Asep Muharam

LAPORAN PRAKTIKUM

2009-04-29T03:36:00.000-07:00

LAPORAN
PRAKTIKUM

laporan ini di ajukan untuk Memenihi Salah Satu Praktikum
Kecerdasan Buatan

Disusun oleh :
Asep muharam (0606012)

JURUSAN TEKNIK INFORMATIKA
SEKOLAH TINGGI TEKNOLOGI GARUT (STTG)
2009

Modul 1

Landasan Teori:

Fuzzy logic pertama kali dikenalkan kepada publik oleh Lotfi Zadeh, seorang profesor di University of California di Berkeley. Fuzzy logic digunakan untuk menyatakan hukum operasional dari suatu sistem dengan ungkapan bahasa, bukan dengan persamaan matematis Banyak sistem yang terlalu kompleks untuk. dimodelkan secara akurat, meskipun dengan persamaan matematis yang kompleks. Dalam kasus seperti itu, ungkapan bahasa yang digunakan dalam Fuzzy logic dapat membantu mendefinisikan karakteristik operasional sistem dengan lebih baik Ungkapan bahasa untuk karakteristik sistem biasanya dinyatakan dalam bentuk implikasi logika

Jawaban Pertanyaan
1. Cara-cara memasuki tool box fuzzy pada MATLAB 6.5 :
Membuka program MATLAB, kemudian kita mengklik menu start-toolboxes-fuzzy

Command line

Atau menuliskan fuzzy pada command line
System penalaran fuzzy yang baru pada command line, maka ketikan. >>Fuzzy, kemudian pada layer akan tampak FIS editor

2) 1. Fuzzy Inference System (FIS) Editor;
2. Membership Function Editor;
3. Rule Editor;
4. Rule Viewer;
5. Surface Viewer
3) Yang terdapat pada pop up menu And Method yaitu min, prod, custom

Menu pop up pada impilication sama dengan menu And method yaitu : min, prod, custom
Menu pop up pada agregation yaitu: max, sum, probor, Custom

Menu pop up yang terdapat pada defuzzyfication yaitu: centroid, bisector, mom, lom, som, custom

4) Untuk mengubah antar muka FIS Editor menjadi Membership function Editor yaitu dengan cara memilih menu Edit - Membership (ctrl+2) atau menekan double clik ikon variable input

Variabel input

5) Langkah untuk membuat grafik fungsi keanggotaan pada Membership function Editor yaitu ;
• Klik variable input atau output sampai ada warna merah pada bingkainya
• Isikan Rangenya sesuai dengan panjang jumlah data yang akan dimasukan
• Klik garis yang akan dibuat grafik hingga berwarna merah
• Tentukan fungsi keanggotannya
• Ubah paramsnya sesuai dengan tiap data yang akan dimasukan

7) a). Untuk membuat aturan pada rule editor yang telah dibuat maka proses yang harus dilakukan yaitu:
• Double klik kotak pada kotak aturan © FIS Editor atau pilih Edit rules pada menu view maka akan muncul rule editor

• Buat aturan yang telah dibuat pada rule Editor dengan cara klik untuk fungsi if, and, then pada kolom yang telah tersedia, sesuai dengan aturan yang dibuat

b) Untuk menambah aturan dengan cara mengklik tombol add rule dan untuk menghilangkan sebuah aturan pada rule editor yaitu dengan cara klik aturan yang akan dihapus kemudian klik tombol delete rule pada rule editor

8) Rule Viewer berfungsi untuk melihat alur penalaran fuzzy pada system, cara untuk memasuki rule viewer yaitu dengan memilih menu-view-rules atau menekan tombol ctrl+5
9) Surface Viewer berfungsi untuk melihat gambar pemetaan antara variabel-variabel input dan variable-variabel output.Untuk memasuki menu Surface Viewer yaitu dengan memilih menu view-view surface atau menekan tombol Ctrl+6

Analisis Modul 1 :
Kelebihan :
• Software matlab ini dapat membantu seorang user dalam memecahkan suatu masalah khususnya dalam logika fuzzy, dimana software ini menyediakan fasilitas jenis-jenis toolbox yang dapat mempermudah pekerjaan seorang user.
• Data yang dimasukan disajikan dalam bentuk kurva, sehingga dapat mempermudah dalam melihat akan hasil dari data yang dibuat.

Kelemahan :
• Di dalam mtlab membuat program berupa grafik, kurva
• Tidak bias membuat program bisnis
• Tidak bias membuat sebuah program animasi

MODUL 2
Landasan Teori

Fungsi keanggotaan adalah suatu fungsi yang mendefinisikan bagaimana memetakan titik-titik dalam ruang masukan ke dalam derajat keanggotaannya antara nilai 0 dan 1. Ruang masukan biasanya disebut juga sebagai semesta pembicaraan. Set fuzzy merupakan pengembangan dari set klasik jika X adalah semesta pembicaraan dan x menyatakan elemennya, maka set fuzzy A dalam X dinyatakan sebagai berikut [3] :

A = {X ,μ A (x) / x∈ X} (2.11)
μ A (x) disebut fungsi keanggotaan dari x dalam A. fungsi keanggotaan memetakan setiap elemen di dalam A. Fungsi keanggotaan memetaan setiap elemen dari X ke nilai keanggotaan antara 0 dan 1, secara matematis dinyatakan sebagai

:
μ A (x) :U→[0,1] (2.12)
Suatu set fuzzy A, dibentuk oleh gabungan dari xI yang masing-masing berderajat μ A (x) , dinyatakan sebagai :
Semua elemen dalam setiap x∈U yang memberikan nilai μ A (x) > 0 disebut support
dari himpunan fuzzy yang bersangkutan. jika μ A (x) = 0.5 maka x disebut titik crossover.

LISTING PROGRAM dan GRAFIK FUNGSI

1. Fungsi segitiga dengan parameter 5, 10, 15 dengan jarak 1
>> x=0:0.1:20;
>> y=trimf(x,[5 10 15]);
>> plot(x,y);grid;title;('FungsiSegitiga');xlabel('x');ylabel('Mu[x]');
>> trimf(5.25,[5 10 15])

ans =

0.0500

>> trimf(8.75,[5 10 15])

ans =

0.7500

>> trimf(12.5,[5 10 15])

ans =

0.5000

>> trimf(14.65,[5 10 15])

ans =

0.0700

Gambar Fungsi Segitiga
2. Fungsi trapesium dengan parameter 2, 6, 10, 14 dengan jarak 1
>> x=0:0.1:20;
>> y=trapmf(x,[2 6 10 14]);
>> plot(x,y);grid;title;('FungsiTrapesium');xlabel('x');ylabel('Mu[x]');
>> trapmf(5.25,[2 6 10 15)
>> trapmf(5.25,[2 6 10 15])

ans =

0.8125

>> trapmf(5.25,[2 6 10 14])

ans =

0.8125

>> trapmf(8.76,[2 6 10 14])

ans =

1

>> trapmf(12.5,[2 6 10 14])

ans =

0.3750

>> trapmf(8.75,[2 6 10 14])

ans =

1

Gambar Trapesium

3. Fungsi Keanggotaan Gausian bell dengan parameter 5, 8, 10 dengan jarak 0,5
>> x=0:0.5:25;
>> y=gbellmf(x,[5 8 10]);
>> plot(x,y);grid;title;('FungsigBell');xlabel('x');ylabel('Mu[x]');

>> gbellmf(5,[5 8 10])

ans =

0.5000

>> gbellmf(6.85,[5 8 10])

ans =

0.9994

>> gbellmf(8.58,[5 8 10])

ans =

1.0000

>> gbellmf(9.75,[5 8 10])

ans =

1

Gambar Gaussian Bell

4. Fungsi Keanggotaan Gausian dengan parameter 5, 8, 10 dengan jarak 0,5
>> x=0:0.1:20;
>> y=gaussmf(x,[6 10]);
>> plot(x,y);grid;title;('Fungsigauss');xlabel('x');ylabel('Mu[x]');
>> gaussmf(6.25,[6 10])

ans =

0.8226

>> gaussmf(6.85,[6 10])

ans =

0.8713

>> gaussmf(6.95,[6 10])

ans =

0.8788

>> gaussmf(9.15,[6 10])

ans =

0.9900

Gambar Gaussian

5. Fungsi Keanggotaan Gaussian2 dengan parameter sig1=4, c1=6, sig2=8, c2=10 dengan jarak 0,2

>> x=0:0.2:30;
>> y=gauss2mf(x,[4 6 8 10]);
>> plot(x,y);grid;title;('Fungsigauss2');xlabel('x');ylabel('Mu[x]');
>> gaussmf(4.55,[4 6 8 10])

ans =

0.9364

>> gaussmf(5.35,[4 6 8 10])

ans =

0.9869

>> gaussmf(7.75,[4 6 8 10])

ans =

0.9087

>> gaussmf(9.25,[4 6 8 10])

ans =

0.7189

Gambar Gaussian2
6. Fungsi Keanggotaan Phi dengan parameter 4, 5, 6, 9 dengan jarak 0,5

>> x=0:0.5:20;
>> y=pimf(x,[4 5 6 9]);
>> x=0:0.5:10;
>> y=pimf(x,[4 5 6 9]);
>> plot(x,y);grid;title;('Fungsipi');xlabel('x');ylabel('Mu[x]');
>> pimf(4.5,[4 5 6 9])

ans =

0.5000

>> pimf(5.25,[4 5 6 9])

ans =

1

>> pimf(7.45,[4 5 6 9])

ans =

0.5328

>> pimf(9.25,[4 5 6 9])

ans =

0

Gambar Phi
7. Fungsi Keanggotaan Sigmoid dengan parameter 4, 5, 6, 9 dengan jarak 0,5

>> x=0:0.5:40;
>> y=sigmf(x,[3 9]);
>> plot(x,y);grid;title;('Fungsisig');xlabel('x');ylabel('Mu[x]');
>> sigmf(4,[3 9])

ans =

3.0590e-007

>> sigmf(5.2,[3 9])

ans =

1.1195e-005

>> sigmf(6.25,[3 9])

ans =

2.6119e-004

>> sigmf(8.35,[3 9])

ans =

0.1246

Gambar Sigmoid

8. Fungsi Keanggotaan KurvaS dengan parameter 4, 9 dengan jarak 0,2

>> x=0:0.2:30;
>> y=kurv5mf(x,[4 9]);
>> y=smf(x,[4 9]);
>> plot(x,y);grid;title;('Fungsis');xlabel('x');ylabel('Mu[x]');
>> smf(5.2,[4 9])

ans =

0.1152

>> smf(7.34,[4 9])

ans =

0.7796

>> smf(8,[4 9])

ans =

0.9200

>> smf(8.75,[4 9])

ans =

0.9950

Gambar Kurva S

9. Fungsi Keanggotaan KurvaZ dengan parameter 2, 8 dengan jarak 0,2

>> x=0:0.2:10;
>> y=zmf(x,[2 8]);
>> plot(x,y);grid;title;('Fungsiz');xlabel('x');ylabel('Mu[x]');
>> zmf(3.5,[2 8])

ans =

0.8750

>> zmf(5.5,[2 8])

ans =

0.3472

>> zmf(6.25,[2 8])

ans =

0.1701

>> zmf(7.85,[2 8])

ans =

0.0013

>> zmf(8.75,[2 8])

ans =

0

Gambar Kurva Z
10. Fungsi Keanggotaan Sigmoid Ganda dengan parameter 6, 3, 6, 8 dengan jarak 0,2
>> x=0:0.2:30;
>> y=sigmf(x,[6 3 6 8]);
>> plot(x,y);grid;title;('Fungsisig');xlabel('x');ylabel('Mu[x]');
>> sigmf(6.5,[6 3 6 8])

ans =

1.0000

>> sigmf(6.35,[6 3 6 8])

ans =

1.0000

>> sigmf(7.25,[6 3 6 8])

ans =

1.0000

>> sigmf(7.65,[6 3 6 8])

ans =

1.0000

Gambar Sigmoid Ganda

11. Fungsi Keanggotaan Phi Sigmoid dengan parameter 6, 3, 6, 8 dengan jarak 0,2

>> x=0:0.2:10;
>> y=psigmf(x,[6 3 6 8]);
>> plot(x,y);grid;title;('Fungsipsig');xlabel('x');ylabel('Mu[x]');
>> psigmf(6.5,[6 3 6 8])

ans =

1.2339e-004

>> psigmf(6.35,[6 3 6 8])

ans =

5.0172e-005

>> psigmf(7.25,[6 3 6 8])

ans =

0.0110

>> psigmf(7.65,[6 3 6 8])

ans =

0.1091

Gambar Phi Sigmoid

Analisis :

Logika fuzzy menunjukkan bahwa bahwa pada fungsi keanggotaan tidak terpengaruh induksi medan manget. Hal ini juga ini perkuat dengan dengan hasil pengukuran, dimana nilai kuat medan magnet di tempat sampel berada masih tergolong aman.

MODUL 3

Landasan Teori
Salah satu sistem logika fuzzy yang paling banyak digunakan adalah sistem logika fuzy
Mamdani. Sistem fuzzy Mamdani terdiri dari [3] :
- basis aturan yang berisi sekumpulan aturan if-then
- basis data yang mendefinisikan fungsi keanggotaan himpunan fuzzy
- mesin inferensi yang melakukan operasi inferensi
- fuzzifikasi dan defuzzifikasi
Sistem fuzzy Mamdani menggunakan basis aturan seperti pada persamaan (2.25). Pada sistem fuzzy yang tertera pada gambar 2.5, terdapat banyak kebebasan dalam memilih jenis fuzzifikasi, defuzzifikasi dan mesin inferensi beserta operatornya sesuai dengan masalah yang dihadapi

.

Modul 3a

No Tingkat Pelayanan Tingkat Harga Kamar Tingkat Kepuasan Konsumen Kategori Tingkat Kepuasan
1 6 2,57 50 Cukup Puas
2 3,25 9,15 50 Puas
3 5,2 5,4 33,8 Cukup Puas
4 2,18 8,35 50 Cukup Puas
5 8,4 5,15 46,9 Cukup Puas
6 10 7,75 65 Puas
7 5,75 9,00 65 Puas
8 4,25 5,27 30 Cukup Puas
9 7,74 6,25 54,4 Puas
10 8,58 8,07 50 Puas
11 9,25 4,5 45 Cukup Puas
12 4,35 9,85 50 Puas

Modul3 B

Analisis :

Dari hasil dari pengolahan dengan menggunakan logika fuzzy ditunjukkan bahwa penduduk yang menjadi sampel tergolong pada fungsi keanggotaan yang tidak terpengaruh pada b. Maksudnya adalah pengaruh b disini tidak terlalu signifikan terdapat pola penyakit yang dapat membahayakan jiwa. Dari data riwayat kesehatan penduduk setempat (yang menjadi sampel) juga ditunjukkan tidak terlalu signifikannya perbedaan pola penyakit antara penduduk yang berada dibawah b dan di luar b.

Modul4
Landasan Teori
Pengenalan pola (pattern recognition) sesungguhnya telah lama ada dan telah mengalami perkembangan terus menerus dimulai dari pengenalan pola tradisional kemudian menjadi pengenalan pola modern. Pada mulanya pengenalan pola berbasis pada kemampuan alat indera manusia, dimana manusia mampu mengingat suatu informasi pola secara menyeluruh hanya berdasarkan sebagian informasi pola yang tersimpan di dalam ingatannya. Misalnya sebuah nada pendek yang dibunyikan dapat membuat kita mengingat sebuah lagu secara keseluruhan
Inti dari pengenalan pola adalah proses pengenalan suatu objek dengan menggunakan berbagai metode dimana dalam proses pengenalannya memiliki tingkat akurasi yang tinggi. Memiliki tingkat akurasi yang tinggi mengandung pengertian bahwa suatu objek yang secara manual (oleh manusia) tidak dapat dikenali tetapi bila menggunakan salah suatu metode pengenalan yang diaplikasikan pada komputer masih dapat dikenali

1)

2)

Analisis :
Fuzzifikasi memetakan titik crisp x di U ke dalam himpunan fuzzy A' pada U. Fuzzifikasi yang paling banyak digunakan adalah fuzzifikasi singleton dimana titik crisp x dipetakan menjadi himpunan fuzzy yang supportnya hanya pada satu titik x. Sedangkan fuzzifikasi non-singleton mempunyai support lebih dari satu titik [2]. Defuzzifikasi memetakan kembali besaran yang berupa himpunan fuzzy menjadi titik crisp. Defuzzifikasi dibutuhkan dalam penerapan sistem fuzzy karena yang digunakan dalam aplikasi adalah besaran crisp.

Modul 5

Landasan Teori

Perceptron adalah bentuk paling sederhana dari JST yang digunakan untuk pengklasifikasian jenis pola khusus yang biasa disebut linearly separable (pola-pola yang terletak pada sisi yang berlawanan pada suatu bidang).

Perceptron menggambarkan suatu usaha untuk membangun kecerdasan dan system pembelajaran-sendiri menggunakan komponen sederhana yang berasal dari model jaringan biologi yang diperkenalkan oleh McCuulloch dan Pitts (1943). Berikutnya Rosenblatt (1950) merancang perceptron dengan menguraikan pemodelan kemampuan sistim pengenalan pola untuk sistem penggambaran biologi.
Metode perceptron merupakan metode pembelajaran dengan pengawasan dalam sistim jaringan neural, sehingga jaringan yang dihasilkan harus mempunyai parameter yang dapat diatur dengan cara mengubah melalui aturan pembelajaran dengan pengawasan.

1. Perceptron mengenal fungsi logika AND 3 input dengan inisialisasi bobot bilangan Random.

Input Target
X1 X2 X3 T
0 0 0 0
0 0 1 0
0 1 0 0
0 1 1 0
1 0 0 0
1 0 1 0
1 1 0 0
1 1 1 1

2 Listing Program
>> nntwarn off
>> p=[0 0 0 0 1 1 1 1; 0 0 1 1 0 0 1 1; 0 1 0 1 0 1 0 1]

p =

0 0 0 0 1 1 1 1
0 0 1 1 0 0 1 1
0 1 0 1 0 1 0 1

>> t=[0 0 0 0 0 0 0 1]

t =

0 0 0 0 0 0 0 1
>> [w,b,]=initp(p,t)

>> [w,b,]=initp(p,t)

w =

0.6428 -0.1106 0.2309

b =

0.5839
>> tp=[1 275]

tp =

1 275
3)

>> [w,b]=trainp(w,b,p,t,tp)
TRAINP: 0/275 epochs, SSE = 7.
TRAINP: 1/275 epochs, SSE = 1.
TRAINP: 2/275 epochs, SSE = 1.
TRAINP: 3/275 epochs, SSE = 1.
TRAINP: 4/275 epochs, SSE = 1.
TRAINP: 5/275 epochs, SSE = 2.
TRAINP: 6/275 epochs, SSE = 1.
TRAINP: 7/275 epochs, SSE = 1.
TRAINP: 8/275 epochs, SSE = 3.
TRAINP: 9/275 epochs, SSE = 1.
TRAINP: 10/275 epochs, SSE = 1.
TRAINP: 11/275 epochs, SSE = 3.
TRAINP: 12/275 epochs, SSE = 1.
TRAINP: 13/275 epochs, SSE = 1.
TRAINP: 14/275 epochs, SSE = 0.

w =

1.6428 1.8894 2.2309

b =

-4.4161

3Inisialisasi Bobot dan Bias
A. Bobot awal dan Bias awal
w =

0.6428 -0.1106 0.2309

b =

0.5839

B. Bobot dan Bias Akhir
w =

1.6428 1.8894 2.2309

b =

-4.4161

4Gambar

5
Input T Perhitungan Jaringan
X1 X2 X3 T Net=X1W1+X2W2+b Fnet= 1 jika net >0
0 jika net <0
0 0 0 0 0 0
0 0 1 0 1 0
0 1 0 0 0 0
0 1 1 0 1 0
1 0 0 0 0 0
1 0 1 0 1 0
1 1 0 0 0 0
1 1 1 1 1 1

6analisis:

Proses pembelajaran merupakan suatu metoda untuk proses pengenalan suatu objek yang sifatnya kontinuitas yang selalu direspon secara berbeda dari setiap proses pembelajaran tersebut. Tujuan dari pembelajaran ini sebenarnya untuk memperkecil tingkat suatu error dalam pengenalan suatu objek.

1. Perceptron untuk Mengenal Fungsi logika OR 3 input dengan inisialisasi bilangan random
Input Target
X1 X2 X3 1
1 1 1 1
1 1 0 1
1 0 1 1
1 0 0 1
0 1 1 1
0 1 0 1
0 0 1 1
0 0 0 0

2. Listing Program

>> nntwarn off
>> p=[1 1 1 1 0 0 0 0; 1 1 0 0 1 1 0 0; 1 0 1 0 1 0 1 0]

p =

1 1 1 1 0 0 0 0
1 1 0 0 1 1 0 0
1 0 1 0 1 0 1 0

>> t=[1 1 1 1 1 1 1 0]

t =

1 1 1 1 1 1 1 0

>> [w,b,]=initp(p,t)

w =

0.9003 -0.5377 0.2137

b =

-0.0280

>> tp=[1 50]

tp =

1 50

>> [w,b]=trainp(w,b,p,t,tp)
TRAINP: 0/50 epochs, SSE = 2.
TRAINP: 1/50 epochs, SSE = 1.
TRAINP: 2/50 epochs, SSE = 1.
TRAINP: 3/50 epochs, SSE = 0.

w =

0.9003 1.4623 1.2137

b =

-0.0280

3Inisialisasi Bobot dan Bias
C. Bobot awal dan Bias awal
w =

0.9003 -0.5377 0.2137

b =

-0.0280

D. Bobot dan Bias Akhir
w =

0.9003 1.4623 1.2137

b =

-0.0280

4. Gambar

Input T Perhitungan Jaringan
X1 X2 X3 T Net=X1W1+X2W2+b Fnet= 1 jika net >0
0 jika net <0
0 0 0 0 0 0
0 0 1 0 1 0
0 1 0 0 0 0
0 1 1 0 1 0
1 0 0 0 0 0
1 0 1 0 1 0
1 1 0 0 0 0
1 1 1 1 1 1

Analisis :]
Sistem pembelajaran pada metoda Supervised learning adalah system pembelajaran yang mana, setiap pengetahuan yang akan diberikan kepada sistem, pada awalnya diberikan suatu acuan untuk memetakan suatu masukan menjadi suatu keluaran yang diinginkan. Proses pembelajaran ini akan terus dilakukan selama kondisi error atau kondisi yang diinginkan belum tercapai. Adapun setiap perolehan error akan dikalkulasikan untuk setiap pemrosesan hingga data atau nilai yang diinginkan telah tercapai.

1. 1Perceptron mengenal Pola 3 input dengan inisialisasi bobot bilangan Random.

Input Target
X1 X2 X3 T
1 0 1 1
1 0 0 0
0 1 0 0
0 0 1 0
0 0 1 0
0 1 0 1
1 1 1 1
1 1 0 1

2. Listing Program
>> nntwarn off
>> p=[1 1 0 0 0 0 1 1; 0 0 1 0 0 1 1 1; 1 0 0 1 1 0 1 0]

p =

1 1 0 0 0 0 1 1
0 0 1 0 0 1 1 1
1 0 0 1 1 0 1 0

>> t=[1 0 0 0 0 1 1 1]

t =

1 0 0 0 0 1 1 1

>> [w,b,]=initp(p,t)

w =

0.9003 -0.5377 0.2137

b =

-0.0280

>> tp=[1 150]

>> tp=[1 20]

tp =

1 20

>> [w,b]=trainp(w,b,p,t,tp)
TRAINP: 0/20 epochs, SSE = 1.
TRAINP: 1/20 epochs, SSE = 1.
TRAINP: 2/20 epochs, SSE = 1.
TRAINP: 3/20 epochs, SSE = 1.
TRAINP: 4/20 epochs, SSE = 1.
TRAINP: 5/20 epochs, SSE = 1.
TRAINP: 6/20 epochs, SSE = 1.
TRAINP: 7/20 epochs, SSE = 1.
TRAINP: 8/20 epochs, SSE = 1.
TRAINP: 9/20 epochs, SSE = 1.
TRAINP: 10/20 epochs, SSE = 1.
TRAINP: 11/20 epochs, SSE = 1.
TRAINP: 12/20 epochs, SSE = 1.
TRAINP: 13/20 epochs, SSE = 1.
TRAINP: 14/20 epochs, SSE = 1.
TRAINP: 15/20 epochs, SSE = 1.
TRAINP: 16/20 epochs, SSE = 1.
TRAINP: 17/20 epochs, SSE = 1.
TRAINP: 18/20 epochs, SSE = 1.
TRAINP: 19/20 epochs, SSE = 1.
TRAINP: 20/20 epochs, SSE = 1.

w =

3.9003 3.4623 1.2137

b =

-5.0280
Tidak Mengenal Target

3 Inisialisasi Bobot dan Bias
E. Bobot awal dan Bias awal
w =

0.9003 -0.5377 0.2137

b =

-0.0280

F. Bobot dan Bias Akhir
w =

3.9003 3.4623 1.2137

b =

-5.0280

4. Gambar

5)
Input T Perhitungan Jaringan
X1 X2 X3 T Net=X1W1+X2W2+b Fnet= 1 jika net >0
0 jika net <0
0 0 0 0 0 0
0 0 1 0 1 0
0 1 0 0 0 0
0 1 1 0 1 0
1 0 0 0 0 0
1 0 1 0 1 0
1 1 0 0 0 0
1 1 1 1 1 1

Analisis :
Sistem pembelajaran pada neural network, yang mana sistem ini memberikan sepenuhnya pada hasil komputasi dari setiap pemrosesan, sehingga pada sistem ini tidak membutuhkan adanya acuan awal agar perolehan nilai dapat dicapai. Meskipun secara mendasar, proses ini tetap mengkalkulasikan setiap langkah pada setiap kesalahannya dengan mengkalkulasikan setiap nilai weight yang didapat.

