Analisis dan Perancangan Perangkat Lunak. IV.1 Analisis Kebutuhan Perangkat Lunak

Transkripsi

1 Bab IV Analisis dan Perancangan Perangkat Lunak Bagian ini menjelaskan tentang analisis dan rancangan sistem pendukung keputusan estimasi biaya produk pada IKM manufaktur dengan mempergunakan metode k-means dan MLR. IV.1 Analisis Kebutuhan Perangkat Lunak IV.1.1 Deskripsi Sistem Gambar IV-1 Deskripsi Sistem Pendukung Estimasi Biaya Produksi Sistem pendukung estimasi biaya produksi dioperasikan oleh Bagian PPC. Peran Bagian PPC sebagai estimator biaya produksi dilaksanakan dengan bantuan perangkat lunak. Perangkat lunak pendukung estimasi biaya produksi mempergunakan data historis rancangan produk sebagai data masukan dan menghasilkan aturan estimasi biaya produksi seperti disajikan dalam Gambar IV-1. IV.1.2 Kebutuhan Antar Muka IV Kebutuhan Antar Muka Perangkat Lunak Ekstraksi fitur geometri dan pemesinan dilakukan dari file *.sldprt sehingga sistem yang dikembangkan harus mampu untuk berkomunikasi dengan aplikasi Solidworks TM atau FeatureCAM TM. Solidworks TM atau FeatureCAM TM menyediakan Application Programming Interface (API) yang dapat diakses

2 dengan dengan bahasa pemrograman Visual Basic TM. Dalam tesis ini API yang dipergunakan adalah FeatureCAM TM API karena menyediakan Automatic Feature Recognition (AFR), yaitu sebuah fasilitas untuk mengenali fitur produk dalam sebuah gambar rancangan. AFR dapat dipergunakan untuk melakukan identifikasi fitur pemesinan dari sebuah gambar rancangan produk. IV Antar Muka Pengguna Antar muka pengguna disesuaikan dengan batasan antar muka perangkat lunak yang menyatakan bahwa pengembangan hanya dapat dilakukan dengan bahasa pemrograman Visual Basic TM. Karena itu antar muka dirancang dengan formform yang disediakan oleh bahasa pemrograman Visual Basic TM. IV Antar Muka Perangkat Keras Antar muka perangkat keras tidak diperlukan dalam pengembangan sistem ini karena perangkat lunak dapat berfungsi tanpa bantuan perangkat keras khusus. IV.1.3 Kebutuhan Fungsional Berdasarkan deskripsi sistem pada sub bab IV.1.1 dan kebutuhan pengguna pada bab III.3, disusun sebuah kebutuhan perangkat lunak yang dijadikan sebagai acuan dalam dalam tahapan analisis, perancangan dan pengujian perangkat lunak pendukung estimasi biaya. Kebutuhan perangkat lunak ini juga ditujukan untuk menjamin kebutuhan pengguna terpenuhi. Secara umum kebutuhan perangkat lunak dibagi menjadi dua, yaitu kebutuhan fungsional dan non fungsional. Kebutuhan fungsional mencakup fitur-fitur yang harus disediakan oleh sistem pendukung keputusan estimasi biaya produksi. Kebutuhan fungsional dari sistem pendukung keputusan estimasi biaya produksi disajikan dalam Tabel IV-1. Tabel IV-1 Kebutuhan Fungsional Perangkat Lunak

3 Kode F 1 F 2 F 3 F 4 F 5 F 6 Kebutuhan Fungsional Perangkat Lunak Mampu melakukan identifikasi file CAD Mampu melakukan ekstraksi fitur geometri dan pemesinan yang tersimpan dalam sebuah file CAD Mampu untuk melakukan pengolahan awal data Mampu melakukan clustering untuk keperluan pengelompokan produk Mampu melakukan pembangkitan rumus estimasi dengan mempergunakan metode prediction untuk tiaptiap kelompok produk yang dihasilkan pada spesifikasi 4 Mampu melakukan pengelompokan produk baru dan membangkitkan prediksi biaya produksi IV Context Diagram Gambar IV-2 Context Diagram Sistem Pendukung Keputusan Estimasi Biaya Berdasarkan deskripsi sistem pada sub bab IV.1.1 dan kebutuhan fungsional perangkat lunak pada Tabel IV-1, Context Diagram untuk Sistem Pendukung Keputusan Estimasi Biaya didefinisikan seperti pada Gambar IV-2. Pada Gambar Gambar IV-2, entitas yang terlibat dalam Sistem Pendukung Keputusan Estimasi Biaya adalah Bagian PPC. Bagian PPC memberikan data masukan berupa parameter estimasi dan sistem akan menghasilkan prediksi biaya produksi. IV Data Flow Diagram (DFD) Level 1 Berdasarkan Context Diagram pada sub bab IV.1.3.1, diagram aliran data untuk sistem pendukung keputusan estimasi biaya didefinisikan seperti pada Gambar IV-3. Pada Gambar IV-3, sistem pendukung keputusan estimasi biaya terdiri dari 3 proses utama, yang terdiri dari Proses 1 Ekstraksi Fitur Geometri dan Pemesinan, Proses 2 Data Mining serta Proses 3 Estimasi Biaya Produksi. Bagian PPC berinteraksi langsung dengan ketiga proses tersebut.

