BAB III ANALISIS DAN DESAIN SISTEMrepository.potensi-utama.ac.id/jspui/bitstream/123456789... ·...

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


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


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


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


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


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


Sedikit 8 8 9 2 8/27 8/27 9/27 2/27

Sedang 8 9 5 5 8/27 9/27 5/27 5/27

Banyak 7 5 6 9 7/27 5/27 6/27 9/27

d. Probabilitas

Butir Warna Lain Pada Setiap Kategori Mutu

Tabel III.11. Tabel Probabilitas Butir Warna

Himpunan

Jumlah Kategori Butir Warna

Lain

Probabilitas Kategori Butir Warna Lain


Sedikit 12 5 7 3 12/27 5/27 7/27 3/27

Sedang 11 5 6 5 11/27 5/27 6/27 5/27

Banyak 0 12 7 8 0/27 12/27 7/27 8/27

e. Probabilitas

Untuk Setiap Kategori Pada Status Mutu

Tabel III.12. Tabel Probabilitas

Jumlah Kategori Butir Warna

Lain

Probabilitas Kategori Butir Warna Lain


Jumlah 23 22 20 16 23/81 22/81 20/81 16/81

Mencari Likelihood dan Probabilitas

56

a. Perhitunga

n Likelihood

Likelihood Mutu I = 18/27 * 6/27 * 8/27 * 11/27 * 23/81

= 0,00507801744063154

Likelihood Mutu II = 8/27 * 11/27 * 8/27 * 5/27 * 22/81

= 0,00179897558283243

Likelihood Mutu III = 1/27 * 6/27 * 9/27 * 6/27 * 20/81

= 0,000150534113852714

Likelihood Mutu IV = 0/27 * 4/27 * 2/27 * 5/27 * 16/81

= 0

Probabilitas Mutu I = 0,0050 / (0,0050 + 0,0017 + 0,0001 + 0)

= 0,0050 / 0,00702752713731668

= 0,722589517110065

Probabilitas Mutu II = 0,0017 / (0,0050 + 0,0017 + 0,0001 + 0)

= 0,0017 / 0,00702752713731668

= 0,255989845030941

Probabilitas Mutu III = 0,0001 / (0,0050 + 0,0017 + 0,0001 + 0)

= 0,0001 / 0,00702752713731668

= 0,021420637858994

Probabilitas Mutu IV = 0 / (0,0050 + 0,0017 + 0,0001 + 0)

= 0 / 0,00702752713731668

= 0

57

Berdasarkan perhitungan smartmaka hasil tertinggi adalah :

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, maka Mutu Jagung yang diinputkan pengguna adalah

MUTU I I.

Berdasarkan perhitungan naive bayes maka hasil tertinggi adalah :

Probabilitas Mutu I = 0,0050 / (0,0050 + 0,0017 + 0,0001 + 0)

= 0,0050 / 0,00702752713731668

= 0,722589517110065

Karena memiliki nilai probabilitas akhir tertinggi dengan nilai

0,722589517110065.

Jadi, metode smart lebih cocok digunakan dalam menentukan kualitas

jagung karena lebih efektif dan efisien.

III.3Desain Sistem

Desain sistem pada penelitian ini dibagi menjadi dua desain, yaitu desain

sistem secara global untuk penggambaran model sistem secara garis besar dan

desain sistem secara detail untuk membantu dalam pembuatan sistem.

58

III.3.1Desain Sistem Secara Global

Desain sistem secara global menggunakan bahasa pemodelan UML yang

terdiri dari UsecaseDiagram, ClassDiagram,Activity Diagram dan

SequenceDiagram.

III.3.1.1Usecase Diagram

Secara garis besar, bisnis proses sistem yang akan dirancang digambarkan

dengan usecase diagram yang terdapat pada Gambar III.1 :

59

Perbandingan Sistem Pendukung Keputusan Standar Mutu Jagung

Menggunakan Metode Smart dan Naive Bayes pada PT. Indojaya Agrinusa

admin

Login

Data Pengguna

Data Variabel

Data Training

Analisa

Laporan Variabel

<extends>

<extends>

<extends>

<extends>

<include>

Laporan Training

<include>

<include>

<include>

Laporan Analisa

<include>

Gambar III.1. Use CaseDiagram Perbandingan Sistem Pendukung

Keputusan Standar Mutu Jagung Menggunakan Metode Smart dan Naive

Bayes pada PT. Indojaya Agrinusa

III.3.1.2. Class Diagram

Rancangan kelas-kelas yang akan digunakan pada sistem yang akan dirancang

dapat dilihat pada gambar III.2 :

