BAB III METODOLOGI PENELITIAN 3.1
Metodologi Metodologi Penelitian Metode penelitian yang digunakan dalam penelitian yang berjudul “Penerapan Metode Learning Vector Quantization Pada Pemilihan Tanaman Hortikultura Untuk Lahan Sempit” Sempit” dengan pola sisklus hidup pengembangan system System Development Life Cycle (SDLC). Pertimbangan menggunakan model ini karena mempunyai tahapan yang cukup lengkap dan terstruktur. Informasi ini menyangkut langkah-langkah yang diperlukan untuk merancang sistem tersebut. Berikut studi yang digunakan dalam pengumpulan informasi:
Gambar 2. Metode Penelitian
3.1.1 Perencanaan Sistem Perencanaan sistem adalah tahap dimana pembelajaran mengenai kasus atau permasalahan yang akan diselesaikan. Dengan melakukan studi kelayakan yaitu, penjadwalan, serta biaya operasional, setelah menetukan topik penelitian sebagai pembahasan yang akan dikembangkan, dalam tahap perencanaan terdapat 2 tahap lagi untuk mendapatkan data yang dibutuhkan yaitu: 1. Studi Lapang Studi Lapang adalah pengumpulan data secara langsung ke lapangan dengan mempergunakan teknik pengumpulan data sebagai berikut : A. Observasi Pada metode observasi, dilakukan penelitian dan pengamatan langsung pada kebun Sabisa Farm dan pusat penelitian dan pengembangan hortikultura dalam pengumpulan dan memperoleh data yang dibutuhkan.
12
B. Wawancara Pada metode wawancara, dilakukan tanya jawab dan diskusi secara langsung kepada pihak bersangkutan mengenai informasi yang akan dibuat dalam penelitian. 2. Studi Kelayakan Studi kelayakan disini dimaksudkan untuk mencari studi pustaka dengan cara mencari referensi-referensi yang mendukung dalam menyelesaikan masalah. Referensi yang digunakan dapat berupa buku, jurnal-jurnal, buku elektronik (e-book) dan literatur-literatur yang ada dijaringan internet lainnya. 3.1.2. Analisis Sistem Tahap analisis sistem dilakukan dengan teknik penjadwalan proyek, teknik wawancara, teknik observasi, teknik daftar pertanyaan, teknik pengambilan sample, sample, teknik analisa biaya-manfaat, teknik rapat serta teknik inspektif-walthrough. Semua itu diharapkan dapat memberikan informasi berupa kondisi awal sistem seperti organisasi, personil, prosedur kerja dan lingkungan kerja dari sistem lama, sehingga diketahui kelebihan dan kekurangan sistem tersebut dan setelah itu dilakukan penyeleksian data dan pengolahan data, untuk menganalisis kebutuhan sistem yang akan dibangun. 3.1.2.1 Analisis Metode Learning Vector Quantization Tahapan proses pemilihan kriteria tanaman holtikultura dipengaruhi faktorfaktor yang telah dijelaskan sebelumnya. Untuk dapat memilih tanaman holtikultura tersebut digunakanlah metode LVQ, Algoritma pembelajaran pada LVQ bertujuan mencari nilai bobot yang sesuai untuk mengelompokkan vektor-vektor input ke ke dalam kelas yang sesuai dengan yang telah diinisialisasi pada saat pembentukan jaringan LVQ. Tahapan pemilihan menggunakan metode tersebut digambarkan pada flowchart yang dapat dilihat pada gambler 2.0.
13
Gambar 3. Flowchart Metode LVQ 1.
Tetapkan bobot (w), Bobot (w) diambil dari penelitian tentang tanaman holtikultura sayuran seperti bawang merah, kentang, selada, tomat, cabai rawit, cabai merah.yang didapatkan dari data penelitian pusat penelitian dan pengembangan tanaman holtikultura dimana data tersebut sudah dipublikasikan kepada masyarakat. 2.
Masukkan: a. Input : x(m,n); dimana m = jumlah input dan n = jumlah data b. Target : T(1,n)
3.
Maksimum iterasi/epoch MaxEpoch), Error minimum (Eps) dan learning rate α. Epoch adalah Suatu jangka waktu, dapat diartikan satu set putaran vektor-vektor pelatihan. Beberapa Epoch diperlukan untuk pelatihan sebuah JST Backpropagation sehingga kesalahan mendekati nol 14
4.
Tetapkan kondisi awal: Epoch=0 Yaitu menentukan jumlah epoch atau iterasi maksimum yang boleh dilakukan selama pelatihan. Iterasi akan dihentikan jika nilai epoch melebihi epoch maksimum. Misalkan terdapat n buah data dengan m buah variabel input. Data-data tersebut terbagi dalam K kelas. Motivasi dari algoritma LVQ adalah menemukan unit output yang paling dekat dengan vektor input.