4)
>> nntwarn off
>> p=[[9;6] [7;2] [4;5] [3;10] [1;8] [1;7] [8;4] [5;6]]

p =

9 7 4 3 1 1 8 5
6 2 5 10 8 7 4 6

>> t=[0 1 1 0 1 1 0 0]

t =

0 1 1 0 1 1 0 0

>> [w,b]=initp(p,t)

w =

0.9003 -0.5377

b =

0.2137
>> tp=[1 500]

tp =

1 500

>> [w,b]=trainp(w,b,p,t,tp)
TRAINP: 0/500 epochs, SSE = 4.
TRAINP: 1/500 epochs, SSE = 4.
TRAINP: 2/500 epochs, SSE = 5.
TRAINP: 3/500 epochs, SSE = 4.
TRAINP: 4/500 epochs, SSE = 3.
TRAINP: 5/500 epochs, SSE = 2.
TRAINP: 6/500 epochs, SSE = 4.
TRAINP: 7/500 epochs, SSE = 4.
TRAINP: 8/500 epochs, SSE = 2.
TRAINP: 9/500 epochs, SSE = 4.
TRAINP: 10/500 epochs, SSE = 4.
TRAINP: 11/500 epochs, SSE = 3.
TRAINP: 12/500 epochs, SSE = 3.
TRAINP: 13/500 epochs, SSE = 4.
TRAINP: 14/500 epochs, SSE = 4.
TRAINP: 15/500 epochs, SSE = 4.
TRAINP: 16/500 epochs, SSE = 4.
TRAINP: 17/500 epochs, SSE = 4.
TRAINP: 18/500 epochs, SSE = 3.
TRAINP: 19/500 epochs, SSE = 2.
TRAINP: 20/500 epochs, SSE = 4.
TRAINP: 21/500 epochs, SSE = 4.
TRAINP: 22/500 epochs, SSE = 3.
TRAINP: 23/500 epochs, SSE = 2.
TRAINP: 24/500 epochs, SSE = 4.
TRAINP: 25/500 epochs, SSE = 4.
TRAINP: 26/500 epochs, SSE = 4.
TRAINP: 27/500 epochs, SSE = 4.
TRAINP: 28/500 epochs, SSE = 4.
TRAINP: 29/500 epochs, SSE = 3.
TRAINP: 30/500 epochs, SSE = 4.
TRAINP: 31/500 epochs, SSE = 4.
TRAINP: 32/500 epochs, SSE = 4.
TRAINP: 33/500 epochs, SSE = 3.
TRAINP: 34/500 epochs, SSE = 4.
TRAINP: 35/500 epochs, SSE = 4.
TRAINP: 36/500 epochs, SSE = 4.
TRAINP: 37/500 epochs, SSE = 3.
TRAINP: 38/500 epochs, SSE = 2.
TRAINP: 39/500 epochs, SSE = 4.
TRAINP: 40/500 epochs, SSE = 4.
TRAINP: 41/500 epochs, SSE = 3.
TRAINP: 42/500 epochs, SSE = 3.
TRAINP: 43/500 epochs, SSE = 4.
TRAINP: 44/500 epochs, SSE = 4.
TRAINP: 45/500 epochs, SSE = 4.
TRAINP: 46/500 epochs, SSE = 3.
TRAINP: 47/500 epochs, SSE = 4.
TRAINP: 48/500 epochs, SSE = 4.
TRAINP: 49/500 epochs, SSE = 4.
TRAINP: 50/500 epochs, SSE = 4.
TRAINP: 51/500 epochs, SSE = 4.
TRAINP: 52/500 epochs, SSE = 3.
TRAINP: 53/500 epochs, SSE = 2.
TRAINP: 54/500 epochs, SSE = 4.
TRAINP: 55/500 epochs, SSE = 4.
TRAINP: 56/500 epochs, SSE = 4.
TRAINP: 57/500 epochs, SSE = 4.
TRAINP: 58/500 epochs, SSE = 4.
TRAINP: 59/500 epochs, SSE = 3.
TRAINP: 60/500 epochs, SSE = 4.
TRAINP: 61/500 epochs, SSE = 4.
TRAINP: 62/500 epochs, SSE = 4.
TRAINP: 63/500 epochs, SSE = 3.
TRAINP: 64/500 epochs, SSE = 2.
TRAINP: 65/500 epochs, SSE = 4.
TRAINP: 66/500 epochs, SSE = 4.
TRAINP: 67/500 epochs, SSE = 2.
TRAINP: 68/500 epochs, SSE = 4.
TRAINP: 69/500 epochs, SSE = 4.
TRAINP: 70/500 epochs, SSE = 3.
TRAINP: 71/500 epochs, SSE = 2.
TRAINP: 72/500 epochs, SSE = 4.
TRAINP: 73/500 epochs, SSE = 4.
TRAINP: 74/500 epochs, SSE = 4.
TRAINP: 75/500 epochs, SSE = 4.
TRAINP: 76/500 epochs, SSE = 4.
TRAINP: 77/500 epochs, SSE = 2.
TRAINP: 78/500 epochs, SSE = 2.
TRAINP: 79/500 epochs, SSE = 4.
TRAINP: 80/500 epochs, SSE = 4.
TRAINP: 81/500 epochs, SSE = 2.
TRAINP: 82/500 epochs, SSE = 3.
TRAINP: 83/500 epochs, SSE = 4.
TRAINP: 84/500 epochs, SSE = 4.
TRAINP: 85/500 epochs, SSE = 3.
TRAINP: 86/500 epochs, SSE = 4.
TRAINP: 87/500 epochs, SSE = 4.
TRAINP: 88/500 epochs, SSE = 4.
TRAINP: 89/500 epochs, SSE = 3.
TRAINP: 90/500 epochs, SSE = 2.
TRAINP: 91/500 epochs, SSE = 4.
TRAINP: 92/500 epochs, SSE = 4.
TRAINP: 93/500 epochs, SSE = 2.
TRAINP: 94/500 epochs, SSE = 4.
TRAINP: 95/500 epochs, SSE = 4.
TRAINP: 96/500 epochs, SSE = 2.
TRAINP: 97/500 epochs, SSE = 3.
TRAINP: 98/500 epochs, SSE = 4.
TRAINP: 99/500 epochs, SSE = 4.
TRAINP: 100/500 epochs, SSE = 3.
TRAINP: 101/500 epochs, SSE = 4.
TRAINP: 102/500 epochs, SSE = 4.
TRAINP: 103/500 epochs, SSE = 4.
TRAINP: 104/500 epochs, SSE = 4.
TRAINP: 105/500 epochs, SSE = 4.
TRAINP: 106/500 epochs, SSE = 3.
TRAINP: 107/500 epochs, SSE = 2.
TRAINP: 108/500 epochs, SSE = 2.
TRAINP: 109/500 epochs, SSE = 4.
TRAINP: 110/500 epochs, SSE = 4.
TRAINP: 111/500 epochs, SSE = 1.
TRAINP: 112/500 epochs, SSE = 4.
TRAINP: 113/500 epochs, SSE = 4.
TRAINP: 114/500 epochs, SSE = 2.
TRAINP: 115/500 epochs, SSE = 4.
TRAINP: 116/500 epochs, SSE = 4.
TRAINP: 117/500 epochs, SSE = 2.
TRAINP: 118/500 epochs, SSE = 4.
TRAINP: 119/500 epochs, SSE = 4.
TRAINP: 120/500 epochs, SSE = 2.
TRAINP: 121/500 epochs, SSE = 3.
TRAINP: 122/500 epochs, SSE = 4.
TRAINP: 123/500 epochs, SSE = 4.
TRAINP: 124/500 epochs, SSE = 3.
TRAINP: 125/500 epochs, SSE = 4.
TRAINP: 126/500 epochs, SSE = 4.
TRAINP: 127/500 epochs, SSE = 4.
TRAINP: 128/500 epochs, SSE = 3.
TRAINP: 129/500 epochs, SSE = 2.
TRAINP: 130/500 epochs, SSE = 4.
TRAINP: 131/500 epochs, SSE = 4.
TRAINP: 132/500 epochs, SSE = 2.
TRAINP: 133/500 epochs, SSE = 4.
TRAINP: 134/500 epochs, SSE = 4.
TRAINP: 135/500 epochs, SSE = 2.
TRAINP: 136/500 epochs, SSE = 2.
TRAINP: 137/500 epochs, SSE = 4.
TRAINP: 138/500 epochs, SSE = 4.
TRAINP: 139/500 epochs, SSE = 2.
TRAINP: 140/500 epochs, SSE = 4.
TRAINP: 141/500 epochs, SSE = 4.
TRAINP: 142/500 epochs, SSE = 2.
TRAINP: 143/500 epochs, SSE = 3.
TRAINP: 144/500 epochs, SSE = 4.
TRAINP: 145/500 epochs, SSE = 4.
TRAINP: 146/500 epochs, SSE = 2.
TRAINP: 147/500 epochs, SSE = 4.
TRAINP: 148/500 epochs, SSE = 4.
TRAINP: 149/500 epochs, SSE = 4.
TRAINP: 150/500 epochs, SSE = 3.
TRAINP: 151/500 epochs, SSE = 4.
TRAINP: 152/500 epochs, SSE = 4.
TRAINP: 153/500 epochs, SSE = 4.
TRAINP: 154/500 epochs, SSE = 3.
TRAINP: 155/500 epochs, SSE = 2.
TRAINP: 156/500 epochs, SSE = 4.
TRAINP: 157/500 epochs, SSE = 4.
TRAINP: 158/500 epochs, SSE = 2.
TRAINP: 159/500 epochs, SSE = 4.
TRAINP: 160/500 epochs, SSE = 4.
TRAINP: 161/500 epochs, SSE = 2.
TRAINP: 162/500 epochs, SSE = 2.
TRAINP: 163/500 epochs, SSE = 4.
TRAINP: 164/500 epochs, SSE = 4.
TRAINP: 165/500 epochs, SSE = 2.
TRAINP: 166/500 epochs, SSE = 4.
TRAINP: 167/500 epochs, SSE = 4.
TRAINP: 168/500 epochs, SSE = 1.
TRAINP: 169/500 epochs, SSE = 2.
TRAINP: 170/500 epochs, SSE = 4.
TRAINP: 171/500 epochs, SSE = 4.
TRAINP: 172/500 epochs, SSE = 4.
TRAINP: 173/500 epochs, SSE = 3.
TRAINP: 174/500 epochs, SSE = 4.
TRAINP: 175/500 epochs, SSE = 4.
TRAINP: 176/500 epochs, SSE = 4.
TRAINP: 177/500 epochs, SSE = 3.
TRAINP: 178/500 epochs, SSE = 2.
TRAINP: 179/500 epochs, SSE = 3.
TRAINP: 180/500 epochs, SSE = 4.
TRAINP: 181/500 epochs, SSE = 2.
TRAINP: 182/500 epochs, SSE = 4.
TRAINP: 183/500 epochs, SSE = 4.
TRAINP: 184/500 epochs, SSE = 4.
TRAINP: 185/500 epochs, SSE = 3.
TRAINP: 186/500 epochs, SSE = 3.
TRAINP: 187/500 epochs, SSE = 4.
TRAINP: 188/500 epochs, SSE = 4.
TRAINP: 189/500 epochs, SSE = 2.
TRAINP: 190/500 epochs, SSE = 2.
TRAINP: 191/500 epochs, SSE = 4.
TRAINP: 192/500 epochs, SSE = 4.
TRAINP: 193/500 epochs, SSE = 1.
TRAINP: 194/500 epochs, SSE = 3.
TRAINP: 195/500 epochs, SSE = 4.
TRAINP: 196/500 epochs, SSE = 2.
TRAINP: 197/500 epochs, SSE = 4.
TRAINP: 198/500 epochs, SSE = 4.
TRAINP: 199/500 epochs, SSE = 4.
TRAINP: 200/500 epochs, SSE = 3.
TRAINP: 201/500 epochs, SSE = 4.
TRAINP: 202/500 epochs, SSE = 4.
TRAINP: 203/500 epochs, SSE = 4.
TRAINP: 204/500 epochs, SSE = 3.
TRAINP: 205/500 epochs, SSE = 2.
TRAINP: 206/500 epochs, SSE = 3.
TRAINP: 207/500 epochs, SSE = 4.
TRAINP: 208/500 epochs, SSE = 3.
TRAINP: 209/500 epochs, SSE = 4.
TRAINP: 210/500 epochs, SSE = 2.
TRAINP: 211/500 epochs, SSE = 4.
TRAINP: 212/500 epochs, SSE = 4.
TRAINP: 213/500 epochs, SSE = 4.
TRAINP: 214/500 epochs, SSE = 3.
TRAINP: 215/500 epochs, SSE = 2.
TRAINP: 216/500 epochs, SSE = 2.
TRAINP: 217/500 epochs, SSE = 4.
TRAINP: 218/500 epochs, SSE = 4.
TRAINP: 219/500 epochs, SSE = 4.
TRAINP: 220/500 epochs, SSE = 3.
TRAINP: 221/500 epochs, SSE = 4.
TRAINP: 222/500 epochs, SSE = 4.
TRAINP: 223/500 epochs, SSE = 4.
TRAINP: 224/500 epochs, SSE = 3.
TRAINP: 225/500 epochs, SSE = 2.
TRAINP: 226/500 epochs, SSE = 3.
TRAINP: 227/500 epochs, SSE = 4.
TRAINP: 228/500 epochs, SSE = 3.
TRAINP: 229/500 epochs, SSE = 4.
TRAINP: 230/500 epochs, SSE = 2.
TRAINP: 231/500 epochs, SSE = 4.
TRAINP: 232/500 epochs, SSE = 4.
TRAINP: 233/500 epochs, SSE = 4.
TRAINP: 234/500 epochs, SSE = 3.
TRAINP: 235/500 epochs, SSE = 2.
TRAINP: 236/500 epochs, SSE = 2.
TRAINP: 237/500 epochs, SSE = 4.
TRAINP: 238/500 epochs, SSE = 4.
TRAINP: 239/500 epochs, SSE = 4.
TRAINP: 240/500 epochs, SSE = 3.
TRAINP: 241/500 epochs, SSE = 4.
TRAINP: 242/500 epochs, SSE = 4.
TRAINP: 243/500 epochs, SSE = 4.
TRAINP: 244/500 epochs, SSE = 3.
TRAINP: 245/500 epochs, SSE = 2.
TRAINP: 246/500 epochs, SSE = 3.
TRAINP: 247/500 epochs, SSE = 4.
TRAINP: 248/500 epochs, SSE = 3.
TRAINP: 249/500 epochs, SSE = 4.
TRAINP: 250/500 epochs, SSE = 2.
TRAINP: 251/500 epochs, SSE = 4.
TRAINP: 252/500 epochs, SSE = 4.
TRAINP: 253/500 epochs, SSE = 4.
TRAINP: 254/500 epochs, SSE = 3.
TRAINP: 255/500 epochs, SSE = 2.
TRAINP: 256/500 epochs, SSE = 2.
TRAINP: 257/500 epochs, SSE = 4.
TRAINP: 258/500 epochs, SSE = 4.
TRAINP: 259/500 epochs, SSE = 4.
TRAINP: 260/500 epochs, SSE = 3.
TRAINP: 261/500 epochs, SSE = 4.
TRAINP: 262/500 epochs, SSE = 4.
TRAINP: 263/500 epochs, SSE = 4.
TRAINP: 264/500 epochs, SSE = 2.
TRAINP: 265/500 epochs, SSE = 4.
TRAINP: 266/500 epochs, SSE = 4.
TRAINP: 267/500 epochs, SSE = 4.
TRAINP: 268/500 epochs, SSE = 3.
TRAINP: 269/500 epochs, SSE = 2.
TRAINP: 270/500 epochs, SSE = 2.
TRAINP: 271/500 epochs, SSE = 4.
TRAINP: 272/500 epochs, SSE = 4.
TRAINP: 273/500 epochs, SSE = 4.
TRAINP: 274/500 epochs, SSE = 2.
TRAINP: 275/500 epochs, SSE = 1.
TRAINP: 276/500 epochs, SSE = 1.
TRAINP: 277/500 epochs, SSE = 2.
TRAINP: 278/500 epochs, SSE = 4.
TRAINP: 279/500 epochs, SSE = 4.
TRAINP: 280/500 epochs, SSE = 1.
TRAINP: 281/500 epochs, SSE = 2.
TRAINP: 282/500 epochs, SSE = 4.
TRAINP: 283/500 epochs, SSE = 4.
TRAINP: 284/500 epochs, SSE = 4.
TRAINP: 285/500 epochs, SSE = 3.
TRAINP: 286/500 epochs, SSE = 3.
TRAINP: 287/500 epochs, SSE = 4.
TRAINP: 288/500 epochs, SSE = 4.
TRAINP: 289/500 epochs, SSE = 2.
TRAINP: 290/500 epochs, SSE = 1.
TRAINP: 291/500 epochs, SSE = 1.
TRAINP: 292/500 epochs, SSE = 3.
TRAINP: 293/500 epochs, SSE = 4.
TRAINP: 294/500 epochs, SSE = 4.
TRAINP: 295/500 epochs, SSE = 2.
TRAINP: 296/500 epochs, SSE = 4.
TRAINP: 297/500 epochs, SSE = 4.
TRAINP: 298/500 epochs, SSE = 4.
TRAINP: 299/500 epochs, SSE = 2.
TRAINP: 300/500 epochs, SSE = 1.
TRAINP: 301/500 epochs, SSE = 1.
TRAINP: 302/500 epochs, SSE = 2.
TRAINP: 303/500 epochs, SSE = 4.
TRAINP: 304/500 epochs, SSE = 4.
TRAINP: 305/500 epochs, SSE = 1.
TRAINP: 306/500 epochs, SSE = 1.
TRAINP: 307/500 epochs, SSE = 3.
TRAINP: 308/500 epochs, SSE = 4.
TRAINP: 309/500 epochs, SSE = 4.
TRAINP: 310/500 epochs, SSE = 2.
TRAINP: 311/500 epochs, SSE = 4.
TRAINP: 312/500 epochs, SSE = 4.
TRAINP: 313/500 epochs, SSE = 4.
TRAINP: 314/500 epochs, SSE = 3.
TRAINP: 315/500 epochs, SSE = 3.
TRAINP: 316/500 epochs, SSE = 3.
TRAINP: 317/500 epochs, SSE = 4.
TRAINP: 318/500 epochs, SSE = 3.
TRAINP: 319/500 epochs, SSE = 4.
TRAINP: 320/500 epochs, SSE = 2.
TRAINP: 321/500 epochs, SSE = 2.
TRAINP: 322/500 epochs, SSE = 2.
TRAINP: 323/500 epochs, SSE = 4.
TRAINP: 324/500 epochs, SSE = 4.
TRAINP: 325/500 epochs, SSE = 4.
TRAINP: 326/500 epochs, SSE = 3.
TRAINP: 327/500 epochs, SSE = 3.
TRAINP: 328/500 epochs, SSE = 3.
TRAINP: 329/500 epochs, SSE = 4.
TRAINP: 330/500 epochs, SSE = 3.
TRAINP: 331/500 epochs, SSE = 4.
TRAINP: 332/500 epochs, SSE = 3.
TRAINP: 333/500 epochs, SSE = 4.
TRAINP: 334/500 epochs, SSE = 2.
TRAINP: 335/500 epochs, SSE = 2.
TRAINP: 336/500 epochs, SSE = 2.
TRAINP: 337/500 epochs, SSE = 4.
TRAINP: 338/500 epochs, SSE = 4.
TRAINP: 339/500 epochs, SSE = 4.
TRAINP: 340/500 epochs, SSE = 2.
TRAINP: 341/500 epochs, SSE = 1.
TRAINP: 342/500 epochs, SSE = 1.
TRAINP: 343/500 epochs, SSE = 1.
TRAINP: 344/500 epochs, SSE = 1.
TRAINP: 345/500 epochs, SSE = 2.
TRAINP: 346/500 epochs, SSE = 3.
TRAINP: 347/500 epochs, SSE = 4.
TRAINP: 348/500 epochs, SSE = 3.
TRAINP: 349/500 epochs, SSE = 4.
TRAINP: 350/500 epochs, SSE = 2.
TRAINP: 351/500 epochs, SSE = 3.
TRAINP: 352/500 epochs, SSE = 3.
TRAINP: 353/500 epochs, SSE = 4.
TRAINP: 354/500 epochs, SSE = 3.
TRAINP: 355/500 epochs, SSE = 4.
TRAINP: 356/500 epochs, SSE = 2.
TRAINP: 357/500 epochs, SSE = 2.
TRAINP: 358/500 epochs, SSE = 1.
TRAINP: 359/500 epochs, SSE = 1.
TRAINP: 360/500 epochs, SSE = 1.
TRAINP: 361/500 epochs, SSE = 3.
TRAINP: 362/500 epochs, SSE = 4.
TRAINP: 363/500 epochs, SSE = 4.
TRAINP: 364/500 epochs, SSE = 2.
TRAINP: 365/500 epochs, SSE = 4.
TRAINP: 366/500 epochs, SSE = 3.
TRAINP: 367/500 epochs, SSE = 4.
TRAINP: 368/500 epochs, SSE = 3.
TRAINP: 369/500 epochs, SSE = 4.
TRAINP: 370/500 epochs, SSE = 2.
TRAINP: 371/500 epochs, SSE = 2.
TRAINP: 372/500 epochs, SSE = 2.
TRAINP: 373/500 epochs, SSE = 4.
TRAINP: 374/500 epochs, SSE = 4.
TRAINP: 375/500 epochs, SSE = 4.
TRAINP: 376/500 epochs, SSE = 3.
TRAINP: 377/500 epochs, SSE = 3.
TRAINP: 378/500 epochs, SSE = 3.
TRAINP: 379/500 epochs, SSE = 4.
TRAINP: 380/500 epochs, SSE = 3.
TRAINP: 381/500 epochs, SSE = 4.
TRAINP: 382/500 epochs, SSE = 3.
TRAINP: 383/500 epochs, SSE = 3.
TRAINP: 384/500 epochs, SSE = 2.
TRAINP: 385/500 epochs, SSE = 4.
TRAINP: 386/500 epochs, SSE = 3.
TRAINP: 387/500 epochs, SSE = 3.
TRAINP: 388/500 epochs, SSE = 2.
TRAINP: 389/500 epochs, SSE = 3.
TRAINP: 390/500 epochs, SSE = 2.
TRAINP: 391/500 epochs, SSE = 3.
TRAINP: 392/500 epochs, SSE = 3.
TRAINP: 393/500 epochs, SSE = 4.
TRAINP: 394/500 epochs, SSE = 3.
TRAINP: 395/500 epochs, SSE = 4.
TRAINP: 396/500 epochs, SSE = 2.
TRAINP: 397/500 epochs, SSE = 2.
TRAINP: 398/500 epochs, SSE = 1.
TRAINP: 399/500 epochs, SSE = 1.
TRAINP: 400/500 epochs, SSE = 1.
TRAINP: 401/500 epochs, SSE = 3.
TRAINP: 402/500 epochs, SSE = 4.
TRAINP: 403/500 epochs, SSE = 4.
TRAINP: 404/500 epochs, SSE = 1.
TRAINP: 405/500 epochs, SSE = 1.
TRAINP: 406/500 epochs, SSE = 0.

w =

-24.0997 -20.5377

b =

239.2137

3Inisialisasi Bobot dan Bias
G. Bobot awal dan Bias awal
w =

0.9003 -0.5377

b =

0.2137

H. Bobot dan Bias Akhir
w =

-24.0997 -20.5377

b =

239.2137

Input T Perhitungan Jaringan
X1 X2 X3 T Net=X1W1+X2W2+b Fnet= 1 jika net >0
0 jika net <0
0 0 0 0 O 0
0 0 1 0 0 0
0 1 0 0 0 0
0 1 1 0 0 0
1 0 0 0 0 0
1 0 1 0 0 0
1 1 0 0 0 0
1 1 1 1 1 1

Analisis :

Proses ini merupakan bagian dari sistem kerja secara keseluruhan, karena proses masukan digunakan untuk menunjang pada proses pembelajaran serta proses pengujian. Pada proses ini, masukan diklasifikasikan berdasarkan keinginan dari pembuat, dimana bentuk masukan dapat berupa nilai logic atau bilangan biner ( 1 atau 0 ),

Modul 6

Jaringan syaraf tiruan telah dikembangkan sejak tahun 1940. Pada tahun 1943 McCulloch dan W.H.Pitts memperkenalkan pemodelan matematis neuron. Tahun 1949, Hebb mencoba mengkaji proses belajar yang dilakukan oleh neuron. Teori ini dikenal sebagai Hebbian Law. Tahun 1958, Rosenblatt memperkenalkan konsep perseptron suatu jaringan yang terdiri dari beberapa lapisan yang saling berhubunganmelalui umpan maju (feed foward). Konsep ini dimaksudkan untuk memberikan ilustrasi tentang dasar-dasar intelejensia secara umum. Hasil kerja Rosenblatt yang sangat penting adalah perceptron convergence theorem (tahun 1962) yang membuktikan bahwa bila setiap perseptron dapat memilah-milah dua buah pola yang berbeda maka siklus pelatihannya dapat dilakukan dalam jumlah yang ter batas.