60

Variabel

Training

Pengguna

Himpunan

Detail_training

analisa

[id_variabel]

[nama]

[keterangan]

[jenis]

[bobot]

[mutu]

[id_training]

[id_pengguna]

[nama]

[username]

[password]

[id_himpunan]

[id_variabel]

[nama]

[nilai]

[id_training]

[id_variabel]

[id_himpunan]

[id_analisa]

[tanggal]

[hasil]

1

1

1..*

1

1

11

1..*

Gambar III.2. Class DiagramPerbandingan Sistem Pendukung Keputusan

Standar Mutu Jagung Menggunakan Metode Smart dan Naive Bayes pada

PT. Indojaya Agrinusa

III.3.1.3.ActivityDiagram

Bisnis proses yang telah digambarkan pada usecase diagram diatas

dijabarkan dengan activity diagram :

1. Activity Diagram Login Admin

Aktivitas login yang dilakukan oleh admin dapat diterangkan dengan langkah-

langkah state yang ditunjukkan pada gambar III.3 berikut :

61

Form Login

SistemAdmin

Ph

ase

Click Login Administrasi Form Login

Mengisi Username dan password

Click Login Validasi username dan password

gagalberhasil

Pesan errorHalaman admin

Gambar III.3. Activity Diagram Login

2. Activity Diagram Data Pengguna

Aktivitas yang dilakukan oleh admin pada pengolahan data penggguna dapat

diterangkan dengan langkah-langkah state yang ditunjukkan pada gambar III.4

berikut :

62

Form Data pengguna

SistemAdmin

Phas

e

Click Data pengguna Form pengguna

Click Baru

Isi Data

Click Simpan

ya

Pilih Data

tidak

Data tersimpan

Ubah data

Click Edit

ya

Pilih datatidak

Click Hapus

Data Terhapusya

tidak

Gambar III.4. Activity Diagram Data Pengguna

3. Activity Diagram Data Variabel

Aktivitas yang dilakukan oleh admin pada pengolahan data variabel dapat


berikut :

63

Form Data variabel

SistemAdmin

Phas

e

Click Data variabel Form variabel

Click Baru

Isi Data

Click Simpan

ya

Pilih Data

tidak

Data tersimpan

Ubah data

Click Edit

ya

Pilih datatidak

Click Hapus

Data Terhapusya

tidak

Gambar III.5. Activity Diagram Data Variabel

4. Activity Diagram Data Training

Aktivitas yang dilakukan oleh admin pada pengolahan data training dapat


berikut :

64

Form Data training

SistemAdmin

Phas

e

Click Data training Form training

Click Baru

Isi Data

Click Simpan

ya

Pilih Data

tidak

Data tersimpan

Ubah data

Click Edit

ya

Pilih datatidak

Click Hapus

Data Terhapusya

tidak

Gambar III.6. Activity Diagram Data Training

5. Activity Diagram Analisa

Aktivitas yang dilakukan oleh admin pada pengolahan penentuan buah dapat

diterangkan dengan langkah-langkah state berikut yang ditunjukkan pada gambar

III.7 berikut :

65

Form analisa

SistemAdmin

Ph

ase

Click analisa Form analisa

Menampilkan data

Nilai keputusan

Gambar III.7. Activity DiagramAnalisa

6. Activity Diagram Melihat Laporan Variabel

Aktivitas yang dilakukan dalam melihat informasi mengenai laporan variabel

dapat diterangkan pada gambar III.8 :

66

Laporan variabel

SistemAdmin

Ph

ase

Pilih form variabel

Click cetak laporan Menampilkan laporan variabel

Gambar III.8. Activity Diagram Melihat Laporan Variabel

7. Activity Diagram Melihat Laporan Data Training

Aktivitas yang dilakukan dalam melihat informasi mengenai laporan data

training dapat diterangkan pada gambar III.9 :

Laporan training

SistemAdmin

Ph

ase

Pilih form training

Click cetak laporan Menampilkan laporan training

Gambar III.9. Activity Diagram Melihat Laporan Data Training

8. Activity Diagram Melihat Laporan Analisa

Aktivitas yang dilakukan dalam melihat informasi mengenai laporan data

analisa dapat diterangkan pada gambar III.10 :

67

Laporan analisa

SistemAdmin

Ph

ase

Pilih form analisa

Click cetak laporan Menampilkan laporan analisa

Gambar III.10. Activity Diagram Melihat Laporan Data Analisa

III.3.1.4. Sequence Diagram

Rangkaian kegiatan pada setiap terjadi event sistem digambarkan pada

sequence diagram berikut:

1. Sequence Diagram Login Admin

Serangkaian kinerja sistemlogin yang dilakukan oleh admin dapat diterangkan

dengan langkah-langkah stateyang ditunjukkan pada gambar III.11berikut :

68

Form Login

Form login

Validasi nama

dan password ()

Login sukses ()

Invalid ()

Click login ()

Click reset ()

Admin

Form Login

ProsesTabel Pengguna

Halaman Admin

Gambar III.11. Sequence DiagramLogin

2. Sequence DiagramData Pengguna

Serangkaian kinerja sistem yang dilakukan oleh admin pada pengolahan data

pengguna dapat diterangkan dengan langkah-langkah state yang ditunjukkan

pada gambar III.12 berikut :

69

Form pengguna

Tampilkan Fom ()

Menu ()

click form pengguna

Click baru ()

Click tambah ()

Keluar form ()

Click Edit ()

Click Hapus ()

Admin

Main Form

Form penggunaTabel

pengguna

Proses

Click baru ()

Click tambah ()

Click Edit ()

Click Hapus ()

Gambar III.12. Sequence Diagram Data Pengguna

3. Sequence Diagram Data Variabel

70


variabeldapat diterangkan dengan langkah-langkah state yang ditunjukkan pada

gambar III.13 berikut :

Form variabel

Tampilkan Fom ()

Menu ()

click form variabel

Click baru ()

Click tambah ()

Keluar form ()

Click Edit ()

Click Hapus ()

Admin

Main Form

Form variabel Tabel variabel

Proses

Click baru ()

Click tambah ()

Click Edit ()

Click Hapus ()

Gambar III.13. Sequence Diagram Data Variabel

71

4. Sequence DiagramData Himpunan


himpunandapat diterangkan dengan langkah-langkah state yang ditunjukkan pada


Form Himpunan

Tampilkan Fom ()

Menu ()

click form himpunan ()

Click baru ()

Click tambah ()

Keluar form ()

Click Edit ()

Click Hapus ()

Admin

Main Form

Form himpunan Tabel Himpunan Tabel Variabel

Proses

Click tambah ()

Click Edit ()

Click Hapus ()

Gambar III.14. Sequence Diagram Data Himpunan

5. Sequence DiagramTraining


trainingdapat diterangkan dengan langkah-langkah stateyang ditunjukkan pada


72

Form Training

Tampilkan Fom ()

Menu ()

click form Training

Click baru ()

Click tambah ()

Keluar form ()

Click Edit ()

Click Hapus ()

Admin

Main Form

Form Training Tabel Training

Proses

Click baru ()

Click tambah ()

Click Edit ()

Click Hapus ()

Gambar III.15. Sequence Diagram Data Training

6. Sequence DiagramAnalisa

73

Serangkaian kinerja sistem yang dilakukan oleh admin pada pengolahan

analisadapat diterangkan dengan langkah-langkah stateberikut yang ditunjukkan

pada gambar III.16 berikut :

Form analisa

Tampilkan Fom ()

Menu ()

click form analisa

Click Analisa ()

Click simpan ()

Keluar form ()

Admin

Main Form

Form analisa Tabel detail_training

Proses

Click Analisa ()

Click simpan ()

Gambar III.16. Sequence Diagram Analisa

7. Sequence DiagramMelihat Laporan Variabel

Serangkaian kinerja sistem yang dilakukan dalam melihat informasi

mengenai laporan variabeldapat diterangkan pada gambar III.17:

74

Laporan Daftar variabel

Tampilkan Fom ()

Menu ()

click form Laporan variabel ()

Informasi data ()

Keluar form ()

Admin

Form Laporan

Proses Tabel variabel

Gambar III.17. Sequence DiagramMelihat Laporan Variabel

8. Sequence DiagramMelihat Laporan Data Training


mengenai laporan data trainingdapat diterangkan pada gambar III.18:

75

Laporan Training

Tampilkan Fom ()

Menu ()

click form Training ()

Informasi data ()

Keluar form ()

Admin

Form Laporan

Proses Tabel Training

Gambar III.18. Sequence DiagramMelihat Laporan Data Training

9. Sequence DiagramMelihat Laporan Data Analisa


mengenai laporan data analisa dapat diterangkan pada gambar III.19 :

76

Laporan analisa

Tampilkan Fom ()

Menu ()

click form analisa ()

Informasi data ()

Keluar form ()

Admin

Form Laporan

Proses Tabel analisa

Gambar III.19. Sequence DiagramMelihat Laporan Data Analisa

III.4.Desain Basis Data

Desain basis data terdiri dari tahap melakukan perancangannormalisasi tabel

dan merancang struktur tabel.

