Seminar Nasional Informatika (SNIf ) 2014

Seminar Nasional Teknologi Infornasi 2014

KOMITE PROGRAM Kridanto Surendro, Ph.D (Institut Teknologi Bandung) Dr. Rila Mandala (Institut Teknologi Bandung) Dr. Husni Setiawan Sastramihardja (Institut Teknologi Bandung) Agus Harjoko, Ph.D (Universitas Gadjah Mada) Prof. Sri Hartati, Ph.D (Universitas Gadjah Mada) Dr. Djoko Soetarno (Universitas Bina Nusantara) Prof. Ahmad Benny Mutiara (Universitas Gunadarma) Prof. Dr. M.Zarlis (Universitas Sumatera Utara) Prof. Dr. Opim Salim Sitompul (Universitas Sumatera Utara) Dr. Kusrini, M.Kom (STMIK AMIKOM) Dr. Ema Utami, S.Si, M.Kom (STMIK AMIKOM)

TIM EDITORIAL PENANGGUNG JAWAB Rika Rosnelly, SH, M.Kom (STMIK Potensi Utama)

KETUA PENYUNTING Ratih Puspasari. M.Kom (STMIK Potensi Utama)

WAKIL KETUA PENYUNTING Mas Ayoe Elhias Nasution, M.Kom (STMIK Potensi Utama)

PENYUNTING PELAKSANA Budi Triandi, M.Kom (STMIK Potensi Utama) Edy Victor Haryanto Sianturi. M.Kom (STMIK Potensi Utama) Evri Ekadiansyah, M.Kom (STMIK Potensi Utama) Fina Nasari, M.Kom (STMIK Potensi Utama) Fitriana Harahap, M.Kom (STMIK Potensi Utama) Helmi Kurniawan, ST, M.Kom (STMIK Potensi Utama) Iwan Fitrianto Rahmad (STMIK Potensi Utama) Khairani Puspita, M.Kom (STMIK Potensi Utama) Khairul Ummi, M.Kom (STMIK Potensi Utama) Lili Tanti, M.Kom (STMIK Potensi Utama) Linda Wahyuni, M.Kom (STMIK Potensi Utama) Muhammad Rusdi Tanjung, S.Kom, M.Ds (STMIK Potensi Utama) Rahmadani Pane, M.Kom (STMIK Potensi Utama Ria Eka Sari, M.Kom (STMIK Potensi Utama) Rofiqoh Dewi, M.Kom (STMIK Potensi Utama) Wiwi Verina, M.Kom (STMIK Potensi Utama) Yudhi Andrian, S.Si, M.Kom (STMIK Potensi Utama)

ALAMAT REDAKSI Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK) Potensi Utama Jl. K.L.Yos Sudarso Km.6,5 No.3-A Medan (20241) Telp (061) 6640525 Fax (061) 6636830 Email : snif_pu@potensi-utama.ac.id

PENERBIT Program Studi Teknik Informatika STMIK Potensi Utama

Seminar Nasional Informatika 2014

DAFTAR ISI Halaman 1

2

SISTEM INFORMASI GEOGRAFIS LETAK LOKASI RENANG UMUM DI KOTA MEDAN BERBASIS ANDROID Andi Sanjaya

1

8

3

ANALISIS KESUKSESAN SISTEM BIMBINGAN ONLINE STMIK AMIKOM YOGYAKARTA Ike Verawati, Wing Wahyu Winarno, Andi Sunyoto

12

4

METODE FUZZY SIMPLE ADDITIVE WEIGHTING (SAW) DALAM MENENTUKAN KUALITAS KULIT ULAR UNTUK KERAJINAN TANGAN (STUDI KASUS : CV. ASIA EXOTICA MEDAN) Alfa Saleh, Ria Eka Sari, Harris Kurniawan

18

5

6

7

8

9

10

11

12

13

iv

EVALUASI TINGKAT KEMATANGAN DOMAIN DELIVER AND SUPPORT DENGAN FRAMEWORK COBIT 4.1 Sandy Kosasi

PERANCANGAN LAYANAN UNTUK KOSTUMISASI ANTAR MUKA SISTEM OPERASI ANDROID BERBASIS WEBSITE Anggit Dwi Hartanto PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN Fina Nasari PENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS Hartatik ANALISIS DAN PERANCANGAN SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN RAMBUTAN DENGAN MENGGUNAKAN METODE FORWARD CHAINING Khairul Ummi SIMULASI PERENCANAAN BIAYA IBADAH HAJI DENGAN METODE MONTECARLO DAN PERSPEKTIF TIME VALUE OF MONEY Yudhi Kurniawan, Yuswanto ANALISIS MATURITY LEVEL IMPLEMENTASI ORANGEHRM MENGGUNAKAN FRAMEWORK COBIT 5.0 Fhery Agustin ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, M. Rhifky Wayahdi ANALISIS E-LEARNING CENTER OBJECT RECOMMENDER UNTUK PERSONALISASI PEMAHAMAN PRIOR KNOWLEDGE T.Henny, Hanifah Amrul, Darmeli Nasution JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung

24

30

35

41

47

51

57

64

69


14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

PENGGUNAAN ALGORITMA FLOYD WARSHALL DALAM MASALAH JALUR TERPENDEK PADA PENENTUAN TATA LETAK PARKIR Ni Ketut Dewi Ari Jayanti, M.Kom SISTEM INFORMASI MANAJEMEN BANTUAN LOGISTIK BERBASIS COULD COMPUTING (STUDI KASUS : GUNUNG MERAPI) Rita Novita Sari PENERAPAN FORWARD CHAINING DALAM SISTEM PAKAR DIAGNOSA HAMA DAN PENYAKIT TANAMAN JAGUNG David PERANCANGAN APLIKASI KEAMANAN DATA EMAIL MENGGUNAKAN ALGORITMA ENKRIPSI RC6 BERBASIS ANDROID Muhammad Zulham, Helmi Kurniawan, Iwan Fitrianto Rahmad PENGUKURAN KESELARASAN STRATEGI TEKNOLOGI INFORMASI DAN STRATEGI BISNIS DENGAN MODEL LUFTMAN (STUDI KASUS : AMIK XYZ) Dicky Pratama PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE AHP STUDI KASUS STMIK POTENSI UTAMA Ria Eka Sari, Alfa Saleh SISTEM PENUNJANG KEPUTUSAN KELAYAKAN PENERIMAAN PEMASANGAN LISTRIK SECARA GRATIS MENGGUNAKAN METODE AHP Shinta Siti Sundari, Dani Rohpandi, Neng Fitri SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA SAWIT DENGAN METODE CERTAINTY FACTOR Linda Wahyuni, Surya Darma PENGEMBANGAN APLIKASI MULTIMEDIA PENGENALAN DAN PEMBELAJARAN ORIGAMI DENGAN PENDEKATAN ADDIE Muhammad Rusdi Tanjung, Tri Fitrianingsih Parsika MOBILE MAPPING WISATA DAN KULINER YOGYAKARTA UNTUK WISATAWAN BERSEPEDA DENGAN FORMULA HAVERSINE Bernadhed, Ema Utami, Andi Sunyoto PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN DENGAN METODE BOBOT UNTUK MENILAI KENAIKAN GOLONGAN PEGAWAI Evri Ekadiansyah SISTEM PENDUKUNG KEPUTUSAN PENENTUAN DOSEN PEMBIMBING DENGAN METODE LOGIKA FUZZY Ainul Yaqin, EmaUtami, Emha Taufiq Luthfi RANCANGANINDIKATOR TEMPERATUR PADA PROSES FERMENTASI KACANG TANAH (TEMPE) Iwan Fitrianto Rahmad,Dwi Afrianto ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACK PROPAGATION NEURAL NETWOTK Yudhi Andrian, Purwa Hasan Putra PERANCANGAN ALAT STEMPEL OTOMATIS LEMBAR JAWABAN STMIK POTENSI UTAMA Edy Victor Haryanto, Anggit Nataperdana, Harris Kurniawan

75

82

90

96

102

108

115

122

128

134

140

146

160

165

173

v


29

30

31

32

33

34

35

36

37

38

39

40

41

42

vi

ANALISIS PENGUKURAN KUALITAS LAYANAN WEB PERGURUAN TINGGI XYZ MENGGUNAKAN SERVQUAL Dorie Pandora Kesuma PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACK PROPAGATION NEURAL NETWOTK Yudhi Andrian, Erlinda Ningsih MONITORING LOG SERVICE PADA SERVER BERBASIS WEB MENGGUNAKAN PHPSHELL Ni Kadek Ariasih, Dandy Pramana Hostiadi ANALISA POLA DATA PENYAKIT RUMAH SAKIT DENGAN MENERAPKAN METODE ASSOCIATION RULE MENGGUNAKAN ALGORITMA APRIORI Harris Kurniwan, Fujiati, Alfa Saleh APLIKASI KALKULATOR AIR SOLUSI UNTUK MENGETAHUI KEBUTUHAN CAIRAN DALAM TUBUH BERBASIS ANDROID I Komang Setia Buana, I Ketut Dedy Suryawan ANALISIS PERBANDINGAN TINGKAT MATURITY LEVEL SISTEM OTOMASI PERPUSTAKAAN BERBASIS OPENSOURCE DAN PROPRIETARY MENGGUNAKAN FRAMEWORK COBIT 5.0 (STUDY KASUS : PERPUSTAKAAN STMIK POTENSI UTAMA) Fhery Agustin SISTEM PAKAR MENGIDENTIFIKASI GEJALA DEFISIENSI UNSUR HARA PADA TANAMAN KELAPA SAWIT Linda Wahyuni1, Surya Darma, M. Rhifky Wayahdi TEKNIK PEMBELAJARAN DASAR PENGENALAN ALPHABET PADA ANAK PAUD DENGAN MENGGUNAKAN GAME ANDROID Rahadi Deli Saputra, Asep Parid Soleh Hambali, Royyan Fuad Mulyana APLIKSASI TES BILANGAN PRIMA MENGUNAKAN RABIN-MILLER, GCD, FAST EXPONENSIAL DAN FAKTORISASI PRIMA UNTUK DASAR MATEMATIS KRIPTOGRAFI Budi Triandi PERANCANGAN SISTEM E-CAREERUNTUK MEMPERMUDAH DALAM MENDAPATKAN LOWONGAN PEKERJAAN Gat SISTEM PENUNJANG KEPUTUSAN PEMBERIAN BEASISWA BIDIKMISI (STUDI KASUS : STMIK POTENSI UTAMA) Edy Victor Haryanto Sianturi ANALISA PERFORMANSI VIDEO STREAMING PADA JARINGAN WIRELESS 802.11n I Gede Putu Krisna Juliharta, Gede Wisnu TeguhSaputra, I Wayan Ardiyasa PEMANFAATAN METODE AHP SEBAGAI MODEL PEMILIHAN MASKAPAI SEBAGAI TEMPAT KERJA BERDASARKAN MINAT BAGI LULUSAN LPP PENERBANGAN Lili Tanti APLIKASI PERAMALAN PENGADAAN BARANG DENGAN METODE TREND PROJECTION DAN METODE SINGLE EXPONENTIAL SMOOTHING Evi Dewi Sri Mulyani,Egi Badar Sambani, Rian Cahyana

178

184

190

195

202

209

216

223

227

233

240

246

253

260


43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

PERANCANGAN APLIKASI STATISTIK PENDETEKSI PLAGIARISME DOKUMEN TEKS DENGAN ALGORITMA SMITH-WATERMAN Rofiqoh Dewi SISTEM PENUNJANG KEPUTUSAN KELAYAKAN PENERIMA BANTUAN DANA RUTILAHU DENGAN METODE AHP Ikbal Jamaludin, Nono Sudarsono, Ai Ika Mustika DECISION SUPPORT UNTUK PROMOSI KENAIKAN JABATAN DI PT. XYZ Edy Victor Haryanto Sianturi SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN BIDANG PEKERJAAN BAGI LULUSAN LPP PENERBANGAN MENGGUNAKAN METODE ANP Syafrizal IDENTIFIKASI HAMBATAN ORGANISASI DENGAN SISTEM PENDUKUNG KEPUTUSAN MENGGUNAKAN METODE TOPSIS Adnan Buyung Nasution PENGEMBANGAN SISTEM INFORMASI SUMBER DAYA MANUSIA STUDI KASUS: PERUSAHAAN DISTRIBUTOR SEPEDA MOTOR Fandi Halim, Gunawan, Linda PERANCANGAN WEB PORTAL PADA JARINGAN INTRANET (STUDY KASUS : STMIK POTENSI UTAMA) Fhery Agustin ANALISA SISTEM PENUNJANG KEPUTUSAN DISTRIBUSI PENJUALAN BAHAN POKOK DENGAN MENGGUNAKAN METODE ROUGH SET PADA CV SAMA SENANG Helmi Kurniawan PERANCANGAN NAVIGASI ROBOT BERBASIS SUARA MENGGUNAKAN ANDROID Iwan fitrianato, Vidi Agung Fragastia PENERAPAN KNOWLEDGE SHARING AND TRANSFER PADA PT.DUNIA KIMIA UTAMA Fransiska Prihatini Sihotang S.Si, M.T.I PERANCANG DAN PEMBUATAN BAHAN AJAR PEMETAAN KEKAYAAN BUDAYA INDONESIA MENGGUNAKAN PROGRAM JAVA NEATBEANS 6.9 Evri Ekadiansyah SISTEM INFORMASI INVENTORI BARANG LABORATORIUM KOMPUTER BERBASIS ANDROID DI STMIK TASIKMALAYA Fitri Nuraeni, Teuku Mufizar, Novan Ganda Holis Suparman IMPLEMENTASI METODE ROUGH SET UNTUK PROMOSI RUMAH BERSALIN (STUDI KASUS : BIDAN SRI WAHYUNI KECAMATAN MEDAN MARELAN) Adil Setiawan APLIKASI GRAFOLOGI MENGGUNAKAN ALGORITMA JARINGAN SARAF TIRUAN BACKPROPAGATION Arwin Halim, Humuntal Rumapea, Deny Saputra G, Sutan Chairul Hasbi L SISTEM INFORMASI PENGADAAN LOGISTIK BENCANA BERBASIS WEB Sri Ayu Lestari

267

276

284

291

296

302

309

314

320

325

332

339

344

351

356

vii


58

59

60

61

62

63

64

65

66

67

68

69

70

71

viii

PERBANDINGAN KINERJA WIRESHARK DAN CAIN DALAM ANALISIS JARINGAN INTERNET Edy Victor Haryanto Sianturi, Anderian PENERAPAN CERTAINTY FACTOR DALAM SISTEM PAKAR MENDIAGNOSA HAMA DAN PENYAKIT TANAMAN PAPAYA Khairul Ummi, Edi Kurniawan SISTEM PENDUKUNG KEPUTUSAN PENENTUAN MAHASISWA TUGAS BELAJAR Cucut Susanto, Abdul Ibrahim RANCANG BANGUN SISTEM INFORMASI PENDISTRIBUSIAN LOGISTIK BENCANA ALAM Fujiati, Harris Kurniawan, Ria Eka Sari ANALISIS KINERJA ALGORITMA REDUKSI SIKLIS UNTUK PENYELESAIAN SISTEM TRIDIAGONAL PADA SISTEM MULTIPROSESOR BERBASIS PVM Tri Prabawa SISTEM PAKAR DIAGNOSA KEKURANGAN VITAMIN PADA MANUSIA MENGGUNAKAN METODE DEMPSTER SHAFER Yudi SISTEM PAKAR UNTUK MENDETEKSI PENYAKIT AKIBAT BAKTERI SALMONELLA DALAM TUBUH MANUSIA MENGGUNAKAN METODE CERTAINTY FACTOR Nita Sari Br Sembiring SISTEM PAKAR DIAGNOSIS KEJIWAAN MENGGUNAKAN METODE CERTAINTY FACTOR (STUDI KASUS RUMAH SAKIT JIWA DAERAH PROVINSI SUMATERA UTARA) Charles Jhony Mantho Sianturi SISTEM PENGGERAK KURSOR MELALUI PENGOLAHAN CITRA JARI TANGAN MENGGUNAKAN EMGUCV Muchammad Naseer , I Gede Suardika, I Gede Putu Teguh Pramudya Ananta RANCANGAN APLIKASI UNTUK MENGANALISA BUS PT.PUTRA PELANGI MEDAN DALAM MENENTUKAN KONDISI MESIN YANG LAYAK UNTUK DIBERANGKATKAN DENGAN MENGGUNAKAN METODE SAW (SIMPLE ADDITIVE WEIGHTING) M.Hari Ramadhan PENGUKURAN TINGKAT KEPUASAN PENGGUNASISTEM INFORMASI AKADEMIK ONLINE STUDI KASUS STMIK STIKOM BALI Ni Kadek Sumiari, I Nyoman Yudi Anggara Wijaya METODE DAMPSTER SHAFER UNTUK DIAGNOSA DAN KLASIFIKASI PENYALAHANGUNAAN JENIS NAPZA (NARKOTIKA PSIKOTROFIKA DAN ZAT ADITIF LAINNYA) Heri Gunawan PENGAMANAN SQLITE DATABASE MENGGUNAKAN KRIPTOGRAFI ELGAMAL Deni Adhar SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN MUTU BIJI KAKAO LAYAK JUAL DENGAN METODE SIMPLE ADDITIVE WEIGHTED Abdul Meizar

362

367

372

377

383

389

394

400

406

413

419

426

432

438


KATA PENGANTAR Seminar Nasional Informatika (SNIf) merupakan salah satu agenda kegiatan rutin tahunan STMIK Potensi Utama sebagai forum yang mempertemukan Akademisi, Peneliti, Praktisi dan Pengambil Kebijakan dibidang informatika guna penyebaran Ilmu pengetahuan dan Teknologi terkini. Kumpulan makalah dikemas dalam bentuk prosiding dan dikelompokkan sesuai dengan bidang kajian antara lain Computer Science, Artificial Intelligence, Image Processing, Computer Networking end Security, Multimedia, Wirelles Computing, Interfacing, Information System, dan Software Engineering. Makalah yang diterima berasal dari seluruh Indonesia, makalah yang dimuat dalam Prosiding SNIf 2014 telah melalui tahap evaluasi oleh para reviewer yang berkompeten dibidangnya. Panitia mengucapkan selamat serta terima kasih atas keikutsertaan dalam Seminar Nasional Informatika (SNIf) 2014. Panitia juga mengucapkan terima kasih kepada Pemerintah Daerah Sumatera Utara dan semua pihak yang telah mendukung serta berpartisipasi aktif dalam mensukseskan acara Seminar Nasional ini. Saran dan Kritikan demi menuju kesempurnaan prosiding SNIf sangat diharapkan. Semoga prosiding ini dapat digunakan sebagai salah satu acuan dalam pengembangan teknologi dan peningkatan pembelajaran dibidang Informatika.

Medan, September 2014 Ketua Panitia

Ratih Puspasari, M.Kom

iii


EVALUASI TINGKAT KEMATANGAN DOMAIN DELIVER AND SUPPORT DENGAN FRAMEWORK COBIT 4.1 Sandy Kosasi Jurusan Sistem Informasi, STMIK Pontianak Jalan Merdeka No. 372 Pontianak, Kalimantan Barat sandykosasi@yahoo.co.id dan sandykosasi@stmikpontianak.ac.id

Abstrak Ketersediaan tingkat layanan dan dukungan teknologi informasi sebuah tata kelola teknologi informasi dalam menyediakan informasi yang tepat, relevan dan memiliki akurasi yang tinggi merupakan kebutuhan yang sangat penting untuk mempertahankan daya saing perusahaan dari waktu ke waktu. Penelitian ini untuk mengetahui nilai kematangan tata kelola teknologi informasi sebanyak 30 perusahaan ritel yang berada di Kota Pontianak dengan teknik purposive sampling dari sisi domain DS (Deliver and Support) dan menggunakan metodologi framework COBIT 4.1. Selanjutnya hasil evaluasi dilanjutkan dengan membuat rekomendasi tata kelola teknologi informasi DS5 yang sesuai dengan indikator kinerja perusahaan dalam suatu hubungan antara keterkaitan proses DS5 dengan proses teknologi informasi lainnya. Hasil penelitian memperlihatkan nilai tingkat kematangan saat ini yang terendah dalam domain DS pada proses DS5 (memastikan keamanan sistem) yaitu 2,563. Tata kelola teknologi informasi DS5 memiliki hubungan keterkaitannya yaitu masukan objektif kontrol terdiri dari PO2, PO3, PO9, AI2, DS1 dan hasil objektif kontrol terdiri dari DS8; DS7; ME1; AI6; PO9; DS11. Untuk menjadi lebih efektif maka proses yang berhubungan dengan DS5 harus memiliki sinkronisasi semua proses yang saling berhubungan agar memiliki kesatuan informasi yang jelas dan terukur dalam perumusan dan perencanaan tata kelola teknologi informasi dalam mencapai tingkat kematangan yang diharapkan. Kata Kunci: tata kelola teknologi informasi, deliver and support (DS), tingkat kematangan, COBIT 4.1 1.

Pendahuluan Perkembangan teknologi informasi senantiasa mempengaruhi struktur dan kinerja perusahaan dalam memberikan tingkat layanan yang dapat memuaskan kebutuhan dan keinginan konsumen. Melalui ketersediaan tingkat layanan teknologi informasi dalam menyediakan informasi yang tepat, relevan dan memiliki akurasi yang tinggi merupakan kebutuhan yang sangat penting untuk mempertahankan daya saing perusahaan dari waktu ke waktu. Kenyataan ini memperlihatkan bahwa untuk mencapai tingkat layanan teknologi informasi harus memiliki tata kelola teknologi informasi yang tepat sehingga dapat menjamin kinerja setiap proses bisnis perusahaan menjadi lebih efektif dan efisien dalam mencapai tujuannya [2]. Ketersediaan layanan teknologi informasi juga menjadi perhatian penting bagi sebagian besar perusahaan ritel yang ada di Kota Pontianak. Sebagai perusahaan yang bergerak dibidang ritel selalu akan berhubungan dengan konsumen sehingga membutuhkan layanan teknologi informasi yang prima. Ketersediaan layanan ini merupakan kebutuhan penting, dimana mereka harus mampu memenuhi sasaran indikator kinerja perusahaan. Harus memiliki standarisasi sistem layanan teknologi informasi antara pihak perusahaan dengan para mitra atau vendor penyedia jasa. Keselarasan layanan teknologi

informasi dengan prioritas bisnis. Optimalisasi pengelolaan biaya teknologi informasi. Sistem teknologi informasi berperan produktif dan aman. Memadai dari sisi kerahasiaan, integritas dan ketersediaan informasi. Berkaitan dengan layanan dan dukungan teknologi informasi yang ada saat ini terhadap proses bisnis organisasi, maka perlu untuk melakukan penilaian terhadap tingkat kematangan ketersediaan layanan teknologi informasi saat ini dan peningkatannya di masa mendatang [8.9]. Penelitian sejenis yang hanya membahas dari sisi domain DS untuk beberapa kasus di perguruan tinggi memperlihatkan bahwa rata-rata tingkat kematangan untuk ketersediaan layanan teknologi informasi berada di skala 3 (define). Kepatutan prosedur sisi layanan teknologi informasi masih sebatas ketersediaan prosedur, belum sampai pada tahap penerapan dengan unsur pengawasan dari setiap prosedur tersebut sebagaimana mestinya [7,10-12]. Penelitian ini hanya membahas dari domain DS untuk perusahaan ritel. Relevansi penelitian sebelumnya dengan penelitian ini adalah ketersediaan informasi dalam jumlah banyak untuk pengguna yang bervariasi. Tujuan penelitian untuk mengetahui nilai kesenjangan antara tingkat kematangan yang ada dengan tingkat kematangan yang diharapkan dalam tata kelola teknologi informasi untuk

1


perusahaan ritel dari sisi domain DS. Selanjutnya dari hasil evaluasi dilanjutkan dengan membuat rekomendasi tata kelola teknologi informasi DS5 sesuai indikator kinerja perusahaan dalam suatu hubungan antara keterkaitan proses DS5 dengan proses teknologi informasi lainnya. Penelitian ini berbentuk survei dengan metode research and development (R&D). Penilaian tingkat kematangannya menggunakan metode eksplanasi. Responden penelitian sebanyak 30 perusahaan ritel dengan teknik purposive sampling. Instrumen menggunakan kuesioner dan dikelompokkan berdasarkan proses, setiap proses dibagi menurut tingkatannya, dan setiap tingkat di sajikan butirbutir pertanyaan menggunakan skala Guttman. Evaluasi tingkat kematangan menggunakan framework COBIT 4.1. Pengolahan data diawali dengan menghitung tingkat kematangan. Kemudian mengolah tingkat kematangan masingmasing proses. Selanjutnya menghitung agregasi tingkat kematangan melalui rata-rata aritmatik. Terakhir hasil agregasi disajikan dalam bentuk tabel dan grafik radar menggunakan perangkat lunak Microsoft Excel. 2.

Tata Kelola Teknologi Informasi Tata kelola teknologi informasi didefinisikan sebagai suatu bagian integral dari tata kelola organisasi yang terdiri atas kepemimpinan, struktur dan proses organisasional yang memastikan bahwa teknologi informasi organisasi berlanjut serta meningkatkan tujuan dan strategi organisasi [5]. Tata kelola teknologi informasi melakukan penspesifikasian hak keputusan dan rerangka akuntabilitas untuk mengarahkan perilaku yang diinginkan dalam penggunaan teknologi informasi. Tata kelola teknologi informasi tidak sekedar pembuatan keputusan spesifik tetapi lebih kepada penentuan siapa yang secara sistematis membuat dan berkontribusi pada keputusan tersebut [3]. Performansi tata kelola teknologi informasi untuk memenuhi adanya keselarasan teknologi informasi dengan tujuan organisasi, pemanfaatan teknologi informasi memungkinkan organisasi mendapatkan peluang-peluang bisnis baru serta memberikan manfaat maksimal, sistem pengelolaan bertanggungjawab dalam pemberdayaan teknologi informasi, pengelolaan terhadap resiko-resiko teknologi informasi yang mungkin terjadi [2]. Untuk dapat berhasil, teknologi informasi tidak cukup hanya diatur oleh departemen teknologi informasi saja, tetapi harus dikelola ditingkat korporasi dengan mengintegrasikan semua unit proses bisnis agar memiliki kesamaan pandangan dalam menghasilkan tujuan jangka pendek dan jangka panjang [3, 5-6].

2

2.1. Framework COBIT 4.1 Framework COBIT 4.1 merupakan kerangka tata kelola teknologi informasi yang ditujukan kepada manajemen, staf pelayanan teknologi informasi, departemen kontrol, fungsi audit dan pemilik proses bisnis, memastikan confidenciality, integrity, availability data serta informasi sensitif dan kritikal [1]. Framework COBIT 4.1 memiliki empat domain, yaitu PO (Plan and Organize), AI (Acquire and Implement), DS (Deliver and Support), dan ME (Monitor and Evaluate) [1]. Sehubungan dengan ketersediaan layanan teknologi informasi, maka difokuskan domain DS. Evaluasi tingkat kematangan domain DS mencerminkan kesiapan teknologi informasi mencapai keselarasan strategi, tujuan dan sasaran perusahaan [3]. Penerapan teknologi informasi memiliki dua model kendali. Model kendali bisnis dan model kendali teknologi informasi. Framework COBIT 4.1 dapat menjembatani kesenjangan dari kedua jenis kendali tersebut melalui tingkat objektif kontrol , yaitu activities dan tasks, process, domains (gambar 1) [5,6]. Pedoman COBIT 4.1 terdiri atas Control Objectives, Audit Guidelines dan Management Guidelines. Karakteristik utamanya fokus pada bisnis, orientasi pada proses bisnis, berbasis kontrol dan dikendalikan melalui sebuah pengukuran agar hasilnya menjadi lebih akurat [4].

Gambar 1. Model COBIT Cube 2.2. Domain Deliver and Support (DS) Domain ini mencakup penyampaian hasil aktual, termasuk pengelolaan kelancaran dan keamanan, dukungan layanan terhadap pengguna, pengelolaan data dan operasional fasilitas. Faktor kritis sukses DS meliputi keselarasan layanan teknologi informasi dengan prioritas bisnis, optimalisasi biaya teknologi informasi, kemampuan pengguna menggunakan sistem teknologi informasi secara produktif dan aman, kerahasiaan, integritas dan ketersediaan [1, 5-6]. Proses teknologi informasi domain DS, terdiri dari: DS1 (Mendefinisikan dan mengelola tingkat layanan), DS2 (Mengelola layanan pihak ketiga), DS3 (Mengelola kinerja dan kapasitas),


DS4 (Memastikan layanan berkelanjutan), DS5 (Me mastikan keamanan sistem), DS6 (Mengidentifikasi dan mengalokasikan biaya), DS7 (Mendidik dan melatih pengguna), DS8 (Mengelola service desk dan insiden), DS9 (Mengelola konfigurasi), DS10 (Mengelola permasalahan), DS11 (Mengelola data), DS12 (Mengelola lingkungan fisik), DS13 (Mengelola operasi) [1, 5-6]. 2.3. Model Tingkat Kematangan Tingkat kematangan memberikan identifikasi sejauhmana perusahaan telah memenuhi standar pengelolaan proses teknologi informasi. Model kematangan memiliki tingkatan pengelompokkan kapabilitas pengelolaan proses teknologi informasi dari tingkat 0 (nol/nonexistent) hingga tingkat 5 (optimised) dalam bentuk grafis (gambar 2) dengan tujuan kemudahan dalam pemahaman secara ringkas bagi pihak manajemen melalui deskripsi masingmasing tingkat kedewasaan secara umum (tabel 1) [2, 5-6].

Gambar 2. Grafik Model Kematangan 3. Hasil Penelitian 3.1. Evaluasi Tata Kelola Teknologi Informasi Melalui hasil pengukuran tingkat kematangan tata kelola teknologi informasi ini selain akan diketahui penilaian tentang kondisi saat ini juga dapat mengetahui kondisi tata kelola teknologi informasi yang diharapkan. Hasil pengukuran tingkat kematangan tata kelola teknologi informasi domain DS dalam perusahaan ritel (tabel 2).

Tabel 1. Model Kematangan Level 0 Non existent

1 Initial/Ad Hoc

2 Repeatable but intuitive

3 Defined

4 Managed and Measurable

5 Optimised

Kriteria Kedewasaan Kekurangan yang menyeluruh terhadap proses apapun yang dapat dikenali. Perusahaan bahkan tidak mengetahui bahwa terdapat permasalahanpermasalahan yang harus diatasi. Terdapat bukti bahwa perusahaan mengetahui adanya permasalahan yang harus diatasi. Bagaimanapun juga tidak terdapat proses standar, namun menggunakan pendekatan ad hoc yang cenderung diberlakukan secara individu atau berbasis per kasus. Secara umum pendekatan kepada pengelolaan proses tidak terorganisasi. Proses dikembangkan ke dalam tahapan yang prosedur serupa diikuti oleh pihak-pihak yang berbeda untuk pekerjaan yang sama. Tidak terdapat pelatihan formal atau pengomunikasian prosedur standar dan tanggung jawab diserahkan kepada individu masing-masing. Terdapat tingkat kepercayaan yang tinggi terhadap pengetahuan individu sehingga kemungkinan kesalahan besar dapat terjadi. Prosedur distandarisasi dan didokumentasikan kemudian dikomunikasikan melalui pelatihan. Kemudian diamanatkan bahwa proses-proses tersebut harus diikuti. Namun penyimpangan tidak mungkin dapat terdeteksi. Prosedur sendiri tidak lengkap namun sudah memformalkan praktek yang berjalan. Manajemen mengawasi dan mengukur kepatutan terhadap prosedur dan mengambil tindakan jika proses tidak dapat dikerjakan secara efektif. Proses berada di bawah peningkatan yang konstan dan penyediaan praktek yang baik. Otomatisasi dan perangkat digunakan dalam batasan tertentu. Proses telah dipilih ke dalam tingkat praktek yang baik, berdasarkan hasil dari perbaikan berkelanjutan dan pemodelan kedewasaan dengan perusahaan lain. Teknologi informasi digunakan sebagai cara terintegrasi untuk mengotomatisasi alur kerja, penyediaan alat untuk peningkatan kualitas dan efektivitas serta membuat perusahaan cepat beradaptasi.

Tabel 2. Rekapitulasi Perhitungan Domain DS Domain

DS1 DS2 DS3 DS4 DS5 DS6 DS7 DS8 DS9 DS10 DS11 DS12 DS13

Proses

Mendefinisikan dan mengelola tingkat layanan Mengelola layanan pihak ketiga Mengelola kinerja dan kapasitas Memastikan layanan yang berkelanjutan Memastikan keamanan sistem Mengidentifikasi dan mengalokasikan biaya Mendidik dan melatih pengguna Mengelola service desk dan insiden Mengelola konfigurasi Mengelola permasalahan Mengelola data Mengelola lingkungan fisik Mengelola operasi Rata – Rata Domain

Current Maturity Level 2,804 2,791 2,675 2,674 2,563 2,575 2,864 2,688 2,825 2,763 2,886 2,867 2,772 2,750

Secara rata-rata domain DS ini memiliki nilai 2,750, dan berada dalam skala tingkat kematangan dari 2,51 – 3,50. Kriteria kedewasaannya dimana prosedur distandarisasi dan didokumentasikan melalui pelatihan. Kemudian diamanatkan bahwa proses-proses tersebut harus diikuti. Namun penyimpangan tidak mungkin dapat terdeteksi. Prosedur sendiri tidak lengkap namun sudah memformalkan praktek yang berjalan. Berdasarkan hasil evaluasi tingkat kematangannya saat ini dan yang diharapkan dapat dibuat representasinya dalam bentuk grafik radar (gambar 3). Tingkat kematangan saat ini (current maturity level) yang tertinggi dalam domain DS berada pada proses DS11 dalam hal ini yaitu

3


mengelola data dengan nilai tingkat kematangannya adalah 2,886. Hal ini dikarenakan organisasi menyadari bahwa kebutuhan untuk mengelola data yang efektif membutuhkan identifikasi kebutuhan data. Proses manajemen data juga mencakup pembentukan prosedur yang efektif untuk mengelola media backup dan pemulihan data, termasuk prosedur pengeluaran data dari media yang digunakan. Melalui manajemen data yang efektif dapat membantu memastikan kualitas, ketepatan waktu dan ketersediaan data untuk keperluan pihak manajemen dalam proses pengambilan kepsutusan. Nilai kematangan ini masih perlu ditingkatkan melalui pembenahan prosedur dalam pengaturan data teknologi informasi dan pengawasannya harus dilaksanakan secara konsisten.

yaitu 2,563. Hal ini terjadi karena kebanyakan perusahaan ritel belum memiliki suatu integritas informasi dan proses manajemen keamanan untuk melindungi aset teknologi informasi. Peran keamanan teknologi informasi masih menjadi wacana, kebijakan, standar dan prosedur masih berjalan sendiri-sendiri dengan pola tersebar dan belum menyatu satu dengan lainnya. Pelaksanaan dan pengawasan manajemen keamanan belum dilakukan secara periodik dari waktu ke waktu dan masih bergantung kepada masing-masing unit kerja. Tindakan korektif masih bersifat reaktif dan penanganannya belum memiliki integrasi secara menyeluruh dan masih rentan terhadap insiden yang mungkin terjadi. Tabel 3. Kesenjangan Tingkat Kematangan Domai n

PROSES

DS1

Mendefinisikan dan mengelola tingkat layanan Mengelola layanan pihak ketiga Mengelola kinerja dan kapasitas Memastikan layanan yang berkelanjutan Memastikan keamanan sistem Mengidentifikasi dan mengalokasikan biaya Mendidik dan melatih pengguna Mengelola service desk dan insiden Mengelola konfigurasi Mengelola permasalahan Mengelola data Mengelola lingkungan fisik Mengelola operasi

DS2 DS3 DS4 DS5 DS6 DS7 DS8

Gambar 3. Model Tingkat Kematangan 3.2. Analisis Kesenjangan Kematangan Tingkat kematangan yang ditetapkan sebagai acuan dalam model pengelolaan teknologi informasi adalah nilai kematangan pada posisi ke 3 (ditetapkan/define). Kriteria kematangan dimana prosedur distandarisasi dan didokumentasikan kemudian dikomunikasikan melalui pelatihan. Kemudian diamanatkan bahwa proses-proses tersebut harus diikuti. Namun penyimpangan tidak mungkin dapat terdeteksi. Prosedur sendiri tidak lengkap namun sudah memformalkan praktek yang berjalan. Berdasarkan hasil perhitungan tingkat kematangan yang telah dilakukan ternyata belum sepenuhnya berada pada kriteria kedewasaan dengan tingkat kematangan pada posisi ke 3 (ditetapkan/define) sehingga perlu dilakukan analisa untuk menutupi kesenjangan antara tingkat kematangan saat ini dengan tingkat kematangan yang diharapkan. Kesenjangan antara kedua tingkat kematangan tersebut untuk setiap proses dengan domain DS yang akan dilakukan dalam penerapan teknologi informasi di sejumlah perusahaan ritel (tabel 3). Tingkat kematangan saat ini yang terendah dalam domain DS pada proses DS5 yang mewakili proses memastikan keamanan sistem

4

DS9 DS10 DS11 DS12 DS13

Hasil Pengujian 2,804

Matu rity Level 3

2,791

3

2,675

3

2,674

3

2,563

3

2,575

3

2,864

3

2,688

3

2,825 2,763 2,886 2,867 2,772

3 3 3 3 3

3.3. Implikasi Pada Aspek Manajerial Penerapan tata kelola teknologi informasi di lingkungan perusahaan ritel diharapkan dapat mencapai tingkat kematangan pada posisi ke 3 (ditetapkan/define) dengan spesifikasi yang memenuhi standarisasi COBIT 4.1. Sementara dari sisi berdasarkan hasil perhitungan tingkat kematangan dapat dilihat bahwa tingkat kematangan tata kelola teknologi informasi masih berkisar dalam skala interval 2,51 – 3,50 yaitu pada tingkat kematangan pada posisi ke 3 (ditetapkan/define) dan belum melebihi dari nilai batas maksimal 3,50. Hal ini menandakan bahwa terdapat sejumlah kesenjangan yang harus dihilangkan agar tingkat kematangan yang diinginkan dapat dicapai dengan baik. Untuk itu harus dilakukan perbaikan-perbaikan keseluruhan proses teknologi informasi pada domain Deliver and Support (DS) dengan merujuk kepada detail objektif kontrol masing-masing proses. Rincian kriteria implikasi hasil penelitian dibawah ini (tabel 4).