1)
>> nntwarn off
>> p=[0 0 1 1;0 1 0 1]

p =

0 0 1 1
0 1 0 1

>> t=[0 1 1 0]

t =

0 1 1 0
>> tp=[1 2000 0.35 0.01]

tp =

1.0e+003 *

0.0010 2.0000 0.0004 0.0000
tp =

1.0e+003 *

0.0010 2.0000 0.0004 0.0000

w1 =

2.2404 1.6795
-1.7588 -2.1786
-0.4883 2.7571
2.6840 0.7976

b1 =

-2.9854
1.1487
-0.8343
-1.3771

w2 =

-0.1879 0.1090 -0.0705 -0.6617

b2 =

-0.6619

TRAINBP: 0/2000 epochs, SSE = 5.85043.
TRAINBP: 1/2000 epochs, SSE = 5.68409.
TRAINBP: 2/2000 epochs, SSE = 5.51676.
TRAINBP: 3/2000 epochs, SSE = 5.34976.
TRAINBP: 4/2000 epochs, SSE = 5.18419.
TRAINBP: 5/2000 epochs, SSE = 5.02085.
TRAINBP: 6/2000 epochs, SSE = 4.86023.
TRAINBP: 7/2000 epochs, SSE = 4.70245.
TRAINBP: 8/2000 epochs, SSE = 4.54735.
TRAINBP: 9/2000 epochs, SSE = 4.39453.
TRAINBP: 10/2000 epochs, SSE = 4.24343.
TRAINBP: 11/2000 epochs, SSE = 4.09338.
TRAINBP: 12/2000 epochs, SSE = 3.94369.
TRAINBP: 13/2000 epochs, SSE = 3.7937.
TRAINBP: 14/2000 epochs, SSE = 3.64283.
TRAINBP: 15/2000 epochs, SSE = 3.49063.
TRAINBP: 16/2000 epochs, SSE = 3.33683.
TRAINBP: 17/2000 epochs, SSE = 3.18135.
TRAINBP: 18/2000 epochs, SSE = 3.02431.
TRAINBP: 19/2000 epochs, SSE = 2.86611.
TRAINBP: 20/2000 epochs, SSE = 2.70734.
TRAINBP: 21/2000 epochs, SSE = 2.54884.
TRAINBP: 22/2000 epochs, SSE = 2.39159.
TRAINBP: 23/2000 epochs, SSE = 2.23674.
TRAINBP: 24/2000 epochs, SSE = 2.08546.
TRAINBP: 25/2000 epochs, SSE = 1.93894.
TRAINBP: 26/2000 epochs, SSE = 1.79827.
TRAINBP: 27/2000 epochs, SSE = 1.66439.
TRAINBP: 28/2000 epochs, SSE = 1.53806.
TRAINBP: 29/2000 epochs, SSE = 1.41983.
TRAINBP: 30/2000 epochs, SSE = 1.31002.
TRAINBP: 31/2000 epochs, SSE = 1.20874.
TRAINBP: 32/2000 epochs, SSE = 1.11591.
TRAINBP: 33/2000 epochs, SSE = 1.03129.
TRAINBP: 34/2000 epochs, SSE = 0.954509.
TRAINBP: 35/2000 epochs, SSE = 0.885129.
TRAINBP: 36/2000 epochs, SSE = 0.822634.
TRAINBP: 37/2000 epochs, SSE = 0.766485.
TRAINBP: 38/2000 epochs, SSE = 0.716133.
TRAINBP: 39/2000 epochs, SSE = 0.671037.
TRAINBP: 40/2000 epochs, SSE = 0.63068.
TRAINBP: 41/2000 epochs, SSE = 0.594572.
TRAINBP: 42/2000 epochs, SSE = 0.562261.
TRAINBP: 43/2000 epochs, SSE = 0.53333.
TRAINBP: 44/2000 epochs, SSE = 0.507403.
TRAINBP: 45/2000 epochs, SSE = 0.484139.
TRAINBP: 46/2000 epochs, SSE = 0.463234.
TRAINBP: 47/2000 epochs, SSE = 0.444417.
TRAINBP: 48/2000 epochs, SSE = 0.427447.
TRAINBP: 49/2000 epochs, SSE = 0.412111.
TRAINBP: 50/2000 epochs, SSE = 0.398222.
TRAINBP: 51/2000 epochs, SSE = 0.385613.
TRAINBP: 52/2000 epochs, SSE = 0.37414.
TRAINBP: 53/2000 epochs, SSE = 0.363674.
TRAINBP: 54/2000 epochs, SSE = 0.354102.
TRAINBP: 55/2000 epochs, SSE = 0.345325.

w1 =

2.1330 1.6388
-1.8304 -2.1898
-0.4893 2.7566
2.6162 0.7092

b1 =

-3.1092
1.0802
-0.8348
-1.5167

w2 =

-0.4818 -0.5585 -0.0283 -0.1979

b2 =

-0.0072

2)
>> clear
>> nntwarn off
>> p= [0 1 2 1 10 12 -5 -8 -10 -15; 0 1 -1 6 3 -1 -2 2 -5 2]

p =

Columns 1 through 9

0 1 2 1 10 12 -5 -8 -10
0 1 -1 6 3 -1 -2 2 -5

Column 10

-15
2

>> t=[0 0 1 1 2 2 -1 -1 -2 -2];
>> net=newff(minmax(p),[5 1],{'tansig' 'purelin'});
> BobotAwal_Input=net.IW{1,1}

BobotAwal_Input =

0.2004 0.2864
-0.2289 -0.0910
0.0502 -0.5557
-0.0101 0.5686
0.2296 -0.0796
>> BobotAwal_Bias_Input=net.b{1,1}

BobotAwal_Bias_Input =

-2.9731
1.2674
0.3532
-1.8647
3.5147
>> BobotAwal_Lapisan=net.LW{2,1}
BobotAwal_Lapisan =

0.2309 0.5839 0.8436 0.4764 -0.6475

>> BobotAwal_Bias_Lapisan=net.b{2,1}

BobotAwal_Bias_Lapisan =

-0.1886
>> net.adaptFcn='adaptwb';
>> net.inputWeights{1, 1}. learnFcn='learngdm';
>> net.layerWeights{2, 1}. learnFcn='learngdm';
>> net.biases{1, 1}. learnFcn='learngdm';
>> net.biases{2, 1}. learnFcn='learngdm';
>> net.inputWeights{1, 1}. learnParam.ir=0.02;
>> net.layerWeights{2, 1}. learnParam.ir=0.02;
>> net.biases{1, 1}. learnParam.ir=0.02;
>> net.inputWeights{1, 1}. learnParam.mc=0.3;
>> net.layerWeights{2, 1}. learnParam.mc=0.3;
>> net.biases{1, 1}. learnParam.mc=0.3;
>> net.adaptParam.passes=100;
>> p=num2cell(p,1);
>> t=num2cell(t,1);
>> [net, Y, e]=adapt(net,p,t)

net =

Neural Network object:

architecture:

numInputs: 1
numLayers: 2
biasConnect: [1; 1]
inputConnect: [1; 0]
layerConnect: [0 0; 1 0]
outputConnect: [0 1]
targetConnect: [0 1]

numOutputs: 1 (read-only)
numTargets: 1 (read-only)
numInputDelays: 0 (read-only)
numLayerDelays: 0 (read-only)

subobject structures:

inputs: {1x1 cell} of inputs
layers: {2x1 cell} of layers
outputs: {1x2 cell} containing 1 output
targets: {1x2 cell} containing 1 target
biases: {2x1 cell} containing 2 biases
inputWeights: {2x1 cell} containing 1 input weight
layerWeights: {2x2 cell} containing 1 layer weight

functions:

adaptFcn: 'adaptwb'
initFcn: 'initlay'
performFcn: 'mse'
trainFcn: 'trainlm'

parameters:

adaptParam: .passes
initParam: (none)
performParam: (none)
trainParam: .epochs, .goal, .max_fail, .mem_reduc,
.min_grad, .mu, .mu_dec, .mu_inc,
.mu_max, .show, .time

weight and bias values:

IW: {2x1 cell} containing 1 input weight matrix
LW: {2x2 cell} containing 1 layer weight matrix
b: {2x1 cell} containing 2 bias vectors

other:

userdata: (user stuff)

Y =

Columns 1 through 4

[0.1458] [0.2512] [0.6202] [0.8446]

Columns 5 through 8

[2.1124] [2.0153] [-0.9614] [-1.0532]

Columns 9 through 10

[-2.0249] [-1.9689]

e =

Columns 1 through 4

[-0.1458] [-0.2512] [0.3798] [0.1554]

Columns 5 through 8

[-0.1124] [-0.0153] [-0.0386] [0.0532]

Columns 9 through 10

[0.0249] [-0.0311]
>> BobotAkhir_Input=net.IW{1, 1}

BobotAkhir_Input =

0.3577 0.5412
0.1812 0.1579
0.3866 -0.4315
0.3197 0.5335
0.0683 -0.0673

>> BobotAkhir_Bias_Input=net.b{1, 1}

BobotAkhir_Bias_Input =

-2.9254
1.4874
0.0651
-1.9595
3.5236
>> BobotAkhir_Lapisan=net.LW{2, 1}

BobotAkhir_Lapisan =

0.0881 0.9112 0.5924 0.5876 -0.3127

>> BobotAkhir_Bias_Lapisan=net.b{2, 1}

BobotAkhir_Bias_Lapisan =

0.2490
>> a=sim(net,p)

a =

Columns 1 through 4

[0.1456] [0.2571] [0.6469] [0.8529]

Columns 5 through 8

[2.1029] [2.0107] [-0.9545] [-1.0188]

Columns 9 through 10

[-2.0221] [-1.9857]
>> subplot(211)

3) nntwarn off
p=[7500 7500
7500 8000
6500 7750
8500 7500
5500 9000
7500 7500]
t=[0 1
1 0
0 1
1 0
1 0
0 1]
p=p/9000
p=p'
t=t'
tp=[1 5000 0.1 0.1]
[w1,b1,w2,b2]=initff(p,10,'tansig',t,'tansig')
[w1,b1,w2,b2]=trainbp(w1,b1,'tansig',w2,b2,'tansig',p,t,tp)

