JURNAL

RANCANG BANGUN PERANGKAT LUNAK MENGKLASIFIKASI KUALITAS BIJI KOPI DENGAN METODE

BACPROPAGATION(STUDI KASUS : MATERIAL WAREHOUSE PT. SANTOS JAYA ABADI)

Disusun Oleh :

JARWO JIWO KUSUMONIM : 04209018

PROGRAM STUDI SISTEM INFORMASIFAKULTAS ILMU KOMPUTER

UNIVERSITAS NAROTAMASURABAYA

2014

RANCANG BANGUN PERANGKAT LUNAK MENGKLASIFIKASI KUALITAS BIJI KOPI DENGAN METODE

BACPROPAGATION(STUDI KASUS : MATERIAL WAREHOUSE PT. SANTOS JAYA ABADI)

Jarwo Jiwo Kusumo

Mahasiswa Program Studi Sistem Informasi, Universitas Narotama

Dosen Pembimbing I : Drs. Didik Tristianto S.Kom, M.Kom Dosen Pembimbing II : Mustika Mentari, S.Kom

ABSTRAK

Material Warehouse merupakan gudang penyimpanan biji kopi, pengelolaan data biji kopi yang ada di gudang masih dilakukan secara manual. Penilaian disposisi merupakan hasil keputusan dari proses Nilai cacat, standart mutu, Grade untuk menentukan kualitas biji kopi. Perangkat lunak mengklasifikasi kualitas biji kopi ini dibuat untuk membantu dan memudahkan pihak gudang secara komputerisasi, agar penetuan kualitas biji kopi dapat berjalan dengan baik. Tujuan dari penelitian ini adalah membuat perangkat lunak yang dapat menetukan kualitas biji kopi dengan menggunakan metode jaringan saraf tiruan (backpropagation).Arsitektur jaringan saraf tiruan yang digunakan adalah multilayer neural network, dengan algoritma pembelajaran backpropagation. Untuk membantu menentukan nilai grade pada biji kopi. Dari hasil penelitian ini menggunakan algoritma backpropogation dengan tingkat keakurasian 96,7 % dan disimpulkan sistem yang sudah dibangun dapat menentukan nilai disposisi berdasarkan kualitas biji kopi dengan baik.

Kata Kunci : Material Warehouse, Klasifikasi Perangkat Lunak, Backpropagation, Biji kopi,

Komputerisasi, Grade.

1. PENDAHULUAN

Persediaan bahan baku biji kopi memiliki

peranan penting dalam mendukung kelancaran

proses produksi. Oleh karena itu persediaan bahan

baku perlu direncanakan dengan baik. Untuk

melakukan perencanaan dan pengendalian yang

baik demi peningkatan kwalitas bahan baku biji

kopi maka diperlukan suatu metode pengendalian

yang tepat serta sistem basis data yang efektif

sehingga mampu bekerja secara terkomputerisasi

dengan baik. Pengendalian persediaan bahan baku

menggunakan metode Backpropogation.

Dalam pembuatan tugas akhir ini mengacu

beberapa hasil penelitian terdahulu. Dari beberapa

hasil penelitian dari Kiki Sri Kusumadewi, dan

Nurtriana Hidayati , maka dapat digambarkan

beberapa konsep yang berbeda tapi dapat membuat

sebuah keputusan dengan adanya metode

Backpropogation. Konsep yang diterapkan pada

skripsi ini dengan referensi penelitian

sebelumnya adalah pada penggunaan metode,

yaitu metode Backpopogation. Sedangkan, jurnal

yang di lakukan oleh Julianus Dising, Musa

Palungan dan sudianto lande lebih menekan kan

kepada desain alat pengupas dan peningkatan

kualiatas dan kuantitas biji kopi. Sehingga

perbedaan antara skripsi ini dengan jurnal

penelitian tersebut adalah pada letak

pembahasannya. Pada skripsi ini lebih difokuskan

pada sistem database-nya untuk menjelaskan

bagaimana cara agar biji kopi pada material

warehouse di PT. Santos Jaya Abadi dapat

dilakukan suatu identifikasi yang dibantu dengan

sistem penunjang keputusan untuk meningkatakan

kualitas biji kopi serta rancangan permodelan

hasil laporan biji kopi.