Tabel 4. Implikasi Pada Aspek Manajerial Domain

PROSES

DS1

Mendefinisikan dan mengelola tingkat layanan Mengelola layanan pihak ketiga Mengelola kinerja dan kapasitas Memastikan layanan yang berkelanjutan Memastikan keamanan sistem Mengidentifikasi dan mengalokasikan biaya Mendidik dan melatih pengguna Mengelola service desk dan insiden Mengelola konfigurasi Mengelola permasalahan Mengelola data

DS2

DS3

DS4

DS5

DS6

DS7

DS8

DS9 DS10 DS11 DS12 DS13

Mengelola lingkungan fisik Mengelola operasi

Current Maturity

Expected Maturity

Selisih

Priority Type

2,804

3

0,196

Priority

2,791

3

0,209

Priority

2,675

3

0,325

Priority

2,674

3

0,326

Priority

2,563

3

0,437

Priority

2,575

3

0,425

Priority

2,864

3

0,136

Priority

2,688

3

0,312

Priority

2,825

3

0,175

Priority

2,763

3

0,237

Priority

2,886

3

0,114

Priority

2,867

3

0,133

Priority

2,772

3

0,228

Priority

Berdasarkan tabel 4 dapat diketahui bahwa implikasi hasil penelitian pada aspek manajerial memperlihatkan semua rincian proses tersebut memiliki nilai dari tipe prioritas yang berbeda dari sisi kebutuhan untuk segera dilakukan perbaikan. Selanjutnya untuk proses-proses lainnya yang perlu diperbaiki adalah rata-rata proses tata kelola teknologi informasi dengan tipe prioritas (priority). Domain-domain yang merupakan prioritas untuk diperbaiki, meliputi DS1, DS2, DS3, DS4, DS5, DS6, DS7, DS8, DS9, DS10, DS11, DS12, DS13. Hasil pengukuran ini akan membawa pada kebutuhan akan pendefinisian tingkat kematangan proses yang mengindikasikan bahwa semakin baik hasil pengukuran kinerja atau semakin terpenuhinya ukuran kinerja yang didefinisikan, maka tingkat kematangan proses semakin tinggi juga. Tingkat kematangan ditentukan dengan menyesuaikan hasil pengukuran dengan standar yang ada dalam framework COBIT 4.1. Pihak manajemen kemudian meninjau hasil pengukuran kinerja dan tingkat kematangan tiap proses kemudian dengan mengacu kepada standar framework COBIT 4.1 mengarahkan kepada pemenuhan objektif kontrol dalam tiap proses teknologi informasi. Hal ini dapat dilakukan dengan mendefinisikan kebijakan hingga prosedur, mengubah nilai indikator kinerja, penambahan objektif kontrol berikut kontrolnya maupun penyempurnaan proses teknologi informasi hingga diperoleh jaminan bahwa pengelolaan proses telah dilakukan memenuhi

standar pengelolaan teknologi informasi yang baik. Selain peningkatan proses, pihak manajemen perlu melakukan tindakan perbaikan terhadap ketidaksesuaian proses yang telah ada terhadap standar sehingga tidak akan terjadi hal serupa di masa mendatang. Oleh karena pentingnya peningkatan pengelolaan proses, kemampuan penentuan indikator pengukuran kinerja dan pemahaman kondisi eksisting perusahaanperusahaan ritel melalui penentuan tingkat kematangan, menjadi hal kritis penentu langkah yang harus dilakukan pihak manajemen dalam perbaikan berkelanjutan. Lebih jauh lagi dibutuhkan keterlibatan yang berkesinambungan antara pihak manajemen dengan pengguna yang terlibat dalam proses teknologi informasi untuk memastikan bahwa langkah yang diambil sesuai dengan kejadian aktual. 3.4. Tata Kelola Teknologi Informasi DS5 Key Performace Indicators (KPI) dari domain DS terkait objektif kontrol untuk prosess DS5 yaitu memastikan keamanan sistem dalam tata kelola teknologi informasi tersebut yang berkaitan dengan objektif kontrol yang lain dimana sebagai kontol objektif input terdiri dari PO2 (mendefinisikan arsitektur informasi), PO3 (menentukan arahan teknologi informasi), PO9 (menaksir dan mengelola resiko teknologi informasi), AI2 (memperoleh dan memelihara perangkat lunak aplikasi), DS1 (mendefinisikan dan mengelola tingkat layanan) dan sebagai hasil objektif kontrol terdiri dari DS8 (definisi peristiwa keamanan), DS7 (kebutuhan pelatihan spesifik pada kesadaran akan keamanan), ME1 (laporan proses kinerja), AI6 (keperluan perubahan keamanan), PO9 (ancaman keamanan dan kerentanan), DS11 (rencana keamanan dan kebijakan teknologi informasi). Untuk meningkatkan nilai tingkat kematangan khususnya pada DS5 (memastikan keamanan sistem), maka perusahaan ritel harus melakukan pengelolaan keamanan teknologi informasi di tingkat organisasi tertinggi yang sesuai agar tindakan pengelolaan keamanan selaras dengan kebutuhan bisnis. Membuat rencana keamanan teknologi informasi dalam rangka untuk menerjemahkan fungi bisnis, resiko dan kebutuhan akan kepatutan terhadap seluruh rencana keamanan teknologi informasi, yang mempertimbangkan infrastruktur teknologi informasi dan budaya keamanan. Memberikan jaminan kepastian bahwa rencana keamanan diimplementasikan dalam kebijakan keamanan dan prosedur bersama dengan investasi yang sesuai terhadap layanan, sumberdaya manusia, perangkat lunak dan perangkat keras. Harus dapat mengomunikasikan kebijakan keamanan dan prosedur kepada pemangku kepentingan dan

5


pengguna. Kepastian bahwa semua pengguna (internal, eksternal dan sementara) dan aktivitasnya dalam sistem teknologi informasi (aplikasi bisnis, lingkungan teknologi informasi, sistem operasi, pengembangan dan pemeliharaan) secara spesifik teridentifikasi. Memungkinkan pengenalan pengguna melalui mekanisme yang otentik. Melakukan konfirmasi bahwa pengguna menggunakan hak terhadap sistem dan data yang selaras dengan kebutuhan bisnis terdokumentasi dan terdefinisi serta kebutuhan kerja dilampirkan dalam identitas pengguna. Kepastian bahwa hak akses pengguna yang diminta manajemen pengguna dan disetujui pemilik sistem dan diimplementasikan oleh pihak yang bertanggung jawab terhadap keamanan. Melakukan pemeliharaan identitas pengguna dan hak akses ke dalam tempat penyimpanan utama. Membuat penyebaran pengukuran prosedur dan teknis yang efektif biaya dan membuatnya tetap mutakhir, otentifikasi dan penggunaan hak akses. Fokus dalam tata kelola DS ini merujuk kepada proses mendefinisikan kebijakan, prosedur, dan standar keamanan teknologi informasi, serta memonitor, mendeteksi, melaporkan dan menyelesaikan kerentanan keamanan dan insiden. Proses memastikan keamanan sistem ini harus menjadi tanggung jawab bersama pihak manajemen dan semua fungsi bisnis atau unit kerja yang terlibat untuk mencapai suatu sistem terintegrasi. Insiden keamanan harus ditangani dengan prosedur respons insiden yang formal yang didukung oleh alat-alat yang terotomatisasi. Melakukan analisa resiko dan dampak keamanan teknologi informasi dilakukan secara konsisten. Senantiasa melakukan penilaian keamanan dan dilaksanakan secara periodik untuk mengevaluasi efektivitas implementasi dari rencana keamanan. Untuk keterkaitan objektif kontrol tersebut (gambar 4).

DS8 Definisi peristiwa keamanan PO2 Mendefinisikan arsitektur informasi DS7 Kebutuhan pelatihan spesifik pada kesadaran akan keamanan

PO3 Menentukan arahan teknologi informasi

ME1 Laporan proses kinerja PO9 Menaksir dan mengelola resiko teknologi informasi

AI2 Memperoleh dan memelihara perangkat lunak aplikasi

DS1 Mendefinisikan dan mengelola tingkat layanan

DS5 Memastikan Keamanan Sistem AI6 Keperluan perubahan Keamanan

PO9 Ancaman keamanan dan kerentanan

DS11 Rencana keamanan dan kebijakan IT

Gambar 4. Keterkaitan Proses DS5 dengan Proses Teknologi Informasi Lainnya 4.

Simpulan Nilai tingkat kematangan domain DS, ratarata 2,629 ~ 3, artinya belum semuanya secara spesifik sudah pada posisi ke 3 (defined). Untuk mencapai tingkat kematangan yang diinginkan, perusahaan ritel harus memiliki mekanisme dan prosedur mengenai tata cara dan manajemen proses investasi teknologi informasi, agar dapat mengomunikasikan kepada pimpinan perusahaan. Tata kelola teknologi informasi DS5 memiliki hubungan keterkaitannya yaitu masukan objektif kontrol terdiri dari PO2, PO3, PO9, AI2, DS1 dan hasil objektif kontrol terdiri dari DS8; DS7; ME1; AI6; PO9; DS11. Evaluasi tingkat kematangan harus diukur secara periodik dan tidak hanya domain DS, namun perlu juga melibatkan domain lainnya agar memiliki kesatuan informasi yang jelas dan terukur dalam perumusan dan perencanaan tata kelola teknologi informasinya dalam mencapai tingkat kematangan yang diharapkan.

Daftar Pustaka: [1] Brand, Koen., and Boonen, Harry., 2005, IT Governance Based on COBIT ®4.1: A Management Guide, Third Edition, Van Haren Publishing.

6


[2] Debreceny, Roger S. and Gray, Glen L., 2013, IT Governance and Process Maturity: A Multinational Field Study, Journal of Information Systems, Vol.27, No.1, Spring 2013, pp. 157-188. [3] Grembergen, Wim Van., De Haes., 2008, IT Governance Implementation Guide, ITGI. [4] IT Governance Institute, 2000, COBIT: Management Guidelines, ITGI. [5] IT Governance Institute, 2007, COBIT 4.1: Framework, Objektif kontrol s, Management Guidelines, Maturity Models, ITGI. [6] IT Governance Institute, 2010, IT Standards, Guidelines, and Tools and Techniques for Audit and Assurance and Control Professionals, ISACA, ITGI. [7] Kurniawan, Yogiek Indra, Pengukuran Tingkat Maturity Domain Planning and Organizing Menggunakan COBIT 4.1, KNSI 2013, STMIK Bumigora Mataram, 14-16 Pebruari 2013, hal 430-435. [8] Radovanovic, Dalibor., Radojevic, Tijana., Lucic, Dubravka., and Sarac, Marko, 2010, Analysis of Methodology for IT Governance and Information Systems Audit 6th International Scientific Conference, ISSN 2029-4441 print/ISSN 2029-428X CD,

[9]

[10]

[11]

[12]

Vilnius Lithuania, May 13-14, (hal 943949). Raodeo, Vaishali., 2012, IT Strategy and Governance: Frameworks and Best Practice, International Journal of Research in Economics & Social Sciences, Vol 2 Issue 3, March, ISSN:2249-7382, (hal 49-59). Rijayana, Iwan., dan Dianisa, Fahrin., Audit Sistem Informasi Menggunakan Framework COBIT Pada Domain Delivery and Support (DS) Studi Kasus: Universitas Widyatama, KNSI 2014, STMIK Dipanegara Makassar, 27 Pebruari-01 Maret 2014, hal 1701-1706. Sujana, Nana., Ramlan, H., Sakam, R.Djunaedy., Penilaian Tingkat Kematangan Tata Kelola Teknologi Informasi Dengan Menggunakan Framework COBIT 4.1 (Studi Kasus: SPTIK Universitas Pasundan), KNSI 2013, STMIK Bumigora Mataram, 14-16 Pebruari 2013. Supradono, Bambang., Tingkat Kematangan Tata Kelola Teknologi Informasi (IT Governance) Pada Layanan dan Dukungan Teknologi Informasi (Kasus: Perguruan Tinggi Swasta Di Kota Semarang), Seminar Nasional Teknologi Informasi dan Komunikasi Terapan 2011. ISBN 979-260255-0.

7


SISTEM INFORMASI GEOGRAFIS LETAK KOLAM RENANG UMUM DI KOTA MEDAN BERBASIS ANDROID Andi Sanjaya STMIK POTENSI UTAMA Jl. KL Yos Sudarso Km. 6.5 No. 3A , Medan, telp/fax: (061) 6640525 Email : andi.sj7@gmail.com

Abstrak Belum adanya media bagi masyarakat dalam menemukan suatu lokasi menjadikan masyarakat sulit menemukan suatu tempat khususnya Kolam renang di Kota Medan. Masyarakat membutuhkan informasi tentang letak geografis kolam renang di Kota Medan secara digital agar masyarakat lebih mudah menemukan lokasi dan informasi tentang kolam renang. Dimana renang bukan hanya dijadikan tempat olahraga bagi masyarakat Kota Medan tetapi sebagai tempat rekreasi. Dengan menyadari perkembangan teknologi semakin berkembang para pengembang teknologi membuat suatu aplikasi mobile berbasis android untuk mempermudah masyarakat menemukan lokasi kolam renang di Kota Medan. Android merupakan salah satu sistem operasi mobile bersifat open source yang mempermudah pengembang aplikasi membuat dan mengembangkan aplikasi tersebut dengan google map sebagai peta digitalnya. Dengan adanya aplikasi sistem informasi geografis letak kolam renang umum di Kota Medan berbasis android masyarakat dapat dengan mudah menemukan lokasi kolam renang di Kota Medan beserta informasi tentang harga dan fasilitas yang ada pada kolam renang di Kota Medan dan dapat mempelajari tentang bagaimana cara berenang yang baik dan benar. Kata kunci: Android, Kolam Renang, Sistem Informasi Geografis. 1.

PENDAHULUAN

Sulitnya masyarakat mencari suatu lokasi juga menjadi alasan kenapa peneliti membuat penelitian ini. Khususnya mencari letak kolam renang di Kota Medan. Renang juga dapat menjadi fasilitas bermain untuk anak-anak dan sebagai tempat rekreasi yang sangat di gemari oleh masyarakat. Olahraga renang juga sangat baik untuk kesehatan. Dimana kesehatan menjadi faktor yang sangat penting dalam kehidupan manusia agar dapat melakukan berbagai aktifitas dengan baik. Fasilitas dan tempat olahraga renang yang kita inginkan haruslah sesuai dengan yang kita butuhkan, agar kita dapat renang dengan nyaman. Oleh karena itu diperlukannya Sistem Informasi Georafis (SIG) atau Georaphic Information Sistem (GIS) yang merupakan suatu sistem informasi yang berbasis komputer, dirancang untuk bekerja dengan menggunakan data yang memiliki informasi spasial (bereferensi keruangan). Sistem ini menangkap, mengecek, mengintegrasikan, memanipulasi, menganalisa, dan menampilkan data yang secara spasial mereferensikan kepada kondisi bumi[2]. Untuk itu peneliti melakukan penelitian sistem informasi geografis berbasis android agar dapat mudah diakses tidak punya batasan waktu dan tempat. Penelitian ini di mengembangkan dari penelitian sebelumnya yang berjudul “Perancangan Dan Pembangunan Sistem Informasi Geografis

8

Pariwisata Di Kota Bandung Berbasis Website”[2] yang disusun oleh Lusi Melian dan Hilman Agus. Pada penelitian ini hanya sistem informasi geografis berbasis website saja. Sehingga peneliti ingin mengembangkan penelitian sistem infomasi geografis berbasis android, agar dapat digunakan tidak terbatas waktu dan tempat. Dikarenakan android memiliki fitur yang memadai untuk mengembangkan penelitian ini[4] dan menggunakan Salah satu aplikasi layanan peta digital yang gratis dan online yaitu Google Maps[1]. Dan peneliti juga menyediakan informasi tentang bagaimana cara berenang yang baik dan memberikan informasi tentang pentingnya olahraga bagi kesehatan manusia. Sehingga para pengguna tidak hanya dapat menemukan lokasi kolam renang saja sesuai dengan keinginan saja, tetapi dapat belajar tentang bagaimana pentingnya kesehatan bagi manusia, sehingga para pengguna termotivasi untuk berolahraga. Para pengguna juga mendapatkan tentang informasi bagaimana cara berenang yang baik dan benar. 2.

LANDASAN TEORI

2.1 Sistem Informasi Geografis Sistem Informasi Geografi merupakan sistem berbasis komputer yang digunakan untuk menyimpan dan memanipulasi informasiinformasi geografis. Sistem informasi geografi


diciptakan untuk mengumpulkan, menyimpan dan menganalisis obyek atau fenomena dimana lokasi geografis menjadi karakteristik atau kritik penting untuk analisis[3]. 2.2 Android Android adalah sistem operasi untuk perangkat selular yang berbasis Linux. Android menyediakan platform terbuka bagi para pengembang buat menciptakan aplikasi mereka sendiri untuk digunakan oleh bermacam peranti bergerak. Awalnya, Google Inc. membeli Android Inc., pendatang baru yang membuat peranti lunakuntuk ponsel. Kemudian untuk mengembangkan Android, dibentuklah Open Handset Alliance, konsorsium dari 34 perusahaan peranti keras, peranti lunak, dan telekomunikasi, termasuk Google, HTC, Intel, Motorola, Qualcomm, T-Mobile, dan Nvidia. Pada saat perilisan perdana Android, 5 November 2007, Android bersama Open Handset Alliance menyatakan mendukung pengembangan standar terbuka pada perangkat seluler. Di lain pihak, Google merilis kode–kode Android di bawah lisensi Apache, sebuah lisensi perangkat lunak dan standar terbuka perangkat seluler. Di dunia ini terdapat dua jenis distributor sistem operasi[5]. Salah satu software pengembang sistem android adalah eclipse[4]. Pada penelitian ini peneliti menggunakan eclipse galileo. 2.3 Google MAP Google Maps (sebelumnya Google Lokal) adalah pemetaan layanan web aplikasi dan teknologi yang disediakan oleh Google, gratis (untuk penggunaan non-komersial). Kekuatan layanan berbasis peta sudah banyak, diantaranya situs Google Maps, Google Ride Finder, Google Transit dan peta yang tertanam pada situs web melalui Google Maps API. Pada peta ini terdapat peta jalan yaitu rute jalan untuk pejalan kaki, mobil atau angkutan umum yaitu rute jalan untuk para driver[5]. 3.

3.2. Metode pengembangan sistem Peneliti menggunakan metode prototipe dalam mengembangkan sistem ini. Metode prototipe merupakan metode pengembangan sistem untuk membuat sebuah sistem dengan cepat dan bertahap. Sehingga para pengguna dapat dengan cepat mengevaluasi sistem, dan akan dilakukan perbaikan terhadap sistem yang telah di evaluasi oleh pengguna. Sehingga sistemyang dibangun sesuai dengan yang diinginkan oleh pengguna. 3.3 Pengumpulan data 3.3.1 Observasi Untuk mendapatkan data setiap kolam renang peneliti langsung ke lokasi kolam renang di Kota medan. Tetapi peneliti hanya mengambil beberapa sample dari kolam renang yang terdapat di Kota Medan saja. Data yang diambil yaitu berupa fasilitas, sarana, prasarana serta harga di setiap kolam renang.

4.

PERANCANGAN DAN PEMBAHASAN

4.1 Perancangan sistem Perancangan pada penelitian ini menggunakan UML dengan menggunakan 1 diagram yaitu : Use case diagram dan Activity diagram. Pada perencangan sistem ini menjelaskan tentang apa saja yang terdapat di sistem tersebut. 4.1.1 Perancangan usecase diagram Berikut merupakan use case diagram Sistem Informasi Geografis Letak Kolam Renang Umum Di Kota Medan Berbasis Android. Yang menjelaskan tentang fitur-fitur apa saja yang dapat digunakan user sehingga para user dapat melihat beberapa informasi di dalamnya.

METODE PENELITIAN

3.1. Metode pendekatan sistem Pada penelitian ini peneliti merancang perangkat lunak Sistem Informasi Geografis Letak Kolam Renang Umum di Kota Medan Berbasis Android menggunakan metode Object Oriented Design menggunakan UML. UML yang digunakan untuk merancang sistem menggunakan diagram yaitu: Use case diagram.

9


Gambar 5. Tampilan Informasi Kolam Renang Offline Gambar 1. Gambar Usecase Diagram

5.

IMPLEMENTASI ANTAR MUKA

5.1 Tampilan Gaya Renang Pada tampilan merupakan tampilan ini terdapat informasi tentang gaya renang pada umumnya. Sebagai metode pembelajaran bagaimana cara berenang yang baik dan benar untuk pengguna.

5.3 Tampilan Map Renang Online Pada tampilan ini, terdapat map digital letak kolam renang di Kota Medan, yang disertai dengan maker sebagai penanda kolam renang. Apabila marker di klik maka akan muncul informasi tentang nama, alamat, fasilitas, dan harga pada kolam renang yang di pilih.

Gambar 6. Tampilan Map digital Kolam Renang Online Gambar 4. Tampilan Gaya Renang

5.2 Tampilan Informasi Kolam Renang Offline Pada tampilan ini merupakan tampilan ini terdapat informasi tentang nama kolam renang, alamat kolam renang, fasilitas, dan harga kolam renang sehingga user dapat melihat info offline tanpa koneksi internet.

10

5.4

Tampilan Informasi Kolam Renang Online

Pada tampilan ini, terdapat informasi kolam renang yang apabila marker di klik pada map digital. Informasi yang mucul yaitu berupa nama kolam renang, alamat, fasilitas, serta harga kolam renang.


SARAN Dalam perancangan sistem ini penulis menyadari banyak kekurangan yang harus disempurnakan. Oleh sebab itu penulis menyarankan agar sebaiknya penelitian ini di kembangkan lagi dengan menggunakan GPS (Global Positioning System) dan MultiPlatform. Sehingga dapat menentukan jarak antara pengguna dengan kolam renang dan dapat digunakan di jenis handphone apa saja.

DAFTAR PUSTAKA [1]

Gambar 6. Tampilan Informasi Kolam Renang Online KESIMPULAN Sistem ini sudah berjalan dengan baik sesuai. Pada penelitian sistem informasi geografis letak kolam renang umum di kota medan ini user dapat dengan cepat menemukan letak kolam renang umum di Kota Medan. Tidak hanya dapat menemukan letak kolam renang saja tetapi user dapat mendapatkan informasi tentang sarana dan fasilitas apa saja yang tersedia di kolam renang tersebut serta harga kolam renang di Kota Medan. Sehingga user dapat memilih kolam renang yang diinginkan sesuai dengan fasilitas dan harga yang diinginkan oleh user. Kecepatan internet sangat berpengaruh terhadap cepat tampilnya map digital, karena peta digital memerlukan akses internet. Karena map digital diperoleh dari Google Map.

[2]

[3]

[4]

[5]

Gusmão António, Pramono Hadi Sholeh, Sunaryo, Sistem Informasi Geografis Pariwisata Berbasis Web Dan Pencarian Jalur Terpendek Dengan Algoritma Dijkstra, Jurnal EECCIS Vol. 7, No. 2, Desember 2013. Melian Lusi dan Agus Hilman, Perancangan Dan Pembangunan Sistem Informasi Geografis Pariwisata Di Kota Bandung Berbasis Website, Universitas Komputer Indonesia, Bandung. Rachman, S. Nofan Maulana. 2012, Sistem Informasi Geografi Pariwisata Kota Yogyakarta Berbasis Mobile Android 2.2, Naskah Publikasi, Sekolah Tinggi Ilmu Manajemen Informatika dan Komputer AMIKOM, Yogyakarta. Safaat Nazarudin, 2012. Pemrograman Aplikasi Mobile Smartphone dan Tablet PC Berbasis Android, Informatika, Bandung. Zulfariana, Zara dan Ernastuti. 2012, Aplikasi Sistem Informasi Geografis Yang Memetakan Empat Bengkel Motor Resmi Di Kota Depok Berbasis Platform Android, Jurnal, Fakultas Ilmu Komputer dan Teknologi Universitas Gunadarma, Depok.

11


ANALISIS KESUKSESAN SISTEM BIMBINGAN ONLINE STMIK AMIKOM YOGYAKARTA Ike Verawati1, Wing Wahyu Winarno2, Andi Sunyoto3 1,2,3

Magister Teknik Informatika STMIK AMIKOM Yogyakarta E-mail: 1ike.verawati@gmail.com,2wing@amikom.ac.id,3andi@amikom.ac.id

Abstrak Analisis kesuksesan sistem bimbingan online di STMIK AMIKOM Yogyakarta merupakan sebuah penelitian yang dilakukan untuk mengukur sejauh mana tingkat keberhasilan dari penerapan sistem bimbingan online tersebut. Sistem bimbingan online di STMOK AMIKOM Yogyakarta bukan hanya sebatas sistem yang dapat digunakan untuk proses bimbingan saja, namun sistem ini juga mencakup hampir semua proses pelaksanaan skripsi mulai dari pengajuan judul hingga proses bimbingan. Penelitian ini menggunakan model kesuksesan DeLone dan McLean (2003) untuk mengukur tingkat kesuksesan dari penerapan sistem ini. Model kesuksesan DeLone dan McLean (2003) ini memiliki enam variabel sebagai pengukurannya yaitu: Kualitas sistem, Kualitas informasi, Kualitas pelayanan, Penggunaan, Kepuasan pengguna dan Netbenefit. Keenam variabel tersebut semuanya digunakan dalam penelitian ini. Pada penelitian ini diperoleh 6 hipotesis yang digunakan untuk proses analisis. Hasil penelitian yang dilakukan ke-6 hipotesis dinyatakan diterima. Dari hasil analisis yang dilakukan menyatakan bahwa penerapan sistem ini dapat dikatakan sukses untuk proses pengajuan judul, namun pada proses bimbingan masih belum sukses. Hal ini dikarenakan masih terdapat beberapa menu yang error dan belum semua dosen menggunakan sistem tersebut. Kata Kunci : kesuksesan, sistem, bimbingan online, DeLone dan McLean (2003) 1.

PENDAHULUAN

Sistem bimbingan online STMIK AMIKOM Yogyakarta merupakan sebuah media yang dapat digunakan oleh dosen pembimbing dan mahasiswa yang sedang menempuh skripsi untuk melakukan proses bimbingan. Sistem ini tidak hanya dapat digunakan untuk proses bimbingan saja, namun sistem ini juga dapat digunakan mulai dari pengecekan judul skripsi, pengajuan surat pengantar ijin penelitian sampai dengan proses pendadaran. Sistem bimbingan online ini dibuat dengan harapan agar membantu kelancaran proses bimbingan di STMIK AMIKOM Yogyakarta. Sejak pertama kali diluncurkan hingga saat ini pengguna sistem bimbingan hanya 381 mahasiswa. Sedangkan mahasiswa yang menempuh skripsi sejak sistem ini diluncurkan telah mencapai 5862 mahasiswa. Perbedaan yang sangan jauh ini tentunya menimbulkan sebuah tanda tanya besar tentang tingkat keberhasilan pemanfaatan sistem bimbingan online tersebut. Untuk itu dirasa perlu untuk melakukan analisis kesuksesan untuk mengetahui tingkat keberhasilan dari penerapan sistem terhadap tujuan pembuatan sistem tersebut. Analisis kesuksesan sistem bimbingan online ini dilakukan untuk tingkat keberhasilan sistem bimbingan online terhadap tujuan utama dalam pembuatan sistem terebut. Selain itu penelitian ini juga dilakukan untuk mengevaluasi sistem

12

bimbingan online di STMIK AMIKOM Yogyakarta. Penelitian ini akan dilakukan dengan menggunakan metode DeLone and McLean (2003). Dari hasil evaluasi yang dilakukan diharapkan dapat memberikan masukan yang terbaik dan dapat membantu dalam mengambil keputusan untuk kemajuan sistem bimbingan online di STMIK AMIKOM Yogyakarta.

2.

TINJAUAN PUSTAKA

2.1. Metode Analisis Data Metode analisis data yang digunakan dalam penelitian ini adalah model kesuksesan DeLone and McLean (2003). Model kesuksesan sistem DeLone dan McLean 2003 merupakan model yang telah diperbarui dari model kesuksesan DeLone dan McLean sebelumnya. Pembaruan tersebut dilakukan oleh DeLone dan McLean atas dasar beberapa kritikan yang disampaikan oleh peneliti lain. Model kesuksesan DeLone dan McLean (2003) menggunakan enam faktor dalam mengukur tingkat kesuksesan yaitu System quality, Information quality, Service Quality, User, User satisfaction dan Net Benefit. Hubungan ke-enam variabel tersebut diilustrasikan pada gambar 1.


Gambar 1. Model kesuksesan sistem DeLone dan McLean (2003) [2] Berdasarkan keenam elemen atau variabel tersebut model kesuksesan DeLone dan McLean (2003) beberapa faktor pengukuran pada masingmasing variabel antara lain:[2] 1) Information Quality Kualitas informasi digunakan untuk mengukur kualitas keluaran dari sebuah sistem informasi. Kualitas informasi menurut DeLone & McLean (1992) diukur menggunakan beberapa hal yaitu; [3] a) Informasi harus di personalisasi. b) Kelengkapan (complete). c) Relevansi (relevant). d) Mudah dipahami (easy to understand). e) Memberi keamanan terhadap pengguna. f) Konsistensi. 2) System Quality Kualitas sistem digunakan untuk melakukan pengukuran terhadap kualitas sistem pada teknologi informasi itu sendiri. Kualitas sistem menurut DeLone dan McLean (1992) diukur menggunakan beberapa aspek antara lain : [3] a) Usability b) Ketersediaan (availability). c) Waktu keandalan (time reliability). d) Kemapuan beradaptasi (adaptability). e) Respon (response). 3) Service Quality Peneliti-peneliti sistem informasi yang memasukkan pengukuran kualitas pelayanan (service qualiti) kedalam model DeLone dan McLean mengambilnya dari penelitian pemasaran. Para peneliti yang berpendapat bahwa kualitas layanan akan ditambahkan ke model keberhasilan telah menerapkan dan menguji 22item instrumen pengukuran SERVQUAL dari pemasaran untuk IS konteks. Beberapa sampel SERVQUAL item instrumen meliputi: [2] a) Tangible b) Reability c) Responsiveness d) Jaminan (assurance e) Empati (emphaty)

4) Use (penggunaan) Penggunaan digunakan untuk mengetahui intensitas penggunaan informasi yang mengacu pada seberapa sering pengguna memakai sistem informasi [8]. Dalam kaitannya dengan hal ini penting untuk membedakan apakah pemakaiannya termasuk keharusan yang tidak bisa dihindari atau sukarela. Penggunaan (Use) menurut DeLone dan McLean (1992) diukur menggunakan beberapa aspek antara lain : [3] a. Frekwensi penggunaan. b. Waktu penggunaan. c. Jumlah akses. d. Pola penggunaan. e. Ketergantungan. 5) User Satisfaction Kepuasan pemakai (User Satisfaction) adalah respon pemakai terhadap penggunaan keluaran sistem informasi. Kepuasan pengguna menurut DeLone dan McLean (1992) diukur menggunakan kepuasan informasi dan kepuasan menyeluruh. Kepuasan informasi yaitu mengukur tingkat kepuasan pengguna terhadap informasi yang diberikan oleh sistem. Sedangkan kepuasan menyeluruh yaitu mencakup kepuasan terhadap kinerja sistem, kepuasan terhadap pelayanan dan informasi[3]. 6) Net Benefits Menurut DeLone dan McLean (2003) manfaat bersih (netbenefit) adalah ukuran keberhasilan yang paling penting karena dapat menangkap keseimbangan antara dampak positif dan negative dari sistem informasi. Manfaat bersih merupakan langkah-langkah paling penting tetapi tidak dapat dianalisis dan dipahami tanpa pengukuran kualitas sistem dan kualitas informasi. [2] 2.2. Pengolahan Data Alat penelitian yang digunakan dalam penelitian ini adalah Structural Equation Model (SEM). Dalam penelitian ini SEM digunakan untuk mengukur dimensi-dimensi yang mempengaruhi kesuksesan penerapan sistem bimbingan on line di STMIK AMIKOM Yogyakarta dengan mengadopsi model kesuksesan sistem informasi DeLone & McLean. Selain itu juga menggunakan pengukuranpengukuran dari penelitian-penelitian sejenis yang telah dilakukan sebelumnya. Pengukuran variabel dilakukan dengan menggunakan skala Likert. Data-data pada penelitian ini merupakan data mentah yang kemudian akan dilakukan pengolahan data dengan menggunakan software SmartPLS. Data yang dihasilkan dalam pengolahan data akan disajikan dalam bentuk statistik deskriptif.

13


2.3. Hipotesis Berdasarkan model penelitian dan temuan penelitian terdahulu maka dirumuskan hipotesis sebagai berikut : H1 :Kualitas informasi (information quality) berpengaruh positif terhadap kepuasan pengguna (user satisfaction). H2 :Kualitas sistem (system quality) berpengaruh positif terhadap kepuasan pengguna (user satisfaction). H3 :Kualitas pelayanan (service quality) berpengaruh positif terhadap kepuasan pengguna(user satisfaction). H4 :Kepuasan pengguna (user satisfaction) berpengaruh positif terhadap penggunaan (use). H5 :Penggunaan (use) berpengaruh positif terhadap manfaat bersih (net benefits). H6 :Kepuasan pengguna (user satisfaction) berpengaruh positif terhadap manfaat bersih (net benefits).

INFORMATION QUALITY

H1 H5 INTENTION TO USE

SYSTEM QUALITY

USE

H2

NET BNEFITS

H4

H6 USER SATISFACTION H3 SERVICE QUALITY

Gambar 2. Hipotesis Model Kesuksesan Sistem DeLone and McLean (2003) pada Analisis Kesuksesan Sistem Bimbingan Online STMIK AMIKOM Yogyakarta. 3.

Hasil dan Pembahasan

Sistem bimbingan online di STMIK AMIKOM Yogyakarta mencakup hampir semua proses pelaksanaan skripsi mahasiswa. Pada sistem ini mahasiswa dapat melakukan pengecekan judul skripsi, pendaftaran judul skripsi, pengajuan surat pengantar ijin penelitian, melihat histori bimbingan, upload file skripsi dan pendaftaran ujian pendadaran. Gambaran proses pelaksanaan skripsi mahasiswa dapat dilihat pada halaman utama http://bimbingan.amikom.ac.id/index.php. 3.1. Uji Validitas Uji validitas digunakan untuk mengukur sah atau valid tidaknya suatu kuesioner. Suatu kuesioner dikatakan valid jika pertanyaan pada kuesioner mampu untuk mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut [1].

14

Pengujian validitas dilakukan dengan menggunakan pengujian konstruk, dimana pengujian yang digunakan adalah uji validitas konvergen. Validitas konvergen dievaluasi menggunakan kriteria faktor loading yang seharusnya signifikan dan nilainya lebih dari 0,70 dan Average Variance Extracted (AVE) untuk masing-masing konstruk seharusnya lebih varian yang diakibatkan oleh kesalahan pengukuran konstruk tersebut yaitu nilainya harus meleibihi 0,50, sehingga probabilitas indikator tersebut konvergen dan masuk di konstruk yang di maksud lebih besar yaitu diatas 50% [5]. Nilai loading factor dari semua indikator yang ada pada penelitian ini ditunjukkan pada Tabel 1. Tabel 1. Uji validitas konvergen Pengukuran Muatan AVE faktor Kualitas 0,659423 Informasi X1.1 0,827849 X1.2 0,861228 X1.3 0,742443 X1.4 0,387373 Kualitas 0,647522 Sistem X2.1 0,788402 X2.2 0,809698 X2.3 0,871009 X2.4 0,380303 X2.5 0,744475 Kualitas 0,626253 Pelayanan X3.1 0,850974 X3.2 0,812650 X3.3 0,702996 Penggunaan 0,670648 X4.1 0,907183 X4.2 0,815182 X4.3 0,724183 Kepuasan 0,736941 pengguna X5.1 0,854688 X5.2 0,862201 NetBenefit 0,815101 X6.1 0,906479 X6.2 0,899165

Ketera ngan

Valid Valid Valid Tidak

Valid Valid Valid Tidak Valid

Valid Valid Valid Valid Valid Valid

Valid Valid Valid Valid

Dari hasil pengujian dapat diketahui bahwa tidak semua indikator memiliki memiliki muatan faktor diatas 0,70 sehingga indikator tersebut dinyatakan tidak valid, namun untuk masingmasing variabel masih memenuhi sarat AVE diatas 0,50 sehingga untuk masing-masing variabel dapat dinyatakan valid.


