[Seminar] ANALISIS KORELASI VARIABEL KONDISI LINGKUNGAN KANDANG TERHADAP KUALITAS PRODUKSI AYAM PEDAGING DI PT. MUSTIKA SUKSES NIAGATAMA

SLIDE DAPAT DI DOWNLOAD DI
http://bit.ly/seminar-bayupaoh

ANALISIS KORELASI VARIABEL KONDISI LINGKUNGAN KANDANG
TERHADAP KUALITAS PRODUKSI AYAM PEDAGING
DI PT. MUSTIKA SUKSES NIAGATAMA
Bayu Firmawan Paoh
10113076
Program Studi Teknik Informatika
Universitas Komputer Indonesia
Pembimbing :
Adam Mukharil Bachtiar, S.Kom., M.T.
Reviewer :
Dian Dharmayanti, S.T., M.Kom.

PT. MUSTIKA SUKSES NIAGATAMA
Desa Cimerang, Kecamatan Purbaya, Sukabumi (KM 33 Sukabumi - Sagaranten)

LATAR BELAKANG MASALAH
Perusahaan Melakukan Upaya Meningkatkan Kualitas Ayam
Belum Optimal Sebab Hasil Yang Didapat Di Lapangan
Sering Berbeda Dengan Hasil Yang Diharapkan

LATAR BELAKANG MASALAH
KONDISI LINGKUNGAN KUALITAS AYAM

DATA MINING
“Data mining merupakan suatu proses untuk menggali
informasi penting dari sebuah data berupa pola dan
memprediksi trend di masa mendatang berdasarkan pola
tersebut“
F. Lee dan J. Santana, Data Mining : Meramalkan Bisnis Perusahaan, Jakarta: PT. Elex Media Komputindo, 2010

Kenapa Harus Analisis Korelasi?
“Karena Analisis Korelasi Digunakan Untuk
Mengukur Kedekatan Hubungan Antara Dua
Variabel Atau Lebih“
J. Gilbert A. Churchill, Basic Marketing Research, Fourth Edition, San Diego, California: Harcout, 2001

RUMUSAN MASALAH
Bagaimana Cara Menganalisis Korelasi Variabel Kondisi
Lingkungan Kandang Terhadap Kualitas Produksi Ayam
Pedaging Di PT. Mustika Sukses Niagatama

MAKSUD PENELITIAN
Menganalisis Keterkaitan Variabel Kondisi
Lingkungan Kandang Terhadap Kualitas Produksi
Ayam Pedaging Di PT. Mustika Sukses Niagatama

TUJUAN PENELITIAN
Membantu Pemilik Kandang Dengan Memberikan
Informasi Keterkaitan Variabel Kondisi Lingkungan
Kandang Terhadap Kualitas Produksi Ayam Pedaging Di
PT. Mustika Sukses Niagatama

METODE PENYELESAIAN MASALAH
Pendefinisian
Tujuan
Pengumpulan
Data
Persiapan
Data
Pemodelan
Pengujian
Hasil
Implementasi
Hasil

PENDEFINISIAN TUJUAN
“Without big data analytics, companies are blind and deaf,
wandering out onto the Web like deer on a freeway”
― Goeffrey Moore

PENENTUAN TUJUAN BISNIS
Meningkatkan Kualitas Ayam Pedaging Agar
Keuntungan Yang Didapat Perusahaan
Lebih Besar

PENILAIAN SITUASI
KETERSEDIAAN SUMBER DAYA KEBUTUHAN ASUMSI KEUNTUNGAN

PERANGKAT KERAS TERSEDIA
No Jenis Perangkat Keras Spesifikasi
1 Prosessor Intel Celeron Processor 2957U (1.40 GHz,
2M Cache)
2 RAM 2 GB DDR3
3 Harddisk 320 GB
4 Monitor 1366 x 768 pixel
5 Modem Modem USB
6 Perangkat IoT Arduino UNO, Modul DHT11, Modul TGS
2602, timbangan digital custom

PERANGKAT LUNAK TERSEDIA
No Jenis Perangkat Keras Spesifikasi
1 Sistem Operasi Komputer Windows 10 64 bit
2 Browser Google Chrome
3 Sistem Operasi Android Android Lolipop

BRAINWARE TERSEDIA
Pemilik Kandang PembimbingPeneliti

KEBUTUHAN ASUMSI
=
Good Data Good Output

PENENTUAN TUJUAN DATA MINING
1. Pemilik kandang ingin mengetahui pengaruh kelembapan
terhadap amonia.
2. Pemilik kandang ingin mengetahui pengaruh suhu,
kelembapan dan amonia terhadap kematian.
3. Pemilik kandang ingin mengetahui pengaruh suhu,
kelembapan dan amonia terhadap IP dan harga jual ayam.

