
digunakan untuk klasifikasi dan prediksi data baru yang belum pernah
ada. Pada umumnya, proses klasifikasi dapat digambarkan seperti pada
gambar 2.1.
Data umumnya dibagi menjadi 2 (dua) yaitu training set dan
testing set. Training set digunakan oleh algoritma klasifikasi (misalnya:
decision tree, bayesian, neural network, SVM) untuk membentuk sebuah
model classifier. Model ini merupakan representasi pengetahuan yang
akan digunakan untuk prediksi kelas data baru yang belum pernah ada.
Testing set digunakan untuk mengukur sejauh mana classifier berhasil
melakukan klasifikasi dengan benar. Karena itu, data yang ada pada
testing set seharusnya tidak boleh ada pada training set sehingga dapat
diketahui apakah model classifier sudah “pintar” dalam melakukan
klasifikasi.
Lain lagi halnya dengan validation set. Umumnya beberapa
algoritma klasifikasi memerlukan beberapa parameter. Misalnya: jumlah
hidden layer dan learning rate pada neural network; parameter kernel
pada SVM. Biasanya sebagian dari training set diambil untuk validation
set. Validation set ini digunakan untuk mencari parameter yang paling baik
 9

untuk sebuah algoritma klasifikasi.

Gambar 2.1 Proses Klasifikasi (Sumber Gambar)

Memisahkan data menjadi training dan testing set dimaksudkan

agar model yang diperoleh nantinya memiliki kemampuan generalisasi
o Gambar diletakkan pas ditengah halaman (aligment=center)
yang baik dalam melakukan klasifikasi data.
o Nomor dan Tidak
keterangan jarangdi bawah
diletakkan sebuah model
gambar
o Ditulis dengan font Arial size 12 pt spasi 1
klasifikasi dapat melakukan klasifikasi
o Penomorandata dengan
: berdasarkan sangat
nomor baikgambar
bab dan urutan pada
o Nomor gambar dicetak tebal (bold), keterangan gambar tidak teba
training set, tetapi sangat buruk dalamdanmelakukan
o Gambar klasifikasi
keterangan harus berada pada data
halamanyang
yang sama
Gambar tidak boleh terpotong lebih dari 1 halaman
baru dan belum pernah ada. Halo ini dinamakan overfitting.

2.2 Backpropagation-Feed Forward Neural Network

Neural Network (NN) atau Jaringan Syaraf Tiruan (JST) adalah
prosesor tersebar paralel yang sangat besar (massively paralel distributed
processor) yang memiliki kecenderungan untuk menyimpan pengetahuan
yang bersifat pengalaman dan membuatnya siap untuk digunakan
(Aleksander & Morton, 1990). Jaringan syaraf tiruan merupakan salah
satu representasi buatan dari otak manusia yang selalu mencoba untuk
mensimulasikan proses pembelajaran pada otak manusia tersebut. JST
mempunyai sifat dan kemampuan:
a. Nonlinieritas (Nonlinearity)
b. Pemetaan Input-Output (Input-Output Mapping)
c. Adaptivitas (Adaptivity)
 10

d. Respon yang Jelas (Evidential Response)

e. Informasi yang Sesuai dengan Keadaan (Contextual Information)
f. Toleransi Kesalahan (Fault Tolerance)
g. Keseragaman Analisis dan Perancangan (Unifomity of Analysis and
Design)
h. Analogi Sel Syaraf Biologi (Neurobiological Analogy)

2.2.1 Struktur Jaringan Syaraf Tiruan

Struktur jaringan syaraf tiruan dibangun oleh sejumlah neuron dan
memiliki nilai tertentu yang menunjukkan seberapa besar koneksi antara
neuron (dikenal dengan istilah bobot). Sebuah neuron terdiri dari tiga
bagian yaitu : input, fungsi aktivasi, dan output. Input ini akan diproses
- Aturan Umum :
oleh suatu fungsi perambatan
o Gambar atauyang akan
Tabel tidak menjumlahkan
boleh berada di awal atau nilai-nilai
akhir sub bab semua
o Sebuah sub bab minimal diawali 1 paragraf dan diakhiri 1 paragraf
bobot yang datang (dikenal
o Sebuah dengan summing
sub bab minimal function).
teridir dari 3 paragraf Hasil penjumlahan
o Sebuah paragraf minimal terdiri dari 3 kalimat
ini akan dibandingkan dengan suatu nilai ambang (threshold) tertentu
melalui fungsi aktivasi setiap neuron (gambar 2.2).

x0=1
x1 w0
w1
x2 w2
. ∑
. wn
xn . net=

Gambar 2.2 Struktur Neuron dalam JST

o Gambar yang kurang jelas dapat digambar ulang tanpa merubah

Neuron-neuron akan dikumpulkan
maknanyadalam
dan tetaplapisan-lapisan
disebutkan sumbernya (layer)
o Ukuran gambar harus proposional terhadap teks, jangan terlalu
yang disebut dengan lapisan neuronbesar
(neuron layers).
(untuk menuhin Biasanya
halaman dalam
saja) atau terlalu kecil (tidak jelas
terbaca)
jaringan syaraf tiruan terdapat minimal 2 lapisan neuron yaitu input layer
dan output layer. Namun pada jaringan syaraf tiruan yang lebih kompleks
terdapat lapisan lain yang disebut dengan hidden layer. Pada input layer
dan hidden layer akan ditambahkan sebuah neuron bias.
Struktur neuron pada jaringan syaraf tiruan merupakan sistem
 11

adaptif yang dapat merubah strukturnya untuk memecahkan masalah

berdasarkan informasi yang mengalir melalui jaringan tersebut. Secara
sederhana, jaringan syaraf tiruan adalah sebuah alat pemodelan data
statistik yang dapat digunakan untuk memodelkan hubungan yang
kompleks antara input dan output untuk menemukan pola-pola pada data.