3.2. Uji Reliabilitas Uji reliabilitas bertujuan untuk mengukur sejauh mana hasil pengukuran tetap konsisten. Uji reliabilitas pada penelitian ini dilakukan dengan menggunakan metode cronbachs alpha dan Composite reliability. Suatu variabel dapat dikatakan reliable jika nilai cronbachs alpha > 0,60 dan Composite reliability > 0,7 [5]. Hasil uji reliabilitas ditunjukkan pada Tabel 2. Tabel 2. Uji reliabilitas Cronbachs Alpha Kepuasan pengguna 0,643086 Kualitas informasi 0,751268 Kualitas servis 0,697008

Composite Reliability 0,848548 0,852649 0,833202

Kualitas sistem Net benefit Use

0,818397 0,773227 0,748437

0,879875 0,898132 0,858316

Berdasarkan hasil uji reliabilitas yang ditunjukkan pada Tabel 3.10 dapat disimpulkan bahwa masing-masing variabel yang digunakan dalam penelitian ini menunjukkan hasil nilai cronbachs alpha > 0.60 dan Composite reliability > 0,7, yang berarti masing-masing variabel dalam penelitian ini adalah reliable. Dari hasil olah data dan pengujian yang dilakukan maka diperoleh 6 variable dan 17 indikator yang valid yang akan digunakan dalam penelitian ini. Gambaran hasil olah data dan pengujian dijelaskan pada gambar.

Gambar 3. Diagram alur setelah dilakukan pengujian 3.3. Uji Hipotesis Pengujian hipotesis dalam penelitian ini dilakukan terhadap hipotesis statistic menggunakan uji t. Uji t dilakukan pada tingkat signifikan 95% sebesar 1,645. Hipotesis dapat diterima jika t-statistik lebih besar dari t-tabel. Apabila nilai t-statistik lebih besar dari t-tabel maka pengaruh antara konstruk yang satu dengan konstruk yang lain adalah signifikan dan sebaliknya. Hasil uji t pada penelitian ini dijelaskan pada Tabel 3.

Hipotesis Kepuasan pengguna -> Net benefit Kepuasan pengguna -> Use Kualitas

Tabel 3. Uji Hipotesis T-tabel Koefisien T-Statistics Jalur 4,733611

16,401521 1,818211

1,658

1,658

0,534432

0,696085

informasi -> Kepuasan pengguna

1,658

Kualitas servis -> Kepuasan pengguna

3,397625

Kualitas sistem -> Kepuasan pengguna

3,276414

Use -> Net benefit

1,930526

0,214163

0,347901 1,658

1,658

1,658

0,323691

0,208018

Berdasarkan hasil olah data dan analisis yang ditunjukkan pada tabel dapat dilihat bahwa keenam hipotesis memiliki nilai t-statistik lebih besar dari nilai t-tabel, hal ini berarti keenam hipotesis dinyatakan signifikan. Sedangkan untuk nilai koefisien jalur dari keenam hipotesis memiliki nilai koefisien jalur yang positif, maka

15


dapat diambil kesimpulan bahwa keenam hipotesis yang diajukan dinyatakan diterima 3.4. Statistik Deskriptif Untuk mengetahui sejauh mana tingkat keberhasilan sistem bimbingan tersebut dinilai dari hasil pengolahan data yang telah dilakukan, maka perlu dibuat kategori untuk mengukur tingkat keberhasilan penerapan sistem bimbingan online tersebut. Rincian frekuensi deskriptif statistic penelitian ini dijelaskan pada Tabel 4. Tabel 4. Statistik deskriptif Mean Std. Deviation Kualitas informasi 15,6900 2,56903 Kualitas Sistem 20,4800 2,71353 Kualitas servis 15,6400 2,95597 Penggunaan 10,2400 2,28796 Kepuasan 11,0500 1,85524 pengguna Net benefit 16,6400 2,36780 Dari data tentang hasil pengukuran mean dan standar deviasi, maka dibuatlah beberapa kategori untuk menentukan tingkat keberhasilan penerapan sistem berdasarkan data dari responden. Pada penelitian ini peneliti menggunakan 3 kategori penilaian. Rincian kategori tersebut antara lain:[7] a. Baik, bila nilai responden (X) > mean + 1SD b. Cukup baik, bila nilai mean – 1SD < X < mean + SD c. Kurang baik, bila nilai responden (X) < mean – 1SD Hasil analisis frekuensi pada masing-masing variabel ditunjukkan pada Tabel 5. Tabel 5. Analisis frekuensi Kategori Baik Cukup Variabel Baik

Kurang baik

Kualitas Informasi

17%

64%

19%

Kualitas Sistem

13%

77%

10%

Kualitas Pelayanan

24%

65%

11%

Use/Penggunaan

15%

73%

12%

Kepuasan Pengguna

21%

62%

17%

NetBenefit

11%

77%

12%

Berdasarkan hasil analisis yang ditunjukkan pada Tabel 7 dapat disimpulkan bahwa penerapan sistem bimbingan online sudah cukup berhasil.

3.5. Rekomendasi Berdasarkan hasil analisis yang telah dilakukan maka diperoleh beberapa rekomendasi yang

16

ditujukan untuk sistem bimbingan online tersebut. Adapun rekomendasi tersebut antara lain : a. Pihak jurusan perlu mengadakan sosialisasi kepada dosen-dosen pembimbing tentang adanya sistem bimbingan online agar semua dosen bisa menggunakan sistem bimbingan online. b. Pihak jurusan dirasa perlu untuk menambah staf yang khusus menangani pengajuan judul skripsi. c. Sistem bimbingan online perlu ditambahkan informasi mengenai pedoman dalam pemilihan topik penelitian, judul penelitian dan kasuskasus yang sudah sering terjadi. d. Melakukan perubahan pada sistem dimana sistem memungkinkan satu mahasiswa untuk mengajukan judul lebih dari satu dan pengajuan judul perlu disertai dengan abstrak. e. Staf IC perlu melakukan perbaikan dan penyempurnaan beberapa menu pada sistem bimbingan online untuk mahasiswa. f. Menambahkan pencarian judul skripsi yang masih dalam proses pengerjaan.

4.

KESIMPULAN DAN SARAN

Penelitian ini dilakukan untuk mengukur tingkat kesuksesan pada sistem bimbingan online di STMIK AMIKOM Yogyakarta baik dari segi sistem maupun dari segi proses pelaksanaan skripsi. Berdasarkan hasil analisis dan penelitian yang telah dilakukan maka dapat diambil kesimpulan sebagai berikut: a. Tingkat kepuasan pengguna terhadap sistem mempengaruhi tingkat keseringan pengguna dalam memanfaatkan sistm bimbingan online, sehingga semakin puas pengguna maka akan semakin sering pengguna dalam memanfaatkan sistem. b. Penerapan sistem bimbingan online telah berjalan meskipun masih terdapat beberapa permasalahan dalam proses dan sistem bimbingan online itu sendiri. c. Dengan adanya sistem bimbingan online mahasiswa akan lebih cepat dalam menyelesaikan skripsi karena untuk proses skripsi dan bimbingan mahasiswa tidak perlu mengantri. d. Secara keseluruhan tingkat kesuksesan sistem untuk proses pengajuan judul dan pengecekan judul sudah cukup berhasil, ini dibuktikan dengan banyaknya responden yang menyatakan bahwa sistem untuk proses pengajuan judul dan pengecekan judul sudah cukup baik. Namun untuk proses bimbingan online masih belum berhasil. Saran yang dapat diberikan sebagai tindak lanjut dari hasil penelitian adalah sebagai berikut:


a. Penelitian selanjutnya dapat dilakukan dengan sample lebih banyak dari mahasiswa yang telah melakukan bimbingan secara online. b. Untuk penelitian yang selanjutnya sebaiknya dilakukan pada obyek penelitian yang berbeda. c. Penelitian selanjutnya dapat dilakukan dengan menambahkan pengukuran pada segi desain sistem agar dapat diketahui bahwa pengguna merasa nyaman dengan design dan tampilan sistem yang ada.

[3]

[4]

[5] DAFTAR PUSTAKA [1]

[2]

Agustina,N.H.2010. Pengaruh Pemanfaatan Ssistem Iinformasi Aakademik Tterpadu (SIKADU) Terhadap Kinerja Individual Dengan Kemudahan Pengguna Sebagai Variabel Moderating. Tesis , Magister Akutansi, Universitas Diponegoro, Semarang. DeLone, W. & McLean, E. 2003. The DeLone and McLean Model of Information

[6]

[7]

Systems Success: A Ten-Year Update. Journal of Management Information Systems (19:4). Spring. DeLone, W., & McLean, E. (1992). Information systems success: the quest for the dependent variable. Information System Research , 60-95. Hasibuan, Z. A. (2007). Metode Penelitian pada Bimbingan Ilmu Komputer dan Teknik Informasi. Fakultas Ilmu Komputer Universitas Indonesia. Jogiyanto, & Willy, A. (2009). Konsep dan aplikasi PLS(Patrial Least Square) untuk penelitian empiris. Yogyakarta: BPFE. Riwidikdo, H. (2010). Statistik untuk Penelitian Kesehatan dengan Aplikasi Program R dan SPSS. Yogyakarta: Pustaka Rihama. Sulipan. (2011). Penelitian Deskriptif Analitis. Lembaga Pelatihan dan Pengembangan Profesi Guru Kepala Sekolah dan Pengawas Sekolah.

17


METODE FUZZY SIMPLE ADDITIVE WEIGHTING (SAW) DALAM MENENTUKAN KUALITAS KULIT ULAR UNTUK KERAJINAN TANGAN (STUDI KASUS : CV. ASIA EXOTICA MEDAN) Alfa Saleh1, Ria Eka Sari2, Harris Kurniawan3 STMIK Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan Email : alfasoleh1@gmail.com, ladiespure@gmail.com, ch0c0_pahmen@yahoo.com

Abstrak Kualitas produksi kerajinan merupakan prioritas sebuah perusahaan yang bergerak di bidang kerajinan, terutama dalam pemilihan bahan baku utama pembuatan kerajinan tersebut. dalam penelitian ini kerajinan yang dibuat dari kulit ular yang akan diteliti, dimana kualitas kulit ular akan menjadi tolak ukur apakah kulit ular tersebut layak dijadikan bahan kerajinan atau kulit ular tersebut ditolak untuk dijadikan bahan kerajinan. Dalam penentuan inilah metode Fuzzy Simple Additive Weighting (SAW) yang mana metode tersebut merupakan salah satu metode yang dapat digunakan untuk masalah Fuzzy Multi Atribute Decision Making (Fuzzy MADM). Metode Fuzyy SAW diterapkan guna memaksimalkan keputusan yang akan diambil, beberapa kriteria yang mendukung seperti ukuruan kulit ular, fisik kulit ular dan warna kulit ular dan bobot untuk setiap kriteria juga diberikan setelah itu ditentukanlah nilai normalisasi dari perhitungan nilai criteria dibagi dengan nilai maximum setiap criteria dan selanjutnya dilakukan perhitungan untuk menentukan nilai perangkingan alternatif untuk menentukan jenis kulit ular mana yang terbaik. Kata kunci : Kulit Ular, Metode Fuzzy, Simple Additive Weighting (SAW) 1.

Pendahuluan CV. Asia Exotica merupakan sebuah perusahaan yang berdomisili di Medan dan bergerak di bidang kerajinan kulit ular. Seiring dengan tingkat persaingan yang semakin ketat di bidang kerajinan maka CV. Asia Exotica dengan cara mengkaji ulang tujuan strategi dalam persaingan. Tentu saja hal yang perlu dikaji dalam hal ini adalah kualitas kerajinan kulit ular yang dihasilkan oleh karena itu dilakukanlah penelitian ini untuk menentukan kualitas kulit ular mana yang akan ditolak dan kuli ular mana yang akan diterima yang nantinya akan dijadikan sebagai bahan baku dalam pembuatan kerajinan dari kulit ular. Dalam menentukan kualitas kulit ular ini, akan diterapkan metode Fuzzy Simple Additive Weighting (SAW). Metode Fuzzy SAW ini dipilih karena metode ini menentukan nilai bobot untuk setiap kriteria yang ditentukan, kemudian dengan proses perangkingan akan menyeleksi alternatif yang terbaik dari sejumlah alternatif yang ada dan dalam penelitian ini yang menjadi alternatif adalah jenis kulit ular yang memiliki kualitas kulit yang terbaik berdasarkan kriteria - kriteria yang telah ditentukan. Fuzzy SAW juga digunakan dalam beberapa penelitian sebelumnya seperti pemanfaatan metode Fuzzy SAW dalam penilaian kinerja karyawan [1]. Sistem pendukung keputusan untuk menentukan

18

penerima beasiswa Bank BRI[2] dan dalam hal pemilihan Vendor dengan Fuzzy SAW[3]. Dalam penelitian ini diharapkan penulis mampu menguji metode Fuzzy SAW dalam menentukan kualitas kulit ular serta mampu membantu dalam menentukan kualitas kulit ular sehingga para pelanggan dapat merasa puas dengan kerajinan dari kulit ular yang dihasilkan nantinya. 2.

Landasan Teori

Logika Fuzzy Konsep tentang logika Fuzzy diperkenalkan oleh Prof. Lotfi Astor Zadeh pada tahun 1962. Logika fuzzy adalah metodologi sistem kontrl pemecahan masalah, yang cocok untuk diimplementasikan pada sistem, mulai dari sistem yang sederhana, sistem kecl, embedded system, jaringan PC, multi-channel atau workstation berbasis akuisisi data, dan sistem kontrol. Metodologi ini dapat diterapkan pada perangat keras, perangkat lunak, atau kombinasi keduanya. Dalam logika klasik dinyatakan bahwa segala sesuatu bersifat biner, yang artinya adalah hanya mempunyai dua kemungkinan, “Ya atau Tidak”, “Benar atau Salah”, “Baik atau Buruk”, dan lain-lain. Oleh karena itu, semua ini dapat mempunyai nilai keanggotaan 0 atau 1. Akan


tetapi, dalam logika fuzzy memungkinkan nilai keanggotaan berada di antara 0 dan 1. Artinya, bisa saja suatu keadaan mempunyai dua nilai “Ya dan Tidak”, “Benar dan Salah”, “Baik dan Buruk” secara bersamaan, namun besar nilainya tergantung pada bobot keanggotaan yang dimilikinya. Logika fuzzy dapat digunakan di berbagai bidang, seperti sistem diagnosa penyakit (dalan bidang kedokteran); pemodelan sistem pemasaran, riset operasi (dalam bidang ekonomi); kendali kualitas air, prediksi adanya gempa bumi, klasifikasi dan pencocokan pola[4]. Fuzzy Multi Atribute Decision Making (Fuzzy MADM) Pada dasarnya, proses MADM dilakukan melalui 3 tahap, yaitu penyusunan komponen-komponen situasi, analisis, dan sintesis informasi. Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah FMADM yaitu [5]: 1. 2. 3. 4.

Simple Additive Weighting Method (SAW). Weighted Product (WP). ELECTRE. TOPSIS (Technique for Order Preference by Similarity to Ideal Solution ). 5. Analytic Hierarchy Process (AHP). Pada dasarnya proses MADM dilakukan melalui 3 tahapan yaitu: penyusunan komponenkomponen situasi, analisis dan sintesis informasi. Pada tahap penyusunan komponen, komponen situasi akan dibentuk tabel taksiran yang berisi identifikasi alternatif dan spesifikasi tujuan, kriteria dan atribut. Salah satu cara untuk menspesifikasikan tujuan situasi |Oi, i=1,...,t | adalah dengan cara mendaftar konsekuensikonsekuensi yang mungkin dari alternatif yang telah teridentifikasi | Ai, i=1,...,n|. Selain itu juga disusun atribut-atribut yang akan digunakan |ak, k=1,...,n|. Tahap analisis dilakukan melalui 2 langkah, yaitu: a. Mendatangkan taksiran dari besaran yang potensial, kemungkinan dan ketidakpastian yang berhubungan dengan dampak-dampak yang mungkin pada setiap alternatif. b. Meliputi pemilihan dari preferensi pengambil keputusan untuk setiap nilai dan ketidakpedulian terhadap resiko yang timbul. Masalah Multi Attribute Decision Making (MADM) adalah mengevaluasi m alternatif Ai (i=1,2,...,m) terhadap sekumpulan atribut atau kriteria Cj (j=1,2,...,n), dimana setiap atribut saling tidak bergantung satu dengan yang lainnya. Matriks keputusan setiap alternatif terhadap setiap atribut X. Dalam penelitian ini menggunakan FMADM metode Fuzzy SAW. Adapun langkahlangkahnya adalah:

1.

2. 3.

4.

Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Ci. Menentukan rating kecocokan setiap alternatif pada setiap kriteria. Membuat matriks keputusan berdasarkan kriteria (Ci), kemudian melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga diperoleh matriks ternormalisasi Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai) sebagai solusi[6].

Metode Fuzzy SAW Metode SAW sering juga dikenal istilah metode penjumlahan terbobot. Fuzzy SAW ini termasuk salah satu metode untuk menyelesaikan masalah Fuzzy Multi Atribute Decision Making (Fuzzy MADM). Konsep dasar metode Fuzzy SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. Metode Fuzzy SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.

{

....... (1)

di mana : Ri j = nilai rating kinerja ternormalisasi Xij = nilai atribut yang dimiliki dari setiap kriteria Max xij = nilai terbesar dari setiap kriteria i Min xij = nilai terkecil dari setiap kriteria i Benefit = jika nilai terbesar adalah terbaik Cost = jika nilai terkecil adalah terbaik Di mana rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Cj; i=1,2,..., m dan j=1,2,...,n. Nilai preferensi untuk setiap alternatif (Vi)diberikan sebagai: ∑

...............(2)

19


Di mana : Vi = rangking untuk setiap alternatif, wj = nilai bobot dari setiap criteria rij = nilai rating kinerja ternormalisasi

Tabel 2. Fisik Kulit Fisik ular Kadar bersih Sisik Besar Bagus Sisik Sedang Cukup Sisik Kecil Kurang

Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih.

3.


3.

Nilai 0.4 0.3 0.2

Warna Kulit. Warna kulit dilihat dari beberapa kombinasi warna dari kulit ular yang mana warna kulit akan menjadi nilai jual untuk setiap kerajinan yang dihasilkan.

Perancangan Sistem Fuzzy SAW Sebagaimana telah dibahas sebelumnya pada pendahuluan. Penilaian dari kualitas kulit ular dilakukan dengan melihat kriteria – kriteria yang mempengaruhi dalam melakukan penilaian terhadap kualitas kulit ular meliputi ukuran kulit, fisik kulit dan warna kulit. Selanjutnya kriteria – kriteria tersebut akan dijadikan sebagai acuan untuk menentukan kualitas kulit ular sebagai bahan baku kerajinan yang nantina akan diimplementasikan dengan metode Fuzzy SAW. Analisa Kebutuhan Input Dalam konsep Fuzzy SAW diperlukan kriteria dan nilai bobot untuk setiap kriteria untuk membantu perhitungan di mana dalam hal penentuan kualitas kulit ular ada 3 buah criteria di antara adalah ukuran kulit ular, fisik kulit ular dan warna kulit ular. Adapun penjelasan kriteria dan nilai bobot setiap kriteria yang digunakan sebagai berikut : 1.

Ukuran Kulit. Ukuran kulit ular menjadi kriteria yang sangat penting dalam menentukan kualitas kulit ular. Panjang kulit mempengaruhi banyaknya kerajinan yang dapat dibuat.

Tabel 1. Ukuran Kulit Ukuran Kulit Kualitas Lebih besar dari 2.5M Sangat Bagus 1.5 M - 2 M Bagus 1.2 M - 1.5 M Cukup 95 Cm – 1.2 M Kurang Lebih kecil dari 95Cm Sangat Kurang 2.

20

Nilai 0.3 0.25 0.2 0.15 0.1

Fisik Kulit. Fisik kulit merupakan salah satu kriteria yang mendukung kualitas kulit ular, kulit ular dalam hal ini dilihat dari sisik ular tersebut.

Tabel 3. Warna Kulit Kombinasi Warna Kadar Nilai Kulit 3 Warna Sangat Baik

Nilai 0.3

2 Warna

Baik

0.2

1 Warna

Cukup

0.1

Adapun nilai bobot untuk setiap kriteria tersebut dapat dilihat pada tabel 4 berikut. Tabel 4. Nilai Bobot Kriteria Kriteria Cost Benefit Ukuran Kulit Tidak Ya Fisik Kulit

TIdak

Ya

Warna Kulit

Tidak

Ya

Analisa Kebutuhan Output Keluaran yang dihasilkan dari penelitian ini adalah sebuah alternatif yang memiliki nilai tertinggi dibandingkan dengan nilai yang lain. Pada penelitian ini juga hasil keluarannya diambil dari urutan alternatif yang tertinggi ke alternatif yang terendah. Dimana nilai tersebut dihasilkan dari nilai tiap kriteria yang memiliki nilai yang berbeda – beda. Perancangan Sistem Pada sistem Fuzzy SAW ini dapat digambarkan proses yang dilakukan dalam menentukan kualitas kulit ular seperti pada gambar 1 berikut ini.


Kemudian data kulit ular yang telah diinput akan diolah dan dilakukan perhitungan dengan menggunakan Fuzzy SAW untuk menentukan nilai ternormalisasi dan nilai perangkingan alternatif, adapun sampel data yang diperoleh dapat dilihat pada tabel 5 sebagai berikut. Tabel 5. Data Kulit Ular Sebelum Diolah

Gambar 1. Use Case Sistem Fuzzy SAW Tampilan Program Pada gambar 2 berikut ini bisa dilihat tampilan program dari sistem Fuzzy SAW, dimana tampilan awal ini berupa tampilan login, tampilan isi data kulit ular dan data seleksi serta perangkingan dari data yang diolah.

Dalam penelitian ini akan dicontohkan perhitungan dengan menggunakan Fuzzy SAW untuk sampel data pada tabel 6 berikut ini. Tabel 6. Data Yang Akan Diuji

Gambar 2. Tampilan Login setelah user berhasil login maka user dapat melakukan input data kulit ular mulai dari kode kulit, nama jenis kulit, ukuran kulit, fisik kulit dan warna kulit seperti pada gambar 3 dibawah ini.

Data yang akan diuji akan disesuaikan dengan nilai berdasarkan kriteria, data yang telah disesuaikan dengan nilai kriteria dapat dilihat pada tabel 7 di bawah ini. Tabel 7. Perubahan Nilai Kriteria

Gambar 3. Tampilan Input Data Kulit Ular

Kemudian data nilai tiap kriteria yang didapat akan dihitung untuk menghasilkan nilai normalisasi Untuk menormalisasi kan data di atas menjadi data yang telah normal dibutuhkan nilai bobot dari Kriteria (W) dan dikalikan dengan nilai X setiap kriteria. Untuk perhitungan nilai R membutuhkan penggolongan Kriteria kedalam nilai benefit atau cost seperti yang dijabarkan terlihat pada table 8 berikut ini.

21


Tabel 8. Penggolongan Kriteria Kulit Ular Kriteria Cost Benefit Ukuran Kulit Tidak Ya Fisik Kulit TIdak Ya Warna Kulit Tidak Ya Dari keterangan table 8 tersebut maka untuk menghitung nilai normalisasi dapat menggunakan persamaan 1.

Dari perhitungan nilai normalisasi dikali dengan nilai bobot tiap kriteria dapat dihasilkan nilai perangkingan seperti pada tabel 10 berikut ini. Tabel 10. Hasil Perangkingan

Berdasarkan dari hasil perhitungan dengan metode Fuzzy SAW diperoleh rangking tertinggi untuk jenis kulit ular Ridiata kemudian disusul oleh kulit ular Phyton, Mangrove dan yang menempati rangking terakhir adalah kulit ular Sunbean. 4. Dari contoh perhitungan tersebut dapat dihasilkan nilai normalisasi yang dapat dilihat pada tabel 9. Tabel 9. Normalisasi

Dari hasil pengujian metode Fuzzy SAW ini, didapat beberapa kesimpulan sebagai berikut : 1. Metode Fuzzy SAW dalam menentukan kualitas kulit ular untuk kerajinan tangan mampu memberikan hasil Perangkingan dalam menentukan jenis kulit ular mana yang terbaik. 2. Penerapan metode Fuzzy SAW dapat mengoptimalkan proses penyeleksian kulit ular sebagai bahan kerajinan tangan di perusahaan tersebut. 5.

Selanjutnya dilakukan perkalian antara nilai normalisasi setiap kriteria dengan nilai setiap kriteria.

22

Kesimpulan

Saran

Adapun saran yang berkaitan dengan pengujian metode Fuzzy SAW ini adalah sebagai berikut : 1. Adanya penerapan metode lain yang lebih efektif lagi dalam menentukan kualitas kulit ular sehingga hasil penyeleksian lebih baik. 2. Adanya penambahan kriteria yang mungkin sehingga jenis kulit ular yang terseleksi akan lebih berkualitas.


Daftar Pustaka Muhammad Rifqi M, 2012, Jurnal Ilmiah ICTech Vol. X No.1, 1 Januari. Henry W,dkk, 2009, Seminar Nasional Aplikasi Teknologi Informasi (SNATI 2009), Yogyakarta, 20 Juni. Kaur P, Kumar S, 2013, IOSR Journal of Business and Management (IOSR-JBM) Volume 15, Issue 2, Nov – Dec 2013.

T. Sutojo, S.Si., M.Kom., Edy Mulyanto, S.Si., M.Kom., Dr. Vincent Suhartono,2011, Kecerdasaan Buatan, , Yogyakarta, Ani. Henry Wibowo S, 2010, “Jurnal Aplikasi UjiSensitivitas untuk model MADM menggunakan metode SAW dan TOPSIS”. Sri Kusumadewi, 2006, “Fuzzy Multi-Atrribute Decision Making (Fuzzy MADM ”. Yogyakarta : Graha Ilmu.

23


PERANCANGAN LAYANAN UNTUK KOSTUMISASI ANTAR MUKA SISTEM OPERASI ANDROID BERBASIS WEBSITE Anggit Dwi Hartanto1 1

Teknik Informatika, 1STMIK AMIKOM Yogyakarta Jalan Ringroad Utara Depok Sleman Yogyakarta 1 anggit@amikom.ac.id

Abstrak Android adalah sistem operasi yang biasanya digunakan untuk telepon seluler yang berbasis unix. Android menyediakan platform terbuka bagi para pengembang untuk menciptakan aplikasi sendiri yang dapat digunakan oleh bermacam perangkat bergerak. Semakin marak dan berkembangnya android di pasar global membuat para pengembang perangkat lunak tertarik untuk mengembangkan aplikasi pada sistem operasi berbasis open platform tersebut. Tentu saja untuk membuat atau mengembangkan aplikasi ataupun sistem pada android OS di perlukan pengetahuan yang dalam tentang seluk beluk android. Sistem yang akan dibangun ini menyediakan sebuah fasilitas layanan untuk memudahkan user melakukan modifikasi pada gadget mereka, sehingga user tidak perlu tahu secara teknis apa yg harus di lakukan untuk memodifikasi isi gadget mereka. Dengan kata lain memudahkan user dalam memodifikasi gadget mulai dari themes, system, dan tweak yang akan di tanam di dalamnya. Kata Kunci : android, kostumisasi, open source 1 Pendahuluan Android adalah sebuah sistem operasi pada handphone yang bersifat terbuka dan berbasis pada sistem operasi Linux [1]. Android bisa digunakan oleh setiap orang yang ingin menggunakannya pada perangkat mereka. Pengguna gadget dengan sistem operasi android di indonesia semakin meningkat, ditunjang dengan sistem yang canggih dan juga bebas untuk dikembangkan, sehingga android menjadi idola masyarakat dunia saat ini khusunya indonesia. Sejalan dengan berkembang pesatnya android para pengguna maupun pengembang juga antusias untuk melakukan modifikasi dari sistem android yang dimiliki. Modifikasi yang dilakukan mulai dari memodifikasi hal-hal kecil sampai ke tingkat yang paling kompleks bahkan ada juga yang menyentuh sisi kernel. Modifikasi yang dilakukan tersebut tentu saja mempunyai resiko bagi gagdet, sehingga diperlukan pengetahuan dan skill tentang android yang cukup untuk melakukan modifikasi tersebut. Apalagi sudah menyentuh modifikasi dari sisi kernel yang mempunyai resiko tinggi mengakibatkan gadget mati total dan tidak bisa digunakan. Melihat fenomena yang terjadi pada uraian diatas maka, terbesit pemikian untuk memberikan pelayan bagi para pengguna platform open source khusunya android dalam memodifikasi gadget. Karena pelayanan seperti ini masih sangat kurang dijumpai dan tidak sebanding dengan pengguna android yang setiap tahun bahkan setiap bulannya meningkat. Pelayanan ini

24

memberikan kemudahan bagi para user yang ingin memodifikasi gadget android dalam hal ini pada sisi rom (framework). Layanan ini meliputi kostumisasi tampilan, packet, sistem dan bisa melakukan proses compile kernel yang dapat mengurangi resiko human error pada sisi user. 2 Tinjauan Pustaka Dong-Hoon You dan Bong-Nam Noh pada tahun 2011 menulis jurnal dengan judul “Android platform based linux kernel rootkit” diupload pada jurnal online ieee explore yang membahas tentang sistem root kernel linux menjadi platform standar sistem operasi android pada smart phone [2]. Pada makalah yang lain tahun 2011, Shanker juga menulis makalah pada jurnal online ieee explore dengan judul Android porting concepts. Makalah ini membahas tentang kernel dan file system yang digunakan untuk android [3]. Dari dua tema dari penelitian diatas berbeda dengan tema dari penelitian yang akan dibahas. Secara umum tema dari penelitian ini diinspirasi dari website suse studio dengan alamat http://susestudio.com/ [4], dimana web ini adalah penyedia layanan bagi pengguna linux suse untuk membuat kostumisasi linux sendiri, user bisa memilih aplikasi apa saja yang akan dipakai, jenis dekstop dan fitur fitur yang lain. Sedangkan pada penelitian ini adalah menyediakan layanan untuk pengguna sistem operasi android untuk smartphone. Untuk referensi penelitian tertulis belum ditemukan, tetapi pada implementasinya sudah terdapat website sejenis

Seminar Nasional Informatika 2014 yaitu pada alamat website http://uot.dakra.lt/kitchen/ [5].

berikut

3 Tujuan Tujuan dari penelitian ini adalah untuk merancanng layanan kostumisasi android yang dapat digunakan dengan mudah sehingga user tidak harus mengetahui proses kostumisasi android. 4 Metode Penelitian Alat yang digunakan pada penelitian ini adalah seperangkat komputer dengan dilengkapi tool tweak android dan bahasa pemrograman php dengan menggunakan framework codeigniter (CI) serta smartphone berbasis android. Adapun tool yang digunakan antara lain Apk tools, Dxdia kitchen, dan ADB tools, yang nantinya tools ini yang akan menjadi tool utama disisi server dan melakukan servis yang diinginkan oleh client. Sehingga client tidak perlu mengetahui secara pasti prinsip kerja tools itu secara pasti. Tahapan penelitian yang akan dilakukan digambarkan pada tabel 1 berikut ini.

No 1

2

3

4

5 6

Gambar 1. Kebutuhan Software Agar memudahkan user dalam menggunakan sistem ini, maka sistem dibangun berbasis website, sehingga semua proses berjalan di server. Berikut ini adalah skema alur proses remastering secara manual yang dilakukan oleh user untuk menghasilkan file apk yang baru. Adapun skema adalah sebagai berikut :

Tabel 1. Tahapan penelitian N Tahapan Pencapaian Penelitian 1 Mengetahui struktur Meneliti Struktur Direktori andoid baik Direktori Android untuk sistem ataupun tampilan 2 Tool tweak android bisa Melakukan uji digunakan untuk coba tool tweak melakukan perubahan andoid tampilan Melakukan 3 Sistem dan tampilan kostumisasi bisa berubah. android Membangun 4 Tool telah diletakkan di servis server sisi server. untuk tool kostumisasi android Membangun 5 antar Interface user berhasil muka pengguna dibangun (di sisi client) 6 Sistem berhasil Uji coba sistem digunakan untuk kostumisasi android

Perancangan Layanan Remaster Andorid Pada dasarnya untuk melakukan coustumisasi pada android dalam hal ini tampilan user harus melakukan proses sebagai berikut : a. Menginsatall Java Development Kit b. Menginstall Android SDK c. Memasang APK Tool engine

Gambar 2. Skema Remastering Manual [6] Dari gambar di atas dapat kita lihat alur proses remastering manual yang dilakukan oleh user sebagai berikut : 1. User mengambil atau memindahkan Systemui.apk dan frameworkres.apk dari

25

Seminar Nasional Informatika 2014 android smartphone milik user ke pc linux sebagai media remastering. 2. User masuk ke terminal untuk melakukan proses decompile Systemui.apk dan frameworkres.apk, sebelumnya user masuk ke direktori tempat file Systemui.apk dan frameworkres.apk di simpan dengan perintah cd ( change directory) 3. Decompile systemui dan frameworkres dengan perintah apktool d -f framewoekres.apk atau apktool d -f systemui.apk 4. Setelah proses decompile selesai di direktory path tempat melakukan proses decompile akan tercipta directory frameworkres dan systemUI yang didalamnya terdapat source file dari apk paket yang telah di decompile sebelumnya. Pada tahap ini user akan melakukan modifikasi isi source, mulai dari memindahkan atau merubah keseluruhan isi dari source tersebut. Untuk melakukan hal itu user harus tau secara keselurhan mengenai isi source yang akan dimodifikasi agar tidak terjadi kesalahan dalam proses remaster.

5. Setelah melakukan proses remaster user harus melakukan proses build atau compilasi ulang keseluruhan paket yang telah dimodifikasi menjadi paket systemui.apk dan frameworkres.apk yang baru. Untuk melakukan hal tersebut user harus mengetikan perintah apktool b -f frameworkres atau apktool b -f systemui 6. Setelah proses decompile selesai, paket .apk yang baru akan terbentuk dan user harus memindahkan dan mengganti frameworkres dan systemui pada smartphone milik user dengan frameworkres dan systemui hasil repacked yang baru. Dari dasar skema alur proses manual untuk menghasilkan apk baru, maka dirancang skema alur proses yang baru untuk memudahkan user dalam melakukan kostumisasi antar muka android, adapun skema digambarkan pada gambar 3 berikut.

Gambar 3. Skema Layanan Remastering Pada service yang akan dibuat, alur remastering menjadi lebih singkat dan lebih mudah dengan alur seperti berikut : 1. Dalam system ini, terdapat tiga previlage user (admin, member, dan visitor ) 2. Setiap member yang melakukan registrasi, akan menunggu aproval dari admin untuk bisa menggunakan layanan kitchen 3. Admin bisa melihat daftar user yang menunggu untuk aproval

26

4. User yang belum di aprove sudah bisa melakukan login tapi hanya bisa melihat menu home dan welcome page saja 5. Visitor biasa, hanya bisa melihat home page dari kitchen dan sama sekali tidak bisa menggunakan servis 6. Ketika user sudah mendapat aproval dari admin, user sudah bisa mengupload dan mengakses page untuk proses remaster serta mendownload file apk hasil remaster 7. Dalam proses remaster user tidak perlu mengetikan perintah-perintah selayaknya pada

Seminar Nasional Informatika 2014 proses manual, user hanya memilih icon apa saja yang akan di ganti, serta memilih status bar costum yang disediakan di server 8. Setelah proses selesai user siap mendownload hasil remaster dan memasang di device android mereka Perancangan Database Adapun rancangan tabel yang digunakan adalah sebagai berikut : 1. Rancangan Tabel VUser Tabel 2. Tabel VUser Nama Kolom Tipe Data Panjang Username Varchar 50 Password Char 40 Status Enum Privilegeid Varchar 50 Hakakses Varchar 50 Date Date 2. Rancangan Tabel User Tabel 3. Tabel User Nama Kolom Tipe Data Username Varchar Password Char Status Enum Privilegeid Varchar Date Date

Panjang 50 40 50

3. Rancangan Tabel Icon For Tabel 4. Tabel Icon For Nama Kolom Tipe Data Panjang Id Int 10 For Varchar 50 4. Rancangan Tabel Log Login Tabel 5. Tabel Log Login Nama Kolom Tipe Data Panjang Id Int 10 Session_id Char 40 Ip_address Varchar 100 User_agent Text Username Varchar 50 Last_login Timestamp 5. Rancangan Tabel Icon Category Tabel 6. Tabel Icon Category Nama Kolom Tipe Data Panjang Id Int 10 Category Varchar 50 6. Rancangan Tabel Icon Type Tabel 7. Tabel Icon Type Nama Kolom Tipe Data Id Int Type Varchar 7. Rancangan Tabel Priviledge Tabel 8. Tabel Priviledge Nama Kolom Tipe Data

Panjang 10 50

Panjang

Id Hak akses

Int Varchar

8. Rancangan Tabel Icon Tabel 9. Tabel Icon Nama Kolom Tipe Data Id Int Filename Varchar Filetype Varchar Filepath Text Fullpath Text Rawname Text Origname Text Clientname Text Fileext Tinytext Filesize Float Typeid Int Forld Int Categoryid Int Date Timestamp Uploaded Varchar 9. Rancangan Tabel File Table 10. Tabel File Nama Kolom Tipe Data Id Int File_name Varchar File_type Varchar File_path Text Full_path Text Raw_name Text Orig_name Text Client_name Text File_ext Tinyint File_size Float Date Timestamp Uploaded Varchar 10. Rancangan Tabel VST Tabel 11. Tabel vst Nama Kolom Tipe Data Id Int Session_id Varchar Ip_address Varchar User_agent Varchar Last_activity Int User_data Text 11. Rancangan Tabel Vicon Tabel 12. Tabel VIcon Nama Kolom Tipe Data Id Int Filename Varchar Filetype Varchar Filepath Text Fullpath Text Rawname Text Origname Text

10 50

Panjang 10 100 50

10 10 10 100

Panjang 10 100 50

100

Panjang 10 45 45 120 10

Panjang 10 100 50

27

Seminar Nasional Informatika 2014 Clientname Fileext Filesize Typeid Type Forld Categoryid Date Uploaded

Text Tinytext Float Int Varchar Int Int Timestamp Varchar

10 50 10 10 100

Perancangan Antar Muka Sistem 1. Rancangan Halaman Login

Gambar 7. Halaman User Guide 5. Rancangan Halaman Upload File Apk.