5.
Kerjakan jika: (ephoch < MaxEpoch) atau(α>Eps) a. Ephoch=ephoch + 1 b. Kerjakan untuk i = 1 sampai n i. Tentukan J sehingga ||x-wj|| adalah minimum ii. Perbaiki wj dengan dengan ketentuan: Jika T = J, maka: wj(baru)=wj(lama)+α(x-wj(lama)) wj(baru)=wj(lama)+α(x -wj(lama)) Jika T ≠ J, maka: wj(baru)=wj(lama)-α(x wj(baru)=wj(lama)-α(x-wj(lama)) -wj(lama))
6.
Kurangi nilai α Setelah epoch pertama didapatkan maka untuk epoch ke 2 nilai learning rate ( rate (α α) diganti dengan rumus (α ( α = α-x* α) dengan x = nilai pengurangan. Contoh jika nilai learning rate α=0.05 dan x= 0.1 maka untuk α2=0.05-0.1*0.05 = 0.045. 7.
Mendapatkan Bobot Akhir Bobot akhir adalah bobot dimana nanti sebagai patokan nilai pada pengujian pemilihan menggunakan metode LVQ. LVQ. Setelah dilakukan pelatihan, akan diperoleh bobot-bobot akhir (W). Bobot-bobot ini selanjutnya digunakan untuk melakukan simulasi atau pengujian. Misalkan akan diuji p buah data. Algoritma proses pengujian pada metode LVQ disajikan pada Gambar berikut.
Gambar 4. Flowchart Pengujian Metode LVQ
15
3.1.2.2 Analisis Pemilihan Tanaman Hortikultura Menggunakan Metode Learning Vector Pada bagian ini dibahas pemilihan tumbuhan holtikultura sayuran menggunakan metode LVQ. Untuk dapat memperkirakan jenis tanaman holtikulturra sayuran yang cocok untuk ditanam dilahan dengan mencocokan faktor faktor yang ada. Menurut Yusep (2017), ketika kita ingin memilih tanaman holtikultura sayuran, terdapat 6 kriteria yang harus diperhatikan dalam pemilihan tanaman tersebut dapat dilihat pada table 2: Tabel 2. Kriteria No Nama Kriteria Keterangan Nilai waku panen yang di inginkan 60-70 1 hari waku panen yang di inginkan 71-80 2 hari 1 waktu penanaman hingga siap waku panen yang di inginkan 81-90 3 panen hari waku panen yang di inginkan 91-100 4 hari waku panen yang di inginkan 1015 140 hari 2 Total pemanenan total panen yang diinginkan 1 kali 1 total panen yang diinginkan > 1 kali 2 3 jika cara tanam menggunakan 1 Cara Tanam polybag cara tanam Hidroponik 2 cara tanam membuat bedengan. 3 ketinggian tanah 0-400 mdpl 1 4 Ketinggian permukaan tanah ketinggian tanah 401-800 mdpl 2 ketinggian tanah 800-1200 mdpl 3 ketinggian tanah >1200 mdpl 4 2 Luas Lahan 5 – 5 – 1.000 1.000 meter 1 2 5 Luas Lahan Luas Lahan 1.001 – 1.001 – 5.000 5.000 meter 2 2 Luas Lahan 5.001 – 10.000 10.000 meter 3 2 Luas Lahan > 10.000 meter 4 6 Harga hasil Tanaman harga tanaman 3.000-10.000 rupiah 1 Perkilogram harga tanaman 10.001- 20.000 rupiah 2 harga tanaman 20.001-30.000 rupiah 3
Dalam pemilihan tanaman hortikultura pada system ini, memiliki 6 alternatif tanaman hortikultura untuk dipilih, alternatif ini diubah menjadi sebuah kelas agar dapat dihitung menggunakan proses LVQ. Daftar alternatif tersebut dapat dilihat ditabel 3 seperti berikut:
16
Tabel 3. Alternatif Tanaman Kelas 1 2 3 4 5 6
Nama Tanaman Bawang Merah Cabai Rawit Cabai Merah Tomat Kentang Seledri
Dari studi kasus diatas maka dapat disimpulkan arsitektur masalah sebagai berikut,
Gambar 5 Arsitektur Pemilihan Tanaman Hortikultura Setelah melakukan penelitian didapatkan data dari pusat penelitian dan pengembangan tanaman holtikultura dimana data tersebut sudah dipublikasikan kepada masyarakat, data dari literature-literatur internet serta data dari petani yang telah menanam tanaman hortikultura tersebut. Maka didapatkan nilai-nilai kriteria pada tabel 4 sebagai berikut. Tabel 4. Data Tanaman Hortikultura No 1 2 3 4
Nama Tanaman Bawang Merah Bawang Merah Cabai Rawit Cabai Rawit
Waktu Pemanenan 60-70 hari
Total Penanaman 1 kali
Cara tanam
Ketinggan
Badengan
350 Mdpl
Luas Lahan (M2) 10.000
55-70 hari
1 kali
Badengan
600 Mdpl
20.000
81-90 hari
15-18 kali
Badengan
350 Mdpl
2.000
75-90 hari
15-21 kali
Polybag
800 Mdpl
600
17
Harga 18.000 per/kg 18.000 per/kg 20.000 per/kg 20.000 per/kg
5
7
Cabai Merah Cabai Merah Tomat
120-150 hari
21 kali
Polybag
900 Mdpl
3.500
70-75 hari
21 kali
Bandengan
500 Mdpl
25.000
Sekitar 90 hari
9-13 kali
Polybag
1200 Mdpl
700
8
Tomat
Sekitar 95 hari
9-13 kali
Badengan
600 Mdpl
3.000
9
Kentang
90 hari
1
Badengan
1000 Mdpl
10.000
10
Kentang
95 hari
1
Badengan
1600 Mdpl
150.000
11
Seledri
110 hari
1
Badengan
1.000 Mdpl
10.000
12
Seledri
120 hari
1
Hidroponik
1.250 Mdpl
1.000
6
27.000 per/kg 27.000 per/kg 5.000 per/kg 5.000 per/kg 15.000 per/kg 15.000 per/kg 25.000 per/kg 25.000 per/kg
Dari data diatas maka dapat dibuat Bobot awal dengan nilai yang diubah menjadi nilai yang diklasifikasi dalam keriteria pada tabel 2. agar dikenali oleh jaringan yang ditunjukkan pada Tabel 5. sebagai berikut. Tabel 5. Bobot Awal Nilai No Waktu Total Cara Ketinggan Luas Harga Kelas tanam Penanaman tanamn Lahan 1 1 1 3 2 3 2 1 2 1 1 3 1 4 2 1 3 3 2 1 1 2 3 2 4 3 2 3 1 1 3 2 5 2 2 1 2 2 3 3 6 5 2 3 3 4 3 3 7 3 2 1 3 1 1 4 8 4 2 3 2 2 1 4 9 3 1 3 4 4 2 5 10 4 1 3 4 3 2 5 11 5 1 2 3 3 3 6 12 5 1 1 4 1 3 6 Nilai nilai di atas diubah menjadi sebuah nilai vector yang dimana, 6 input pertama dimasing masing kelas akan dijadikan sebagai inisialis asi bobot sedangkan 6 input selanjutnya sebagai data yang dilatih : Tabel 6. Nilai Inisialisasi Bobot No Vektor (x) Kelas 1 (1,1,3,2,3,2) 1 2 (3,2,1,1,2,3) 2 3 (2,2,1,2,2,3) 3 4 (3,2,1,3,1,1) 4 5 (3,1,3,4,4,2) 5 6 (5,1,2,3,3,3) 6 18
Tabel 7. Data yang akan dilatih No 1 2 3 4 5 6
Vektor (x) (1,1,3,1,4,2) (3,2,3,1,1,3) (5,2,3,3,4,3) (4,2,3,2,2,1) (4,1,3,4,3,2) (5,1,1,4,1,3)