4 Proses 1 Ekstraksi Fitur Geometri dan Pemesinan merupakan proses besar untuk mendapatkan data informasi produk historis. Masukan dari Proses 1 Ekstraksi Fitur Geometri dan Pemesinan adalah satu atau lebih file CAD yang menyimpan data rancangan produk manufaktur. Hasil dari proses ini disimpan dalam sebuah Data Store Informasi Produk Historis yang memuat data fitur geometri dan fitur pemesinan dari produk. Data Store Informasi Produk Historis bersama-sama dengan Data Store Data Pesanan dipergunakan sebagai data masukan bagi Proses 2 Data Mining. Hasil dari Proses 2 Data Mining adalah Data Store Estimasi Biaya yang berisi tentang aturan estimasi biaya. Bagian PPC berinteraksi dengan Proses 2 Data Mining dengan memberikan parameter data mining. Gambar IV-3 DFD Level 1 Sistem Pendukung Keputusan Estimasi Biaya Data Store Estimasi Biaya dipergunakan sebagai masukan dalam Proses 3 Estimasi Biaya Produksi untuk melakukan prediksi sebuah informasi produk baru.

5 Bagian PPC berinteraksi dengan Proses 3 Estimasi Biaya Produksi dengan memberikan parameter estimasi sebagai data masukan. Proses-proses yang membutuhkan perincian menjadi sub proses yang lebih kecil dibahas dalam sub bab-sub bab berikutnya. IV DFD Level 2: Proses 1 Ekstraksi Fitur Geometri Proses 1 Ekstraksi Fitur Geometri dirinci menjadi 5 proses yaitu Proses 1.1 Identifikasi File CAD, Proses 1.2 Identifikasi Dimensi produk, Proses 1.3 Penghitungan Volume Produk, Proses 1.4 Identifikasi Fitur Pemesinan dan Proses 1.5 Penyimpanan Hasil Ekstraksi Fitur seperti pada Gambar IV-4. Bagian PPC berinteraksi dengan Proses 1.1 Identifikasi File CAD pada saat memberikan data masukan berupa File CAD. Gambar IV-4 DFD Level 2 Proses 1 Ekstraksi Fitur Geometri Proses 1.1 Identifikasi File CAD dipergunakan untuk melakukan validasi apakah file CAD yang dipergunakan dapat diproses untuk ekstraksi data. File yang dapat diolah oleh sistem ini adalah file Solidworks Part yang bertipe.sldprt. Jika File yang diberikan oleh Bagian PPC adalah file bertipe.sldprt, maka Proses 1.1 Identifikasi File CAD akan menyatakan bahwa file masukan bersifat valid. Proses

6 1.1 Identifikasi File CAD akan menyimpan informasi data OrderID dan ProductName yang diekstraksi dari nama direktori dan nama file. Penamaan direktori adalah: OrderID OrderName, contoh: DIES ROOF PGE menunjukkan OrderID = 7025 dan OrderName = DIES ROOF PGE Proses 1.2 Identifikasi Dimensi Produk dilakukan dengan mengidentifikasi titik koordinat terluar dari sebuah produk. Titik koordinat terluar diperoleh untuk masing-masing sumbu, yaitu sumbu x, sumbu y dan sumbu z. Selisih dari titik koordinat terluar untuk masing-masing sumbu didefinisikan sebagai dimensi panjang untuk sumbu x, lebar untuk sumbu y dan tinggi untuk sumbu z. Proses 1.3 Penghitungan Volume Produk mempergunakan hasil Proses 1.2 Identifikasi Dimensi Produk sebagai data masukan. Dengan asumsi bahwa material berupa balok, maka volume produk dapat diperoleh dari hasil perkalian antara panjang, lebar dan tinggi. Data panjang, lebar, tinggi dan volume produk disimpan pada Data Store Informasi Produk Historis sebagai data fitur geometri. Proses 1.4 Identifikasi Fitur Pemesinan dipergunakan untuk melakukan identifikasi fitur-fitur pemesinan yang terdapat dalam sebuah produk. Fitur pemesinan yang dimaksud berupa Hole, Side, Pocket, Boss dan Surface. Hasil fitur pemesinan selanjutnya disimpan dalam Data Store Informasi Produk Historis. Proses 1.5 Penyimpanan Hasil Ekstraksi Fitur menyimpan data fitur geometri dan pemesinan ke dalam Data Store Informasi Produk Historis. Spesifikasi masing-masing proses disajikan dalam Lampiran A. IV DFD Level 2: Proses 2 Data Mining