2.2.2 Jaringan Syaraf Tiruan Backpropagation

Backpropagation merupakan algoritma pembelajaran yang
terawasi (supervised learning) dan biasanya digunakan oleh jaringan
syaraf tiruan dengan banyak lapisan untuk mengubah bobot-bobot yang
terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya
(hidden layer). Jaringan syaraf tiruan backpropagation memiliki arsitektur
jaringan yang full-connected. Dimana semua neuron input akan
terhubung dengan semua neuron hidden, dan semua neuron hidden
berhubungan dengan semua neuron output.
Algoritma backpropagation menggunakan error output untuk
mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk
mendapatkan error ini, tahap perambatan maju (forward propagation)
harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-
neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid, yaitu:

f(x) = (2.1)

Dimana F(x) adalah fungsi aktivasi untuk neuron x.

o Sebuah Persamaan ditulis ditengah halaman

Dan seterusnya..............................
o Ditulis dengan equation
o Dihindari persamaan yang berupa gambar (picture)
o Ditambahkan penomoran dalam tanda kurung disebelah
kanannya
o Cara penomoran sama seperti penomoran gambar dan
tabel
- Format Penulisan sama dengan Bab sebelumnya

BAB III
PEMBAHASAN

3.1 Prosedur Pengujian Material pada PT. Gatra Mapan

Pengujian dan pemeriksaan (inspeksi) bahan baku mencakup
kegiatan pengukuran material dengan metode tertentu dan
membandingkan hasilnya dengan standart (spec) yang digunakan sebagai
acuan dalam proses produksi. Pengukuran disini tidak hanya bersifat
dimensional, tetapi juga pengujian properties (hardness) serta pengujian
sensory (visual
- Bab IIIcheck : noda“Analisa
diawali dengan dan crack).
Masalah”, yaitu fakta
atau kondisi saat ini pada subjek penelitian dan
Inspeksi merupakan
dilengkapi dengan bukti-buktibagian
data yang penting dari Quality
- Judul sub bab 3.1 tidak harus “Analisa Masalah”, bisa
Control/Pengendalian mutu
disesuaikan dengan danyangkegiatan
masalah dibahas penjaminan kualitas produksi.
Pada PT. Gatra Mapan, proses pemeriksaan dan pengujian bahan baku
dilakukan oleh departemen QA khususnya staf QA bahan baku. Proses
inspeksi material pada PT. Gatra Mapan menggunakan metode sampling
inspeksi. Proses pemeriksaan dan pengujian dilakukan pada 2 jenis
barang yaitu bahan baku (incoming) dan hasil produksi (outgoing).
Spesifikasi bahan baku dibuat oleh departemen R&D dan perhitungan
jumlah pemesanan ditentukan oleh departemen PPIC. Sedangkan yang
melakukan pemesanan dan penawaran harga dengan supplier adalah
departemen Pengadaan.
Pada bagian ini hanya membahas proses pemeriksaan dan
pengujian pada bahan baku (incoming). Setiap material bahan baku
(incoming) yang datang akan dibongkar dari kontainer, untuk kemudian
dilakukan pemeriksaan dan pengujian oleh staf QA bahan baku sebelum
material tersebut masuk ke gudang dan digunakan untuk produksi.
Prosedur pemeriksaan dan pengujian bahan baku dilakukan berdasarkan
dokumen nomer QP/8.2/06. Dimana pemeriksaan dan pengujian bahan
baku dilakukan dengan mengambil sampel barang secara acak
berdasarkan tabel AMS 105 D (American Standart). Pemeriksaan

42
 43

dilakukan sesuai dengan Instruksi Kerja Pemeriksaan Bahan Baku

(dokumen nomer WI/8.2/05).
Apabila tidak menemukan permasalahan saat pemeriksaan dan
pengujian bahan baku, maka staf QA bahan baku dapat langsung
memberi disposisi diterima dan memberikan registrasi berupa stempel QC
PASSED (warna hijau). Tetapi apabila ditemukan permasalahan saat
pemeriksaan dan pengujian, maka disposisi harus dilakukan oleh
penanggung jawab QA dalam hal ini adalah Manager QA.

3.1.1 Penerimaan Barang

Setiap barang yang datang dari supplier ke PT. Gatra Mapan Malang
akan diterima oleh bagian gudang. Selanjutnya bagian gudang akan
- Analisa Masalah dapat didetailkan dalam sub bab
membuatkan dokumen BPB (Bukti
untukPenerimaan Barang).
penjelasan hal yang Dokumen
berhubungan dengan BPB
permasalahan pada subjek penelitian
ini terdiri 5 (lima) rangkap, yang masing-masing akan didistribusikan untuk
bagian gudang, bagian QA, bagian pembelian dan bagian akuntansi,
sedangkan lembar yang terakhir dilampirkan pada lot materialnya. Bagian
QA yang menerima dokumen BPB adalah staf QA bahan baku. Dokumen
BPB ini berisi keterangan nomor BPB, tanggal, nama supplier, ekspedisi,
nomor faktur, nomor order, keterangan kode, nama dan jumlah barang
serta berisi tandatangan beberapa bagian yang terkait. Dokumen BPB
harus disertakan dalam setiap proses sebelum masuk dalam proses
produksi. Termasuk pada proses pemeriksaan barang (inspeksi), BPB
digunakan sebagai acuan dalam pemeriksaan. Contoh dokumen BPB
ditunjukkan pada gambar 3.1.
Apabila barang yang datang belum dilengkapi dengan BPB oleh
bagian gudang, maka harus dilengkapi dengan surat jalan. Surat jalan
merupakan pengganti BPB untuk sementara waktu dalam hal BPB belum
diterima dan akan diterima kemudian. Pada BPB tidak dilengkapi
keterangan barang yang datang tersebut akan digunakan untuk tipe
produk apa dalam produksi, sehingga bagian staff QA bahan baku hanya
melakukan pemeriksaan berdasarkan hardcopy yang ada. Selanjutnya
 44

staff QA bahan baku akan menerima copy BPB warna merah dan atau
surat jalan dari bagian gudang.

- Contoh Bukti Dokumen yang

digunakan

Gambar 3.1 Dokumen Bukti Penerimaan Barang (BPB)

Berdasarkan BPB atau surat jalan tersebut, staff QA akan melakukan

pemeriksaan dan pengujian terhadap barang datang. Pengujian dan
pemeriksaan barang dilakukan dengan cara sampling pada setiap lot
material yang datang. Material di sampling secara acak berdasarkan tabel
yang telah ditetapkan yaitu tabel AMS 105 D pada tingkat pemeriksaan
umum dengan AQL (Acceptable Quality Level) 2.5. Tingkat pemeriksaan
AQL 2.5 adalah batas toleransi penerimaan yang diperbolehkan terhadap
hasil pengujian dan pemeriksaan yang telah dilakukan. Tabel AMS 105 D
merupakan tabel standar internasional yang digunakan untuk
pengambilan sampling material.

3.1.2 Pemeriksaan Bahan Baku

Pemeriksaan bahan baku oleh staf QA bahan baku dilakukan
berdasarkan prosedur standar yang telah ditetapkan oleh perusahaan.
Prosedur pemeriksaan dan pengujian bahan baku dilakukan berdasarkan
dokumen nomer QP/8.2/06 yang mengatur tata cara pemeriksaan dan
pengujian bahan baku serta pemeriksaan ulang (re-inspection) bahan
 45

baku. Pemeriksaan dilakukan sesuai dengan Instruksi Kerja Pemeriksaan

Bahan Baku (dokumen nomer WI/8.2/05). Prosedur pemeriksaan bahan
baku oleh staf QA ditunjukkan pada gambar 3.2.