Kelas 1 2 3 4 5 6
Dalam pencarian bobot awal sebagai nilai awal dipilih learning rate (α=0.05), dengan pengurangan sebesar 0,1* α; dan MaxEpoch=1 (pengulangan=1 kali). Dengan rumus Jarak baru = ℎ − =√ − diketahui W= inisialisasi bobot X= data yang dilatih Jika jarak terkecil pada bobot = target data maka : w(baru)=w(lama)+α(x-w(lama)) w(baru)=w(lama)+α(x-w(lama)) Jika jarak terkecil pada bobot ≠ target data maka, maka: w(baru)=w(lama)-α(x w(baru)=w(lama)-α(x-w(lama)) -w(lama)) Epoch ke-1: Data ke-1: (1,1,3,1,4,2) Jarak Pada : Bobot ke-1 = (1 ( 1 − 1) 1) + (1 (1 − 1) 1)+(3 +(3 − 3) 3) + (1 (1 − 2) 2) + (4 (4 − 3) 3) + (2 (2 − 2) 2) = 2
Bobot ke-2 = (1 ( 1 − 3) 3) + (1 (1 − 2) 2)+(3 +(3 − 1) 1) + (1 (1 − 1) 1) + (4 (4 − 2) 2) + (2 (2 − 3) 3) = 14
Bobot ke-3 ( 1 − 2) 2) + (1 (1 − 2) 2)+(3 +(3 − 1) 1) + (1 (1 − 2) 2) + (4 (4 − 2) 2) + (2 (2 − 3) 3) = 12 = (1 Bobot ke-4 ( 1 − 3) 3) + (1 (1 − 2) 2)+(3 +(3 − 1) 1) + (1 (1 − 3) 3) + (4 (4 − 1) 1) + (2 (2 − 1) 1) = 23 = (1
Bobot ke-5 = (1 ( 1 − 3) 3) + (1 (1 − 1) 1)+(3 +(3 − 3) 3) + (1 (1 − 4) 4) + (4 (4 − 4) 4) + (2 (2 − 2) 2) = 13
Bobot ke-6 ( 1 − 5) 5) + (1 (1 − 1) 1)+(3 +(3 − 2) 2) + (1 (1 − 3) 3) + (4 (4 − 3) 3) + (2 (2 − 3) 3) = 23 = (1 Jarak terkecil pada bobot ke-1 Target data ke-1 Karena jarak terkecil = target data Inisialisasi Bobot ke 1 Baru: W11(baru)= W11(lama)+α (lama)+α * (X11 – W W11(lama)) = 1 + 0,05 * (1-1) = 1 W12(baru)= W12(lama)+α (lama)+α * (X12 – W W12(lama)) = 1 + 0,05 * (1-1) = 1
19
W13 (baru)= W13(lama) + α * (X13 – W W13(lama)) = 3 + 0,05 * (3-3) = 3 W14 (baru)= W14(lama) + α * (X14 – W W14(lama)) = 2 + 0,05 * (1-2) = 1,95 W15 (baru)= W15(lama) + α * (X15 – W W15(lama)) = 3 + 0,05 * (4-3) = 3,05 W26(baru) = W16(lama) + α * (X16 – W W16(lama)) = 2 + 0,05 * (2-2) = 2 Jadi inisialisasi bobot 1 baru: W1 = (1,1,3,1.95,3.05,2) (1,1,3,1.95,3.05,2) Data ke-2: (3,2,3,1,1,3) Jarak Pada : Bobot ke-1 ( 3 − 1) 1) + (2 (2 − 1) 1)+(3 +(3 − 3) 3) + (1 − 1,95 1,95)) + (1 − 3,05 3,05)) + (3 (3 − 2) 2) = 11,11 = (3
Bobot ke-2 ( 3 − 3) 3) + (2 (2 − 2) 2)+(3 +(3 − 1) 1) + (1 (1 − 1) 1) + (1 (1 − 2) 2) + (3 (3 − 3) 3) = 5 = (3
Bobot ke-3 = (3 ( 3 − 2) 2) + (2 (2 − 2) 2)+(3 +(3 − 1) 1) + (1 (1 − 2) 2) + (1 (1 − 2) 2) + (3 (3 − 3) 3) = 7
Bobot ke-4 = (3 ( 3 − 3) 3) + (2 (2 − 2) 2)+(3 +(3 − 1) 1) + (1 (1 − 3) 3) + (1 (1 − 1) 1) + (3 (3 − 1) 1) = 12
Bobot ke-5 ( 3 − 3) 3) + (2 (2 − 1) 1)+(3 +(3 − 3) 3) + (1 (1 − 4) 4) + (1 (1 − 4) 4) + (3 (3 − 2) 2) = 20 = (3