7 Proses 2 Data Mining terdiri dari 3 sub proses, yaitu Proses 2.1 Penyiapan Data, Proses 2.2 Clustering dan Proses 2.3 Pembuatan Aturan Estimasi seperti disajikan dalam Gambar IV-5. Bagian PPC berinteraksi langsung dengan Proses 2.1 Penyiapan Data pada saat memberikan data masukan parameter penyiapan data dan berinteraksi dengan Proses 2.2 Clustering pada saat memberikan data masukan berupa jumlah cluster. Proses 2.1 Penyiapan Data mempergunakan data masukan berupa Data Fitur Produk dari Data Store Informasi Produk Historis dan parameter penyiapan data dari Bagian PPC. Proses ini dipergunakan untuk menyiapkan data sebelum dipergunakan sebelum Proses 2.2 Clustering dilaksanakan. Hasil Proses 2.1 Penyiapan Data disimpan dalam Data Store Data Set yang selanjutnya dipergunakan oleh Proses 2.2 Clustering. Data yang disimpan ke dalam Data Store Data set meliputi Relasi, Atribut dan Data. Gambar IV-5 DFD Level 2 Proses 2 Data Mining Proses 2.2 Clustering dipergunakan untuk mengelompokkan Data Set menjadi sejumlah kelompok data berdasarkan kemiripan. Jumlah kelompok ditentukan oleh Bagian PPC melalui data masukan Jumlah Cluster. Data Relasi, Atribut dan

8 Data ditambah dengan cluster untuk masing-masing data selanjutnya dipergunakan sebagai data masukan bagi Proses 2.3 Pembuatan Aturan Estimasi. Proses 2.1 Penyiapan Data, Proses 2.2 Clustering dan Proses 2.3 Pembuatan Aturan Estimasi selanjutnya akan dirinci dalam DFD Level 3 dalam sub bab terpisah. IV DFD Level 2: Proses 3 Estimasi Biaya Produksi Proses 3 Estimasi Biaya Produksi terdiri dari Proses 3.1 Penentuan Cluster untuk Data Baru dan Proses 3.2 Penentuan Estimasi Biaya Produksi seperti disajikan dalam Gambar IV-6. Bagian PPC berinteraksi dengan Proses 3.1 Penentuan Cluster untuk Data Baru pada saat memasukkan parameter prediksi. Proses 3.1 Penentuan Cluster untuk Data Baru dipergunakan guna menentukan keanggotaan data baru terhadap kelompok data yang telah dihasilkan pada Proses 2.2 Clustering. Hasil dari Proses 3.1 ini dipergunakan Proses 3.2 Penentuan Estimasi Biaya Produksi untuk menghasilkan prediksi biaya berdasarkan parameter estimasi. Gambar IV-6 DFD Level 2 Proses 3 Estimasi Biaya Produksi Spesifikasi masing-masing proses disajikan dalam Lampiran A. IV DFD Level 3: Proses 2.1 Penyiapan Data

9 Proses 2.1 Penyiapan Data dirinci menjadi 2 proses, yaitu Proses Seleksi Atribut, Proses Penyimpanan Data untuk Data Mining seperti disajikan dalam Gambar IV-7. Bagian PPC berinteraksi dengan Proses Seleksi Atribut pada saat menentukan atribut disimpan dalam data set. Proses Seleksi Atribut dipergunakan untuk melakukan pemilihan atribut yang akan dipergunakan untuk data mining. Proses ini mempergunakan data masukan berupa atribut dari Bagian PPC dan skema data dari Data Store Informasi Produk Historis sehingga dihasilkan atribut yang terpilih. Gambar IV-7 DFD Level 3: Proses 2.1 Penyiapan Data Proses Penyimpanan Data untuk Data Mining dipergunakan untuk menyimpan data yang telah dipilih berdasarkan atribut sesuai Proses Seleksi Atribut ke dalam Data Store Data Set. Spesifikasi masing-masing proses disajikan dalam Lampiran A. IV DFD Level 3: Proses 2.2 Clustering Proses 2.2 Clustering terdiri dari 2 proses, yaitu Proses Inisialisasi Titik Pusat Cluster dan Proses Clustering dengan K-Means seperti pada Gambar IV-8. Bagian PPC berinteraksi dengan Proses Inisialisasi Titik Pusat Cluster pada saat memasukkan jumlah cluster yang akan dibentuk.

10 Proses Inisialisasi Titik Pusat Cluster dipergunakan untuk menggantikan langkah pertama algoritma K-Means, yaitu penentuan titik pusat cluster awal. Pada algoritma K-Means, titik pusat cluster awal ditentukan dengan cara memilih sejumlah data secara acak. Dengan proses ini, diharapkan proses pengelompokan produk dapat dilakukan secara lebih baik dibandingkan dengan penggunaan algoritma K-Means biasa. Hasil dari proses ini adalah sejumlah centroid sesuai dengan jumlah cluster. Data Set Relasi, Atribut, Data Relasi, Atribut, Data Bagian PPC Jumlah cluster Inisialisasi Titik Pusat Cluster centroid Clustering dengan K- Means Relasi, Atribut, Data, Cluster 2.3 centroid Aturan Estimasi Gambar IV-8 DFD Level 3: Proses 2.2 Clustering Proses dipergunakan untuk mengelompokkan data ke dalam sejumlah kelompok data yang disebut cluster. Proses ini mempergunakan algoritma K- Means dengan cara menghitung jarak Euclidian data terhadap centroid. Jarak terkecil terhadap titik pusat cluster dijadikan sebagai dasar pengalokasian data ke dalam cluster. Hasil dari proses ini selanjutnya dipergunakan sebagai masukan dalam Proses 2.3 Pembuatan Aturan Estimasi. Spesifikasi masing-masing proses disajikan dalam Lampiran A. IV DFD Level 3: Proses 2.3 Pembuatan Aturan Estimasi Proses 2.3 Pembuatan Aturan Estimasi terdiri dari 6 proses, yaitu Proses Pembuatan Matrik Persamaan Linier, Proses Pembuatan Transpose Matrik Variabel Dependen, Proses Perkalian Matrik Dependen dan Transpose, Proses Pembuatan Matrik Inversi, Proses Penghitungan Koefisien

