38 BAB III ANALISIS DAN DESAIN SISTEM III.1.Analisis Masalah Analisis masalah bertujuan untuk mengidentifikasi serta melakukan evaluasi terhadap Perbandingan Sistem Pendukung Keputusan Standar Mutu Jagung Menggunakan Metode Smart dan Naive Bayes pada PT. Indojaya Agrinusa. Adapun permasalah yang ditemukan dalam melakukan penelitian ini adalah : 4. PT. Indojaya Agrinusa tidak menggunakan sistem pendukung keputusan sebagai pendukung pengambilan keputusan standar mutu Jagung sehingga perusahaan lambat dalam menentukan standar mutu jagung. 5. Sering terjadinya kesalahan dalam melakukan peng-input-an data penilaian serta perhitungan nilai berdasarkan dimensi yang ditetapkan pada PT. Indojaya Agrinusa sehingga sering terjadi kerugian financial perusahaan karena data standar jagung tidak sesuai. 6. Tidak adanya penggunaan metode sistem pendukung keputusan dalam pengambilan keputusan dalam standar mutu Jagung sehingga pada saat pengambilan keputusan menjadi lambat dan tidak efektif. Berdasarkan permasalahan tersebut, maka penulis mengemukakan usulan untuk menyelesaikan masalah tersebut, adapun usulan pemecahan masalah tersebut adalah :
49
Embed
BAB III ANALISIS DAN DESAIN SISTEMrepository.potensi-utama.ac.id/jspui/bitstream/123456789... · 2017-07-15 · ANALISIS DAN DESAIN SISTEM ... atribut mempunyai nilai-nilai.Nilai
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
38
BAB III
ANALISIS DAN DESAIN SISTEM
III.1.Analisis Masalah
Analisis masalah bertujuan untuk mengidentifikasi serta melakukan
evaluasi terhadap Perbandingan Sistem Pendukung Keputusan Standar Mutu
Jagung Menggunakan Metode Smart dan Naive Bayes pada PT. Indojaya
Agrinusa. Adapun permasalah yang ditemukan dalam melakukan penelitian ini
adalah :
4. PT. Indojaya Agrinusa tidak menggunakan sistem pendukung keputusan
sebagai pendukung pengambilan keputusan standar mutu Jagung sehingga
perusahaan lambat dalam menentukan standar mutu jagung.
5. Sering terjadinya kesalahan dalam melakukan peng-input-an data penilaian
serta perhitungan nilai berdasarkan dimensi yang ditetapkan pada PT.
Indojaya Agrinusa sehingga sering terjadi kerugian financial perusahaan
karena data standar jagung tidak sesuai.
6. Tidak adanya penggunaan metode sistem pendukung keputusan dalam
pengambilan keputusan dalam standar mutu Jagung sehingga pada saat
pengambilan keputusan menjadi lambat dan tidak efektif.
Berdasarkan permasalahan tersebut, maka penulis mengemukakan usulan
untuk menyelesaikan masalah tersebut, adapun usulan pemecahan masalah
tersebut adalah :
39
5. Merancang sistem pendukung keputusan yang dapat membantu pihak PT.
Indojaya Agrinusa sebagai pendukung pengambilan keputusan standar mutu
Jagung.
6. Merancang dan membangun sebuah sistem yang dapat meminimalisirkan
kesalahan dalam melakukan peng-input-an data penilaian serta perhitungan
nilai berdasarkan dimensi yang ditetapkan pada PT. Indojaya Agrinusa.
7. Melakukan implementasi penggunaan metode terhadap sistem pendukung
keputusan dalam pengambilan keputusan dalam standar mutu Jagung.
8. Melakukan perhitungan nilai mutu jagung dengan perbandingan metode Smart
dengan metode Naive Baye.
III.1.1.Analisis Input
Analisis sistem input yang sedang berjalan pada pemilihan Standar Mutu
Jagung yang telah ada sebelumnya adalah dengan melihat data kriteria jagung
tersebut :
Tabel III.1. Tabel Kriteria Jagung
No Nama Variabel Himpunan
1 Bau
Tidak Berbau
Berbau Asam
Berbau Asing
2 Kadar Air
Rendah
Sedang
Tinggi
3 Butir Rusak
Sedikit
Sedang
Banyak
4 Butir Warna Lain
Sedikit
Sedang
Banyak
40
III.1.2.Analisis Proses
Proses pemilihan Standar Mutu JagungPada PT. Indojaya Agrinusa dapat
dilihat pada gambar III.1 berikut :
Pemilihan Standar Mutu Jagung Pada PT. Indojaya Agrinusa
PT. Indojaya AgrinusaSupplier
Ph
ase
mulai
Data Jagung
Data Jagung
Memeriksa data Jagung
Melakukan penyortiran
Jagung
Data jagung yang memiliki standar bagus
Data Jagung PilihanData Jagung Pilihan
Selesai
Gambar III.1. FODPemilihan Mutu Jagung
41
III.1.3.Analisis Output
Analisa Output yang dihasilkan dari sistem yang sedang berjalan adalah
adalah informasi mengenai data standar mutu jagung.