Bobot ke-6 = (3 ( 3 − 5) 5) + (2 (2 − 1) 1)+(3 +(3 − 2) 2) + (1 (1 − 3) 3) + (1 (1 − 3) 3) + (3 (3 − 3) 3) = 14 Jarak terkecil pada bobot ke-2 Target data ke-2 Karena jarak terkecil = target data Inisialisasi bobot ke 2 Baru : W21(baru)= W21(lama) + α * (X21 – W W21(lama)) = 3 + 0,05 * (3-3) = 3 W22(baru)= W22(lama) + α * (X22 – W W22(lama)) = 2 + 0,05 * (2-2) = 2 W23 (baru)= W23(lama) + α * (X23 – W W23(lama)) = 1 + 0,05 * (3-1) = 1.1 W24 (baru)= W24(lama) + α * (X24 – W W24(lama)) = 1 + 0,05 * (1-1) = 1 W25 (baru)= W25(lama) + α * (X25 – W W25(lama)) = 2 + 0,05 * (1-2) = 1.95 W26(baru) = W26(lama) + α * (X26 – W W26(lama)) = 3 + 0,05 * (3-3) = 3 Jadi inisialisasi bobot 1 baru: W2 = (3, 2, 1.1, 1, 1.95, 3)
Data ke-3: (5,2,3,3,4,3) Jarak Pada : Bobot ke-1 = (5 ( 5 − 1) 1) + (2 (2 − 1) 1)+(3 +(3 − 3) 3) + (3 − 1,95 1,95)) + (4 − 3,05 3,05)) + (3 (3 − 2) 2) = 20,01
Bobot ke-2 ( 5 − 3) 3) + (2 (2 − 2) 2)+(3 +(3 − 1,1) 1,1) + (3 (3 − 1) 1) + (4 − 1,95) 1,95) + (3 (3 − 3) 3) = 15,81 = (5 Bobot ke-3
20
( 5 − 3) 3) + (2 (2 − 2) 2)+(3 +(3 − 1) 1) + (3 (3 − 2) 2) + (4 (4 − 2) 2) + (3 (3 − 3) 3) =113 = (5 Bobot ke-4 ( 5 − 3) 3) + (2 (2 − 2) 2)+(3 +(3 − 1) 1) + (3 (3 − 3) 3) + (4 (4 − 1) 1) + (3 (3 − 1) 1) = 21 = (5
Bobot ke-5 = (5 ( 5 − 3) 3) + (2 (2 − 1) 1)+(3 +(3 − 3) 3) + (3 (3 − 4) 4) + (4 (4 − 4) 4) + (3 (3 − 2) 2)= 37
Bobot ke-6 = (5 ( 5 − 5) 5) + (2 (2 − 1) 1)+(3 +(3 − 2) 2) + (3 (3 − 3) 3) + (4 (4 − 3) 3) + (3 (3 − 3) 3) = 3
Jarak terkecil pada bobot ke-6 Target data ke-3 Karena jarak terkecil ≠ target data Inisialisasi bobot ke 6 Baru : W61(baru) = W61 – α – α * (X31(baru) – (baru) – W W61(lama)) = 5 - 0,05 * (5-5) = 5 W62(baru)= W62 – α – α * (X32(baru) – (baru) – W W62(lama)) = 1 - 0,05 * (2-1) = 0.95 W63(baru)= W63 – α – α * (X33(baru) – (baru) – W W63(lama)) = 2 - 0,05 * (3-2) = 1.95 W64(baru) = W64 – α – α * (X34(baru) – (baru) – W W64(lama)) = 3 - 0,05 * (3-3) = 3 W65(baru) = W65 – α – α * (X35(baru) – (baru) – W W65(lama)) = 3 - 0,05 * (4-3) = 2,95 W66 (baru)= W66 – α – α * (X36(baru) – (baru) – W W66(lama)) = 3 - 0,05 * (3-3) = 3 Jadi : W6(baru) = (5, 0.95, 1.95, 3, 2.95, 3) Data ke-4: (4,2,3,2,2,1) Jarak Pada : Bobot ke-1 ( 4 − 1) 1) + (2 (2 − 1) 1)+(3 +(3 − 3) 3) + (2 − 1,95 1,95)) + (2 − 3,05 3,05)) + (1 (1 − 2) 2) =12,11 = (4
Bobot ke-2 ( 4 − 3) 3) + (2 (2 − 2) 2)+(3 +(3 − 1,1) 1,1) + (2 (2 − 1) 1) + (2 − 1,95) 1,95) + (1 (1 − 3) 3) = 9,61 = (4
Bobot ke-3 = (4 ( 4 − 2) 2) + (2 (2 − 2) 2)+(3 +(3 − 1) 1) + (2 (2 − 2) 2) + (2 (2 − 2) 2) + (1 (1 − 3) 3) = 12
Bobot ke-4 ( 4 − 3) 3) + (2 (2 − 2) 2)+(3 +(3 − 1) 1) + (2 (2 − 3) 3) + (2 (2 − 1) 1) + (1 (1 − 1) 1) = 7 = (4
Bobot ke-5 ( 4 − 3) 3) + (2 (2 − 1) 1)+(3 +(3 − 3) 3) + (2 (2 − 4) 4) + (2 (2 − 4) 4) + (1 (1 − 2) 2) = 11 = (4
Bobot ke-6 = (4 ( 4 − 5) 5) + (2 − 0,95) 0,95)+(3 −
1,95 1,95)) + (2 (2 − 3) 3) + (2 − 2,9 2,95) 5) + (1 (1 − 3) 3)=9,11