- Fakta pada subjek penelitian

yang digambarkan prosedurnya
dalam bentuk flowcart

Gambar 3.2 Prosedur Pemeriksaan dan Pengujian Bahan Baku oleh

Staf QA
 46

Prosedur pemeriksaan dan pengujian bahan baku bertujuan untuk

memberikan kejelasan dan kepastian bagi semua pihak yang terlibat
dalam aktivitas ini, khususnya staff QA bahan baku dalam melakukan
kegiatan pemeriksaan dan pengujian barang dating. Dokumen nomer
QP/8.2/06 ini berlaku untuk kegiatan pemeriksaan bahan baku yang
masuk pada PT. Gatra Mapan dan Re-inspection bahan baku yang usia
penyimpanannya lebih dari 6 bulan dan 1 tahun.
Berdasarkan dokumen nomer WI/8.2/05, pemeriksaan bahan baku
oleh staf QA dilakukan dengan memperhatikan beberapa kriteria. Tidak
semua kriteria berlaku pada seluruh jenis material yang diinspeksi. Untuk
material PB, dan MDF akan menggunakan 4 (empat) kriteria dari 6 (enam)
kriteria yang ada. Kriteria-kriteria yang digunaka adalah sebagai berikut:
1. Bentuk dan dimensi
Kriteria ini berlaku untuk semua jenis bahan baku. Pemeriksaan
bentuk dan dimensi barang sesuai dengan spesifikasi/hard copy
yang ada.
2. Printing/Sablon dan dimensi sablon
Kriteria ini digunakan untuk bahan baku yang menggunakan
printing/sablon seperti Dos dan sebagian Kaca. Pemeriksaan bentuk,
warna. Dimensi (skala printing) dan jarak printing pada barang
apakah sudah sesuai dengan spesifikasi.
3. Hasil uji
Digunakan untuk bahan baku jenis Lem. Dilakukan test uji
laboratorium terhadap bahan baku tersebut diatas sesuai standart uji
lab yang ada.
4. Warna barang
Kriteria ini digunakan untuk semua jenis bahan baku. Pemeriksaan
aktual warna barang yang datang apakah sudah sesuai dengan
spesifikasi/hard copy yang ada.
5. Kondisi barang
 47

Kriteria ini digunakan untuk semua jenis bahan baku. Pemeriksaan

kondisi barang yang datang apakah layak untuk digunakan untuk
produksi dan juga untuk packing barang apakah aman apabila
terkena handling standar di PT. Gatra Mapan.
6. Fungsi dan aplikasi barang
Kriteria ini digunakan untuk khususnya untuk sparepart. Pengecekan
bahan baku sesuai fungsinya dan diaplikasikan sesuai aplikasi pada
produk. Misalnya fungsi magnet, kunci, engsel, mur, baut dan handle
pada bautnya.

Khusus untuk bahan baku jenis lem kayu, lem sheet, lem kuning,
harus dikirimkan sampel ke bagian laboratorium untuk dilakukan
pengujian. Beberapa parameter pengujian yang digunakan pada lab uji
adalah density, swelling thickness, thickness, length and width, uji gores
untuk sheet, uji panas, uji dingin, warna, bentuk serta tampilan fisik. Hasil
uji laboratorium dituliskan pada dokumen nomer FM/8.2/15 yang
ditunjukkan pada gambar 4.5.

3.2 Pemodelan JST Untuk Penentuan Disposisi Material

Pada PT. Gatra Mapan Malang
Sistem yang diusulkan melibatkan seorang user. User ini bisa staf
QA bahan baku atau Manager QA sendiri. User akan berhubungan
- Setelah “Analisa Masalah”, selanjutnya “Analisa Sistem”
dengan -sistem melalui
Judul subbab sebuah interface,
dapat disesuaikan dengan inputan parameter untuk
dengan permasalahan
- Berisi penjelasan sistem/solusi yang akan dibangun secara umum
pelatihan- Berdasarkan
JST. Parameter yang harus diinputkan adalah jumlah neuron
analisa masalah di subbab 3.1 maka dibutuhkan
sistem yang bagaimana
pada layer hidden, learning rate, maksimal epoch dan target eror yang
- Menjelaskan spesifikasi kebutuhan input, proses dan output,
tetapi tidak dibedakan dalam sub bab tersendiri
diharapkan.
- Spesifikasi sistem dijelaskan dalam satu kesatuan berdasarkan
Sistem akan
gambar melakukan
diagram pelatihan terhadap dataset hasil inspeksi
sistem secara umum

material bahan baku yang telah tersimpan di dalam database. Hasil

pelatihan adalah bobot yang telah diperbarui dari proses iterasi.
Selanjutnya proses ekstraksi aturan dilakukan dengan mengurutkan bobot
dari hidden layer sesuai dengan output yang diinginkan, jadi
 48

pengurutannya bisa secara ascending atau descending tergantung nilai y

yang diharapkan. Blok sistem yang diusulkan disajikan pada gambar 3.3.
Secara umum sistem terbagi menjadi 3 proses yaitu, proses
pelatihan, proses ekstraksi aturan dan proses pengujian. Proses pelatihan
membutuhkan parameter jaringan syaraf tiruan yang diinputkan oleh user,
serta dataset yang akan dilatihkan. Dataset yang akan dilatih telah
tersimpan dalam database. Pelatihan dilakukan dengan jaringan syaraf
tiruan backpropagation sampai target eror terpenuhi atau mencapai
maksimum iterasi yang telah ditentukan.