Tabel III.2. Tabel Nilai Mutu Jagung
Nilai Mutu Jagung
80 – 100 I
70 – 79 II
60 – 70 III
Lebih Kecil Dari 60 IV
III.2.Penerapan Metode / Algoritma
III.2.1. Metode Smart
Smart merupakan metode dalam pengambilan keputusan
multiatribut.Teknik pengambilan keputusan multiatribut ini digunakan untuk
mendukung pembuat keputusan dalam memilih beberapa alternatif.Setiap
pembuat keputusan harus memiliki sebuah alternatif yang sesuai dengan tujuan
yang dirumuskan.Setiap alternatif terdiri dari sekumpulan atribut dan setiap
atribut mempunyai nilai-nilai.Nilai ini dirata-rata dengan skala tertentu.Setiap
atribut mempunyai bobot yang menggambarkan seberapa penting skala tertentu.
Setiap atribut mempunyai bobot yang menggambarkan seberapa penting suatu
atribut dibandingkan dengan atribut lain. Pembobotan dan pemberian peringkat ini
digunakan untuk menilai setiap alternatif agar diperoleh alternatif terbaik.
Smart mengunakan linier adaptif model untuk meramal nilai
setiapalternatif.Smart lebih banyak digunakan karena kesederhanaannya dalam
merespon kebutuhan pembuat keputusan dan caranya menganalisa respon.
Analisis yang terbaik adalah transparan sehingga metode ini memberikan
42
pemahaman masalah yang tinggi dan dapat diterima oleh pembuat keputusan.
Pembobotan pada Smart mengunakan skala 0 sampai 1, sehingga mempermudah
perhitungan dan perbandingan nilai pada masing-msing alternatif. Model yang
digunakan dalam Smartyaitu (Rika Yunitarini ; 2013 : 46):
III.2.1.1. Teknik Metode Smart
Adapun teknik atau langkah-langkah dalam proses Smart, antara lain :
7. Menginputkan data jagung
8. Menentukan data variabel dan himpunan data jagung.
9. Melakukan normalisasi bobot
10. Melakukan perhitungan konfigurasi nilai himpunan dengan rumus :
11. Menentukan nilai akhir dengan rumus :
III.2.2. Flowchart Metode SMART
Flowchart adalah adalah suatu bagan dengan simbol-simbol tertentu yang
menggambarkan urutan proses secara mendetail dan hubungan antara suatu proses
(instruksi) dengan proses lainnya dalam suatu program.
43
Mulai
Menginputkan data jagung
Menentukan data variabel dan himpunan data jagung
Nilai kualitas buah jagung
Selesai
Melakukan perhitungan konfigurasi :
Melakukan normalisasi bobot
Menentuskan nilai akhir :
Gambar III.1. Flowchart Metode SMART
44
III.2.3. Perhitungan ManualSmart
Pengguna menginputkan data jagung sebagai berikut :
1. Bau : Tidak Berbau
2. Kadar Air : Sedang
3. Butir Rusak : Sedikit
4. Butir Warna Lain : Sedang
Tabel III.3. Tabel Variabel dan Himpunan
Kode Nama
Variabel
Jenis (Naive
Bayes) Bobot (SMART) Himpunan
Nilai
(SMART)
V1 Bau Diskrit 15
Tidak Berbau 3
Berbau Asam 2
Berbau Asing 1
V2 Kadar Air Diskrit 20
Rendah 3
Sedang 2
Tinggi 1
V3 Butir Rusak Diskrit 35
Sedikit 3
Sedang 2
Banyak 1
V4 Butir Warna
Lain Diskrit 30
Sedikit 3
Sedang 2
Banyak 1
1. Normalisas
i Bobot
Pada tahap ini yaitu menormalisasikan bobot masing-masing variabel
dengan cara membagi masing-masing bobot variabel dibagi dengan total
seluruh bobot, maka :
Total bobot = 15 + 20 + 35 + 30
45
= 100
Tabel III.4. Tabel Normalisasi Bobot
Kode Nama Variabel Bobot Sebelum
Dinormalisasi
Bobot Setelah
Dinormalisasi
K1 Bau 15 15 / 100 = 0,15
