Implementasi, Pengujian dan Evaluasi Hasil Pengujian

Transkripsi

1 Bab V Implementasi, Pengujian dan Evaluasi Hasil Pengujian Bagian ini menjelaskan hasil implementasi perangkat lunak yang dibangun, pelaksanaan pengujian perangkat lunak dan evaluasi hasil pengujian. V. Implementasi V.. Lingkungan Implementasi Perangkat keras yang dipergunakan dalam implementasi dan dapat digunakan untuk menjalankan sistem ini mengacu pada spesifikasi kebutuhan perangkat keras FeatureCAM TM, yaitu sebuah komputer dengan spesifikasi minimum:. Intel Pentium 4. Memori GB. Space harddisk GB 4. Layar dengan resolusi 04 x 768 dengan warna 4 bit Lingkungan perangkat lunak juga mengacu pada spesifikasi kebutuhan perangkat lunak FeatureCAM TM, yaitu sistem operasi Windows TM XP atau di spesifikasi yang lebih tinggi dengan perangkat lunak lain yang diperlukan adalah:. MySQL TM server. atau di atasnya. FeatureCAM TM Type Library V.. Konfigurasi Untuk dapat menjalankan perangkat lunak pendukung keputusan estimasi biaya produksi, diperlukan konfigurasi awal. Konfigurasi ini berhubungan dengan lokasi penyimpanan data historis rancangan produk dan lokasi penyimpanan hasil

2 ekstraksi. Konfigurasi awal untuk perangkat lunak pendukung keputusan estimasi biaya meliputi:. Pembuatan tabel InfoProduct dan InfoOrder pada mysql, dapat dilakukan dengan mempergunakan perintah berikut: CREATE TABLE InfoProduct ( OrderID varchar(4), ProductName varchar(50), MatLength double, MatWidth double, MatThick double, MatVolume double, NumFace int, NumHole int, NumPocket int, NumBoss int, NumSurface int, NumSide int, PRIMARY KEY (OrderID,ProductName)); CREATE TABLE InfoOrder ( OrderID varchar(4), ProductName varchar(50), CustomerID varchar(0), OrderData date, DeliveryDate date, Amount int, Price int, PRIMARY KEY (OrderID,ProductName));. Pengaturan koneksi terhadap database dilakukan dengan menentukan user, password dan lokasi server MySQL. Pengaturan ini dapat dilakukan dengan melakukan pengubahan nilai parameter yang tersimpan pada file C:\CSMConnect.txt. Jika lokasi direktori penyimpanan file Solidworks TM berada di komputer lain dalam jaringan, maka diperlukan mapping directory ke dalam ke dalam komputer lokal. Jika diperlukan otentifikasi pengguna, maka proses otentifikasi harus dilaksanakan sebelum menjalankan aplikasi. V. Pengujian V.. Tujuan Pengujian Pengujian adalah kegiatan untuk mencari kesalahan perangkat lunak sebelum dipergunakan oleh pengguna. Tujuan dari pengujian ini adalah untuk:

3 . mencari kesalahan dari hasil proses ekseskusi suatu program. memastikan bahwa perangkat lunak telah memenuhi spesifikasi kebutuhannya V.. Ruang Lingkup Pengujian Pengujian dilakukan pada seluruh proses dalam perangkat lunak melalui layar yang telah disediakan. V.. Strategi Pengujian Sesuai dengan tujuan pengujian, maka pengujian difokuskan untuk mengetahui fungsionalitas perangkat lunak. Kesesuaian hasil implementasi dengan spesifikasi menjadi pertimbangan utama pelaksanaan pengujian. Karena itu pengujian dilaksanakan dengan mempergunakan antar muka pengguna pada tingkat pengujian unit dengan jenis pengujian black box. Selain pengujian fungsional, juga dilakukan pengujian unit dengan jenis pengujian black box untuk proses-proses berikut:. Proses.. Inisialisasi Titik Pusat Cluster. Proses.. Clustering dengan K-Means. Proses.. Pembuatan Transpose Matrik Variabel Dependen 4. Proses.. Perkalian Matrik Dependen dan Transpose 5. Proses..4 Pembuatan Matrik Inversi Untuk itu, disusun langkah-langkah pengujian yang terdiri dari kegiatan-kegiatan sebagai berikut:. Menyusun kasus uji sesuai dengan ruang lingkup pengujian. Melakukan pengujian untuk setiap kasus uji pada lingkungan pengujian yang ditetapkan. Mengevaluasi hasil pengujian