` Pelatihan Jaringan Syaraf Tiruan

Feed Forward Backpropagation

Parameter JST
Bobot
hasil

Ekstraksi Aturan
Membentuk Pohon Pencarian
Pengujian

Aturan Penelusuran Pohon Pencarian

IF-Then

Optimasi Aturan

- Analisa sistem dijelaskan dalam gambar (boleh

blok diagram, flowchart atau diagram yang lain)
- Gambar menunjukkan hubungan input, proses
PROBLEM dan output dari sistem secara umum

Gambar 3.3 Blok Diagram Sistem yang Diusulkan

 49

Dari hasil pelatihan dihasilkan bobot-bobot yang kemudian

digunakan sebagai inputan dalam proses ekstraksi aturan. Proses
ekstraksi aturan dimulai dengan membentuk pohon pencarian dan
kemudian dilakukan penelusuran pohon pencarian. Pohon pencarian yang
dibentuk sebanyak kelas pada output atribut dan ditelusuri sebanyak
jumlah layer hidden.
Dari gambar 3.3 terlihat bahwa sistem yang diusulkan diawali
dengan proses pelatihan dengan jaringan syaraf tiruan. Pelatihan dengan
jaringan syaraf tiruan membutuhkan inputan parameter JST dan
menghasilkan output berupa bobot-bobot. Pelatihan dengan jaringan
syaraf tiruan bertujuan untuk melakukan klasifikasi data. Klasifikasi data
terdiri dari dua langkah yang utama, yaitu: pembangunan model dari set
data pelatihan dan penggunaan model/arsitektur jaringan syaraf tiruan
untuk mengklasifikasi data baru. Bobot hasil pelatihan JST selanjutnya
digunakan dalam proses ekstraksi rule. Proses ekstraksi rule terdiri dari 3
sub proses yaitu pembangkitan pohon pencarian, proses penelusuran
node-node dalam pohon pencarian untuk mencari rule yang valid dan
proses terakhir adalah optimasi rule yang telah diperoleh.

3.3 Dataset Inspeksi Material (Bahan Baku)

Data yang digunakan dalam penelitian ini adalah data hasil inspeksi
- Sub bab selanjutnya bisa membahas pre
material khusus bahan baku pada PT. Gatra Mapan
processing data Malang. Data yang
- Data yang diperoleh dari subjek penelitian
digunakan adalah data hasil inspeksi material olehbelum
biasanya bagian QA bahan
bisa langsung baku
digunakan, tetapi
harus ada proses penyiapan data
mulai tahun 2011 sampai 2012. Total data
- Bisahasil inspeksi
ada tahap oleh staf
cleaning, selection atau QA
penentuan variabel, domain dsb
yang akan digunakan dalam penelitian ini- Menjelaskan
adalah 786 record data
langkah-langkah yang
apa untuk
ditunjukkan pada tabel 3.1. Pada tabel- melakukan
tersebut penyiapan data
ditunjukkan jumlah
Dibagian akhir ditunjukkan bentuk data yang
sudah
kedatangan barang bahan baku setiap bulan siap digunakan
mulai Januari untuk sistemsampai
2011 yang akan
dibangun
bulan Desember 2012. Rata-rata kedatangan barang per bulan adalah 32
kali, sehingga dalam sehari rata-rata kedatangan barang adalah 1-2 kali.
Tetapi dalam kenyataannya, kedatangan barang bahan baku ini tidak
datang setiap hari. Sehingga ada kemungkinan dalam sehari bisa terjadi
 50

lebih dari 1 kali kedatangan barang atau bahkan tidak ada kedatangan
barang dalam sehari. Dalam prakteknya penanganan barang datang bisa
lebih dari sehari, termasuk didalamnya proses inspeksi material.
Tabel 3.1 Data Hasil Inspeksi Material Tahun 2011-2012
Jumlah
No Bulan Tahun
(Record)
1 Januari 2011 31
2 Februari 2011 13
- Tabel diletakkan di tengah halaman
3 Maret 2011 - Keterangan32 tabel ditulis diatas tabel
4 April 2011 - Cara penulisan
21 sama dengan keterangan gambar
5 Mei 2011 - Tabel ditulis43dengan spasi 1, before=0 dan after=0
- Caption setiap kolom ditulis dengan Capitalize
6 Juni 2011 Each Words56 dan bold, aligment =center
7 Juli 2011 - Tabel harus13 diketik ulang, tidak boleh capture
8 Agustus 2011 gambar 43
- Tabel boleh terpotong lebih dari 1 halaman, pada
9 September 2011 halaman kedua45 dituliskan keterangan tabel lagi
10 Oktober 2011 (tabel lanjutan)
67
11 November 2011 - Tabel maksimal
45 2 halaman, apabila lebih dari itu
maka sebaiknya diletakkan pada lampiran
12 Desember 2011 42
13 Januari 2012 14
14 Februari 2012 7
15 Maret 2012 43
16 April 2012 42
17 Mei 2012 38
18 Juni 2012 16
19 Juli 2012 54
20 Agustus 2012 11
21 September 2012 21
22 Oktober 2012 32
23 November 2012 30
24 Desember 2012 27
Total 786

Data hasil inspeksi tersebut kemudian dibentuk menjadi dataset

dengan melakukan preprocessing data. Preprocessing data yang
dilakukan meliputi proses selection dan cleaning. Pemilihan (selection)
data dari sekumpulan data operasional, pemilihan data sesuai tujuan yang
diharapkan. Proses cleaning mencakup antara lain membuang duplikasi
data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada
data, seperti kesalahan cetak (tipografi). Juga dilakukan proses
 51

enrichment, yaitu proses “memperkaya” data yang sudah ada dengan

data atau informasi lain yang relevan dan diperlukan untuk pelatihan,
seperti data atau informasi eksternal.
Dan seterusnya.......................(bisa ditambahkan flowchart)

3.4 Formulasi Permasalahan Inspeksi ke dalam JST

Dataset inspeksi material akan diubah menjadi training set dengan
22 atribut yaitu 20 atribut non kelas (x11, x12, x21, x22, x31, x32, x33, x41, x42,
x43, x44, x45, x51, x52, x53, x54, x61, x62, x63, x64) dan 2 atribut kelas (y1, y2).
- Sub Bab selanjutnya membahas perancangan
Masing-masing atribut memiliki 2 distinct valuealgoritma
yaitu 0untuk
dan 1. Valuepermasalahan
menyelesaikan 0
- Harus digambarkan dalam bentuk flowchart
menunjukkan bahwa value atribut tersebut tidak detail,
terpilih,
bukansedangkan
flowchat aplikasivalue
(menjalankan
program)
1 menunjukkan bahwa atribut tersebut terpilih. Training set untuk inspeksi
- Perancangan menggunakan data dari subbab
material ditunjukkan pada tabel 3.7. sebelumnya

Tabel 3.7 ContohTraining Set Inspeksi Material

x x x x x x x x x x x x x x x x x x x x y y
1 1 2 2 3 3 3 4 4 4 4 4 5 5 5 5 6 6 6 6 1 2
1 2 1 2 1 2 3 1 2 3 4 5 1 2 3 4 1 2 3 4
1 0 1 0 1 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1
1 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 1 0 0 0 1
1 0 1 0 1 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 1 0
1 0 1 0 1 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 1 0
1 0 1 0 1 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 1 0
1 0 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0
0 1 1 0 0 1 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 1
1 0 0 1 1 0 0 0 0 1 0 0 0 1 0 0 1 0 0 0 1 0
0 1 0 1 0 1 0 0 0 0 1 0 0 1 0 0 0 0 0 1 0 1
0 1 0 1 0 0 1 0 0 0 1 0 0 1 0 0 0 0 0 1 1 0

Dataset inspeksi material akan disimpan pada tabel “inspeksi”.