11 Regresi dan Proses Penyimpanan Aturan Estimasi seperti pada Gambar IV-9. Bagian PPC tidak terlibat dalam proses-proses tersebut. Proses Pembuatan Matrik Persamaan Linier dipergunakan untuk membuat dua buah matrik, yaitu matrik yang berisi variabel dependen dan matrik harga. Matrik variabel dependen diperoleh dari Proses 2.3 Clustering dengan K-Means. Sedangkan matrik harga diperoleh dari Data Store Data Pesanan. Matrik Variabel Dependen selanjutnya dipergunakan sebagai data masukan Proses Pembuatan Transpose Matrik Variabel Dependen, sedangkan Matrik Harga dipergunakan sebagai data masukan untuk Proses Penghitungan Koefisien Regresi. Proses ini juga menyimpan atribut yang diperoleh dari Proses 2.3 Clustering dengan K-Means. 2.2 Relasi, Atribut, Data, Cluster Harga Produk Data Pesanan Pembuatan Matrik Persamaan Linier Matrik Variabel Dependen (A) Pembuatan Transpose Matrik Variabel Dependen (A T ), (A) Perkalian Matrix Dependen dan Transpose Atribut, cluster (A T A) Matrix Harga, cluster Penyimpanan Aturan Estimasi Koefisien Penghitungan Koefisien Regresi (A T A) -1, (A) T Pembuatan Matrik Inversi Koefisien, cluster, atribut Aturan Estimasi Gambar IV-9 DFD Level 3: Proses 2.3 Pembuatan Aturan Estimasi Proses Pembuatan Transpose Matrik Variabel Dependen dipergunakan untuk membuat transpose dari sebuah matrik, yaitu pertukaran antara nilai baris dengan kolom sebuah matrik. Matrik berukuran m x n akan menghasilkan sebuah

12 matrik transpose berukuran n x m serta elemen matrik (m, n) akan menjadi elemen (n, m) pada matrik transpose nya. Proses Perkalian Matrik Matrik Variabel Dependen dan Transpose akan melakukan proses perkalian matrik antara Matrik Transpose yang berukuran m x n dengan Matrik Variabel Dependen yang berukuran n x n. Hasil perkalian ini akan dipergunakan oleh Proses Pembuatan Matrik Inversi sebagai data masukan. Proses Pembuatan Matrik Inversi dipergunakan untuk membuat inversi dari sebuah matrik yang berukuran n x n. Syarat yang harus dipenuhi untuk dapat membuat sebuah matrik inversi adalah nilai determinan dari matrik tidak sama dengan nol. Determinan tidak bernilai nol dapat diperoleh jika sebuah matrik: 1. Tidak mempunyai baris yang seluruh elemennya bernilai nol 2. Tidak mempunyai dua baris elemen dengan nilai yang sama 3. Tidak mempunyai baris elemen yang merupakan kelipatan dari baris elemen lainnya Hasil dari Proses Pembuatan Matrik Inversi dipergunakan sebagai data masukan bagi Proses Pembuatan Koefisien Regresi. Proses Pembuatan Koefisien Regresi dipergunakan untuk menghitung koefisien nilai regresi dengan membuat perkalian seperti pada Persamaan II-10. Dalam Persamaan II-10, matrik X akan diperoleh dari Matrik Variabel Dependen, matrik X T diperoleh dari nilai transpose Matrik Variabel Dependen dan matrik Y diperoleh dari Matrik Harga. Matrik β yang berisi koefisien regresi diperoleh dari perkalian matrik sesuai dengan Persamaan II-10. Proses Penyimpanan Aturan Estimasi Hasil menyimpan data yang dihasilkan dari Proses Pembuatan Matrik Persamaan Linier dan Proses Penghitungan Koefisien Regresi ke dalam Data Store Aturan Estimasi. Dalam

