BAB 4 IMPLEMENTASI DAN EVALUASI

Transkripsi

1 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Spesifikasi Perangkat Keras Spesifikasi perangkat keras yang digunakan dalam pengujian aplikasi adalah sebagai berikut: Processor : Intel Pentium M processor 740 (1.73 GHz, 533 MHz FSB, 2 MB L2 Cache) Memory : Corsair DDR MB Hard Disk : Matsushita 80 GB 5400 RPM Graphic Card : ATI MOBILITY RADEON X700 PCI-E 128 MB Monitor : 15.4 WXGA CrystalBrite LCD (16ms) Mouse dan Keyboard standard Spesifikasi Perangkat Lunak Spesifikasi perangkat lunak yang digunakan dalam pengujian aplikasi adalah sebagai berikut: Sistem Operasi : Microsoft Windows XP Home Edition Version 2002 Service Pack 2 Development Software : Borland Delphi 7 Enterprise Edition Microsoft Access

2 Spesifikasi Minimum Perangkat Keras yang Dianjurkan Aplikasi yang dirancang masih dapat dijalankan dengan baik pada spesifikasi minimum berikut: Processor : Intel Pentium III 1.06 GHz Memory : 128 MB Hard Disk : Minimal terdapat free space sebesar 12 MB untuk aplikasi Monitor dan Graphic Card : Minimal dapat menampilkan resolusi 256 color Mouse dan Keyboard standard 4.2 Prosedur Operasional Pada bagian ini akan dijelaskan mengenai langkah-langkah yang dapat dilakukan oleh user untuk menjalankan aplikasi. Pada awal aplikasi dijalankan, akan muncul splash screen seperti pada Gambar 4.1. Gambar 4.1 Tampilan Splash Screen

3 Selanjutnya akan muncul tampilan awal aplikasi seperti pada gambar di bawah ini. 162 Gambar 4.2 Tampilan Awal Aplikasi Pada saat layar ini ditampilkan (form create), dilakukan sejumlah proses, yaitu: - koneksi ke database, - inisialisasi matriks-matriks yang diperlukan untuk proses pembelajaran, yaitu matriks R dan semua matriks Q (Q0, Q1, Q2, dan Q3), dan - inisialisasi parameter-parameter yang dibutuhkan, yaitu discount rate γ dan ε-greedy parameter ε.

4 163 Pada tampilan awal aplikasi, terdapat beberapa menu, yaitu Learning Process, Recalling Process, View Matrix, View Database, dan Help. Mula-mula, apabila user ingin melakukan training data, user dapat memilih Menu Learning Process. Gambar 4.3 Pemilihan Menu Learning Process Pada Tampilan Awal Aplikasi Setelah itu user dapat memilih Training Data, dan tampilan layar pada menu Training Data dapat dilihat pada Gambar 4.4.

5 164 Gambar 4.4 Tampilan Layar Menu Training Data Pada form training data, mula-mula semua tombol di-disable, kecuali tombol Start Training, dan semua input box juga di-disable, kecuali input box Discount Rate dan e-greedy Parameter. Pertama-tama, user harus mengisi nilai dari parameter Discount Rate dan e- greedy Parameter. Nilai dari kedua parameter ini divalidasi dalam range antara 0 1, dan harus berupa angka desimal. Validasi dijalankan pada saat user mengklik tombol Start Training. Bila nilai yang dimasukkan tidak valid, maka akan muncul pesan warning seperti berikut.

6 165 Gambar 4.5 Tampilan Layar Warning Untuk Pengisian Parameter Discount Rate Gambar 4.6 Tampilan Layar Warning Untuk Pengisian Parameter ε-greedy

7 166 Apabila kedua input user sudah bersifat valid, maka setelah tombol Start Training di-klik, aplikasi akan dijalankan modul Training Data dengan menggunakan nilai parameter yang telah dimasukkan user, dan akan berhenti sampai nilai semua matriks Q mencapai konvergensi. Gambar 4.7 Tampilan Layar Pada Saat Proses Training Jika proses training telah selesai, maka user akan mendapatkan sebuah pesan yang menginformasikan bahwa proses training telah selesai (Training Done).