Tabel ini terdiri dari 7 field yaitu 6 field untuk atribut non kelas dan 1 field
untuk atribut kelas seperti yang ditunjukkan pada gambar 5.3. Perubahan
dataset menjadi training set dilakukan pada saat runtime. Pembentukan
training set dengan mengakses dataset dari tabel “inspeksi” dan kemudian
disimpan dalam variabel array dua dimensi. Pembentukan training set
pada saat runtime dilakukan karena struktur dataset bersifat dinamis, baik
 52

atribut input maupun atribut output dapat ditambah dan dikurangi sesuai
kebutuhan. Sehingga aplikasi yang dibangun diharapkan dapat
beradaptasi dengan perkembangan yang ada.
Dan seterusnya...............(bisa ditambahkan flowchart)
3.5 Pembelajaran (Training) Data dengan JST
Proses pembelajaran pada jaringan syaraf tiruan backpropagation
didasarkan pada hubungan yang sederhana, yaitu jika keluaran
memberikan hasil yang salah, maka bobot (weight) dikoreksi supaya
galatnya dapat diperkecil dan respon jaringan selanjutnya diharapkan
akan lebih mendekati harga yang benar.- Backpropagation
Sub Bab selanjutnya membahasjugaproses apa saja
berkemampuan untuk memperbaiki bobot padayang diperlukan sesuai dengan gambar blok
lapisan tersembunyi
sistem secara umum (gambar 3.3)
(hidden layer). Ketika jaringan syaraf tiruan diberi- Setiap
pola penjelsanan
masukanproses di Bab III sebaiknya
(training
digambar flowchatnya
set) sebagai pola pelatihan maka pola tersebut akan menuju ke unit pada
hidden layer untuk diteruskan pada unit yang berada pada output layer.
Output sementara pada hidden layer akan diteruskan pada output layer
dan output layer akan memberikan tanggapan berupa output sementara
pula. Ketika output sementara tidak sama dengan output yang diharapkan,
maka selisih (error) nya akan disebarkan secara mundur (backward) pada
hidden layer dan diteruskan ke unit di depannya yaitu input layer. Oleh
karena itu proses tersebut disebut propagasi balik (backpropagation)
dimana tahap pelatihan dilakukan dengan merubah bobot yang
menghubungkan unit dalam setiap layer jaringan ketika diberi umpan maju
dan umpan balik. Untuk mempercepat proses pelatihan digunakan
parameter learning rate. Nilai untuk parameter learning rate berada pada
kisaran 0 sampai 1.
Dan seterusnya..................bisa ditambahkan flowchart

3.6 Ekstraksi Rule Untuk Penentuan Disposisi Material

(Bla...bla...bla...
Gambar langkah per langkah dan flowchart)
Sesuai dengan arsitektur jaringannya, maka seluruh rule hasil
 53

optimasi (18 rule) selanjutnya akan digabungkan menggunakan operator

OR sehingga menjadi 2 buah rule sesuai atribut kelasnya. Sehingga
menghasilkan dua buah rule sebagai berikut:
1. IF (permukaan_atas=1 AND ketebalan=1 AND
hasil_laminasi_bawah=1 AND kondisi=1) OR
(kondisi=1 AND permukaan_atas=1 AND ketebalan=1 AND
permukaan_bawah=1) OR
- Penjelasan di Bab III terus berlanjut sampai
(kondisi=1 AND permukaan_atas=2) OR
didapatkan hasil (output) yang diharapkan

(kondisi=1 AND ketebalan=3 AND hasil_laminasi_atas=1) OR

(kondisi=1 AND ketebalan=3 AND permukaan_atas=1)
THEN disposisi=1
2. IF (hasil_laminasi_bawah=2 AND ketebalan=2) OR
(permukaan_atas=4 AND hasil_laminasi_bawah=1 AND
permukaan_bawah=1 AND hasil_laminasi_atas=2) OR
(hasil_laminasi_bawah=2 AND permukaan_bawah=2) OR
(permukaan_atas=3 AND hasil_laminasi_atas=1 AND
hasil_laminasi_bawah=1 AND kondisi=3)
- Bab III diakhiri dengan kalimat yang
THEN disposisi=2 menjelaskan hasil (output) yang telah diperoleh)

Dari 2 buah rule hasil ekstraksi rule diatas terlihat bahwa untuk
kondisi masing-masing kelas dipengaruhi oleh atribut yang berbeda-beda.
Akan tetapi dapat dianalisa bahwa terdapat atribut dominan yang
mempengaruhi kondisi tiap kelas. Dari 5 rule yang dihasilkan oleh y1
terlihat bahwa atribut “kondisi” menjadi prioritas dalam menentukan
disposisi =1. Hal ini terlihat bahwa 4 dari 5 rule yang dihasilkan dari y1
menunjukkan bahwa atribut “kondisi” harus bernilai 1agar disposisi=1.
Atribut ini menjadi premis pertama yang disebutkan dalam setiap rule.
Sedangkan dari 13 rule yang dihasilkan oleh y2, tampak bahwa atribut
“permukaan_atas” menjadi prioritas diantara atribut yang lain. Hal ini
dibuktikan dari 13 rule terdapat 10 rule dengan atribut “permukaan_atas”
sebagai premis pertama dalam susunan rule.
- Format Penulisan sama dengan Bab sebelumnya

BAB IV
IMPLEMENTASI DAN PENGUJIAN

4.1 Spesifikasi Implementasi

Hasil aplikasi disajikan dalam bentuk file setup yang dapat diinstall
pada sistem komputer dengan Sistem Operasi Windows. Proses
pembentukan file setup dilakukan dengan aplikasi Package and
Deployment Wizard yang tersedia pada VB6.
- Bab IV diawali dengan spesifikasi yang digunakan
Dan seterusnya................. untuk proses implementasi sistem
- Dapat dituliskan spesifikasi hardware dan software
yang digunakan untuk membangun sistemnya

4.2 Implementasi Sistem Disposisi Material

(Jelaskan mengapa implementasinya menggunakan bahasa
pemrograman apa dan database apa.- Sub
Kemudian tunjukkan
Bab selanjutnya struktur
menceritakan bagaimana caranya
untuk menjalankan sistem yang telah dibuat
menu dan pembagian hak akses usernya)
- Bukan menceritakan tampilan dan menu-menunya
- Penjelasan diurutkan berdasarkan perancangan
proses yang dilakukan di bab III
- Setiap penjelasan proses ditunjukkan dengan capture
4.3 Implementasi Proses 1 tampilan aplikasi dan penjelasan inputnya
(Jelaskan menu apa yang dipilih untuk melakukan proses itu,
tunjukkan printscreen dan penjelasannya)