Dengan adanya sistem basis data yang

terkomputerisai dengan baik, pengambilan

keputusan dapat dilakukan dengan lebih cepat dan

tepat karena didukung oleh data-data yang akurat.

Dalam penelitian ini, metode Backpropagation

merupakan sebuah metode sistematik pada

jaringan saraf tiruan dengan menggunakan

algoritma pembelajaran yang terawasi dan

biasanya digunakan oleh perceptron dengan

banyak layar lapisan untuk mengubah bobot-bobot

yang ada pada lapisan tersembunyinya.

Backpropagation adalah pelatihan jenis terkontrol

dimana menggunakan pola penyesuaian bobot

untuk mencapai nilai kesalahan yang minimum

antara keluaran hasil prediksi dengan keluaran

yang nyata. (F.Suhandi, 2009)

2. TINJAUAN PUSTAKA

2.1. Kualitas Biji Kopi

Dalam menetukan mutu biji kopi PT.

Santos Jaya Abadi mengacu pada penggunaan

Sistem Nilai Cacat (Defects Value System) sesuai

keputusan ICO (International Coffe Organization).

Dalam sistem cacat, semakin banyak nilai

cacatnya, mutu kopi akan semakin rendah dan

sebaliknya

Dewan ICO (International Coffee

Organization) awal tahun 2002 mengadakan

sidang dan menghasilkan Resolusi No. 407 yang

berisi Program Perbaikan Mutu Kopi yang mulai

efektif diberlakukan per 1 Oktober 2002. Standar

minimum dalam Resolusi 407 adalah :

a. Kopi Arabika : nilai cacat maks 86 per 300 gr sample menurut standar mutu Brazil/New York

b. Kopi Robusta : nilai cacat maks 150 per 300 gr sample menurut standar mutu Indonesia/ Vietnam

c. Kadar Air : maks 12,5 % berdasarkan metode ISO 6673

2.2. Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan (JST) merupakan

salah satu sistem pemrosesan informasi atau data

yang didisain dengan menirukan cara kerja otak

manusia dalam menyelesaikan suatu masalah

dengan melakukan proses belajar melalui

perubahan bobot sinapsisnya. JST yang berupa

susunan sel-sel saraf tiruan (neuron) dibangun

berdasarkan prinsip-prinsip organisasi otak

manusia. Salah satu metode yang digunakan dalam

JST adalah Backpropagation.

3. METODOLOGI PENELITIAN

3.1. Arsitektur Backpropagation

Arsitektur algoritma backpropagation

terdiri dari tiga layer, yaitu input layer, hidden

layer dan output layer. Pada input layer tidak

terjadi proses komputasi, namun pada input layer

terjadi pengiriman sinyal input X ke hidden layer.

Pada hidden dan output layer terjadi proses

komputasi terhadap bobot dan bias dan dihitung

pula besarnya output dari hidden dan output layer

tersebut berdasarkan fungsi aktivasi tertentu.

Dalam algoritma backpropagation ini digunakan

fungsi aktivasi sigmoid biner seperti dijelaskan

pada gambar 1.1 dibawah ini, .

Gambar 2.2 Arsitektur Backpropagration

( Sumber: Algoritma backpropagation kusumadewi, 2013  )

Pada penjelasan gambar diatas bahwa nilai

(X) merupakan nilai masukan yang akan di uji,

nilai (V) adalah bobot pada lapisan tersembunyi.

Dimana nilai (V) akan menjadi nilai baru pada

hidden layer yang diwakilkan dengan nilai (Z).