8 167 Gambar 4.8 Tampilan Layar Training Done Setelah user meng-klik OK, tombol Save Data di-enable, dan user dapat melihat waktu atau lama proses training serta berapa banyak proses eksplorasi dan eksploitasi berdasarkan metode ε-greedy yang telah dilakukan oleh agen.

9 168 Gambar 4.9 Tampilan Layar Setelah Proses Training Selesai User dapat menyimpan hasil training yang berupa nilai-nilai semua matrix Q yang baru ke dalam file data. Apabila user memilih untuk melakukan penyimpanan hasil training dengan meng-klik tombol Save Data, akan muncul layar konfirmasi apakah user yakin akan menyimpan data baru tersebut, dengan kata lain, menimpa (replace) data yang lama. Setelah user menekan tombol Yes pada layar konfirmasi, maka akan dijalankan modul Save Data.

10 169 Gambar 4.10 Tampilan Layar Konfirmasi Save Data Setelah selesai dilakukan penyimpanan data, maka akan muncul pesan informasi bahwa matrix Q telah berhasil disimpan (Saving Done).

11 170 Gambar 4.11 Tampilan Layar Saving Done Untuk melakukan recall pasangan produk dan metode promosi, maka user dapat memilih menu Recalling Process Recall Events Products, Recall Near Expired Products, Recall New Products, atau Recall Too Many Products, tergantung dari kebutuhan promosi user. Berikut diberikan contoh tampilan layar setelah user memilih submenu Recall Events Products.

12 171 Gambar 4.12 Tampilan Layar Recall Events Products Kemudian user dapat memilih jenis event yang diinginkan. Misalnya, user memilih event Natal dan Tahun Baru, kemudian meng-klik tombol Recall, maka modul Recall Data akan dijalankan.

13 172 Gambar 4.13 Tampilan Layar Recall Events Products Natal dan Tahun Baru User dapat melihat isi dari matrix R dengan memilih menu View Matrix View Matrix R. Pada saat tersebut, modul View Matrix R akan dijalankan.

14 173 Gambar 4.14 Tampilan Layar View Matrix R User juga dapat melihat isi dari matrix Q yang diinginkan dengan memilih menu View Matrix View Matrix Q View Matrix Q Events, View Matrix Q Near Expired, View Matrix Q New, atau View Matrix Q Too Many. Berikut adalah contoh tampilan setelah user memilih submenu View Matrix Q Events, dan modul View Matrix Q dijalankan.

15 174 Gambar 4.15 Tampilan Layar View Matrix Q Events Untuk melihat isi tabel-tabel database, user dapat memilih menu View Database View Data Table, View Events Table, View Priority Table, atau View Promotion Table. Berikut adalah tampilan layar apabila user memilih masingmasing menu.

16 175 Gambar 4.16 Tampilan Layar View Data Table Gambar 4.17 Tampilan Layar View Events Table

17 176 Gambar 4.18 Tampilan Layar View Promotion Table Pemilihan submenu Program Tutorial pada menu Help akan menghasilkan tampilan tutorial program sebagai berikut.

18 177 Gambar 4.19 Tampilan Layar Program Tutorial Sedangkan apabila user memilih submenu About Us pada menu Help, maka akan ditampilkan profil pembuat program.

19 178 Gambar 4.20 Tampilan Layar About Us 4.3 Prosedur Evaluasi Pengujian terhadap aplikasi ini terdiri atas 2 (dua) tahap. Tahap pertama adalah pengujian terhadap parameter-parameter yang digunakan dalam metode Q-learning, yaitu parameter discount rate γ dan parameter ε-greedy ε. Tahap kedua berupa pengujian keoptimalan solusi yang dihasilkan Q-learning pada sejumlah kasus dengan menggunakan parameter-parameter yang dianggap optimal yang telah diperoleh pada tahap pertama.