Jarak terkecil pada bobot ke-4 Target data ke-4 Karena jarak terkecil = target data Inisialisasi bobot ke 4 Baru : W41(baru) = W41(lama) + α * (X41 – W W41(lama)) = 3 + 0,05 * (4-3) = 3,05 21
W42(baru)= W42(lama) + α * (X42 – W W42(lama)) = 2 + 0,05 * (2-2) = 2 W43(baru)= W43(lama) + α * (X43 – W W43(lama)) = 1 + 0,05 * (3-1) = 1,1 W44(baru) = W44(lama) + α * (X44 – W W44(lama)) = 3 + 0,05 * (2-3) = 2,95 W45(baru) = W45(lama) + α * (X45 – W W45(lama)) = 1 + 0,05 * (2-1) = 1,05 W46 (baru)= W46(lama) + α * (X46 – W W46(lama)) = 1 + 0,05 * (1-1) = 1 Jadi : W4(baru) = (3.05,2, 1.1, 2.95, 1.05, 1) Data ke-5: (4,1,3,4,3,2) Jarak Pada : Bobot ke-1 = (4 ( 4 − 1) 1) + (1 (1 − 1) 1)+(3 +(3 − 3) 3) + (4 − 1,95 1,95)) + (3 − 3,05 3,05)) + (2 (2 − 2) 2) = 13,21
Bobot ke-2 ( 4 − 3) 3) + (1 (1 − 2) 2)+(3 +(3 − 1,1) 1,1) + (4 (4 − 1) 1) + (3 − 1,95) 1,95) + (2 (2 − 3) 3) = 16,71 = (4
Bobot ke-3 ( 4 − 2) 2) + (1 (1 − 2) 2)+(3 +(3 − 1) 1) + (4 (4 − 2) 2) + (3 (3 − 2) 2) + (2 (2 − 3) 3) = 15 = (4
Bobot ke-4 = (4 (4 − 3.05 3.05)) + (1 (1 − 2) 2)+(3 +(3 − 1,1) 1,1) + (4 − 2,95) 2,95) + (3 − 1,05 1,05)) + (2 (2 − 1) 1)=11,42
Bobot ke-5 = (4 ( 4 − 3) 3) + (1 (1 − 1) 1)+(3 +(3 − 3) 3) + (4 (4 − 4) 4) + (3 (3 − 4) 4) + (2 (2 − 2) 2) = 2
Bobot ke-6 ( 4 − 5) 5) + (1 − 0,95) 0,95)+(3 − 1,95 1,95)) + (4 (4 − 3) 3) + (3 − 2,9 2,95) 5) + (2 (2 − 3) 3)=4,1 = (4 Jarak terkecil pada bobot ke-5 Target data ke-5 Karena jarak terkecil = target data Inisialisasi bobot ke 5 Baru : W51(baru) = W51(lama) + α * (X51 – W W51(lama)) = 3 +0,05 * (4-3) = 3,05 W52(baru) = W52(lama) + α * (X52 – W W52(lama)) = 1 + 0,05 * (1-1) =1 W53(baru) = W53(lama) + α * (X53 – W W53(lama)) = 3 + 0,05 * (3-3) =3 W54(baru) = W54(lama) + α * (X54 – W W54(lama)) = 4 + 0,05 * (4 – 4) 4) =4 W55(baru) = W55(lama) + α * (X55 – W W55(lama)) = 4 + 0,05 * (3-4) = 3,95 W56(baru) = W56(lama) + α * (X56 – W W56(lama)) = 2 + 0,05 * (2-2) =2 Jadi : W5 = (3.05, 1, 3, 4, 3,95, 2)
Data ke-6: (5,1,1,4,1,3) Jarak Pada : Bobot ke-1 ( 5 − 1) 1) + (1 (1 − 1) 1)+(1 +(1 − 3) 3) + (4 − 1,95 1,95)) + (1 − 3,05 3,05)) + (3 (3 − 2) 2) = 29,4 = (5
Bobot ke-2 = (5 ( 5 − 3) 3) + (1 (1 − 2) 2)+(1 +(1 − 1,1) 1,1) + (4 (4 − 1) 1) + (1 − 1,95) 1,95) + (3 (3 − 3) 3) = 14,91 22
Bobot ke-3 = (5 ( 5 − 2) 2) + (1 (1 − 2) 2)+(1 +(1 − 1) 1) + (4 (4 − 2) 2) + (1 (1 − 2) 2) + (3 (3 − 3) 3) = 15
Bobot ke-4 = (5 (5 − 3,05 3,05)) + (1 (1 − 2) 2)+(1 +(1 − 1,1) 1,1) + (4 − 2,95) 2,95) + (1 − 1,05 1,05)) + (3 (3 − 1) 1) = 9,92
Bobot ke-5 (5 − 3,05 3,05)) + (1 (1 − 1) 1)+(1−3) + (4 (4 − 4) 4) + (1 − 3,95 3,95)) + (3 (3 − 2) 2) = 17,51 (5