PENYUSUNAN RENCANA PENGERJAAN (1)
No Kegiatan Waktu Pengerjaan (Hari)
1 Pendefinisian Tujuan 4
2 Pengumpulan Data 3
3 Persiapan Data 6
4 Pemodelan 6
5 Evaluasi Hasil 6
6 Analisis dan Perancangan Sistem 15
7 Implementasi 25
Total 65

PENYUSUNAN RENCANA PENGERJAAN (2)
Analisis Korelasi

PENGUMPULAN DATA
“Data! Data! Data! I can’t make bricks without clay!”
― Sir Arthur Conan Doyle

PENJELASAN DATA (1)
Websites
Perangkat IoT

PENJELASAN DATA (3)
No Atribut Asal Sumber Masukan
1 Cimerang-farm421db.grafik.idkandang.perhitungan.suhu Perangkat IoT
2 Cimerang-farm421db.grafik.idkandang.perhitungan.Kelembapan Perangkat IoT
3 Cimerang-farm421db.grafik.idkandang.perhitungan.Amonia Perangkat IoT
4 Cimerang-farm421db.grafik.idkandang.feedandmortality.tanggal. ayamMati Website
5 Cimerang-farm421db.grafik.idkandang.perhitungan.IP Perhitungan rumus
6 Cimerang-farm421db.grafik.idkandang.perhitungan.HargaJual Perhitungan rumus

PENJELASAN DATA (4)
Firebase
Database
MySql

PENJELASAN DATA (5)
No Atribut Tipe Data Keterangan
1 Tanggal Date Unique
2 Suhu Double
4 Kelembapan Double
5 Amonia Double
6 Kematian Int
7 IP Double
9 HargaJual Double

PENJELASAN DATA (6)
No Atribut Asal Atribut Tujuan
1 Cimerang-farm421db.grafik.idkandang.perhitungan.tanggal Tanggal
2 Cimerang-farm421db.grafik.idkandang.perhitungan.suhu Suhu
4 Cimerang-farm421db.grafik.idkandang.perhitungan.Kelembapan Kelembapan
5 Cimerang-farm421db.grafik.idkandang.perhitungan.Amonia Amonia
6 Cimerang-farm421db.grafik.idkandang.feedandmortality.tanggal. ayamMati Kematian
7 Cimerang-farm421db.grafik.idkandang.perhitungan.IP IP
9 Cimerang-farm421db.grafik.idkandang.perhitungan.HargaJual HargaJual

Tanggal Suhu Kelembapan Amonia Kematian IP HargaJual
2016-12-27 20 68 11 16 270 11626
2016-12-28 24 64 9 15 273 11824
2016-12-29 0 0 0 9 274 11870
2016-12-30 21 65 10 15 275 11982
2016-12-31 26 66 8 7 277 12099
2017-01-01 25 62 14 7 279 12128
2017-01-02 23 68 14 13 281 12244
2017-01-03 22 63 12 13 283 12423
2017-01-04 25 63 14 18 285 12657
2017-01-05 21 71 13 11 287 13065
2017-01-06 21 70 13 9 290 13182
2017-01-07 23 71 13 15 292 14998
2017-01-08 30 70 9 15 292 13928
2017-01-09 20 61 8 14 294 13220
2017-01-10 22 67 12 15 299 13298
2017-01-11 26 68 9 8 301 13495
2017-01-12 21 60 15 7 303 13529
2017-01-13 24 68 12 15 310 13752
2017-01-14 24 65 15 15 314 13823
2017-01-15 23 72 13 16 319 14123
2017-01-16 26 69 14 7 320 14526

PENJELASAN DATA (7)
No Atribut Asal Atribut Tujuan
1 Tanggal Tanggal pengambilan data.
2 Suhu Rata-rata suhu kandang di setiap grid kandang di tanggal tersebut.
3 Kelembapan Rata-rata kelembapan kandang di tanggal tersebut.
4 Amonia Rata-rata amonia kandang di setiap grid kandang di tanggal tersebut.
5 Kematian Rata-rata ayam di tanggal tersebut.
6 IP Nilai indeks performa yang didapat pada tanggal tersebut.
7 HargaJual Prediksi harga jual ayam yang didapat pada tanggal tersebut.