77

III.4.1. Normalisasi

Tahap normalisasi ini bertujuan untuk menghilangkan masalah berupa

ketidakkonsistenan apabila dilakukannya proses manipulasi data seperti

penghapusan, perubahan dan penambahan data sehingga data tidak ambigu.

III.4.1.1. Normalisasi Data Hasil Analisa

Normalisasi data nilai dilakukan dengan beberapa tahap normalisasi sampai

data nilai ini masuk ke tahap normal dimana tidak ada lagi redundansi data.

Berikut ini adalah tahapan normalisasinya:

1. Bentuk Tidak Normal

Bentuk tidak normal dari data nilai ditandai dengan adanya baris yang satu

atau lebih atributnya tidak terisi, bentuk ini dapat dilihat pada tabel III.1 dibawah

ini:

Tabel III.1 Data Hasil Analisa Tidak Normal No

Himpunan No Variabel Nama Nilai

HI001 VR001 Tidak Berbau 3

HI002 Berbau Asam 2

HI003 Berbau Asing 1

HI004 VR002 Rendah 3

HI005 Sedang 2

HI006 Tinggi 1

HI007 VR003 Sedikit 3

HI008 Sedang 2

HI009 Banyak 1

HI010 VR004 Sedikit 3

HI011 Sedang 2

HI012 Banyak 1

78

2. Bentuk Normal Pertama (1NF)

Bentuk normal pertama dari data nilai merupakan bentuk tidak normal yang

atribut kosongnya diisi sesuai dengan atribut induk dari record-nya, bentuk ini

dapat dilihat pada tabel III.2 di berikut ini:

Tabel III.2 Data Hasil Normal Pertama No

Himpunan Keterangan

No

Variabel Nama Nilai

HI001 Bau dari jagung VR001

Tidak

Berbau 3


Berbau

Asam 2


Berbau

Asing 1

HI004 Tingkat Kadar Air Jagung VR002 Rendah 3

HI005 Tingkat Kadar Air Jagung VR002 Sedang 2

HI006 Tingkat Kadar Air Jagung VR002 Tinggi 1

HI007 Jumlah Butir Rusak VR003 Sedikit 3

HI008 Jumlah Butir Rusak VR003 Sedang 2

HI009 Jumlah Butir Rusak VR003 Banyak 1

HI010

Jumlah Butir Yang Tidak Sesuai (Tidak Kuning

Untuk Jagung Kuning, Tidak Putih Untuk Jagung

Putih) VR004 Sedikit

3

HI011



Putih) VR004 Sedang

2

HI012



Putih) VR004 Banyak

1

3. Bentuk Normal Kedua (2NF)

Bentuk normal kedua dari data nilai merupakan bentuk normal pertama,

dimana telah dilakukan pemisahan data sehingga tidak adanya ketergantungan

parsial. Setiap data memiliki kunci primer untuk membuat relasi antar data,

bentuk ini dapat dilihat pada tabelberikut ini:

79

Tabel III.3. Data Variabel2NF

No Variabel Nam Keterangan Jenis Bobot

VR001 Bau Bau dari jagung Diskrit 15

VR002 Kadar

Air Tingkat Kadar Air Jagung Diskrit 20

VR003 Butir

Rusak Jumlah Butir Rusak Diskrit 35

VR004

Butir

Warna

Lain

Jumlah Butir Yang Tidak Sesuai (Tidak

Kuning Untuk Jagung Kuning, Tidak Putih

Untuk Jagung Putih)

Diskrit 30

III.4.2. Desain Tabel

Setelah melakukan tahap normalisasi, maka tahap selanjutnya yang

dikerjakan yaitu merancang struktur tabel pada basis data sistem yang akan

dibuat, berikut ini merupakan rancangan struktur tabel tersebut:

1. Struktur Tabel Analisa

Tabel analisa digunakan untuk menyimpan data, selengkapnya mengenai

struktur tabel ini dapat dilihat pada tabel III.4 berikut :

Tabel III.4 Rancangan Tabel Analisa

Nama Database Indojaya Agrinusa

Nama Tabel dbo.analisa

No Nama Field Tipe Data Boleh Kosong Kunci

1. id_analisa char(10) Tidak Primary Key

2. tanggal datetime Tidak -

3. hasil varchar(30) Tidak -

2. Struktur Tabel Detail_training

Tabel detail_training digunakan untuk menyimpan data, selengkapnya

mengenai struktur tabel ini dapat dilihat pada tabel III.5 berikut:

80

Tabel III.5 Rancangan Tabel Detail Training


Nama Tabel dbo.detail_training


1. id_training Int Tidak Primary Key

2. id_variabel char(5) Tidak -

3. id_himpunan char(5) Tidak -

3. Struktur Tabel Himpunan

Tabel himpunan digunakan untuk menyimpan data, selengkapnya mengenai

struktur tabel ini dapat dilihat pada tabel III.6 berikut:

Tabel III.6 Rancangan Tabel Himpunan


Nama Tabel dbo.himpunan


1. id_himpunan char(5) Tidak Primary Key


3. nama varchar(30) Tidak -

4. nilai Int Tidak -

4. Struktur Tabel Pengguna

Tabel pengguna digunakan untuk menyimpan, selengkapnya mengenai

struktur tabel ini dapat dilihat pada tabel III.7 berikut :

Tabel III.7 Rancangan Tabel Pengguna


Nama Tabel dbo.pengguna


1. id_pengguna char(5) Tidak -


3. username varchar(15) Tidak -

4. password varchar(15) Tidak -

81

5. Struktur Tabel Training

Tabel training digunakan untuk menyimpan data, selengkapnya mengenai


Tabel III.8 Rancangan Tabel Training


Nama Tabel dbo.training


1. id_training Int Tidak Primary Key

2. mutu char(3) Tidak -

6. Struktur Tabel variabel

Tabel variabeldigunakan untuk menyimpan data, selengkapnya mengenai


Tabel III.9 Rancangan Tabel Variabel


Nama Tabel dbo.Variabel




3. keterangan text Tidak -

4. bobot Int Tidak -

III.5. Desain Interface

Tahap perancangan berikutnya yaitu desain sistem secara detail yang meliputi

desain output sistem dan desain input sistem.

1. Desain FormLogin admin

Serangkaian kinerja sistemlogin yang dilakukan oleh admin dapat

diterangkan dengan langkah-langkah stateyang ditunjukkan pada gambar III.19

berikut :

82

Form Login

xxx

xxx

Username :

Password :

Login

Gambar III.19. Desain Form Login

2. Desain Form Data Pengguna

Desain form untuk melakukan pengolahan data pengguna dapat diterangkan

dengan langkah-langkah state yang ditunjukkan pada gambar III.20 berikut :

Form Pengguna

999

xxx

xxx

xxx

ID Pengguna :

Nama :

Username :

Password :

SImpan Batal

Gambar III.20. Desain Form Data Pengguna

83

3. Desain FormData Variabel

Desain form untuk melakukan pengolahan data variabeldapat diterangkan


Form Variabel

ID Variabel :

Nama :

Keterangan :

Jenis (Naive Bayes) :

SImpan Batal

Bobot (Smart) :

Gambar III.21. Desain Form Data Variabel

4. Desain Form Data Himpunan

Desain form untuk melakukan pengolahan data himpunan dapat diterangkan


84

Form Himpunan

999

xxx

999

ID Himpunan :

Nama :

Nilai (Smart) :

SImpan Batal

Gambar III.22. Desain Form Data Himpunan

5. Desain Form Analisa

Desain form untuk melakukan pengolahan analisadapat diterangkan dengan

langkah-langkah stateberikut yang ditunjukkan pada gambar III.24 berikut :

Form Analisa

Data Analisa

Analisa

Gambar III.24. Desain Form Analisa

85

6. Desain Form Melihat Laporan Variabel

Desain form untuk melihat informasi mengenai laporan variabeldapat

diterangkan pada gambar III.25:

Gambar III.25. Desain Form Melihat Laporan Variabel

7. Desain Form Melihat Laporan Data Training

Desain form untuk melihat informasi mengenai laporan trainingdapat

diterangkan pada gambar III.26:

Gambar III.26. Desain Form Melihat Laporan Training

86

8. Desain Form Melihat Laporan Analisa

Desain form untuk melihat informasi mengenai laporan analisa dapat

diterangkan pada gambar III.27 :

Gambar III.27. Desain Form Melihat Laporan Analisa

BAB III ANALISIS DAN DESAIN SISTEMrepository.potensi-utama.ac.id/jspui/bitstream/123456789... ·...

Documents

Transcript of BAB III ANALISIS DAN DESAIN SISTEMrepository.potensi-utama.ac.id/jspui/bitstream/123456789... ·...