Sedangkan nilai (W) merupakan bobot pada

lapisan keluaran, yang akhirnya akan menentukan

nilai keluaran yaitu nilai (Y)

Pada dasarnya, algoritma pelatihan standar

backpropagation akan menggerakkan bobot

dengan arah gradien negatif. Prinsip dasar dari

algoritma backpropagation adalah memperbaiki

bobot-bobot jaringan dengan arah yang membuat

fungsi aktivasi menjadi turun dengan cepat.

Pelatihan backpropagation meliputi 3 fase sebagai

berikut ( Hito Mario, 2009 )

a) Fase 1, yaitu propagasi maju.

Pola masukan dihitung maju mulai dari layar

masukan hingga layar keluaran menggunakan

fungsi aktivasi yang ditentukan.

b) Fase 2, yaitu propagasi mundur.

Selisih antara keluaran jaringan dengan target yang

diinginkan merupakan kesalahan yang terjadi.

Kesalahan yang terjadi itu dipropagasi mundur.

Dimulai dari garis yang berhubungan langsung

dengan unit-unit di layar keluaran.

c) Fase 3, yaitu perubahan bobot.

Modifikasi bobot untuk menurunkan kesalahan

yang terjadi. Ketiga fase tersebut diulang-ulang

terus hingga kondisi penghentian dipenuhi.

Algoritma pelatihan untuk jaringan

backpropagation dengan satu layar tersembunyi

(dengan fungsi aktivasi sigmoid biner) adalah

sebagai berikut.

1. Langkah 0

Inisialisasi semua bobot dengan bilangan

acak kecil.

2. Langkah 1

Jika kondisi penghentian belum dipenuhi,

lakukan langkah 2-8.

3. Langkah 2

Untuk setiap pasang data pelatihan pada

langkah 3-8

4. Langkah 3 (langkah 3-5 merupakan fase 1)

Tiap unit masukan menerima sinyal dan

meneruskannya ke unit tersembunyi diatasnya.

5. Langkah 4

Hitung semua keluaran di unit

tersembunyi zj (j = 1, 2,..., p).

6. Langkah 5

Hitung semua keluaran jaringan di unit

keluaran yk (k = 1, 2,...,m).

7. Langkah 6 (langkah 6-7 merupakan fase 2)

Hitung faktor δ unit keluaran berdasarkan

kesalahan disetiap unit keluaran yk (k = 1, 2,..

m).

δk merupakan unit kesalahan yang akan

dipakai dalam perubahan bobot layar

dibawahnya. Hitung perubahan bobot wkj

dengan laju pemahaman α .

8. Langkah 7

Hitung faktor δ unit tersembunyi berdasarkan

kesalahan di setiap unit tersembunyi zj (j = 1,

Faktor δ unit tersembunyi.

Hitung suku perubahan bobot vji.

9. Langkah 8 (fase 3)

Hitung semua perubahan bobot. Perubahan

bobot garis yang menuju ke unit keluaran,

yaitu:

Perubahan bobot garis yang menuju ke unit

tersembunyi, yaitu:

Parameter α merupakan laju

pemahaman yang menentukan kecepatan

iterasi. Nilai α terletak antara 0 dan 1 (0 ≤ α ≤

1). Semakin besar harga α , semakin sedikit

iterasi yang dipakai. Akan tetapi jika harga α

terlalu besar, maka akan merusak pola yang

sudah benar sehingga pemahaman menjadi

lambat. Satu siklus pelatihan yang melibatkan

semua pola disebut epoch.

.

Setelah dilakukan penerimaan digudang,

biji kopi akan melalui proses penilaian nilai cacat.

Dari laporan hasil nilai cacat akan diketahui Mutu

(Grade) dan Disposisi untuk kelayakan pakai

diproduksi.