K2 Kadar Air 20 20 / 100 = 0,2
K3 Butir Rusak 35 35 / 100 = 0,35
K4 Butir Warna Lain 30 30 /100 = 0,3
2. Konfigurasi Nilai Himpunan
Pada tahap konfigurasi ini yaitu mengubah nilai himpunan menjadi nilai
baku dengan rumus :
Maka :
Tabel III.5. Tabel Konfigurasi Nilai
Nama Variabel Himpunan Nilai Sebelum
Konfigurasi (C out)
Nilai Setelah
Konfigurasi Utility
Bau Tidak Berbau 3 (3 – 1 / 3 – 1) = 1
Kadar Air Sedang 2 (2 – 1 / 3 – 1) = 0,5
Butir Rusak Sedikit 3 (3 – 1 / 3 – 1) = 1
Butir Warna Lain Sedang 2 (2– 1 / 3 – 1) = 0,5
3. Menentukan Nilai Akhir
46
Pada tahap akhir ini yaitu mencari nilai akhir dengan menjumlahkan hasil
dari pengkalian nilai konfigurasi utility dengan nilai bobot setelah
dinormalisasikan seluruh variabel kemudian dikali 100, maka :
Nilai akhir = ((1 x 0,15) + (0,5 x 0,2) + (1 x 0,35) + (0,5 x 0,3)) x 100
= ((0,15 + 0,1 + 0,35 + 0,15)) x 100
= 75
Nilai acuan yang menentukan mutu jagung pada PT. Indojaya Agrinusa
yaitu :
Tabel III.6. Tabel Nilai Keputusan
Nilai Mutu Jagung
80 – 100 I
70 – 79 II
60 – 70 III
Lebih Kecil Dari 60 IV
Dengan demikian mutu jagung yang diinputkan pengguna yaitu Mutu II.
III.2.4. Metode Naive Bayes
Metode Naive Bayes merupakan salah satu algoritma yang terdapat pada
teknik klasifikasi. Naive Bayes merupakan pengklasifikasian dengan metode
probabilitas dan statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes,
yaitu memprediksi peluang di masa depan berdasarkan pengalaman dimasa
sebelumnya sehingga dikenal sebagai Teorema Bayes. Theorema tersebut
dikombinasikan dengan Naive dimana diasumsikan kondisi antar atribut saling
bebas. Klasifikasi Naive Bayes diasumsikan bahwa ada atau tidak ciri tertentu dari
sebuah kelas tidak ada hubungannya dengan ciri dari kelas lainnya.
47
Persamaan dari teorema Bayes adalah :
Keterangan :
X : Data dengan class yang belum diketahui
H : Hipotesis data merupakan suatu class spesifik
P (H|X) : Probabilitas hipotesis berdasar kondisi (posteriori
probability)
P (H) : Probabilitas hipotesis (prior probability)
P (X|H) : Probabilitas berdasarkan kondisi pada hipotesis
P (X) : Probabilitas
Untuk menjelaskan teorema Naive Bayes, perlu diketahui bahwa proses
klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang
cocok bagi sampel yang dianalisis tersebut. Karena itu, TheoremaBayesdi atas
disesuaikan sebagai berikut :
Keterangan :
Variabel C : Merepresentasikan kelas
variabel F1...Fn : Merepresentasikan karakteristik petunjuk yang dibutuhkan
untuk melakukan klasifikasi.
Maka rumus tersebut menjelaskan bahwa peluang masuknya sampel
karakteristik tertentu dalam kelas C (Posterior) adalah peluang munculnya kelas C
(sebelum masuknya sampel tersebut, seringkali disebut prior), dikali dengan
48
peluang kemunculan karakteristik karakteristik sampel pada kelas C (disebut juga
likelihood), dibagi dengan peluang kemunculan karakteristik karakteristik sampel
secara global (disebut juga evidence). Karena itu, rumus diatas dapat pula ditulis
secara sederhana sebagai berikut :
Keterangan :
Posterior : perbaikan terhadap nilai probabilitas
Prior : Nilai probabilitas awal
Likehood : Titik tertentu untuk memaksimumkan sebuah fungsi.