20 Evaluasi Parameter Q-Learning Pengujian ini dilakukan untuk mengevaluasi parameter-parameter yang ada dalam metode Q-learning, dan seberapa jauh parameter-parameter tersebut berpengaruh terhadap performa dari Q-learning secara keseluruhan. Adapun, kedua parameter ini tidak akan berpengaruh kepada persentase keoptimalan solusi, namun hanya berpengaruh kepada jumlah iterasi yang dijalankan. Selain itu, pengujian ini dilakukan untuk mencari nilai parameter yang dianggap terbaik untuk kasus ini, sehingga dapat digunakan dalam tahap pengujian selanjutnya Evaluasi Parameter ε-greedy Pengujian ini dilakukan dengan tujuan untuk mengetahui besarnya pengaruh dari ε-greedy parameter ε terhadap proses pencarian solusi promosi ini. Pengujian dilakukan dengan mengubah-ubah nilai ε-greedy parameter ε untuk setiap kali training. Sedangkan nilai dari parameter discount rate γ ditetapkan sebesar 0.8. Berikut adalah hasil pengujiannya. Parameter Parameter Jumlah Jumlah Jumlah Lama Discount Rate ε-greedy Iterasi Eksplorasi Eksploitasi Training :56: :16: :05: :03: :03:01 Tabel 4.1 Hasil Pengujian Terhadap Parameter ε-greedy

21 180 Dari tabel di atas, dapat dilihat bahwa ε-greedy parameter ε mempengaruhi jumlah iterasi dalam setiap kali training, sehingga secara tidak langsung juga mempengaruhi lama training. Semakin besar nilai ε-greedy parameter ε, maka semakin sedikit jumlah iterasi yang harus dilakukan dalam proses training. Karenanya, untuk aplikasi ini, dipilih angka 1 sebagai nilai ε-greedy parameter ε terpilih Evaluasi Parameter Discount Rate Pengujian ini dilakukan dengan tujuan untuk mengetahui besarnya pengaruh dari parameter discount rate γ terhadap proses pencarian solusi promosi ini. Pengujian dilakukan dengan mengubah-ubah nilai discount rate γ untuk setiap kali training. Sedangkan nilai dari parameter ε-greedy parameter ε ditetapkan sebesar 0.8. Berikut adalah hasil pengujiannya. Parameter Parameter Jumlah Jumlah Jumlah Lama Maks. ε-greedy Discount Rate Iterasi Eksplorasi Eksploitasi Training Reward :03: :03: :03: :03: Tabel 4.2 Hasil Pengujian Terhadap Parameter Discount Rate Berdasarkan tabel di atas, dapat ditarik kesimpulan bahwa parameter discount rate γ tidak terlalu berpengaruh terhadap jumlah iterasi dalam setiap training. Parameter ini hanya berpengaruh pada besarnya nilai cummulative reward yang didapat oleh agen pada saat training, dan hal ini tidak berpengaruh untuk jumlah pemilihan action yang

22 sedikit, seperti pada aplikasi ini. Karenanya, untuk aplikasi ini dipilih angka 0.2 sebagai nilai parameter discount rate γ yang akan digunakan Evaluasi Solusi yang Dihasilkan Parameter Terpilih Dalam tahap ini, dilakukan pengujian terhadap solusi yang dihasilkan oleh kedua parameter terpilih yang telah diperoleh pada tahap pengujian sebelumnya. Untuk pengujian ini, akan dilakukan training menggunakan kedua parameter terpilih, dan setelah semua nilai matriks Q disimpan ke dalam file data, akan dilakukan proses recall data. Untuk pengujian tingkat keakuratan data solusi yang berupa metode promosi diskon, tingkat keakuratannya akan diukur berdasarkan rumus berikut: B S 5 A = 100% 100% 10 di mana: - A adalah tingkat keakuratan solusi yang dihasilkan aplikasi ini - S adalah besarnya diskon (dalam persen) untuk suatu produk berdasarkan solusi yang dihasilkan aplikasi ini - B adalah besarnya diskon rata-rata (dalam persen) untuk suatu produk berdasarkan promosi pada brosur suatu supermarket Evaluasi Solusi Pada Events Products Pada pengujian solusi events products, tingkat keakuratan akan dihitung dengan cara membandingkan data solusi yang berupa diskon dengan data sesungguhnya, yaitu besarnya diskon rata-rata untuk jenis produk tertentu pada supermarket, dalam rangka event yang sama. Pada tahap ini hanya dilakukan pengujian untuk 2 (dua) jenis event