Gambar 4. Halaman Login Gambar 8. Halaman Upload File Apk. 2. Rancangan Halaman Home Member sebelum disapprove

Gambar 5. Halaman Home Member Non Approve

3. Rancangan Halaman untuk Member setelah di Approve

Gambar 6. Halaman Home Member Approve 4. Rancangan Halaman User Guide

28

6. Rancangan Halaman Daftar Icon yang telah diupload.

Gambar 9. Halaman List File 7. Rancangan Halaman Proses Compile File

Gambar 10. File Compile

Seminar Nasional Informatika 2014 8. Rancangan Halaman Download file apk

Gambar 11. Halaman Download file apk 9. Rancangan Halaman home Admin

Gambar 12. Halaman Home Admin 10. Rancangan Halaman Daftar User yang telah Di Approve

5 Kesimpulan dan Saran Kesimpulan Dari uraian yang telah dijelaskan pada bab sebelumnya, adapun kesimpulannya adalah : 1. Untuk merancang layanan kostumisasi android yang berbasis web dimulai dengan langkah merancang layanan yang letaknya di sisi server (linux), kemudian merancang layanan interface di sisi client (web base), kemudian merancang layanan perantara antara perintah dari user (client) yaitu php terhadap perintah yang berada di sisi server (linux) yaitu command linux. 2. Dibutuhkan setidaknya sebelas tabel untuk menampung data yang digunakan untuk proses remastering. 3. Dibutuhkan setidaknya halaman upload file, kostumisasi atau pengolahan interface dan download file untuk merancang sistem kostumisasi tersebut. Saran Agar sistem layanan yang dirancang ini menjadi lebih baik, maka perlu ditambahkan fitur yaitu sebagai berikut : 1. Menyediakan server yang lebih besar space nya, sehingga berapapun user yang menggunakan tidak terjadi RTO pada server. 2. Terdapat dukungan costum room untuk berbagai jenis vendor smartphone dalam hal ini android sehingga user tidak perlu mengupload file secara manual. 3. Terdapat fitur browse file secara langsung ketika smartphone pengguna terhubung dengan PC atau Notebook user.

Daftar Pustaka Gambar 13. Halaman List User Aproval 11. Rancangan Halaman Daftar seluruh user yang terdafar.

Gambar 14. Halaman List semua User

[1] Wei-Meng Lee, 2011, Beginning Android Application Development, English, Wrox [2] Dong-Hoon You, Bong-Nam Noh, 2011, Android platform based linux kernel rootkit, http://ieeexplore.ieee.org/xpl/articleDetails.js p?tp=&arnumber=6112330&contentType=C onference+Publications&pageNumber%3D2 %26queryText%3Dandroid+smart+phone [3] Shanker, a., 2011, Android porting concepts, http://ieeexplore.ieee.org/xpl/articleDetails.js p?tp=&arnumber=5941971&contentType=C onference+Publications&queryText%3Dandr oid+kernel [4] http://susestudio.com/ [5] http://uot.dakra.lt/kitchen/ [6] http://forum.xda-developers.com

29


PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN Fina Nasari1 1

3

Sistem Informasi, STMIK Potensi Utama Jalan K.L. Yos Sudarso KM. 6,5 No. 3A Tanjung Mulia Medan 1 fina_akhwat17@yahoo.co.id

Abstrak Saat ini mayoritas mahasiswa memilih bidang peminatan mengikuti pilihan yang diambil mayoritas temanteman satu kelas, tanpa mempertimbangkan faktor prestasi akademik mahasiswa. Hal ini berdampak pada ketidaksesuaian bidang peminatan dengan minat dan keterampilan mahasiswa tersebut, akibatnya banyak mahasiswa yang mengalami kesulitan ketika menyelesaikan tugas akhir. Penerapan algoritma C4.5 dalam pilihan bidang peminatan akan membantu dalam pengklasifikasian variable-variabel yang mempengaruhi pemilihan bidang peminatan. Algortima C4.5 adalah algoritma yang cukup efektif untuk membantu membentuk sebuah pohon keputusan, pohon keputusan tersebut kemudian akan menghasilkan sebuah pengetahuan baru. Berdasarkan hasil pengujian terhadap pohon keputusan diperoleh kecocokan data 82,14 % terhadap data pemilihan bidang peminatan. Kata kunci : Bidang Peminatan, Algoritma C4.5, Pohon Keputusan 1.

Pendahuluan

Bidang peminatan merupakan bagian dari kurikulum berbasis kopetensi. Bidang peminatan adalah kumpulan dari beberapa matakuliah pendukung yang akan mengantarkan Mahasiswa menuju proses penyelesaian skripsi. Adapun bidang peminatan yang ada pada program studi Sistem Informasi adalah Komputerisasi Akuntansi (SIA), Sistem Informasi Grafis(SIG) dan Sistem Bisnis Cerdas(SBC). Liliana Swastina telah menerapkan algoritma C4.5 untuk penentuan jurusan Mahasiswa, hasil yang diperoleh dalam penentuan jurusan dengan tingkat akurasi 93.31 % dan akurasi rekomendasi jurusan sebesar 82.64%[1]. Algoritma C4.5 umumnya digunakan untuk pengklasifikasian data, selain algoritma C4.5 algoritma ID3 dan K-Nearest juga dapat digunakan untuk pengklasifikasian data. Studi kinerja K-Nearest Neighbor dan C4.5 sudah dilakukan penelitian dalam menentukan kemungkinan pengunduran diri mahasiswa di STMIK AMIKOM Yogyakarta, hasil penelitian yang diperoleh adalah kinerja algoritma C4.5 lebih cepat dan akurat dibandingkan dengan algoritma K-Nearest [2]. Algoritma C4.5 memiliki tingkat ketelitian yang tinggi dalam menghasilkan sebuah keputusan, ketelitiannya hingga 94 % pada tahap pelatihan dan 93 % pada tahap uji coba [3]

30

2.

KDD ( Knowledge Discovery In Database )

Menurut Fayyad dalam buku (kusrini, 2009) Istilah data mining dan knowledge discovery in database (KDD) sering kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang berbeda, tetapi berkaitan satu sama lain. Dan salah satu tahapan dalam keseluruhan proses KDD adalah data mining. Proses KDD secara garis besar dapat dijelaskan sebagai berikut : 1.

2.

Data Selection Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang akan digunakan untuk proses data mining disimpan dalam suatu berkas, terpisah dari basis data operasional. Pre- processing / Cleaning Sebelum proses data mining dapat dilaksanakan, perluh dilakukan proses pembersihan pada data yang menjadi focus KDD. Proses pembersihan mencakup antara lain membuang duplikasi data, memeriksa data yang inkosisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi).


3.

4.

5.

Transformation Coding adalah transformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data. Data mining Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan. Interpretation / Evaluation Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya[4].

1.

Data Selection Variable yang dipakai dalam pemilihan bidang peminatan adalah IPK dari matakuliah inti semester I - V yaitu matakuliah yang berkaitan dengan keterampilan dan keahlian dalam bidang komputerisasi, IPK dari matakuliah wajib semester I-V yaitu matakuliah pengembangan kepribadian dan Keterampilan menghitung, dan jenis kelamin mahasiswa. Data penelitian yang dipakai seperti terlihat pada tabel 1. Tabel.1 Data Penelitian

2. Gambar 1. Aliran Informasi dalam data mining 3.

Analisa dan Pembahasan

Data penelitian ini bersarkan data pemilihan bidang peminatan program studi sistem informasi stambuk 2010 TA. 2012-2013 sebanyak 100 data.

Transformation

Proses transformasi yang dilakukan adalah mengklasifikasikan Atribut IPK menjadi 3 variabel yaitu “Kecil” untuk IPK < 3.00, “Sedang” untuk IPK >= 3.00 s/d IPK <= 3.5 dan “Besar” untuk IPK > 3.5. Hasil transformasi dapat dilihat pada tabel.2

31


Tabel.2 Data Transformasi (2) [4] Di mana : 1. S : Himpunan Kasus 2. A : Atribut 3. n : Jumlah Partisi S 4. pi : Proporsi dari Si terhadap S hasil perhitungan menggunakan algoritma C4.5 untuk mencari node pertama terlihat pada tabel 2. Tabel 3. Hasil Perhitungan Pencarian Node 1

3.

Penerapan Algoritma C4.5

Data hasil transformasi selanjutnya dianalisa untuk menghasilkan sebuah pohon keputusan dengan menggunakan algoritma C4.5, secara umum algortima C4.5 untuk membangun pohon keputusan adalah sebagai berikut: 1. Perhitungan Entropy dan Gain 2. Pemilihan Gain tertinggi sebagai akar ( Node ) 3. Ulangi proses perhitungan Entropy dan Gain untuk mencari cabang sampai semua kasus pada cabang memiliki kelas yang sama yaitu pada saat semua variabel telah menjadi bagian dari pohon keputusan atau masing –masing variabel telah memiliki daun atau keputusan. 4. Membuat Rule berdasarkan pohon keputusan.

Sesuai dengan hasil perhitungan algoritma C4.5 mencari node 1 atau node akar, variable JK atau Jenis kelamin mejadi varibel akar. Proses perhitungan algoritma C4.5 dilanjutkan hingga semua atribut sudah memiliki keputusan.

Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atributatribut yang ada. Untuk menghitung gain digunakan rumus sebagai berikut:

a.

(1) [4] Di mana : 1. S : Himpunan Kasus 2. A : Atribut 3. n : Jumlah Partisi Atribut A 4. |Si| : Jumlah Kasus pada Partisi ke-i 5. |S| : Jumlah Kasus dalam S Sementara itu, perhitungan nilai entropy dapat dilihat pada persamaan berikut ini:

32

4.

Uji Coba

Uji coba sistem menggunakan tool Weka 35-5. Hasil proses klasifikasi dengan algoritma Id3 menghasilkan keputusan yang menjadi atribut akar adalah jenis kelamin dan menghasilkan pengetahuan sebagai berikut:

b.

c.

d. e.

f.

Jika JK=LK and IPK_Wajib = Sedang and IPK_Inti = Sedang Then Peminatan = Sistem Bisnis Cerdas Jika JK=LK and IPK_Wajib = Sedang and IPK_Inti = Besar Then Peminatan = Sistem Bisnis Cerdas Jika JK=LK and IPK_Wajib = Sedang and IPK_Inti = Kecil Then Peminatan = Sistem Bisnis Cerdas Jika JK=LK and IPK_Wajib = Besar Then Peminatan = Sistem Informasi Geografis Jika JK=LK and IPK_Wajib = Kecil and IPK_Inti = Sedang Then Peminatan = Sistem Informasi Geografis Jika JK=LK and IPK_Wajib = Kecil and IPK_Inti = Kecil Then Peminatan = Sistem Informasi Geografis


g.

h.

i.

j.

k.

l.

m.

Jika JK=Pr and IPK_Inti = Sedang and IPK_Wajib = Sedang Then Peminatan = Sistem Informasi Akuntansi Jika JK=Pr and IPK_Inti = Sedang and IPK_Wajib = Besar Then Peminatan = Sistem Informasi Akuntansi Jika JK=Pr and IPK_Inti = Sedang and IPK_Wajib = Kecil Then Peminatan = Sistem Bisnis Cerdas Jika JK=Pr and IPK_Inti = Besar and IPK_Wajib = Sedang Then Peminatan = Sistem Bisnis Cerdas Jika JK=Pr and IPK_Inti = Besar and IPK_Wajib = Besar Then Peminatan = Sistem Bisnis Cerdas Jika JK=Pr and IPK_Inti = Besar and IPK_Wajib = Kecil Then Peminatan = Sistem Bisnis Cerdas Jika JK=Pr and IPK_Inti = Kecil Then Peminatan = Sistem Informasi Geografis

Tabel 4 Data Uji Coba

Hasil pengujian terhadap data pemilihan pemintan stambuk 2011 diperoleh kecocokan hingga 80.14 %. 5.

Kesimpulan dan Saran

Dalam penelitian ini dapat ditarik kesimpulan sebagai berikut: 1. Berdasarkan perhitungan menggunakan algoritma C4.5 diperoleh factor dominan seseorang memilih bidang peminatan adalah berdasarkan nilai JK dengan tingkat kecocokan data hingga 80.14%. 2. Variable penelitian ini masih melihat data nilai dan jenis kelamin, untuk pengembangannya perlu dilihat juga minat dan bakat dari mahasiswa yang akan memilih peminatan, sehingga pemilihan peminatan akan lebih tepat. Gambar 2. Pohon Keputusan Yang Dihasilkan Uji coba dilakukan dengan menggunkan data pemilihan bidang peminatan 100 mahasiswa stambuk 2011. Data uji coba dapat dilihat pada tabel 3.

Daftar Pustaka: [1]

[2]

Badan Pusat Statistik, (2013). Listrik yang Didistribusikan Kepada Pelanggan Menurut Kelompok Pelanggan (GWh), Medan Kusrini,dkk (2009). Perbandingan Metode Nearest Neighbor dan

33


[3]

34

Algoritma C4.5 Untuk Menganalisis Kemungkinan Pengunduran Diri Calon Mahasiswa Di STMIK AMIKOM YOGYAKARTA, JURNAL DASI ISSN: 1411-3201 Vol. 10 No. 1 Maret 2009 Anand, Dr. Sheila and K. Ranjesh, (2011), Analyst Of Seer Dataset For Breast Cancer Diagnosis Using C4.5 Classification Algorithm, International Journal of Advanced Research in Computer and Communication

[4]

Engineering Vol. 1, Issue 2, April 2012, Thandhalam Kusrini, (2009). Algoritma Data Mining, Andi Offcet, Yogyakarta


PENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS Hartatik

STMIK Amikom Manajemen Informatika STMIK AMIKOM Yogyakarta Jl. Ringroad Utara, Condong Catur, Depok, Sleman, Yogyakarta E-mail : hartatik@amikom.ac.id Abstrak Seleksi mahasiswa baru di STMIK AMIKOM Yogyakarta dilakukan lewat 2 cara yaitu seleksi penerimaan mahasiswa baru dengan ujian tertulis dan seleksi penerimaan mahasiswa baru berprestasi (PJ2AB). Pembeda antara tes tertulis dan tes PJ2AB adalah nilai UN calon mahasiswa. Mahasiswa yang memiliki nilai ujian nasional (UN) lebih dari 7,5 akan mengikuti tes PJ2AB yang berupa wawancara langsung. Namun bagi calon mahasiswa yang memiliki nilai ujian nasional kurang dari 7,5 wajib mengikuti tes tertulis. Diharapkan calon mahasiswa yang mengikuti seleksi PJ2AB akan memiliki prestasi dan nilai akademik yang lebih baik dibandingkan mahasiswa yang mengikuti ujian tertulis. Namun pada kenyataannya, didapatkan beberapa mahasiswa yang mengikuti tes seleksi masuk melalui jalur PJ2AB tidak memiliki IPK yang lebih baik dibandingkan dengan mahasiswa yang mengikuti tes seleksi masuk melalui tes tertulis. K-Means merupakan salah satu algoritma dalam data mining yang bisa digunakan untuk melakukan pengelompokan/clustering suatu data. Parameter yang digunakan sebagai inputan pada kasus ini ada 2 yaitu tes seleksi masuk dan nilai ujian nasional mahasiswa. Metode K-Means akan membagi mahasiswa STMIK AMIKOM Yogyakarta kedalam n cluster sehingga akan didapatkan pola pengelompokan yang diharapkan dapat memperlihatkan asosiasi antara tes masuk dan IPK mahasiswa STMIK AMIKOM Yogyakarta. Kata Kunci : Tes seleksi masuk, IPK, clustering, K-Means 1.

Pendahuluan

STMIK AMIKOM Yogyakarta adalah salah satu perguruan tinggi swasta di kota Yogyakarta. Setiap tahunnya, STMIK AMIKOM Yogyakarta menerima kurang lebih 2500 mahasiswa. Seleksi yang diterapkan oleh STMIK AMIKOM Yogyakarta untuk dapat menyeleksi kandidat mahasiswa baru yang potensial dilakukan lewat 2 cara yaitu tes tertulis dan tes seleksi penerimaan mahasiswa baru lewat wawancara yang sering disebut jalur PJ2AB (Jalur Penelusuran Prestasi Akademik dan Bakat). Tes tertulis adalah seleksi masuk yang diikuti oleh calon mahasiswa yang memiliki nilai UN (Ujian Nasional) kurang dari 2,75. Tes ini terdiri dari pertanyaan-pertanyaan umum (psikotes dan tes akademik) yang harus dijawab oleh peserta atau calon mahasiswa dengan waktu maksimal 100 menit. Peserta tes akan dinyatakan lulus jika mampu menjawab pertanyaan dengan benar lebih dari 50% dari jumlah soal yang tersedia. JP2AB (Jalur Penelusuran Prestasi Akademik dan Bakat) adalah ujian masuk yang diselenggarakan untuk menyaring calon mahasiswa yang memiliki prestasi akademik (dibuktikan dengan nilai UN lebih dari 2,75) dan bakat (seni, olahraga dan IPTEK). Mahasiswa

yang mengikuti jalur ini akan mengikuti tes berupa wawancara langsung. Secara sekilas, yang menjadi pembeda antara tes tertulis dan tes jalur PJ2AB adalah nilai UN. Diharapkan calon mahasiswa yang mengikuti seleksi PJ2AB akan memiliki prestasi dan nilai akademik yang lebih baik dibandingkan mahasiswa yang mengikuti ujian tertulis. Menurut penelitian yang dilakukan oleh Suparyoko (1997), dilihat dari dimensi prediksi, proses seleksi masuk menggunakan nilai UN agak sullit dipertanggungjawabkan. Alasannya, nilai UN lebih mengacu pada kurikulum SMU, bukan mengacu pada kurikulum perguruan tinggi. Ada kesangsian pada dimensi efektivitas prediksi yang menjadikan nilai UN sebagai penentu utama kelulusan tes masuk perguruan tinggi. Untuk melihat asosiasi antara nilai UN (Ujian Nasional) dan IPK (indeks prestasi kumulatif) mahasiswa digunakanlah algoritma K-Means. Dengan algoritma K-Means diharapkan dapat diketahui pola pengelompokan mahasiswa STMIK AMIKOM Yogyakarta berdasarkan kedua parameter tersebut. Data, informasi dan pengetahuan memiliki peranan dan nilai yang penting dalam berbagai aktivitas manusia. Data mining adalah proses penemuan suatu pengetahuan dengan menganalisis sejumlah besar data dari berbagai

35


perspektif dan meringkasnya menjadi suatu informasi. Pentingnya pencarian pengetahuan/informasi dari suatu data yang berukuran besar membuat data mining menjadi komponen yang penting dalam mengekstrak suatu pengetahuan yang dapat berguna dalam suatu sistem. Pada penelitian yang dilakukan oleh Chuchra (2012), disebutkan bahwa data mining dapat digunakan untuk mengevaluasi kinerja siswa. Dengan menggunakan algoritma yang ada dalam data mining, dicoba untuk mengekstrak pengetahuan yang bisa menggambarkan kinerja siswa pada akhir semester. Hasil ekstraksi ini dapat digunakan untuk membantu dalam mengidentifikasi siswa yang mungkin akan putus sekolah dan membantu siswa yang membutuhkan perhatian khusus serta mengantisipasi keadaan tersebut dengan memberikan seorang profesor yang tepat untuk membantu menasehati dan membimbing para siswa. Penelitian yang dilakukan oleh Tiwari, Singh dan Vimal (2013), menyebutkan bahwa institusi pendidikan adalah bagian penting dalam masyarakat dan memainkan peranan yang penting dalam pertumbuhan dan pembangunan suatu bangsa. Selain itu institusi pendidikan juga berperan untuk mengontrol dan melakukan evaluasi serta prediksi prestasi akademik siswanya. Prestasi akademik siswa dapat didasarkan pada berbagai faktor seperti kepribadian, lingkungan sosial serta psikologi dari siswa tersebut. Educational data mining mengimplementasikan algoritma data mining untuk menemukan pengetahuan dari data yang berasal dari domain pendidikan. Hasil penelitian ini menyebutkan bahwa data mining dapat digunakan sebagai tool pengambilan suatu keputusan yang dapat menemukan suatu pengetahuan dari sejumlah besar data yang bisa digunakan dalam menilai prestasi siswa. 2.

Metode Penelitian

Penelitian yang diusulkan ini menggunakan data primer, dengan respondennya adalah mahasiswa jurusan S1. Teknik Informatika STMIK AMIKOM Yogyakarta angkatan 2011 dan 2012. Pengumpulan data dilakukan melalui kuisioner yang dibagikan langsung kepada mahasiswa. Dalam kuisioner ini, mahasiswa diminta untuk mengisikan nim, nama, asal SLTA/sederajat, tes seleksi yang pernah diikuti ketika hendak mendaftar menjadi calon mahasiswa STMIK AMIKOM Yogyakarta dan IPK terakhir yang diperoleh. Parameter yang digunakan untuk melakukan pengelompokan mahasiswa terdiri dari 2 yaitu : 1. IPK

36

IPK dihitung dengan menjumlahkan indeks prestasi (IP) yang didapat pada tiap semester dibagi dengan jumlah semester yang telah dilewati. 2. Tes seleksi masuk Setelah data dikumpulkan, tahapan selanjutnya adalah studi literatur. Pada tahap ini dipelajari berbagai macam referensi tentang data mining dan metode K-Means baik melalui jurnal penelitian, buku-buku teori, tutorial, dan sumber-sumber lain termasuk internet. Berdasarkan beberapa literatur, untuk melakukan clustering menggunakan metode k-means ada beberapa langkah yang harus dilakukan : Berdasarkan beberapa buku Witten, Ian dan Frank (2005), untuk melakukan clustering menggunakan metode k-means ada beberapa langkah yang harus dilakukan : 1. Langkah pertama yang dilakukan adalah menentukan jumlah k cluster yang diinginkan sebagai centroid awal. Algoritma k-means membutuhkan parameter input sebanyak k dan membagi sekumpulan n objek kedalam k cluster sehingga tingkat kemiripan antar anggota dalam satu cluster tinggi sedangkan tingkat kemiripan dengan anggota pada cluster lain sangat rendah. Kemiripan anggota terhadap cluster diukur dengan kedekatan objek terhadap nilai mean pada cluster atau dapat disebut sebagai centroid cluster atau pusat massa. Rumus pengukuran jarak dapat dihitung menggunakan rumus 1 (Santosa, 2007) : (1) 2. Langkah yang kedua adalah melakukan clustering obyek dengan memasukkan setiap obyek ke dalam cluster (grup) berdasarkan jarak minimumnya. Suatu data akan menjadi anggota dari suatu cluster (C1, C2 maupun C3) bila memiliki jarak terkecil dari pusat cluster-nya. 3. Langkah ketiga adalah menghitung pusat cluster baru. Pusat cluster yang baru ditentukan berdasarkan pengelompokan anggota masing-masing cluster. Pusat cluster baru diperoleh dari rata – rata semua data/objek dalam cluster. 4. Langkah yang keempat dilakukan dengan mengulangi iterasi yang dimulai dari langkah 1, sehingga cluster yang baru memiliki angka yang tetap (tidak mengalami perubahan). 3. Hasil Dan Pembahasan

orang

Sample yang digunakan berjumlah 40 dari berbagai angkatan. Tabel 1


menunjukkan data mahasiswa yang dijadikan sample data. Tabel 1. Data sampling NIM

IP

UN

Data sampling pada tabel 1 dilakukan pengelompokan menggunakan algoritma KMeans. Langkah-langkah yang dilakukan untuk melakukan pengelompokan adalah : Iterasi pertama Menentukan jumlah k kluster yang diinginkan sebagai centroid awal. Pada penelitian ini kluster yang dibuat sebanyak 3 buah seperti yang ditunjukkan pada tabel 2.

06.11.1009

3

7.6

11.11.5115

3.83

7

11.11.5076

3.75

6.5

11.11.5100

3

6.25

11.11.5101

1.92

7

11.11.5099

3.6

7.05

11.11.5081

1.5

6.75

11.11.5121

2.98

6.8

1.5

5

2.5

6

11.11.5090

3.33

7

11.11.5113

3.75

7.1

11.11.5108

3.75

7.5

11.11.5126

3

8

12.11.6403

2

8.5

06.11.1010

3

7

11.11.5093

3.54

6.5

11.11.5085

3.67

6.4

11.11.5117

3.45

6

11.11.5080

3

6.8

11.11.5131

2.48

6.9

11.11.5071

3.71

5.5

12.11.5749

2

12.11.5851

Tabel 2. Centroid Awal Pusat Kluster

3.5 7 Mengukur kedekatan objek terhadap nilai mean pada kluster atau dapat disebut sebagai centroid kluster atau pusat massa dengan menggunakan rumus 1. Hasil pengukuran ini dapat dilihat pada tabel 3. Tabel 3. Centroid Kluster pada iterasi yang pertama Kluster 1

Kluster 2

Kluster 3

3.001666204

1.676305461

0.781024968

3.070651397

1.664001202

0.33

2.704163457

1.346291202

0.559016994

6

1.952562419

0.559016994

0.901387819

2

6.5

2.043624232

1.156027681

1.58

11.11.5079

3.25

6.7

2.934706118

1.520690633

0.111803399

11.11.5256

3.54

6.4

1.75

1.25

2.015564437

11.11.5266

3.75

7.8

2.330321866

0.932952303

0.557135531

11.11.5213

3.58

7.9

2.710885464

1.299576854

0.17

11.11.5129

3

7.5

3.077742679

1.665082581

0.26925824

11.11.5114

3.75

7

3.363406012

1.952562419

0.559016994

12.02.8188

4

6.5

3.354101966

2.061552813

1.118033989

11.11.5123

3.5

6.8

3.535533906

2.549509757

2.121320344

11.11.5126

3.5

6.4

2.5

1.118033989

0.5

11.11.5130

3.3

6.2

2.532113742

1.153949739

0.501597448

11.11.5112

3.67

7.9

2.582421344

1.236486959

0.623618473

11.11.5180 11.11.5065

3.5 2.75

8 6.7

2.1914607

0.95

1.00124922

2.343074903

0.943398113

0.538516481

11.11.5072 11.11.5092 11.11.5110 11.11.5125 11.11.5270

3.67 3.46 3.6 3.55 3.79

6.6 7.5 7 6.6 6.5

2.137849387

0.900222195

1.024890238

2.265855247

1.309236419

1.514628667

1.118033989

0.5

1.802775638

1.58113883

0.707106781

1.58113883

2.43977458

1.025914226

0.390512484

37


2.474186735

1.114271062

0.601331855

6.932712312

0.410147534

0.926723217

3.592005011

2.1914607

0.838152731

7.258539798

0.928375463

1.520470996

3.568809325

2.185497655

0.90354856

7.915964881

1.194579842

0.161773792

2.915475947

1.58113883

0.707106781

6.914658343

1.17099146

1.964633213

3.010398645

1.600781059

0.25

7.424311416

0.559071552

0.530598978

2.915475947

1.58113883

0.707106781

7.751703039

0.949400337

0.127518948

2.690724809

1.280624847

0.2

8.029476944

1.34748692

0.312806936

2.441311123

1.077032961

0.6

8.385254916

1.597410717

0.533802354

2.163330765

0.824621125

0.824621125

8.544003745

1.666049519

1.031922627

3.622002209

2.231344886

0.915914843

8.732124598

2.206291232

2.031452631

3.605551275

2.236067977

1

7.615773106

0.731929641

0.443984653

2.110094785

0.743303437

0.807774721

7.401459316

0.936718207

0.575062228

2.696089761

1.31487642

0.434626276

7.377594459

1.059188841

0.705034741

3.176727876

1.78089865

0.501597448

6.921163197

0.92104343

1.066185446

2.9

1.486606875

0.1

7.43236167

0.572469213

0.513394571

2.600480725

1.209338662

0.403112887

7.332148389

0.536247145

0.973314814

2.737535388 1.383510029 0.578013841 Langkah selanjutnya adalah melakukan clustering objek sehingga didapatkan data clustering yang baru. Hasil clustering pada iterasi yang pertama dapat dilihat dengan tabel 4. Tabel 4. Data clustering baru pada iterasi yang pertama Pusat Cluster Baru 0

0

2.611

6.38

3.439032

7.066129

Langkah selanjutnya adalah mengulangi iterasi yang dimulai dari langkah 1, sehingga cluster yang baru memiliki angka yang tetap (tidak mengalami perubahan). Iterasi Kedua Langkah pertama pada iterasi kedua adalah menentukan jumlah k cluster berdasarkan hasil pada iterasi yang pertama. Cluster awal pada iterasi yang kedua sama dengan tabel 4. Langkah kedua mengukur kedekatan objek terhadap nilai mean. Hasil pengukuran ini dapat dilihat pada tabel 5. Tabel 5. Centroid Cluster pada iterasi yang kedua Cluster 1

38

Cluster 2

Cluster 3

8.170679286

1.280515912

0.691207302

7.979279416

1.367611421

0.3965209

7.50416551

1.14530389

0.645912546

6.634312323

1.407906602

1.589397264

6.32455532

0.719528318

1.790934101

6.800735254

0.622672466

1.546388024

7.446643539

0.714647466

0.412048132

7.313795184

0.92921526

0.673737614

8.654623042

1.820362876

0.79703672

8.673315398

1.802598402

0.845702486

8.077747211

1.185631056

0.61724658

7.941190087

1.29681186

0.317921351

7.632168761

1.394173949

0.796986128

7.647875522

0.983219711

0.273023309

7.29451849

0.889224943

0.668913263

7.023531875

0.712124287

0.877216888

8.710849557

1.85253367

0.865266946

8.732124598

1.847896372

0.93585899

7.24240982

0.348885368

0.78026657

7.551748142

1.081610373

0.520213776

8.259636796

1.405418443

0.434377328

7.871467462

1.167270748

0.174022018

7.494164396

0.96442781

0.479155627

7.52423418

1.185091136

0.666093415

Langkah selanjutnya adalah melakukan clustering objek sehingga didapatkan data clustering yang baru. Hasil clustering pada iterasi yang pertama dapat dilihat dengan tabel 6.


Tabel 6. Data clustering baru pada iterasi yang kedua Pusat Cluster Baru 0

0

2.611

6.38

3.443667

7.095

Langkah keempat adalah membandingkan hasil pengelompokan/cluster pada iterasi yang pertama dan iterasi yang kedua. Jika hasil clustering sama maka kita sudah mendapatkan cluster yang benar. Jika tidak dilanjutkan ke iterasi yang ketiga. Iterasi ketiga Langkah pertama pada iterasi ketiga adalah menentukan jumlah k cluster berdasarkan hasil pada iterasi yang kedua. Cluster awal pada iterasi yang tiga sama dengan tabel 6. Langkah kedua mengukur kedekatan objek terhadap nilai mean. Hasil pengukuran ini dapat dilihat pada tabel 7. Tabel 7. Centroid Cluster pada iterasi yang ketiga Cluster 1

Cluster 2

Cluster 3

8.170679

1.280516

0.672209

7.979279

1.367611

0.397842

7.504166

1.145304

0.669227

6.932712

0.410148

0.954393

7.25854

0.928375

1.526625

7.915965

1.19458

0.162681

6.914658

1.170991

1.974048

7.424311

0.559072

0.549556

7.751703

0.9494

0.148139

8.029477

1.347487

0.306374

8.385255

1.597411

0.507804

8.544004

1.66605

1.007901

8.732125

2.206291

2.014497

7.615773

0.73193

0.453724

7.401459

0.936718

0.602748

7.377594

1.059189

0.730925

6.921163

0.921043

1.095018

7.432362

0.572469

0.53279

7.332148

0.536247

0.983198

6.634312

1.407907

1.617083

6.324555

0.719528

1.81196

6.800735

0.622672

1.561473

7.446644

0.714647

0.439922

7.313795

0.929215

0.701645

8.654623

1.820363

0.768678

8.673315

1.802598

0.816463

8.077747

1.185631

0.60072

7.94119

1.296812

0.320726

7.632169

1.394174

0.814575

7.647876

0.98322

0.300331

7.294518

0.889225

0.697279

7.023532

0.712124

0.906457

8.71085

1.852534

0.836213

8.732125

1.847896

0.906752

7.24241

0.348885

0.798247

7.551748

1.08161

0.54429

8.259637

1.405418

0.405329

7.871467

1.167271

0.182935

7.494164

0.964428

0.506292

7.524234

1.185091

0.688456

Langkah selanjutnya adalah melakukan clustering objek sehingga didapatkan data clustering yang baru. Hasil clustering pada iterasi yang pertama dapat dilihat dengan tabel 8. Tabel 8. Data clustering baru pada iterasi yang ketiga Pusat Cluster 0 2.611 3.443667

0 6.38 7.095

Langkah keempat adalah membandingkan hasil pengelompokan/cluster pada iterasi yang pertama dan iterasi yang kedua. Hasil cluster kedua dan ketiga sama, sehingga kita sudah mendapat nilai cluster yang tetap/stabil. Kebutuhan Fungsional Perangkat lunak yang dibangun memiliki kebutuhan fungsional sebagai berikut : 1. Sistem dapat memasukkan data mahasiswa yang akan di cluster 2. Sistem dapat memasukkan parameterparameter 3. Sistem dapat memasukkan nilai IPK dan UN untuk masing-masing mahasiswa 4. Sistem dapat melakukan pengelompokan data mahasiswa yang telah diinputkan. Use Case Diagram Kebutuhan fungsional tersebut lalu dituangkan ke dalam diagram use case. Diagram use case dapat dilihat pada gambar 1.

39


5. Saran Untuk mendapatkan hasil yang lebih akurat, sample yang digunakan perlu ditambahkan setidaknya 10% dari jumlah mahasiswa STMIK Amikom Yogyakarta agar didapatkan nilai cluster yang benar-benar bisa mewakili kondisi sebenarnya.

Daftar Pustaka Gambar 1. Diagram use case clustering 4. Kesimpulan Kesimpulan dari penelitian ini adalah bahwa metode K-Means dapat digunakan untuk melakukan pengelompokan atau peng-cluster-an mahasiswa berdasarkan dua parameter yaitu IPK dan nilai UN mahasiswa tersebut ketika lulus SMU. Namun berdasarkan hasil yang didapatkan dengan sample 40 orang mahasiswa belum didapatkan nilai cluster yang bisa mewakili pengelompokan mahasiswa STMIK Amikom Yogyakarta secara keseluruhan. Hasil cluster sementara yang didapatkan adalah {0 ; 0} untuk cluster yang pertama, {2,611 ; 6,38} untuk cluster yang kedua dan {3,44 ; 7,095} untuk cluster yang ketiga. Jarak antara cluster yang pertama dan kedua terlalu jauh sedangkan jarak antara cluster yang kedua dan ketiga relatif terlalu dekat. Dari nilai cluster yang didapatkan, bisa disimpulkan bahwa nilai UN tidak menjamin seseorang akan mempunyai nilai IPK yang relatif tinggi.

40

[1]. Chuchra, Rimmy., 2012, Use of Data Mining Techniques for The Evaluation of Student Performance : A Case Study, International Journal of Computer Science and Management Research, Vol 1. [2]. Santosa, Budi., 2007, Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis, Graha Ilmu. [3]. Supriyoko, Ki., 23 Juni 1997, Sistem Seleksi Masuk Perguruan Tinggi 1 dan 2, Surat Kabar Pikiran Rakyat. [4]. Tiwari, M., Singh, R., Vimal, N., 2013, An Empirical Study of Data Mining Techniques for Predicting Student Performance in Higher Education, IJCSMC, Vol. 2, Issue 2. [5]. Witten, Ian H., Frank, Eibe., 2005, Data Mining Practical Machine Learning Tools and Techniques, Second Edition, Morgan Kaufmann, San Francisco.