TRAINBP: 912/5000 epochs, SSE = 0.121904.
TRAINBP: 913/5000 epochs, SSE = 0.123948.
TRAINBP: 914/5000 epochs, SSE = 0.121815.
TRAINBP: 915/5000 epochs, SSE = 0.123858.
TRAINBP: 916/5000 epochs, SSE = 0.121727.
TRAINBP: 917/5000 epochs, SSE = 0.123767.
TRAINBP: 918/5000 epochs, SSE = 0.121638.
TRAINBP: 919/5000 epochs, SSE = 0.123677.
TRAINBP: 920/5000 epochs, SSE = 0.121551.
TRAINBP: 921/5000 epochs, SSE = 0.123587.
TRAINBP: 922/5000 epochs, SSE = 0.121463.
TRAINBP: 923/5000 epochs, SSE = 0.123497.
TRAINBP: 924/5000 epochs, SSE = 0.121376.
TRAINBP: 925/5000 epochs, SSE = 0.123408.
TRAINBP: 926/5000 epochs, SSE = 0.121289.
TRAINBP: 927/5000 epochs, SSE = 0.123319.
TRAINBP: 928/5000 epochs, SSE = 0.121202.
TRAINBP: 929/5000 epochs, SSE = 0.12323.
TRAINBP: 930/5000 epochs, SSE = 0.121116.
TRAINBP: 931/5000 epochs, SSE = 0.123142.
TRAINBP: 932/5000 epochs, SSE = 0.12103.
TRAINBP: 933/5000 epochs, SSE = 0.123054.
TRAINBP: 934/5000 epochs, SSE = 0.120944.
TRAINBP: 935/5000 epochs, SSE = 0.122966.
TRAINBP: 936/5000 epochs, SSE = 0.120859.
TRAINBP: 937/5000 epochs, SSE = 0.122879.
TRAINBP: 938/5000 epochs, SSE = 0.120774.
TRAINBP: 939/5000 epochs, SSE = 0.122792.
TRAINBP: 940/5000 epochs, SSE = 0.120689.
TRAINBP: 941/5000 epochs, SSE = 0.122705.
TRAINBP: 942/5000 epochs, SSE = 0.120605.
TRAINBP: 943/5000 epochs, SSE = 0.122619.
TRAINBP: 944/5000 epochs, SSE = 0.12052.
TRAINBP: 945/5000 epochs, SSE = 0.122532.
TRAINBP: 946/5000 epochs, SSE = 0.120437.
TRAINBP: 947/5000 epochs, SSE = 0.122447.
TRAINBP: 948/5000 epochs, SSE = 0.120353.
TRAINBP: 949/5000 epochs, SSE = 0.122361.
TRAINBP: 950/5000 epochs, SSE = 0.12027.
TRAINBP: 951/5000 epochs, SSE = 0.122276.
TRAINBP: 952/5000 epochs, SSE = 0.120187.
TRAINBP: 953/5000 epochs, SSE = 0.122191.
TRAINBP: 954/5000 epochs, SSE = 0.120104.
TRAINBP: 955/5000 epochs, SSE = 0.122106.
TRAINBP: 956/5000 epochs, SSE = 0.120021.
TRAINBP: 957/5000 epochs, SSE = 0.122022.
TRAINBP: 958/5000 epochs, SSE = 0.119939.
TRAINBP: 959/5000 epochs, SSE = 0.121937.
TRAINBP: 960/5000 epochs, SSE = 0.119857.
TRAINBP: 961/5000 epochs, SSE = 0.121854.
TRAINBP: 962/5000 epochs, SSE = 0.119776.
TRAINBP: 963/5000 epochs, SSE = 0.12177.
TRAINBP: 964/5000 epochs, SSE = 0.119694.
TRAINBP: 965/5000 epochs, SSE = 0.121687.
TRAINBP: 966/5000 epochs, SSE = 0.119613.
TRAINBP: 967/5000 epochs, SSE = 0.121604.
TRAINBP: 968/5000 epochs, SSE = 0.119532.
TRAINBP: 969/5000 epochs, SSE = 0.121521.
TRAINBP: 970/5000 epochs, SSE = 0.119452.
TRAINBP: 971/5000 epochs, SSE = 0.121438.
TRAINBP: 972/5000 epochs, SSE = 0.119372.
TRAINBP: 973/5000 epochs, SSE = 0.121356.
TRAINBP: 974/5000 epochs, SSE = 0.119292.
TRAINBP: 975/5000 epochs, SSE = 0.121274.
TRAINBP: 976/5000 epochs, SSE = 0.119212.
TRAINBP: 977/5000 epochs, SSE = 0.121193.
TRAINBP: 978/5000 epochs, SSE = 0.119132.
TRAINBP: 979/5000 epochs, SSE = 0.121111.
TRAINBP: 980/5000 epochs, SSE = 0.119053.
TRAINBP: 981/5000 epochs, SSE = 0.12103.
TRAINBP: 982/5000 epochs, SSE = 0.118974.
TRAINBP: 983/5000 epochs, SSE = 0.120949.
TRAINBP: 984/5000 epochs, SSE = 0.118895.
TRAINBP: 985/5000 epochs, SSE = 0.120868.
TRAINBP: 986/5000 epochs, SSE = 0.118817.
TRAINBP: 987/5000 epochs, SSE = 0.120788.
TRAINBP: 988/5000 epochs, SSE = 0.118739.
TRAINBP: 989/5000 epochs, SSE = 0.120708.
TRAINBP: 990/5000 epochs, SSE = 0.118661.
TRAINBP: 991/5000 epochs, SSE = 0.120628.
TRAINBP: 992/5000 epochs, SSE = 0.118583.
TRAINBP: 993/5000 epochs, SSE = 0.120548.
TRAINBP: 994/5000 epochs, SSE = 0.118505.
TRAINBP: 995/5000 epochs, SSE = 0.120469.
TRAINBP: 996/5000 epochs, SSE = 0.118428.
TRAINBP: 997/5000 epochs, SSE = 0.12039.
TRAINBP: 998/5000 epochs, SSE = 0.118351.
TRAINBP: 999/5000 epochs, SSE = 0.120311.
TRAINBP: 1000/5000 epochs, SSE = 0.118274.
TRAINBP: 1001/5000 epochs, SSE = 0.120232.
TRAINBP: 1002/5000 epochs, SSE = 0.118198.
TRAINBP: 1003/5000 epochs, SSE = 0.120154.
TRAINBP: 1004/5000 epochs, SSE = 0.118121.
TRAINBP: 1005/5000 epochs, SSE = 0.120075.
TRAINBP: 1006/5000 epochs, SSE = 0.118045.
TRAINBP: 1007/5000 epochs, SSE = 0.119997.
TRAINBP: 1008/5000 epochs, SSE = 0.117969.
TRAINBP: 1009/5000 epochs, SSE = 0.11992.
TRAINBP: 1010/5000 epochs, SSE = 0.117894.
TRAINBP: 1011/5000 epochs, SSE = 0.119842.
TRAINBP: 1012/5000 epochs, SSE = 0.117818.
TRAINBP: 1013/5000 epochs, SSE = 0.119765.
TRAINBP: 1014/5000 epochs, SSE = 0.117743.
TRAINBP: 1015/5000 epochs, SSE = 0.119688.
TRAINBP: 1016/5000 epochs, SSE = 0.117668.
TRAINBP: 1017/5000 epochs, SSE = 0.119611.
TRAINBP: 1018/5000 epochs, SSE = 0.117593.
TRAINBP: 1019/5000 epochs, SSE = 0.119534.
TRAINBP: 1020/5000 epochs, SSE = 0.117519.
TRAINBP: 1021/5000 epochs, SSE = 0.119458.
TRAINBP: 1022/5000 epochs, SSE = 0.117445.
TRAINBP: 1023/5000 epochs, SSE = 0.119382.
TRAINBP: 1024/5000 epochs, SSE = 0.11737.
TRAINBP: 1025/5000 epochs, SSE = 0.119306.
TRAINBP: 1026/5000 epochs, SSE = 0.117297.
TRAINBP: 1027/5000 epochs, SSE = 0.11923.
TRAINBP: 1028/5000 epochs, SSE = 0.117223.
TRAINBP: 1029/5000 epochs, SSE = 0.119155.
TRAINBP: 1030/5000 epochs, SSE = 0.117149.
TRAINBP: 1031/5000 epochs, SSE = 0.119079.
TRAINBP: 1032/5000 epochs, SSE = 0.117076.
TRAINBP: 1033/5000 epochs, SSE = 0.119004.
TRAINBP: 1034/5000 epochs, SSE = 0.117003.
TRAINBP: 1035/5000 epochs, SSE = 0.118929.
TRAINBP: 1036/5000 epochs, SSE = 0.11693.
TRAINBP: 1037/5000 epochs, SSE = 0.118855.
TRAINBP: 1038/5000 epochs, SSE = 0.116858.
TRAINBP: 1039/5000 epochs, SSE = 0.11878.
TRAINBP: 1040/5000 epochs, SSE = 0.116785.
TRAINBP: 1041/5000 epochs, SSE = 0.118706.
TRAINBP: 1042/5000 epochs, SSE = 0.116713.
TRAINBP: 1043/5000 epochs, SSE = 0.118632.
TRAINBP: 1044/5000 epochs, SSE = 0.116641.
TRAINBP: 1045/5000 epochs, SSE = 0.118558.
TRAINBP: 1046/5000 epochs, SSE = 0.116569.
TRAINBP: 1047/5000 epochs, SSE = 0.118485.
TRAINBP: 1048/5000 epochs, SSE = 0.116498.
TRAINBP: 1049/5000 epochs, SSE = 0.118411.
TRAINBP: 1050/5000 epochs, SSE = 0.116426.
TRAINBP: 1051/5000 epochs, SSE = 0.118338.
TRAINBP: 1052/5000 epochs, SSE = 0.116355.
TRAINBP: 1053/5000 epochs, SSE = 0.118265.
TRAINBP: 1054/5000 epochs, SSE = 0.116284.
TRAINBP: 1055/5000 epochs, SSE = 0.118192.
TRAINBP: 1056/5000 epochs, SSE = 0.116213.
TRAINBP: 1057/5000 epochs, SSE = 0.11812.
TRAINBP: 1058/5000 epochs, SSE = 0.116143.
TRAINBP: 1059/5000 epochs, SSE = 0.118047.
TRAINBP: 1060/5000 epochs, SSE = 0.116072.
TRAINBP: 1061/5000 epochs, SSE = 0.117975.
TRAINBP: 1062/5000 epochs, SSE = 0.116002.
TRAINBP: 1063/5000 epochs, SSE = 0.117903.
TRAINBP: 1064/5000 epochs, SSE = 0.115932.
TRAINBP: 1065/5000 epochs, SSE = 0.117831.
TRAINBP: 1066/5000 epochs, SSE = 0.115862.
TRAINBP: 1067/5000 epochs, SSE = 0.117759.
TRAINBP: 1068/5000 epochs, SSE = 0.115792.
TRAINBP: 1069/5000 epochs, SSE = 0.117688.
TRAINBP: 1070/5000 epochs, SSE = 0.115723.
TRAINBP: 1071/5000 epochs, SSE = 0.117616.
TRAINBP: 1072/5000 epochs, SSE = 0.115653.
TRAINBP: 1073/5000 epochs, SSE = 0.117545.
TRAINBP: 1074/5000 epochs, SSE = 0.115584.
TRAINBP: 1075/5000 epochs, SSE = 0.117474.
TRAINBP: 1076/5000 epochs, SSE = 0.115515.
TRAINBP: 1077/5000 epochs, SSE = 0.117404.
TRAINBP: 1078/5000 epochs, SSE = 0.115446.
TRAINBP: 1079/5000 epochs, SSE = 0.117333.
TRAINBP: 1080/5000 epochs, SSE = 0.115378.
TRAINBP: 1081/5000 epochs, SSE = 0.117263.
TRAINBP: 1082/5000 epochs, SSE = 0.115309.
TRAINBP: 1083/5000 epochs, SSE = 0.117192.
TRAINBP: 1084/5000 epochs, SSE = 0.115241.
TRAINBP: 1085/5000 epochs, SSE = 0.117122.
TRAINBP: 1086/5000 epochs, SSE = 0.115173.
TRAINBP: 1087/5000 epochs, SSE = 0.117052.
TRAINBP: 1088/5000 epochs, SSE = 0.115105.
TRAINBP: 1089/5000 epochs, SSE = 0.116983.
TRAINBP: 1090/5000 epochs, SSE = 0.115037.
TRAINBP: 1091/5000 epochs, SSE = 0.116913.
TRAINBP: 1092/5000 epochs, SSE = 0.114969.
TRAINBP: 1093/5000 epochs, SSE = 0.116844.
TRAINBP: 1094/5000 epochs, SSE = 0.114902.
TRAINBP: 1095/5000 epochs, SSE = 0.116775.
TRAINBP: 1096/5000 epochs, SSE = 0.114835.
TRAINBP: 1097/5000 epochs, SSE = 0.116706.
TRAINBP: 1098/5000 epochs, SSE = 0.114768.
TRAINBP: 1099/5000 epochs, SSE = 0.116637.
TRAINBP: 1100/5000 epochs, SSE = 0.114701.
TRAINBP: 1101/5000 epochs, SSE = 0.116568.
TRAINBP: 1102/5000 epochs, SSE = 0.114634.
TRAINBP: 1103/5000 epochs, SSE = 0.1165.
TRAINBP: 1104/5000 epochs, SSE = 0.114567.
TRAINBP: 1105/5000 epochs, SSE = 0.116431.
TRAINBP: 1106/5000 epochs, SSE = 0.114501.
TRAINBP: 1107/5000 epochs, SSE = 0.116363.
TRAINBP: 1108/5000 epochs, SSE = 0.114435.
TRAINBP: 1109/5000 epochs, SSE = 0.116295.
TRAINBP: 1110/5000 epochs, SSE = 0.114368.
TRAINBP: 1111/5000 epochs, SSE = 0.116227.
TRAINBP: 1112/5000 epochs, SSE = 0.114302.
TRAINBP: 1113/5000 epochs, SSE = 0.11616.
TRAINBP: 1114/5000 epochs, SSE = 0.114237.
TRAINBP: 1115/5000 epochs, SSE = 0.116092.
TRAINBP: 1116/5000 epochs, SSE = 0.114171.
TRAINBP: 1117/5000 epochs, SSE = 0.116025.
TRAINBP: 1118/5000 epochs, SSE = 0.114105.
TRAINBP: 1119/5000 epochs, SSE = 0.115957.
TRAINBP: 1120/5000 epochs, SSE = 0.11404.
TRAINBP: 1121/5000 epochs, SSE = 0.11589.
TRAINBP: 1122/5000 epochs, SSE = 0.113975.
TRAINBP: 1123/5000 epochs, SSE = 0.115823.
TRAINBP: 1124/5000 epochs, SSE = 0.11391.
TRAINBP: 1125/5000 epochs, SSE = 0.115757.
TRAINBP: 1126/5000 epochs, SSE = 0.113845.
TRAINBP: 1127/5000 epochs, SSE = 0.11569.
TRAINBP: 1128/5000 epochs, SSE = 0.11378.
TRAINBP: 1129/5000 epochs, SSE = 0.115624.
TRAINBP: 1130/5000 epochs, SSE = 0.113716.
TRAINBP: 1131/5000 epochs, SSE = 0.115557.
TRAINBP: 1132/5000 epochs, SSE = 0.113651.
TRAINBP: 1133/5000 epochs, SSE = 0.115491.
TRAINBP: 1134/5000 epochs, SSE = 0.113587.
TRAINBP: 1135/5000 epochs, SSE = 0.115425.
TRAINBP: 1136/5000 epochs, SSE = 0.113523.
TRAINBP: 1137/5000 epochs, SSE = 0.115359.
TRAINBP: 1138/5000 epochs, SSE = 0.113459.
TRAINBP: 1139/5000 epochs, SSE = 0.115294.
TRAINBP: 1140/5000 epochs, SSE = 0.113395.
TRAINBP: 1141/5000 epochs, SSE = 0.115228.
TRAINBP: 1142/5000 epochs, SSE = 0.113331.
TRAINBP: 1143/5000 epochs, SSE = 0.115163.
TRAINBP: 1144/5000 epochs, SSE = 0.113267.
TRAINBP: 1145/5000 epochs, SSE = 0.115097.
TRAINBP: 1146/5000 epochs, SSE = 0.113204.
TRAINBP: 1147/5000 epochs, SSE = 0.115032.
TRAINBP: 1148/5000 epochs, SSE = 0.113141.
TRAINBP: 1149/5000 epochs, SSE = 0.114967.
TRAINBP: 1150/5000 epochs, SSE = 0.113077.
TRAINBP: 1151/5000 epochs, SSE = 0.114902.
TRAINBP: 1152/5000 epochs, SSE = 0.113014.
TRAINBP: 1153/5000 epochs, SSE = 0.114838.
TRAINBP: 1154/5000 epochs, SSE = 0.112951.
TRAINBP: 1155/5000 epochs, SSE = 0.114773.
TRAINBP: 1156/5000 epochs, SSE = 0.112889.
TRAINBP: 1157/5000 epochs, SSE = 0.114708.
TRAINBP: 1158/5000 epochs, SSE = 0.112826.
TRAINBP: 1159/5000 epochs, SSE = 0.114644.
TRAINBP: 1160/5000 epochs, SSE = 0.112764.
TRAINBP: 1161/5000 epochs, SSE = 0.11458.
TRAINBP: 1162/5000 epochs, SSE = 0.112701.
TRAINBP: 1163/5000 epochs, SSE = 0.114516.
TRAINBP: 1164/5000 epochs, SSE = 0.112639.
TRAINBP: 1165/5000 epochs, SSE = 0.114452.
TRAINBP: 1166/5000 epochs, SSE = 0.112577.
TRAINBP: 1167/5000 epochs, SSE = 0.114388.
TRAINBP: 1168/5000 epochs, SSE = 0.112515.
TRAINBP: 1169/5000 epochs, SSE = 0.114325.
TRAINBP: 1170/5000 epochs, SSE = 0.112453.
TRAINBP: 1171/5000 epochs, SSE = 0.114261.
TRAINBP: 1172/5000 epochs, SSE = 0.112391.
TRAINBP: 1173/5000 epochs, SSE = 0.114198.
TRAINBP: 1174/5000 epochs, SSE = 0.11233.
TRAINBP: 1175/5000 epochs, SSE = 0.114134.
TRAINBP: 1176/5000 epochs, SSE = 0.112268.
TRAINBP: 1177/5000 epochs, SSE = 0.114071.
TRAINBP: 1178/5000 epochs, SSE = 0.112207.
TRAINBP: 1179/5000 epochs, SSE = 0.114008.
TRAINBP: 1180/5000 epochs, SSE = 0.112146.
TRAINBP: 1181/5000 epochs, SSE = 0.113945.
TRAINBP: 1182/5000 epochs, SSE = 0.112084.
TRAINBP: 1183/5000 epochs, SSE = 0.113883.
TRAINBP: 1184/5000 epochs, SSE = 0.112023.
TRAINBP: 1185/5000 epochs, SSE = 0.11382.
TRAINBP: 1186/5000 epochs, SSE = 0.111963.
TRAINBP: 1187/5000 epochs, SSE = 0.113758.
TRAINBP: 1188/5000 epochs, SSE = 0.111902.
TRAINBP: 1189/5000 epochs, SSE = 0.113695.
TRAINBP: 1190/5000 epochs, SSE = 0.111841.
TRAINBP: 1191/5000 epochs, SSE = 0.113633.
TRAINBP: 1192/5000 epochs, SSE = 0.111781.
TRAINBP: 1193/5000 epochs, SSE = 0.113571.
TRAINBP: 1194/5000 epochs, SSE = 0.11172.
TRAINBP: 1195/5000 epochs, SSE = 0.113509.
TRAINBP: 1196/5000 epochs, SSE = 0.11166.
TRAINBP: 1197/5000 epochs, SSE = 0.113447.
TRAINBP: 1198/5000 epochs, SSE = 0.1116.
TRAINBP: 1199/5000 epochs, SSE = 0.113385.
TRAINBP: 1200/5000 epochs, SSE = 0.11154.
TRAINBP: 1201/5000 epochs, SSE = 0.113323.
TRAINBP: 1202/5000 epochs, SSE = 0.11148.
TRAINBP: 1203/5000 epochs, SSE = 0.113262.
TRAINBP: 1204/5000 epochs, SSE = 0.11142.
TRAINBP: 1205/5000 epochs, SSE = 0.1132.
TRAINBP: 1206/5000 epochs, SSE = 0.111361.
TRAINBP: 1207/5000 epochs, SSE = 0.113139.
TRAINBP: 1208/5000 epochs, SSE = 0.111301.
TRAINBP: 1209/5000 epochs, SSE = 0.113078.
TRAINBP: 1210/5000 epochs, SSE = 0.111241.
TRAINBP: 1211/5000 epochs, SSE = 0.113017.
TRAINBP: 1212/5000 epochs, SSE = 0.111182.
TRAINBP: 1213/5000 epochs, SSE = 0.112956.
TRAINBP: 1214/5000 epochs, SSE = 0.111123.
TRAINBP: 1215/5000 epochs, SSE = 0.112895.
TRAINBP: 1216/5000 epochs, SSE = 0.111064.
TRAINBP: 1217/5000 epochs, SSE = 0.112834.
TRAINBP: 1218/5000 epochs, SSE = 0.111005.
TRAINBP: 1219/5000 epochs, SSE = 0.112774.
TRAINBP: 1220/5000 epochs, SSE = 0.110946.
TRAINBP: 1221/5000 epochs, SSE = 0.112713.
TRAINBP: 1222/5000 epochs, SSE = 0.110887.
TRAINBP: 1223/5000 epochs, SSE = 0.112653.
TRAINBP: 1224/5000 epochs, SSE = 0.110828.
TRAINBP: 1225/5000 epochs, SSE = 0.112592.
TRAINBP: 1226/5000 epochs, SSE = 0.11077.
TRAINBP: 1227/5000 epochs, SSE = 0.112532.
TRAINBP: 1228/5000 epochs, SSE = 0.110711.
TRAINBP: 1229/5000 epochs, SSE = 0.112472.
TRAINBP: 1230/5000 epochs, SSE = 0.110653.
TRAINBP: 1231/5000 epochs, SSE = 0.112412.
TRAINBP: 1232/5000 epochs, SSE = 0.110595.
TRAINBP: 1233/5000 epochs, SSE = 0.112352.
TRAINBP: 1234/5000 epochs, SSE = 0.110536.
TRAINBP: 1235/5000 epochs, SSE = 0.112292.
TRAINBP: 1236/5000 epochs, SSE = 0.110478.
TRAINBP: 1237/5000 epochs, SSE = 0.112233.
TRAINBP: 1238/5000 epochs, SSE = 0.11042.
TRAINBP: 1239/5000 epochs, SSE = 0.112173.
TRAINBP: 1240/5000 epochs, SSE = 0.110363.
TRAINBP: 1241/5000 epochs, SSE = 0.112114.
TRAINBP: 1242/5000 epochs, SSE = 0.110305.
TRAINBP: 1243/5000 epochs, SSE = 0.112054.
TRAINBP: 1244/5000 epochs, SSE = 0.110247.
TRAINBP: 1245/5000 epochs, SSE = 0.111995.
TRAINBP: 1246/5000 epochs, SSE = 0.11019.
TRAINBP: 1247/5000 epochs, SSE = 0.111936.
TRAINBP: 1248/5000 epochs, SSE = 0.110132.
TRAINBP: 1249/5000 epochs, SSE = 0.111877.
TRAINBP: 1250/5000 epochs, SSE = 0.110075.
TRAINBP: 1251/5000 epochs, SSE = 0.111818.
TRAINBP: 1252/5000 epochs, SSE = 0.110017.
TRAINBP: 1253/5000 epochs, SSE = 0.111759.
TRAINBP: 1254/5000 epochs, SSE = 0.10996.
TRAINBP: 1255/5000 epochs, SSE = 0.1117.
TRAINBP: 1256/5000 epochs, SSE = 0.109903.
TRAINBP: 1257/5000 epochs, SSE = 0.111642.
TRAINBP: 1258/5000 epochs, SSE = 0.109846.
TRAINBP: 1259/5000 epochs, SSE = 0.111583.
TRAINBP: 1260/5000 epochs, SSE = 0.109789.
TRAINBP: 1261/5000 epochs, SSE = 0.111525.
TRAINBP: 1262/5000 epochs, SSE = 0.109732.
TRAINBP: 1263/5000 epochs, SSE = 0.111466.
TRAINBP: 1264/5000 epochs, SSE = 0.109676.
TRAINBP: 1265/5000 epochs, SSE = 0.111408.
TRAINBP: 1266/5000 epochs, SSE = 0.109619.
TRAINBP: 1267/5000 epochs, SSE = 0.11135.
TRAINBP: 1268/5000 epochs, SSE = 0.109563.
TRAINBP: 1269/5000 epochs, SSE = 0.111292.
TRAINBP: 1270/5000 epochs, SSE = 0.109506.
TRAINBP: 1271/5000 epochs, SSE = 0.111234.
TRAINBP: 1272/5000 epochs, SSE = 0.10945.
TRAINBP: 1273/5000 epochs, SSE = 0.111176.
TRAINBP: 1274/5000 epochs, SSE = 0.109394.
TRAINBP: 1275/5000 epochs, SSE = 0.111118.
TRAINBP: 1276/5000 epochs, SSE = 0.109338.
TRAINBP: 1277/5000 epochs, SSE = 0.11106.
TRAINBP: 1278/5000 epochs, SSE = 0.109281.
TRAINBP: 1279/5000 epochs, SSE = 0.111003.
TRAINBP: 1280/5000 epochs, SSE = 0.109225.
TRAINBP: 1281/5000 epochs, SSE = 0.110945.
TRAINBP: 1282/5000 epochs, SSE = 0.10917.
TRAINBP: 1283/5000 epochs, SSE = 0.110888.
TRAINBP: 1284/5000 epochs, SSE = 0.109114.
TRAINBP: 1285/5000 epochs, SSE = 0.11083.
TRAINBP: 1286/5000 epochs, SSE = 0.109058.
TRAINBP: 1287/5000 epochs, SSE = 0.110773.
TRAINBP: 1288/5000 epochs, SSE = 0.109002.
TRAINBP: 1289/5000 epochs, SSE = 0.110716.
TRAINBP: 1290/5000 epochs, SSE = 0.108947.
TRAINBP: 1291/5000 epochs, SSE = 0.110659.
TRAINBP: 1292/5000 epochs, SSE = 0.108891.
TRAINBP: 1293/5000 epochs, SSE = 0.110602.
TRAINBP: 1294/5000 epochs, SSE = 0.108836.
TRAINBP: 1295/5000 epochs, SSE = 0.110545.
TRAINBP: 1296/5000 epochs, SSE = 0.108781.
TRAINBP: 1297/5000 epochs, SSE = 0.110488.
TRAINBP: 1298/5000 epochs, SSE = 0.108726.
TRAINBP: 1299/5000 epochs, SSE = 0.110431.
TRAINBP: 1300/5000 epochs, SSE = 0.108671.
TRAINBP: 1301/5000 epochs, SSE = 0.110375.
TRAINBP: 1302/5000 epochs, SSE = 0.108615.
TRAINBP: 1303/5000 epochs, SSE = 0.110318.
TRAINBP: 1304/5000 epochs, SSE = 0.108561.
TRAINBP: 1305/5000 epochs, SSE = 0.110262.
TRAINBP: 1306/5000 epochs, SSE = 0.108506.
TRAINBP: 1307/5000 epochs, SSE = 0.110205.
TRAINBP: 1308/5000 epochs, SSE = 0.108451.
TRAINBP: 1309/5000 epochs, SSE = 0.110149.
TRAINBP: 1310/5000 epochs, SSE = 0.108396.
TRAINBP: 1311/5000 epochs, SSE = 0.110093.
TRAINBP: 1312/5000 epochs, SSE = 0.108342.
TRAINBP: 1313/5000 epochs, SSE = 0.110036.
TRAINBP: 1314/5000 epochs, SSE = 0.108287.
TRAINBP: 1315/5000 epochs, SSE = 0.10998.
TRAINBP: 1316/5000 epochs, SSE = 0.108232.
TRAINBP: 1317/5000 epochs, SSE = 0.109924.
TRAINBP: 1318/5000 epochs, SSE = 0.108178.
TRAINBP: 1319/5000 epochs, SSE = 0.109868.
TRAINBP: 1320/5000 epochs, SSE = 0.108124.
TRAINBP: 1321/5000 epochs, SSE = 0.109812.
TRAINBP: 1322/5000 epochs, SSE = 0.10807.
TRAINBP: 1323/5000 epochs, SSE = 0.109757.
TRAINBP: 1324/5000 epochs, SSE = 0.108015.
TRAINBP: 1325/5000 epochs, SSE = 0.109701.
TRAINBP: 1326/5000 epochs, SSE = 0.107961.
TRAINBP: 1327/5000 epochs, SSE = 0.109645.
TRAINBP: 1328/5000 epochs, SSE = 0.107907.
TRAINBP: 1329/5000 epochs, SSE = 0.10959.
TRAINBP: 1330/5000 epochs, SSE = 0.107853.
TRAINBP: 1331/5000 epochs, SSE = 0.109534.
TRAINBP: 1332/5000 epochs, SSE = 0.107799.
TRAINBP: 1333/5000 epochs, SSE = 0.109479.
TRAINBP: 1334/5000 epochs, SSE = 0.107746.
TRAINBP: 1335/5000 epochs, SSE = 0.109424.
TRAINBP: 1336/5000 epochs, SSE = 0.107692.
TRAINBP: 1337/5000 epochs, SSE = 0.109368.
TRAINBP: 1338/5000 epochs, SSE = 0.107638.
TRAINBP: 1339/5000 epochs, SSE = 0.109313.
TRAINBP: 1340/5000 epochs, SSE = 0.107585.
TRAINBP: 1341/5000 epochs, SSE = 0.109258.
TRAINBP: 1342/5000 epochs, SSE = 0.107531.
TRAINBP: 1343/5000 epochs, SSE = 0.109203.
TRAINBP: 1344/5000 epochs, SSE = 0.107478.
TRAINBP: 1345/5000 epochs, SSE = 0.109148.
TRAINBP: 1346/5000 epochs, SSE = 0.107425.
TRAINBP: 1347/5000 epochs, SSE = 0.109093.
TRAINBP: 1348/5000 epochs, SSE = 0.107371.
TRAINBP: 1349/5000 epochs, SSE = 0.109039.
TRAINBP: 1350/5000 epochs, SSE = 0.107318.
TRAINBP: 1351/5000 epochs, SSE = 0.108984.
TRAINBP: 1352/5000 epochs, SSE = 0.107265.
TRAINBP: 1353/5000 epochs, SSE = 0.108929.
TRAINBP: 1354/5000 epochs, SSE = 0.107212.
TRAINBP: 1355/5000 epochs, SSE = 0.108875.
TRAINBP: 1356/5000 epochs, SSE = 0.107159.
TRAINBP: 1357/5000 epochs, SSE = 0.10882.
TRAINBP: 1358/5000 epochs, SSE = 0.107106.
TRAINBP: 1359/5000 epochs, SSE = 0.108766.
TRAINBP: 1360/5000 epochs, SSE = 0.107053.
TRAINBP: 1361/5000 epochs, SSE = 0.108711.
TRAINBP: 1362/5000 epochs, SSE = 0.107.
TRAINBP: 1363/5000 epochs, SSE = 0.108657.
TRAINBP: 1364/5000 epochs, SSE = 0.106947.
TRAINBP: 1365/5000 epochs, SSE = 0.108603.
TRAINBP: 1366/5000 epochs, SSE = 0.106895.
TRAINBP: 1367/5000 epochs, SSE = 0.108549.
TRAINBP: 1368/5000 epochs, SSE = 0.106842.
TRAINBP: 1369/5000 epochs, SSE = 0.108494.
TRAINBP: 1370/5000 epochs, SSE = 0.10679.
TRAINBP: 1371/5000 epochs, SSE = 0.10844.
TRAINBP: 1372/5000 epochs, SSE = 0.106737.
TRAINBP: 1373/5000 epochs, SSE = 0.108386.
TRAINBP: 1374/5000 epochs, SSE = 0.106685.
TRAINBP: 1375/5000 epochs, SSE = 0.108332.
TRAINBP: 1376/5000 epochs, SSE = 0.106632.
TRAINBP: 1377/5000 epochs, SSE = 0.108279.
TRAINBP: 1378/5000 epochs, SSE = 0.10658.
TRAINBP: 1379/5000 epochs, SSE = 0.108225.
TRAINBP: 1380/5000 epochs, SSE = 0.106528.
TRAINBP: 1381/5000 epochs, SSE = 0.108171.
TRAINBP: 1382/5000 epochs, SSE = 0.106476.
TRAINBP: 1383/5000 epochs, SSE = 0.108118.
TRAINBP: 1384/5000 epochs, SSE = 0.106424.
TRAINBP: 1385/5000 epochs, SSE = 0.108064.
TRAINBP: 1386/5000 epochs, SSE = 0.106372.
TRAINBP: 1387/5000 epochs, SSE = 0.10801.
TRAINBP: 1388/5000 epochs, SSE = 0.10632.
TRAINBP: 1389/5000 epochs, SSE = 0.107957.
TRAINBP: 1390/5000 epochs, SSE = 0.106268.
TRAINBP: 1391/5000 epochs, SSE = 0.107904.
TRAINBP: 1392/5000 epochs, SSE = 0.106216.
TRAINBP: 1393/5000 epochs, SSE = 0.10785.
TRAINBP: 1394/5000 epochs, SSE = 0.106164.
TRAINBP: 1395/5000 epochs, SSE = 0.107797.
TRAINBP: 1396/5000 epochs, SSE = 0.106112.
TRAINBP: 1397/5000 epochs, SSE = 0.107744.
TRAINBP: 1398/5000 epochs, SSE = 0.106061.
TRAINBP: 1399/5000 epochs, SSE = 0.107691.
TRAINBP: 1400/5000 epochs, SSE = 0.106009.
TRAINBP: 1401/5000 epochs, SSE = 0.107638.
TRAINBP: 1402/5000 epochs, SSE = 0.105958.
TRAINBP: 1403/5000 epochs, SSE = 0.107584.
TRAINBP: 1404/5000 epochs, SSE = 0.105906.
TRAINBP: 1405/5000 epochs, SSE = 0.107532.
TRAINBP: 1406/5000 epochs, SSE = 0.105855.
TRAINBP: 1407/5000 epochs, SSE = 0.107479.
TRAINBP: 1408/5000 epochs, SSE = 0.105803.
TRAINBP: 1409/5000 epochs, SSE = 0.107426.
TRAINBP: 1410/5000 epochs, SSE = 0.105752.
TRAINBP: 1411/5000 epochs, SSE = 0.107373.
TRAINBP: 1412/5000 epochs, SSE = 0.105701.
TRAINBP: 1413/5000 epochs, SSE = 0.10732.
TRAINBP: 1414/5000 epochs, SSE = 0.10565.
TRAINBP: 1415/5000 epochs, SSE = 0.107268.
TRAINBP: 1416/5000 epochs, SSE = 0.105599.
TRAINBP: 1417/5000 epochs, SSE = 0.107215.
TRAINBP: 1418/5000 epochs, SSE = 0.105547.
TRAINBP: 1419/5000 epochs, SSE = 0.107162.
TRAINBP: 1420/5000 epochs, SSE = 0.105496.
TRAINBP: 1421/5000 epochs, SSE = 0.10711.
TRAINBP: 1422/5000 epochs, SSE = 0.105445.
TRAINBP: 1423/5000 epochs, SSE = 0.107057.
TRAINBP: 1424/5000 epochs, SSE = 0.105395.
TRAINBP: 1425/5000 epochs, SSE = 0.107005.
TRAINBP: 1426/5000 epochs, SSE = 0.105344.
TRAINBP: 1427/5000 epochs, SSE = 0.106953.
TRAINBP: 1428/5000 epochs, SSE = 0.105293.
TRAINBP: 1429/5000 epochs, SSE = 0.1069.
TRAINBP: 1430/5000 epochs, SSE = 0.105242.
TRAINBP: 1431/5000 epochs, SSE = 0.106848.
TRAINBP: 1432/5000 epochs, SSE = 0.105191.
TRAINBP: 1433/5000 epochs, SSE = 0.106796.
TRAINBP: 1434/5000 epochs, SSE = 0.105141.
TRAINBP: 1435/5000 epochs, SSE = 0.106744.
TRAINBP: 1436/5000 epochs, SSE = 0.10509.
TRAINBP: 1437/5000 epochs, SSE = 0.106692.
TRAINBP: 1438/5000 epochs, SSE = 0.10504.
TRAINBP: 1439/5000 epochs, SSE = 0.10664.
TRAINBP: 1440/5000 epochs, SSE = 0.104989.
TRAINBP: 1441/5000 epochs, SSE = 0.106588.
TRAINBP: 1442/5000 epochs, SSE = 0.104939.
TRAINBP: 1443/5000 epochs, SSE = 0.106536.
TRAINBP: 1444/5000 epochs, SSE = 0.104888.
TRAINBP: 1445/5000 epochs, SSE = 0.106484.
TRAINBP: 1446/5000 epochs, SSE = 0.104838.
TRAINBP: 1447/5000 epochs, SSE = 0.106432.
TRAINBP: 1448/5000 epochs, SSE = 0.104788.
TRAINBP: 1449/5000 epochs, SSE = 0.106381.
TRAINBP: 1450/5000 epochs, SSE = 0.104737.
TRAINBP: 1451/5000 epochs, SSE = 0.106329.
TRAINBP: 1452/5000 epochs, SSE = 0.104687.
TRAINBP: 1453/5000 epochs, SSE = 0.106277.
TRAINBP: 1454/5000 epochs, SSE = 0.104637.
TRAINBP: 1455/5000 epochs, SSE = 0.106226.
TRAINBP: 1456/5000 epochs, SSE = 0.104587.
TRAINBP: 1457/5000 epochs, SSE = 0.106174.
TRAINBP: 1458/5000 epochs, SSE = 0.104537.
TRAINBP: 1459/5000 epochs, SSE = 0.106123.
TRAINBP: 1460/5000 epochs, SSE = 0.104487.
TRAINBP: 1461/5000 epochs, SSE = 0.106071.
TRAINBP: 1462/5000 epochs, SSE = 0.104437.
TRAINBP: 1463/5000 epochs, SSE = 0.10602.
TRAINBP: 1464/5000 epochs, SSE = 0.104387.
TRAINBP: 1465/5000 epochs, SSE = 0.105968.
TRAINBP: 1466/5000 epochs, SSE = 0.104337.
TRAINBP: 1467/5000 epochs, SSE = 0.105917.
TRAINBP: 1468/5000 epochs, SSE = 0.104287.
TRAINBP: 1469/5000 epochs, SSE = 0.105866.
TRAINBP: 1470/5000 epochs, SSE = 0.104238.
TRAINBP: 1471/5000 epochs, SSE = 0.105815.
TRAINBP: 1472/5000 epochs, SSE = 0.104188.
TRAINBP: 1473/5000 epochs, SSE = 0.105763.
TRAINBP: 1474/5000 epochs, SSE = 0.104138.
TRAINBP: 1475/5000 epochs, SSE = 0.105712.
TRAINBP: 1476/5000 epochs, SSE = 0.104089.
TRAINBP: 1477/5000 epochs, SSE = 0.105661.
TRAINBP: 1478/5000 epochs, SSE = 0.104039.
TRAINBP: 1479/5000 epochs, SSE = 0.10561.
TRAINBP: 1480/5000 epochs, SSE = 0.10399.
TRAINBP: 1481/5000 epochs, SSE = 0.105559.
TRAINBP: 1482/5000 epochs, SSE = 0.10394.
TRAINBP: 1483/5000 epochs, SSE = 0.105508.
TRAINBP: 1484/5000 epochs, SSE = 0.103891.
TRAINBP: 1485/5000 epochs, SSE = 0.105458.
TRAINBP: 1486/5000 epochs, SSE = 0.103841.
TRAINBP: 1487/5000 epochs, SSE = 0.105407.
TRAINBP: 1488/5000 epochs, SSE = 0.103792.
TRAINBP: 1489/5000 epochs, SSE = 0.105356.
TRAINBP: 1490/5000 epochs, SSE = 0.103743.
TRAINBP: 1491/5000 epochs, SSE = 0.105305.
TRAINBP: 1492/5000 epochs, SSE = 0.103693.
TRAINBP: 1493/5000 epochs, SSE = 0.105254.
TRAINBP: 1494/5000 epochs, SSE = 0.103644.
TRAINBP: 1495/5000 epochs, SSE = 0.105204.
TRAINBP: 1496/5000 epochs, SSE = 0.103595.
TRAINBP: 1497/5000 epochs, SSE = 0.105153.
TRAINBP: 1498/5000 epochs, SSE = 0.103546.
TRAINBP: 1499/5000 epochs, SSE = 0.105103.
TRAINBP: 1500/5000 epochs, SSE = 0.103497.
TRAINBP: 1501/5000 epochs, SSE = 0.105052.
TRAINBP: 1502/5000 epochs, SSE = 0.103448.
TRAINBP: 1503/5000 epochs, SSE = 0.105002.
TRAINBP: 1504/5000 epochs, SSE = 0.103399.
TRAINBP: 1505/5000 epochs, SSE = 0.104951.
TRAINBP: 1506/5000 epochs, SSE = 0.10335.
TRAINBP: 1507/5000 epochs, SSE = 0.104901.
TRAINBP: 1508/5000 epochs, SSE = 0.103301.
TRAINBP: 1509/5000 epochs, SSE = 0.10485.
TRAINBP: 1510/5000 epochs, SSE = 0.103252.
TRAINBP: 1511/5000 epochs, SSE = 0.1048.
TRAINBP: 1512/5000 epochs, SSE = 0.103203.
TRAINBP: 1513/5000 epochs, SSE = 0.10475.
TRAINBP: 1514/5000 epochs, SSE = 0.103154.
TRAINBP: 1515/5000 epochs, SSE = 0.1047.
TRAINBP: 1516/5000 epochs, SSE = 0.103106.
TRAINBP: 1517/5000 epochs, SSE = 0.104649.
TRAINBP: 1518/5000 epochs, SSE = 0.103057.
TRAINBP: 1519/5000 epochs, SSE = 0.104599.
TRAINBP: 1520/5000 epochs, SSE = 0.103008.
TRAINBP: 1521/5000 epochs, SSE = 0.104549.
TRAINBP: 1522/5000 epochs, SSE = 0.10296.
TRAINBP: 1523/5000 epochs, SSE = 0.104499.
TRAINBP: 1524/5000 epochs, SSE = 0.102911.
TRAINBP: 1525/5000 epochs, SSE = 0.104449.
TRAINBP: 1526/5000 epochs, SSE = 0.102862.
TRAINBP: 1527/5000 epochs, SSE = 0.104399.
TRAINBP: 1528/5000 epochs, SSE = 0.102814.
TRAINBP: 1529/5000 epochs, SSE = 0.104349.
TRAINBP: 1530/5000 epochs, SSE = 0.102765.
TRAINBP: 1531/5000 epochs, SSE = 0.104299.
TRAINBP: 1532/5000 epochs, SSE = 0.102717.
TRAINBP: 1533/5000 epochs, SSE = 0.104249.
TRAINBP: 1534/5000 epochs, SSE = 0.102668.
TRAINBP: 1535/5000 epochs, SSE = 0.104199.
TRAINBP: 1536/5000 epochs, SSE = 0.10262.
TRAINBP: 1537/5000 epochs, SSE = 0.10415.
TRAINBP: 1538/5000 epochs, SSE = 0.102572.
TRAINBP: 1539/5000 epochs, SSE = 0.1041.
TRAINBP: 1540/5000 epochs, SSE = 0.102523.
TRAINBP: 1541/5000 epochs, SSE = 0.10405.
TRAINBP: 1542/5000 epochs, SSE = 0.102475.
TRAINBP: 1543/5000 epochs, SSE = 0.104.
TRAINBP: 1544/5000 epochs, SSE = 0.102427.
TRAINBP: 1545/5000 epochs, SSE = 0.103951.
TRAINBP: 1546/5000 epochs, SSE = 0.102379.
TRAINBP: 1547/5000 epochs, SSE = 0.103901.
TRAINBP: 1548/5000 epochs, SSE = 0.102331.
TRAINBP: 1549/5000 epochs, SSE = 0.103851.
TRAINBP: 1550/5000 epochs, SSE = 0.102282.
TRAINBP: 1551/5000 epochs, SSE = 0.103802.
TRAINBP: 1552/5000 epochs, SSE = 0.102234.
TRAINBP: 1553/5000 epochs, SSE = 0.103752.
TRAINBP: 1554/5000 epochs, SSE = 0.102186.
TRAINBP: 1555/5000 epochs, SSE = 0.103703.
TRAINBP: 1556/5000 epochs, SSE = 0.102138.
TRAINBP: 1557/5000 epochs, SSE = 0.103654.
TRAINBP: 1558/5000 epochs, SSE = 0.10209.
TRAINBP: 1559/5000 epochs, SSE = 0.103604.
TRAINBP: 1560/5000 epochs, SSE = 0.102042.
TRAINBP: 1561/5000 epochs, SSE = 0.103555.
TRAINBP: 1562/5000 epochs, SSE = 0.101994.
TRAINBP: 1563/5000 epochs, SSE = 0.103505.
TRAINBP: 1564/5000 epochs, SSE = 0.101946.
TRAINBP: 1565/5000 epochs, SSE = 0.103456.
TRAINBP: 1566/5000 epochs, SSE = 0.101899.
TRAINBP: 1567/5000 epochs, SSE = 0.103407.
TRAINBP: 1568/5000 epochs, SSE = 0.101851.
TRAINBP: 1569/5000 epochs, SSE = 0.103358.
TRAINBP: 1570/5000 epochs, SSE = 0.101803.
TRAINBP: 1571/5000 epochs, SSE = 0.103308.
TRAINBP: 1572/5000 epochs, SSE = 0.101755.
TRAINBP: 1573/5000 epochs, SSE = 0.103259.
TRAINBP: 1574/5000 epochs, SSE = 0.101707.
TRAINBP: 1575/5000 epochs, SSE = 0.10321.
TRAINBP: 1576/5000 epochs, SSE = 0.10166.
TRAINBP: 1577/5000 epochs, SSE = 0.103161.
TRAINBP: 1578/5000 epochs, SSE = 0.101612.
TRAINBP: 1579/5000 epochs, SSE = 0.103112.
TRAINBP: 1580/5000 epochs, SSE = 0.101564.
TRAINBP: 1581/5000 epochs, SSE = 0.103063.
TRAINBP: 1582/5000 epochs, SSE = 0.101517.
TRAINBP: 1583/5000 epochs, SSE = 0.103014.
TRAINBP: 1584/5000 epochs, SSE = 0.101469.
TRAINBP: 1585/5000 epochs, SSE = 0.102965.
TRAINBP: 1586/5000 epochs, SSE = 0.101422.
TRAINBP: 1587/5000 epochs, SSE = 0.102916.
TRAINBP: 1588/5000 epochs, SSE = 0.101374.
TRAINBP: 1589/5000 epochs, SSE = 0.102867.
TRAINBP: 1590/5000 epochs, SSE = 0.101327.
TRAINBP: 1591/5000 epochs, SSE = 0.102818.
TRAINBP: 1592/5000 epochs, SSE = 0.101279.
TRAINBP: 1593/5000 epochs, SSE = 0.102769.
TRAINBP: 1594/5000 epochs, SSE = 0.101232.
TRAINBP: 1595/5000 epochs, SSE = 0.10272.
TRAINBP: 1596/5000 epochs, SSE = 0.101184.
TRAINBP: 1597/5000 epochs, SSE = 0.102672.
TRAINBP: 1598/5000 epochs, SSE = 0.101137.
TRAINBP: 1599/5000 epochs, SSE = 0.102623.
TRAINBP: 1600/5000 epochs, SSE = 0.10109.
TRAINBP: 1601/5000 epochs, SSE = 0.102574.
TRAINBP: 1602/5000 epochs, SSE = 0.101042.
TRAINBP: 1603/5000 epochs, SSE = 0.102525.
TRAINBP: 1604/5000 epochs, SSE = 0.100995.
TRAINBP: 1605/5000 epochs, SSE = 0.102477.
TRAINBP: 1606/5000 epochs, SSE = 0.100948.
TRAINBP: 1607/5000 epochs, SSE = 0.102428.
TRAINBP: 1608/5000 epochs, SSE = 0.100901.
TRAINBP: 1609/5000 epochs, SSE = 0.10238.
TRAINBP: 1610/5000 epochs, SSE = 0.100854.
TRAINBP: 1611/5000 epochs, SSE = 0.102331.
TRAINBP: 1612/5000 epochs, SSE = 0.100806.
TRAINBP: 1613/5000 epochs, SSE = 0.102282.
TRAINBP: 1614/5000 epochs, SSE = 0.100759.
TRAINBP: 1615/5000 epochs, SSE = 0.102234.
TRAINBP: 1616/5000 epochs, SSE = 0.100712.
TRAINBP: 1617/5000 epochs, SSE = 0.102185.
TRAINBP: 1618/5000 epochs, SSE = 0.100665.
TRAINBP: 1619/5000 epochs, SSE = 0.102137.
TRAINBP: 1620/5000 epochs, SSE = 0.100618.
TRAINBP: 1621/5000 epochs, SSE = 0.102088.
TRAINBP: 1622/5000 epochs, SSE = 0.100571.
TRAINBP: 1623/5000 epochs, SSE = 0.10204.
TRAINBP: 1624/5000 epochs, SSE = 0.100524.
TRAINBP: 1625/5000 epochs, SSE = 0.101992.
TRAINBP: 1626/5000 epochs, SSE = 0.100477.
TRAINBP: 1627/5000 epochs, SSE = 0.101943.
TRAINBP: 1628/5000 epochs, SSE = 0.10043.
TRAINBP: 1629/5000 epochs, SSE = 0.101895.
TRAINBP: 1630/5000 epochs, SSE = 0.100383.
TRAINBP: 1631/5000 epochs, SSE = 0.101847.
TRAINBP: 1632/5000 epochs, SSE = 0.100336.
TRAINBP: 1633/5000 epochs, SSE = 0.101798.
TRAINBP: 1634/5000 epochs, SSE = 0.100289.
TRAINBP: 1635/5000 epochs, SSE = 0.10175.
TRAINBP: 1636/5000 epochs, SSE = 0.100242.
TRAINBP: 1637/5000 epochs, SSE = 0.101702.
TRAINBP: 1638/5000 epochs, SSE = 0.100196.
TRAINBP: 1639/5000 epochs, SSE = 0.101654.
TRAINBP: 1640/5000 epochs, SSE = 0.100149.
TRAINBP: 1641/5000 epochs, SSE = 0.101605.
TRAINBP: 1642/5000 epochs, SSE = 0.100102.
TRAINBP: 1643/5000 epochs, SSE = 0.101557.
TRAINBP: 1644/5000 epochs, SSE = 0.100055.
TRAINBP: 1645/5000 epochs, SSE = 0.101509.
TRAINBP: 1646/5000 epochs, SSE = 0.100009.
TRAINBP: 1647/5000 epochs, SSE = 0.101461.
TRAINBP: 1648/5000 epochs, SSE = 0.0999619.