VERIFIKASI KUALITAS DATA (1)
1. Data yang bersifat outlier.
2. Data yang berasal dari Firebase Database harus
dikonversi terlebih tipe datanya sebelum dimasukkan
ke dalam MySql.
3. Jika dalam pengambilan data terdapat child ada yang
tidak ditemukan maka secara otomatis child tersebut
diisi dengan nilai default 0.

VERIFIKASI KUALITAS DATA (2)
4. Untuk data lingkungan yang diambil menggunakan
perangkat IoT ada yang tidak valid.
No Atribut Minimum Maximum
1 Suhu 18 28
2 Kelembapan 60 80
3 Amonia 0 20

PERSIAPAN DATA
“You can have data without information, but you cannot have
information without data”
― Daniel Keys Moran

PEMILIHAN DATA
üSuhu
üKelembapan
üAmonia
üKematian
üIP
üHargaJual

Suhu Kelembapan Amonia Kematian IP HargaJual
20 68 11 16 270 11626
24 64 9 15 273 11824
0 0 0 9 274 11870
21 65 10 15 275 11982
26 66 8 7 277 12099
25 62 14 7 279 12128
23 68 14 13 281 12244
22 63 12 13 283 12423
25 63 14 18 285 12657
21 71 13 11 287 13065
21 70 13 9 290 13182
23 71 13 15 292 14998
30 70 9 15 292 13928
20 61 8 14 294 13220
22 67 12 15 299 13298
26 68 9 8 301 13495
21 60 15 7 303 13529
24 68 12 15 310 13752
24 65 15 15 314 13823
23 72 13 16 319 14123
26 69 14 7 320 14526

PEMBERSIHAN DATA
üCleaning
üFiltering
üAnalisis Outliers

CLEANING
20 68 11 16 270 11626
24 64 9 15 273 11824
0 0 0 9 274 11870
21 65 10 15 275 11982
26 66 8 7 277 12099
25 62 14 7 279 12128
23 68 14 13 281 12244
22 63 12 13 283 12423
25 63 14 18 285 12657
21 71 13 11 287 13065
21 70 13 9 290 13182
23 71 13 15 292 14998
30 70 9 15 292 13928
20 61 8 14 294 13220
22 67 12 15 299 13298
26 68 9 8 301 13495
21 60 15 7 303 13529
24 68 12 15 310 13752
24 65 15 15 314 13823
23 72 13 16 319 14123
26 69 14 7 320 14526

FILTERING
No Atribut Nilai Minimum Nilai Maksimum
1 Suhu 18 28
2 Kelembapan 60 80
3 Amonia 0 20
Data Akan Dihapus Bila Nilai Tidak Di Dalam Batas Nilai Minimum
Dan Nilai Maksimum

20 68 11 16 270 11626
24 64 9 15 273 11824
21 65 10 15 275 11982
26 66 8 7 277 12099
25 62 14 7 279 12128
23 68 14 13 281 12244
22 63 12 13 283 12423
25 63 14 18 285 12657
21 71 13 11 287 13065
21 70 13 9 290 13182
23 71 13 15 292 14998
30 70 9 15 292 13928
20 61 8 14 294 13220
22 67 12 15 299 13298
26 68 9 8 301 13495
21 60 15 7 303 13529
24 68 12 15 310 13752
24 65 15 15 314 13823
23 72 13 16 319 14123
26 69 14 7 320 14526

ANALISIS OUTLIERS (1)
𝑡",$ = 𝑥̄ ± 2𝑠
Dengan 𝑥̄ =
∑ -
.
dan S =
∑ /01
(∑ 3)0
5
.1"

Di mana:
𝑡$ < 𝑡"
𝑡",$ = Treshold 1 (atas) dan Treshold 2 (bawah)
𝑥̄ = Mean (Nilai rata-rata)
𝑆 = Simpangan baku

Mean 23,00 66,37 12,05 12,42 292,21 12860,21
Standar
Deviasi
2,03 3,55 2,27 3,73 15,60 904,04
t1 27,06 73,46 16,60 19,88 323,42 14668,29
t2 18,94 59,28 7,51 4,96 261,00 11052,13

PEMODELAN
“Any fool can make something complicated. It takes a genius
to make it simple”
― Woody Guthrie

Penentuan Metode
No Pertanyaan Jenis Metode
1 Pengaruh kelembapan terhadap amonia Bivariat Korelasi Produk Momen
Pearson
2 Pengaruh suhu, kelembapan dan
amonia terhadap kematian
Multivariat Korelasi Regresi Berganda
3 Pengaruh suhu, kelembapan dan
amonia terhadap IP dan harga jual ayam
Multivariat Korelasi Kanonik
Kurniawan, R., & Yuniarto, B. Analisis Regresi Dasar dan Penerapannya dengan R. Jakarta: KENCANA PRENADA MEDIA
Rencher, A. C. (2002). Methods of Multivariate Analysis. New York: John Wiley & Sons, Inc

Mengapa Korelasi Produk Momen
Pearson?