Bobot ke-6 ( 5 − 5) 5) + (1 − 0,95) 0,95)+(1 − 1,95 1,95)) + (4 (4 − 3) 3) + (1 − 2,9 2,95) 5) + (3 (3 − 3) 3) = 5,71 = (5 Jarak terkecil pada bobot ke-6 Target data ke-6 Karena jarak terkecil = target data Inisialisasi bobot ke 6 Baru : W61(baru) = W61(lama) + α * (X61 – W W51(lama)) = 5 + 0,05 * (5-5) =5 W62(baru) = W62(lama) + α * (X62 – W W52(lama)) = 0,95 + 0,05 * (1-0,95) = 0,95 W63(baru) = W63(lama) + α * (X63 – W W53(lama)) = 1,95 + 0,05 * (1-1,95) = 1,9 W64(baru) = W64(lama) + α * (X64 – W W54(lama)) = 3 + 0,05 * (4 – 3) 3) = 3,05 W65(baru) = W65(lama) + α * (X65 – W W55(lama)) = 2,95 + 0,05 * (1-2,95) = 2,85 W66(baru) = W66(lama) + α * (X66 – W W56(lama)) = 3 + 0,05 * (3-3) =3 Jadi : W6 = (5, 0.95, 1.9, 3.05, 2.85, 3)
Setelah mencapai epoch 1 diperoleh bobot akhir seperti pada tabel 8 yaitu : W1 (1,1,3,1.95,3.05,2) W2 (3, 2, 1.1, 1, 1.95, 3) W3 (2,2,1,2,2,3) W4 (3.05,2, 1.1, 2.95, 1.05, 1) W5 (3.05, 1, 3, 4, 3,95, 2) W6 (5, 0.95, 1.9, 3.05, 2.85, 3) Apabila ada contoh, seorang warga yang mempunyai keinginan untuk memilih tanaman hortikultura dengan kriteria waktu panen 95 hari, total panen 1 kali, cara menanam hidroponik, ketinggiannya 1300 Mdpl, luas lahan 700 dan dengan harga 25.000 , maka nilai dapat di klasiffikasikan sesuai tabel.2 menjadi (4,1,3,4,1,3) maka kita cari terlebih dahulu jarak ja rak input tersebut dengan keenam bobot. Nomor dari bobot dengan jarak yang terpendek akan menjadi kelasnya Data : 4,1,3,4,1,3 Jarak pada : Bobot ke-1 ( 4 − 1) 1) + (1 (1 − 1) 1)+(3 +(3 − 3) 3) + (4 − 1,95 1,95)) + (1 − 3,05 3,05)) + (3 (3 − 2) 2) = 18,4 = (4
Bobot ke-2 = (4 ( 4 − 3) 3) + (1 (1 − 2) 2)+(3 +(3 − 1,1) 1,1) + (4 (4 − 1) 1) + (1 − 1,95) 1,95) + (3 (3 − 3) 3) =15,51
23
Bobot ke-3 = (4 ( 4 − 2) 2) + (1 (1 − 2) 2)+(3 +(3 − 1) 1) + (4 (4 − 2) 2) + (1 (1 − 2) 2) + (3 (3 − 3) 3) = 14
Bobot ke-4 = (4 (4 − 3,05 3,05)) + (1 (1 − 2) 2)+(3 +(3 − 1,1) 1,1) + (4 − 2,95) 2,95) + (1 − 1,05 1,05)) + (3 (3 − 1) 1) =10.61
Bobot ke-5 (4 − 3,05 3,05)) + (1 (1 − 1) 1)+(3−3) + (4 (4 − 4) 4) + (1 − 3,95 3,95)) + (3 (3 − 2) 2) = 10.6 (4
Bobot ke-6 ( 4 − 5) 5) + (1 − 0,95) 0,95)+(3 +(3 − 1,9) 1,9) + (4 − 3.05) 3.05) + (1 − 2,85 2,85)) + (3 (3 − 3) 3)= 6.537 = (4
Bobot ke-1 = 18.4 Bobot ke-2 = 15.51 Bobot ke-3 = 14 Bobot ke-4 = 10,61 Bobot ke-5 = 10.6 Bobot ke-6 = 6.537 Untuk mencari nilai yang sesuai dengan metode LVQ maka nilai yang diambil adalah nilai dari bobot yang terkecil yaitu bobot 6, sehingga input tersebut termasuk dalam kelas ke-6, dan tanaman yang cocok ditanam yaitu tanaman SELEDRI (lihat pada Tabel 2). 3.1.3. Tahap Perancangan Subsistem data yang terorganisasi dalam suatu basis data. Untuk keperluan sistem pendukung keputusan, diperlukan data yang relevan dengan permasalahan yang hendak dipecahkan melalui simulasi. simulasi . Tahap perancangan sistem ini terdiri dari 3 (tiga) ( tiga) tahapan yaitu :
1.