23 yang terdekat, yaitu Natal dan Tahun Baru serta Tahun Baru Imlek, agar dapat dibandingkan dengan promosi pada brosur yang tersedia Evaluasi Solusi Pada Events Products Natal dan Tahun Baru Pengujian ini akan dilakukan terhadap solusi pada events products Natal dan Tahun Baru yang dihasilkan oleh aplikasi. Berdasarkan brosur dari supermarket dalam event Natal dan Tahun Baru, dihitung rata-rata diskon yang diberikan untuk produk yang sama, khususnya produk yang berhubungan dengan event Natal dan Tahun Baru menurut Priority Table pada database. Pada tahap ini, hanya dilakukan evaluasi pada 5 (lima) buah produk yang paling berpengaruh terhadap promosi pada event Natal dan Tahun Baru. Berikut ini adalah perhitungan diskon rata-rata untuk masing-masing produk pada supermarket Hero berdasarkan event Natal dan Tahun Baru. 1 Produk A 6, , Produk B 18, , Produk C 10, , Produk D 27, , Pembulatan Tabel 4.3 Promosi Diskon Produk Cokelat Natal dan Tahun Baru

24 1 Produk A 3, , Produk B 10, , Produk C 16, , Produk D 9, , Produk E 12, , Produk F 3, , Produk G 3, , Produk H 4, , Produk I 3, , Produk J 20, , Produk K 2, , Produk L 3, , Pembulatan Tabel 4.4 Promosi Diskon Produk Soft Drink Natal dan Tahun Baru Produk A 6, , Produk B 24, , Produk C 6, , Produk D 7, , Pembulatan Tabel 4.5 Promosi Diskon Produk Chiki Natal dan Tahun Baru Produk A 4, , Produk B 6, , Produk C 6, , Produk D 14, , Pembulatan Tabel 4.6 Promosi Diskon Produk Kacang Natal dan Tahun Baru Produk A 18, , Pembulatan Tabel 4.7 Promosi Diskon Produk Perlengkapan Pesta Natal dan Tahun Baru

25 184 Berikut adalah hasil dari proses recall events products dengan jenis event Natal dan Tahun Baru dari aplikasi pencarian solusi metode promosi produk supermarket: Tabel 4.8 Hasil Recall Events Products Natal dan Tahun Baru Berdasarkan data-data di atas, dapat dihitung tingkat keakuratan data hasil recall events products Natal dan Tahun Baru sebagai berikut: No Jenis Diskon Rata-rata Solusi Diskon Tingkat Produk pada Brosur (%) hasil Recall (%) Keakuratan (%) 1 Cokelat Soft Drink Chiki Kacang Perlengkapan Pesta Tingkat Keakuratan Rata-rata (%) Tabel 4.9 Tingkat Keakuratan Data Solusi Natal dan Tahun Baru Berdasarkan hasil pengujian terhadap data solusi events products Natal dan Tahun Baru, disimpulkan bahwa tingkat keakuratan solusi cukup baik, yaitu sebesar 92%.