ANALISIS DAN PERANCANGAN SISTEM PAKAR MENDIAGNOSIS PENYAKIT TANAMAN RAMBUTAN DENGAN MENGGUNAKAN METODE FORWARD CHAINING Khairul Ummi STMIK PotensiUtama, Jl. K.L YosSudarso km.6.5 no.3A tanjungmuliaMedam ummi12gibmie@gmail.com

Abstrak Tanaman rambutan mempunyai nama latin Nephelium Sp. yang merupakan keluarga dari spidaceae. Tanaman rambutan merupakan tanaman dataran rendah, hingga ketinggian 300-600 m dpl. Pohon dengan tinggi 15-25 m dengan anak daun 2-4 pasang. Helai anakan daun bulat lonjong, panjang 7.5-20 cm, lebar3.5 8.5 cm, ujung dan pangkal runcing, tepi rata, pertulangan sirip, tangkai silindris warnanya hijau, kerap kali kering. Analisa yang dilakukan dengan berdasarkan faktor biotis yaitu penyakit tanaman rambutan yang disebabkan oleh organisme hidup yang kesemuanya adalah mikroorganisme.yaitu jamur, bakteri, dan virus. Untuk itu diperlukan pengetahuan mengenai gejala fisik yang timbul pada tanaman rambutan seperti pada daun, batang atau ranting,akar dan buah. Penelitian ini menghasilkan aplikasi program sistem pakar diagnosis 4 penyakit tanaman rambutan dengan gejala kerusakannya dan penanggulangannya baik secara biologis, Kultur teknis, dan fisik/mekanis dengan metode forward chaining. Hasil kesimpulan dari aplikasi yang dibangun keakuratannya mencapai 80% dengan membandingkan gejala-gejala yang ada . Kata Kunci : Sistem Pakar, Forward Chaining, Faktor Biotis, Tanaman Rambutan. PENDAHULUAN Tanaman rambutan mempunyai nama latin Nephelium Sp. yang merupakan keluarga dari spidaceae, Rambutan merupakan tanaman dataran rendah, hingga ketinggian 300 - 600 m dpl. Pohon dengan tinggi 15 - 25 m dengan anak daun 2-4 pasang. Helaian anak daun bulat lonjong, panjang 7.5-20 cm, lebar 3.5 8.5 cm, ujung dan pangkal runcing, tepi rata, pertulangan sirip, tangkai silindris warnanya hijau, kerap kali kering. Tanaman rambutan merupakan salah satu jenis tanaman dari komoditas holtikultura yang telah menyebar di daerah yang mempunyai iklim tropis.Di Indonesia kurang lebih terdapat 22 jenis tanaman rambutan.Dalam Upaya budidaya tanaman rambutan para petani dan kalangan masyarakat kerap kali menghadapi serangan hama maupun penyakit yang menyerang tanaman rambutan. Serangan hama dan penyakit tersebut tampak melalui gejala-gejala fisik yang timbul pada tanaman. Jika tidak segeradiberikan tindakan tertentu untuk mengatasinya maka dapat berakibat fatal padatanaman itu sendiri. Salah satu faktor rendahnya perkembangan dan produktivitas rambutan karena kurangnya pengetahuan dan informasi yang dimiliki petani danmasyarakat mengenai hama dan penyakit yang menyerang rambutan serta carauntuk mengatasinya. Untuk mengatasi permasalahan tersebut dibutuhkan suatu sistem yangdapat membantu pihak-pihak yang terlibat dalam upaya budidaya rambutan,dengan menerapkan salah satu metode

yang terdapat dalam bidang ilmu kecerdasanbuatan yang dapat mengadopsi pengetahuan pakar ke dalam komputer sehinggakomputer dapat menyelesaikan masalah seperti layaknya seorang pakar.Dengan adanya sistem ini diharapkan dapat membantu para petani rambutan dan masyarakat yang melakukan upaya budidaya rambutan dalam mendeteksihama dan penyakit pada tanaman rambutan melalui gejalagejala fisik yang terjadi dan penanggulangan. Sistem yang di bangun hanya melakukan penalaran pada hama dan penyakit yangmenyerang tanaman rambutan berdasarkan gejala gejala fisik yang terjadi pada tanaman.dengan metode Forward Chaining dengan representasipengetahuan berbasis aturan ( rule based system ) dan Penilaian dilihat dari gejala-gejala yang timbul pada tanaman rambutan berdasarkan rekomendasi pakar dan studi literatur dari buku acuan mengenai tanaman rambutan. LANDASAN TEORI Sistem Pakar Bidang sistem pakar merupakan penyelesaiaan pendekatan yang sangat berhasil dan bagus untuk permasalahan AI (Artificial Intelligent) klasik dari pemograman intelligent (cerdas). Sistem pakar (expert system) merupakan solusi AI bagi masalah pemrograman pintar (intelligent). Profesor Edward Feigenbaum dari Stanford University yang merupakan pionir dalam

41


teknologi sistem pakar mendefinisikan sistem pakar sebagai sebuah program kamputer pintar (intelligent computer program) yang memanfaatkan pengetahuan (knowledge) dan prosedur inferensi (inference procedure) untuk memecahkan masalah yang cukup sulit sehingga membutuhkan keahlian khusus dari manusia. Dengan kata lain, sistem pakar adalah sistem komputer yang ditujukan untuk meniru semua aspek (emulates) kemampuan pengambilan keputusan (decision making) seorang pakar. Sistem pakar memanfaatkan secara maksimal pengetahuan khusus selayaknya seorang pakar untuk memecahkan masalah. [1] Manfaat Sistem Pakar Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain [2]: 1. Membuat seorang yang awam bekerja seperti layaknya seorang pakar. 2. Meningkatkan produktivitas akibat meningkatnya kualitas hasil pekerjaan, mengingkatnya kualitas pekerjaan ini disebabkan meningkatnya efisiensi kerja. 3. Menghemat waktu kerja. 4. Menyederhanakan pekerjaan. 5. Merupakan arsip terpercaya dari sebuah keahlian, sehingga bagi pemakai sistem pakar seolah-olah berkonsultasi langsung dengan sang pakar, meskipun mungkin sang pakar telah tiada. 6. Memperluas jangkauan, dari keahlian seorang pakar. Di mana sebuah sistem pakar yang telah disahkan, akan sama saja artinya dengan seorang pakar yang tersedia dalam jumlah besar (dapat diperbanyak dengan kemampuan yang persis sama), dapat diperoleh dan dipakai di mana saja. Metode Forward Chaining Metode forward chaining adalah teknik pencarian yang dimulai dengan fakta yang diketahui, kemudian mencocokkan fakta-fakta tersebut dengan bagian IF dari rules IF-THEN. Bila ada fakta yang cocok dengan bagian IF, maka rule tersebut dieksekusi. Bila sebuah rule dieksekusi, maka sebuah fakta baru (bagian THEN) ditambahkan kedalam database. Setiap kali pencocokan, dimulai dari rule teratas. Setiap rule hanya boleh dieksekusi sekali saja. Proses pencocokan berhenti bila tidak ada lagi rule yang bisa dieksekusi.[3] Untuk memperoleh data menggunakan cara pengamatan atau observasi ke lahan pertanian yang ditanam rambutan dan penelusuran literatur dari. berbagai sumber artikel, internet, tulisan

42

ilmiah dan buku disertai dengan wawancara mengadakan tanya jawab dengan petugas penyuluh lapang dan petani rambutan. Data yang diperlukan ialah data jenis hama dan penyakit tanaman rambutan berdasarkan gejala gejala fisik yang terjadi dan penanggulangannya.

Sejarah singkat tanaman rambutan Rambutan (Nephelium sp.) merupakan tanaman buah hortikultural berupa pohon dengan famili Sapindacaeae. Tanaman buah tropis ini dalam bahasa Inggrisnya disebut Hairy Fruit berasal dari Indonesia. Hingga saat ini telah menyebar luar didaerah yang beriklim tropis seperti Filipina dan negara-negara Amerika Latin dan ditemukan pula di daratan yang mempunyai iklim sub-tropis. Dari survey yang telah dilakukan terdapat 22 jenis rambutan baik yang berasal dari galur murni maupun hasil okulasi atau penggabungan dari dua jenis dengan galur yang berbeda. Ciri-ciri yang membedakan setiap jenis rambutan dilihat dari sifat buah (dari daging buah, kandungan air, bentuk, warna kulit, panjang rambut). Rambutan dapat tumbuh subur pada dataran rendah dengan ketinggian antara 30-500 m dpl. Pada ketinggian dibawah 30 m dpl rambutan dapat tumbuh namun tidak begitu baik hasilnya.[4] Kecerdasan Buatan Kecerdasan buatan berasal dari kata Artificial Intelligence yang mengandung arti tiruan atau kecerdasan. Secara harfiah Artificial Intelligence adalah kecerdasan buatan. Kecerdasan buatan adalah salah satu bidang dalam ilmu komputer yang membuat komputer agar dapat bertindak dan sebaik seperti manusia (menirukan kerja otak manusia) [5]. Pada aplikasi kecerdasan buatan ada 2 bagian utama yang sangat dibutuhkan yaitu [5]: a. Basis Pengetahuan (Knowledge Base), berisi fakta-fakta, teori pemikiran dan hubungan antara satu dengan yang lainnya. Jurnal Sarjana Teknik Informatika e-ISSN: 2338-5197 b. Motor Inferensi (Inference Engine) yaitu kemampuan menarik kesimpulan berdasarkan pengalaman. Representasi Pengetahuan (Knowledge Base) Upaya dari usaha penelitian pada kecerdasan buatan adalah bagaimana cara untuk mengembangkan representasi pengetahuan. Perangkat lunak kecerdasan buatan mempunyai banyak metode yang berbeda untuk menyajikan pengetahuan dua diantaranya yaitu [5] : a. Pohon Pohon merupakan struktur penggambaran pohon secara hirarkis. Struktur pohon terdiri dari node-


node yang menunjukkan obyek, dan arc (busur) yang menunjukkan hubungan antar obyek. b. Kaidah Produksi Kaidah produksi secara umum terdiri dari komponen-komponen sebagai berikut: 1) Ruang keadaan, yang berisi keadaan awal, tujuan dan kumpulan aturan yang digunakan untuk mencapai tujuan. 2) Strategi kontrol, yang berguna untuk mengarahkan bagaimana proses pencarian akan berlagsung dan mengendalikan arah eksplorasi. Kaidah produksi ini merupakan salah satu bentuk representasikan pengetahuan yang sangat populer dan banyak digunakan adalah kaidah produksi. Representasi pengetahuan dengan kaidah produksi. Representasi pengetahuan dengan kaidah produksi, pada dasarnya berupa aplikasi aturan (rule) yang berupa : 1) Antecedent, yaitu bagian yang mengekspresikan situasi atau premis (Pernyataan berawalan IF). 2) Konsekuen, yaitu bagian yang menyatakan suatu tindakan tertentu atau konklusi yang diterapkan jika suatu situasi atau premis bernilai benar (Pernyataan berawalan THEN). Konsekuensi atau konklusi yang dinyatakan pada bagian THEN baru dinyatakan benar, jika bagian IF pada sistem tersebut juga benar atau sesuai dengan aturan. Contoh : IF lalulintas pagi ini padat THEN saya naik sepeda motor saja

METODE PENELITIAN Subjek penelitian ini adalah membuat aplikasi sistem pakar penentuan penyakit pada tumbuhan rambutan berdasarkan gejala yang ada dan memberitahukan cara penanggulangan dari penyakit tanaman rambutan dengan menggunakan metode forward chaining. Langkah yang dilakukan dalam penelitian ini meliputi analisis data: mengumpulkan data dan mendiskripsikan data. Perancangan Sistem : Mengidentifikasi masalah dan kebutuhan, menentukan masalah yang cocok, akusisi Pengetahuan, rekayasa Pengetahuan : tabel keputusan, pohon keputusan, tabel aturan, perancangan sistem : DVD level 0 dan flowchart sistem. hasil program : form hasil konsultasi. ANALISIS dan PERANCANGAN SISTEM Analisis sistem Untuk mendiagnosa penyakit pada tanaman rambutan perlu diketahui terlebih dahulu gejala-

gejala yang timbul. Meskipun dari gejala klinis (gejala-gejala yang terlihat langsung). Ada 4 tabel untuk membantu Rule basis pengetahuan untuk mendiagnosa penyakit pada tumbuhan rambuhan yaitu tabel penyakit, tabel gejala, tabel penanggulangannya dan tabel rule basis pengetahuan penyakit dengan penanggulangannya, serta akan digambarkan dengan menggunakan pohon keputusan. Tabel 1. Tabel Penyakit Kode Penyakit Penyakit P01 Kutu Putih (Cacao Mealybug) P02 Penggerek buah (Fruit Borer) Hama P03 Tirarhaba(Melissablaptes, Mucialla) ruptilinea (Wkl) P04 Ulat Daun Rambutan Tabel 2. Tabel Gejala Kode Gejala Gejala Terdapat bercak putih pada G01 belahan daun G02 kerontokan buah muda G03 Tumbuhan Sulit Berkembang lubang dibawah kulit buah dan G04 meninggalkan kotoran juga didalam buahnya Daging buah warna kehitaman G05 dan asam (busuk) Kulit buah berair dan warna G06 kecoklatan Ada tananam cacao didekat G07 tanaman rambutan G08 Bunga buah merontok G09 Batang Bunga buah mengering Tidak ada kumbang dan kupuG10 kupu atau lebah yang menghampiri bunga Adanya ulat pada daun dan G11 batang tumbuhan Daun pada tumbuhan bolong G12 bolong Tabel 3. basis pengetahuan penyakit dan penanggulangan Kode Cara penanggulangannya Penyakit Secara biologi yaitu : pemanfaatan musuh alami seperti semut hitam, dan cendawan parasit P01 Empusa fresenii, predator cryptolaemus montrouzieri (coccinellidae) dan leptomastidae abnormis (encyrtidae) Secara Kultur teknis yaitu dengan tidak menanam rambutan P02 berdekatan dengan tanaman kakao, sedangkan cara mekanis

43


P03

P04

pengendalian hama ini dengan melakukan pemangkasan untuk memutuskan siklus hidup hama, sedangkan cara biologi dengan pemanfaatan musuh alami sejenis tabuhan sebagai parasitoid pupa, dan laba-laba sebagai predator telur dan pupa Secara biologi dengan pemanfaatan musuh alami antara lain lalat tachinidae (Argyoplax Basifulva), Venturia sp. (ichneumonidae), Apanteles Tirathabae (Braconidae) dan Telenomus Tirathabae (Scelionidae) Secara Fisik/mekanis dengan pengasapan dibawah puhun untuk mengusir imago (serangga dewasa), pembakaran sisa-sisa

Mulai

Tampilkan Pilihan gejala

Baca pilihan gejala sesuaikan dengan aturan

If solusi = 0

Solusi = kdpenyakit

Tampilkan hasil diagnosa

Selesai

Perancangan sistem Penggambaran perancangan sistem menggunakan DFD Level 0 sebagai berikut :

Gambar 2. Diagram Flowchart Sistem

PEMBAHASAN Gejala Penyakit

User Nama Penyakit Informasi Penyakit

Konfirmasi Logon Sistem Pakar mendiagnosa Penyakit Tanaman Rambutan

Pakar Nama Penyakit GejalaPenyakit Informasi Penyakit Aturan Konfirmasi Logon

Gambar 1. DVD Level 0

44

Representasi Pengetahuan Representasi pengetahuan (knowledge representation) adalah cara untuk menyajikan pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi antara suatu pengetahuan dengan pengetahuan yang lain dan dapat dipakai untuk menguji kebenaran penalarannya. Representasi pengetahuan dibutuhkan untuk menangkap sifatsifat penting masalah dan mempermudah prosedur pemecahan masalah dalam mengakses informasi. Format representasi harus mudah dipahami sehingga seorang programmer mampu mengekspresikan pengetahuan (fakta), namun semua cara tersebut harus mengacu pada dua entitas berikut. 1. Fakta, yaitu kejadian sebenarnya. Fakta inilah yang akan kita representasikan. 2. Representasi dari fakta. Berdasarkan representasi inilah kita dapat mengolah fakta.[3] Representasi pengetahuan, kaidah produksi dibentuk dari pengubahan tabel keputusan. Pembuatan suatu kaidah dilakukan dengan beberapa tahapan. Sebagai contoh perhatian pembuatan kaidah konklusi ini akan dapat tercapai bila kondisi – kondisi yang mendukung terpenuhi. Pembuatan kaidah menggunakan goal dan kondisi yang telah diperolah, seperti pada tabel 4:


P01 P02 P03 P04 Setiap kombinasi terpenuhi kekurangan

G01 *

G02 *

G03 *

G04 *

Tabel 4. Keputusan G05 G06 G07 G08 *

G10

G11

G12

*

*

*

* *

spektrum di atas akan di buat untuk setiap kemungkinan gejala dan disesuaikan dengan jenis unsur hara. Berikut ini akan di

G09

*

*

gambarkan dalam pohon keputusan pada gambar 3 di bawah ini.

Gambar 3. Pohon Keputusan Dalam perancangan basis pengetahuan ini digunakan kaidah produksi sebagai sarana untuk representai pengetahuan. Kaidah produksi dituliskan dalam bentuk pernyataan JIKA [premis] MAKA [konklusi]. Pada perancangan basis pengetahuan sistem pakar ini premis adalah gejala dan konklusi adalah jenis unsur hara, sehingga bentuk pernyataannya adalah JIKA [gejala] MAKA [jenis unsur hara]. Bentuk pernyataannya adalah : JIKA [gejala 1] JIKA [gejala 2] DAN [gejala 3] MAKA [Jenis unsur hara] Dan Untuk kaidah produksinya dapat dilihat di bawah ini : 1. Kaidah untuk Kutu Putih (Cacao Mealybug) IF Terdapat bercak putih pada belahan daun AND kerontokan buah muda AND Tumbuhan Sulit Berkembang THEN Kutu Putih (Cacao Mealybug)

2. Kaidah untuk Penggerek buah (Fruit Borer) IF lubang dibawah kulit buah dan meninggalkan kotoran juga didalam buahnya AND Daging buah warna kehitaman dan asam (busuk) AND Kulit buah berair dan warna kecoklatan THEN Penggerek buah (Fruit Borer) 3. Kaidah untuk Hama Tirarhaba(Melissablaptes, Mucialla) ruptilinea (Wkl) IF Ada tananam cacao didekat tanaman rambutan AND Bunga buah merontok AND Batang Bunga buah mengering THEN Hama Tirarhaba(Melissablaptes, Mucialla) ruptilinea (Wkl) 4. Kaidah untuk Ulat Daun Rambutan IF Tidak ada kumbang dan kupukupu atau lebah yang menghampiri bunga AND Adanya ulat pada daun dan

45


AND THEN

batang tumbuhan Daun pada tumbuhan bolong bolong Ulat Daun Rambutan

Halaman ini merupakan tampilan data hasil konsultasi user yang telah menjawab beberapa pertanyaan dari sistem yang dibangun. Hasilnya berupa data diri user, gejala defisiensi unsur hara, penanganan, dan gambar dari kekurangan gejala defisiensi unsur hara tersebut.

HASIL KESIMPULAN Penelitian ini menghasilkan aplikasi program sistem pakar diagnosis 4 penyakit tanaman rambutan dengan gejala kerusakannya dan penanggulangannya baik secara biologis, Kultur teknis, dan fisik/mekanis dengan metode forward chaining. Hasil kesimpulan dari aplikasi yang dibangun keakuratannya mencapai 80% dengan membandingkan gejala-gejala yang ada .

DAFTAR PUSTAKA Gambar 4. Form Pilih Gejala

[1]

Halaman ini merupakan tampilan pilihan gejala yang disaat user melakukan konsultasi.

[2]

[3] [4] [5]

Gambar 5. Tampilan Hasil Konsultasi

46

Rosnelly Rika, 2012, Sistem Pakar Konsep dan Teori, Yogyakarta, Andi Offset. Sari Ria Eka, 2013, Sistem Pakar Untuk Mendeteksi Penyakit THT Dengan Menggunakan Metode Forward Chaining, Prosiding SNIf STMIK Potensi Utama 2013. Sutojo, et al, 2011, Kecerdasan Buatan, Jogyakarta, Andi Offset. Kandi, Rambutan yang menggiurkan, Bandung, PT. Sarana Ilmu Pustaka Kusumadewi, Sri, 2003, Artificial Intelligence (Teknik dan Aplikasinya), Yogyakarta, Graha Ilmu


SIMULASI PERENCANAAN BIAYA IBADAH HAJI DENGAN METODE MONTECARLO DAN PERSPEKTIF TIME VALUE OF MONEY Yudhi Kurniawan1, Yuswanto22 1

Program Studi Sistem Informasi, Fakultas Sains Dan Teknologi, 2Program Studi Akuntansi, Fakultas Ekonomi Dan Bisnis, Universitas Ma Chung Universitas Ma Chung, Villa Puncak Tidar N-01 Malang 65151 Jawa Timur 1 yudhi.kurniawan@machung.ac.id, 2 yuswanto@machung.ac.id

Abstrak Ibadah haji adalah salah satu rukun atau kewajiban yang harus di laksanakan oleh pemeluk agama islam bagi yang mampu, dimana setiap tahun jumlah calon jamaah bertambah dengan pesat dilihat dari animo yang ada dan fakta pada tahun 2020 kuota untuk jamaah haji dari indonesia sudah habis terisi oleh calon jamaah. Sampai dengan saat ini belum ada lembaga ataupun organisasi yang menyediakan sebuah sistem simulasi untuk menghitung besaran nilai investasi yang terbaik. Dimana investasi yang dapat digunakan sebagai pembiayaan ONH berdasar pada prinsip syariah antara lain investasi pada emas, sukuk ritel, dan deposito Mudharabah, sehingga calon jamaah mendapatkan gambaran yang pasti tentang jenis investasi, lama tahun dan besaran yang diperlukan dengan tujuan untuk mendapatkan nilai yang terbaik dalam biaya haji pada tahun di mana calon jamaah akan berangkat haji. Program Simulasi ini menggunakan metode montecarlo dengan menghitung present value serta future value dari nilai masing-masing parameter yang akan di gunakan dalam nvestasi. Tujuan utama adalah agar setoran awal ONH tidak mengendap terlalu lama dan tidak mengubah nilai waktu uang (time value of money). Sehingga calon jemaah haji tidak perlu menunggu terlalu lama mulai dari pembayaran ongkos naik haji dengan saat keberangkatan ibadah haji. Kata kunci : program, simulasi, montecarlo, investasi, future value, present value, time value of money, ongkos naik haji 1.

Pendahuluan

Ketepatan dan kecepatan dalam mengolah data investasi tidak terlepas dari peranan program komputer. Ada beberapa aplikasi program, seperti Excel yang dapat digunakan untuk menghitung nilai investasi ongkos naik haji[1]. Karena keterbatasan fungsi-fungsi perhitungan dari softaware aplikasi program yang ada justru akan mempersulit pemakai programnya. Sehingga dibutuhkan sebuah aplikasi yang dibangun sendiri agar sesuai dengan kebutuhan pemakai sehingga kepentingan dapat terakomodasi dengan baik dan benar. Indonesia merupakan negara terbesar pemeluk agama Islam, Dengan banyaknya masyarakat muslim Indonesia yang ingin melaksanakan ibadah haji tetapi dengan kuota yang terbatas menyebabkan banyaknya jamaah haji harus masuk dalam daftar tunggu (waiting list). Tidak tanggung-tanggung jangka waktu tunggu pelaksanaan ibadah haji dapat mencapai 10 tahun, tergantung pada porsi haji masingmasing daerah apabila calon jamaah haji tersebut mengikuti paket Ongkos Naik Haji (ONH) regular[4]. Namun Selama ini belum ada suatu program bantu yang digunakan secara mandiri oleh calon

jamaah yang didistribusikan secara bebas tanpa license yang dapat menentukan investasi terbaik dalam menentukan pembiayaan ONH berdasar pada prinsip syariah[8]. Suatu program yang mampu untuk menghitung pembiayaan ONH berdasarkan prinsip syariah dari berbagai investasi yang ada dan sesuai dengan prinsip time value of money[1]. Maka dari itu diperlukan sebuah apilkasi perangkat lunak yang digunakan untuk menghitung besaran nilai investasi yang dapat digunakan calon jamaah haji dalam menentukan besaran nilai investasinya, sistem yang di kembangkan akan memberikan rekomendasi nilai investasi terbaik yang bisa di ikuti oleh calon Jemaah haji. 2.

Metodologi Penelitian Dalam pengerjaan penelitian ini digunakan metode montecarlo yaituMetode Monte Carlo merupakan dasar untuk semua algoritma dari metodesimulasi yang didasari pada pemikiran penyelesaian suatu masalah untukmendapatkan hasil yang lebih baik dengan cara memberi nilai sebanyakbanyaknya(nilai bangkitan/Generated Random Number) untuk mendapatkanketelitian yang lebih tinggi. Metode ini menganut system

47


pemrograman yangbebas tanpa telalu banyak diikat oleh rule atau aturan tertentu.[8] Metode Simulasi Monte Carlo adalah suatu metode untuk mengevaluasi suatu modeldeterministik yang melibatkan bilangan acak sebagai salah satu input. Metode inisering digunakan jika model yang digunakan cukup kompleks, non linear ataumelibatkan lebih dari sepasang parameter tidak pasti. Sebuah simulasi Monte Carlodapat melibatkan 10.000 evaluasi atas sebuah model, suatu pekerjaan di masa laluhanya bisa dikerjakan oleh sebuah software computer [9]. 3.

Hasil Dan Pembahasan Dari metode penelitian dan alur yang sudah di deskrisikan maka hasil dari penelitian ini adalah sebuah perangkat lunak yang berbasis web dimana perhitungan montecarlo yang digunakan dibuat dalam sebuah database secara utuh baru kemudian di simulasikan adapaun tahapan dan mekanisme dari implementasi perangkat lunak adaalah sebagai berikut 3.1 Master Angka Random Menu ini digunakna untuk menentukan nilai angka random yang digunakan dalam perhitungan montecarlo, dimana pengguna menginputkan data angka random sebanyak 10 baris data saja yang diijinkan oleh sistem.

3.3 Harga Emas Menu ini digunakan untuk menentukan harga emas yang sedang berlaku dari satu waktu tertentu.

Gambar 3. Setting Harga Emas 3.4 Nilai Sukuk Menu ini digunakan untuk menentukan nilai dan besaran sukuk serta variable imbal hasil yang digunakan dalam perhitungan simulasi.

Gambar 4. Setting nilai sukuk ritel 3.5 Nilai Tukar Rupiah Menu ini digunakan untuk menentukan besaran nilai tukar rupiah yang digunakan untuk simulasi pada perhitungan present value dan future value terkait dengan nilai uang Gambar 1. Master Angka Random 3.2 Deposito Mudharabah Menu ini digunakan untuk menetukan besaran Nilai Deposito Mudharabah dan juga variable imbal hasil, beserta sumber data dan tahun ketika data ini di inputkan.

Gambar 5. Setting nilai tukar rupiah

Gambar 2. input data dan vairabel imbal hasil untuk deposito mudharabah

48

3.6 Inflasi Menu ini digunakan untuk menentukan besaran inflasi yang sedang berlaku ketika simulasi di jalankan oleh pengguna


Gambar 6. Setting nilai inflasi

Gambar 9. Simulasi Hitung Investasi Haji Tampilan di atas adalah tampilan akhir dari aplikasi simulasi biaya ibadah haji dengan perspektif time falue of money menggunakan perhitungan dengan metode montecarlo. Calon jamaah haji dapat melihat informasi pergerakan nilai dari setiap tab yang ada dan hasil bisa di lihat pada tab/step ke 7 yaitu rekomendasi hasil investasi terbaik dengan periode waktu yang lebih singkat dalam pembiayaan ONH Plus

3.7 Biaya Haji Menu ini digunakna untuk menentukan besaran biaya haji baik itu regular ataupun juga ONH, tetapi dalam simulasi ini dan tujuan penelitian ini hanya untuk ONH maka pengguna akan lebih banyak melakukan penambahan data untuk ONH Plus

4.

Gambar 7. Form Besaran Biaya haji on plus 3.8 Simulasi Perhitungan Menu ini merupakan menu utama dalam perangkat lunak yang dikembangkan, dimana dalam menu simulasi ini pengguna hanya menginputkan jumlah tahun atau tahun berapa akan naik haji dengan tampilan sebagai berikut

Kesimpulan

4.1 Kesimpulan Berdasarkan hasil implementasi dan pengujian terhadap Spesifikasi kebutuhan perangkat lunak yang sudah didokumentasikan adalah: 1. Simulasi yang dijalankan sesuai dengan alur dan tahapan dalam perhitungan simulasi itu sendiri menggunakan metode montecarlo. 2. Hasil yang di dapatkan sesuai dengan alur dan besaran hitung yang sudah di tentukan dalam setiap/masing-masing rumus yang digunakan. 4.2 Saran Saran untuk pengembangan perangkat lunak ini adalah: 1. Lebih lanjut bisa dibuat mekanisme uji coba terkait perhitungan simulasi untuk menentukan besaran dan prosentase kecocokan hasil dengan metode yang dilakukan sehingga bisa di gunakan metode lain untuk perhitungan simulasi.

Gambar 8. Simulasi Biaya Haji Setelah pengguna melakukan input tahun keberangkatan haji maka sistem akan menampilkan secara detail dan memberikan hasil yang sekaligus mengedukasi penggunak dengan menampilkan summary dari perhitungan dan proses dalam sistem untuk menghasilkan rekomendasi nilai investasi yang terbaik yang dapat digunakan oleh pengguna/calon jamaah haji sebelum jamaah haji berangkat naik haji.

5.

Daftar Pustaka

[1] Arifin, Zainul. 2003. Dasar-Dasar Manajemen Bank Syariah. Jakarta:Alvabet. [2] Bassil, Youssef. 2012. A Simulation Model for the Waterfall Software Development Life Cycle. International Journal Of Engineering & Technology (iJET). ISSN : 2049-3444. Vol2. No 5. [3] Boehm B, Kitapci H., 2006, The WinWin approach : using a requirements negotiation tool for rationale capture and use. In : Dutoit

49


[4]

[5]

[6]

[7]

50

A, McCall R, Mistrik, I, Paech B(eds) Rationale Management in Software Engineering, Springer Dewan Syariah Nasional MUI, dalam Fatwa Dewan Syari’ah Nasional No. 21/ DSNMUI/IX/2001. Hartono, Jogiyanto. 2009. Teori Portofolio dan Analisis Investasi Edisi Keenam. Yogyakarta:BPFE Yogyakarta. Kendal, K dan Kendall, J. 2005. Systems Analysis and Design 6th Edition. Pearson International Edition. Prentice Hall Kwak, Y. H., & Ingall, L. ,2007, Exploring Monte Carlo Simulation ApplicationsFor Project Management. Risk Management, 9, 44-57.

[8] McCabe, B. ,2003, Monte Carlo Simulation For Schedule Risks. Paper presented at the Proceedings of the 2003 Winter Simulation Conference. [9] Monte Carlo Method ,2008, Online. http://www.riskglossary.com/link/monte_carl o_method.htm Diakses pada tanggal 16 Oktober 2008. [10] http://www.islamedia.web.id/2011/12/sekilas -tentang-haji-indonesia.html, diakses tanggal 3 Maret 2012. [11] Whitten, Jeffery, L., etc, 2004, Systems Analysis and Design Methods, The McGrawHill Companies,Inc.


ANALISIS MATURITY LEVEL IMPLEMENTASI ORANGEHRM MENGGUNAKAN FRAMEWORK COBIT 5.0 Fhery Agustin Program Studi Sistem Informasi, STMIK Potensi Utama Jl.. K.L. Yos Sudarso Km. 6.5 No. 3A Tanjung Mulia - Medan fhery@potensi-utama.ac.id

Abstrak Sumber Daya Manusia merupakan asset yang sangat penting bagi perusahaan atau organisasi. Perusahaan yang memiliki Sumber Daya Manusia yang unggul akan mampu bersaing di pasar yang semakin kompetitif. Maka untuk pengelolaan Sumber Daya Manusia juga dibutuhkan sebuah sistem yang handal serta telah teruji. Penelitian ini bertujuan untuk memperkenalkan aplikasi Human Resource Information System (HRIS) yang cukup fenomenal, yaitu OrangeHRM. Aplikasi ini sangat cocok dipergunakan di Indonesia dan bahkan telah memiliki komunitas sendiri di tanah air. Selain memperkenalkan, penelitian ini juga melakukan evaluasi terhadap implementasi OrangeHRM menggunakan framework COBIT 5.0 dan hasilnya berada pada level Defined dengan skor 3,1. Hal ini menunjukkan OrangeHRM cukup layak untuk dipergunakan oleh perusahaan yang membutuhkan Sistem Informasi SDM. Kata Kunci : Maturity Level, OrangeHRM, COBIT 5.0 1.

Latar Belakang

Sumber Daya Manusia merupakan asset terpenting dalam sebuah perusahaan. Bahkan pameo bahwa tenaga kerja merupakan cost atau biaya telah terpatahkan. Sebab tanpa SDM yang berkualitas, maka sebuah perusahaan hanya akan jalan di tempat tanpa adanya continiously improvement yang signifikan. Dikarenakan pentingnya SDM, maka pengelolaannya juga menjadi perhatian khusus. Tentunya bila dikaitkan dengan dunia IT, maka itu berarti pemanfaatan aplikasi berbasis sistem informasi SDM menjadi acuan yang cukup penting. Sebuah aplikasi berbasis Human Resorce Information System (HRIS) merupakan sebuah keharusan untuk meningkatkan kinerja pengelolaan SDM di suatu perusahaan. Pertimbangan biaya tentunya dapat diminimalisir dengan pemilihan aplikasi yang bersifat opensource. Orange HRM dapat menjadi solusi bagi permasalahan tersebut dengan interface yang begitu menawan. Sistem pengoperasiannya juga sangat user friendly serta memiliki modul yang cukup lengkap. Sehingga pengelolan SDM dapat lebih mantap dan menyenangkan.

Gambar 1. Website Penyedia Aplikasi HRIS OrangHRM (sumber : www.orangehrm.com)

Gambar 2. Website Komunitas OrangeHRM Indonesia (sumber : www.orangehrm-indonesia.com) 2.

Tinjauan Pustaka

Tinjauan ilmiah merujuk pada beberapa sumber acuan baik buku, website, artikel, maupun

51


jurnal ilmiah dari sebelumnya yang terkait.

penelitian-penelitian

1.

Mengenal OrangeHRM OrangeHRM merupakan sebuah aplikasi Human Resource Information System berbasis web yang cocok digunakan di Indonesia. Aplikasi ini tersedia dalam tiga versi, yaitu Opensource, Professional, dan Enterprise. Tentunya untuk versi opensourcenya bersifat gratis dengan beberapa fitur terbatas namun dengan fungsionalitas yang cukup. Sedangkan versi Profesional dan Enterprise yang berbayar diperuntukkan bagi kalangan yang menginginkan fitur yang lebih lengkap dibandingkan versi gratisnya. [1].

Fungsi ini dapat menyajikan laporan secara real time. e. Recruitment Merupakan fungsi pengelolaan penerimaan karyawan baru di perusahaan. f. Performance Management Merupakan fungsi penilaian kinerja terhadap karyawan. 3.

Pengelolaan SDM Pengelolan SDM merupakan implementasi dari indikator dan fungsi-fungsi manajemen yang berperan aktif dalam tercapainya tujuan individu, organisasi, dan perusahaan. Pengelolaan tersebut sangat terkait dengan pengolaan karyawan dan staff baik yang terkait dengan pendataan dan pengembangan sumber dayanya. [3] Berdasarkan defenisi tersebut, maka pengelolaan SDM akan menjadi lebih terorganisir dengan baik apabila menggunakan sistem informasi berbasis komputer. Sehingga pengeloaan SDM akan lebih menarik dan terintegrasi. 4.

Gambar 3. Login Demo OrangeHRM (sumber :enterprise.demo.orangehrmlive.com) 2.

Fitur-Fitur OrangeHRM

Beberapa fitur opensource, yaitu : [2]

OrangeHRM

versi

a. System Administration Orange HRM memiliki fungsi akses system admin yang memiliki hak untuk pengelolaan sistem secara keseluruhan. Aplikasi ini juga menyediakan fungsi multi akses agar aplikasi dapat di-login beberapa admin. b. Personnel Information Management Orange HRM memiliki fungsi manajemen informasi untuk setiap personel atau karyawan dalam sebuah perusahaan. Informasi tersebut juga disajikan secara detail hingga kontak keluarga yang dapat dihubungi apabila terjadi sesuatu terhadap karyawan di kantor. c. Leave / Time Off Fungsi leave atau time off merupakan fasilitas yang menyediakan fungsi resign atau pun cuti bagi karyawan. Sehingga pengelolaannya dapat lebih informatif dan selalu terkontrol oleh sistem. d. Time Merupakan fungsi pengelolaan waktu kerja dan attendance atau kehadiran karyawan.

52

Konsep COBIT COBIT adalah sebuah kerangka kerja yang mengkombinasikan pemikiran modern dalam pengelolaan perusahaan dan teknik manajemen, serta menyajikan konsep yang dapat diterima secara global, praktek penggunaan alat-alat analisis serta pemodelan untuk meningkatkan nilai dan kepercayaan terhadap sebuah sistem informasi. [4] Control Objectives For Information and Related Technologi (COBIT) merupakan suatu metode dalam penerapan IT Governance menggunakan beberapa kontrol objective dalam pelaksanaan audit. Secara lebih spesifik COBIT diperuntukkan bagi audit Sistem Informasi yang diterapkan pada sebuah organisasi. Versi COBIT sendiri diawali pada tahun 1996 dan terus mengalami perkembangan mengikuti kebutuhan stakeholder dan jangkauan atau scope audit terhadap sistem informasi secara lebih luas. COBIT versi terbaru adalah COBIT 5.0 yang dirilis pada tahun 2012. 5.

COBIT 5.0 Framework COBIT 5.0 dibagi menjadi 2 area, yaitu : [4] a. Governance of IT Process, terdiri dari domain : - Evaluate, Direct, and Monitor (EDM) b. Management of Enterprise IT, terdiri dari domain : - Align, Plan, and Organise (APO) - Build, Acquire, and Implement (BAI) - Deliver, Servive, and Support (DSS) - Monitor, Evaluate, and Assess (MEA)


Kelima domain tersebut, yaitu : EDM, APO, BAI, DSS, dan MEA masih terbagi lagi ke dalam 37 indikator. Namun pada proses audit ataupun pengukuran terhadap implementasi sistem informasi dapat digunakan semua atau sebagian indikator saja, disesuaikan dengan objek, tujuan, dan scope audit yang ingin dicapai.

kebutuhan dan persyaratan, namun dengan tetap merujuk kepada kerangka kerja standar yang ditetapkan oleh organisasi. Terdapat infrastruktur otomatis tersentralisasi yang mendukung proses perusahaan secara menyeluruh yang dibangun untuk organisasi. Kolaborasi didirikan antara tim. Ini menjadi bagian penting dari pembentukan proses yang memungkinkan untuk berbagi ide, memiliki visibilitas yang lebih baik dan umpan balik yang cepat. Semua anggota tim adalah milik sebuah sistem dengan akuntabilitas bersama, sering berkomunikasi dan saling mempercayai.

6.