4.4 Implementasi Proses 2

(bisa ditambahkan cuplikan kode program pada fungsi tertentu
dalam algortima atau metode yang digunakan. Cuplikan kode
program maksimal ½ halaman ditulis dengan courier new size 10
spasi 1)
Kode programmmmmmmmmmmmmmmmmmmmmmmm
Kode programmmmmmmmmmmmmmmmmmmmmmmm
Kode programmmmmmmmmmmmmmmmmmmmmmmm
Kode programmmmmmmmmmmmmmmmmmmmmmmm

- Pada penjelasan proses tertentu, dimana aplikasi

4.5 Dst menjalankan algoritma penyelesaian masalahnya,
maka harus ditambahkan cuplikan kode program
- Gampangnya, setiap ada rumus/persamaan di bab III
maka harus ada kode programnya di bab IV
- Cuplikan kode program maksimal ½ halaman saja,
apabila lebih dari itu sebaiknya diletakkan pada
lampiran
- Cuplikan kode program ditulis dengan font courier
69 new, size 10 pt, spasi 1
 70

4.6 Pengujian Sistem

Pengujian sistem ekstraksi aturan dari jaringan syaraf tiruan untuk
menentukan disposisi material pada PT. Gatra Mapan Malang dilakukan
dengan melihat sifat dari rule yang dihasilkan. Sifat ini dapat dilihat dari
tingkat akurasi aturan dan bentuk aturan yang dihasilkan, dengan
melakukan pelatihan dan ekstraksi aturan terhadap dataset inspeksi
material dan kemudian dilakukan pengujian pada setiap aturan yang ada.
Dalam bab ini akan dibahas 4 macam pengujian dengan tujuan yang
berbeda. Beberapa pengujian yang akan dilakukan diantaranya adalah:
1. Uji coba Parameter Pelatihan jaringan syaraf tiruan
Pengujian ini bertujuan mengetahui pengaruh parameter
- Pada sub bab pengujian, diawali dengan penjelasan
learning rate terhadap bobot rencana
hasil pengujian
pelatihan dan terhadap
dan spesifikasi apa saja yang digunakan
untuk melakukan pengujian
keakurasian rule yang dihasilkan.
- Selanjutnya ditunjukkan data yang diujikan, proses
pengujian dan hasilnya yang ditunjukkan dalam bentuk
2. Uji coba Pelatihan jaringan syaraf tiruan
tabel agar lebih mudah di perbandingkan
- Dibagian akhir ditambahkan kalimat penjelas tentang hasil
Pengujian ini bertujuan mengetahui model hasil pelatihan
pengujian yang telah dilakukan
jaringan syaraf tiruan apabila pelatihan dilakukan berkali-kali.
Dalam uji coba ini akan dilakukan 10 kali percobaan.
3. Uji coba jumlah node pada hidden layer
Pengujian ini bertujuan untuk mengetahui pengaruh jumlah
node pada hidden layer terhadap akurasi rule yang dihasilkan.
4. Uji coba Cross validasi
Pengujian ini bertujuan untuk mengukur akurasi bobot hasil
pelatihan dan rule yang dihasilkan terhadap dataset.
Keempat pengujian ini akan dijelaskan secara runut dalam
beberapa subbab yang ada. Pada setiap akhir bahasan pengujian akan
diutarakan analisa terhadap hasil pengujian. Dengan beberapa pengujian
yang dilakukan ini diharapkan dapat memberi gambaran dengan lebih baik
tentang hasil dari penelitian ini.
 - Format Penulisan sama dengan Bab sebelumnya

BAB V
PENUTUP

5.1 Kesimpulan
Dari hasil penelitian ekstraksi aturan dari jaringan syaraf tiruan
untuk menentukan disposisi material pada PT. Gatra Mapan Malang
- Kalimat kesimpulan harus
denganbisa menjawab Rumusan
menggunakan Visual Basic 6.0 dan Microsoft Access dapat
Masalah di Bab I
disimpulkan
- Kesimpulan adalah sebuah pernyataansebagai
yang baru berikut:
diketahui oleh penulis setelah menyelesaikan bab III
dan bab IV
1. Aplikasi
- Kesimpulan dapat diambil yang dibuat
dari hasil perancangan di terbukti dapat melakukan ekstraksi aturan dari
bab III dan hasil pengujian di bab IV
data bobot hasil pelatihan dengan jaringan syaraf tiruan
- Kalimat kesimpulan terdiri dari 2 bagian yaitu, bagian
kesimpulan dan bagian keterangan (bukti)
backpropagation. Hal ini dibuktikan dengan pembahasan yang telah
- Jangan menulis tujuan dan mafaat di Bab I ke dalam
kesimpulan atau saran dilakukan menunjukkan hasil 2 buah rule untuk menentukan disposisi
- Yang dituliskan dalam kesimpulan tidak selalu yang
positif, bisa juga membuat material.
kesimpulan negatif

2. Pada uji coba pengaruh jumlah node hidden layer terhadap akurasi
dilakukan 10 kali percobaan dengan jumlah node pada hidden layer
yang berbeda-beda. Didapatkan akurasi terbaik adalah pada jumlah
node 10 dengan akurasi rule 98.46%. Dari uji coba ini menunjukkan
bahwa jumlah node pada hidden layer berpengaruh pada proses
ekstraksi rule yang dilakukan, karena semakin banyak node pada
hidden layer maka semakin banyak pula search tree yang
dibangkitkan dalam proses pencarian rule. Sehingga menghasilkan
rule yang semakin banyak pula. Hal ini mempengaruhi ketelitian rule
yang dihasilkan sehingga memberikan tingkat akurasi rule yang
- Sebaiknya apa yang ditulis di kesimpulan diperkuat
semakin tinggi. dengan bukti dalam bentuk angka

3. Uji cross validasi dengan K-Fold Cross-Validation menunjukkan hasil

akurasi yang cukup baik. Untuk akurasi rata-rata pelatihan jaringan
syaraf tiruan diperoleh 98.378% sedangkan akurasi rata-rata dari
ekstraksi aturan sebesar 91.687%.
4. Rule yang dihasilkan oleh ekstraksi aturan dengan pendekatan
berbasis search tree cenderung cukup kompleks. Hal ini ditunjukkan
oleh jumlah premis yang cukup banyak yang dihubungkan dengan

71
 72

operator AND dan penggunaan operator OR pada hasil

penggabungan rule.
5. Rule yang dihasilkan dari proses ekstraksi aturan memiliki pola
tertentu yang dapat menunjukkan atribut prioritas dalam penentuan
disposisi material. Dari 5 rule yang dihasilkan oleh y1 terlihat bahwa
atribut “kondisi” menjadi prioritas dalam menentukan disposisi =1.
- Saran ditujukan untuk pengembangan penelitian selanjutnya
- Saran dapat menanggapi batasan Sedangkan
masalah yangdari
ada di13
Babrule
I yang dihasilkan oleh y2, tampak bahwa atribut
- Saran dapat menanggapi kesimpulan yang negatif
- “permukaan_atas”
Kalimat saran terdiri dari 2 bagian menjadi prioritas diantara atribut yang lain.
yaitu, bagian kesimpulan
dan bagian keterangan.