Perancangan Basis Data Perancangan sistem secara basis data (database) dapat (database) dapat dilakukan menggunakan Usecase dan Diagram class yang menggunakan pendekatan model UML (Unified ( Unified Modelling Language). Language). 1. Usecase
24
Gambar 6. Usecase 2. Diagram Class
Gambar 7. Diagram Class 2.
Perancangan Sistem secara umum Perancangan secara umum merupakan tahapan perancangan model yang merepresentasikan permasalahan kedalam model kuantitatif sebagai dasar pengambilan keputusan. Flowchart dibuat untuk menggambarkan alur system yang dibuat kedalam sebuah diagram menggunakan symbol, gambar, dan kete rangan untuk menjelaskan informasi tersebut dimulai dari (start) untuk awal hingga selesai (end). Berikut adalah rancangan Flowchart Program yang dapat dilihat pada gambar 8. 1. Flowchart Program
25
Gambar 8. Flowchart Program
3.
Perancangan Sistem Secara Detail Merancang form-form yang digunakan sebagai media komunikasi sistem dengan pengguna. Perancangan Per ancangan ini dimaksudkan agar system dapat mudah dimengerti oleh penggunanya. Rancangan Form Kriteria Menu Kriteria berisi form tentang kriteria yang digunakan beserta nilai yang diinputkan oleh admin, untuk mendapatkan bobot akhir, yang nantinya akan diujikan pada data data yang baru untuk untuk mendapatkan mendapatkan hasil keputusan. Rancangan form kriteria dapat dilihat pada gambar 9 sebagai berikut.
Gambar 9. Form Kriteria 26
Rancangan Form Penilaian Menu Penilaian berisi form untuk menginputkan nilai nilai kriteria yang ada, di form ini diinputkan nilai yang nantinya akan menghasilkan keputusan pemilihan tanaman hortikultura. Rancangan form penilaian dapat dilihat pada gambar 10 sebagai berikut.
Gambar 10. Form Penilaian Rancangan Form Hasil Penelitian Menu hasil penelitian berisi form untuk melihat hasil pemilihan tanaman hortikultura, disini dapat melakukan print hasil pemilihan yang telah di inputkan sehingga menjadi sebuah laporan. Form hasil penelitian dapat dilihat digambar 11.
Gambar 11. Form Hasil Keputusan 3.1.4 Implementasi Implementasi Sistem Tahap implementasi pada penelitian ini merupakan tahap pembuatan sistem, Sistem berbasis intranet yang dibangun dengan menggunakan bahasa pemprograman PHP dan HTML, untuk database menggunakan MySQL(XAMPP) sebagai web server (localhost ), ), untuk program editor menggunakan Sublime
27
3.1.5 Uji Coba Sistem Tahap uji coba ini dilakukan untuk memastikan apakah hasil dari sistem sesuai dengan hasil sebenarnya. Tahap-tahap pengujian yang dilakukan adalah : a. Uji Struktural Uji coba untuk mengetahui apakah sistem telah terstruktur dengan baik yang ditekankan pada fitur-fitur aplikasi yang memenuhi kebutuhan pengguna apakah sudah baik dan benar sesuai dengan rancangan yang telah dibuat. b. Uji Fungsional Uji coba fungsional dilakukan untuk mengetahui proses navigasi dan validasi apakah aplikasi yang dibuat dapat berfungsi dengan baik atau tidak. c. Uji Validasi Uji coba validasi dilakukan dengan uji coba data dan hasilnya, apakah hasil dari sistem sesuai dengan hasil yang diharapkan. 3.1.6 Tahap Penggunaan Penggunaan Tahap penggunaan adalah tahap dimana sebelumnya sistem sudah sesuai serta lulus ujicoba dan sudah dapat digunakan untuk masyarakat, sistem ini nantinya akan diimplementasikan untuk masyarakat sekitar yang mempunyai lahan dan berniat menanam tanaman holtikutura sayuran dalam pemilihan pemili han tanaman holtikultura sayuran di lahanya.
28