Maturity Model Maturity model adalah sebuah metode untuk mengukur tingkat atau level pengembangan manajemen proses, yaitu mengukur sejauh mana kapabilitas manajemen berdasarkan pencapaian tujuan COBIT. Terdapat beberapa type maturiy level, yaitu : [5] a. Initial : biasanya masih bersifat ad hoc dan masih kacau. Hasil dari proses tidak bisa ditebak, sering melebihi alokasi anggaran dan keterlambatan jadwal. Terdapat kecenderungan untuk meninggalkan proses pada saat krisis. Tidak ada otomatisasi proses atau bahkan kegiatan, sehingga proses yang berulang tidak terkontrol dan lambat. Ditandai dengan yang kurangnya komunikasi ad-hoc dan koordinasi antara tim. Peran dan tanggung jawab tim tidak didefinisikan dengan baik. Tim memberikan informasi melalui saluran komunikasi formal. Keputusan dibuat secara independen oleh pihak yang bertanggung jawab pada proses dan kemudian dikomunikasikan kepada tim lain. b. Managed : proses dikelola tapi tidak standar di seluruh proyek atau bahkan di seluruh tahapan siklus hidup yang berbeda dari proyek yang sama. Standar, deskripsi dan prosedur proses dapat bervariasi dalam setiap contoh spesifik dari proses (yaitu dalam kelompok kerja yang berbeda). proses didokumentasikan dan sebagian otomatis. Terdapat siled (tugas proses vs) otomatisasi tanpa infrastruktur pusat. Pertemuan rutin diadakan, rilis dikomunikasikan dan dikoordinasikan antara pembangunan dan operasi. Tim berbagi informasi dan - dalam beberapa kasus bahkan sumber daya, peran para pemangku kepentingan didefinisikan dengan baik. Sering terjadi komunikasi antara tim. Terdapat beberapa pengambilan keputusan bersama, tapi sebagian besar keputusan masih diambil secara terpisah, dan dikoordinasikan atau dikomunikasikan setelah itu dengan tim lain. c. Defined : ditandai dengan proses terstandar dengan baik pada seluruh proyek. Terdapat proses-proses standar yang digunakan untuk menetapkan konsistensi di seluruh organisasi. Menetapkan proses khusus dengan cara memodifikasi proses standar sesuai dengan

d. Measured : kualitas proses dan kinerja diukur untuk mencapai visibilitas dan prediksi kinerja. Proses dikendalikan dengan menggunakan teknik kuantitatif dan prediksi didasarkan pada analisis statistik. Proses otomatis end-to-end diukur dan dikendalikan, memberikan visibilitas dan wawasan ke setiap kegiatan (status, biaya, waktu, stakeholder), serta wawasan lintas aktivitas. Metrik proses otomatis diukur berdasarkan tujuan bisnis. Proses berbasis kolaborasi diukur untuk mengidentifikasi inefisiensi dan kemacetan dengan mengumpulkan informasi tentang orang-orang yang terlibat dalam kegiatan, tingkat keahlian dan kontribusi, serta relevansi dari informasi atau efisiensi langkah-langkah yang dilakukan. e. Optimized : terdapat penilaian berkelanjutan dari keseluruhan proses (sebagai lawan optimalisasi kegiatan terpisah) yang bertujuan untuk mencapai tujuan bisnis dengan biaya dan resiko minimal. Terdapat perbaikan secara terus-menerus dari proses otomatis dengan menggunakan analisis metrik, pembelajaran mandiri dan perbaikan mandiri. Otomatisasi self-service yang diberikan kepada pemangku kepentingan yang berbeda dalam organisasi. Kolaborasi dioptimalkan untuk keefektifan dan kesinambungan dalam berbagi pengetahuan serta pemberdayaan individu. 7.

Penelitian Rujukan Makalah yang ditulis oleh Helmi Buyung Aulia Safrizal membahas mengenai Pembelajaran Manajemen Sumber Daya Manusia Menggunakan Teknologi Open Source. Penelitian ini menghasilkan kesimpulan bahwa Aplikasi OrangeHRM dapat dimanfaatkan sebagai tools pemahaman bagi mahasiswa terkait mata kuliah SDM berikut konektifitasnya dengan aktifitasaktrifitas lainnya. Metode yang digunakan dapat berupa simulasi, studi kasus serta praktikum. Khusus untuk metode studi kasus dapat

53


memberikan pemahaman tentang sebenarnya bagi perusahaan. [6]

kondisi

Kemudian makalah Faizal Hussein, Kertahadi, dan Riyadi yang membahas tentang implementasi sistem informasi sumber daya manusia di PT. Wiranas Laundry and Dry Cleaning. Penelitian ini menghasilkan beberapa kesimpulan seperti : kemudahan proses rekrutmen yang dapat dilakukan secara online, pendataan secara online, presensi juga secara online dan terintegrasi, serta proses cuti juga dapat dilakukan dengan online. Artinya hasil penelitian ini lebih menekankan fungsionalitas dari segi kebebasan akses tanpa batasan ruang dan waktu. [7]

3.

Metode Penelitian

Metode pengumpulan data dalam penelitian ini menggunakan kerangka kerja COBIT 5.0 dengan mengabaikan beberapa item atau indikator yang tidak terkait dengan implementasi sistem otomasi perpustakaan. Indikator-indikator yang dipergunakan, yaitu : EDM03 : Ensure Risk Optimisation EDM04 : Ensure Resource Optimisation APO01 : Manage The IT Management Process APO13 : Manage Security BAI04 : Manage Availabilty and Capacity BAI09 : Manage Assets BAI10 : Manage Configuration DSS01 : Manage Operation DSS04 : Manage Continuity MEA01 : Monitor, Evaluate, and Assess Performance and Cnformance Masing-masing indikator tersebut akan diberi nilai berdasarkan hasil evaluasi maturity level, yaitu : 1 : Sangat Rendah 2 : Rendah 3 : Cukup 4 : Baik 5 : Sangat Baik Kemudian total perolehan dari seluruh indikator akan diambil nilai rata-ratanya untuk menentukan nilai maturity level secara keseluruhan.

4.

Hasil dan Analisa

1.

Hasil

Implemntasi sistem informasi Human Resoyrce Information System menggunakan OrangeHRM seperti terlihat pada gambar berikut :

54

Gambar 4. Dashboard Aplikasi OrangeHRM (sumber :enterprise.demo.orangehrmlive.com) Pada dashboard OrangeHRM menampilkan grafik yang merepresentasikan kondisi karyawan.

Gambar 5. Employee List Aplikasi OrangeHRM (sumber :enterprise.demo.orangehrmlive.com) Pada Employee List OrangeHRM menampilkan daftar karyawan yang ada di perusahaan beserta metode pencarian data.

Gambar 6. Employee Detail Aplikasi OrangeHRM (sumber :enterprise.demo.orangehrmlive.com) Tampilan informasi detail pegawai menampilkan data pegawai secara lebih detail dan terperinci dengan informasi pendukung lainnya.


2.

Evaluasi

Hasil evaluasi yang diperoleh dengan menggunakan tools COBIT 5.0 adalah sebagai berikut : Tabel 1. Hasil Evaluasi Maturity Level Aplikasi SliMS

1. Nilai maturiy level Aplikasi Orange HRM berada pada level 3,1 yang berarti berada pada level Defined. 2. Level defined menunjukkan bahwa aplikasi OrangeHRM layak untuk dipergunakan untuk menangani sistem informasi SDM bagi perusahaan yang membutuhkan. Sementara saran yang dapat penulis berikan untuk pengembangan penelitian ini di masa yang akan datang adalah : 1. Diperlukan penyesuaian indikator-indikator COBIT yang dipergunakan dalam proses evaluasi. 2. Bagi perusahaan yang ingin meningkatkan fungsionalitas aplikasi OrangHRM dapat menggunakan versi Professional maupun Enterprise.

Semua point yang diperoleh ditotalkan (31) kemudian dirata-ratakan menjadi 3,1 (dapat digenapkan menjadi 3) yang berarti berada pada level Defined. 3.

Analisa

Maturity level dari implementasi OrangeHRM mencapai 3,1 dan dapat digenapkan menjadi 3, yang berarti berada pada level Defined yang berarti proses terstandar dengan baik pada seluruh proyek. Aplikasi OrangeHRM yang interaktif, userfriendly dan opensource tentunya juga menjadi daya tarik tersendiri bagi user.

Gambar 7. Grafik Maturity Level Grafik di atas menunjukkan point dari masing-masing tingkatan maturity level. Maka berdasarkan skor atau point yang diperoleh OrangeHRM, berarti berada pada level Defined.

5.


Terdapat beberapa kesimpulan yang dapat diambil dalam penlitian ini, yaitu :

DAFTAR PUSTAKA [1] Titus Permadi, 2012. OrangeHRM, Inc USA. http://orangehrmindonesia.com/tentang-orangehrm. Diakses tgl : 19 Juli 2014, Jam : 11.55 WIB. [2] OrangeHRM Inc, 2014. OrangeHRM Opensource. http://www.orangehrm.com/img/OpenSour ce.pdf. Diakses tgl : 19 Juli 2014, Jam : 12.15 WIB. [3] Esther Juniati Lini, 2009. Analisis Impentasi Aplikasi Orange Human Resource Management (Studi Kasus PT.Smart Moving Indonesia). Gunadharma University E-Paper, Universitas Gunadharma, Depok. [4] Sari, Indah Mayang, et.all, 2013. Pembuatan Metode Evaluasi Kematangan Pelaksanaan Proyek dengan Menggabungkan COBIT 5 Domain BAI 1.11 dan MEA 1.04 dengan Best Practice PMBOK 4th. Studi Kasus : Direktorat Pengelolaan Sistem Informasi (DPSI) Bank Indonesia, Jurnal Teknik Pomits, Vol. 1 No.1. [5] Qualified Advice Partners. 2013. CobiT Domains and Processes (COBIT 5/4.1). http://www.qualified-auditpartners.be/index.php?cont=463, Diakses tgl : 11 Juli 2014, Jam : 10.28 WIB. [6] Helmi Buyung Aulia Safrizal, 2012. Pembelajaran Manajemen Sumber Daya Manusia Menggunakan Teknologi Open Source. Prosiding Seminas Competitive Advantage II Vol. 1 No. 2, Universitas Pesantren Tinggi Darul ‘Ulum, Jombang, Jawa Timur. [7] Faizal Hussein, et all, 2014. Implementasi Sistem Informasi Sumber Daya Manusia

55


(Studi Kasus pada Perusahaan Jasa PT. Wiranas Laundry and Dry Cleaning Service). JurnalAdministrasiBisnis (JAB)

56

Vol. 10 No. 1 Mei 2014, Universitas Katolik Parahyangan, Bandung.


ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian1, M. Rhifky Wayahdi2 1

Dosen Teknik Informatika, STMIK Potensi Utama Mahasiswa Sistem Informasi, STMIK Potensi Utama 1,2 STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan 1 yudhi.andrian@gmail.com, 2rhifky.wayahdi@yahoo.com 2

Abstrak Jaringan saraf tiruan (Artificial Neural Network) sebagian besar telah cukup handal dalam pemecahan masalah, salah satunya adalah prediksi curah hujan dengan metode backpropagation. Salah satu algoritma inisialisasi bobot yang dapat meningkatkan waktu eksekusi adalah nguyen-widrow. Pada penelitian ini penulis akan memprediksi curah hujan di Kota Medan dengan metode backpropagation neural network dengan memadukan algoritma inisialisasi nguyen-widrow pada proses inisialisasi bobotnya. Dari hasil penelitian diketahui bahwa : pada proses trainning JST, semakin kecil nilai target error maka nilai iterasinya akan semakin besar dan keakurasiannya juga semakin tinggi, pada kasus prediksi curah hujan di Kota Medan dengan metode backpropagation neural network, proses training dengan inisialisasi bobot nguyen-widrow tidak lebih baik dari bobot random, dan tingat keakurasian terbesar pada proses pengujian prediksi curah hujan di Kota Medan dengan metode backpropagation neural network adalah 43.1 %, dengan target error 0.007. Kata kunci : Prediksi curah hujan, nguyen-widrow, backpropagation, neural network 1.

Pendahuluan

Dari aspek meteorologis, Indonesia mempunyai kompleksitas dalam fenomena cuaca dan iklim. Atmosfer di atas Indonesia sangat kompleks dan pembentukan awannya sangat unik. Secara latitudinal dan longitudinal, Indonesia di bawah kekuasaan sirkulasi ekuatorial dan monsunal yang berbeda karakteristiknya. Beberapa kenyataan ini menunjukkan curah hujan di Indonesia sangat labil, kompleks, dan memiliki variabilitas yang sangat besar. Sehingga meskipun ketepatan prediksi sangat penting, namun saat ini sangat sulit diprediksi secara akurat dengan metode peramalan tradisional. Bahkan dalam bidang klimatologi, curah hujan di Indonesia menjadi salah satu faktor yang paling sulit diramalkan secara akurat. Perubahan iklim akibat pemanasan global, mengakibatkan pergantian musim di Indonesia menjadi tidak teratur [2]. Jaringan Saraf Tiruan (Artificial Neural Network) sebagian besar telah cukup handal selama beberapa tahun terakhir dalam pemecahan masalah. Jaringan saraf tiruan menyediakan metodologi yang sangat handal dalam pemecahan masalah non-linier. Jaringan saraf tiruan terinspirasi oleh otak manusia di mana neuron saling interkoneksi secara non-linier. Neuron saling terhubung satu sama lain melalui suatu jaringan. Jaringan ini yang dilatih menggunakan

algoritma backpropagation yang mengikuti Gradient Descent Method [5]. Kharola, Manisha dan Dinesh Kumar (2014) menggunakan metode backpropagation untuk memprediksi cuaca, dan menemukan bahwa proses pelatihan dapat dilakukan dengan cepat. Hasilnya lebih akurat untuk memprediksi cuaca di masa depan ketika jumlah iterasi meningkat [3]. Naik, Arti R. dan Prof. S.K.Pathan (2012) mengusulkan sebuah metode baru prakiraan cuaca menggunakan jaringan saraf tiruan feed-forward dan datanya dapat dilatih dengan menggunakan algoritma Levenberg Marquardt untuk memprediksi cuaca masa depan. Di antara beberapa algoritma backpropagation, backpropagation levenberg adalah yang tercepat [5]. Mishra, Khushboo, et al. (2014) dalam penelitiannya tentang kompresi citra mengatakan bahwa dalam nguyen-widrow semua bobot dalam jaringan disesuaikan dengan cara yang identik, sehingga mencegah dan mengurangi kesalahan fungsi. Bobot biasanya diinisialisasi dengan nilai kecil yang acak. Hasil menunjukkan bahwa algoritma yang digunakan (nguyen-widrow) dapat meningkatkan waktu eksekusi [4]. Metode backpropagation yang telah dijelaskan di atas dapat diterapkan dalam memprediksi suatu keadaan yang akan datang. Sedangkan inisialisasi nguyen-widrow dapat meningkatkan waktu eksekusi. Pada penelitian ini

57


penulis akan memprediksi curah hujan di Kota Medan dengan metode backpropagation neural network dengan memadukan algoritma inisialisasi nguyen-widrow pada proses inisialisasi bobotnya. Penulis akan menggunakan data curah hujan tahun 1997 – 2012. Tujuannya adalah untuk mengetahui apakah algoritma inisialisasi nguyenwidrow dapat mengurangi waktu pelatihan. 2.

Algoritma Nguyen-Widrow

Nguyen-Widrow adalah sebuah algoritma yang digunakan untuk inisialisasi bobot pada jaringan saraf tiruan untuk mengurangi waktu pelatihan. Algoritma inisialisasi nguyen-widrow adalah sebagai berikut [4]: a. Set: n = jumlah unit input p = jumlah unit tersembunyi β = faktor skala = 0.7(p)1/n = 0.7 √ b. Untuk setiap unit tersembunyi (j=1,…,p), lakukan tahap (c) – (f) c. Untuk i=1,…,n (semua unit input), vij(old)= bilangan acak antara -0.5 dan 0.5 d. Hitung nilai ||vj(old)|| e. Inisialisasi ulang bobot-bobot dari unit input (i=1,…,n) f. Bias yang dipakai sebagai inisialisasi: voj = bilangan acak antara –β dan β. 3.

Neural Network

Neural Network / Jaringan Saraf Tiruan (JST) adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia. Elemen kunci dari paradigma ini adalah struktur dari sistem pengolahan informasi yang terdiri dari sejumlah besar elemen pemrosesan yang saling berhubungan (neuron), bekerja serentak untuk menyelesaikan masalah tertentu. Cara kerja JST seperti cara kerja manusia, yaitu belajar melalui contoh. Lapisan-lapisan penyusun JST dibagi menjadi 3, yaitu lapisan input (input layer), lapisan tersembunyi (hidden layer), dan lapisan output (ouput layer) [7]. 4.

Metode Backpropagation

Salah satu algoritma JST adalah propagasi balik (backpropagation) yaitu JST multi layer yang mengubah bobot dengan cara mundur dari lapisan keluaran ke lapisan masukan. Tujuannya untuk melatih jaringan agar mendapatkan keseimbangan kemampuan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan dengan pola yang dipakai selama pelatihan [1].

Arsitektur backpropagation merupakan salah satu arsitektur jaringan saraf tiruan yang dapat digunakan untuk mempelajari dan menganalisis pola data masa lalu lebih tepat sehingga diperoleh keluaran yang lebih akurat (dengan kesalahan atau error minimum) [6]. Langkah-langkah dalam membangun algoritma backpropagation adalah sebagai berikut [7]: a. Inisialisasi bobot (ambil nilai random yang cukup kecil). b. Tahap perambatan maju (forward propagation) 1) Setiap unit input (X1, i=1,2,3,…,n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan tersembunyi. 2) Setiap unit tersembunyi (Z1, j=1,2,3,…,p) menjumlahkan bobot sinyal input, ditunjukkan dengan persamaan (1). ∑

(1)

Dan menerapkan fungsi aktivasi untuk menghitung sinyal output-nya, ditunjukkan dengan persamaan (2). (2) Fungsi aktivasi yang digunakan adalah fungsi sigmoid, kemudian mengirimkan sinyal tersebut ke semua unit output. 3) Setiap unit output (Yk, k=1,2,3,…,m) menjumlahkan bobot sinyal input, ditunjukkan dengan persamaan (3).

∑

(3)

Dan menerapkan fungsi aktivasi untuk menghitung sinyal output-nya, ditunjukkan dengan persamaan (4). (4) c. Tahap perambatan balik (backpropagation) 1) Setiap unit output (Yk, k=1,2,3,…,m) menerima pola target yang sesuai dengan pola input pelatihan, kemudian hitung error, ditunjukkan dengan persamaan (5). (5) f’ adalah turunan dari fungsi aktivasi. Kemudian hitung korelasi bobot, ditunjukkan dengan persamaan (6). (6) Dan menghitung koreksi bias, ditunjukkan dengan persamaan (7). (7) Sekaligus mengirimkan δk ke unit-unit yang ada di lapisan paling kanan. 2) Setiap unit tersembunyi (Zj, j=1,2,3,…,p) menjumlahkan delta input-nya (dari unitunit yang berada pada lapisan di (8)

58


kanannya), ditunjukkan dengan persamaan (8).

∑ Untuk menghitung informasi error, kalikan nilai ini dengan turunan dari fungsi aktivasinya, ditunjukkan dengan persamaan (9). (9) Kemudian hitung koreksi bobot, ditunjukkan dengan persamaan (10). (10) Setelah itu, hitung juga koreksi bias, ditunjukkan dengan persamaan (11). (11) d. Tahap perubahan bobot dan bias 1) Setiap unit output (Yk, k=1,2,3,…,m) dilakukan perubahan bobot dan bias (j=0,1,2,…,p), ditunjukkan dengan persamaan (12). (12) Setiap unit tersembunyi (Zj, j=1,2,3,…,p) dilakukan perubahan bobot dan bias (i=0,1,2,…,n), ditunjukkan dengan persamaan (13). (13) 2) Tes kondisi berhenti. 5.

banyaknya layar tersembunyi (hidden layer) yang digunakan, dan banyaknya keluaran yang diinginkan. Data yang digunakan sebagai masukan sebanyak 8 data (8 tahun) dan data keluaran atau target adalah data pada tahun ke-9 (data input 1997 – 2004 dengan target 2005). Untuk mengetahui curah hujan pada tahun ke-10 maka data masukannya merupakan data pada tahun ke-2 sampai tahun ke-9 (data input 1998 – 2005 dengan target 2006), demikian seterusnya. Gambar 1 menggambarkan desain jaringan saraf tiruan backpropagation dengan input layer(xi)=8, hidden layer(vi)=6, dan output layer(yi)=1. Input Layer

Hidden Layer

Output Layer

x1

x2

v1

x3

v2

x4

v3 y1

x5

v4

x6

v5

x7

v6

Metode Penelitian

Penelitian ini bertujuan untuk menganalisa inisialisasi algoritma nguyen-widrow pada proses prediksi curah hujan di Kota Medan dengan jaringan saraf tiruan metode backpropagation. Penulis ingin mengetahui apakah ada perbedaan antara inisialisasi bobot menggunakan algoritma nguyen-widrow dengan inisialisasi bobot secara random. Apakah pengenalan pola/pelatihan dengan algoritma nguyen-widrow dapat mengurangi waktu pelatihan. Untuk mencapai tujuan tersebut, penulis akan melakukan perbandingan dengan menggunakan data sekunder curah hujan bulanan Kota Medan tahun 1997 – 2012. Data bersumber dari BMKG Stasiun Polonia, Kota Medan. Prediksi curah hujan dengan backpropagation neural network digunakan langkah-langkah sebagai berikut: a. Memisahkan data yang akan digunakan sebagai data pelatihan dan data uji. Data curah hujan tahun 1997 – 2008 akan digunakan sebagai data pelatihan selama perancangan JST sedangkan data tahun 2009 – 2012 digunakan sebagi data pengujian. b. Desain JST Desain JST dilakukan untuk prediksi curah hujan bulanan dimulai dengan menentukan banyaknya data masukan yang digunakan,

x8

Gambar 1. Desain backpropagation neural network c. Pengenalan pola (pelatihan) Pengenalan pola dilakukan dengan cara penyesuaian nilai bobot (dalam penelitian ini nilai bobot ditentukan secara random dan menggunakan algoritma nguyen-widrow). Penghentian penyesuaian bobot dalam pengenalan pola apabila kuadrat error mencapai target error. Error dihitung setelah tahapan forward propagation. Apabila error lebih besar dari target error maka pelatihan akan dilanjutkan ke tahap backward propagation sampai error mencapai atau lebih kecil target error. d. Pengujian dan prediksi Pengujian dilakukan bertujuan untuk mengetahui tingkat keakuratan sistem JST

59


yang telah dibuat dalam memprediksi data curah hujan pada tahun tertentu. Sedangkan prediksi bertujuan untuk memprediksi data curah hujan yang akan datang. 6.

Hasil dan Analisa

Prediksi curah hujan menggunakan metode backpropagation neural network dilakukan dengan membagi data menjadi tiga bagian, yaitu : data untuk training/ pelatihan, data untuk testing/ pengujian, dan data untuk prediksi. Data yang digunakan adalah data curah hujan Kota Medan tahun 1997 – 2012 (dapat dilihat di Lampiran Tabel 1). Di mana data tahun 1997 – 2008 digunakan sebagai pelatihan, data tahun 2009 – 2012 digunakan sebagai pengujian, dan tahun 2013 – 2017 data yang akan diprediksi. Pembagian data untuk pelatihan dapat dilihat pada Tabel 2. Tabel 2(a). Data input tahun 1997 – 2004 dengan target tahun 2005 1997 106.2 96.6 134.4 109.8 80.9 175.3 225.8 95.7 290.6 391.1 265.4 182.4

1998 181 50.2 29.4 35.3 133.5 144.6 213 381 170.8 340.3 275.8 394.2

1999 315 268.8 196.9 322 302.6 256.2 29.9 78.6 407.2 204.1 126.4 456.3

2000 59 86.7 182.2 115 60.3 191.1 121.9 342.6 451.1 367.5 108 173.6

2001 216.5 15.1 158 164.8 252.8 306.7 121.3 417.6 395.7 733 467.6 342.5

2002 90.8 78.5 96.5 73.4 195.2 191.7 139.2 156.3 382.5 363.8 164.3 102.2

2003 169.4 85.7 162.6 285.3 245.7 196.3 312.1 282 561.5 471.9 125.4 187.7

2004 138.8 200.8 237.9 88.5 68 200.5 206.8 204.3 475.3 377.5 141.2 166.4

2005 189.1 43.9 62.5 168.2 229.5 174 210.8 145.7 290.5 175.5 206.4 311.4

Tabel 2(b). Data input tahun 1998 – 2005 dengan target tahun 2006 1998 181 50.2 29.4 35.3 133.5 144.6 213 381 170.8 340.3 275.8 394.2

1999 315 268.8 196.9 322 302.6 256.2 29.9 78.6 407.2 204.1 126.4 456.3

2000 59 86.7 182.2 115 60.3 191.1 121.9 342.6 451.1 367.5 108 173.6

2001 216.5 15.1 158 164.8 252.8 306.7 121.3 417.6 395.7 733 467.6 342.5

2002 90.8 78.5 96.5 73.4 195.2 191.7 139.2 156.3 382.5 363.8 164.3 102.2

2003 169.4 85.7 162.6 285.3 245.7 196.3 312.1 282 561.5 471.9 125.4 187.7

2004 138.8 200.8 237.9 88.5 68 200.5 206.8 204.3 475.3 377.5 141.2 166.4

2005 189.1 43.9 62.5 168.2 229.5 174 210.8 145.7 290.5 175.5 206.4 311.4

2006 103.9 130.5 121.2 222.5 300.5 251.4 109.1 148.3 385.6 271.4 148.4 346.6

Tabel 2(c). Data input tahun 1999 – 2006 dengan target tahun 2007 1999 315 268.8 196.9 322 302.6 256.2 29.9 78.6 407.2 204.1 126.4 456.3

2000 59 86.7 182.2 115 60.3 191.1 121.9 342.6 451.1 367.5 108 173.6

2001 216.5 15.1 158 164.8 252.8 306.7 121.3 417.6 395.7 733 467.6 342.5

2002 90.8 78.5 96.5 73.4 195.2 191.7 139.2 156.3 382.5 363.8 164.3 102.2

2003 169.4 85.7 162.6 285.3 245.7 196.3 312.1 282 561.5 471.9 125.4 187.7

2004 138.8 200.8 237.9 88.5 68 200.5 206.8 204.3 475.3 377.5 141.2 166.4

2005 189.1 43.9 62.5 168.2 229.5 174 210.8 145.7 290.5 175.5 206.4 311.4

2006 103.9 130.5 121.2 222.5 300.5 251.4 109.1 148.3 385.6 271.4 148.4 346.6

2007 169.6 8.6 62.3 277.2 330.2 99.4 261.6 153.4 256.5 303.3 374.1 218.4

Tabel 2(d). Data input tahun 2000 – 2007 dengan target tahun 2008 2000 59 86.7 182.2 115 60.3

60

2001 216.5 15.1 158 164.8 252.8

2002 90.8 78.5 96.5 73.4 195.2

2003 169.4 85.7 162.6 285.3 245.7

2004 138.8 200.8 237.9 88.5 68

2005 189.1 43.9 62.5 168.2 229.5

2006 103.9 130.5 121.2 222.5 300.5

2007 169.6 8.6 62.3 277.2 330.2

2008 126.7 16.2 126.8 146 172.5

191.1 121.9 342.6 451.1 367.5 108 173.6

306.7 121.3 417.6 395.7 733 467.6 342.5

191.7 139.2 156.3 382.5 363.8 164.3 102.2

196.3 312.1 282 561.5 471.9 125.4 187.7

200.5 206.8 204.3 475.3 377.5 141.2 166.4

174 210.8 145.7 290.5 175.5 206.4 311.4

251.4 109.1 148.3 385.6 271.4 148.4 346.6

99.4 261.6 153.4 256.5 303.3 374.1 218.4

62 276.8 195.7 294.8 342.2 412.5 245.7

Sebelum diproses data dinormalisasi terlebih dahulu. Normalisasi terhadap data dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan. Data-data tersebut dinormalisasi dalam interval [0, 1] karena dalam prediksi curah hujan, nilai curah hujan pasti bernilai positif atau 0. Selain itu juga terkait fungsi aktivasi yang diberikan yaitu sigmoid biner. Fungsi sigmoid adalah fungsi asimtotik (tidak pernah mencapai 0 ataupun 1) maka transformasi data dilakukan pada interval yang lebih kecil yaitu [0.1, 0.8], ditunjukkan dengan persamaan (14). (14) a adalah data minimum, b adalah data maksimum, x adalah data yang akan dinormalisasi, dan x’ adalah data yang telah ditransformasi. Sehingga dihasilkan data hasil normalisasi yang ditunjukkan pada Tabel 3. Tabel 3(a). Data hasil normalisasi tahun 1997 – 2004 dengan target tahun 2005 1997 0.208 0.197 0.239 0.212 0.18 0.284 0.34 0.196 0.411 0.522 0.384 0.292

1998 0.29 0.146 0.123 0.129 0.238 0.25 0.326 0.511 0.279 0.466 0.395 0.526

1999 0.438 0.387 0.308 0.446 0.425 0.373 0.124 0.177 0.54 0.316 0.23 0.594

2000 0.156 0.186 0.292 0.218 0.157 0.302 0.225 0.469 0.589 0.496 0.21 0.282

2001 0.33 0.107 0.265 0.273 0.37 0.429 0.224 0.552 0.527 0.9 0.607 0.469

2002 0.191 0.177 0.197 0.172 0.306 0.302 0.244 0.263 0.513 0.492 0.272 0.203

2003 0.278 0.185 0.27 0.406 0.362 0.307 0.435 0.402 0.711 0.12 0.229 0.298

2004 0.244 0.312 0.353 0.188 0.166 0.312 0.319 0.316 0.615 0.507 0.246 0.274

2005 0.299 0.139 0.16 0.276 0.344 0.283 0.323 0.251 0.411 0.284 0.318 0.434

Tabel 3(b). Data hasil normalisasi tahun 1998 – 2005 dengan target tahun 2006 1998 0.29 0.146 0.123 0.129 0.238 0.25 0.326 0.511 0.279 0.466 0.395 0.526

1999 0.438 0.387 0.308 0.446 0.425 0.373 0.124 0.177 0.54 0.316 0.23 0.594

2000 0.156 0.186 0.292 0.218 0.157 0.302 0.225 0.469 0.589 0.496 0.21 0.282

2001 0.33 0.107 0.265 0.273 0.37 0.429 0.224 0.552 0.527 0.9 0.607 0.469

2002 0.191 0.177 0.197 0.172 0.306 0.302 0.244 0.263 0.513 0.492 0.272 0.203

2003 0.278 0.185 0.27 0.406 0.362 0.307 0.435 0.402 0.711 0.12 0.229 0.298

2004 0.244 0.312 0.353 0.188 0.166 0.312 0.319 0.316 0.615 0.507 0.246 0.274

2005 0.299 0.139 0.16 0.276 0.344 0.283 0.323 0.251 0.411 0.284 0.318 0.434

2006 0.205 0.235 0.224 0.336 0.422 0.368 0.211 0.254 0.516 0.39 0.254 0.473

Tabel 3(c). Data hasil normalisasi tahun 1999 – 2006 dengan target tahun 2007 1999 0.438 0.387 0.308 0.446 0.425 0.373 0.124 0.177 0.54 0.316 0.23 0.594

2000 0.156 0.186 0.292 0.218 0.157 0.302 0.225 0.469 0.589 0.496 0.21 0.282

2001 0.33 0.107 0.265 0.273 0.37 0.429 0.224 0.552 0.527 0.9 0.607 0.469

2002 0.191 0.177 0.197 0.172 0.306 0.302 0.244 0.263 0.513 0.492 0.272 0.203

2003 0.278 0.185 0.27 0.406 0.362 0.307 0.435 0.402 0.711 0.12 0.229 0.298

2004 0.244 0.312 0.353 0.188 0.166 0.312 0.319 0.316 0.615 0.507 0.246 0.274

2005 0.299 0.139 0.16 0.276 0.344 0.283 0.323 0.251 0.411 0.284 0.318 0.434

2006 0.205 0.235 0.224 0.336 0.422 0.368 0.211 0.254 0.516 0.39 0.254 0.473

2007 0.278 0.1 0.159 0.397 0.455 0.2 0.379 0.26 0.374 0.425 0.504 0.332


Tabel 3(d). Data hasil normalisasi tahun 2000 – 2007 dengan target tahun 2008 2000 0.156 0.186 0.292 0.218 0.157 0.302 0.225 0.469 0.589 0.496 0.21 0.282

2001 0.33 0.107 0.265 0.273 0.37 0.429 0.224 0.552 0.527 0.9 0.607 0.469

2002 0.191 0.177 0.197 0.172 0.306 0.302 0.244 0.263 0.513 0.492 0.272 0.203

2003 0.278 0.185 0.27 0.406 0.362 0.307 0.435 0.402 0.711 0.12 0.229 0.298

2004 0.244 0.312 0.353 0.188 0.166 0.312 0.319 0.316 0.615 0.507 0.246 0.274

2005 0.299 0.139 0.16 0.276 0.344 0.283 0.323 0.251 0.411 0.284 0.318 0.434

2006 0.205 0.235 0.224 0.336 0.422 0.368 0.211 0.254 0.516 0.39 0.254 0.473

2007 0.278 0.1 0.159 0.397 0.455 0.2 0.379 0.26 0.374 0.425 0.504 0.332

2008 0.23 0.108 0.231 0.252 0.281 0.159 0.396 0.307 0.416 0.468 0.546 0.362

Setelah proses normalisasi dilakukan, selanjutnya dilakukan proses inisialisasi bobot. Proses inisialisasi bobot dikelompokkan menjadi dua bagian, yaitu inisialisasi bobot random dan inisialisasi bobot menggunakan algoritma nguyenwidrow. Langkah pertama akan dilakukan uji coba dengan menggunakan bobot yang digenerate secara random dengan hidden layer=6. Bobot random yang telah digenerate dapat dilihat pada Tabel 4. Tabel 4. Generate bobot random Bobot input ke hidden awal 0.3528 0.2667 0.2898 0.007 0.3804 0.4072 0.4313 0.3952 0.1868 0.4748 0.182 0.2624 0.2344 0.1491 0.3113 0.4149 0.4123 0.2946 0.3476 0.49 0.122 0.3381 0.0079 0.2876 Bias input ke hidden 0.1422 0.0228 0.1479 Bobot hidden ke output 0.4899 0.2007 0.1391 Bias hidden ke output

0.1448 0.3545 0.481 0.3836 0.3239 0.493 0.2669 0.05

0.151 0.0227 0.4357 0.0268 0.1319 0.4555 0.0532 0.0515

0.3874 0.207 0.0281 0.2962 0.1397 0.1134 0.4997 0.3394

0.191

0.1505

0.4743

0.0802

0.0814

0.3233 0.367

Proses training dengan menggunakan bobot random pada tabel 4 menghasilkan kuadrat error=0.01 pada iterasi ke-66. Penurunan kuadrat error dapat dilihat pada Gambar 2.

0.378 0.3781 0.2884 0.4162 0.1741 0.2884 0.2054 0.1427 0.3421 0.3637 0.3945 0.3238 0.3047 0.4689 0.1341 0.2963 0.0076 0.3161 Bias input ke hidden 0.1422 0.0228 0.1479 Bobot hidden ke output 0.4899 0.2007 0.1391 Bias hidden ke output

Tabel 5. Inisialisasi bobot nguyen-widrow Bobot input ke hidden awal 0.3092 0.2552 0.3185 0.0061 0.364 0.4475

0.1303 0.319

0.1984 0.0298

0.399 0.2132

0.0352 0.0352 0.1733 0.5985 0.0699 0.0677

0.305 0.305 0.1439 0.1168 0.5146 0.4113

0.191

0.1505

0.4743

0.0802

0.0814

0.3233 0.367

Proses training dengan menggunakan bobot nguyen-widrow pada tabel 5 menghasilkan kuadrat error=0.01 pada iterasi ke-74. Penurunan kuadrat error dapat dilihat pada Gambar 3.

Gambar 3. Penurunan kuadrat error iterasi ke-74 Pada pengujian awal ini didapatkan hasil bahwa jumlah iterasi pada proses tranning dengan menggunakan bobot random lebih cepat dibandingkan dengan penggunaan bobot nguyenwidrow. Selanjutnya dilakukan bebepara kali proses trainning dan pengujian/testing dengan menggunakan bobot random dan bobot nguyenwidrow, dimana jumlah hidden layer tetap yaitu 6 dan nilai target error yang bervariasi. Hasil dari pengujian ini dapat dilihat pada tabel 6. Tabel 6. Perbandingan hasil pengujian bobot random dengan bobot nguyen-widrow Target error 0.09 0.06 0.03 0.01 0.009 0.008 0.007 Ratarata

Gambar 2. Penurunan kuadrat error dari training dengan menggunakan bobot random Selanjutnya sebagai perbandingan dilakukan uji coba dengan menggunakan bobot nguyenwidrow dengan hidden layer=6. Bobot yang dihasilkan dari algoritma inisialisasi nguyenwidrow ditunjukkan pada Tabel 5.