Mengapa Regresi Berganda dan Kanonik Korelasi?

Kebutuhan Informasi 1
“Berapa Besar Pengaruh Kelembapan
Terhadap Amonia?”
Korelasi Bivariat – Korelasi Produk Momen Pearson

LANGKAH-LANGKAH KORELASI
PRODUK MOMEN PEARSON
1. Menentukan kumpulan variabel dependen
dan variabel independen
2. Membentuk tabel statistik
3. Menghitung perhitungan koefisien korelasi
4. Menentuan kriteria hubungan

Step 1 : Menentukan kumpulan variabel
dependen dan variabel independen
Independen Dependen
Kelembapan Amonia

Step 2 : Membentuk tabel statistik
No (i)
Kelembapan
(xi)
Amonia
(yi)
xi.yi xi
2
yi
2
1 68 11 748 4624 121
2 64 9 576 4096 81
3 65 10 650 4225 100
4 66 8 528 4356 64
5 62 14 868 3844 196
6 68 14 952 4624 196
7 63 12 756 3969 144
8 63 14 882 3969 196
9 71 13 923 5041 169
10 70 13 910 4900 169
11 61 8 488 3721 64
12 67 12 804 4489 144
13 68 9 612 4624 81
14 60 15 900 3600 225
15 68 12 816 4624 144
16 65 15 975 4225 225
17 72 13 936 5184 169
18 69 14 966 4761 196
∑ 𝑥 = 1190
∑ 𝑦 =
216
∑ 𝑥 𝑦 =
14290
∑ 𝑥$
=
78876
∑ 𝑦$
= 2684

Step 3 : Menghitung perhitungan koefisien
korelasi
𝑟-,/ =
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑛 ∑ 𝑥$ − (∑ 𝑥)
$
𝑛 ∑ 𝑦$ − (∑ 𝑦)
$

𝑟-,/ =
(18)(14290) − (1190)(216)
(18)(78876) − (1190)$ (18)(2684) − (216)$
= 0.0730
Koefisien Korelasi adalah 0.0730
Step 3 : Menghitung perhitungan koefisien
korelasi

Step 4 : Menentukan kriteria hubungan
Koefisien Korelasi ( r ) Kriteria Korelasi
0 Tidak Ada Korelasi
-0,2 ≤ r < 0 atau 0 < r ≤ 0,2 Korelasi Sangat Lemah
-0,4 ≤ r < -0,2 atau 0,2 ≤ r < 0,4 Korelasi Lemah
-0,6 < r < -0,4 atau 0,4 < r < 0,6 Korelasi Sedang
-0,8 < r ≤ -0,6 atau 0,6 ≤ r < 0,8 Korelasi Kuat
-1 < r ≤ -0,8 atau 0,8 ≤ r < 1 Korelasi Sangat Kuat
-1 atau +1 Korelasi Sempurna

“Kelembapan memiliki pengaruh sangat lemah terhadap
amonia dan bernilai positif. Sehingga kenaikan kelembapan
akan mengakibatkan kenaikan amonia sekitar 7.3% ”

“Berapa Besar Pengaruh Suhu, Kelembapan,
dan Amonia Terhadap Kematian?”
Korelasi Multivariat – Korelasi Regresi Berganda

REGRESI BERGANDA
2. Membentuk tabel statistik
3. Mencari nilai vektor b
4. Proses penentuan kriteria hubungan