26 Evaluasi Solusi Pada Events Products Tahun Baru Imlek Pengujian ini akan dilakukan terhadap solusi pada events products Tahun Baru Imlek yang dihasilkan oleh aplikasi. Berdasarkan brosur dari supermarket dalam event Tahun Baru Imlek, dihitung rata-rata diskon yang diberikan untuk produk yang sama, khususnya produk yang berhubungan dengan event Tahun Baru Imlek menurut Priority Table pada database. Pada tahap ini, dilakukan evaluasi pada 8 (delapan) buah produk yang berpengaruh terhadap promosi pada event Tahun Baru Imlek. Berikut ini adalah perhitungan diskon rata-rata untuk masing-masing produk pada supermarket Hero berdasarkan event Tahun Baru Imlek. 1 Produk A 18, , Produk B 7, , Produk C 11, , Produk D 16, , Produk E 9, , Pembulatan Tabel 4.10 Promosi Diskon Produk Makanan Kaleng Tahun Baru Imlek Produk A 19, , Produk B 2, , Pembulatan Tabel 4.11 Promosi Diskon Produk Daging Ayam Tahun Baru Imlek

27 1 Produk A 2, , Produk B 2, , Produk C 1, , Produk D 2, , Produk E 1, Produk F Produk G 2, , Produk H Produk I Produk J 5, , Produk K 1, Pembulatan Tabel 4.12 Promosi Diskon Produk Buah dan Sayuran Segar Tahun Baru Imlek 1 Produk A 27, , Produk B 12, , Produk C 16, , Produk D 8, , Produk E 31, , Produk F 19, , Produk G 21, , Produk H 15, , Produk I 6, , Produk J 23, , Produk K 12, , Produk L 34, , Pembulatan Tabel 4.13 Promosi Diskon Produk Makanan Beku Tahun Baru Imlek

28 1 Produk A 5, , Produk B 16, , Produk C 12, , Produk D 5, , Produk E 5, , Produk F 1, , Produk G 3, , Produk H 2, , Produk I 3, , Produk J 13, , Produk K 3, , Produk L 9, , Produk M 9, , Produk N 12, , Pembulatan Tabel 4.14 Promosi Diskon Produk Soft Drink Tahun Baru Imlek Produk A 4, , Produk B 3, , Produk C 6, , Pembulatan Tabel 4.15 Promosi Diskon Produk Permen Tahun Baru Imlek Produk A 2, , Produk B 3, , Produk C 3, , Pembulatan Tabel 4.16 Promosi Diskon Produk Biskuit Tahun Baru Imlek

29 1 Produk A 20, , Produk B 26, , Produk C 23, , Pembulatan Tabel 4.17 Promosi Diskon Produk Cokelat Tahun Baru Imlek Berikut adalah hasil dari proses recall events products dengan jenis event Tahun Baru Imlek dari aplikasi pencarian solusi metode promosi produk supermarket: Tabel 4.18 Hasil Recall Events Products Tahun Baru Imlek

30 189 Berdasarkan data-data di atas, dapat dihitung tingkat keakuratan data hasil recall events products Tahun Baru Imlek sebagai berikut: No Jenis Diskon Rata-rata Solusi Diskon Tingkat Produk pada Brosur (%) hasil Recall (%) Keakuratan (%) 1 Makanan Kaleng Daging Ayam Buah dan Sayuran Segar Makanan Beku Soft Drink Permen Biskuit Cokelat Tingkat Keakuratan Rata-rata (%) Tabel 4.19 Tingkat Keakuratan Data Solusi Tahun Baru Imlek Berdasarkan hasil pengujian terhadap data solusi events products Tahun Baru Imlek, disimpulkan bahwa tingkat keakuratan solusi cukup baik, yaitu sebesar 95% Evaluasi Solusi Pada Near Expired Products Pada pengujian solusi near expired products, tingkat keakuratan akan dihitung dengan cara membandingkan data solusi yang berupa diskon dengan data sesungguhnya, yaitu besarnya diskon rata-rata untuk jenis produk yang mendekati masa kadaluarsa (near expired) pada supermarket. Pada tahap ini, dilakukan evaluasi pada 5 (lima) buah produk yang sudah mendekati masa kadaluarsa pada suatu supermarket. Berikut ini adalah perhitungan diskon rata-rata untuk masing-masing produk near expired pada supermarket Hero.