Evidence : Nilai bukti
Nilai Evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai dari
posterior tersebut nantinya akan dibandingkan dengan nilai nilai posterior kelas
lainnya untuk menentukan ke kelas apa suatu sampel akan diklasifikasikan.
Penjabaran lebih lanjut rumus Bayes tersebut dilakukan dengan menjabarkan
menggunakan aturan perkalian sebagai berikut :
Keterangan :
Variabel C : Merepresentasikan kelas
variabel F1...Fn : Merepresentasikan karakteristik petunjuk yang dibutuhkan
untuk melakukan klasifikasi.
49
Dapat dilihat bahwa hasil penjabaran tersebut menyebabkan semakin banyak dan
semakin kompleksnya faktor faktor syarat yang mempengaruhi nilai probabilitas,
yang hampir mustahil untuk dianalisa satu persatu. Akibatnya, perhitungan
tersebut menjadi sulit untuk dilakukan. Disinilah digunakan asumsi independensi
yang sangat tinggi (naif), bahwa masing masing petunjuk saling bebas
(independen) satu sama lain (Bustami ; 2014 : 129)
III.2.5. Teknik Metode Naive Bayes
Adapun teknik atau langkah-langkah dalam proses naive bayes, antara
lain:
1. Menentukan data training.
2. Menentukan probabilitas variabel terhadap kategori mutu
3. Mencari likehood dan probabilitas dari kategori mutu
4. Mendapatkan nilai probabilitas akhir tertinggi.
III.2.6. Flowchart Metode Naive Bayes
Flowchart adalah adalah suatu bagan dengan simbol-simbol tertentu yang
menggambarkan urutan proses secara mendetail dan hubungan antara suatu proses
(instruksi) dengan proses lainnya dalam suatu program.
50
Mulai
Menentukan data training
Menentukan probabilitas dari kategori mutu
Nilai tertinggi
Selesai
Mencari likehood dan probabilitas dari kategori umum :
Gambar III.2. Flowchart Metode SMART
III.2.7. Studi Kasus Naive Bayes
Tabel III.7. Tabel Data Training
ID
Training Bau Kadar Air Butir Rusak
Butir Warna
Lain Mutu
1 Tidak
Berbau Rendah Sedikit Sedikit I
2 Tidak
Berbau Rendah Sedikit Sedang I
3 Tidak
Berbau Rendah Sedikit Banyak II
4 Tidak
Berbau Rendah Sedang Sedikit I
5 Tidak
Berbau Rendah Sedang Sedang I
6 Tidak
Berbau Rendah Sedang Banyak II
51
ID
Training Bau Kadar Air Butir Rusak
Butir Warna
Lain Mutu
7 Tidak
Berbau Rendah Banyak Sedikit I
8 Tidak
Berbau Rendah Banyak Sedang I
9 Tidak
Berbau Rendah Banyak Banyak II
10 Tidak
Berbau Sedang Sedikit Sedikit I
11 Tidak
Berbau Sedang Sedikit Sedang I
12 Tidak
Berbau Sedang Sedikit Banyak II
13 Tidak
Berbau Sedang Sedang Sedikit I
14 Tidak
Berbau Sedang Sedang Sedang I
15 Tidak
Berbau Sedang Sedang Banyak II
16 Tidak
Berbau Sedang Banyak Sedikit I
17 Tidak
Berbau Sedang Banyak Sedang I
18 Tidak
Berbau Sedang Banyak Banyak II
19 Tidak
Berbau Tinggi Sedikit Sedikit I
20 Tidak
Berbau Tinggi Sedikit Sedang I
21 Tidak
Berbau Tinggi Sedikit Banyak II
22 Tidak
Berbau Tinggi Sedang Sedikit I
23 Tidak
Berbau Tinggi Sedang Sedang I
24 Tidak
Berbau Tinggi Sedang Banyak II
25 Tidak
Berbau Tinggi Banyak Sedikit I
26 Tidak
Berbau Tinggi Banyak Sedang I
27 Tidak Tinggi Banyak Banyak III
52
ID
Training Bau Kadar Air Butir Rusak
Butir Warna
Lain Mutu
Berbau
28 Berbau
Asam Rendah Sedikit Sedikit I
29 Berbau