Independen Dependen
Suhu Kematian
Kelembapan
Amonia

Step 2 : Membentuk tabel statistik
i
Suhu
(X1)
Kelembapa
n (X2)
Amonia (X3)
Kematian
(Y)
𝒙 𝟏
𝟐
𝒙 𝟐
𝟐 𝒙 𝟑
𝟐 x1.y x2.y x3.y
1 20 68 11 16 400 4624 121 320 1088 176
2 24 64 9 15 576 4096 81 360 960 135
3 21 65 10 15 441 4225 100 315 975 150
4 26 66 8 7 676 4356 64 182 462 56
5 25 62 14 7 625 3844 196 175 434 98
6 23 68 14 13 529 4624 196 299 884 182
7 22 63 12 13 484 3969 144 286 819 156
8 25 63 14 18 625 3969 196 450 1134 252
9 21 71 13 11 441 5041 169 231 781 143
10 21 70 13 9 441 4900 169 189 630 117
11 20 61 8 14 400 3721 64 280 854 112
12 22 67 12 15 484 4489 144 330 1005 180
13 26 68 9 8 676 4624 81 208 544 72
14 21 60 15 7 441 3600 225 147 420 105
15 24 68 12 15 576 4624 144 360 1020 180
16 24 65 15 15 576 4225 225 360 975 225
17 23 72 13 16 529 5184 169 368 1152 208
18 26 69 14 7 676 4761 196 182 483 98
∑ 𝒙 𝟏 =
414
∑ 𝒙 𝟐 = 1190 ∑ 𝒙 𝟑 = 216 ∑ 𝐘 = 221 ∑ 𝒙 𝟏
𝟐
= 9596 ∑ 𝒙 𝟐
𝟐
= 78876 ∑ 𝒙 𝟑
𝟐
= 2684 ∑ 𝑥".𝑦 = 5042 ∑ 𝑥$.𝑦 = 14620 ∑ 𝑥J.𝑦 = 2645

Step 3 : Mencari nilai vektor b
𝑛 K 𝑋" K 𝑋$ K 𝑋J
K 𝑋" K 𝑋"
$ K 𝑋$ 𝑋" K 𝑋$ 𝑋"
K 𝑋$ K 𝑋$ 𝑋" K 𝑋$
$ K 𝑋$ 𝑋"
K 𝑋J K 𝑋$ 𝑋" K 𝑋$ 𝑋" K 𝑋J
$
𝑏N
𝑏"
𝑏$
𝑏J
=
K 𝑌
K 𝑋" 𝑌
K 𝑋$ 𝑌
K 𝑋J 𝑌

18 414 1190 216
414 9596 27377 4970
1190 27377 78876 14290
216 4970 14290 2684
𝑏N
𝑏"
𝑏$
𝑏J
=
221
5042
14620
2645
Menggunakan eliminasi gauss maka didapatkan hasil….

18 414 1190 216
414 9596 27377 4970
1190 27377 78876 14290
216 4970 14290 2684
221
5042
14620
2645
𝑏 =
21,420
0,4293
0.0690
0.0712
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
21,420
0,4293
0.0690
0.0712
𝑌 = 𝑏N + 𝑏" 𝑋" + 𝑏$ 𝑋$ + ⋯+ 𝑏S 𝑋S
𝑌 = 21.420 + 0.4293𝑋" + 0.069𝑋$ − 0.0712𝑋J
Sehingga dapatditulis persamaan sebagai berikut :

“Suhu memiliki korelasi memiliki tingkat korelasi sedang
dengan kematian (0.4293) dan bernilai positif, sehingga bila
terjadi penurunan suhu maka tingkat kematian ayam akan
terjadi kenaikan sekitar 42%”
Kriteria Hubungan 1 :

“Kelembapan memiliki korelasi memiliki tingkat korelasi
sangat lemah dengan kematian (0.0690) dan bernilai positif,
sehingga bila terjadi kenaikan kelembapan maka tingkat
kematian ayam akan terjadi kenaikan sekitar 6%”

“Amonia memiliki korelasi memiliki tingkat korelasi sangat
lemah dengan kematian (0.0714) dan bernilai positif,
sehingga bila terjadi kenaikan amonia maka tingkat kematian
ayam akan terjadi kenaikan sekitar 7%”

“Berapa Besar Pengaruh Suhu, Kelembapan
dan Amonia Terhadap IP dan Harga Jual?”
Korelasi Bivariat – Korelasi Kanonik

KANONIK
2. Pemilihan dan penaksiran fungsi kanonik
3. Melakukan interpretasi hasil
4. Proses penentuan kriteria hubungan

Independen Dependen
Suhu IP
Kelembapan HargaJual
Amonia
Kematian

Step 2 : Pemilihan dan penaksiran fungsi
kanonik
1. Menghitung nilai matriks korelasi R
2. Menentukan nilai λ , nilai ai, dan nilai
bi