31 1 Produk A 4, , Produk B 6, , Pembulatan Tabel 4.20 Promosi Diskon Produk Biskuit Near Expired Produk A Pembulatan Tabel 4.21 Promosi Diskon Produk Mie Instan Near Expired 1 Produk A Produk B Pembulatan Tabel 4.22 Promosi Diskon Produk Buah dan Sayuran Segar Near Expired Produk A 5, , Produk B 4, , Produk C 4, , Produk D 5, , Pembulatan Tabel 4.23 Promosi Diskon Produk Daging Sapi Near Expired Produk A 24, , Pembulatan Tabel 4.24 Promosi Diskon Produk Soft Drink Near Expired

32 191 Berikut adalah hasil dari proses recall near expired products dari aplikasi pencarian solusi metode promosi produk supermarket: Tabel 4.25 Hasil Recall Near Expired Products Berdasarkan data-data di atas, dapat dihitung tingkat keakuratan data hasil recall near expired product sebagai berikut: No Jenis Diskon Rata-rata Solusi Diskon Tingkat Produk pada Brosur (%) hasil Recall (%) Keakuratan (%) 1 Biskuit Mie Instan Buah dan Sayuran Daging Sapi Soft Drink Tingkat Keakuratan Rata-rata (%) Tabel 4.26 Tingkat Keakuratan Data Solusi Near Expired Products Berdasarkan hasil pengujian terhadap data solusi Near Expired, disimpulkan bahwa tingkat keakuratan solusi cukup baik, yaitu sebesar 94%.

33 Evaluasi Solusi Pada New Products Pada pengujian solusi new products, tingkat keakuratan akan dihitung dengan cara membandingkan data solusi yang berupa diskon dengan data sesungguhnya, yaitu besarnya diskon rata-rata untuk jenis produk baru (new products) pada supermarket. Pada tahap ini, dilakukan evaluasi pada 6 (enam) buah produk yang merupakan produk baru pada suatu supermarket. Berikut ini adalah perhitungan diskon rata-rata untuk masing-masing produk baru pada supermarket Hero. 1 Produk A 11, , Pembulatan Tabel 4.27 Promosi Diskon Produk Saus New 1 Produk A 33, , Pembulatan 5.00 Tabel 4.28 Promosi Diskon Produk Makanan Beku New 1 Produk A 5, , Pembulatan Tabel 4.29 Promosi Diskon Produk Kosmetik New

34 1 Produk A 20, , Pembulatan Tabel 4.30 Promosi Diskon Produk Pembersih New Produk A 13, , Pembulatan 5.00 Tabel 4.31 Promosi Diskon Produk Aksesoris New 1 Produk A 3, , Pembulatan Tabel 4.32 Promosi Diskon Produk Soft Drink New Berikut adalah hasil dari proses recall new products dari aplikasi pencarian solusi metode promosi produk supermarket: Tabel 4.33 Hasil Recall New Products

35 194 Berdasarkan data-data di atas, dapat dihitung tingkat keakuratan data hasil recall new products sebagai berikut: No Jenis Diskon Rata-rata Solusi Diskon Tingkat Produk pada Brosur (%) hasil Recall (%) Keakuratan (%) 1 Saus Makanan Beku Kosmetik Pembersih Aksesoris Soft Drink Tingkat Keakuratan Rata-rata (%) Tabel 4.34 Tingkat Keakuratan Data Solusi New Products Berdasarkan hasil pengujian terhadap data solusi New Product, disimpulkan bahwa tingkat keakuratan solusi cukup baik, yaitu sebesar 91.67% Evaluasi Solusi Pada Too Many Products Pada pengujian solusi too many products, tingkat keakuratan akan dihitung dengan cara membandingkan data solusi yang berupa diskon dengan data sesungguhnya, yaitu besarnya diskon rata-rata untuk jenis produk yang kurang laris sehingga persediaannya terlalu banyak (too many products) pada supermarket. Pada tahap ini, dilakukan evaluasi pada 5 (lima) buah produk yang merupakan produk yang terlalu banyak persediaannya pada suatu supermarket. Berikut ini adalah perhitungan diskon rata-rata untuk masing-masing produk tersebut pada supermarket Hero.