13 proses ini juga dilakukan penghitungan MAPE dan koefisien regresi. Spesifikasi masing-masing proses disajikan dalam Lampiran A. IV.1.4 Kamus Data Data yang terlibat di dalam Diagram Aliran Data seperti pada pembahasan sub bab IV didefinisikan dalam sebuah kamus data, yang menjelaskan tentang definisi dari data. Kamus data untuk seluruh diagram aliran data disajikan dalam Tabel IV-2 Kamus Data Nama Data Referensi Proses Nilai Deskripsi Parameter Estimasi Context Diagram, Proses 3, Proses 3.1 Parameter Estimasi = File CAD + Parameter Data Mining + Parameter Prediksi Terdiri dari File CAD, Parameter Estimasi, Data Rule Terpilih, Jumlah Cluster Prediksi Biaya Produksi Context Diagram, Proses 3.2 Riil Hasil Prediksi yang dihasilkan oleh sistem File CAD Proses 1, Proses String Nama File CAD sebagai Hasil Ekstraksi 1.1 Proses 1, Proses 1.5 Hasil Ekstraksi=Data fitur produk + OrderID + ProductName input ekstraksi data Adalah hasil ekstraksi data produk OrderID Proses 1.1 String Adalah identitas pesanan ProductName Proses 1.1 String Adalah nama produk dalam tiap pesanan Skema Data Proses 2, Proses String Data fitur produk Proses 2 Data fitur produk = panjang + lebar + tinggi + volume + [jenis Fitur pemesinan] Parameter Data Mining Proses 2 Parameter Data Mining = jumlah cluster + skema data Rule Proses 2, Proses 2.3 String Data Rule Terpilih Proses 3, Proses [Rule] 3.1 Parameter Prediksi Proses 3 [panjang, lebar, tinggi, volume, [jenis Fitur pemesinan]] Skema data tabel Panjang, Lebar, Tinggi, jenis dan jumlah fitur pemesinan Terdiri dari Jumlah Cluster dan Skema Data Aturan Estimasi yang dihasilkan Aturan Estimasi yang dipilih oleh Bagian PPC Adalah data masukan untuk keperluan prediksi harga sebuah produk baru Status File Proses 1.1 [OK,Tidak OK] Status apakah sebuah file adalah file *.sldprt Panjang Proses 1.2 Riil /*> =0*/ Adalah dimensi panjang sebuah produk Lebar Proses 1.2 Riil /*> =0*/ Adalah dimensi lebar sebuah produk

14 Nama Data Referensi Proses Nilai Deskripsi Tinggi Proses 1.2 Riil /*> =0*/ Adalah dimensi tinggi sebuah produk Volume Proses 1.3 Riil /*> =0*/ Adalah volume sebuah produk Jenis Fitur pemesinan Jumlah Fitur pemesinan Parameter Penyiapan Data Proses 1.4 [Face, Hole, Pocket, Boss, Surface, Side] Adalah fitur pemesinan, yaitu Face, Hole, Pocket, Boss, Surface, Side Proses 1.4 Integer /*> =0*/ Adalah jumlah masingmasing jenis fitur pemesinan Proses 2.1 Parameter Penyiapan Data = skema data + nama relasi Terdiri dari skema data dan nama relasi Relasi Proses 2.1, Proses String Adalah nama dari sebuah tabel Atribut Proses 2.1, Proses String Adalah skema data dari sebuah tabel Data Proses 2.1, Proses [integer, riil, string] Data dari sebuah tabel 2.2.1, Proses 2.2, Proses 3.1 Cluster Proses 2.3, Integer /*0<=cluster<=20*/ Adalah identitas kelompok data Atribut Terpilih Proses String Adalah skema data sebuah tabel yang dipilih oleh Bagian PPC Jumlah Cluster Proses Integer /*0<=cluster<=20*/ Adalah jumlah kelompok data Centroid Proses Riil Adalah titik pusat sebuah cluster Harga Produk Proses Riil Adalah data harga produk Matrik Variabel Dependen (A) Proses Elemen data= riil jumlah baris= integer jumlah kolom= integer Matrix Harga Proses Elemen data= riil jumlah baris= integer jumlah kolom= integer (A T ) Proses Elemen data= riil jumlah baris= integer jumlah kolom= integer (A T A) Proses Elemen data= riil jumlah baris= integer jumlah kolom= integer (A T A) -1 Proses Elemen data= riil jumlah baris= integer jumlah kolom= integer Adalah data dalam bentuk matrik yang terdiri dari parameter atribut terpilih Adalah matrik yang berisi Harga Produk Adalah matrik transpose dari matrik variabel dependen A Adalah hasil perkalian antara matrik transpose dengan matrik variabel dependen Adalah matrik inversi dari (A T A) Koefisien Proses Riil Adalah koefisien regresi dari sebuah persamaan linier