4 V..4 Kasus Uji Kasus uji pengujian fungsional disusun mulai dari proses ekstraksi data dari file CAD sampai dengan pelaksanaan prediksi biaya produksi untuk data baru. Kasus uji dikembangkan sebagai berikut:. Ekstraksi Data a. Disediakan data awal gambar produk yang tersimpan dalam direktori C:\PRODUK yang berisi sub direktori berikut: 70 - SIZE ROLLER & TIMING PULLEY - PVM MOLD TUTUP KECIL - KNM SMD COIL CONNECTOR - SET ROLLER MEJA PRESS KARET - DPL MATRES O RING HINO RPS Selanjutnya dilakukan ekstraksi data. b. Buka menu CAD Data Extract From Directory, dan pilih direktori C:\PRODUK c. Sesudah direktori C:\PRODUK dipilih, klik tombol Proceed d. Hasil ekstraksi disimpan ke dalam database. Penyiapan Data a. Berdasarkan data yang sudah disimpan di dalam database, dilakukan penyiapan data pada menu Data Mining Data Preparation b. Setelah Layar Feature Selection muncul, pilih atribut OrderID, ProductName, NumFace, NumHole, NumPocket, NumBoss, NumSurface dan NumSide dengan cara menekan tombol >> untuk memindahkan atribut-atribut tersebut ke sisi sebelah kanan c. Hasil penyiapan data disimpan dalam file sebagai relasi data5order. Clustering dan Pembangkitan Aturan Estimasi

5 a. Pilih menu Data Mining Clustering Prediction b. Pada layar Clustering, pilih relasi yang akan diminculkan dan pilih relasi data5order c. Isikan angka pada textbox NumberOfCluster(s) d. Hasil aturan estimasi disimpan sebagai aturan e. Ulangi langkah.a sampai dengan.d sejumlah 5 kali dengan textbox NumberOfCluster(s) pada langkah.c bernilai [0,,, 5] serta disimpan sebagai rule aturan dan aturan5 4. Prediksi terhadap nilai baru a. Pilih menu Predict New Product b. Pada layar Predict New Price, pilih Rule melalui combobox dan pilih file aturan c. Isikan angka [4,,7,,6,0] pada textbox [NumFace, NumHole, NumPocket, NumBoss, NumSurface, NumSide] dan klik tombol Predict Price Kasus uji untuk pengujian unit dikembangkan sebagai berikut:. Pengujian Proses.. Inisialisasi Titik Pusat Cluster a. Diberikan data dengan dua atribut, sebegai berikut: ID X Y

6 b. Data dibagi menjadi cluster, maka titik pusat awal cluster pertama adalah (4.,.) dan titik pusat awal cluster kedua adalah (5.,6.7). Pengujian Proses.. Clustering dengan K-Means a. Berdasarkan titik pusat awal tersebut, dilakukan clustering dengan k-means b. Hasil yang diharapkan, cluster pertama terdiri dari ID (4,6,,0,,,5) sedangkan cluster kedua terdiri dari ID (,8,4,5,,,7). Pengujian Proses.. Pembuatan Transpose Matrik Variabel Dependen a. Diberikan sebuah matrik berukuran x sebagai berikut A = 5 b. Hasil yang diharapkan adalah matrik berukuran x sebagai berikut T A = 5 4. Pengujian Proses.. Perkalian Matrik Dependen dan Transpose a. Diberikan matrik T A = 5, sehingga A = 5 b. Diharapkan hasil perkalian di antara matrik berukuran x yaitu A T A = 5 5. Pengujian Proses..4 Pembuatan Matrik Inversi a. Diberikan matrik A T A = 5 b. Diharapkan hasil inversi adalah ( A T A) = Pengujian Proses..6 Penyimpanan Aturan Estimasi Hasil. Dalam proses ini juga disertakan penghitungan MAPE dari model estimasi. Pengujian