w1 =

3.5632 -25.6480
4.8546 -24.8266
4.3388 -25.1834
10.6214 -15.7280
-12.7800 1.4011
-13.0789 -5.4966
10.1846 15.0656
-11.7914 10.8894
13.1998 0.4957
5.0734 -24.5733

b1 =

19.0274
17.2437
18.1958
6.9371
9.3447
16.3239
-21.3089
0.4556
-8.9675
19.8165

w2 =

Columns 1 through 5

-0.2872 -0.1543 -0.5391 -0.1642 -0.1407
0.3976 0.6868 0.1081 0.2792 0.8937

Columns 6 through 10

-1.0281 0.6234 -0.2088 0.0830 -0.5899
0.8067 -0.6606 0.0404 0.3923 0.1784

b2 =

1.9060
0.0454

Analisis :

1. Transformasi linear yang digunakan pada data asli kurang sesuai. Taburan data setelah transformasi masih bisa lebih stabil lagi jika digunakan transformasi data yang lain seperti transformasi polinomial ln atau normal
.

2. Komposisi pembagian data yang kurang tepat yang menyebabkan masalah overtraining. Tingkat keakuratan hasil ramalan dengan metode ARIMA masih lebih baik dibandingkan dengan jaringan syaraf tiruan yang terlihat dari nilai MAPE ARIMA yang lebih kecil dari jaringan syaraf tiruan. Tetapi jaringan

bokef

2009-04-16T01:18:00.002-07:00

http://dc102.4shared.com/download/48953069/3483ac9c/Holly_Hollywood_on_Spankwirecom.flv?tsid=20090416-042226-6105ee95
buruan

bokef

2009-04-16T01:18:00.000-07:00

http://dc102.4shared.com/download/48953069/3483ac9c/Holly_Hollywood_on_Spankwirecom.flv?tsid=20090416-042226-6105ee95
buruan

RPL

2009-03-17T02:56:00.000-07:00

REKAYASA PERANGKAT LUNAK ( RPL )
Sering terjadinya kegagalan proyek pengembangan software adalah dikarenakan lemahnya pembuatan estimasi biaya dan perencanaan proyek. Oleh karena itu jika penggunaan model estimasi biaya proyek yang digunakan di Indonesia tidak sesuai dengan keadaan dan fakta sebenarnya maka akan mempunyai kecenderungan terjadinya kegagalan proyek pengembangan software cukup besar, atau pengembang software sering membuat kriteria keberhasilan proyek yang salah. Selama ini perhitungan perkiraan biaya dalam pengembangan software di Indonesia belum ada acuan standard dalam menghitung usaha dan biayanya. Acuan yang dipakai masih menggunakan standard dari luar negeri (misal COCOMO, FP Albrecht dll) yang belum tentu sesuai dengan kondisi di Indonesia, karena model-model estimasi tersebut dikembangkan dengan data-data software house yang ada di luar negri. Tidak adanya standard dalam membuat estimasi biaya proyek software juga memyebabkan adanya ketimpangan hasil estimasi biaya proyek pengembangan software satu instansi dengan instansi yang lain, sebagai contoh proyek pembuatan website suatu instansi pemerintah yang dikerjakan oleh software house di Bali biayanya sekitar Rp.1 M, sedangkan jika dikerjakan oleh software house lain hanya berkisar puluhan juta rupiah. Disamping itu alat bantu managemen proyek yang sering dipakai saat ini adalah Microsoft Project, tetapi dalam Microsoft Project tersebut tidak tersedia fasilitas untuk membuat estimasi biaya ataupun usaha proyek software padahal tahapan estimasi merupakan tahapan penting dalam managemen proyek oleh karena itu penelitian ini sangat penting untuk dapat membantu manager dalam membuat estimasi biaya suatu proyek software.
Suatu proyek yang sukses didefinisikan sebagai system yang selesai tepat pada waktunya dan sesuai dengan anggaran serta sesuai dengan kualitas yang diinginkan. Oleh karena itu perlu menentukan target atau sasaran yang diperlukan untuk menguji output dari system. Sasaran yang ditentukan haruslah dapat dicapai dan dipertanggungjawabkan sehingga estimasi yang realistik merupakan tugas penting dari pimpinan proyek. Estimasi usaha dan estimasi ukuran pekerjaan diperlukan untuk mengembangkan system sehingga dapat mengarahkan apa yang diinginkan pengguna dalam melaksanakan perkerjaan yang sukar, yang diakibatkan oleh sifat alamiah software yaitu kompleksitas dan ketidaknampakannya serta tingkat fleksibilitas software sehingga mempunyai tingkat perubahan yang tinggi.
Estimasi biaya dan usaha proyek merupakan suatu kegiatan pengaturan sumber daya dalam mencapai tujuan dan sasaran dari proyek, sehingga proyek dapat berjalan sesuai dengan tahapan dan target yang dikehendaki. Dalam usaha estimasi sering menghadapi dua permasalahan yaitu over-estimates dan under-estimates. Over-estimates (estimasi berlebihan) akan menimbulkan penambahan alokasi sumberdaya dari yang dibutuhkan sehingga akan meningkatkan penanganan managerial. Sedangkan estimasi yang kurang (under-estimates) akan mengurangi kualitas dari produk karena tidak sesuai dengan standar. Untuk itu perlu dilakukan langkah yang hati hati dalam melakukan estimasi suatu proyek software sehingga dapat dicapai keberhasilan proyek yaitu tepat waktu, sesuai budget dan terpenuhinya standar kualitas produk.
Seperti telah dijelaskan di atas estimasi merupakan tugas yang sukar tetapi harus dilaksanakan. Faktor-faktor lain yang mempengaruhi estimasi adalah:

1. Kekhususan aplikasi dari software, pada rekayasa proyek tradisional, estimasi dapat dilakukan berdasarkan pada pengalaman masa lalu tetapi kebanyakan software proyek adalah unik sehingga masing-masing mempunyai tingkat ketidakpastian sendiri-sendiri.
2. Perubahan teknologi, dunia teknologi informasi sangatlah labil, sehingga teknologi berubah setiap hari, menyebabkan pelaksanaan estimasi menjadi lebih sukar. Estimasi merupakan proses untuk belajar dari pengalaman tetapi dengan teknologi yang berubah maka pengalaman menjadi berkurang terhadap suatu teknologi sehingga tindakan estimasi seperti sebuah permainan dalam games.
Proyek software merupakan suatu kegiatan yang menghasilkan produk-produk yang bersifat abstrak dan komplek karena berkaitan dengan gagasan dari setiap individu pelaksana proyek tersebut, sehingga dalam melakukan estimasi biaya proyek pengembangan software sering terjadi perbedaan hasil estimasi yang sangat besar antara satu pengembang dengan pengembang lainnya. Hal ini dikarenakan belum tersedianya standard estimasi dan ukuran standard yang digunakan untuk membuat estimasi proyek software. Oleh karena itu perlu dikembangkan suatu standard estimasi dan standard ukuran produk dan proses pengembangan proyek software.
Manajemen proyek perangkat lunak merupakan bagian yang penting dalam pembangunan perangkat lunak. Sekalipun tidak bersifat teknis seperti pengkodean, hal-hal dalam manajemen proyek PL ini mampu menentukan apakah proyek akan berjalan dengan baik sehingga menghasilkan produk yang baik. Hal-hal yang berkaitan dengan manajemen PL adalah :
– pengelolaan personel dan koordinasi tim
– masalah (problem)
– proses
Manajemen proyek perangkat lunak mengatur 4 hal penting :
– Personel
– Masalah (problem) à berkaitan dengan Produk
– proses dan
– Proyek à tambahan (tapi sangat penting)
Empat hal ini berurutan mulai dari yang paling penting. Personel mendapat tempat paling penting karena tanpa personel yang baik dan tepat maka 3 hal lain tidak bisa berjalan dengan baik.

Proses pembangunan PL melibatkan banyak personel dan dikategorikan dalam 5 kategori :
– manajer senior : yang menentukan usaha yang dikerjakan, dan pemegang keputusan dalam proyek.
– manajer proyek (teknis)– pemimpin tim: yang membuat rencana, memotivasi, mengatur dan mengendalikan praktisi yang mengerjakan PL
– praktisi : yang mengerjakan PL
– klien : yang menentukan kebutuhan PL dan pihak lain yang berkaitan dengan hasil produk
– pengguna PL : yang berinteraksi langsung dengan PL yang dibangun.

Pemimpin Tim PL disini adalah manager proyek. Seorang pemimpin tim diharuskan mempunyai ketrampilan memimpin yang cukup. Seseorang tidak menjadi pemimpin tim secara kebetulan tapi sungguh-sungguh karena punya kemampuan. Kemampuan yang dibutuhkan dalam kepemimpinan seperti
1. mampu berorganisasi
2. mampu mendorong keluarnya ide-ide baru
3. mencari penyelesaian masalah (problem solvingmampu memotivasi)
4. mampu menjadi manajer
5. mampu menghargai kerja
6. mampu mengenali tim

Analisis Masalah

“Sebuah perusahaan datang ke sebuah software house atau proyek manager, dimana ia ingin membangun sebuah aplikasi untuk membantu kelancaran proses pada perusahaannya, software house tersebut kemudian merinci proses apa saja yang akan terjadi, tetapi berapa lama dan berapa biaya yang dikeluarkan untuk membangun aplikasi tersebut ?”
Sepenggal cerita diatas bisa menjadi gambaran yang mungkin terjadi ketika sebuah software house atau proyek manager mendapatkan sebuah tugas untuk membangun sebuah aplikasi. Perkiraan awal terhadap berapa lama dan berapa besar biaya yang akan dikeluarkan untuk membangun sebuah aplikasi sangatlah penting. Informasi tersebut bisa saja didapatkan melalui perkiraan pada pengalaman sebelumnya, ataupun dengan metode-metode estimasi yang sudah ada. Tapi bagaimana jika seandainya metode-metode tersebut dirangkum ke dalam sebuah aplikasi analisis.
Dengan adanya kemajuan teknologi komunikasi dan perpaduan pengetahuan dari dunia komputer, hal itu tidak sulit untuk diwujudkan. Dimana dengan menerapkan metode-metode tersebut ke dalam sebuah aplikasi sebagai perkiraan awal untuk memperkirakan usaha dan biaya yang diperlukan dalam membangun sebuah aplikasi.

Aplikasi yang ingin kami hasilkan ini akan kami beri nama MAT Estimation, dimana analisis proses yang ada pada sistem MAT Estimation ini dibagi menjadi 4 bagian, yaitu proses estimasi pada MAT Use Case Point Diagram, proses estimasi pada MAT Use Case Point, proses estimasi pada MAT Class Diagram, dan proses estimasi pada MAT Function Point.

TUGAS REKAYASA PERANGKAT LUNAK ( RPL )
MANAGEMENT SOFTWARE PROJECT

Tugas ini diajukan untuk memenuhi salah satu tugas mata kuliah
Rekayasa perangkat Lunak

Disusun Oleh :
Agung Medianto
Asep Muharam

SEKOLAH TINGGI TEKNOLOGI GARUT
(STTG)
2009

Jawaban UAS

2009-03-17T02:48:00.000-07:00

BAB 1
PENDAHULUAN
SIKLUS PENDAPATAN

I. PENDAHULUAN
Pada umumnya perusahaan dagang didirikan untuk mendapatkan keuntungan yang sebesar-besarnya. Guna mendapatkan keuntungan tersebut perusahaan perlu melakukan siklus pendapatan yang terdiri dari pesanan penjualan, pengiriman barang, penagihan dan piutang usaha, serta penagihan kas.
Siklus pendapatan adalah rangkaian aktivitas bisnis dan kegiatan pemrosesan informasi terkait yang terus berulang dengan menyediakan barang dan jasa ke para pelanggan dan menagih kas sebagai pembayaran dari penjualan-penjualan tersebut.
Integritas data merupakan suatu hal yang sangat penting dalam Relational Database Management System (RDBMS). Data disimpan dalam bentuk tabel dimana antara satu tabel dengan tabel yang lain dapat saling berhubungan. Dalam DBMS MySOL, integritas data belum sepenuhnya dapat dipelihara. Hal ini cukup berbeda dibandingkan DBMS lain seperti PostgreSQL dan Oracle yang mempunyai feature untuk memelihara integritas referensial data.

I.I TUJUAN
Tujuan utama siklus pendapatan adalah untuk menyediakan produk yang tepat ditempat dan waktu yang tepat dengan harga yang sesuai. Guna mencapai tujuan tersebut, pihak manajemen harus membuat beberapa keputusan penting berikut ini :
1. Sejauh apakah produk dapat dan harus disesuaikan dengan tiap kebutuhan dan keinginan pelanggan?
2. Seberapa banyak persediaan yang harus dimiliki, dan di manakah persediaan tersebut ditempatkan?
3. Bagaimana seharusnya barang dagangan dikirim kepada pelanggan? Haruskah perusahaan melakukan fungsi pengiriman sendiri atau menggunakan pihak ketiga yang mengkhususkan diri dalam pengiriman?
4. Berapakah harga optimal untuk setiap produk atau jasa?
5. Haruskah kreditnya ditawarkan kepada pelanggan?
6. Berapa banyak kredit yang seharusnya diberikan ke tiap pelanggan?
7. Apa syarat-syarat kredit yang seharusnya diberikan?
8. Bagaimana pembayaran pelanggan dapat diproses untuk memaksimalkan arus kas?

BAB II
PEMBAHASAN

1. Proses Modelling
1.1. DFD

1. Entri Pesanan Penjualan
Siklus pendapatan dimulai dengan penerimaan pesanan dari para pelanggan. Departeman bagian pesanan penjualan, yang bertanggung jawab pada wakil direktur utama bagian pemasaran, melakukan proses entri pesanan penjualan. Gambar menunjukkan bahwa proses entri pesanan penjualan mencakup tiga tahap: mengambil pesanan dari pelanggan, memeriksa dan menyetujui kredit pelanggan, serta memeriksa ketersediaan persediaan dan juga menjawab permintaan pelanggan.
A. AKTIVITAS BISNIS SIKLUS PENDAPATAN
Gambar menunjukkan empat aktivitas dasar bisnis yang dilakukan dalam siklus pendapatan

a. Mengambil pesanan pelanggan
Pesanan pelanggan dapat diterima dalam berbagai cara: di toko, melalui surat, melalui telepon, melalui web site, atau melalui tenaga penjualan di lapangan. Salah satu cara untuk meningkatkan efisiensi entri pesanan penjualan adalah dengan mengizinkan para pelanggan untuk memasuki data pesanan penjualan sendiri. Hal ini secara otomatis akan tercapai untuk penjualan melalui web site, tetapi hal ini juga dapat dicapai baik dalam penjualan melalui toko maupun surat.
Web site menyediakan cara lain untuk mengotomatisasikan pengentrian pesanan penjualan. Kegunaannya tidak hanya untuk mengurangi biaya yang berkaitan dengan pengambilan pesanan pelanggan, tetapi juga memeberikan peluang untuk meningkatkan penjualan dengan memungkinkan pelanggan untuk mendesain produk mereka sendiri. Sistem entri pesanan penjualan interaktif semacam ini disebut sebagai
Saat ini juga terdapat cara lain untuk meningkatkan proses entri pesanan penjualan melibatkan penggunaaan Electronic Data Interchange (EDI) untuk berhubungan secara langsung dengan pelanggan. Dengan menggunakan EDI, toko-toko ritel akan mengirim pesanan mereka langsung ke sistem pesanan penjualan AOE dalam sebuah format yang akan menghilangkan kebutuhan atas entri data.
Bagaimanapun data pesanan pelanggan diterima pada awalnya, merupakan hal yang penting bahwa semua data yang dibutuhkan untuk memproses pesanan tersebut dikumpulkan dan dicatat secara akurat. Oleh sebab itu, pemeriksaan edit berikut ini harus dilakukan untuk memastikan akurasi yang menyeluruh:
- Pemeriksaan validitas
- Uji kelengkapan
- Uji kewajaran
Sewaktu pemeriksaan ini dilakukan, data dicatat dalam dokumen pesanan penjualan. Dokumen tersebut biasanya merupakan formulir elektronik yang ditampilkan di layar monitor komputer. Seperti yang diperlihatkan dalam Gambar 11-5 pesanan penjualan berisi informasi nomor barang, jumlah, harga, dan syarat penjualan lainnya.

PESANAN PENJUALAN
Riau Computer
09223 Garut

Dijual Kepada : Hardware City Dikirim Kepada : Hardware City
35 Appliance Way 93938 Mesa. Dr Meza

Tanggal

23 januari
2009 Pesanan Pembelian
Pelanggan No :

7291 Tanggal Penjualan

JKL Intriksi Pengiriman

Kilat

Jumlah Yang di Pesan Jumlah yang di kirim Jumlah Yang di pesan Ulang No Barang Keterangan Harga per Unit Jumlah
100 100 2741 17.95 1.795,00
50 50 3315 49.95 2.497.50
CONTOH PESAN PENJUALAN

b. Persetujuan kredit
Sebagian besar penjualan antarperusahaan dilakukan secara kredit. Penjualan secara kredit harus disetujui sebelum diproses. Bagi pelanggan lama dengan catatan pembayaran yang baik, pemeriksaan kredit formal untuk setiap penjualan biasanya tidak dibutuhkan. Pada kasus semacam ini, menyetujui kredit bagi pelanggan melibatkan pemeriksaan file induk pelanggan untuk memverifikasi saldo yang ada, mengidentifikasi batas kredit pelanggan, dan memverifikasi bahwa jumlah pesanan tersebut ditambah dengan saldo rekening yang tidak melebihi batas kredit ini. Proses ini dapat diotomatisasikan dengan menggunakan pemeriksaan edit lainnya selama proses entri pesanan, yaitu pemeriksaan batas.
- Pemeriksaan batas dapat membandingkan jumlah pesanan dan saldo rekening pelanggan yang ada dengan batas kredit pelanggan tersebut. (Apabila pesanan baru tersebut tidak menyebabkan saldo rekening pelanggan melebihi batas kredit, maka pesanan tersebut diterima. Apabila pesanan yang diajukan akan menyebabkan saldo rekening pelanggan melebihi batas kredit, maka pesan e-mail akan dikirim ke manajer bagian kredit untuk memutuskan apakah pesanan tersebut disetujui atau ditolak).
Otorisasi khusus untuk menyetujui kredit digunakan bagi para pelanggan baru, ketika sebuah pesanan melebihi batas kredit pelanggan tersebut, atau ketika pelanggan tersebut memiliki saldo lewat jatuh tempo yang belum dibayar. Otorisasi jenis ini harus dilakukan oleh manajer bagian kredit.

c. Memeriksa ketersediaan persediaan
Langkah berikutnya adalah menetapkan apakah tersedia cukup persediaan untuk memenuhi pesanan tersebut, agar pelanggan dapat diinformasikan mengenai perkiraan tanggal pengiriman.
Apabila tersedia cukup banyak persediaan untuk memenuhi pesanan tersebut, pesanan penjualan tersebut dilengkapi dan kolom jumlah yang tersedia dalam file persediaan untuk setiap barang dikurangi sejumlah barang yang dipesan.. Apabila tidak tersedia cukup banyak persediaan di perusahaan untuk memenuhi pesanan tersebut, pemesanan ulang (back order) untuk barang-barang tersebut harus dibuat.
Ketika ketersediaan pesediaan telah dipastikan, sistem tersebut kemudian akan membuat kartu pengambilan barang (picking ticket) yang berisi daftar jenis barang-barang, dan jumlah setiap jenis barang, yang dipesan pelanggan. Kartu pengambilan memberikan otorisasi bagi bagian pengawasan persediaan untuk melepaskan barang dagangan ke bagian pengiriman.
Guna lebih meningkatkan efisiensi, kartu pengambilan barang sering kali mendaftar barang dalam urutan tempat mereka disimpan dalam gudang daripada dalam bentuk pesanan yang didaftar dalam pesanan penjualan.

d. Menjawab permintaan pelanggan
Pelayanan pelanggan adalah hal yang begitu penting hingga perusahaan-perusahaan mengunakan software khusus, yang disebut sistem manajemen pelayanan pelanggan (Customer Relationship Management-CRM), untuk mendukung proses penting ini. Sistem CRM membantu mengatur data terinci mengenai para pelanggan hingga data tersebut dapat digunakan untuk memfasilitasi layanan yang lebih efisien serta personal.
Tujuan dari CRM adalah untuk mempertahankan pelanggan. Sistem CRM seharusnya dilihat sebagai suatu cara untuk meningkatkan pelayanan pelanggan yang diberikan. Tujuannya adalah untuk mengubah pelanggan yang loyal menjadi pelanggan yang puas dengan cara memperdalam hubungan tersebut.
Akan tetapi, banyak permintaan pelanggan merupakan hal yang bersifat rutin. Sebagai konsekuensinya, perusahaan dapat dan harus menggunakan TI untuk mengotomatisasikan jawaban atas permintaan yang umum, seperti pertanyaan mengenai saldo rekening dan status pesanan, agar pegawai bagian pesanan penjualan dan pelayanan pelanggan dapat memusatkan waktu dan tenaga mereka untuk menangani permintaan yang lebih rumit dan tidak biasa. Contohnya, web site memberikan alternatif yang efektif (frequently asked question-FAQs). Web site yang sulit digunakan dapat benar-benar mempersulit penjualan karena membuat frustasi pelanggan dan menciptakan rasa tidak senang. Sebaliknya, Web site yang di desain dengan baik dapat memberikan pandangan ke dalam yang dapat mengarah pada peningkatan penjualan.