15 Berdasarkan data dan proses yang terlibat di dalam Diagram Aliran Data seperti pada pembahasan sub bab IV.1.3.2, terdapat empat Data Store yang terlibat yaitu Data Pesanan, Informasi Produk Historis, Data Set, Data Aturan Estimasi dan Hasil Estimasi Biaya. Data Store Informasi Produk Historis menyimpan informasi sesuai dengan aliran proses yang terhubung kepada Data Store tersebut. Informasi tersebut terdiri dari OrderID, ProductName, Fitur Geometri dan Fitur Pemesinan. Informasi Fitur Geometri berisi tentang Panjang, Lebar, Tinggi dan Volume Produk, sedangkan Fitur Pemesinan menyimpan informasi mengenai jumlah Hole, Face, Pocket, Boss, Surface dan Side. Deskripsi Data Store Informasi Produk Historis disajikan pada Tabel IV-3. Tabel IV-3 Data Store Informasi Produk Historis Nama Data Nilai Deskripsi OrderID String Identitas pesanan ProductName String Nama produk Panjang Riil /*> =0*/ Dimensi panjang material (mm) Lebar Riil /*> =0*/ Dimensi lebar material (mm) Tinggi Riil /*> =0*/ Dimensi ketebalan material (mm) Volume Riil /*> =0*/ Volume material Jumlah Face Riil /*> =0*/ Jumlah firut pemesinan face Jumlah Hole Integer /*> =0*/ Jumlah fitur pemesinan hole Jumlah Pocket Integer /*> =0*/ Jumlah fitur pemesinan pocket Jumlah Boss Integer /*> =0*/ Jumlah fitur pemesinan boss Jumlah Surface Integer /*> =0*/ Jumlah fitur pemesinan surface Jumlah Side Integer /*> =0*/ Jumlah fitur pemesinan side Data Store Data Pesanan memuat informasi mengenai pesanan. Data Store ini dihasilkan oleh sistem lain, dan dipergunakan oleh Proses Permbuatan Matrik Persamaan Linier untuk membuat Matrik Harga. Skema data yang diperoleh pada sistem lain disajikan dalam Tabel IV-4. Tabel IV-4 Deskripsi Data Store Data Pesanan

16 Nama Data Nilai Deskripsi OrderID String Identitas pesanan ProductName String Nama Produk CustomerID String Identitas Pelanggan OrderDate Date /* dd-mm-yyyy*/ Tanggal pemesanan, dd-mm-yyyy DeliveryDate Date /* dd-mm-yyyy*/ Tanggal pengiriman, dd-mm-yyyy Amount Integer /* >0 */ Jumlah produk Price Riil /* >0 */ Harga produk Data Store Data Set menyimpan informasi Relasi, Atribut dan Data. Deskripsi Data Store Data Set disajikan dalam Tabel IV-5. Tabel IV-5 Deskripsi Data Store Data Set Nama Data Nilai Deskripsi Relasi String Nama Relasi Atribut String Nama Atribut [ ] Data [integer, riil, string] Data sesuai atribut [ ] Data Store Aturan Estimasi menyimpan informasi cluster, atribut dan koefisien. Deskripsi Data Store Aturan Estimasi disajikan dalam Tabel IV-6. Tabel IV-6 Deskripsi Data Store Aturan Estimasi Nama Data Nilai Deskripsi Integer Nama Cluster Cluster /*0<=cluster<=20*/ Atribut String Nama Atribut [ ] Koefisien Riil Koefisien regresi Centroid Riil Titik pusat cluster Data Store Hasil Estimasi Biaya menyimpan hanya satu informasi, yaitu Prediksi Biaya yang merupakan hasil prediksi biaya produksi. Hubungan antara Data Store Pesanan dengan Data Store Informasi Produk Historis merupakan hubungan one to one. Hubungan di antara kedua Data Store tersebut dapat digambarkan seperti pada Gambar IV-10.

17 Gambar IV-10 Relasi Data Store Informasi Produk Historis dan Data Pesanan IV.1.5 Kebutuhan Non Fungsional Kebutuhan non fungsional sistem pendukung keputusan estimasi biaya produksi lebih ditekankan kepada kebutuhan terhadap kecepatan pemrosesan data dan kehandalan. Pendefinisian kebutuhan non fungsional terhadap dua aspek tersebut dikarenakan sistem akan berinteraksi dengan jumlah data yang besar serta operasi aljabar linier yang membutuhkan banyak operasi. IV.2 Deskripsi Perancangan IV.2.1 Arsitektur Perangkat Lunak Berdasarkan proses-proses dalam Diagram Aliran pada sub bab IV.1.3.2, dapat didefinisikan proses-proses yang dibutuhkan untuk menyusun sistem informasi pendukung keputusan estimasi biaya. Proses-proses tersebut selanjutnya akan dipergunakan sebagai acuan perancangan. Daftar proses yang dibutuhkan disajikan dalam Tabel IV-7. Dalam Tabel IV-7, selain daftar nama proses juga disajikan referensi kebutuhan fungsional yang dijadikan sebagai bahan penyusunan proses. Tabel IV-7 Daftar Proses No Nama Proses Referensi Keb. Fungsional 1 Proses 1.1 Identifikasi File CAD F 1