Step 2.1 : Menghitung nilai matriks
korelasi R
R=
𝑅-- 𝑅-/
𝑅/- 𝑅//
𝑅-- ∶ Matriks korelasi untuk kelompok variabel 𝑥.
𝑅// ∶ Matriks korelasi untuk kelompok variabel 𝑦.
𝑅-/ ∶ Matriks korelasi antara kelompok variabel 𝑥 dan variabel 𝑦.
𝑅/- ∶ Matriks korelasi antara kelompok variabel 𝑦 dan variabel 𝑥.

korelasi R
𝑟-,/ =
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑛 ∑ 𝑥$ − V∑𝑥)
$
𝑛 ∑ 𝑦$ − V∑𝑦)
$

korelasi R
suhu kelembapan amonia
suhu 𝑟WXYX,WXYX 𝑟WXYX,SZ[Z]^_^. 𝑟WXYX,^`.a^
kelembapan 𝑟SZ[Z]^_^.,WXYX 𝑟SZ[Z]^_^.,SZ[Z]^_^. 𝑟SZ[Z]^_^.,^`.a^
amonia 𝑟^`.a^,WXYX 𝑟^`.a^,SZ[Z]^_^. 𝑟^`.a^,^`.a^
Matriks 𝑅--

Dimana x = suhu dan 𝑦 = suhu, maka 𝑟-/ adalah
I X y xy x2 y2
1 20 20 400 400 400
2 24 24 576 576 576
3 21 21 441 441 441
4 26 26 676 676 676
5 25 25 625 625 625
6 23 23 529 529 529
7 22 22 484 484 484
8 25 25 625 625 625
9 21 21 441 441 441
10 21 21 441 441 441
11 20 20 400 400 400
12 22 22 484 484 484
13 26 26 676 676 676
14 21 21 441 441 441
15 24 24 576 576 576
16 24 24 576 576 576
17 23 23 529 529 529
18 26 26 676 676 676
Jumlah 437,00 437,00 10125,00 10125,00 10125,00

korelasi R
𝑟-,/ =
18)(10125) − (437)(437
V18)(10125) − 437 $ V18)(10125) − 437 $
= 1

korelasi R
Matriks 𝑅--
𝑹 𝒙𝒙 suhu kelembapan amonia
Suhu 1,000 ... ...
Kelembapan ... ... ...
Amonia ... ... ...

korelasi R
Matriks 𝑅--
𝑹 𝒙𝒙 suhu kelembapan amonia
Suhu 1,000 0,057 0.024
Kelembapan 0,057 1,000 0,7303
Amonia 0,024 0,7303 1,000

korelasi R
Matriks 𝑅//
𝑹 𝒚𝒚 ip hargajual
Ip 1,000 0,977
hargajual 0,977 1,000

korelasi R
Matriks 𝑅-/
𝑹 𝒙𝒚 ip hargajual
Suhu 0.2370 0.1835
kelembapan 0.2799 0.3092
Amonia 0.3953 0.3757

korelasi R
Matriks 𝑅/-
𝑹 𝒚𝒙 suhu kelembapan amonia
Ip 0.2370 0.2799 0.3053
hargajual 0.1835 0.3093 0.3767

Step 2.2 : Menentukan nilai λ, nilai ai,
dan nilai bi
𝜆 = nilai eigen dari 𝑅//
1"
𝑅/- 𝑅--
1"
𝑅-/
bi= vector eigen dari 𝑅//
1"
𝑅/- 𝑅--
1"
𝑅-/
ai = 𝑅--
1"
𝑅-/bi

Step 2.2 : Mendapatkan nilai λ
𝑅//
1"
𝑅/- 𝑅--
1"
𝑅-/ =
0.3819 0.2819
−0.1192 −0.0285
.
det
0.3819 0.2819
−0.1192 −0.0285
−
𝜆 0
0 𝜆
= 𝜆$
− 0.3534𝜆 + 0.0227 = 0
(𝜆 − 0.2689)(𝜆 − 0.0845)
1
2
3
𝛌1 = 0.2689 dan 𝛌 𝟐 = 0.0845
det 𝑅//
1"
𝑅/- 𝑅--
1"
𝑅-/ − 𝜆𝐼