Table 3.1. Standar Mutu

Mutu persyaratan

Mutu (Grade) 1 Total Nilai Cacat max 11

Mutu (Grade) 2 Total Nilai Cacat 12-25

Mutu (Grade) 3 Total Nilai Cacat 26 -44

Mutu (Grade) 4 Total Nilai Cacat 45 -80

Mutu (Grade) 5 Total Nilai Cacat 81-150

Mutu (Grade) 6 Total Nilai Cacat 151-225

Setelah dilakukan penerimaan

digudang, biji kopi akan melalui proses

penilaian nilai cacat. Dari laporan hasil nilai

cacat akan diketahui Mutu (Grade) dan

Disposisi untuk kelayakan pakai diproduksi.

Tabel 3.2. Level Grade Bahan

Disposisi Kadar Air Nilai Cacat

Boleh Dipakai <= 12,5 % <= 80

Ditahan >= 12,5 % <= 80

Tukar Guling >=15 % >= 80

Dalam proses perhitungan terdapat

sebuah proses peramalan dengan

menggunakan Algoritma Backpropogation,

model dapat dilihat pada Gambar 3.11 .

Gambar 3. 1 Flowchart algoritma

4. HASIL DAN PEMBAHASAN

4.1. Implementasi desain

Pada bab ini akan diuraikan mengenai

hasil penelitian yang telah dibuat. Hasil penelitian

dari perancangan sistem informasi persediaan

barang ini menggunakan VB.Net sebagai software

aplikasi pemrograman dan MySQL sebagai

software aplikasi pengolah database. Pada sistem

penentuan kualitas biji kopi ini dibedakan menjadi

tiga, yaitu admin gudang, Quality Control,dan

Coordinator. Admin gudang hanya dapat

mengakses menu penerimaan barang dan laporan

penerimaan barang. Untuk Quality Control dapat

mengakses pengelolahan barang, master grade

dan laporan pegolahan barang.. Sedangkan untuk

oordinator bias mengakses kesuluruhan menu

yang ada di program sistem penetuan kualitas biji

kopi.

Pada form ini pengguna dalam pengolahan

data training, data filter, data result, dan data

testing. Untuk itu akan dijabarkan ditiap

bagiannya

Gambar 4. 1 Form pengolahan bahan Training procees

Gambar 4. 2 Form pengolahan bahan Testing procees

4.1. Implementasi hasil

Tabel 4.1 Pengujian Aplikasi ke dalam

Koneksi Database

Menu Koneksi ke Database

MySQL

Sukses Gagal

Login √

Master Item √

Master Lot √

Master Grade √

Transaksi penerimaan

barang

√

Transaksi pegolahan

barang

√

Laporan √

Pengujian sistem dilakukan untuk

memeriksa elemen-elemen sistem berfungsi sesuai

yang diharapkan. Pengujian sistem termasuk juga

pengujian program secara menyeluruh.

Kesimpulan program yang telah diintegrasikan

perlu diuji coba untuk melihat apakah sebuah

program dapat menerima dengan baik

Dari tabel pengujian aplikasi ke dalam

koneksi database terlihat bahwa semua menu

mulai dari menu login sampai laporan berhasil

dengan baik.