18 No Nama Proses Referensi Keb. Fungsional 2 Proses 1.2 Identifikasi Dimensi Produk F 2 3 Proses 1.3 Penghitungan Volume Produk F 2 4 Proses 1.4 Identifikasi Fitur Pemesinan F 2 5 Proses 1.5 Penyimpanan Hasil Ekstraksi Fitur F 2 6 Proses Seleksi Atribut F 3 7 Proses Penyimpanan Data untuk Data Mining F 3 8 Proses Inisialisasi Titik Pusat Cluster F 4 9 Proses Clustering dengan K-Means F 4 10 Proses Pembuatan Matrik Persamaan Linier F 5 11 Proses Pembuatan Transpose Matrik Variabel Dependen F 5 12 Proses Perkalian Matrik Dependen dan Transpose F 5 13 Proses Pembuatan Matrik Inversi F 5 14 Proses Penghitungan Koefisien Regresi F 5 15 Proses Penyimpanan Aturan Estimasi F 5 16 Proses 3.1 Penentuan Cluster untuk Data Baru F 6 17 Proses 3.2 Penentuan Estimasi Biaya Produksi F 6 Berdasarkan daftar proses dalam Tabel IV-7 dan DFD pada sub bab IV.1.3.2, disusun modul-modul sesuai fungsionalitas perangkat lunak seperti disajikan dalam Tabel IV-8. Modul-modul tersebut mencerminkan struktur lojik dari perangkat lunak pendukung keputusan estimasi biaya yang dikembangkan. Jika digambarkan dalam sebuah struktur hirarki aplikasi, modul-modul tersebut membentuk arsitektur perangkat lunak. Arsitektur perangkat lunak menggambarkan struktur perangkat lunak secara keseluruhan. Arsitektur diharapkan dapat memperlihatkan konsep lengkap dari sebuah sistem dalam bentuk hirarki dari modul penyusun aplikasi dan menunjukkan bagaimana modulmodul tersebut berinteraksi. Arsitektur perangkat lunak sistem pendukung keputusan estimasi biaya disajikan pada Gambar IV-11. Tabel IV-8 Dekomposisi Fungsional Modul Nama Modul Ekstraksi Fitur Produk Nama Proses Proses 1.1 Identifikasi File CAD

19 Nama Modul Pengolahan Awal Data Clustering Pembuatan Aturan Estimasi Pengelolaan Matrik Estimasi Biaya Produk Baru Nama Proses Proses 1.2 Identifikasi Dimensi Produk Proses 1.3 Penghitungan Volume Produk Proses 1.4 Identifikasi Fitur Pemesinan Proses 1.5 Penyimpanan Hasil Ekstraksi Fitur Proses Seleksi Atribut Proses Penyimpanan Data untuk Data Mining Proses Inisialisasi Titik Pusat Cluster Proses Clustering dengan K-Means Proses Pembuatan Matrik Persamaan Linier Proses Penyimpanan Aturan Estimasi Proses Pembuatan Transpose Matrik Variabel Dependen Proses Perkalian Matrik Dependen dan Transpose Proses Pembuatan Matrik Inversi Proses Penghitungan Koefisien Regresi Proses 3.1 Penentuan Cluster untuk Data Baru Proses 3.2 Penentuan Estimasi Biaya Produksi

20 Estimasi Biaya Produk Baru Penentuan Estimasi Biaya Produksi Penentuan Cluster untuk Data Baru Penyimpanan Aturan Estimasi Pembuatan Matrik Persamaan Linier Aplikasi Data Mining Pembuatan Aturan Estimasi Clustering Pengolahan Awal Data Pengelolaan Matrik Clustering dengan K- Means Inisialisasi Titik Pusat Cluster Penyimpanan Data untuk Data Mining Seleksi Atribut Penghitungan Koefisien Regresi Pembuatan Matrik Inversi Perkalian Matrik Dependen dan Transpose Pembuatan Transpose Matrik Variabel Dependen Gambar IV-11 Arsitektur Perangkat Lunak Penyimpanan Hasil Ekstraksi Fitur Ekstraksi Fitur Produk Identifikasi Fitur Pemesinan Penghitungan Volume Produk Identifikasi Dimensi Produk Identifikasi File CAD

21 IV.2.2 Deskripsi Data Dekomposisi fisik Data Store diwujudkan dalam bentuk tabel dan file. Informasi umum mengenai rancangan fisik dari Data Store disajikan dalam Tabel IV-9. Tabel IV-9 Implementasi Fisik Data Store Data Store Type Data Nama File/Tabel Laju Informasi Produk Historis Tabel InfoProduct 2400 per tahun Data Pesanan Tabel Order 2400 per tahun Data Set File [DataSet] Aturan Estimasi File [EstimationRule] IV Tabel InfoProduct Tabel IV-10 Tabel InfoProduct Atribut Type Data Ukuran Primary Key OrderID String 4 Yes ProductName String 40 Yes Mat.Length Double Mat.Width Double Mat.Thick Double Mat.Volume Double NumFace Integer NumHole Integer NumPocket Integer NumBoss Integer NumSurface Integer NumSide Integer Tabel InfoProduct merupakan dekomposisi fisik dari Data Store Informasi Produk Histori. Struktur tabel infoproduct disajikan dalam Tabel IV-10. IV Tabel Order Tabel Order merupakan dekomposisi fisik dari Data Store Pesanan. Struktur tabel Order disajikan dalam Tabel IV-11.