0.3452 0.3452 0.2915 0.4437 0.2402 0.045

Bobot random Iterasi Keakurasian 2 3.12 % 2 3.12 % 3 3.37 % 66 25 % 87 33.08 % 186 41.65 % 4691 42.75 %

Bobot nguyen-widrow Iterasi keakurasian 2 2.96 % 2 2.96 % 3 3.33 % 74 24.9 % 96 33.06 % 194 41.92 % 5155 43.1 %

719.57

789.43

21.73 %

21.75 %

Dari hasil pengujian pada tabel 6 didapatkan bahwa pada inisialisasi bobot random jumlah iterasi paling kecil ada pada target error 0.09 dan 0.06 dengan jumlah iterasi=2 dengan tingkat keakurasian=3.12% dan jumlah iterasi paling besar ada pada target error 0.007 dengan jumlah iterasi=4691 dengan tingkat keakurasian=42.75%. Sedangkan pada inisialisasi bobot nguyen-widrow jumlah iterasi paling kecil sama seperti inisialisasi bobot random yaitu iterasi ke-2 namun dengan tingkat keakurasian=2.96% dan jumlah iterasi paling

61


besar ada pada target error 0.007 dengan tingkat keakurasian=43.1%. Ini berarti semakin kecil nilai target error maka nilai iterasinya akan semakin besar dan keakurasiannya juga semakin tinggi. Dari hasil pengujian pada tabel 6 juga dapat dilihat bahwa proses training dengan bobot nguyen-widrow lebih lama dibandingkan dengan bobot random. Hal ini berarti bahwa pada kasus prediksi curah hujan di Kota Medan dengan metode backpropagation neural network, proses training dengan inisialisasi bobot nguyen-widrow tidak lebih baik dari bobot random. Proses terakhir yaitu melakukan prediksi curah hujan untuk beberapa tahun berikutnya dengan mengambil nilai bobot hasil inisialisasi nguyen-widrow dengan keakurasian 43.1 %. Hasil prediksi dapat dilihat pada Tabel 7.

baik dari bobot random, hal ini dapat dilihat dari proses training dengan bobot nguyenwidrow lebih lama dibandingkan proses training dengan bobot random. c. Tingat keakurasian terbesar pada proses pengujian prediksi curah hujan di Kota Medan dengan metode backpropagation neural network adalah 43.1 %, dengan target error 0.007. Daftar Pustaka: [1]

[2]

Tabel 7. Hasil prediksi curah hujan 2013-2017 Tahun Bulan

2013

2014

2015

2016

2017

1 2 3 4 5 6 7 8 9 10 11 12 Rata-rata

116 107.9 149.9 214.2 314.2 133.7 189.3 150.1 258.1 293.5 248.5 241 201.367

136.4 89.6 134.4 196 285.6 104.1 230 154 229.9 268.8 298.7 197.6 193.758

147.5 101 173.8 160.5 232.2 112.3 198 197 245.5 250.1 233.3 159 184.183

165.6 108.8 203 153.6 238.2 129.3 175.6 252.2 210.4 219.9 175.7 122 179.525

150.3 102.4 178.1 137 174 139.5 169.9 255.7 162 218 199 154.4 170.025

Dari tabel 7 hasil prediksi curah hujan tahun 2013-2017, diperkirakan bahwa curah hujan ratarata pertahun akan semakin turun dari tahun 2013 sampai tahun 2017. Tahun 2013 rata-rata curah hujan adalah 201.367, sedangkan pada tahun 2017 rata-rata curah hujan adalah 170.025. 7.

[4]

[5]

Kesimpulan

Dari hasil penelitian dapat diambil beberapa kesimpulan antara lain: a. Pada proses trainning JST, semakin kecil nilai target error maka nilai iterasinya akan semakin besar dan keakurasiannya juga semakin tinggi b. Pada kasus prediksi curah hujan di Kota Medan dengan metode backpropagation neural network, proses training dengan inisialisasi bobot nguyen-widrow tidak lebih

62

[3]

[6]

[7]

Ihwan, Andi, 2013, Metode Jaringan Saraf Tiruan Propagasi Balik untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat, Prosiding Semirata FMIPA Universitas Lampung. Indrabayu, et al., 2011, Prediksi Curah Hujan di Wilayah Makasar Menggunakan Metode Wavelet-Neural Network, Jurnal Ilmiah “Elektrikal Enjiniring” UNHAS, Vol. 09, No. 02, Agustus. Kharola, Manisha and Dinesh Kumar, 2014, Efficient Weather Prediction By BackPropagation Algorithm, IOSR Journal of Computer Engineering (IOSR-JCE), Volume 16, Issue 3, Ver. IV, June. Mishra, Khushboo, et al, 2014, Image Compression Using Multilayer Feed Forward Artificial Neural Network with Nguyen Widrow Weight Initialization Method, International Journal of Emerging Technology and Advanced Engineering, Volume 4, Issue 4, April. Naik, Arti R. and S.K.Pathan, 2012, Weather Classification and Forecasting using Back Propagation Feed-forward Neural Network, International Journal of Scientific and Research Publications, Volume 2, Issue 12, December. Oktaviani, Cici dan Afdal, 2013, Prediksi Curah Hujan Bulanan Menggunakan Jaringan Syaraf Tiruan dengan Beberapa Fungsi Pelatihan Backpropagation, Jurnal Fisika Unand, Vol. 2, No. 4, Oktober. Sutojo, T., et al, 2010, Kecerdasan Buatan, Yogyakarta: Andi Offset.

Lampiran: Data curah hujan Kota Medan tahun 1997 – 2012


Tabel 1. Data curah hujan Kota Medan tahun 1997 – 2012 Bln

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

1 2 3 4 5 6 7 8 9 10 11

106.2 96.6 134.4 109.8 80.9 175.3 225.8 95.7 290.6 391.1 265.4

181 50.2 29.4 35.3 133.5 144.6 213 381 170.8 340.3 275.8

315 268.8 196.9 322 302.6 256.2 29.9 78.6 407.2 204.1 126.4

59 86.7 182.2 115 60.3 191.1 121.9 342.6 451.1 367.5 108

216.5 15.1 158 164.8 252.8 306.7 121.3 417.6 395.7 733 467.6

90.8 78.5 96.5 73.4 195.2 191.7 139.2 156.3 382.5 363.8 164.3

169.4 85.7 162.6 285.3 245.7 196.3 312.1 282 561.5 471.9 125.4

138.8 200.8 237.9 88.5 68 200.5 206.8 204.3 475.3 377.5 141.2

189.1 43.9 62.5 168.2 229.5 174 210.8 145.7 290.5 175.5 206.4

103.9 130.5 121.2 222.5 300.5 251.4 109.1 148.3 385.6 271.4 148.4

169.6 8.6 62.3 277.2 330.2 99.4 261.6 153.4 256.5 303.3 374.1

126.7 16.2 126.8 146 172.5 62 276.8 195.7 294.8 342.2 412.5

196 95.4 342.6 223.8 466.7 77.7 191.5 306 386 340.2 130.6

166.1 30.2 142.8 65.4 129 156.4 219.5 382.3 89.4 161.3 246.4

155.9 81.1 289.2 215.1 217.3 128 138.5 283.3 262.7 417.7 232.9

62 93 202 206 515 57 279 160 242 339 300

12

182.4

394.2

456.3

173.6

342.5

102.2

187.7

166.4

311.4

346.6

218.4

245.7

46.1

159.2

169.3

270

63


ANALISIS E-LEARNING CENTER OBJECT RECOMMENDER UNTUK PERSONALISASI PEMAHAMAN PRIOR KNOWLEDGE T.Henny 1, Hanifah Amrul2, Darmeli Nasution3 Sistem Komputer, Teknik, Universitas Pembangunan Pancabudi Jl. Jendral Gatot Subroto Km 4.5 Medan 1 hennyharumy@hotmail.com, 2hani_amrul@yahoo.co.id, 3darmelinasution@gmail.com

Abstrak Pendidikan memiliki tujuan yang ingin dicapai, berdasarkan hal ini semua kegiatan dirancang untuk memfasilitasi mahasiswa dalam memperoleh pengetahuan dan keahlian. Penulis mengusulkan Learning Object Recommender Systems yang akan memberikan rekomendasi bahan ajar berdasarkan informasi mengenai prior knowledge mahasiswa. Prior knowledge yang dimiliki mahasiswa dapat diidentifikasi melalui Pre-Test assessment diawal perkuliahan. Kemajuan belajar yang dicapai mahasiswa juga dapat diketahui melalui Mid-Test assessment. Adapun assessment atas keseluruhan topik dalam matakuliah dapat dilakukan melalui Post-Test assessment. Penelitian ini sejalan dengan sistem e-Learning yang telah diimplementasikan di UNPAB yaitu Student Centered ELearning Environment (SCELE) yang dikembangkan dengan menggunakan Learning Management System (LMS) berbasis open source, yaitu Moodle dan di selaraskan dengan aplikasi edmodo. Dalam proses analisis menggunakan software sipina. Pembelajaran seringkali diasumsikan bahwa mahasiswa memiliki prior knowledge yang sama. Padahal realitasnya tidaklah selalu demikian. Disinilah pentingnya fasilitas Learning Object Recommender (LOR) untuk meningkatkan kualitas. Metodologi penelitian yang digunakan melalui observasi langsung dan penyebaran kuisioner. Terdapat pengaruh penggunaan Learning Object Recommender terhadap learning outcome memahasiswa sebesar 67%. Prior Knowlede merupakan metode yang dilakukan sebagai metode keberhasilan program pembelajaran berbasis E-learning. Tanpa Prior Knowledge tingkat pemahaman mahasiswa tentang E-learning sangat kecil sehingga output ataupun luaran yang dihasilkan sangat kecil dan tidak seperti yang diharapkan. Kata Kunci : E-Learning, Prior Knowledge, Learning object Recommender 1.

PENDAHULUAN

1.1 Latar Belakang E-learning saat ini Sangat berpengaruh terhadap peningkatan dunia pendidikan juga berpotensi menambah soft skill mahasiswa, diantaranya meningkatkan ketrampilan mencari informasi dan menjadi self regulated learner. Namun, menyelenggarakan e-learning yang berkualitas tidaklah mudah. Dalam pembelajaran tatap muka di kelas, pengajar dengan mudah mengamati respon dan tingkat pencapaian mahasiswa terhadap materi yang sedang dibahas. Jika mahasiswa tampak sulit menangkap topik yang dibahas, pengajar dapat mengulang kembali pengetahuan prasyarat yang harus dimiliki mahasiswa agar dapat menguasai topic tersebut. Teori pembelajaran dari Gagne yang dikenal dengan Nine Events of Instruction, menyebutkan bahwa sebelum menyampaikan materi ajar, haruslah ada stimulasi untuk memanggil prior knowledge. Prior Knowledge adalah suatu pemahaman sebelumnya yang didapatkan sebelum mahasiswa tersebut mebgikuti mata kuliah yanng diberikan. Oleh karena itu, elearning yang berkualitas haruslah menyediakan materi ajar yang berbasis personalisasi dan when-

64

needed content (Karamanis, 2004) Dengan adanya personalisasi, pastinya mahasiswa yang memiliki tingkat prior knowledge yang berbeda diharapkan dapat mengikuti materi ajar dengan baik dan mencapai tujuan pembelajaran. Penguasaan terhadap sebuah topik bahasan sangat diperlukan untuk membantu penguasaan atas topik bahasan selanjutnya, khususnya yang memerlukan prasyarat topik bahasan sebelumnya. Penelitian ini mengembangkan fitur Learning Object Recommender (LOR) dalam learning management system (LMS) dengan paradigma student-centered, yaitu Student Centered eLearning Environment. LOR dikembangkan untuk memberikan rekomendasi bahan ajar apa saja yang relevan untuk diakses mahasiswa melalui LMS sesuai dengan kondisi prior knowledge masing-masing. Informasi mengenai prior knowledge diperoleh melalui assessment. Universitas Pembangunan Panca Budi telah menjalankan sistem pembelajaran dengan elearning dari tahun 2010, namun sampai saat ini belum semua mata kuliah dan semua mahasiswa mampu menjalankan sistem ini. Sebenarnya apa yang salah dengan sistem E- learning yang di telah diterapkan di Universitas Pembangunan Panca Budi selama ini ? Dengan adanya


penelitian ini diharapkan dapat memberikan masukan bagi pihak yang berkepentingan dalam penyelengaraan e-learning agar sistem ini dapat berjalan seperti yang diharapkan. 1.2 Perumusan Masalah a. Apakah terdapat pengaruh Learning Object Recommender terhadap learning outcome memahasiswa ? b. Bagaimana penggunaan E- Learning Object Recommender berpengaruh terhadap Elearning outcome memahasiswa ?

Kelas A

Kuisioner

Kuisioner

Pemberian pemahaman E- Learning

Tanpa Pemberian Pemahaman E- Learning

Sistem E – Learning

Sistem E – Learning

Materi Kuliah Tugas online Quis Online

1.3 Ruang Lingkup Penelitian Penelitian ini berfokus pada kegiatan elearning mata kuliah disemester 2, dan bukan pada tingkat pendidikan di bawahnya. Sistem yang dikembangkan bersifat general, dan tidak terbatas untuk kegiatan e-learning pada mata kuliah tertentu atau bidang studi tertentu.

UTS online UAS Online

Evaluasi

Output

2.

Kelas B

Output

LANDASAN TEORI Gambar 1. Alur Penelitian

Komputer adalah sistem elektronik untuk memanipulasi data dengan cepat dan tepat serta dirancang dan diorganisasikan agar secara otomatis menerima dan menyimpan data input, memrosesnya, dan menghasilkan output di bawah pengawasan suatu langkah-langkah instruksi program (Sistem Operasi) yang tersimpan di didalam penyimpannya (Donald H. Sanderes, 1985). Oleh sebab itu komputer merupakan alat atau media pembelajaran yang terstruktur dan terintegrasi untuk menghasilkan output yang diinginkan Matthew Comerchero dalam E-Learning Concepts and Techniques (Bloomsburg, 2006) mendefinisikan E-learning adalah sarana pendidikan yang mencakup motivasi diri sendiri, komunikasi, efisiensi, dan teknologi. Karena ada keterbatasan dalam interaksi sosial, siswa harus menjaga diri mereka tetap termotivasi. Oleh sebab itu E learning sebagai media dan dan pemahaman prior knowledge output yang ingin dicapai merupakan indikator untuk meningkatkan pemahaman dari mahasiswa tersebut terhadap mata kuliah yang diikuti. 3.

Metode Penelitian

Metode pemecahan masalah dalam penelitian ini lakukan dalam 3 Tahap, yaitu perancangan sistem, uji coba, evaluasi, Hasil akhir yang diharapkan dari penelitian ini berupa sistem perekomendasian Learning Object yang adaptif terhadap prior knowledge dan gaya belajar mahasiswa yang mampu meningkatkan efektifitas aktivitas belajar.

Parameter yang diamati 1. Motivasi 2. Konten yang digunakan 3. Tingkat keaktifan mahasiswa 4. Materi Pemelajaran 5. Hasil Tes (Nilai) 6. Lingkugan 7. Prior knowledge Metode penelitian menggunakan Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. Banyak algotima yang dapat dipakai dalam pembentukan pohon keputusan antara lain ID3, CART dan C4.5 (Larose, 2005). Algoritma C4.5 merupakan pengembangan dari algoritma ID3 (Larose, 2005). Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan pohon. Proses pada pohon keputusan adalah: mengubah bentuk data (tabel) menjadi model pohon, mengubah model pohon menjadi rule dan menyederhanakan rule (Basuki & Syarif, 2003). Dalam penelitian ini criteria yang digunakan adalah sebagai berikut : Salah satu atribut merupakan atribut yang menyatakan data solusi per-item data yang disebut dengan target atribut. Atribut memiliki nilai-nilai yang dinamakan dengan instance. Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut: a. Pilih atribut sebagai akar b. Buat cabang untuk masing-masing nilai c. Bagi kasus dalam cabang

65


d. Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama. Untuk memilih atribut sebagai akar, didasarkan pada nilaigain tertinggi dari atributatribut yang ada. Untukmenghitung gain digunakan rumus seperti tertera dalam Rumus 1 (Craw, S., ---).

Dengan : S : Himpunan kasus A : Atribut n : Jumlah partisi atribut A |Si| : Jumlah kasus pada partisi ke i |S| : Jumlah kasus dalam S Sedangkan perhitungan nilai entropy dapat dilihat pada rumus 2 berikut(Craw, S., ---):

tidak menggunakan prior knowledge. Sistem uji coba ini meliputi pemberian materi kuliah secara online yaitu untuk mata kuliah struktur data mencakup materi (Array, Stack, Sorting, Searching dan lain sebagainya). Mahasiswa untuk kedua kelas diberikan tugas untuk meringkas dan memahami materi yang diberikan tanpa harus tatap muka dengan dosen pengajar di dalam kelas. Mahasiswa bisa melakukan hal tersebut dimana saja baik dirumah maupun di Kampus namun dengan waktu yang telah ditentukan. Setelah dianalisa Mahasiswa Kelas 2 pagi A mempunyai tingkat kemauan yang lebih tinggi dalam meringkas materi dengan rata – rata 7 kali pertemuan

dengan : S : Himpunan Kasus A : Fitur n : Jumlah partisi S pi : Proporsi dari Si terhadap S a.

Analisa Penelitian Tahap I (Perancangan sistem). Materi yang akan digunakan pada penelitian tahap I ini adalah menyiapkan responden sebanyak 43 orang mahasiswa sebagai sampel yang berasal dari 2 kelas yang berbeda. Selanjutnya dilakukan penyebaran Quisioner sesuai dengan variabel yang diamati. Tahapan ini dilakukan pada awal perkuliahan dalam waktu 1 minggu. Selanjutnya Kelas tersebut akan dibedakan menjadi dua, yaitu kelas yang menjalankan perkuliahan dengan sistem elearning tanpa melalui penjelasan dan kelas yang menjalankan e-learning dengan diberikan penjelasan terlebih dahulu. Selanjutnya kelas yang ditunjuk untuk menjalankan proes e-learning dengan proses pemahaman akan diberikan pelatihan tentang e-learning sistem lebih mendalam. Setelah di lakukan wawancara dan penyebaran angket dengan kelas masing – masing akhirnya ditentukan untuk Kelas 2 Pagi A untuk menjadi objek penelitian dengan prior knowledge dan Kelas 2 Siang F untuk menjadi objek penelitian tidak menggunakan prior knowledge. b.

Analisa Penelitian Tahap II (Uji coba) Setelah dilakukan pembagaian kelas, penelitian tahap II dilakukan uji coba pada kedua kelompok kelas yang berbeda yaitu Kelas 2 Pagi A dengan prior knowledge dan Kelas 2 Siang F

66

Gambar 2. Materi Struktur data secara online Namun untuk kelas 2 Siang F mempunyai tingkat kemauan yang lebih rendah walaupun ada sebagian mahasiswa yang mempunyai persentase yang sama yaitu 7 kali pertemuan namun ada sekitar 7 mahasiwa yang memiliki tingkat kehadiran 0 s/d 3 kali pertemuan dari 7 yang telah ditentukan Mahasiswa pada tahap ini juga diberikan tugas untuk mengerjakan quiz secara online, mengupload tugas secara online dan absen secara online serta mid semester secara online.


Gambar 5. Progres nilai kelas siang 2 F tanpa prior knowledge Gambar 3. Mid semester secara online

Gambar 4. Tugas secara online Pada tahap ini akan dibandingkan kemampuan mahasiswa yang telah diberi pemahaman dan kelas yang tidak diberi pemahaman. Setelah perkuliahan berakhir kemudian mahasiswa diberikan kuisioner untuk melihat tingkat pemahaman mahasiswa dalam menggunakan aplikasi e – learning secara berkesinambungan. Nilai tersebut dapat dilihat dibawah ini :

Gambar 6. Progres nilai kelas 2 pagi A menggunakan prior knowledge Dapat terlihat setelah di lakukan uji coba meliputi tugas, quis dan mid . Progres kelas dengan prior knowledge jauh lebih banyak daripada progress kelas tanpa prio knowledge. c.

Penelitian Tahap III (pengolahan data dan evaluasi ). Setelah dilakukan tahap II dan seluruh data telah terkumpul. Selanjutnya dilakukan pengolahan data dan evaluasi terhadap uji coba yang dilakukan dengan membandingkan variablevariabel yang diamati. Pada tahap ini akan kelihatan apakah prior knowledge memang dibutuhkan dalam proses elearning sistem atau tidak. Software yang digunakan untuk mengolah

67


data adalah software data mining SIPINA dengan algoritma C 4.5 ( pohon keputusan).

Gambar 9. Hasil output algoritma c 4.5 Jika dilihat dari hasil output pohon keputusan maka terlihat prior knowledge yang lihat pengaruhnya dari variabel yang diolah adalah efektif sebesar 67% . 4. Gambar 7. Data input Setelah data di input, maka dibuat dan di pilih untuk sampel, atribut dan class dari variabel yang diinput. Dalam seluruh variabel maka untuk class diagram adalah prior knowledge. Sampel diagram adalah nama responden dan Atribut diagram adalah Jenis Kelamin, Kelas, Semester, Umur, Pemahaman tentang e-learning, Kehadiran Kuliah, Tes secara E-learning, Diskusi, Motivasi, Penggunaan Konten, Tingkat Keaktifan di Edmodo, Memperoleh Materi, Pengetahuan tentang PK, Nilai Tugas, Nilai UTS.

Kesimpulan

Berdasarkan penelitian yang telah dilakukan maka dapat ditarik kesimpulan yaitu: 1. Terdapat pengaruh penggunaan Learning Object Recommender terhadap learning outcome memahasiswa. 2. Terdapat pengaruh perekomendasian learning object yang sesuai dengan tingkat kedalaman atau kesulitan soal dibandingkan dengan learning object yang sifatnya umum walaupun tetap ada kaitannya dengan topik soal. 3. Tanpa adanya Prior Knowledge tingkat pemahaman mahasiswa tentang Elearning sangat kecil sehingga output ataupun luaran yang dihasilkan sangat kecil dan tidak seperti yang diharapkan DAFTAR PUSTAKA

Gambar 8. Pembagian class, atribut, dan sampel dari variabel

68

Nizar, Buku Pedoman Singkat, UAI E-learning System, Pusat Komputer dan Sistem Informasi, UAI, 2009 Permana, Wim, Implementasi E-learning di FMIPA UGM sebagai Motivator Student Centered Learning, 2004 Purbo, Onno W. , “E-learning dan Pendidikan”,2003 Som Naidu, E-Learning Guidebook of Principles, Procedure and Practice, New Delhi, CEMCA, 2006 Tsang,HK. Object - Oriented Technology From Diagram to Code with Visual Paradigm for UML,Tata McGraw-Hill,2005


JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak Penelitian ini bertujuan untuk mendeteksi penyalahgunaan narkotika menggunakan teknik pengenalan pola yaitu jaringan saraf tiruan dengan metode backpropagation. Data yang menjadi masukan adalah segala jenis gejala penderita narkotika. Jaringan saraf tiruan dilakukan dengan menentukan jumlah unit untuk setiap lapisan dengan fungsi aktivasi sigmoid biner. Pengujian dilakukan menggunakan perangkat lunak matlab yang diuji dengan beberapa bentuk arsitektur jaringan. Arsitektur dengan konfigurasi terbaik terdiri dari 23 lapisan masukan, 5 lapisan tersembunyi dan 5 lapisan keluaran dengan nilai learning rate sebesar 0.5, nilai toleransi error 0.01, Dapat dilihat bahwa hasil penelitian ini mencapai keakuratan 95% dari data penelitian, sehingga dapat disimpulkan bahwa jaringan syaraf tiruan dengan backpropagation mampu mengenali pola dan mampu mendeteksi penyalahgunaan narkotika dengan jumlah iterasi 6341 dan MSE 0.00999889. MSE berada di bawah nilai error yaitu 0.01, Parameter tersebut dipilih menjadi parameter terbaik, karena nilai MSE paling kecil dari arsitektur yang lain serta nilai MSE dibawah dari nilai error yang ditentukan. Sigmoid Biner Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid memiliki nilai range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Kata Kunci : Jaringan Saraf Tiruan, Backpropagation, Narkotika, Sigmoid biner, Matlab 1. PENDAHULUAN Di era globalisasi sekarang ini dan juga pengaruh perdagangan bebas, menjadikan peredaran barang-barang impor semakin banyak masuk ke tanah air seperti, otomotif, alat komunikasi, alat-alat kesehatan, dan juga obatobatan. Di samping itu dengan sistem perdagangan bebas ini, menambah ruang gerak peredaran obat-obatan terlarang dan narkotika semakin marak ditanah air. Faktor minimnya pengetahuan masyarakat tentang penggunaan narkotika menyebabkan sulitnya masyarakat awam mengidentifkasi seseorang ataupun anggota keluarganya yang telah menjadi korban penyalahgunaan narkotika. Dengan demikian pemanfaatan teknologi, khususnya teknologi informasi telah diimplementasikan ke berbagai bidang seperti pemerintahan, pendidikan, bisnis, periklanan, kesehatan, dan sebagainya. Berdasarkan uraian di atas penulis mencoba untuk memanfaatkan teknologi informasi untuk dapat membantu masyarakat. Metode problem solving yang digunakan dalam penelitian ini adalah jaringan syaraf tiruan (JST). Jaringan syaraf tiruan telah banyak digunakan untuk membantu menyelesaikan berbagai macam permasalahan, salah satu permasalahan tersebut adalah pencocokan/keakurasian berdasarkan pelatihan

yang diberikan. JST dapat dimanfaatkan untuk mendeteksi penyalahgunaan narkotika dengan menggunakan metode Backpropagation. 2. DASAR TEORI 2.1 Jaringan Saraf Tiruan Jaringan Saraf Tiruan (arficial neural network) merupakan metode yang dapat menemukan hubungan non-linear antara beban dan faktor-faktor ekonomi yang bervariasi serta faktor- faktor lainnya yang dapat melakukan penyesuaian terhadap perubahan-perubahan yang terjadi [1].

Gambar 1. Komponen Neuron Dari gambar diatas terlihat bahwa dalam otak manusia, sebuah neuron (sel saraf) tertentu mengumpulkan sinyal berupa rangangan dari neuron lain melalui dendrit. Sinyal yang dating dan diterima oleh dendrit akan dijumlahkan (summation) dan dikirim melalui axon ke dendrit

69


akhir yang bersentuhan dengan dendrit dari neuron yang lain. Siyal ini akan diterima oleh neuron lain jika memenuhi nilai threshold tertentu. Dalam hal ini neuron dikatakan teraktivasi. Pembelajaran pada otak manusia terjadi ketika da hubungan antara satu neuron dengan neuron lain yang terjadi secara adaptif dan berlangsung secara dinamis [2]. 2.2 Metode Backpropagation Backpropagation merupakan algoritma pembelajaran yang terawasi dan baisanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang berhubungan dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pada dasarnya, pelatihan dengan metode backpropagtion terdiri atas tiga langkah, yaitu sebagai berikut : a. Data dimasukkan ke input jaringan (feedforward) b. Perhitungan dan propagasi balik dari error yang bersangkutan Pembaharuan (adjustment) bobot dan bias[1]. 2.3 Fungsi Aktivasi Sigmoid Biner Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan saraf yang nilai outputnya 0 atau 1 [3] fungsi sigmoid dirumuskan sebagai berikut : Fungsi Step dirumuskna sebagai :

dengan (1)

:

2.4 Arsitektur Jaringan Metode Backpropagation Jaringan saraf terdiri dari 3 lapisan, yaitu lapisan masukan/input terdiri atas variable masukan unit sel saraf, lapisan tersembunyi dan lapisan keluaran/output. Lapisan masukan digunakan untuk menampung 23 variabel yaitu X1 sampai dengan X23, lapisan tersembunyi terdiri atas 5 unit sel saraf, lapisan tersembunyi ditentukan sendiri oleh pengguna sistem melalui cara percobaan konvergensi terbaik (trial and error) sampai diperoleh hasil konvergensi

70

pelatihan yang paling baik (jumlah epoch terkecil). dan lapisan keluaran/output terdiri atas 5 sel saraf, lapisan keluaran digunakan untuk mempresentasikan pengelompokan pola, nilai 00001 untuk Opium+Heroin, nilai 00010 untuk Morphine, nilai 00100 untuk Cocain, nilai 01000 untuk Marijuana, dan nilai 10000 untuk Sintetik (Pethidin + Methadon)[4]. Gambar 2 merupakan arsitektur jaringan saraf tiruan. X1

Y1

Opium + Heroin

Y2

Morphine

Y3

Cocain

Y4

Marijuana

Z1

X2

Z2

X3

X4 Zn

Y5

Sintetik (Pethidin + Metahdon)

X23

W0

B0

Gambar 2. Arsitektur Jaringan Untuk Mendeteksi Penyalahgunaan Narkotika 2.5 Inisialisasi Input Pada tahap ini dilakukan proses inisialisasi data input yang diperoleh dari gejalagejala/kriteria dan seluruh jennies narkotika. Nilai terhadap variable ditentuka Antara 0 sampai 1 disesuaikan dengan kasus dari masing gejala. Tabel 1. Kriteria dan Inisialisasi Gejala Narkotika No Kriteria Yang Dinilai Inisialisasi 1 Nafsu Makan Hilang X1 2 Sembelit X2 3 Keracunan X3 4 Napas Pendek X4 5 Mudah Koma X5 6 Kematian X6 7 Mual X7 8 Gelisah X8 Ketergantungan Fisik 9 X9 Mental 10 Perasaan Tertekan X10 11 Kejang-kejang X11 12 Kecanduan X12 13 Ketagihan X13 14 Paru-paru terganggu X14 15 Daya ingat rusak X15 16 Gangguan Sex X16 17 Mudah Marah X17 18 Suhu Tubuh Naik X18 19 Halusinasi X19 20 Mudah Lelah X20 21 Paranoid X21


22 23

Susunan Syaraf Pusat Rusak Sembelit

X22 X23

2.6 Inisialisasi Output Hasil yang diiinginkan pada tahap ini adalah terdeteksinya suatu nilai untuk mendeteksi narkotika. Tabel 2 berikut adalah nilai target keluaran. Tabel 2. Prediksi dan Inisialisasi Narkotika Prediksi No Penyalahgunaan Inisialisasi Narkotika 00001 1 Opium + Heroin 2 Morphine 00010 3 Cocain 00100 4 Marijuana 01000 Sintetik (Pethidin + 10000 5 Methadon) 3.

   

Learning rate (α) = 0.5 Maksimal error = 0.01 Maksimal epoch = 10000 Fungsi Aktivasi = Logsig.

3.1.2 Tahap Pelatihan Pada tahap ini sistem jaringan saraf diberikan 25 data sampel penilaian penyalahgunaan narkotika untuk dilatihkan sebagai proses pembelajaran. Untuk mendapatkan nilai keluaran, yang pertama harus dilakukan adalah menentukan matriks masukan dan matriks target. Berikut dapat di lihat Tabel 3. Tabel 3. Data Pelatihan

HASIL dan PEMBAHASAN

Pada bab ini dibahas mengenai implementasi dan pengujian dari jaringan saraf tiruan dengan metode backpropagation, dimulai dari menjelaskan pengujian (Matlab), pemrograman jaringan saraf tiruan (Backpropagation), langkah pengolahan data dengan Matlab dan pelatihan jaringan saraf tiruan. 3.1 Pengujian Sistem Pengujian jaringan saraf tiruan metode backpropagation untuk mendeteksi penyalahgunaan narkotika dilakukan untuk melihat apakah sistem jaringan saraf ini sudah sesuai dengan kondisi sebenarnya atau tidak. Pengujian jaringan saraf tiruan ini dibagi menjadi beberapa tahap yaitu: 3.1.1 Tahap Inisialisasi Pada tahap ini sistem jaringan saraf diberikan masukan berupa nilai parameter inisialisasi yang terdiri dari :  Jumlah sel lapisan masukan terdiri dari 23 simpul input  Jumlah sel lapisan tersembunyi dicari berdasarkan percobaan (trial and error) dengan cara mengubah konstanta belajar dan lapisan tersembunyi secara terus menerus sampai diperoleh konfigurasi terbaik yaitu jumlah epoch yang terkecil. Pada sistem deteksi penyalahgunaan narkotika ini diperoleh konfigurasi lapisan tersembunyi adalah 5 simpul.  Jumlah lapisan keluaran terdiri dari 5 simpul yaitu Opium + Heroin, Morphine, Cocain, Marijuana dan Sintetik (Pethidin + Methadon).

Adapun hasil pelatihan yang dilakukan dengan jaringan saraf tiruan adalah:

Gambar 3. Hasil Pengujian Data Pelatihan dengan 2704 iterasi Dengan actual output sebagai berikut: a=

71


Columns 1 through 7 0.0073 0.0180 0.0180 0.0128 0.0763 0.0040 0.9252 0.9252 0.0790 0.0024 0.1009 0.0472 0.0472 0.0003 0.8970 0.0140 0.0660 0.0660 0.9116 0.0032 0.7802 0.0082 0.0082 0.0080 0.1109 Columns 8 through 14 0.0128 0.0128 0.0763 0.0073 0.0763 0.0790 0.0790 0.0024 0.0040 0.0024 0.0003 0.0003 0.8970 0.1009 0.8970 0.9116 0.9116 0.0032 0.0140 0.0032 0.0080 0.0080 0.1109 0.7802 0.1109 Columns 15 through 21 0.8881 0.0180 0.8881 0.8881 0.0763 0.0160 0.9252 0.0160 0.0160 0.0024 0.0395 0.0472 0.0395 0.0395 0.8970 0.0007 0.0660 0.0007 0.0007 0.0032 0.0019 0.0082 0.0019 0.0019 0.1109

0.0073

0.0160

0.0040

0.0395

0.1009

0.0007

0.0140

0.0019

0.7802

0.0180

0.0073

0.9252

0.0040

0.0472

0.1009

0.0660

0.0140

0.0082

0.7802

0.0763

0.0073

0.0024

0.0040

0.8970

0.1009

3.1.3 Tahap Pengujian Tahap pengujian merupakan tahapan yang digunakan untuk menguji data penelitian yang telah didapat pada JST, dimana sebelumnya telah dilatih data penelitian pada proses pelatihan. Pada data pengujian ini telah ditetapkan hasil keluaran atau target. Data pengujian berfungsi untuk menguji ke akuratan sistem JST yang telah dibuat. Data pengujian dapat dilihat pada Tabel 5.

0.0032

0.0140

Tabel 5. Data Pengujian

0.1109

0.7802

Columns 22 through 25 0.0128 0.0073 0.0128 0.8881 0.0790 0.0040 0.0790 0.0160 0.0003 0.1009 0.0003 0.0395 0.9116 0.0140 0.9116 0.0007 0.0080 0.7802 0.0080 0.0019 Pada pelatihan yang dilakukan dengan MATLAB didapat hasil yang dapat dilihat pada tabel 4 dan tabel 6 di bawah. Pada proses pelatihan jaringan saraf tiruan aini akan berhenti jika iterasi telah sampai pada batas maksimum yaitu 10.000 iterasi, atau pelatihan akan berhenti jika MSE (Mean Square Error) telah berada dibawah target error, disini diketahui target errornya sebesar 0.01. Dengan pelatihan di atas dapat dilihat output yang sesuai dengan target. Di mana untuk nilai output actual diambil yang bernilai 1. Adapun parameter penilaian output actual dengan fungsi aktivasi : Y = {

untuk melihat hasil pelatihan

yang dilakukan oleh jaringan saraf tiruan dengan target yang telah ditentukan dapat dilihat pada tabel 4 sebagai berikut:

72

Tabel 4. Pengujian Data Pelatihan Untuk Arsitektur 23-5-5

0.8881

Adapun grafik hasil pengujian data baru dengan 10 sampel data yang dilakukan dengan jaringan saraf tiruan adalah:

Gambar 4. Grafik Hasil Data Pengujian dengan 6341 iterasi Dengan output actual sebagai berikut:


a= Columns 1 through 7 0.9095 0.1042 0.9095 0.1042 0.0096 0.0908 0.0096 0.0908 0.1296 0.6886 0.1296 0.6886 0.0035 0.0110 0.0035 0.0110 0.0358 0.0029 0.0358 0.0029

0.0000 0.0128

0.0128

0.9114 0.0000

0.0000

0.3059 0.1380

0.1380

0.0122 0.0621

0.0621

0.0000 0.9459

0.9459

Columns 8 through 10 0.0128 0.0025 0.9095 0.0000 0.0059 0.0096 0.1380 0.0109 0.1296 0.0621 0.9074 0.0035 0.9459 0.0128 0.0358

Dari beberapa hasil ujicoba yang telah dilakukan dapat diambil kesimpulan bahwa suatu arsitektur mempunyai kinerja sangat bagus jika nilai MSE berada di bawah nilai error yaitu 0.01. Dari uji coba yang dilakukan diperoleh parameter yaitu learning rate sebesar 0.5, toleransi error 0.01, maksimal epoch 6341 dan hidden layer 5 dengan nilai MSE 0.00999889. Parameter tersebut dipilih menjadi parameter terbaik karena menghasilkan jumlah iterasi yang memiliki nilai akurasi MSE yang cukup baik, karena nilai MSE paling kecil dari arsitektur yang lain serta nilai MSE dibawah dari nilai error yang ditentukan. 4.

untuk melihat hasil pengujian 10 data baru yang dilakukan oleh jaringan saraf tiruan dengan target yang telah ditentukan dapat dilihat pada tabel 6 sebagai berikut: Tabel 6. Pengujian Data Baru Untuk Arsitektur 23-5-5

Keterangan : HPU = Hasil Pengujian KJST = Ketepatan Jaringan Saraf Tiruan Kemudian Untuk memperoleh konfigurasi terbaik maka dilakukan beberapa pengujian dengan berbagai model arsitektur jaringan saraf tiruan yaitu 23-5-5, 23-10-5, 23-15-5, 23-20-5, dan 23-25-25 Berikut ini merupakan tabel hasil pelatihan jaringan saraf tiruan dari 5 arsitektur tersebut dengan perubahan nilai hidden layer. Tabel 7. Tabel Perubahan Nilai Uji Coba Data Pengujian Dengan Perubahan Nilai Hidden Layer Erro Hidden Epochs Lr MSE r 5

6341

0.5

0.01

0.00999889

10

802

0.5

0.01

0.00997535

15

1444

0.5

0.01

0.00998684

20

519

0.5

0.01

0.00999857

25

411

0.5

0.01

0.00996887

KESIMPULAN

Berdasarkan hasil dari analisis pada tahap pelatihan dan tahap pengujian deteksi penyalahgunaan narkotika ini didapat beberapa kesimpulan, antara lain:  Metode backpropagation dapat digunakan untuk menyelesaikan masalah untuk mendeteksi penyalahgunaan narkotika dengan menggunakan lima pola tampilan output yang terdiri dari Opium/ Heroin, Morphine, Cocain, Marijuana dan Sintetik (Pethidin + Methadon).  Pengujian jaringan saraf dilakukan dengan memasukkan data pelatihan dan pengujian dan diperoleh hasil pengujian sampai 100% sesuai dengan target yang di inginkan  Pelatihan terhadap jaringan saraf dengan 23 sel lapisan masukan dilakukan pada 25 data sampel yang terdiri dari 6 data dengan pola keluaran Opium + Heroin, 5 data dengan pola keluaran Morphine, 5 data dengan pola keluaran Cocain, 4 data dengan pola keluaran Marijuana dan 5 data dengan pola kularan Sintetik (Pethidin + Methadon). 5.