5.2 Saran
Guna perbaikan dan untuk meningkatkan hasil yang lebih baik
maka disarankan penelitian selanjutnya adalah :

1. Dataset inspeksi material ini memiliki tingkat keseragaman record

yang cukup tinggi sehingga banyak record-record yang memiliki
kesamaan, maka disarankan untuk memanfaatkan metode ekstraksi
aturan dengan search tree untuk dataset yang lebih bervariatif dan
kompleks sehingga akan lebih terlihat kinerja dari metode ini.
2. Selain disarankan dikembangkan untuk data yang lebih bervariatif,
juga dapat ditambahkan variabel dengan numerical value. Sehingga
dapat dihasilkan rule dengan operator lebih kecil (<) atau lebih besar
(>).
3. Disarankan untuk menambahkan fitur pengujian barang baru pada
aplikasi agar memudahkan dalam penggunaannya. Pada penelitian ini
belum ditambahkan fitur pengujian barang baru karena lebih fokus
pada penerapan metodenya.
4. Untuk penelitian lebih lanjut disarankan memunculkan variabel
temporary (intermediate variable). Sehingga rule yang dihasilkan
bukan hanya memiliki premis atribut inputan saja, tetapi bisa juga
memiliki premis hidden layer (IF z1 then y1).
- Daftar Pustaka minimal 5 referensi yang diambil dari buku, ebook atau jurnal ilmiah
- Link website tidak diperbolehkan
- Format penulisan daftar pustaka : Nama_belakang, nama_depan. Judul_buku. Penerbit. Kota. Tahun
- Judul buku digaris bawah, tidak miring dan tidak tebal
- Referensi yang lebih dari 1 baris, maka baris ke-2 dan seterusnya di tulis menjorok ke kanan 1.25 cm
- Ditulis urut abjad ascending (a-z)
- Font : Arial size 12 pt, spasi 1 dengan before = 0 dan after = 0
- Antar referensi diberi jarak satu baris dengan spasi 1 (1 kali enter)

DAFTAR PUSTAKA

Bertalya. Konsep Data Mining Klasifikasi: Pohon Keputusan. Jakarta.

- 1 enter Universitas Gunadarma, 2009

Chrisna, Temmy, Bijaksana, Arif, Muntina, Eddy. Ekstraksi Rule Dari

Jaringan Syaraf Tiruan Menggunakan Metode Search Based Pada
Data Mining. STT Telkom Bandung. 2005

Dancey, Darren. Tree Based Methods for Rule Extraction from Artificial
Neural Networks. Manchester Metropolitan University. United
Kingdom. 2008

Duch, Włodzisław, Kordos, Mirosław, Search-based Training for Logical

Rule Extraction by Multilayer Perceptron, School of Computer
Engineering Institute of Computer Science Nanyang Technological
University The Silesian University of Technology, Singapore, 2005

Fujimoto, Koji, Nakabayashi, Sampei. Applying GMDH Algorithm to Extract

Rules from Examples. Financial Engineering Group, Inc., Akasaka
Yamada Tokyo. Japan. 2001

Kusumadewi, Sri. Artificial Intelligent (Teknik dan Aplikasinya). Graha Ilmu.

Yogyakarta. 2003

Mark W, Craven. Using Neural Network For Data Mining. School of

Computer Science Carnigie Mellon Univercity. Pittsburgh. 2000

Nayak, Richi. Gyan: A Methodology for Rule Extraction from Artificial

Neural Networks. Queenslan University of Technology Australia.
1999

Palade, Vasile, Neagu, Daniel-Ciprian, Patton, Ron J.. Interpretation of

Trained Neural Networks by Rule Extraction. The University of Hull,
Cottingham Road. United Kingdom. 2001

Soman, K.P., Diwakar, Shyam, Ajay. Insight into Data mining, theory and
practice. Prentice Hall of India Private Limited. New Delhi. 2006

Suyanto. Intelijensia Buatan. Jurusan Teknik Informatika STT Telkom.

Bandung. 2002

Turban, E,. McLean, E., Wetherbe, J.. Information Technology for

Managemen. 2 ed.. NY:John Wiley and Sons, Inc. 1999

- Nomor halaman
melanjutkan dari bab V
73
- Font : Arial size 16pt, capital

DAFTAR RIWAYAT PENULIS

- Foto harus diprint, tidak boleh ditempel
- Foto tidak harus resmi, tetapi tetap sopan

Data Pribadi
Nama : ....................................
Foto
3x4 Tempat/tanggal lahir : ..............................
(harus di print)
Jenis kelamin : .......................................
Agama : .........................................
Alamat : .........................................
Telepon : .........................................
Alamat email: .........................................

Data Keluarga
Nama Ayah : ......................................
Nama Ibu : ......................................
Pekerjaan : ......................................
Alamat : ......................................