22 Tabel IV-11 Tabel Order Atribut Type Data Ukuran Primary Key OrderID String 4 Yes OrderName String CustomerID String OrderDate Date DeliveryDate Date Amount Integer Price Integer IV File [DataSet] File ini disimpan dengan penamaan dan lokasi penyimpanan yang ditentukan oleh pengguna pada saat penyimpanan. File ini merupakan implementasi Data Store Data Set dan disimpan dalam bentuk tipe file.arff. Tipe file.arff mempunyai struktur isi yang tediri dari dua bagian, yaitu header dan data. Bagian header berisi komentar, relasi dan atribut. Baris komentar selalu diawali dengan karakter %, sedangkan baris relasi dan baris atribut diawali Bagian data merupakan seluruh baris Data untuk tiap atribut disimpan dengan dipisahkan oleh tanda koma. Khusus untuk atribut string, maka data diawali dan diakhiri dengan tanda single quote ( Umur STRING John,28 Adam,27 IV File [EstimationRule] File ini disimpan dengan penamaan dan lokasi penyimpanan yang ditentukan oleh pengguna pada saat penyimpanan. File EstimationRule yang merupakan

23 implementasi Data Store aturan estimasi. File EstimationRule terdiri dari dua bagian yaitu bagian aturan estimasi dan titik pusat cluster. Baris pada bagian aturan estimasi diawali sedangkan baris pada bagian titik pusat cluster diawali Pada baris aturan estimasi, terdapat tiga kolom data yaitu kolom cluster, atribut dan koefisien regresi sedangkan bagian titik pusat cluster, terdapat dua kolom data yaitu cluster dan titik pusat cluster. Contoh isi file EstimationRule sebagai 0 NumFace 0 NumHole 0 NumSide 1 NumFace 1 NumHole 1 NumSide 2 NumFace 2 NumHole 2 NumSide , 1.44, , 2.43, , 19.62, 8.15 Pada contoh tersebut di atas, terdapat 3 cluster yaitu cluster 0, cluster 1 dan cluster 2 dengan atribut NumFace, NumHole dan NumSide. IV.2.3 Dekomposisi Fisik Modul Dekomposisi fisik modul mendefinisikan implementasi fisik dari masing-masing modul yang dirancang sesuai dengan arsitektur perangkat lunak yang disajikan pada sub bab IV.2.1. Dekomposisi fisik modul disajikan dalam Tabel IV-12. Tabel IV-12 Dekomposisi Fisik Modul Nama Modul Ekstraksi Fitur Produk Pengolahan Awal Data Clustering Pembuatan Aturan Estimasi Pengelolaan Matrik Prediction Nama Modul CAD.bas DM.bas KM.bas MLR.bas Matrices.bas Prediction.bas

24 IV.2.4 Rancangan Layar Tabel IV-13 Perancangan Layar Nama Layar Nama File Gambar Rancangan L1 Layar Main mainapp.frm Gambar IV-13 L2 Layar Extract from One File frmonefile L3 Layar Extract from Directory frmdirfile Gambar IV-14 L4 Layar Extraction Result frmsaveekstraksi Gambar IV-15 L5 Layar Feature Selection frmfeatselect Gambar IV-16 L6 Layar Dataset frmdataset Gambar IV-17 L7 Layar Clustering frmclustering Gambar IV-18 L8 Layar Clustering Result frmclustresult Gambar IV-19 L9 Layar Save Rule frmsaverule Gambar IV-20 L10 Layar Predict New Price frmprediction Gambar IV-21 L1 L2 L3 L5 L7 L10 L4 L6 L8 L9 Gambar IV-12 Kebergantungan Antar Layar Antar muka pengguna dirancang dalam bentuk layar. Daftar layar yang dibutuhkan sistem estimasi biaya produksi disajikan dalam Tabel IV-13. Dalam tabel tersebut, setiap layar disimpan dalam sebuah file yang berbeda. Secara umum, terdapat 10 layar yang dibutuhkan dalam sistem estimasi biaya produksi

25 ini. Di antara 10 layar tersebut, terdapat 1 layar utama aplikasi dimana seluruh layar bergantung kepadanya. Kebergantungan dari setiap layar dari sistem estimasi biaya produksi disajikan dalam Gambar IV-12. Dalam Gambar IV-12 dapat dilihat bahwa seluruh layar bergantung secara langsung maupun tidak langsung pada sebuah layar utama. Layar yang bergantung langsung pada layar utama adalah L2, L3, L5, L7 dan L10. L4 bergantung pada layar L2 atau L3, sedangkan layar L6 bergantung langsung pada layar L5, layar L8 bergantung langsung pada layar L7 dan layar L9 bergantung langsung pada layar L8. Rancangan Layar disajikan dalam Gambar IV-13 sampai dengan Gambar IV-21 dengan rincian disajikan dalam Lampiran B. Gambar IV-13 L1 Layar Main

26 Gambar IV-14 L3 Layar Extract from Directory Gambar IV-15 L4 Layar Extraction Result Gambar IV-16 L5 Layar Feature Selection Gambar IV-17 L6 Layar Dataset Gambar IV-18 L7 Layar Clustering Gambar IV-19 L8 Layar Clustering Result

27 Gambar IV-20 L9 Layar Save Rule Gambar IV-21 L10 Layar Predict New Price