36 1 Produk A 21, , Produk B 23, , Pembulatan Tabel 4.35 Promosi Diskon Produk Minyak Too Many Produk A 1, , Produk B 10, , Produk C 63, , Produk D 24, , Produk E 14, , Produk F 16, , Produk G 2, , Produk H 19, , Produk I 23, , Pembulatan Tabel 4.36 Promosi Diskon Produk Susu Too Many Produk A 11, , Produk B 7, , Produk C 16, , Pembulatan Tabel 4.37 Promosi Diskon Produk Tissue dan Kapas Too Many

37 1 Produk A 7, , Produk B 6, , Produk C 4, , Produk D 9, , Produk E 12, , Produk F 9, , Produk G 14, , Produk H 10, , Produk I 58, , Produk J 61, , Produk K 57, , Produk L 59, , Produk M 98, , Produk N 49, , Pembulatan Tabel 4.38 Promosi Diskon Produk Pampers dan Pembalut Too Many Produk A 64, , Produk B 128, , Produk C 196, , Pembulatan Tabel 4.39 Promosi Diskon Produk Beras Too Many

38 197 Berikut adalah hasil dari proses recall new products dari aplikasi pencarian solusi metode promosi produk supermarket: Tabel 4.40 Hasil Recall Too Many Products Berdasarkan data-data di atas, dapat dihitung tingkat keakuratan data hasil recall too many products sebagai berikut: No Jenis Diskon Rata-rata Solusi Diskon Tingkat Produk pada Brosur (%) hasil Recall (%) Keakuratan (%) 1 Minyak Susu Tissue Pembalut Beras Tingkat Keakuratan Rata-rata (%) Tabel 4.41 Tingkat Keakuratan Data Solusi Too Many Products Berdasarkan hasil pengujian terhadap data solusi Too Many Product, disimpulkan bahwa tingkat keakuratan solusi cukup baik, yaitu sebesar 98%.

39 Evaluasi Aplikasi Secara Umum Berdasarkan keseluruhan pengujian yang telah dilakukan, dapat ditarik kesimpulan bahwa secara umum aplikasi yang telah dibuat ini dapat beroperasi dengan baik dan dapat menjalankan fungsi sebagaimana mestinya. Pada proses training yang membutuhkan waktu yang cukup lama, aplikasi masih dapat berjalan dengan stabil tanpa mengalami hang maupun crash Rangkuman Hasil Evaluasi Secara Keseluruhan Secara umum, pengujian dilakukan untuk menentukan parameter pada metode pembelajaran Reinforcement Learning dengan Q-learning dalam aplikasi dan tingkat keakuratan data solusi dibandingkan dengan data yang sesungguhnya berdasarkan pengamatan langsung. Pengujian parameter dilakukan untuk mengevaluasi performa terbaik aplikasi, dalam hal ini yaitu lamanya proses training yang dilakukan. Pengujian tingkat keakuratan data solusi dilakukan dengan menggunakan kedua parameter terpilih berdasarkan pengujian sebelumnya, dan ternyata aplikasi menghasilkan solusi yang cukup mendekati data sebenarnya, dengan waktu yang tergolong singkat. Namun setelah dilakukan pengujian, ternyata aplikasi ini masih memiliki ketidaksempurnaan, dikarenakan masih kurangnya rules yang diberikan akibat terbatasnya data yang diperoleh untuk membantu proses pembelajaran. Ketidaksempurnaan ini terlihat pada tingkat keakuratan data solusi yang masih kurang optimal.