2. Pengiriman
Aktivitas dasar kedua dalam siklus pendapatan adalah memenuhi pesanan pelanggan dan mengirimkan barang dagangan yang diinginkan tersebut.

Proses ini terdiri dari dua tahap:
1. Mengambil dan mengepak pesanan
2. Mengirim pesanan tersebut
Departemen bagian penggudangan dan pengiriman melakukan aktivitas ini.

a. Ambil dan pak pesanan
Kartu pengambilan barang yang dicetak sesuai dengan entri pesanan penjualan akan memicu proses pengambilan dan pengepakan. Para pekerja bagian gudang menggunakan kartu pengambilan barang untuk mengidentifikasi produk mana, dan jumlah setiap produk untuk mengeluarkannya dari persediaan. Persediaan kemudian akan dipindahkan ke departemen pengiriman.
Sistem gudang otomatis tidak hanya memotong biaya dan meningkatkan efisiensi dalam menangani persediaan, tetapi juga memungkinkan pengiriman yang lebih responsif ke pelanggan.

b. Kirim pesanan
Departemen pengiriman membandingkan perhitungan fisik persediaan dengan jumlah yang ditunjukkan dalam kartu pengambilan barang dan dengan jumlah yang ditunjukkan dalam salinan pesanan penjualan yang dikirim secara langsung ke bagian pengiriman dari entri pesanan penjualan.
Dokumen pengiriman adalah kontrak legal yang menyebutkan tanggung jawab atas barang yang dikirim. Departemen pengiriman menyimpan salinan kedua dokumen pengiriman untuk melacak dan mengkonfirmasikan pengiriman barang ke kurir tersebut. Salinan lainnya dari dokumen pengiriman dan slip pengepakan dikirim ke departemen penagihan untuk menunjukkan bahwa barang tersebut telah dikirim dan faktur penjualan harus dibuat serta dikirim. Kurir tersebut juga menahan satu salinan dokumen pengiriman untuk catatan mereka.
Keputusan penting lainnya berkaitan dengan pusat-pusat distribusi. Semakin banyak perusahaan yang meminta para pemasok dan pabrik untuk mengirimkan berbagai produk hanya jika dibutuhkan. Akibatnya, para pemasok dan pabrik harus menggunakan software sistem logistik untuk mengidentifikasi lokasi optimal menyimpan persediaan agar dapat meminimalkan jumlah total persediaan yang dimiliki serta memenuhi setiap permintaan pengiriman pelanggan.
Globalisasi menambah kerumitan logistik outbound. Efisiensi dan efektivitas metode distribusi yang berbeda, seperti menggunakan truk atau kereta, berbeda di seluruh dunia. Pajak dan peraturan di berbagai negara dapat juga mempengaruhi pilihan atas distribusi.

Sistem komunikasi canggih dapat memberikan informasi secara real-time mengenai status pengiriman, dan oleh karenanya memberikan nilai tambah bagi para pelanggan. Contohnya, apabila penjual mengetahui bahwa suatu pengiriman akan terlambat, pemberitahuan awal dapat membantu pelanggan merevisi rencana-rencana mereka sesuai kondisi tersebut.

3. Penagihan dan Piutang Usaha

Pesanan Slip
Penjualan Pengepakan

Dokumen Pengiriman
Faktur
Penjualan Penjualan

Pelanggan Penjualan

Laporan Bulanan

Daftar
Pengiriman
Uang

a. Penagihan
Penagihan yang akurat dan tepat waktu atas barang dagangan yang dikirimkan adalah hal yang penting. Aktivitas penagihan hanyalah aktivitas pemrosesan informasi yang mengemas ulang serta meringkas informasi dari entri pesanan penjualan dan aktivitas pengiriman. Aktivitas ini membutuhkan informasi dari departemen pengiriman yang mengidentifikasikan barang dan jumlah yang dikirimkan, serta informasi mengenai harga dan syarat khusus penjualan lainnya dari departemen penjualan.
Dokumen dasar yang dibuat dalam proses penagihan adalah faktur penjualan, yang memberitahukan pelanggan mengenai jumlah yang harus dibayar dan ke mana harus mengirimkan pembayaran.
Teknologi informasi memberikan peluang untuk mengurangi biaya yang berhubungan dengan penagihan. Mengirimkan faktur ke perusahaan melalui EDI ( electronic data interchange ) lebih cepat dan lebih murah daripada mengirimkan dokumen kertas. Bisnis yang menjual langsung ke pemakai bisa memperoleh keuntungan yang serupa dengan meyakinkan para pelanggan mereka untuk menandatangani penagihan dan pembayaran on – line dengan menggunakan internet. Faktur EDI dan pembayaran on – line juga menguntungkan pelanggan dengan mengurangi waktu dan biaya yang berhubungan dengan pemrosesan dokumen kertas.

b. Pemeliharaan data piutang usaha
Fungsi piutang usaha, yang bertanggung jawab kepada controller, melakukan dua tugas dasar : Menggunakan informasi dalam faktur penjualan untuk mendebit rekening pelanggan dan karenanya mengkredit rekening tersebut ketika pembayaran diterima.
Dua cara dasar untuk memelihara data piutang usaha adalah sebagai berikut :
1) Metode faktur terbuka
Para pelanggan biasanya membayar sesuai jumlah setiap faktur penjualan. Biasanya dua salinan faktur dikirimkan ke para pelanggan yang diminta untuk mengembalikan satu salinan bersama pembayaran. Salinan ini adalah dokumen yang dapat dikirimkan kembali ( turnaround document ) dan disebut sebagai pemberitahuan pengiriman uang ( remittance advice ). Pembayaran dari para pelanggan kemudian dihubungkan dengan faktur penjualan terkait.

Keuntungan :
• Metode ini kondusif dalam menawarkan diskon untuk pembayaran awal, karena faktur akan secara individual ditelusuri dan dihitung umurnya.
• Metode ini juga menghasilkan pola arus penagihan kas yang seragam di sepanjang bulan.
Kelemahan :
Metode ini menambahkan kerumitan yang harus dilakukan untuk mrmelihara informasi mengenai status setiap faktur untuk setiap pelanggan.
2) Metode pembayaran gabungan
Para pelanggan biasanya membayar sesuai dengan jumlah yang diperlihatkan pada laporan bulanan, bukan membayar setiap jumlah pada faktur penjualan. Sebuah laporan bulanan yang berisi semua transaksi, termasuk penjualan dan pembayran, yang terjadi selama bulan terakhir dan juga informasi tentang saldo piutang terakhir pelanggan.
Keuntungan :
• Metode ini lebih efisien dan mengurangi biaya dengan menghindari kebutuhan untuk memproses penagihan kas untuk setiap penjualan terpisah
• Pelanggan akan merasa lebih nyaman karena melakukan pengiriman uang hanya satu kali dalam sebulan.

c. Pengecualian : penyesuaian rekening dan penghapusan
Penyesuaian rekening pelanggan kadang kala diperlukan. Contohnya, rekening pelanggang dapat dikreditkan untuk mencerminkan baik pengembalian barang atau potongan yang diberikan atas barang yang rusak. Guna mengkredit rekening pelanggan karena pengembalian barang, manajer bagian kredit harus mendapatkan informasi dari bagian penerimaan barang bahwa barang tersebut benar – benar dikembalikan, serta telah disimpan kembali di gudang.

Dengan adanya pemberitahuan dari departemen penerimaan bahwa barang tersebut telah dikembaliakn, maka manajer kredit akan mengeluarkan nota kredit. Apabila kerusakan barang tersebut sedikit, pelanggan mungkin setuju untuk menerimanya dengan pengurangan harga.
Setelah beberapa kali usaha untuk menagih pembayaran telah gagal, mungkin perlu dilakukan penghapusan rekening pelanggan.

4. Penagihan Kas
Langkah terakhir dalam siklus pendapatan adalah penagihan kas. Kasir, orang yang melapor pada bendahara, menagani kiriman uang pelanggan dan menyimpannya di bank.
Oleh karena kas dan cek dari pelanggan dapat dicuri dengan mudah, adalah hal yang penting untuk mengambil langkah – langkah memadai agar menurunkan resiko pencurian. Hal ini berarti fungsi piutang usaha, yang bertanggung jawab atas pencatatan kiriman uang pelanggan, seharusnya tidak memiliki akses fisik ke kas atau cek. Akan tetapi, fungsi piutang usaha harus mampu mengidentifikasi sumber kiriman uang dari mana pun dan faktur penjualan terkait harus di kredit. Salah satu solusinya adalah dengan mengirimkan dua salinan faktur ke pelanggan dan memintanya untuk mengembalikan salah satu salinan tersebut bersama dengan pembayarannya. Pemberitahuan pengiriman uang ini kemudian disirkulasikan ke bagian piutang usaha dan pembayran yang sesungguhnya dari pelanggan dikirim ke kasir. Apabila pemberitahuan pengiriman uang juga berisi bagian untukn pelanggan yang menunjukan jumlah yang dikirim, mesin OCR ( optical character recognition ) dapat memindai data kiriman tersebut, hingga mengurangi potensi kesalahan selama entri data.
Solusi alternatifnya adalh dengan meminta petugas bagian surat – menyurat untuk mempersiapkan daftar pengiriman uang ( remittance list ), yaitu dengan dokumen yang mengidentifikasi nama dan jumlah semua kiriman uang pelanggan, serta mengirimkan daftar ini ke bagian piutang usaha. Cara lainnya untuk menjaga kiriman uang dari pelanggan adalah dengan membuat perjanjian lockbox dengan sebuah bank. Lockbox adalah alamat pos yang dituju oleh pelanggan ketika mereka mengirimkan uang mereka. Bank yang terlibat mengambil cek dari kotak pos dan menyimpannnya ke dalam rekening milik perusahaan. Bank tersebut kemudian mengirimkan pemberitahuan pengiriman uang, sebuah daftar elektonis semua kiriman uang, dan foto kopi semua cek ke perusahaan.

Penggunaan lockbox tidak hanya mencegah pencurian kiriman uang dari pelanggan oleh pegawai, tetapi juga meningkatkan manajemen arus kas. Teknologi informasi dapat memberikan efisiensi tambahan dengan penggunaan locbox. Di bawah kesepakatan electronic locbox, bank secara elektronis mengirimkan informasi pada perusahaan mengenai nomor rekening pelanggan dan jumlah yang dikirim begitu bank menerima dan memindai cek – cek tersebut. Metode ini memungkinkan perusahaan untuk mengakui kiriman uang rekening pelanggan sebelum foto kopui cek diterima perusahaan.

B. PROSEDUR PEMROSESAN INFORMASI
Sistem pemrosesan pesanan penjualan on – line menangani pesanan pelanggan, melalui internet, dan juga pesanan melalui tenaga penjual. Dengan menggunakan laptop mereka, tenaga penjual dapat memasukan pesanan secara langsung dalam field, atau departemen penjualan dapat memasukan pesanan pelanggan yang diterima melalui telepon atau surat.
Bagaimana pun cara pesanan pada awalnya diterima, system tersebut dengan cepat akian memverifikasi dapat tidaknya pelanggan diberikan kredit, memeriksa ketersediaan persediaan, dan memberitahukan departemen penggudangan dan pengiriman mengenai penjualan yang telah disetujui tersebut.
Perbaikan utama mengenai siklus pendapatan pada AOE :
1) Entri pesanan secara real – time mendeteksi kesalahan
2) Keputusan persetujuan kredit dapat dibuat pada waktu pelanggan menyerahkan pesanannya.
3) Catatan persediaan lebih akurat dan tepat waktu
4) Departemen penggudangan dan pengiriman dapat merencanakan berbagai aktivitas dengan lebih baik untuk meminimalkan waktu yang dibutuhkan dalam memenuhi peasanan pelanggan.
5) Sistem tersebut membandingkan data yang dimasukkan oleh bagian pengiriman dengan yang berada di file pesanan penjualan.
6) Penerimaan kas diproses dengan lebih cepat, hingga meningkatkan arus kas.
7) Laporan dan ukuran kinerja lebih tepat waktu, hingga meningkatkan kemampuan pihak manajemen untuk mengawasi dan memperbaiki efisiensi dan efektivitas.

Untuk mewujudkan manfaat – manfaat ini dibutuhkan pengendalian yang memadai untuk memastikan bahwa informasi dalam system tersedian, akurat, aman, dan dapat dipelihara.

C. PENGENDALIAN : TUJUAN, ANCAMAN, DAN PROSEDUR
Dalam siklus pendapatan, sistem informasi yang baik harus menyediakan pengendalian yang memadai untuk untuk memastikan tujuan-tujuan telah tercapai, antara lain :
1. Semua transaksi telah diotorisasi dengan benar
2. Semua transaksi yang dicatat valid/benar terjadi
3. Semua transaski telah dicatat dengan akurat
4. Aset perusahaan dijaga dari kehilangan atau pencurian
5. Aktivitas bisnis dilaksanakan secara efisien dan efektif

Dalam pembahasan ini, siklus pendapatan terbagi menjadi empat tahap, antara lain :
1. Entri pesanan penjualan
2. Pengiriman
3. Penagihan dan piutang usaha
4. Penagihan kas

TAHAP 1 : ENTRI PESANAN PENJUALAN
Tujuan utama proses entri pesanan penjualan adalah :
1. Memproses pesanan pelanggan secara akurat dan efisien.
2. Memastikan perusahaan akan dibayar untuk semua penjualan secara kredit.
3. Memastikan semua penjualan sah, serta meminimalkan kerugian atau hilangnya pendapatan.

Ancaman/kendala dan pengendalian dalam tahap entri pesanan penjualan, antara lain :
1. Pesanan pelanggan tidak lengkap/akurat
Akibat :
• Menimbulkan inefisiensi dalam hal waktu dan biaya, karena harus menghubungi kembali pelanggan.
• Selain itu dapat mempengaruhi persepsi pelanggan dan berpengaruh buruk terhadap penjualan di masa mendatang.
Pengendalian :
• Pemeriksaan kelengkapan data dengan lebih teliti.
• Menyimpan data referensi pelanggan seperti alamat, no.telepon, kontak person, dll.

2. Penjualan kredit ke pelanggan yang memiliki catatan/kriteria kredit buruk
Akibat :
• Kurangnya pengawasan terhadap penjualan kredit menyebabkan saldo piutang pelanggan melebihi batas kredit yang disetujui.
• Hal diatas bisa menyebabkan melakukan penjualan kredit yang kemudian menjadi tidak tertagih.
Pengendalian :
• Menetapkan batas kredit kepada setiap pelanggan
• Persetujuan kredit diberikan oleh seseorang yang memiliki otorisasi yang bukan merupakan sales representatif.
• Memelihara catatan yang akurat dan terbaru mengenai saldo rekening pelanggan dan batas kredit.

3. Keabsahan pesanan
Keabsahan pesanan pelanggan biasanya didapat melalui penerimaan pesanan yang telah ditandatangani oleh pelanggan. Bersama peningkatan transaksi bisnis secara elektronis, penggunaan tanda tangan elektronis disyaratkan untuk memverifikasi indentitas setiap pihak.

4. Kehabisan persediaan, biaya gudang dan pengurangan harga
Akibat :
• Penjualan akan hilang karena kehabisan persediaan.
• Sedangkan persediaan berlebih akan meningkatkan biaya gudang, bahkan memerlukan pengurangan harga yang signifikan.
Pengendalian :
• Perusahaan membuat sistem pengendalian yang akurat.
• Memfasilitasi penggunaan metode persediaan perpetual.
• Perhitungan fisik persediaan secara periodik
• Mengawasi kinerja pemasok seperti tingkat pengiriman yang tepat waktu.

TAHAP II : PENGIRIMAN
Tujuan utama fungsi pengiriman adalah untuk memenuhi pesanan pelanggan secara efisien dan akurat serta untuk menjaga persediaan yang baik guna mendukung penjualan.
Ancaman/kendala dan pengendalian dalam tahap pengiriman, antara lain :

1. Kesalahan pengiriman
Akibat :
• Kesalahan pengiriman dapat mengurangi kepuasan pelanggan dan juga penjualan selanjutnya di masa mendatang.
• Selain itu juga menyebabkan hilangnya aset apabila pelanggan tidak membayar atas barang yang salah kirim.

Pengendalian :
• Kesalahan tersebut dapat dicegah dengan mendeteksi yaitu membandingkan data pengiriman dengan pesanan penjualan.
• Selain itu penggunaan pengendalian aplikasi seperti pemeriksaan lapangan dan uji kelengkapan.
• Memverifikasi antara slip pengepakan dengan dokumen pengiriman yang telah dicetak.

2. Pencurian persediaan
Akibat :
• Hilangnya persediaan karena pencurian merupakan suatu kerugian yang besar bagi perusahaan.
• Selain itu catatan persediaan menjadi tidak akurat, yang menyebabkan masalah dalam memenuhi pesanan pelanggan.
Pengendalian :
• Persediaan disimpan dalam lokasi yang aman dengan pembatasan akses secara fisik.
• Transfer persediaan harus didokumentasikan dengan akurat, selain itu persediaan harus direkonsiliasi secara periodik.
• Pegawa bagian persediaan juga harus diberikan tanggung jawab atas penyimpanan persediaan terhadap kekurangan apapun.

TAHAP III : PENAGIHAN DAN PIUTANG USAHA
Tujuan utama fungsi penagihan dan piutang usaha adalah untuk memastikan bahwa para pelanggan ditagih untuk semua penjualan, faktur telah akurat dan catatan piutang pelanggan dicatat secara akurat.
Ancaman/kendala dan pengendalian dalam tahap penagihan dan piutang usaha, antara lain :
1. Kegagalan untuk menagih pelanggan
Akibat :
1. Kegagalan menagih pelanggan mengakibatkan kerugian aset dan kesalahan dalam data penjualan, persediaan, piutang usaha.

2. Selain itu perkiraan piutang tidak tertagih menjadi besar.
Pengendalian :
1. Pemisahan fungsi pengiriman dan penagihan.
2. Dokumen penjualan hendaknya diberi nomor secara berurutan.

2. Kesalahan dalam penagihan
Akibat :
1. Kelebihan penagihan menyebabkan ketidakpuasan pelanggan.
2. Kekurangan penagihan mengakibatkan kerugian perusahaan.
Pengendalian :
1. Menyimpan data penjualan dan data piutang dengan benar dan tepat serta aman.
2. Rekonsiliasi antara pesanan penjualan dengan slip pengiriman sebelum penagihan ke pelanggan.

TAHAP IV : PENAGIHAN KAS
Tujuan utama dari fungsi penagihan kas adalah untuk menjaga kiriman uang pelanggan dan juga terhadap pencurian kas. Prosedur pengendalian yang efektif adalah pegawai yang memiliki akses secara fisik ke kas harus tidak memiliki tanggung jawab untuk mencatat transaksi apapun yang melibatkan penerimaan kas.
Secara khusus pasangan tugas berikut harus dipisahkan :
1. Menangani kas atau cek serta memasukkan data pembayaran
Seseorang yang melakukan kedua tugas ini dapat melakukan jenis penggelapan khusus yang disebut gali lubang tutup lubang/lapping.
2. Menangani kas atau cek dan mengotorisasi nota kredit
Seseorang yang melakukan tugas ini dapat menutupi pencurian kas dengan cara membuat nota kredit yang sama dengan jumlah yang telah dicuri.
3. Membuat nota kredit dan memelihara rekening pelanggan
Seseorang yang melakukan kedua tugas ini dapat menghapus jumlah tidak tertagih yang merupakan hutang dari teman-temannya.

Pengendalian lain untuk tahap penagihan kas adalah :
1. Semua kiriman uang pelanggan harus harus disimpan secara utuh dan disetor ke bank setiap hari.
2. Penyetoran kas dan cek ke bank setiap hari mengurangi resiko untuk dicuri atau digelapkan.
3. Pegawai yang merekonsiliasi laporan bank harus independen dari semua aktivitas yang melibatkan penanganan atau pencatatan penerimaan kas.
4.
MASALAH UMUM PENGENDALIAN
Tujuan umum yang berhubungan dengan semua aktivitas dalam siklus pendapatan adalah bahwa data tersedia ketika dibutuhkan dan bahwa semua aktivitas dilakukan secara efisien dan efektif.
1. Kehilangan data
Akibat :
• Kehilangan semua data piutang usaha dapat mengancam kelangsungan hidup perusahaan.
• Selain itu membocorkan rahasia pelanggan ke pesaing dapat menurunkan penjualan dan bahkan membuat perusahaan menghadapi tanggung jawab hukum.
Pengendalian :
• File induk piutang usaha, penjualan, penerimaan kas dibuat cadangan secara teratur.
• Disk dan Tape diberi label file agar tidak terhapus secara tidak sengaja
• Sistem harus diberi password dan ID pemakai untuk melindungi file yang penting.

2. Kinerja yang kurang baik
Akibat :
• Pelaksanaan tugas menjadi tidak efisien dan tidak efektif.
• Hal yang lain adalah dapat mempengaruhi kepuasan pelanggan.
Pengendalian :
• Menetapkan dasar / standar penilaian terhadap efisiensi dan efektifitas.
• Membuat laporan secara periodik untuk penilaian dan analisis terhadap sistem kerja dan kinerja karyawan.

D. KASUS INTEGRATIF : RIAU COMPUTER
Riau Computer memproduksi berbagai produk elektronik sehari-hari, termasuk kalkulator, jam digital, radio, pager, mainan, game, dan peralatan dapur kecil. Linda Spurgeon, direktur utama Riau Computer, mengadakan rapat dengan para eksekutif perusahaan untuk mendiskusikan dua masalah penting. Pertama, Riau Computer telah mengalami penyusutan pangsa pasar selama tiga tahun terakhir. Kedua, masalah arus kas telah meningkatkan desakan untuk melakukan pinjaman jangka pendek.
Daftar umur piutang usaha yang terbaru menunjukan peningkatan yang signifikan atas jumlah piutang pelanggan yang jatuh tempo. Akibatnya, Riau Computer harus menambah pinjaman jangka pendeknya karena penundaan dalam penagihan pembayaran pelanggan. Selain itu, Best Value Company, jaringan ritel yang selama ini menjadi salah satu pelanggan utama Riau Computer, baru-baru ini bangkrut. Elizabeth mengakui bahwa ia tidak yakin apakah Riau Computer akan dapat menagih dari Best Value sejumlah piutang yang telah jatuh tempo. Linda merasa frustasi dengan kurangnya informasi rinci mengenai kedua masalah tersebut.
Secara khusus, Linda meminta Elizabeth, Trevor, dan Ann untuk menangani masalah-masalah berikut ini :
1. Bagaimana Riau Computer dapat meningkatkan pelayanan kepada pelanggan? Informasi apakah yang dibutuhkan bagian pemasaran untuk melaksanakan tugasnya dengan lebih baik?
2. Bagaimana Riau Computer dapat mengidentifikasi para pelanggan dan pasarnya yang paling menguntungkan?
3. Bagaimana Riau Computer dapat meningkatkan pengawasan atas rekening kreditnya? Bagaimana suatu perubahan dalam kebijakan kredit mempengaruhi baik penjualan maupun piutang tidak tertagih?
4. Bagaimana Riau Computer dapat meningkatkan prosedur penagihan kasnya?

III. KESIMPULAN
Keempat aktivitas dasar dalam siklus pendapatan adalah entri pesanan penjualan, pengiriman, penagihan dan piutang usaha, serta penagihan kas. SIA harus didesain untuk memaksimalkan efisiensi dimana setiap fungsi ini dilakukan. SIA juga harus memsukkan prosedur pengendalian internal yang memadai untuk menurunkan ancaman seperti penjualan yang tidak tertagih, kesalahan dalam penagihan, serta hilangnya atau penyalahgunaan persediaan dan kas.
Pada rapat tingkat eksekutif berikutnya, Elizabeth meringkas proposal yang dikembangkan oleh dirinya, Trevor, dan Ann untuk memberikan informasi yang dibutuhkan agar dapat mengelola secara lebih baik hubungan dengan pelanggan dan arus kas. Beberapa dari rekomendasi tersebut adalah sebagai berikut :
1. Melengkapi tenaga penjualan dengan komputer laptop sentuh. Trevor Whitman, wakil direktur utama bagian pemasaran, yakin bahwa Riau Computer masih akan membutuhkan pegawai bagian penjualannya untuk mengunjungi para pelanggan, agar dapat mengidentifikasi produk tambahan mana yang dapat menguntungkan jika dipertahankan.
2. Meningkatkan efisiensi proses penagihan dengan meningkatkan jumlah pelanggan yang setuju untuk berpartisipasi dalam hubungan penjualan tanpa faktur, jika memungkinkan, melalui EDI (Electronic Data Interchange) untuk mengirimkan faktur-faktur ke para pelanggan tersebut yang masih membutuhkannya.
3. Dalam usaha untuk memperbaiki layanan pelanggan, bekerja sama dengan para pelanggan utama untuk mendapatkan akses ke data POS (Point of Sale) mereka agar Riau Computer dapat membantu mereka untuk mengelola dengan lebih baik persediaan produk mereka.
4. Secara periodik survei para pelanggan mengenai kepuasan mereka dengan produk-produk dan kinerja Riau Computer.
5. Perbaiki efisiensi penagihan kas dengan mendorong para pelanggan yang memiliki kemampuan EDI untuk berpindah ke FEDI (Financial Electronic Data Interchange) agar Riau Computer menerima baik dana maupun data kiriman uangnya secara bersamaan.
6. Melakukan follow up ke konsumen mengenai tagihan yang akan jatuh tempo, data tagihan ini di dukung oleh sistem akuntansi.
7. Melakukan konfirmasi piutang.