7 khusus ini hanya ditujukan untuk melakukan verifikasi proses penghitungan MAPE. a. Diberikan AT sebagai nilai aktual dan FT sebagai nilai prediksi sebagai berikut: A T F T b. Diharapkan hasil MAPE sebesar 4.5% dengan nilai akurasi sebesar 75.5 % V. Evaluasi Hasil Pengujian Evaluasi terhadap hasil pengujian dilakukan untuk mengetahui kesesuaian spesifikasi kebutuhan dan rancangan telah dipenuhi berdasarkan hasil kasus uji yang telah dibangun. Hasil dari pengujian terhadap kasus uji untuk pengujian fungsionalitas disajikan pada Tabel V-. Sedangkan pengujian unit untuk prosesproses tertentu disajikan pada Tabel V-. Tabel V- Kasus Uji Fungsionalitas No Kasus Uji Hasil Pengujian Status Ekstransi Data.b menu CAD Data Extract From Menampilkan Layar Extract From Directory Directory.c klik tombol Proceed Menjalankan ekstraksi dan menampilkan Layar Extraction Result d Penyimpanan hasil ekstraksi ke Data disimpan dalam tabel InfoProduct dalam database Penyiapan Data Layar Feature Selection Ditampilkan a menu Data Mining Data Preparation

8 No Kasus Uji Hasil Pengujian Status b pilih atribut OrderID, ProductName, Atribut berpindah ke textbox sebelah NumFace, NumHole, NumPocket, NumBoss, NumSurface dan NumSide kanan, menampilkan data sesuai atribut yang dipilih c Simpan data dalam relasi data5order Data tersimpan dalam C:\CSM\Dataset\data5order.arff Clustering dan Pembangkitan Aturan Estimasi a Pilih menu Data Mining Data Layar Clustering ditampilkan Prediction b Pilih relasi yang akan ditampilkan Data set yang tersimpan dalam dengan memilih data5order C:\CSM\Dataset\data5order.arff ditampilkan c Pengisian jumlah cluster dan Hasil clustering dimulai dari cluster 0, dilakukan clustering dan c Pengisian jumlah cluster 5 dan Hasil clustering dimulai dari cluster 0, dilakukan clustering,, dan 4 d Simpan ke dalam File terbentuk dan berisi aturan C:\PRODUK\aturan.txt estimasi 4 Prediksi terhadap Nilai Baru 4a Pilih menu Predict New Product Layar Predict New Price ditampilkan 4b Pilih Rule melalui combobox Rule Isi file C:\CSM\rule\aturan.rule Name dan pilih file aturan ditampilkan 4c Isikan angka [4,,7,,6,0] pada textbox [NumFace, NumHole, NumPocket, NumBoss, NumSurface, NumSide] dan klik tombol PredictPrice Hasil prediksi harga ditampilkan Tabel V- Kasus Uji Pengujian Unit pada Proses Tertentu No Kasus Uji Hasil Pengujian Status Proses.. Inisialisasi Titik Pusat Menghasilkan (4.,.) dan Cluster (5.,6.7) Proses.. Clustering dengan K- Means Menghasilkan (4,6,,0,,,5) dan (,8,4,5,,,7)

9 No Kasus Uji Hasil Pengujian Status Proses.. Pembuatan Transpose Matrik Variabel Dependen Menghasilkan 5 4 Proses.. Perkalian Matrik Dependen dan Transpose Menghasilkan 5 5 Proses..4 Pembuatan Matrik Inversi Menghasilkan Proses..6 Penyimpanan Aturan Estimasi Menghasilkan MAPE = 4.5% dan akurasi = 75.5 % Berdasarkan hasil pengujian pada Tabel V- dan Tabel V-, evaluasi terhadap hasil pengujian menunjukkan bahwa seluruh spesifikasi terpenuhi seperti ditampilkan pada Tabel V-. Tabel V- Evaluasi Hasil Pengujian Kode Spesifikasi Spesifikasi Status F - Mampu melakukan identifikasi file CAD Dipenuhi F - Mampu melakukan ekstraksi fitur geometri dan pemesinan yang tersimpan dalam sebuah file CAD Dipenuhi F - Mampu untuk melakukan pengolahan awal data Dipenuhi F - 4 F 5 F 6 Mampu melakukan clustering untuk keperluan pengelompokan produk Mampu melakukan pembangkitan rumus estimasi dengan mempergunakan metode prediction untuk tiap-tiap kelompok produk yang dihasilkan pada spesifikasi 4 Mampu melakukan pengelompokan produk baru dan membangkitkan prediksi biaya produksi Dipenuhi Dipenuhi Dipenuhi