Riwayat Pendidikan
(riwayat pendidikan formal sejak awal hingga memasuki jenjang kuliah)

Riwayat Pekerjaan
(bila ada)

Daftar Penelitian
(daftar karya ilmiah yang pernah ditulis oleh penulis bila ada)

- Nomor halaman melanjutkan

dari Daftar Pustaka
74
- Font : Arial size 16pt, capital
- Jarak antar baris (spasi) adalah 1
before=0 dan after=0 LAMPIRAN A
DOKUMEN PENDUKUNG INSPEKSI MATERIAL
PADA PT. GATRA MAPAN MALANG

- Nomor halaman berdasarkan nama

lampiran dan dimulai dari 1
A-1
 LAMPIRAN B
DATASET INSPEKSI MATERIAL PB DAN MDF
Att Att Att Att Att Att Att Att Att Att Att Att
Kls Kls
1 2 3 4 5 6 1 2 3 4 5 6
- Jenis Font
2 dan1ukuran1 tidak 1 4 1 2 1 1 1 1 2 1 1
ditentukan, boleh disesuaikan
1 1 1 1 2 1 1 1 1 1 1 1 1 1
dengan bentuk lampiran
1 1 1 1 1 2 1 1 1 1 1 1 1 1
2 1 1 4 4 1 2 1 1 1 1 2 1 1
1 1 1 4 1 1 2 1 1 1 1 1 1 1
1 1 1 1 3 1 2 1 1 1 1 2 1 1
1 2 1 1 1 1 1 1 1 1 1 1 1 1
2 2 1 1 1 2 2 1 1 1 1 1 1 1
1 2 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 2 1 1 2 1 1 1 4 1 2
1 1 1 1 1 1 1 1 1 1 1 2 1 1
1 1 1 1 2 1 1 1 1 1 1 1 2 1
1 1 1 1 3 1 2 2 1 1 1 1 1 1
1 1 1 4 1 1 2 1 1 1 1 2 1 1
1 1 1 1 1 2 1 1 1 1 1 1 2 1
2 1 1 4 4 1 2 1 1 1 1 2 1 1
1 1 1 1 2 1 1 1 1 1 1 1 1 1
1 1 1 1 2 1 1 2 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 2 1 1
1 1 1 2 1 1 2 1 1 1 1 2 1 1
1 1 1 1 2 1 1 1 1 1 1 1 2 1
1 1 1 1 1 1 1 1 1 1 1 2 1 1
2 1 1 1 4 1 2 1 1 1 1 1 1 1
1 1 1 1 2 1 1 1 1 1 1 2 1 1
1 1 1 1 1 2 1 1 1 1 1 1 1 1
2 1 1 4 4 1 2 1 1 1 1 1 1 1
1 1 1 4 1 1 2 1 1 1 1 2 1 1
1 1 1 1 3 1 2 1 1 1 1 1 1 1
1 2 1 1 1 1 1 1 1 1 1 2 1 1
2 2 1 1 1 2 2 1 1 1 1 1 1 1
1 2 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 2 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 2 1 1 1 4 1 2
1 1 1 1 2 1 1 1 1 1 1 2 1 1
1 1 1 1 3 1 2 1 1 1 1 1 2 1
1 1 1 4 1 1 2 2 1 1 1 1 1 1
1 1 1 1 1 2 1 1 1 1 1 2 1 1
2 1 1 4 4 1 2 1 1 1 1 1 2 1
1 1 1 1 2 1 1 1 1 1 1 2 1 1

B-1
 LAMPIRAN C
KODE PROGRAM UNTUK PEMBANGKITAN
SEARCH TREE

Private Sub buildTree(level As Integer)

If level = 1 Then 'untuk level satu
For j = 1 To jmlNode
atribut(level, j, 1) = atribut(level - 1, j, 1)
jenis(level, j, 1) = jenis(level - 1, j, 1)
Next
numNode(level) = jmlNode
ElseIf level = 2 Then 'untuk level dua
tempJmlNode = jmlNode
jmlNode = 0
For j = 1 To tempJmlNode - 1
For k = j + 1 To tempJmlNode
If atribut(level - 1, j, 1) <> atribut(level
- 1, k, 1) Then
jmlNode = jmlNode + 1
- Lampiran kode program atribut(level, jmlNode, 1) =
menggunakan Courier New, spasi 1 atribut(level - 1, j, 1)
dan size menyesuaikan atribut(level, jmlNode, 2) =
atribut(level - 1, k, 1)
jenis(level, jmlNode, 1) = jenis(level –
1, j, 1)
jenis(level, jmlNode, 2) = jenis(level –
1, k, 1)
End If
Next
Next

C-1
 LAMPIRAN D
FILE LOG HASIL UJI COBA

Waktu Pengujian = 9/9/2014 11:09:01 AM

==============================================
Nama Ekstraksi = hidden node 10
Jumlah Neuron Hidden = 10
Learning Rate = 0.5
Max. Iterasi = 100
Target Error = 0.001

Bobot Awal Sebelum Pelatihan

==============================================
v111 = 0.6655 v223 = -0.8041 v334 = 0.8469
v112 = -0.9625 v224 = -0.1123 v335 = 0.2404
v113 = -0.5793 v225 = -0.4541 v336 = -0.3045
v114 = -0.8521 v226 = 0.7451 v337 = -0.7015
v115 = -0.7891 v227 = 0.5014 v338 = -0.04
v116 = -0.3366 v228 = -0.4541 v339 = -0.5612
v117 = -0.7435 v229 = 0.3473 v3310 = 0.9875
v118 = -0.9995 v2210 = -0.4867 v411 = -0.7392
v119 = 0.0736 v311 = -0.8202 v412 = -0.9422
v1110 = 0.3141 v312 = -0.9381 v413 = -0.3092
v121 = 0.088 v313 = -0.3546 v414 = 0.0953
v122 = 0.6548 v314 = 0.5803 v415 = 0.8459
v123 = -0.8362 v315 = -0.4055 v416 = 0.0765
v124 = -0.6162 v316 = -0.5294 v417 = -0.1872
v125 = 0.3578 v317 = -0.0391 v418 = 0.6945
v126 = -0.0916 v318 = -0.4908 v419 = 0.6525
v127 = -0.286 v319 = -0.3188 v4110 = 0.3449
v128 = -0.7 v3110 = -0.9101 v421 = 0.4438
v129 = 0.4088 v321 = -0.0351 v422 = 0.9935
v1210 = 0.8576 v322 = -0.588 v423 = -0.3204
v211 = 0.0604 v323 = 0.7291 v424 = -0.0096
v212 = -0.8207 v324 = 0.1773 v425 = -0.1741
v213 = 0.5155 v325 = 0.5098 v426 = 0.3906
v214 = -0.1963 v427 = -0.6418
v215 = -0.0763 v326 = 0.8558 v428 = -0.1542
v216 = -0.0157 v327 = -0.338 v429 = 0.0864
v217 = -0.5847 v328 = 0.0859 v4210 = 0.6293
v218 = -0.3405 v329 = -0.8386 v431 = 0.0818
v219 = -0.8091 v3210 = 0.2687 v432 = -0.1449
v2110 = 0.1796 v331 = -0.1799 v433 = 0.0181
v221 = -0.6603 v332 = 0.9208 v434 = -0.5444
v222 = 0.8552 v333 = -0.7708
v435 = 0.2384
v436 = -0.0203
v437 = 0.3616
v438 = 0.7732
v439 = -0.259
v4310 = -0.395
v441 = -0.4143
v442 = -0.6994

D-1