DAFTAR PUSTAKA

Marshall B. Romney dan Paul John Steinbart, 2005. Sistem Informasi Akuntansi. Edisi Kesembilan. Jakarta : Salemba Empat.

DAFTAR ISI

KATA PENGANTAR ……………………………………………… i
DAFTAR ISI ……………………………………………………… ii
I. PENDAHULUAN ……………………………………………… 1
II. PEMBAHASAN
A. AktivitasBisnis Siklus Pendapatan ……..….………………… 2
1. Entri Pesanan Penjualan …….………………………. 2
2. Pengiriman ……………………………………………. 7
3. Penagihan dan Piutang Usaha ………………………… 10
4. Penagihan Kas …………………………………………. 12
B. Prosedur Pemrosesan Informasi …….……………………….. 13
C. Pengendalian : Tujuan, Ancaman, dan Prosedur ……………… 14
D. Kasus ……………………………………………………… 19

III. KESIMPULAN …………………………………………….. 20
DAFTAR PUSTAKA ……………………………………………… 22

MAKALAH
SIKLUS PENDAPATAN

Makalah ini di ajukan untuk Memenihi Salah Satu Jawban UAS
Mata Pelajaran Sistem Basis Data (SBD

Disusun oleh :
Asep muharam (0606012)

JURUSAN TEKNIK INFORMATIKA
SEKOLAH TINGGI TEKNOLOGI GARUT (STTG)
2009

KATA PENGANTAR

Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa, yang telah melimpahkan rahmat dan kekuatan sehingga penulis dapat menyelesaikan makalah ini. Penyusunan makalah ini dimaksudkan untuk memenuhi sebagian dari tugas sistem informasi akuntansi.

Penulis menyadari bahwa makalah ini masih jauh dari sempurna terutama karena keterbatasan kemampuan penulis. Segenap kemampuan telah penulis curahkan untuk dapat menyelesaikan makalah ini. Namun demikian penulis menyadari bahwa masih banyak terdapat kekurangan dalam penyusunan makalah ini. Oleh karena itu, penulis mengharapkan kritik dan saran dari para pembaca agar pada masa yang akan datang penulis dapat memperbaikinya.

Penulis berharap bantuan yang telah diberikan kepada penulis mendapat imbalan yang setimpal dari Tuhan Yang Maha Esa, dan akhirnya penulis mengharapkan mudah-mudahan skripsi ini bermanfaat bagi para pembaca.

Garut, Januari 2009

Penulis

pengantar pemrograman non prosedural

2008-09-24T19:11:00.001-07:00

BAB 1
PENDAHULUAN

1.1 Definisi
Basis data (bahasa Inggris: database), atau sering pula dieja basisdata, adalah kumpulan informasi yang disimpan di dalam komputer secara sistematik sehingga dapat diperiksa menggunakan suatu program komputer untuk memperoleh informasi dari basis data tersebut. Perangkat lunak yang digunakan untuk mengelola dan memanggil kueri (query) basis data disebut sistem manajemen basis data (database management system, DBMS). Sistem basis data dipelajari dalam ilmu informasi.
Istilah "basis data" berawal dari ilmu komputer. Meskipun kemudian artinya semakin luas, memasukkan hal-hal di luar bidang elektronika, artikel ini mengenai basis data komputer. Catatan yang mirip dengan basis data sebenarnya sudah ada sebelum revolusi industri yaitu dalam bentuk buku besar, kwitansi dan kumpulan data yang berhubungan dengan bisnis.
Konsep dasar dari basis data adalah kumpulan dari catatan-catatan, atau potongan dari pengetahuan. Sebuah basis data memiliki penjelasan terstruktur dari jenis fakta yang tersimpan di dalamnya: penjelasan ini disebut skema. Skema menggambarkan obyek yang diwakili suatu basis data, dan hubungan di antara obyek tersebut. Ada banyak cara untuk mengorganisasi skema, atau memodelkan struktur basis data: ini dikenal sebagai model basis data atau model data. Model yang umum digunakan sekarang adalah model relasional, yang menurut istilah layman mewakili semua informasi dalam bentuk tabel-tabel yang saling berhubungan dimana setiap tabel terdiri dari baris dan kolom (definisi yang sebenarnya menggunakan terminologi matematika). Dalam model ini, hubungan antar tabel diwakili denga menggunakan nilai yang sama antar tabel. Model yang lain seperti model hierarkis dan model jaringan menggunakan cara yang lebih eksplisit untuk mewakili hubungan antar tabel.
Istilah basis data mengacu pada koleksi dari data-data yang saling berhubungan, dan perangkat lunaknya seharusnya mengacu sebagai sistem manajemen basis data (database management system/DBMS). Jika konteksnya sudah jelas, banyak administrator dan programer menggunakan istilah basis data untuk kedua arti tersebut.

1.2 Perangkat Lunak Basis Data
Perangkat lunak basis data yang banyak digunakan dalam pemrograman dan merupakan perangkat basis data aras tinggi (high level):
DB2
Microsoft SQL Server
Oracle
Sybase
Interbase
XBase
Firebird
MySQL
PostgreSQL
Microsoft Access
dBase III
Paradox
FoxPro

Visual FoxPro
Arago
Force
Recital
dbFast
dbXL
Quicksilver
Clipper
FlagShip
Harbour
Visual dBase
Lotus Smart Suite Approach

Selain perangkat lunak di atas, terdapat juga perangkat lunak pemrograman basis data aras rendah (low level), diantaranya:
Btrieve
Tsunami Record Manager

1.3 Sistem Manajemen Basis Data
Sistem manajemen basis data (Bahasa Inggris: database management system, DBMS), atau kadang disingkat SMBD, adalah suatu sistem atau perangkat lunak yang dirancang untuk mengelola suatu basis data dan menjalankan operasi terhadap data yang diminta banyak pengguna. Contoh tipikal SMBD adalah akuntansi, sumber daya manusia, dan sistem pendukung pelanggan, SMBD telah berkembang menjadi bagian standar di bagian pendukung (back office) suatu perusahaan. Contoh SMBD adalah Oracle, SQL server 2000/2003, MS Access, MySQL dan sebagainya.

1.4 Sistem Manajemen Basis Data Relasional
Sebuah sistem manajemen basisdata relasional atau dalam bahasa Inggrisnya dikenal sebagai relational database management system (RDBMS) adalah sebuah program komputer (atau secara lebih tipikal adalah seperangkat program komputer) yang didisain untuk mengatur/memanajemen sebuah basisdata sebagai sekumpulan data yang disimpan secara terstruktur, dan melakukan operasi-operasi atas data atas permintaan penggunanya. Contoh penggunaan DBMS ada banyak sekali dan dalam berbagai bidang kerja, misalnya akuntansi, manajemen sumber daya manusia, dan lain sebagainya. Meskipun pada awalnya DBMS hanya dimiliki oleh perusahaan-perusahaan berskala besar yang memiliki perangkat komputer yang sesuai dengan spesifikasi standar yang dibutuhkan (pada saat itu standar yang diminta dapat dikatakan sangat tinggi) untuk mendukung jumlah data yang besar, saat ini implementasinya sudah sangat banyak dan adaptatif dengan kebutuhan spesifikasi data yang rasional sehinggal dapat dimiliki dan diimplementasikan oleh segala kalangan sebagai bagian dari investasi perusahaan.

1.4.1 Sejarah atas istilah RDBMS
Edgar F. Codd memperkenalkan istilah ini pada makalah seminarnya yang berjudul "A Relational Model of Data for Large Shared Data Banks". Salah satu definisi yang cukup dikenal secara luas atas sebuah sistem basisdata relasional adalah 12 hukum Codd. Namun demikian, pada awal-awal implementasinya banyak model relasional yang tidak mengikuti seluruh elemen-elemen yang terdapat dalam hukum-hukum Codd tersebut yang menjadikan terminologinya berkembang untuk mendeskripsikan sebuah tipikal sistem basisdata yang lebih luas. Dalam cakupan yang minimum sistem tersebut memenuhi kriteria berikut:
Menyajikan data pada pengguna dalam bentuk relasional (ditampilkan dalam bentuk tabular, sebagai koleksi dari tabel dimana setiap tabel beriisi sekumpulan baris dan kolom)
Menyediakan operator relasioanl untuk memanipulasi data dalam bentuk tabular
Sistem yang pertama kalinya yang secara relatif memenuhi implementasi atas sebuah model relasional adalah Pusat Studi Ilmiah IB, Inggris, di Peterlee; IS1 (1970-1972) dan implementasi lain yang mengikutinya PRTV (1973-1979). Sistem yang pertama kalinya dijual secara komersil sebagai RDBMS adalah Multics Relational Data Srore pada tahun 1978. Yang lainnya adalah Berkeley Ingres QUEL dan IBM BS12.

1.4.2 Pemanfaatan Saat Ini
Ada beberapa ketidaksepahaman terhadap definisi atas "relasional" dari DBMS. Definisi yang paling populer dari sebuah RDBMS seringkali dianggap kurang tepat; beberapa kalangan berargumentasi bahwa penyajian data sebagai kumpulan baris dan kolom sudah cukup memenuhi syarat untuk dikatakan sebagai sebuah RDBMS. Tipikalnya, sebuah sistem basisdata dikatakan memenuhi kriteria sebagai RDBMS apabila memenuhi hukum-hukum yang ditetapkan dalam 12 hukum Codd, namun pada kenyataannya justru kebanyakan sistem basisdata tidak mendukung sepenuhnya implementasi hukum-hukum Codd tersebut.
Kalangan lainnya beranggapan apabila sebuah sistem basisdata tidak mengimplementasikan keseluruhan hukum-hukum Codd tersebut, maka sistem tersebut tidak dapat disebut sebagai relasional. Pandangan seperti ini, yang banyak diterima oleh para teoritis dan kalangan-kalangan lainnya yang memegang teguh prinsip-prinsip Codd, tentunya akan mendiskualifikasikan banyak sistem basisdata yang ada saat ini "tidak murni relasional". Dalam kenyataannya, sistem basisdata yang menggunakan SQL (Structured Query Language) untuk mengakses dan memodifikasi data tidak bisa dikatakan sebagai RDBMS menurut definisi ini. Sementara itu, para pendukung atas sistem basisdata yang ada menyebutkan sebuah sistem basisdata yang menerapkan hanya beberapa dari hukum-hukum Codd tersebut disebut sebagai Sistem Manajemen Basisdata Semi-Relasional/Pseudo-Relational Database Management Systems (PRDBMS). Untuk sistem manajemen basis data yang sepenuhnya menerapkan hukum-hukum Codd tersebut selanjutnya disebut sebagai Sistem Manajemen Basisdata Murni-Relasional/Trully-Relational Database Management Systems (TRDBMS).
Saat ini, hampir seluruh RDBMS yang ada menerapkan SQL sebagai bahasa query namun juga menyediakan dan mengimplementasi beberapa alternatif lainnya. Alpora Dataphor adalah RDBMS yang tersedia secara komersil yang mengikuti secara penuh ke dua belas hukum-hukum Codd tersebut, dan kedua kelompok mengenalnya sebagai RDBMS.

1.4.3 Variasi Dinamis
Keluhan yang muncul dan dikenal secara umum terhadap keberadaan RDBMS adalah kenyataan bahwa implementasi yang ada saat ini dipandang sebagai terlalu "statis". Spekulasipun bermunculan terhadap kemungkinan untuk membuat sebuah sistem basisdata generasi baru yang menggunakan model "relasional secara dinamis" dengan kolom yang bisa dibuat secara dinamis, ukuran yang berkembang secara dinamis, didefinisikan secara dinamis. Setiap baris dapat diimplementasikan sebagai map (kamus ataupun larik asosiatif) dan kolom-kolom yang tidak dikenal secara sederhana disajikan sebagai field kosong. Beberapa kalangan menganggap hal ini menyalahi model relasioal murni, namun kalangan lain menyanggah bahwa sebuah penggunaan map hanyalah sebagai detil implementasi saja. Sehingga dalam pandangan ini, sebuah "kolom yang tidak ditemukan/tidak ada" secara sederhana hanyalah dipandang sebagai perihal interpretasi dan dianggap sebagai pilihan cara penyajian saja.

BAB 2
ARSITEKTUR SISTEM BASIS DATA

Arsitektur system basis data memberikan kerangka kerja bagi pembangunan basis data.
2.1 LEVEL ARSITEKTUR BASIS DATA
Menurut ANSI/SPARC, arsitektur basis data terbagi atas tiga level yaitu :
a.Internal/Physical Level
Berhubungan dengan bagaimana data disimpan secara fisik (physical storage)
b.External /View Level
Berhubungan dengan bagaimana data di representasikan dari sisi setiap user.
c.Conceptual/Logical Level
Yang menghubungkan antara internal & external level
Berikut adalah gambar tiga level arsitektur system basis data :

Contoh dalam sebuah basis data pegawai, ketiga level digambarkan sebagai berikut :
Pada level konseptual, basis data mengandung informasi tenteang sebuah entity yang disebut EMPLOYEE. Setiap EMPLOYEE mempunyai sebuah EMP_NUMBER (6 karakter), DEP_NUMBER(4 karakter) & SALARY (5 digit desimal).
Pada level internal, para pegawai direpresentasikan oleh STRORED_EMP, panjang 20 byte. STORED_EMP terdiri atas 4 field yaitu flag/pointer, 6 byte, tiga field untuk atribut pegawai.
User yang menggunakan PL/I mempunyai sisi pandang level eksternal dimana pegawai direpresentasikan dalam sebuah record yang ditulis dengan sintaks PL/I.
Demikianlah pula user yang menggunakan COBOL mempunyai sisi pandang level eksternal dimana pegawai direpresentasikan dalam sebuah record yang ditulis dengan sintaks COBOL.

2.1.1 External Level /View Level
Adalah level user. Yang dimaksud dengan user adalah programmer, end user atau DBA. Setiap user mempunyai ‘bahasa’ yang sesuai dengan kebutuhannya.
Programmer : bahasa yang digunakan adalah bahasa pemrograman seperti C, COBOL, atau PL/I
End user : bahasa yang digunakan adalah bahasa query atau menggunakan fasilitas yang tersedia pada program aplikasi pada level eksternal ini, user dibatasi pada kemampuan perangkat keras dan perangkat lunak yang digunakan aplikasi basis data. Didefinisikan sebagai sebuah Skema Eksternal.

2.1.2 Conceptual Level / Logical level
Conceptual level adalah sebuah representasi seluruh muatan informasi yang dikandung oleh basis data. Tidak seperti level eksternal maka pada level conceptual, keberadaannya tidak memperhitungkan kekurangan perangkat keras maupun perangkat lunak pembangun aplikasi basis data. Didefinisikan sebagai sebuah Skema Konseptual.

2.1.3 Internal/Physical Level
Adalah level terendah untuk merepresentasikan basis data. Record disimpan dalam media penyimpanan dalam format byte. Didefinisikan sebagai sebuah Skema Internal.

2.2 PEMETAAN
2.2.1 Conceptual/internal Mapping
Yaitu pemetaan yang mendefinisikan hubungan antara level konseptual dan level internal. Pemetaan ini menjelaskan bagaimana record & field pada level konseptual direpresentasikan pada level internal.

2.2.2 External/Conceptual Mapping
Yaitu pemetaan yang mendefinisikan hubungan antara level eksternal dan level konseptual. Contoh : beberapa field dapat mempunyai tipe yang berbeda, field dan nama field dapat berubah, bebeapa field pada level konseptual dapat dikombinasikan ke dalam satu field external.

2.3 MODEL-MODEL DATA
Yang dimaksud dengan model data adalah sekumpulan tool konseptual untuk mendeskripsikan data, relasi-relasi antar data, semantic data & konsistensi konstrain. Bermacam-macam model data terbagi dalam tiga kelompok besar yaitu :
Object-based logical models, record-based logical models, & physical models.

a. Object-based logical Models
Yang termasuk dalam kelompok ini adalah :
Entity-relationship model
Object-oriented model
Semantic data model
Functional data model
Dua dari model di atas yaitu : entity-relationship model & object-oriented model akan dijelaskan lebih detil.
1) Entity-relationship Model
E-R model didasarkan atas persepsi terhadap dunia nyata yanga terdiri dari sekumpulan objek, disebut entity dan hubungan antar objek tersebut, disebut relationship. Entity adalah objek di dunia yang bersifat unik. Setiap entity mempunyai atribut yang membedakannya dengan entity lainnya. Contoh : entity Mahasiswa, mempunyai atribut nama, umur, alamat no. ktm. Pemodelan data dengan model E-R menggunakan diagram E-R. Diagram E-R terdiri dari :
Kotak persegi panjang, menggambarkan himpunan entity
Elip, menggambarkan atribut-atribut entity
Diamon, menggambarkan hubungan antara himpunan entity
Garis, yang menghubungkan antar objek dalam diagram E-R
2) Object-Oriented Model
Model berorientasi objek berbasiskan kumpulan objek. Setiap objek berisi :
Nilai yang disimpan dalam variable instant, dimana variable tersebut “melekat” dengan objek itu sendiri.
Metoda : operasi yang berlaku pada objek yang bersangkutan
Objek-objek yang memiliki tipe nilai & metode yang sama dikelompokkan dalam satu kelas. Kelas disini mirip dengan tipe data abstrak pada bahasa pemrograman.
Sending a message : sebuah objek dapat mengakses data sebuah objek yang lain hanya dengan memanggil metode dari objek tersebut.
b. Record-based logical models
Terdapat beberapa model dalam kelompok ini :
Model Relasional ( Relational Model)
Model relasional menggunakan kumpulan tabel-tabel untuk merepresentasikan data & relasi antar data-data tersebut. Setiap tabel terdiri atas kolom-kolom, dan setiap kolom mempunyai nama yang unik.
Contoh :

Model Jaringan (Network Model )
Data dalam model jaringan direpresentasikan dengan sekumpulan record (Pascal), dan relasi antara data direpresentasikan oleh record & link. Link dipandang sebagai pointer. Record-record diorganisasikan sebagai graf. Contoh, model relasional di atas direpresentasikan dalam model jaringan.

Model Hirarki (Hirarchical Model)
Mirip dengan model jaringan.Data direpresentasikan dalam record dan link. Perbedaannya adalah, record-record diorganisasikan sebagai tree (pohon) daripada graf. Model relasional berbeda dengan model jaringan & hirarki, dalam hal penggunaan pointer atau link.

2.4 BAHASA YANG DISEDIAKAN OLEH SISTEM BASIS DATA
Sebuah system basis data menyediakan dua tipe bahasa yaitu : tipe untuk menspesifikasikan skema basis data, disebut DDL, dan tipe untuk mengekspresikan queri atau update basis data, disebut MDL.

2.4.1 Data-definition Language
Skema basis data dispesifikasikan oleh sekumpulan definisi dengan sebuah bahasa khusus yang disebut data-definition language (DDL). Hasil kompilasi DDL berupa tabel-tabel yang disimpan dalam sebuah file, disebut data dictionary (kamus data) atau data directory. Kamus data adalah sebuah file yang berisi metadata. File ini yang dikonsultasi sebelum data yang sebenarnya dibaca atau dimodifikasi oleh system basis data.

2.4.2 Data-manipulation Language
Adalah bahasa untuk memanipulasi data yaitu :
o Pengambilan informasi yang disimpan dalam basis data
o Penyisipan informasi baru ke basis data
o Penghapusan informasi dari basis data
o Modifikasi informasi yang disimpan dalam basis data
Query adalah statemen yang ditulis untuk mengambil informasi. Bagian dari DML yang menangani pengambilan informasi ini disebut bahasa query.

2.5 DATABASE ADMINISTRATOR (ADMINISTRATOR BASIS DATA)
Administrator basis data adalah orang yang bertanggungjawab terhadap strategi yang berhubungan dengan pengolahan data di suatu perusahaan. Selain hal tersebut, DBA adalah orang yang bertanggungjawab terhadap implementasi strategi tersebut secara teknis. Berikut dijelaskan bebrapa fungsi DBA secara detil:
a.Mendefinisikan skema konseptual
Yaitu memutuskan informasi apa saja yang akan dihasilkan oleh sutu basis data. Dalam hal ini DBA bertugas mendefinisikan entity-entiti yang terlibat pada perancangan basis data. Proses ini disebut dengan Logical Database Design (kadang-kadang disebut Conceptual Database Design). Setelah DBA menentukan
muatan dari basis data maka DBA akan menyusun skema konseptual menggunakan DDL (data definition language). Kemudian dengan DBMS, skema tersebut diimplementasikan.
Mendefinisikan Skema Internal
Selain menentukan skema konseptual dari basis data, DBA juga bertanggung jawab terhadap desain penyimpanan data secara fisik.
c. Mensosialisasikan hasil rancangan baik konseptual & internal ke user
Dalam hal ini tugas DBA adalah menyakinkan user bahwa data-data yang mereka perlukan semua telah tersedia & membantu user untuk mengimplementasikan rancangan tersebut dalam DDL.
d. Mendefinisikan aturan-aturan sekuriti & integritas data
e. Mendefinisikan prosedur-prosedur back-up & recovery
f. Memonitor performansi system & menangani perubahan-perubahan yang
ada.

2.6 DATABASE MANAGEMENT SYSTEM (SISTEM MANAJEMEN BASIS DATA)
DBMS adalah software yang menangani semua akses ke basis data. Secara konsep apa yang terjadi adalah sebagai berikut :
1.User melakukan pengaksesan basis data untuk informasi yang diperlukannya menggunakan suatu bahasa manipulasi data, biasanya disebut SQL.
2.DBMS menerima request dari user & menganalisa request tersebut
3.DBMS memeriksa skema eksternal user, pemetaan eksternal/konseptual, skema konseptual, pemetaan konseptual/internal, & struktur penyimpanan.
4.DBMS mengeksekusi operasi-operasi yang diperlukan untuk memenuhi permintaan user.

BAB 3
MODEL ENTITY-RELATIONSHIP

Model E-R didasarkan pada persepsi dari sebuah dunia nyata yang terdiri dari sekumpulan objek, disebut entiti & relasi diantar objek-objek tersebut.

3.1 Konsep Dasar
Terdapat tiga notasi dasar yang bekerja pada model E-R yaitu : entity sets, relationship
sets, & attributes.
a. Entity Sets
Sebuah entiti adalah sebuah “benda” (thing) atau “objek”(object) di dunia nyata yang dapat dibedakan dari semua objek lainnya. Entity sets adalah sekumpulan entiti yang mempunyai tipe yang sama. Kesamaan tipe ini dapat dilihat dari atribut/property yang dimiliki oleh setiap entiti. Misal kumpulan orang yang menyimpan uang pada suatu bank dapat didefinisikan sebagai entiti set nasabah.
b. Relationship Sets
Relationship adalah hubungan diantara beberapa entiti. Misal relasi yang menghubungkan antar Toni dengan rek. 142-099999. Relasi ini menunjukkan bahwa Toni adalah nasabah yang mempunyai nomor rekening 142-099999. Relationship set adalah sekumpulan relasi yang mempunyai tipe yang sama.
c. Kunci Relasi (Relation Keys)
Nilai dari kunci relasi harus mengidentifikasikan sebuah baris yang unik didalam sebuah relasi. Kunci relasi terdiri dari satu atau lebih atribut-atribut relasi. Atribut-atribut dalam kunci relasi harus memiliki sifat sebagai berikut :
untuk satu nilai hanya mengindentifikasikan satu baris dalam satu relasi
tidak memiliki subset yang juga merupakan kunci relasi
tidak dapat bernilai null

contoh TABEL PERSON berikut :

Person_Id adalah kunci relasi dari relasi PERSON. Dalam relasi tersebut, maksimal hanya satu baris untuk setiap nilai Person_Id yang diberikan. Sebagai contoh, hanya satu baris dengan Person_Id = ‘P3’. Name tidak dapat dijadikan kunci relasi karena dapat lebih dari satu orang yang mempunyai nama yang sama. Relasi Person di atas memiliki kunci yang hanya terdiri dari satu atribut. Sangat dimungkinkan kunci relasi terdiri dari banyak atribut. Contoh relasi Work pada gambar di bawah mempunyai kunci relasi yang terdiri dari dua atribut yaitu :
Person_Id & Proj_No

Nilai kedua atribut, Person_Id & Proj_No diperlukan untuk menentukan satu baris yang unik. Karena untuk menentukan satu baris yang unik tidak cukup dengan Person_Id saja atau hanya dengan Proj_No.

d. Foreign Key(FK)
Term FK juga banyak digunakan dalam perancangan. Sebuah FK adalah sekumpulan atribut dalam suatu relasi (misal A) sedemikian sehingga kumpulan atribut ini bukan kunci relasi A tetapi merupakan kunci dari relasi lain.

Kardinalitas Pemetaan
Kardinalitas pemetaan atau rasio kardinalitas menunjukkan jumlah entity yang dapat dihubungkan ke satu entity lain dengan suatu relationship sets.
Kardinalitas pemetaan meliputi :
1.Hubungan satu ke satu (one to one).
Yaitu satu entity dalam A dihubungkan dengan maksimum satu entity dalam B
2.Hubungan satu ke banyak (one to many)
Yaitu satu entity dalam A dihubungkan dengan sejumlah entity dalam B. Satu entity dalam B dihubungkan dengan maksimum satu entity dalam A.
3.Hubungan banyak ke satu (many to one)
Yaitu satu entity dalam A dihubungkan dengan maksimum satu entity dalam B. Satu entity dalam B dapat dihubungkan dengan sejumlah entity dalam A.
4.Hubungan banyak k banyak (many to many).
Satu entity dalam A dihubungkan dengan sejumlah entity dalam B, & satu entity dalam B dihubungkan dengan sejumlah entity dalam A.