Step 2.2 : Mendapatkan nilai nilai bi
(𝑅//
1"
𝑅/- 𝑅--
1"
𝑅-/ − 𝜆𝐼)𝑥̅ = 0t 𝜆 − 0.3819 0.2819
−0.1192 𝜆 + 0.0285
𝑥"
𝑥$
=
0
0
1
𝜆 − 0.3819 0.2819 0
−0.1192 𝜆 + 0.0285 0
−0.113 0.2819 0
−0.1192 0.2974 0
𝛌1 = 0.2689
1 0 0.9282
0 1 −0.6880
𝜆 − 0.3819 0.2819 0
−0.1192 𝜆 + 0.0285 0
−0.2974 0.2819 0
−0.1192 0.113 0
𝛌 𝟐 = 0.0845
1 0 −0.3721
0 1 0.7257
2
2
Menggunakan OBE
Menggunakan OBE

Step 2.2 : Mendapatkan nilai nilai bi
i λ2 λ Eigen Vector (bi)
1 0.0723 0.2689 0.9282 -0.6880
2 0,0071 0.0845 -0.3721 0.7257

Step 2.2 : Mendapatkan nilai nilai ai
𝑎𝑖 = 𝑅--
1"
𝑅-/bi
i ai
1 0.1396 0.1211 0.2144
2 -0.0319 0.0337 -0.0002

Step 3 : Melakukan interpretasi hasil
𝐶𝑜𝑟𝑟 𝑋, 𝑈𝑖 = 𝑅𝑥𝑥 𝑎a
𝐶𝑜𝑟𝑟 𝑌, 𝑉𝑖 = 𝑅𝑦𝑦 𝑏a

𝐶𝑜𝑟𝑟 𝑋, 𝑈𝑖 =
1 0.057 0.024
0.057 1 0.073
0.024 0.073 1
0.1396
0.121
0.2144
=
0.1517
0.1447
0.2266

𝐶𝑜𝑟𝑟 𝑌, 𝑉𝑖 =
1 −0.833
−0.833 1
0.9282
−0.688
=
0.874
−0.744

“suhu memiliki pengaruh yang sangat lemah ( 0.1517 )
terhadap IP dan Harga Jual . Jika suhu terjadi kenaikan
maka IP akan terjadi kenaikan sebesar 15% dan Harga Jual
akan terjadi penurunan sebesar 15%”

“kelembapan memiliki pengaruh yang sangat lemah ( 0.1447
) terhadap IP dan Harga Jual . Jika kelembapan terjadi
kenaikan maka IP akan terjadi kenaikan sebesar 14% dan
Harga Jual akan terjadi penurunan sebesar 14%”

“amonia memiliki pengaruh yang sangat lemah ( 0.2266 )
terhadap IP dan Harga Jual . Jika suhu terjadi kenaikan
maka IP akan terjadi kenaikan sebesar 22% dan Harga
Jual akan terjadi penurunan sebesar 22%”

ANALISIS KEBUTUHAN
PERANGKAT LUNAK
“Without requirements or design, programming is the art of
adding bugs to an empty text file”
― Louis Srygley

USE CASE
Russ Miles and Kim Hamilton, Learning UML 2.0. United States of America: O'Reilly, 2006

Activity Diagram

CLASS DIAGRAM

IMPLEMENTASI
“Don’t comment bad code—rewrite it.”
― Brian W. Kernighan

STACK TECHNOLOGY
DATA ANALITIC BACKEND FRONTEND VCS

STACK TECHNOLOGY
Database Authentication

STACK TECHNOLOGY
Web Apps MySql Database Azure ML

PENGUJIAN SISTEM
“Software testing is a sport like hunting, it's bughunting”
― Amit Kalantri

PENGUJIAN PERANGKAT LUNAK
PENGUJIAN
FUNGSIONAL
PENGUJIAN
BETA
BLACK BOX USABILITY TESTING
PENGUJIAN
PENGUKURAN AKURASI
SAMPLE TESTING

PENGUJIAN PENGUKURAN AKURASI
=
Sample Testing

PENGUJIAN FUNGSIONAL
true false
Black Box

RENCANA USABILITY TESTING
Jerry Cao. https://www.uxpin.com. [Online]
1. Mendefinisikan hipotesis dan tujuan
pengujian
2. Membuat rencana tugas
3. Membuat rencana pengujian
4. Melakukan pengujian
5. Evaluasi pengujian

Mendefinisikan Hipotesis Pengujian
(Usability Testing)
No Hipotesis Pengujian
1 Pengguna tidak mengetahui perbedaan data yang ditampilkan pada halaman
pengambilan data dan halaman pembersihan data.
2 Pengguna memahami maksud dari knowledge yang ditampilkan.