4.3.2 Pengujian Peramalan Barang

Tabel 4.4 Pengujian Peramalan Barang

ITEM lot kadar air cacat Grade Disposisi Program Disposisi Manual Target

KOPI BIJI 02 G0.ALXX 9.50 80 4 DIPAKAI DIPAKAI 1KOPI BIJI 02 G0.BBXX 11.10 75 4 DIPAKAI DITAHAN 1KOPI BIJI 02 G0.MCSX 10.00 20 2 DIPAKAI DIPAKAI 1KOPI BIJI 02 G0.ALXX 10.00 80 4 DIPAKAI DIPAKAI 1KOPI BIJI 02 G0.BBXX 11.00 75 4 DIPAKAI DIPAKAI 1KOPI BIJI 02 G0.MCSX 10.00 20 2 DIPAKAI DIPAKAI 1KOPI BIJI 02 G0.BTXX 15.00 85 5 TUKAR GULING TUKAR GULING 1KOPI BIJI 02 G0.ALXX 18.00 170 6 TUKAR GULING TUKAR GULING 1KOPI BIJI 03 G0.BNXX 12.00 79 4 DIPAKAI DIPAKAI 1KOPI BIJI 03 G0.ALXX 13.00 77 4 DITAHAN DITAHAN 1KOPI BIJI 03 G0.BBXX 14.00 76 4 DITAHAN DITAHAN 1KOPI BIJI 03 G0.PCXX 14.00 45 4 DITAHAN DITAHAN 1KOPI BIJI 03 G0.MCSX 17.00 90 5 TUKAR GULING TUKAR GULING 1KOPI BIJI 05 G0.SAXX 16.00 89 5 TUKAR GULING TUKAR GULING 1KOPI BIJI 06 G0.DMXX 12.00 18 2 DIPAKAI DIPAKAI 1KOPI BIJI 06 G0.PPXX 14.00 40 3 DITAHAN DITAHAN 1KOPI BIJI 07 G0.BTXX 12.00 22 2 DIPAKAI DIPAKAI 1KOPI BIJI 07 G0.SAXX 15.00 15 2 DITAHAN DITAHAN 1KOPI BIJI 07 G0.SMXX 13.00 14 2 DITAHAN DITAHAN 1KOPI BIJI 07 G0.ALXX 18.00 94 5 TUKAR GULING TUKAR GULING 1KOPI BIJI 07 G0.PCXX 16.00 90 5 TUKAR GULING TUKAR GULING 1KOPI BIJI 08 G0.SAXX 14.00 12 2 DITAHAN DITAHAN 1KOPI BIJI 08 G0.BROX 15.00 95 5 TUKAR GULING TUKAR GULING 1KOPI BIJI 09 G0.MCSX 13.00 81 5 DITAHAN TUKAR GULING 0KOPI BIJI 09 G0.MCSX 13.00 25 2 DITAHAN DITAHAN 1KOPI BIJI 10 KL/S G0.KLXX 15.00 98 5 TUKAR GULING TUKAR GULING 1KOPI BIJI 10* G0.ETHS 15.00 89 5 TUKAR GULING TUKAR GULING 1KOPI BIJI 11 G0.MCSX 13.00 56 4 DITAHAN DITAHAN 1KOPI BIJI 12 G0.KLXX 12.00 47 4 DIPAKAI DIPAKAI 1KOPI BIJI 12 G0.LWXX 15.00 86 5 TUKAR GULING TUKAR GULING 1

Hasil persentasi error 3,3 %Hasil persentasi keakuratan 96,7 %

Terlihat pada tabel bahwa nilai error sebesar 3,3%. Sehingga dapat diperoleh hasil keakuratan

sebesar 96,7 %. Nilai error ini masih dianggap wajar kareana masih mendekati nilai sebenarnya.

5. KESIMPULAN

Mempercepat respon dari pihak

karyawan gudang dalam mengelola data,

sehingga lebih akurat dalam memberikan

informasi kopi dalam penetuan kode dan grade

yang terdapat di gudang. Mampu menganalisis

dan perancangan sistem yang telah dibuat dan

dapat membantu dalam pengecekan disposisi

dengan cepat. Sehingga kopi biji yang masuk

dapat segera diketahui jenis keputusannya

yaitu dipakai, ditahan, tukar guling.

Target output yang diinginkan lebih

mendekati ketepatan dalam melakukan

pengujian, yaitu persentase akurasi sebesar

96,7% Sedangakan persentase error 3,3 %,

angka tersebut berasal dari 30 data yang diuji

dari 100 data yang ada. Nilai error ini masih

dianggap wajar kareana masih mendekati nilai

sebenarnya.