Gambar Kardinalitas Pemetaan :

Diagram Entity-Relationship
Komponen E-R diagram adalah :
Persegi panjang (rectangles) : merepresentasikan entity sets
Elip (ellipses) : merepresentasikan atribut entity
Wajik(diamonds) : merepresentasikan relationship sets
Lines (garis) : merepresentasikan hubungan atribut ke entity sets & entity sets ke relatioship sets
Contoh :
Diagram E-R dibawah terdiri dari 2 entity sets, customer & loan, & satu relationship set borrower. Atribut dari customer adalah nama, ktp, jalan, kota. Atribut untuk loan adalah no_pinjaman, jml_pinjaman. Hubungan entity customer ke loan adalah banyak ke banyak.

Entity Sets Lemah
Adalah entity set yang tidak mempunyai primary key. Entity sets yang mempunyai primary key disebut entity sets kuat.

Spesialisasi
Proses mendesain subgrup di dalam suatu entity disebut dengan specialisasi. Suatu himpunan entity bisa memiliki suatu subgrup yang berbeda diantara entiti-entiti lain dalam himpunan tersebut. Misalnya suatu sub himpunan entity dalam suatu himpunan entity bisa memiliki atribut yang berbeda dari entity-entiti lain. Model E-R memiliki fasilitas untuk perbedaan ini.
Contoh : himpunan entity account memiliki atribut account-number dan balance. Suatu
account dapat diklasifikasikan lagi menjadi salah satu dari :
- savings-account
- checking-account
(lihat gambar dibawah)
setiap tipe account ini diterangkan dengan himpunan atribut yang termasuk dalam atribut-atribut dari entity set account ditambah dengan atribut tambahan. Contoh entity saving-account diterangkan dengan atribut interest-rate, dan checking-account diterangkan dengan overdraft-amount.
Proses spesialisasi mengijinkan pembedaan account berdasarkan tipe account. Account juga dapat dibedakan dengan cara lain, misalkan berdasarkan tipe kepemilikkan menjadi commercial-account dan personal-account. Ketika dalam suatu entity dibentuk lebih dari satu proses spesialisasi, maka suatu entity menjadi milik dua spesialisasi tersebut. Misal suatu account bisa merupakan suatu personal account dan suatu checking account.
Dalam diagram E-R, spesialisasi dilambangkan dengan komponen segitiga bertuliskan ISA. ISA juga melambangkan hubungan antara superclass-subclass. Entity yang dengan kedudukkan lebih rendah/tinggi memiliki lambing sama.

Generalisasi
Disamping proses desain top-down (dari inisial entity ke level lebih rendah (subgrup)), desain juga dapat dilakukan dengan proses bottom-up, yaitu banyak entiti disintesiskan menjadi entity yang lebih tinggi berdasarkan kesamaan feature-nya.
Desainer basis data mungkin mengidentifikasi terlebih dulu entity checking-account dengan atribut account-number, balance dan overdraftamount.
Ditemukan juga entity set saving-account dengan atribut account-number, balance dan interest-rate.
Terdapat kesamaan antara entity set checking-account dengan entity set saving-account, yaitu keduanya memiliki beberapa atribut yang sama.
Persamaan ini dapat diekspresikan dengan generalisasi.

BAB 4
MODEL RELATIONAL

4.1 PENDAHULUAN
Model relasi pertama kali dikenalkan oleh Codd, pada tahun 1971. Sejak itu model relasi memainkan peranan yang sangat penting dalam berbagai perancangan basis data. Ada tiga alas an mengapa model relasi mempunyai peranan penting dalam perancangan basis data yaitu :
Mempunyai piranti komunikasi yang baik antara user & designer, artinya relasi merepresentasikan struktur data yang dapat dimengerti oleh user maupun designer.
Model relasional mendefinisikan salah satu kriteria perancangan basis data yang penting yaitu relasi bentuk normal.
Struktur data yang direpresentasikan oleh relasi dapat segera dikonversikan & diimplementasikan ke RDBMS.

4.2 APA YANG DISEBUT DENGAN RELASI
Relasi pertama kali didefinisikan menggunakan teori himpunan. Cara termudah untuk mendefinisikan sebuah relasi adalah sebagai sebuah tabel dimana data-datanya disimpan dalam baris tabel.
Contoh Table : Tabel Work dibawah ini
Terdiri dari tiga kolom, yaitu Person_Id, Proj_No dan Total_Time. Tabel ini menyimpan waktu yang dihabiskan oleh person pada proyek tersebut. Selain tabel Work terdapat juga relasi Persons. Relasi ini menyimpan secara detail tentang person yang bekerja pada proyek dimaksud.

4.3 TERMINOLOGI
Relasi = Tabel
Atribut relasi = Kolom tabel
Tuple = Baris

4.4 STRUKTUR LOJIK & FISIK
Relasi adalah sebuah representasi data lojik bukan fisik. Relasi menggambarkan struktur data tanpa memperhatikan bagaimana data disimpan atau diakses. Representasi lojik berarti bahwa sebuah relasi harus :
tidak terdapat duplikasi baris
urutan baris tidak diperhatikan
setiap kolom dalam suatu relasi mempunyai sebuah nama yang unik
struktur fisik diperlukan selama implementasi fisik yaitu pada saat menentukan layout data & indeks yang digunakan untuk mengakses data dalam suatu relasi. Hal penting lainnya yang harus diperhatikan dalam merancang relasi adalah bahwa nama-nama atribut relasi harus menggambarkan sumber data berasal.

4.5 QUERY LANGUAGE
Query language adalah suatu bahasa yang menyediakan fasilitas bagi user untuk mengakses informasi dari basis data. Pada umumnya level bahasa ini lebih tinggi dari bahasa pemrograman standar. Bahasa query dapat dikategorikan sebagai prosedural & non-prosedural. Dalam bahsa prosedural, user menginstruksikan ke sistem agar membentuk serangkaian operasi dalam basis data untuk mengeluarkan hasil yang diinginkan. Dalam bahasa non-prosedural, user mendeskripsikan informasi yang diinginkan tanpa memberikan prosedur detail untuk menghasilkan informasi tersebut.
Sebagian besar system basis data relasional yang beredar dipasaran menawarkan bahasa query dengan pendekatan prosedural & non-prosedural. Beberapa bahasa query yang murni adalah : aljabar relasional (relational algebra) merupakan bahasa query prosedural, sedangkan kalkulus relasional tuple (tuple relational calculus) & kalkulus relasional domain(domain relational calculus) adalah non-prosedural. Berikut hanya akan dibahas bahasa query bukan bahasa datamanipulation yang lengkap, yaitu bahasa yang tidak hanya terdiri dari bahas query tetapi juga bahasa untuk memodifikasi basis data, seperti perintah insert dan delete tuple.

4.5.1 Aljabar Relasional ( Relational Algebra)
Aljabar relasional adalah sebuah bahasa query prosedural yang terdiri dari sekumpulan operasi dimana masukkannya adalah satu atau dua relasi dan keluarannya adalah sebuah relasi baru sebagai hasil dari operasi tersebut. Operasi-operasi dasar dalam aljabar relasional adalah : select, project, union, set difference, Cartesian product dan rename. Disamping operasi-operasi dasar terdapat beberapa operasi lainnya seperti set intersection, natural join, division dan assignment. Operasi-operasi ini akan didefinisikan dalam terminology operasi dasar.

BAB 5
STRUCTURED QUERY LANGUAGE (SQL)

Sistem basis data komersial menghendaki adanya sebuah bahasa query yang lebih user-friendly. Oleh karena itu dikenal SQL sebagai bahasa query yang marketable. SQL menggunakan kombinasi aljabar relasional & kalkulus relasional. Meskipun SQL adalah bahasa query, namun SQL mempunyai banyak kemampuan lain disamping melakukan query terhadap basis data. SQL mempunyai kemampuan untuk mendefinisikan struktur data, modifikasi data dalam basis data dan menentukan konstrain sekuriti.

5.1 LATAR BELAKANG
SQL merupakan bahasa basis data relasional standard. Terdapat macam-macam versi SQL. Versi aslinya pertama kali dikembangkan oleh IBM San Jose Research Laboratory.
Bahasa SQL mempunyai bebrapa bagian yaitu :
Data Definition Language (DDL)
DDL memberikan perintah untuk mendefinisikan skema relasi, penghapusan relasi, membuat indeks dan modifikasi skema relasi.
Interactive Data-Manipulation Language (DML)
DML merupakan bahasa query yang berdasarkan pada aljabar relasi dan kalkulus relasi tuple. Termasuk didalamnya adalah perintah untuk penyisipan, penghapusan dan modifikasi.
Embedded DML
Bentuk embedded SQL biasanya terdapat dalam bahasa pemrograman multi guna seperti PL/I, Cobol , Pascal dan Fortran.
View Definition
DDL SQL memasukkan perintah untuk mendefinisikan view.

Authorization
DDL SQL memasukkan perintah untuk menentukan hak-hak akses ke relasi dan view.
Integrity
DDL SQL memasukkan perintah untuk menentukan konstrain integritas yang harus dipenuhi oleh data yang tersimpan dalam basis data.
Transaction control
SQL memasukkan perintah-perintah untuk menentukan awal dan akhir transaksi. Beberapa implementasi juga memungkinkan locking data untuk concurrency control.

5.2 STRUKTUR DASAR
Struktur dasar dari ekspresi SQL terdiri dari tiga klausa yaitu : select, from dan where.
Klausa Select berhubungan dengan operasi proyeksi dari aljabar relasional. Operasi ini digunakan untuk mendaftar semua atribut yang diinginkan sebagai hasil suatu query.
Klausa From berhubungan dengan operasi Cartesian-product dari aljabar relasional. Operasi ini mencatat semua relasi yang di”scan” dalam evaluasi suatu query.
Klausa Where berhubungan dengan operasi predikat seleksi dari aljabar relasional. Operasi ini terdiri dari sebuah predikat yang menyangkut atributatribut dari relasi yang muncul dalam klausa from.
Sebuah query SQL biasanya mempunyai bentuk :
Select A1,A2,…..An
From r1,r2,….rn
Where P

5.2.1 Klausa Select
Contoh : “ Tentukan nama-nama dari semua cabang bank dalam relasi loan “
Query-nya :
select branch-name from loan
Hasil dari query tersebut adalah sebuah relasi yang berisi sebuah atribut tunggal dengan nama branch-name. Bahasa query formal bersifat matematis dimana relasi adalah sebuah himpunan sehingga tuple-tuple yang telah muncul tidak akan muncul lagi (tidak akan terjadi duplikasi tuple). Tapi dalam prakteknya untuk menghilangkan duplikasi tuple sangat memakan waktu. Oleh karenanya SQL memungkinkan terjadinya duplikasi tersebut. Dari contoh di atas, maka query-nya akan mencatat setiap branch-name setiap kali branch-name tersebut ditemukan dalam relasi loan.
Untuk kasus di atas jika diinginkan untuk menghilangkan duplikasi maka dapat disisipkan distinct setelah select. Query di atas ditulis ulang sebagai berikut :
Select distinct branch-name from loan
Jika tuple yang terduplikasi diinginkan hilang.
Klausa selest dapat juga mengandung operasi aritmatika yaitu operator : +, -, *, / dan operasi terhadap konstanta atau atribut dari tuple. Contoh query berikut :
Select branch-name, loan-number, amount * 100
From loan
Akan menghasilkan sebuah relasi yang sama dengan relasi loan, kecuali bahwa atribut amount dikalikan dengan 100. SQL-92 juga menyediakan tipe data spesial seperti tipe date, dan memungkinkan beberapa fungsi aritmatika untuk beroperasi pada tipe-tipe ini.

5.2.2 Klausa Where
Contoh query : “Temukan semua loan number untuk pinjaman-pinjaman yang dibuat pada cabang Perryridge dengan jumlah lebih besar dari $1200”.
Query-nya ditulis sebagai berikut :
Select loan-number
From loan
Where branch-name = “Perryridge” and amount >1200
SQL menggunakan konektivitas lojik and, or dan not dalam klausa where. SQL juga memasukkan perintah between untuk menentukan apakah suatu nilai lebih kecil daripada atau sama dengan suatu nilai lain dan lebih besar daripada atau sama dengan suatu nilai lain.
Contoh : jika diinginkan menemukan loan-number yang jumlah pinjamannya antara $90000 dan $100000, ditulis sebagai berikut :
Select loan-number
From loan
Where amount between 90000 and 100000

4.2.3 Klausa From
Contoh query : “Untuk semua customer yang mempunyai sebuah pinjaman dari bank, temukan nama dan loan number mereka”.
Dalam SQL ditulis :
Select distinct customer-name, borrower.loan-number
From borrower, loan
Where borrower.loan-number = loan.loan.number

5.2.4 Operasi Rename
SQL menyediakan mekanisme operasi rename untuk relasi dan atribut. Operasi rename dalam SQL menggunakan klausa as dengan bentuk :
Nama-lama as nama-baru
Contoh : Jika atribut dengan nama loan-number akan diganti dengan nama loan-id, dapat ditulis sebagai berikut :
Select distinct customer-name, borrower.loan-number as loan-id
From borrower,loan
Where borrower.loan-number = loan.loan-number andbranch-name = “Perryridge”

5.3 OPERASI HIMPUNAN
Operasi operasi himpunan pada SQL-92 meliputi : union, intersect, dan except. Union identik dengan ∪, intersect identik dengan ∩dan except identik dengan – pada aljabar relasional.

5.3.1 Operasi Union
Contoh : Untuk mendapatkan semua customer yang mempunyai pinjaman, rekening atau keduannya pada bank ditulis :
(select customer-name from depositor)
union
(select customer-name from borrower)
Operasi union secara otomatis akan menghilangkan duplikasi, tidak seperti klausa select. Sehingga pada query di atas, jika Jones (seorang customer) mempunyai beberapa rekening atau pinjaman (atau keduannya) pada bank, maka Jones hanya akan muncul sekali. Jika duplikasi diinginkan ada maka harus ditulis union all.

5.3.2 Operasi Intersect
Contoh : untuk mendapatkan semua customer yang memiliki pinjaman dan rekening pada bank, query-nya ditulis :
(select distinct customer-name from depositor)
intersect
(select distinct customer-name from borrower)
Operasi intersect secara otomatis menghilangkan duplikasi. Jika diinginkan duplikasi tetap ada ditulis intersect all.

5.3.3 Operasi Except
Contoh : untuk mendapatkan semua customer yang mempunyai sebuah rekening tetapi tidak memiliki pinjaman pada bank, ditulis :
(select distinct customer-name from depositor)
except
(select customer-name from borrower)
Operasi except secara otomatis menghilangkan duplikasi. Jika diinginkan ada maka ditulis : except all.

5.4 FUNGSI-FUNGSI AGREGASI
Yang termasuk fungsi-fungsi agregasi adalah :
- Average : avg
- Minimum : min
- Maximum : max
- Total : sum
- Count : count
Fungsi-fungsi di atas telah tersedia. Input untuk avg dan sum haruslah bertipe numerik. Untuk operator lainnya dapat non-numerik.
Contoh : untuk mendapatkan rata-rata saldo rekening pada cabang Perryridge Query-nya dapat ditulis :
Select avg(balance)
From account
where branch-name = “Perryridge”
Jika fungsi agregasi iningn diterapkan pada kelompok himpunan tuple, maka digunakan klausa group by. Nama atribut/kel. Atribut dalam klausa group by digunakan untuk membentuk grup/kelompok. Artinya tuple-tuple yang mempunyai nilai yang sama pada semua atribut dalam klausa group-by dimasukkan dalam satu grup/kelompok.
Contoh :
Select branch-name, avg(balance)
From account
Group by branch-name
Jika suatu fungsi diterapkan pada grup/kelompok yang dibentuk oleh group by maka digunakan klausa having setelah group by.
Contoh : ingin ditampilkan nama cabang yang mempunyai rata-rata saldo lebih dari 1200.
Query-nya :
Select branch-name, avg(balance)
From account
Group by branch-name having avg (balance)>1200
Fungsi agregrasi count sering digunakan untuk menghitung jumlah tuple dalam suatu relasi. Notasi fungsi ini dalam SQL adalah count (*). Jadi untuk menentukan jumlah tuple dalam relasi customer, ditulis :
Select count(*) from customer

5.5 SUBQUERI TERSARANG (NESTED SUBQUERYS)
Biasanya digunakan untuk melalukuan test keanggotaan himpunan, perbandingan himpunan dan kardinalitas himpunan.

5.5.1 Keanggotaan Himpunan
Digunakan in dan not in untuk melakukan test keanggotaan himpunan.
Contoh : untuk mendapatkan semua customer yang mempunyai pinjaman dan rekening pada bank.
Pertama : menemukan semua pemegang reeking dengan query :
(select customer-name from depositor)
Kedua : mencari semua customer yang merupakan peminjam dan yang muncul dalam daftar pemegang rekening. Maka dilakukan dengan “menyarangkan” subquery di atas dalam sebuah select luar (outer select), menjadi :
Select distinct customer-name
from borrower
Where customer-name
in (select customer-name from depositor)

5.5.2 Perbandingan Himpunan
Perhatikan query berikut : “Temukan semua nama cabang bank yang mempunyai asset lebih besar dari bank-bank yang mempunyai minimal satu cabang berlokasi di Brooklyn”.
Query-nya ditulis :
Select branch-name from branch where assets > all
(select assets from branch where branch-city = “Brooklyn”)

5.6 MODIFIKASI BASIS DATA
Meliputi menambah, menghapus dan mengubah informasi menggunakan SQL.
5.6.1 Penghapusan (Deletion)
Yang dapat dihapus (delete) hanyalah tuple bukan nilai pada suatu atribut tertentu.
Dalam SQL, deletion diekspresikan dengan
Delete from r where p
Dimana p menunjukkan predikat dan r adalah relasi.
Contoh :
- Hapus semua rekening Smith, ditulis :
Delete from depositor where costomer-name = “Smith”
- Hapus semua pinjaman dengan jumlah pinjaman antara $1300 dan $1500
Delete from loan where amount between 1300 and 1500
- Hapus semua rekening pada setiap cabang yang berlokasi di Perryridge
Delete from account where branch-name in
(select branch-name
from branch where branch-city = “Perryridge”)

5.6.2 Penyisipan (Insertion)
Untuk menambahkan satu tuple dalam relasi digunakan statement insert. Contoh :
Insert into account values (“Perryridge”,”A-9732”,1200)
Query ini identik dengan
Insert into account (branch-name, account-number,balance)
Values (“Perryridge”,”A-9732”,1200)
Insert juga dapat dilakukan untuk suatu hasil dari query yang lain.
Contoh :
Insert into account select branch-name, loan-number, 200
From loan where branch-name = “Perryridge”

5.6.3 Update
Dalam situasi tertentu, diinginkan untuk mengganti nilai dalam sebuah tuple tanpa harus mengganti semua nilai dalam tuple tersebut. Untuk tujuan ini dapat digunakan statement update.
Contoh :
- untuk menaikkan saldo para nasabah sebesar 5% ditulis query sebagai berikut :
Update account set balance = balance * 1.05
- untuk menaikkan saldo nasabah sebesar 6% bagi nasabah yang saldonya lebih
dari $10000, ditulis query sebagai berikut :
Update account set balance = balance *1.06
Where balance >10000

5.7 BAHASA DEFINISI DATA ( DATA – DEFINITION LANGUAGE)
DDL SQL memungkinkan dilakukannya spesifikasi tidak hanya pada himpunan relasi tetapi juga informasi untuk setiap relasi, yang meliputi :
Skema setiap relasi
Domain nilai setiap atribut relasi
Konstrain integritas
Himpunan indeks untuk setiap relasi
Sekuriti dan autorisasi setiap relasi
Struktur penyimpanan secara fisik untuk setiap relasi dalam disk.

5.7.1 Tipe-tipe Domain dalam SQL
SQL-92 standar mendukung bermacam-macam tipe domain yang built-in sebagai berikut:
char(n) : tipe karakter dengan panjang yang tetap (n) (fixed-length character)
varchar(n) : tipe karakter dengan panjang bervariasi. Maksimum panjang n.
int : integer
smallint : small integer
numeric (p,d) : p menunjukkan jumlah digit bilangan dan d menunjukkan jumlah digit dibelakang titik desimal.
real, double precision : floating-point dan double-precision floating point
float (n) : floating-point number
date : tipe kalender
time : tipe hari dalam jam,menit dan detik
SQL-92 menggunakan klausa create domain untuk mendefinisikan domain.
Contoh :
create domain person-name char(20)

5.7.2 Definisi Skema dalam SQL
Untuk mendefinisikan sebuah relasi dengan perintah create table :
Create table r(A1D1,A2D2,….AnDn,
,
……………,
)
Dimana r adalah nama relasi, setiap AI adalah nama atribut dalam skema relasi, dan DI
adalah tipe domain dari nilai dalam domain atribut Ai. Integrity constraint yang
diperbolehkan antara lain : primary key (Aj1, Aj2,….Ajn) dan check (P)
Contoh :
Create table customer
(customer-name char(20) not null,
customer-street char(30),
customer-city char(30),
primary key (customer-name))
create table branch
(branch-name char(15) not null,
branch-city char(30),
assets integer,
primary key (branch-name), check(assets >=0))
create table account
(account-number char(10) not null,
branch-name char(15),
balance integer, primary key (account-number),
check (balance >=0))
create table depositor
(customer-name char(20) not null,
account-number char(10) not null,
primary key (customer-name, account-number))

DAFTAR PUSTAKA

http://id.wikipedia.org/wiki/Basis_data
http://id.wikipedia.org/wiki/Sistem_manajemen_basis_data
http://id.wikipedia.org/wiki/Sistem_manajemen_basis_data_relasional
http://ilmukomputer.com/category/database/
http://zaki.web.ugm.ac.id/web/mod.php?mod=download&op=viewlink&cid=66

Bahasa Pemograman non Prosedural

2008-09-20T18:49:00.000-07:00

Pendahuluan
Apa itu Bahasa Generasi Keempat ?
Bahasa generasi keempat disebut juga ‘Bahasa produktifitas Tinggi’, ‘Bahasa non-prosedural’, ‘Pembuat aplikasi’.
Ciri khas Bahasa generasi keempat adalah :
Tidak perlu training yang lama pada DP.
Bahasa untuk semua pemakai (profesional DP sampai pemakai akhir)
Bahasa query
Pembuat aplikasi
Mencakup bahasa prosedural maupun nonprosedural
Sebagian bahasa generasi keempat memenuhi kriteria di atas sebagian tidak.
Generasi Bahasa Komputer :
 Bahasa Generasi Pertama  bahasa mesin
tidak ada interpreter/kompilator
diprogram dengan notasi biner
sulit untuk tidak melakukan kesalahan.
contoh : 011011 000000 000000 000001 110101
berarti: bersihkan akumulator masukan isi lokasi penyimpanan 117 ke dlmnya
 Bahasa Generasi Kedua  bahasa assembly (1950-an)
pengalamatan secara simbolis bukan alamat fisik.
terdiri dari : SAP, AUTOCODER, SPS, BAL dan EASYCODER.
Contoh : CLA SALARY
Salary menunjukkan lokasi memori tempat variabel salary disimpan.
 Bahasa Generasi Ketiga  bahasa tingkat tinggi (1960-an)
menggunakan kata-kata bahasa Ingggris
menekankan formula dalam notasi matematika
program dpt dikonversikan untuk dijalankan pd mesin-mesin yg berbeda.
terdiri dari : ALGOL, FORTRAN, COBOL, PL/I dan ADA.
Contoh : x = (a+b) / (c+d)
 Bahasa Generasi Keempat  bahasa produktifitas tinggi (1970-an)
mempercepat proses pembuatan aplikasi (baris code lebih sedikit)
mempermudah aplikasi dan mempercepat perubahan.
meminimalkan problem debugging.
pemakai dapat memecahkan problem sendiri.
terdiri dari : Informix, Oracle
 Bahasa Generasi Kelima  bidang artificial inteligence‘ (1980-an)
- sistem berbasis pengetahuan
- mesin dapat menggambarkan kesimpulan berdasarkan kode pengetahuan yang kompleks.
- terdiri dari : Prolog, LISP
Bahasa Prosedural dan Non Prosedural
* Bahasa Prosedural menentukan ‘Bagaimana’ sesuatu diselesaikan.
* Bahasa Nonprosedural menentukan ‘Apakah’ yang akan diselesaikan.
#Bahasa Prosedural :
- programmer memberikan instruksi yang detail tentang bagaimana masing-masing tugas diselesaikan.
- contohnya : COBOL, PL/I
#Bahasa Nonprosedural :
- pemakai mendapat hasil yang cepat tanpa mengatakan prosedur bagaimana hal itu dikerjakan.
- hampir semua bahasa queri, pembuatan laporan, paket grafik dan pembuat aplikasi adalah nonprosedural.
- contohnya : Informix, NOMAD
Karakter, Properti dan Komponen
Kriteria pokok pada 4GL :
- apakah diperuntukkan untuk perhitungan yang rutin atau pembuatan keputusan ad-hoc ?
- apakah diperuntukkan bagi pemakai akhir atau DP profesional ?
- apakah memerlukan ketrampilan programmer atau seorang analis yang meng-gunakannya ?
- feature manakah yang disediakan ? (exp. simple query, pembuatan laporan)
- apakah on-line atau off-line ?
- apakah dijalankan untuk mainframe, mini atau pc ?
- apakah cukup mudah digunakan dan hasilnya cepat diperoleh ?
Properti 4GL :
Agar suatu bahasa disebut dengan ‘Generasi Keempat’ harus mempunyai karakteristik sebagai berikut :
1. User-friendly.
2. Programmer non-profesional dapat memperoleh hasil
3. Menggunakan DBMS secara langsung.
4. Program untuk semua aplikasi dapat dibuat dengan satu perintah instruksi yang lebih sedikit.
5. Disusun untuk operasi on-line.
6. Mempermudah pemahaman dan perawatan code orang lain.
7. Prototype dapat dibuat dan dimodifikasi dengan cepat.
Komponen 4GL :
Pada pemrogramman 4GL memiliki komponen non prosedural yang munkin disembunyikan pada fasilitas prosedural. Seperti tampak pada gambar berikut.
Gambar. Komponen 4GL untuk membuat aplikasi rutin.
Keterangan :
Appli. Parameter : pemberian nama prosedur, katalog, versi dan penanggung jawab.
Data Spec : spesifikasi data dan file data yang digunakan.
Screen spec : penentuan bentuk tampilan.
Report Spec : penentuan spesifikasi laporan berdasarkan data yang diambil.
Dialogue spec : memberikan struktur interaksi orang dan komputer.
Specification of Rules : aturan-aturan untuk penentuan keputusan. Biasanya dipisahkan dari badan aplikasi.