Asam Rendah Sedikit Sedang I
30 Berbau
Asam Rendah Sedikit Banyak II
31 Berbau
Asam Rendah Sedang Sedikit I
32 Berbau
Asam Rendah Sedang Sedang I
33 Berbau
Asam Rendah Sedang Banyak II
34 Berbau
Asam Rendah Banyak Sedikit I
35 Berbau
Asam Rendah Banyak Sedang II
36 Berbau
Asam Rendah Banyak Banyak III
37 Berbau
Asam Sedang Sedikit Sedikit II
38 Berbau
Asam Sedang Sedikit Sedang II
39 Berbau
Asam Sedang Sedikit Banyak II
40 Berbau
Asam Sedang Sedang Sedikit II
41 Berbau
Asam Sedang Sedang Sedang II
42 Berbau
Asam Sedang Sedang Banyak II
43 Berbau
Asam Sedang Banyak Sedikit II
44 Berbau
Asam Sedang Banyak Sedang II
45 Berbau
Asam Sedang Banyak Banyak III
46 Berbau
Asam Tinggi Sedikit Sedikit II
47 Berbau
Asam Tinggi Sedikit Sedang III
53
ID
Training Bau Kadar Air Butir Rusak
Butir Warna
Lain Mutu
48 Berbau
Asam Tinggi Sedikit Banyak III
49 Berbau
Asam Tinggi Sedang Sedikit II
50 Berbau
Asam Tinggi Sedang Sedang II
51 Berbau
Asam Tinggi Sedang Banyak III
52 Berbau
Asam Tinggi Banyak Sedikit III
53 Berbau
Asam Tinggi Banyak Sedang III
54 Berbau
Asam Tinggi Banyak Banyak IV
55 Berbau
Asing Rendah Sedikit Sedikit III
56 Berbau
Asing Rendah Sedikit Sedang III
57 Berbau
Asing Rendah Sedikit Banyak III
58 Berbau
Asing Rendah Sedang Sedikit III
59 Berbau
Asing Rendah Sedang Sedang III
60 Berbau
Asing Rendah Sedang Banyak IV
61 Berbau
Asing Rendah Banyak Sedikit III
62 Berbau
Asing Rendah Banyak Sedang IV
63 Berbau
Asing Rendah Banyak Banyak IV
64 Berbau
Asing Sedang Sedikit Sedikit III
65 Berbau
Asing Sedang Sedikit Sedang III
66 Berbau
Asing Sedang Sedikit Banyak III
67 Berbau
Asing Sedang Sedang Sedikit III
68 Berbau Sedang Sedang Sedang III
54
ID
Training Bau Kadar Air Butir Rusak
Butir Warna
Lain Mutu
Asing
69 Berbau
Asing Sedang Sedang Banyak IV
70 Berbau
Asing Sedang Banyak Sedikit IV
71 Berbau
Asing Sedang Banyak Sedang IV
72 Berbau
Asing Sedang Banyak Banyak IV
73 Berbau
Asing Tinggi Sedikit Sedikit III
74 Berbau
Asing Tinggi Sedikit Sedang IV
75 Berbau
Asing Tinggi Sedikit Banyak IV
76 Berbau
Asing Tinggi Sedang Sedikit IV
77 Berbau
Asing Tinggi Sedang Sedang IV
78 Berbau
Asing Tinggi Sedang Banyak IV
79 Berbau
Asing Tinggi Banyak Sedikit IV
80 Berbau
Asing Tinggi Banyak Sedang IV
81 Berbau
Asing Tinggi Banyak Banyak IV
1. Menentuka
n Probabilitas Variabel Terhadap Kategori Mutu
a. Probabilitas
Bau Pada Setiap Kategori Mutu
Tabel III.8. Tabel Probabilitas Bau
Himpunan Jumlah Kategori Bau Probabilitas Kategori Bau
I II III IV I II III IV
Tidak Berbau 18 8 1 0 18/27 8/27 1/27 0/27
Berbau Asam 5 14 7 1 5/27 14/27 7/27 1/27
Berbau Asing 0 0 12 15 0/27 0/27 12/27 15/27
55
b. Probabilitas
Kadar Air Pada Setiap Kategori Mutu
Tabel III.9. Tabel Probabilitas Kadar Air
Himpunan Jumlah Kategori Kadar Air Probabilitas Kategori Kadar Air
I II III IV I II III IV
Rendah 11 6 7 3 11/27 6/27 7/27 3/27
Sedang 6 11 6 4 6/27 11/27 6/27 4/27
Tinggi 6 5 7 9 6/27 5/27 7/27 9/27
c. Probabilitas
Butir Rusak Pada Setiap Kategori Mutu
Tabel III.10. Tabel Probabilitas Butir Rusak
Himpunan Jumlah Kategori Butir Rusak Probabilitas Kategori Butir Rusak