Mendefinisikan Tujuan Pengujian
(Usability Testing)
No Tujuan Pengujian
1 Pengguna mengetahui cara penggunaan sistem yang dibangun.
2 Pengguna mengetahui strategi yang dilakukan setelah
mendapatkan knowledge.

SKENARIO PENGUJIAN PENGUKURAN
AKURASI
Tanggal Suhu Kelembapan Amonia Kematian IP HargaJual
2016-12-26 20 68 11 16 270 11626
2016-12-27 24 64 9 15 273 11824
2016-12-28 0 0 0 9 274 11870
2016-12-29 21 65 10 15 275 11982
2016-12-30 26 66 8 7 277 12099
2017-01-31 25 62 14 7 279 12128
2017-01-01 23 68 14 13 281 12244
2017-01-02 22 63 12 13 283 12423
2017-01-03 25 63 14 18 285 12657
2017-01-04 21 71 13 11 287 13065
2017-01-05 21 70 13 9 290 13182
2017-01-06 23 71 13 15 292 14998
2017-01-07 30 70 9 15 292 13928
2017-01-08 20 61 8 14 294 13220
2017-01-09 22 67 12 15 299 13298
2017-01-10 26 68 9 8 301 13495
2017-01-11 21 60 15 7 303 13529
2017-01-12 24 68 12 15 310 13752
2017-01-13 24 65 15 15 314 13823
2017-01-14 23 72 13 16 319 14123
2017-01-15 26 69 14 7 320 14526
Data yang digunakan menggunakan data pada Tabel III-6

PENGUJIAN FUNGSIONAL
11
KASUS UJI
DATA BENAR
11
KASUS UJI
DATA SALAH
22
KASUS UJI
= +

TUGAS USER (USABILITY TESTING)

DAFTAR PERTANYAAN
(USABILITY TESTING)
No Pertanyaan Waktu
1 Apa yang harus kamu lakukan jika ingin
masuk ke halaman analisis korelasi?
Setelah user berhasil login ke dalam sistem.
2 Apakah Anda dapat membedakan data yang
ada di halaman pengambilan data dan
pembersihan data?
Ketika membuka halaman pembersihan data
3 Apa strategi yang Anda lakukan setelah Anda
mengetahui pengaruh suhu, kelembapan dan
amonia terhadap suhu?
Ketika membuka halaman analisis korelasi
4 Apa kekurangan dari sistem yang dibangun? Setelah menggunakan perangkat lunak

HASIL PENGUJIAN PENGUKURAN AKURASI
Pernyataan Manual Sistem
Pengaruh Kelembaban Terhadap Amonia 0.0730 0.0730344352
Pengaruh Suhu Terhadap Kematian 0.4293 0.5586541784
Pengaruh Kelembaban Terhadap Kematian 0.0690 0.0690433173
Pengaruh Amonia Terhadap Kematian 0.0714 0.0714470088
Pengaruh Suhu Terhadap IP dan Harga Jual 0.1517 0.1517182435
Pengaruh Kelembaban Terhadap IP dan Harga Jual 0.1447 0.1447126762
Pengaruh Amonia Terhadap IP dan Harga Jual 0.2260 0.2266662426

HASIL PENGUJIAN FUNGSIONAL
18LULUS
22KASUS UJI

HASIL USABILITY TESTING
BERDASARKAN TUGAS

KESIMPULAN DAN SARAN
“Software innovation, like almost every other kind of innovation,
requires the ability to collaborate and share ideas with other people, and
to sit down and talk with customers and get their feedback and
understand their needs”
― Bill Gates

SARAN
Meningkatkan akurasi
perangkat IoT
Membuat tampilan
lebih responsif
Menambahkan
Auto Testing

DEMO
“Talk is cheap show me the code”
― Linus Torvalds

TERIMA KASIH
“Thank you for the good times, the days you filled with pleasure.
Thank you for fond memories, and for feelings I’ll always treasure”
― Karl Fuchs

[Seminar] ANALISIS KORELASI VARIABEL KONDISI LINGKUNGAN KANDANG TERHADAP KUALITAS PRODUKSI AYAM PEDAGING DI PT. MUSTIKA SUKSES NIAGATAMA

Recommended

Recommended

More Related Content

More from Bayu Firmawan Paoh

More from Bayu Firmawan Paoh (9)

[Seminar] ANALISIS KORELASI VARIABEL KONDISI LINGKUNGAN KANDANG TERHADAP KUALITAS PRODUKSI AYAM PEDAGING DI PT. MUSTIKA SUKSES NIAGATAMA