6. DAFTAR PUSTAKA

Cypta, ( 2013 ), Essensi Indonesia, diakses 10 Oktober 2013 20.00 WIB

http://www.thecrowdvoice.com/post/esensi-indonesia-2-4144065.html

Dising Julianus, Palungan Musa dan landeSudianto (2013 ) “Desain Alat Pengupas kulit

Tanduk Kopi Untuk Meningkatkan Kualitas Dan Kuantitas Biji Kopi ” Poleteknik Pertanian Negeri Kupang dan UKI Paulus Makssar

F.Suhandi, ( 2009) “Prediksi Hrga Saham dengan Pendekatan Artificial Neural Network menggunakan Algoritma Backpropogation.” Diakses 19 Agustus 2014 10.00 WIB http://krisnafebrianto.blog.upi.edu//

Gaspersz, Vincent ( 1998 ), “Analisis sistem terapan”, Gramedia pustaka utama

Halpin, W., Daniel & Riggs, S. Leland. (1992). “Planning and analysis of

constructon operation”. United States : John Wiley & Sons, Inc.

Hartono, Jogiyanto. ( 2001 ) “Analisis & Desain

Sistem Informasi: PendekatanTerstruktur Teori dan Praktik Aplikasi Bisnis”.

ANDI Yogyakarta

Haryanto, Steven. (2005). “Kumpulan Resep Query Menggunakan MYSQL”.

DIAN Rakyat Jakarta

Hermawan, A. (2006). “Jaringan Syaraf Tiruan Teori dan Aplikasi”. Yogyakarta: Penerbit Andi

Hidayati Nurtriana (2013) “Aplikasi SistemPenentuan penilaian Dosen Teladandengan metode Forward dan Backpropogation”Universitas Diponegoro

Hito Mario, ( 2009 ) “Jaringan Syaraf Tiruan”,Laporan Akhir Pratikum, Universitas Gunadarma

Howard, ( 1997 ). “ Intelegence Multiple Perspectives”, USA : Thomson Learning

Jhon W.Satzinger., Robert B.Jackson.Stephen D.Burd. ( 2007 ) “ System

Analys and Design in a Changing Word, fourth edition, New York” :

Thomson Course Technology,

Kusual digital, (2012) , 7 kopiterkenal dari Indonesia, diakses 27 September 2013 19.25WIB http://bisangopi.com/component/content/article/3-jenis-kopi/7 tocabica

Kusumadewi, S. (2003). “Artifical Intellegence (Teknik dan Aplikasinya)”. Yogyakarta: Graha Ilmu

Kusumadewi, Kiki Sri (2004) “Analisis JaringanSyaraf Tiruan dengan MetodeBackpropogation untuk mendeteksi gangguanpsikologis ” Universitas Islam Indonesia

Nugroho, Agung (2004) “ Pengenalan Pola Karakter Huruf Jawa Menggunakan Syaraf Tiruan LVQ ( Learning Jaringan Quantization )”, Tugas Akhir MIPA UNDIP, Semarang

Permana P. Irfan, (2013 ) “ Sistem Informasi Persediaan Barang Menggunakan Metode Exponential Smoothing Tunggal Untuk Menanggulangi Terjadinya Loss Supply”, Universitas Narotama Surabaya

Pressman, Roger S (2002). “Rekayasa Perangkat Lunak Pendekatan Praktisi (BUKU SATU).” Yogyakarta:ANDI.

Priyanto, Rahmat. (2009). “Visual Basic.NET 2008”. ANDI Yogyakarta

Puspaningrum, D. (2006). “Pengantar Jaringan Syaraf Tiruan”. Yogyakarta Andi

Offset

Riyan, (2013) , Jenis - jenis kopi asli Indonesia, diakses 23 September 2013, 21.30 WIB http://www.describeindonesia.com/lifestyle/item/108-jenis-jenis-kopiasli indonesia.html

Sutrabri , Tata ( 2004 ).” Analisis sistem informasi”, ANDI Yogyakarta

Turban, Efraim (1995) “Decision Support Systems and Intelligent Systems”, United States.

Wilkinson, Joseph ( 1993 ) ”Accounting and

information system”, United States : John Wiley & Sons, Inc.