SARAN

Berdasarkan pengujian yang telah dilakukan pada jaringan saraf tiruan yang telah dibuat, tentunya masih ada kekurangan dan kelemahan yang terjadi sehingga perlu dikembangkan lagi agar kinerjanya lebih baik. Adapun saran untuk pengambangan penelitian ini adalah:  Untuk pengembangan penelitian yang lebih baik lagi dapat membuat suatu perangkat lunak untuk mengimplementasikan jaringan saraf tiruan dengan metode backpropagation untuk mendeteksi penyalahgunaan narkotika agar lebih mudah dipahami oleh masyarakat awam.  Setelah dilakukan pelatihan dan pengujian untuk mendeteksi penyalahgunaan narkotika menggunakan jaringan saraf tiruan metode backpropagation, disarankan agar diadakan penelitian lebih lanjut dengan menggunakan

73


metode-metode lainnya agar dapat di ambil kesimpulan metode apa yang paling baik dalam kasus mendeteksi penyalahgunaan narkotika. 6. [1]

.

74

[2]

[3]

DAFTAR PUSTAKA Marleni, et.al, (2012). Pengembangan Sistem Jaringan Syaraf Tiruan Dalam Memprediksi Jumlah Dokter Keluarga Menggunakan Backpropagation (Studi Kaus : Regional X Cabang Palu) , Seminar Nasional Teknologi Informasi dan Komunikasi.

[4]

T. Sutojo, Edy Mulyant dan Vincent Suhartono, (2011). Kecerdasan Buatan, Andi Yogyakarta Novi Indah Pradasari, et.al, Jaringan Syaraf Tiruan Untuk Memprediksi Penyakit Saluran Pernafasan Dengan Metode Backpropagation, Jurnal Coding Vol , No.1 Juli 2013. Iskandar Zulkarnain, 2012, Sistem Pendeteksi Penyalahgunaan Narkoba Menggunakan Jaringan Saraf Tiruan Model Backpropagation, Jurnal Saintikom Vol. 10/No. 2/Mei 2010


PENGGUNAAN ALGORITMA FLOYD WARSHALL DALAM MASALAH JALUR TERPENDEK PADA PENENTUAN TATA LETAK PARKIR Ni Ketut Dewi Ari Jayanti, M.Kom STMIK STIKOM Bali Jl. Raya Puputan No. 86 Renon Denpasar, telp. 0361 244445 e-mail: daj@stikom-bali.ac.id

Abstrak Peningkatan yang pesat dalam jumlah kendaraan di kota-kota besar, memilikidampak terhadap kebutuhan parkir di tempat-tempat umum seperti dikantor, pusat perbelanjaan, sekolah, kampus, tempat rekreasi, dan tempat-tempatumum lainnya yang memiliki area parkir yang cukup luas.Diperlukan penataan areal parkir agar memiliki daya tampung yang maksimal tanpa mengesampingkan aspek kenyamanan untuk penggunanya sehingga penentuan tata letak dan waktu tempuh kendaraan dalam mencari lokasi parkir perlu untuk di perhatikan. Untuk menentukan jalur terpendek pada penentuan tata letak parkir dalam penelitian ini menggunakan metode Floyd-Warshall untuk melakukan perhitungan jalur terpendek. Floyd Warshall merupakan salah satu algoritma pencarian yang dapat digunakan dalam menghitung jalur terpendek, dan mampu membandingkan semua kemungkinan lintasan pada graph untuk setiap sisi dari semua simpul yang ada.Dalam penelitian ini telah berhasil dibentuk jalur terpendek pada tata letak parkir. Algoritma FloydWarshall dapat menyelesaikan permasalahan jalur terpendek pada tata letak parkir dengan menghitung jarak seluruh jalur/ lintasan yang ada antar blok parker dan hasil nya akan dapat membantu pengembang sistem dalam membangun sistem parkir serta memberikan solusi untuk mengoptimalkan tata letak parkir, sehingga tingkat kepuasan pengguna akan tercapai dan untuk memberikan solusi sistem manajemen parkir yang lebih baik. Kata kunci : Parkir, Graf, Jalur Terpendek, Floyd Warshall 1.

LATAR BELAKANG

Peningkatan yang pesat dalam jumlah kendaraan di kota-kota besar, memiliki dampak terhadap kebutuhan parkir di tempat-tempat umum seperti di kantor, pusat perbelanjaan, sekolah, kampus, tempat rekreasi, dan tempattempat umum lainnya yang memiliki area parkir yang cukup luas. Diperlukan penataan areal parkir agar memiliki daya tampung yang maksimal tanpa mengesampingkan aspek kenyamanan untuk penggunanya sehingga penentuan tata letak dan waktu tempuh kendaraan dalam mencari lokasi parkir perlu untuk di perhatikan. Perkembangan teknologi informasi, khususnya perangkat lunak saat ini sudah dapat diaplikasikan sebagai salah satu sistem yang sangat membantu dalam menghadapi masalah tersebut.Sudah cukup banyak sistem parkir konvesional yang dikelola oleh beberapa perusahaan yang tentunya memiliki kelebihan dan kekurangan dalam hal pengelolaannya.Kenyataan yang kita lihat dan rasakan sendiri adalah seringkali kita sebagai pengunjung harus bersusah payah untuk mencari tempat parkir yang kosong karena sistem parkir yang tersedia saat ini terbatas

pada perhitungan berapa biaya parkir yang harus dibayar.Sistem parkir yang ada saat ini belum dilengkapi dengan fasilitas pencarian lokasi parkir yang masih tersedia.Tidak hanya itu saja, sistem parkir yang ada juga belum menyediakan fasilitas berupa letak parkir yang disarankan oleh sistem berdasar pada letak parkir dengan jalur terpendek yang dapat mengoptimalkan jarak tempuh pengunjung menuju pintu masuk gedung. Masalah jalur terpendek adalah masalah menemukan suatu jalur antara dua simpul sedemikian sehingga jumlah bobot dari busur penyusunnya dapat seminimal mungkin (R. Kumar dan M. Kumar, 2010).Beberapa algoritma yang telah dikembangkan untuk menyelesaikan permasalahan jalur terpendek diantaranya algoritma Djikstra, algoritma Floyd-Warshall dan algoritma Bellman-Ford.Sementara metode yang paling efisien untuk permasalahan jalur terpendek dalam jaringan data adalah algoritma Djikstra. Namun, pada jaringan dinamis yang sangat besar, algoritma Djikstra menjadi tidak efisien karena simpul-simpul pada jaringan akan dikunjungi kembali sehingga banyak komputasi atau perhitungan-perhitungan yang diulang (R. Kumar dan M. Kumar, 2010).

75


Untuk menentukan jalur terpendek pada penentuan tata letak parkir dalam penelitian ini menggunakan metode Floyd-Warshall untuk melakukan perhitungan jalur terpendek.Floyd Warshall merupakan salah satu algoritma pencarin yang dapat digunakan dalam menghitung jalur terpendek, dan mampu membandingkan semua kemungkinan lintasan pada graph untuk setiap sisi dari semua simpul yang ada. Oleh sebab itu, algoritma ini cocok digunakan dalam menghadapi permasalahan perhitungan jalur terpendek khususnya dalam penerapannya pada tata letak parkir 2.

METODE PENELITIAN

Pada metode penelitian membahas tentang tempat dan waktu penelitian, alur dari penelitian serta data yang digunakan.Adapun tempat penelitian dilakukan di STIKOM Bali dengan lama waktu penelitian 4 bulan. Alur penelitian di gambarkan sebagai berikut :

Gambar 1 Alur Penelitian a.

b.

c.

76

Mendefinisikan Masalah Mendifinisikan masalah merupakan tahapan menentukan permasalahan yang ada berkaitan dengan penentuan jalur terpendek dalam penentuan tata letak parkir. Studi Literatur Tahap ini melakukan pengumpulan materi yang berasal dari tulisan-tulisan karya ilmiah, artikel populer, serta tanggapan dari praktisi dan profesional mengenai algoritma jalur terpendek. Analisa Masalah Melakukan proses analisa terhadap permasalahan yang dibahas yaitu sistem parkir yang ada saat ini belum dilengkapi dengan fasilitas pencarian lokasi parkir yang masih tersedia. Sistem parkir yang ada juga belum menyediakan fasilitas berupa letak parkir yang disarankan oleh sistem berdasar pada letak parkir dengan jalur terpendek yang dapat mengoptimalkan jarak tempuh pengunjung menuju pintu masuk gedung dan menentukan algoritma Floyd-Warshall sebagai algoritma dalam menyelesaikan

d.

permasalahan jalur terpendek pada tata letak parkir. Penerapan Floyd-Warshall Penerapan algoritma Floyd-Warshall dilakukan berdasarkan hasil yang diperoleh dari tahap analisa masalah.Algoritma FloydWarshall sangat efisien dari sudut pandang penyimpanan data karena dapat diimplementasikan dengan hanya pengubahan sebuah matriks jarak. Adapun mekanisme dari algoritma Floyd-Warshall ini terdiri dari beberapa langkah yang harus dilakukan, yaitu (Budiarsyah dan Dibi Khairurrazi , 2010) :  Langkah awal yang harus dilakukan untuk menentukan shortest path dengan menggunakan algoritma FloydWarshall adalah dengan merepresentasikan suatu graf sebagai suatu matriks berbobot. Format output berupa matriks n x n berjarak D = [dij] dimana dij merupakan jarak dari vertex i ke j.  Langkah kedua adalah melakukan dekomposisi Floyd-Warshalldengan urutan :  dij(k) merupakan panjang dari shortest path dari i ke j, sehingga semua vertex intermediate yang terdapat pada path (jika ada) terkumpul pada {1,2,....,k}  dij(0) dikumpulkan pada wij, yaitu tidak ada vertex intermediate.  D(k) menjadi matriks n x n [dij(k)]  Tentukan dij(n) sebagai jarak dari i ke j kemudian hitung D(n)  Hitung D(k) untuk k = 0,1,...., n  Langkah ketiga adalah menentukan struktur shortest path. Dalam hal ini, harus dilakukan dua pengamatan terlebih dahulu sebelum melangkah lebih jauh, yaitu :  Sebuah shortest path tidak memuat vertex yang sama sebanyak dua kali  Untuk sebuah shortest path dari i ke j dengan beberapa vertex intermediate pada path dipilih dari kumpulan {1, 2, ...., k}, dengan kemungkinan : a. k bukan merupakan vertex pada path (path terpendek memiliki panjang dij(k-1)). b. k merupakan vertex pada path (path terpendek memiliki panjang dij(k-1) + dij(k-1)).  Setelah melakukan pengamatan diatas, kemudian dlakukan




penentuan shortest path dari i ke j yang memuat vertex k.  Shortest path tersebut memuat sebuah subpath dari i ke k dan sebuah subpath dari k ke j.  Setiap subpath hanya dapat memuat vertex intermediate pada {1, ..., k-1} dan sedapat mungkin memiliki nilai terpendek, kemudian beri nama panjangnya dik(k-1) dan dkj(k-1) sehingga path memiliki panjang dik(k-1) + dkj(k-1). Langkah terakhir adalah melakukan iterasi yang dimulai dari iterasi ke 0 sampai dengan n.Perhitungan yang dilakukan adalah :  Menentukan D(0) (iterasi ke 0) = [wij] merupakan matriks bobot.  Menentukan D(k) dengan menggunakan rumus , dij(k) = min {dij(k-1), dik(k-1) + dkj(k-1)}, untuk k = 1, ..., n dimana n adalah jumlah vertex.

berupa letak parkir yang disarankan oleh sistem berdasar pada letak parkir dengan jalur terpendek yang dapat mengoptimalkan jarak tempuh pengunjung menuju pintu masuk gedung. Masalah jalur terpendek adalah masalah menemukan suatu jalur antara dua simpul sedemikian sehingga jumlah bobot dari busur penyusunnya dapat seminimal mungkin.Untuk menentukan jalur terpendek pada penentuan tata letak parkir dalam penelitian ini menggunakan metode Floyd-Warshall untuk melakukan perhitungan jalur terpendek dari pintu masuk menuju lot parkir. 3.2 Hasil Penerapan Floyd-Warshall Lot parkir yang diperoleh direpresentasikan ke dalam bentuk graf serta diberi bobot dari satu vertex kevertex yang lain.

Hasil akhir dari algoritma FloydWarshall adalah matriks untuk iterasi ken. Dari matriks ke-n ini, dapat dilihat shortest path untuk setiap vertex pada suatu graph. e. Kesimpulan Tahap akhir dari penelitian ini, untuk menghasilkan laporan penelitian serta penarikan kesimpulan. Untuk perolehan data, penelitian ini menggunakan jenis data sekunder yang diperoleh melalui state of the art review penelitian lainnya yang sejenis serta melalui akses internet (jurnal, ebook).

Gambar 2. Ilustrasi Denah Parkir (Adnyana, 2011)

Gambar 3. Representasi Graf Denah parkir

3. ANALISA dan HASIL Pada analisa dan hasil ini membahas tentang analisa permasalahan tata letak parkir dan hasil penerapan Floyd-Warshall. 3.1 Analisa Masalah Sudah cukup banyak sistem parkir konvesional yang dikelola oleh beberapa perusahaan yang tentunya memiliki kelebihan dan kekurangan dalam hal pengelolaannya.Kenyataan yang kita lihat dan rasakan sendiri adalah seringkali kita sebagai pengunjung harus bersusah payah untuk mencari tempat parkir yang kosong karena sistem parkir yang tersedia saat ini terbatas pada perhitungan berapa biaya parkir yang harus dibayar.Sistem parkir yang ada saat ini belum dilengkapi dengan fasilitas pencarian lokasi parkir yang masih tersedia.Tidak hanya itu saja, sistem parkir yang ada juga belum menyediakan fasilitas

Tabel 1. Jarak antar Blok (Vertex) Jara Star t k (1)

A (2)

B (3)

C (4)

D (5)

E (6)

F (7)

G (8)

H (9)

Start (1)

23.0 0

∞

∞

∞

∞

∞

∞

31.3 0

∞

∞

∞

0 A (2) 23.0 0 B (3) ∞ 9.00

9.0 0 0

∞

∞

∞

∞

∞

∞

∞

∞

∞

∞

∞

∞

∞

∞

C (4)

∞

∞

∞

∞

∞

∞

∞

D (5)

∞

∞

7.8 1 ∞

∞

∞

∞

∞

E (6)

∞

∞

∞

7.8 ∞ ∞ ∞ 1 0 16.5 ∞ ∞ 7 16. 0 6.59 ∞ 57 ∞ 6.79 0 6.59

∞

∞

∞

∞

20. 11 ∞

F (7)

∞

∞

∞

∞

∞

6.59

0

6.10

∞

∞

∞

∞

G (8)

∞

∞

∞

∞

∞

∞

6.10

∞

∞

∞

∞

∞

∞

∞

6.57 15.7 ∞ 2 6.57 0 ∞ ∞

∞

∞

∞

∞

∞

∞

∞

∞

∞

∞

∞

∞ 20.1 1

∞

∞

∞

0

H (9) 31.3 0 I ∞ (10) J ∞ (11) K ∞ (12)

J K I (10) (1 (12 1) )

0

∞

∞

15.7 2 ∞

∞

∞

∞

∞

∞

23 ∞ .4 23.4 0 9 5.3 9 8 ∞ 5. 0 38 0

77


Selanjutnya dibuat suatu pemisalan untuk memudahkan proses perhitungan. Misalnya dibuat pemisalan sebagai berikut : M = Matriks ; i = Kolom ; j = Baris ; n = Jumlah titik/ vertex ; k = Perulangan ke-n Setelah melakukan proses pemisalan variabel yang dibutuhkan, dilanjutkan dengan melakukan perhitungan shortest path dengan menggunakan persamaan :M[i][j] = min(M[i][j], M[i][k] + M[k][j]). Jumlah titik/ vertex pada graf adalah 12 ( n = 12 ) sehingga nilai k = 12. Iterasi pertama untuk k = 1 Untuk i = 1, j = Untuk i = 2, j = {1.....12} {1.....12} M[1][1] = min (0, 0+0)jarak= 0 M[1][2] = min (23, 0+23)jarak= 23 M[1][3] = min (∞, 0+∞)jarak=∞ M[1][4] = min (∞, 0+∞)jarak=∞ M[1][5] = min (∞, 0+∞)jarak=∞ M[1][6] = min (∞, 0+∞)jarak=∞ M[1][7] = min (∞, 0+∞)jarak=∞ M[1][8] = min (∞, 0+∞)jarak=∞ M[1][9] = min (31.3, 0+31.3)jarak= 31.3 M[1][10] = min (∞, 0+∞)jarak=∞ M[1][11] = min (∞, 0+∞)jarak=∞ M[1][12] = min (∞, 0+∞) jarak = ∞

M[2][1] = min (23, 23+0) jarak = 23 M[2][2] = min (0, 23+23) jarak = 0 M[2][3] = min (9, 23+∞) jarak = 9 M[2][4] = min (∞, 23+∞) jarak = ∞ M[2][5] = min (∞, 23+∞) jarak = ∞ M[2][6] = min (∞, 23+∞) jarak = ∞ M[2][7] = min (∞, 23+∞) jarak = ∞ M[2][8] = min (∞, 23+∞) jarak = ∞ M[2][9] = min (∞, 23+31.3) jarak = 54.30 M[2][10] = min (∞, 23+∞) jarak = ∞ M[2][11] = min (∞, 23+∞) jarak = ∞ M[2][12] = min (∞, 23+∞) jarak = ∞

Untuk i = 3, j = {1.....12}

Untuk i = 4, j = {1.....12}

M[3][1] = min (∞,∞+0) jarak = ∞ M[3][2] = min (9, ∞+23) jarak = 9 M[3][3] = min (0, ∞+∞) jarak = 0 M[3][4] = min (7.81, ∞+∞) jarak = 7.81 M[3][5] = min (∞,∞+∞)jarak = ∞ M[3][6] = min (∞,∞+∞)jarak = ∞ M[3][7] = min

M[4][1] = min (∞,∞+0) jarak = ∞ M[4][2] = min (∞, ∞+23) jarak = ∞ M[4][3] = min (7.81, ∞+∞) jarak = 7.81 M[4][4] = min (0, ∞+∞) jarak = 0 M[4][5] = min (16.57,∞+∞) jarak = 16.57 M[4][6] = min (∞,∞+∞)jarak = ∞

78

(∞,∞+∞)jarak = ∞ M[3][8] = min (∞,∞+∞)jarak = ∞ M[3][9] = min (∞,∞+31.3) jarak =∞ M[3][10] = min (∞,∞+∞)jarak = ∞ M[3][11] = min (∞,∞+∞)jarak = ∞ M[3][12] = min (∞,∞+∞)jarak = ∞

M[4][7] = min (∞,∞+∞)jarak = ∞ M[4][8] = min (∞,∞+∞)jarak = ∞ M[4][9] = min (∞,∞+31.3) jarak = ∞ M[4][10] = min (∞,∞+∞)jarak = ∞ M[4][11] = min (∞,∞+∞)jarak = ∞ M[4][12] = min (∞,∞+∞)jarak = ∞

Untuk i = 5, j = {1.....12}

Untuk i = 6, j = {1.....12}

M[5][1] = min (∞,∞+0) jarak = ∞ M[5][2] = min (∞, ∞+23) jarak = ∞ M[5][3] = min (∞, ∞+∞) jarak = ∞ M[5][4] = min (16.57, ∞+∞) jarak = 16.57 M[5][5] = min (0,∞+∞) jarak = 0 M[5][6] = min (6.79,∞+∞) jarak = 6.79 M[5][7] = min (∞,∞+∞)jarak = ∞ M[5][8] = min (∞,∞+∞)jarak = ∞ M[5][9] = min (∞,∞+31.3) jarak =∞ M[5][10] = min (∞,∞+∞)jarak = ∞ M[5][11] = min

M[6][1] = min (∞,∞+0) jarak = ∞ M[6][2] = min (∞, ∞+23) jarak = ∞ M[6][3] = min (∞, ∞+∞) jarak = ∞ M[6][4] = min (∞, ∞+∞) jarak = ∞ M[6][5] = min (6.59,∞+∞) jarak = 6.59 M[6][6] = min (0,∞+∞) jarak = 0 M[6][7] = min (6.59,∞+∞) jarak = 6.59 M[6][8] = min (∞,∞+∞)jarak = ∞ M[6][9] = min (∞,∞+31.3) jarak = ∞ M[6][10] = min (∞,∞+∞)jarak = ∞ M[6][11] = min (∞,∞+∞)jarak = ∞ M[6][12] = min (20.11,∞+∞) jarak = ∞

M[5][12] = min (20.11,∞+∞) jarak = 20.11 Untuk i = 7, j = {1.....12}

Untuk i = 8, j = {1.....12}

M[7][1] = min (∞,∞+0) jarak = ∞ M[7][2] = min (∞, ∞+23) jarak = ∞ M[7][3] = min (∞, ∞+∞) jarak = ∞ M[7][4] = min (∞, ∞+∞) jarak = ∞ M[7][5] = min (∞,∞+∞)jarak = ∞ M[7][6] = min (6.59,∞+∞) jarak

M[8][1] = min (∞,∞+0) jarak = ∞ M[8][2] = min (∞, ∞+23) jarak = ∞ M[8][3] = min (∞, ∞+∞) jarak = ∞ M[8][4] = min (∞, ∞+∞) jarak = ∞ M[8][5] = min (∞,∞+∞)jarak = ∞ M[8][6] = min (∞,∞+∞)jarak = ∞


= 6.59 M[7][7] = min (0,∞+∞) jarak = 0 M[7][8] = min (6.10,∞+∞) jarak = 6.10 M[7][9] = min (∞,∞+31.3) jarak =∞ M[7][10] = min (∞,∞+∞)jarak = ∞ M[7][11] = min (∞,∞+∞)jarak = ∞ M[7][12] = min (∞,∞+∞)jarak = ∞

M[8][7] = min (6.10,∞+∞) jarak = 6.10 M[8][8] = min (0,∞+∞) M[8][9] = min (6.57,∞+31.3) jarak = 6.57 M[8][10] = min (15.72,∞+∞) jarak = 15.72 M[8][11] = min (∞,∞+∞)jarak = ∞ M[8][12] = min (∞,∞+∞)jarak = ∞

Untuk i = 9, j = {1.....12} M[9][1] = min (31.30, 31.30+0) jarak = 31.30 M[9][2] = min (∞,31.30+23) jarak = 54.30 M[9][3] = min (∞,31.30+∞) jarak =∞ M[9][4] = min (∞,31.30+∞) jarak =∞ M[9][5] = min (∞,31.30+∞) jarak =∞ M[9][6] = min (∞,31.30+∞) jarak =∞ M[9][7] = min (∞,31.30+∞) jarak =∞ M[9][8] = min (6.57, 31.30+∞) jarak = 6.57 M[9][9] = min (0, 31.30+31.3) jarak =0 M[9][10] = min (∞,31.30+∞) jarak =∞ M[9][11] = min (∞,31.30+∞) jarak =∞ M[9][12] = min (∞,31.30+∞) jarak =∞

Untuk i = 10, j = {1.....12} M[10][1] = min (∞,∞+0) jarak = ∞ M[10][2] = min (∞, ∞+23) jarak = ∞ M[10][3] = min (∞, ∞+∞) jarak = ∞ M[10][4] = min (∞, ∞+∞) jarak = ∞ M[10][5] = min (∞,∞+∞)jarak = ∞ M[10][6] = min (∞,∞+∞)jarak = ∞ M[10][7] = min (∞,∞+∞)jarak = ∞ M[10][8] = min (15.72,∞+∞) jarak = 15.72 M[10][9] = min (∞,∞+31.3) jarak = ∞ M[10][10] = min (0,∞+∞) jarak = 0 M[10][11] = min (23.49,∞+∞) jarak = 23.49 M[10][12] = min (∞,∞+∞)jarak = ∞

Untuk i = 11, j = {1.....12}

Untuk i = 12, j = {1.....12}

M[11][1] = min (∞,∞+0) jarak = ∞ M[11][2] = min (∞, ∞+23) jarak = ∞ M[11][3] = min (∞, ∞+∞) jarak = ∞ M[11][4] = min (∞, ∞+∞) jarak = ∞ M[11][5] = min (∞,∞+∞)jarak = ∞ M[11][6] = min (∞,∞+∞)jarak = ∞ M[11][7] = min (∞,∞+∞)jarak = ∞ M[11][8] = min (∞,∞+∞)jarak = ∞ M[11][9] = min (∞,∞+31.3) jarak =∞ M[11][10] = min (23.49,∞+∞) jarak = 23.49 M[11][11] = min (0,∞+∞) jarak = 0 M[11][12] = min (5.38,∞+∞) jarak = 5.38

M[12][1] = min (∞,∞+0) jarak = ∞ M[12][2] = min (∞, ∞+23) jarak = ∞ M[12][3] = min (∞, ∞+∞) jarak = ∞ M[12][4] = min (∞, ∞+∞) jarak = ∞ M[12][5] = min (20.11,∞+∞) jarak = 20.11 M[12][6] = min (∞,∞+∞)jarak = ∞ M[12][7] = min (∞,∞+∞)jarak = ∞ M[12][8] = min (∞,∞+∞)jarak = ∞ M[12][9] = min (∞,∞+31.3) jarak = ∞ M[12][10] = min (∞,∞+∞)jarak = ∞ M[12][11] = min 5.38 M[12][12] = min (0,∞+∞) jarak = 0

Iterasi dihitung hingga iterasi k = {2…12}.Berikut merupakan hasil iterasi pertama dan diperoleh bobot dalam matriks jarak seperti tabel berikut :

79


Tabel 2. Jarak antar vertex setelah iterasi pertama Jarak

Start (1)

A (2)

B (3)

C (4)

D (5)

E (6)

F (7)

G (8)

H (9)

I (10)

J (11)

K (12)

Start(1)

0

23

∞

∞

∞

∞

∞

∞

31.3

∞

∞

∞

A (2)

23

0

9

∞

∞

∞

∞

∞

54.3

∞

∞

∞

B (3)

∞

9

0

7.81

∞

∞

∞

∞

∞

∞

∞

∞

C (4)

∞

∞

7.81

0

16.57 ∞

∞

∞

∞

∞

∞

∞

D (5)

∞

∞

∞

16.57 0

6.59

∞

∞

∞

∞

∞

20.11

E (6)

∞

∞

∞

∞

6.79

0

6.59

∞

∞

∞

∞

∞

F (7)

∞

∞

∞

∞

∞

6.59

0

6.1 ∞

∞

∞

∞

G (8)

∞

∞

∞

∞

∞

∞

6.1

0

15.72 ∞

∞

H (9)

31.3

54.3

∞

∞

∞

∞

∞

∞

∞

∞

I (10)

∞

∞

∞

∞

∞

∞

∞

6.5 0 7 15. ∞ 72

0

23.49 ∞

J (11)

∞

∞

∞

∞

∞

∞

∞

∞

∞

23.49 0

5.38

K (12)

∞

∞

∞

∞

20.11 ∞

∞

∞

∞

∞

0

6.57

5.38

Tabel 3. Jarak antar vertex setelah iterasi keduabelas Jarak

Start (1)

A (2)

B (3)

C (4)

D (5)

Start (1)

0.00

23.00 32.00 39.81 56.38 50.56 43.97 37.87 31.30 53.59 77.08 76.49

A (2)

23.00

0.00

9.00 16.81 33.38 39.97 46.56 52.66 54.30 68.38 58.87 53.49

B (3)

32.00

9.00

0.00

7.81 24.38 30.97 37.56 43.66 50.23 59.38 49.87 44.49

C (4)

39.81 16.81 7.81

0.00 16.57 23.16 29.75 35.85 42.42 51.57 42.06 36.68

D (5)

56.38 33.38 24.38 16.57 0.00

6.59

13.18 19.28 25.85 35.00 25.49 20.11

E (6)

50.56 40.17 31.17 23.36 6.79

0.00

6.59

12.69 19.26 28.41 32.28 26.90

F (7)

43.97 46.76 37.76 29.95 13.38 6.59

0.00

6.10 12.67 21.82 38.87 33.49

G (8)

37.87 52.86 43.86 36.05 19.48 12.69

6.10

0.00

6.57

15.72 39.21 39.59

H (9)

31.30 54.30 50.43 42.62 26.05 19.26 12.67

6.57

0.00

22.29 45.78 46.16

I (10)

53.59 68.58 59.58 51.77 35.20 28.41 21.82 15.72 22.29

J (11)

77.08 58.87 49.87 42.06 25.49 32.08 38.67 39.21 45.78 23.49

0.00

5.38

K (12)

76.49 53.49 44.49 36.68 20.11 26.70 33.29 39.39 45.96 28.87

5.38

0.00

Perhitungan terus dilakukan hingga iterasi keduabelas. Tabel 3. merupakan tabel jarak antar vertex setelah iterasi keduabelas. Berdasarkan tabel jarak vertex setelah iterasi keduabelas, dapat terlihat keseluruhan jarak dari masing-masing vertex setelah mengalami proses

80

E (6)

F (7)

G (8)

H (9)

I (10)

0.00

J (11)

K (12)

23.49 28.87

iterasi dan perhitungan dengan menggunakan algoritma Floyd-Warshall. Jalur terpendek untuk setiap blok dapat digambarkan dengan jelas. Sebagai contoh jalur terpendek dari start menuju blok F adalah Start – H – G – F dengan jarak 43.97.


4. Kesimpulan Kesimpulan yang dapat diambil dalam penelitian ini adalah : 1. Telah berhasil dibentuk jalur terpendek pada tata letak parkir. 2. Algoritma Floyd-Warshall dapat menyelesaikan permasalahan jalur terpendek pada tata letak parkir dengan menghitung jarak seluruh jalur/ lintasan yang ada antar blok parkir.

References R. Kumar dn M. Kumar (2010). Exploring Genetic Algorithm for Shortest Path Optimization in Data Networks. Global Journal of Computer Science nd Technology. Vol 10. Foulds (1992). Graph Theory Applications. Springer – Verlag, New York. F. Saptono, I. Mutakhiroh, T. Hidayat, dan A. Fauziyah (2007). Perbandingan Performansi Algoritma Genetika dan Algoritma Semut untuk Penyelesaian Shortest Path Problem.Seminar Nasional Sistem dan Informatika. Bali. 16 November 2007. Nugroho, Yohanes. Liem, Inggriani. 2003. Algoritma Dan Pemrograman : Bagian-7 Graph. Makalah IF6181-Bagian-7 Institut Teknologi Bandung. Saputra, Ragil. 2011. Sistem Informasi Geografis Pencarian Rute Optimum Obyek Wisata Kota Yogyakarta Dengan Algoritma Floyd-Warshall. Program Studi Teknik Informatika FMIPA UNDIP. Jurnal

Matematika Vol. 4, No. 1, Aprill 2011 : 19-24. Aplikasi Pencarian Rute Optimal Menggunakan Metode Transitive Closure. 2008. Proceeding, Seminar Ilmiah Nasional Komputer dan Sistem Intelijen (KOMMIT 2008). Auditorium Universitas Gunadarma, Depok, 20-21 Agustus 2008. Diaz Novandi, Aprian. 2007. Perbandingan Algoritma Dijkstra dan Algoritma FloydWarshall dalam Penentuan Lintasan Terpendek (Single Pair Shortest Path). Makalah IF2251 Strategi Algoritmik Tahun 2007, Bandung. Budiarsyah , Dibi Khairurrazi . 2010. Algoritma Djikstra, Bellman-Ford, Dan FloydWarshall Untuk Mencari Rute Terpendek Dari Suatu Graf. Makalah Strukdis 2010 , Bandung. Kamayudi, Apri. 2006. Studi dan Implementasi Algoritma Djikstra, Bellman-Ford dan Floyd-Warshall dalam menangani masalah lintasan terpendek dalam Graf. Program Studi Teknik Informatika, Institut Teknologi Bandung. Ajeng F.S., Tari T., Eka D. 2013. Algoritma Floyd Warshall Untuk Menentukan Jalur Terpendek Evakuasi Tsunami di Kelurahan Sanur. Jurusan Matematika FMIPA Universitas Udayana. E-Jurnal Matematika Vol. 2, No. 1, Januari 2013, 15 Adnyana, Benny. 2011. Optimasi Penentuan Tata Letak Parkir STIKOM Bali Menggunakan Algoritma Ant Colony System. Program Studi Sistem Komputer, STMIK STIKOM Bali

81


SISTEM INFORMASI MANAJEMEN BANTUAN LOGISTIK BERBASIS COULD COMPUTING (STUDI KASUS : GUNUNG MERAPI) Rita Novita Sari STMIK Potensi Utama, Jl.K.L Yos Sudarso Km.6.5 No.3A Tanjung Mulia rita.ns89@gmail.com

Abstrak Gunung merapi merupakan salah satu gunung yang paling aktif di seluruh dunia. Bencana gunung merapi sangat berpotensi mengancam kelangsungan kehidupan manusia, seperti korban jiwa, korban luka, kelaparan, kerugain materi kerusakan lingkungan. Salah satu komponen agar aktivitas penanggulan becana dapat berjalan dengan baik adalah manajemen pendistribusian logistik. Dengan membuat sistem informasi berbasis cloud computing diharapkan pendistribusian logistik di daerah yang terkena dari dampak gunung merapi dapat dibagikan secara merata, tepat sasaran, jumlah, kwalitas dan transparan dalam hal penggunaan uang yang disumbangkan oleh para donatur. Kata kunci : Gunung Merapi, Logistik, Cloud Computing 1.

PENDAHULUAN Indonesia terletak pada pertemuan lempeng tektonik aktif, jalur pegunungan aktif, dan kawasan beriklim tropik, sehingga menjadikan sebagian wilayahnya rawan terhadap bencana alam. Jumlah korban bencana tergolong sangat tinggi dibandingkan dengan negara-negara lain. Pendistribusian bantuan yang tidak merata menjadi masalah utama pada saat terjadinya bencana. Permasalahan ini dapat diatasi dengan adanya manajemen logistic yang lebih baik lagi, yaitu adanya penggunaan posko penyangga atau posko pembantu. Posko pembantu merupakan alternatif yang dapat dilakukan pada saat pendistribusian bantuan dari BPBD sebelum didistribusikan ke tempat evakuasi. Maka dilakukan suatu penelitian untuk menentukan alternatif lokasi posko pembantu, dan jumlah alokasi bantuan yang akan didistribusikan kepada tempat evakuasi (masjid). Adanya interaksi antara posko utama, posko pembantu dan tempat evakuasi akan membentuk sistem manajemen logistik bencana yang lebih baik berorientasi pada fasilitas umum masyarakat yaitu lapangan sepak bola [1]. Selama ini proses pendistribusian bantuan ke posko-posko bencana alam dari pemerintah, instansi dan masyarakat sekitar seringkali kurang merata, sedangkan masih banyak korban lain yang belum mendapatkan bantuan. Penyebab kurang meratanya bantuan antara lain terbatasnya informasi lokasi korban, dan belum memiliki sistem pendataan kebutuhan untuk para korban yang nantinya dapat mempermudah petugas bencana alam, instansi dan masyarakat untuk mengetahui lokasi dan kebutuhan korban di masing-masing posko bencana alam [2].

82

Ketika terjadi bencana, bantuan dari para donatur dan para relawan pun mulai berdatangan. Namun pendistribusian bantuan tidak terkelola dengan baik, terjadi penumpukan bantuan di satu titik sedangan di titik lain terjadi kekurangan. Bantuan dari donatur kadang tidak sesuai dengan yang dibutuhkan pengungsi, karena mereka kurang mendapatkan informasi atau data tentang kebutuhan pegungsi. Maka dari itu dibutuhkan sebuah sistem informasi manajemen bantuan logistic bencana. Penelitian ini akan menjabarkan perancangan basis data dari sistem informasi manajemen bantuan logistik bencana di mulai dari perancangan diagram konteks, diagram level 0, relasi antar tabel, struktur tabel yang terdapat constraint disetiap kolom yang dibutuhkan dan pembuatan query dari setiap tabel. Dengan adanya penjabaran dari penelitian terdahulu maka dibuatlah penelitian lanjutan dari manajemen bantuan logistik bencana alam yang bisa di akses lewat web atau sistem informasi manajemen bantuan logistik bencan alam yang berbasis cloud computing. 2.

METODE PENELITIAN

2.1. Landasan Teori 1. Logistik Secara umum, definisi logistik adalah suatu proses yang dimulai dari perencanaan, penyimpanan barang atau jasa dengan tujuan memenuhi kebutuhan pelanggan dengan biaya yang minimum [2]. Tujuan dari manajemen logistik adalah mendistribusikan barang jadi atau barang mentah kepada konsumen pada waktu yang epat dengan jumlah yang tepat dan lokasi


yang tepat dengan biaya yang serendah mungkin. Misi logistik adalah mengembangkan suatu sistem yang dapat memenuhi kebijaksanaan pelayanan dengan biaya pengeluaran yang serendah mungkin [1]. . 2. Logistik Bencana Logistik bencana merupakan kegiatan yang dilakukan untuk memenuhi kebutuhan dasar manusia. Kebutuhan dasar ini kebutuhan sandang, pangan dan papan atau turunannya. Namun, kategori logistik bencana adalah sembako, obat pakaian dan kelengkapannya, air, tenda, jas tidur dan sebagainya. Definisi sistem manajemen logistik dan peralatan penanggulangan bencana adalah adanya ketersediaan logistik dan peralatan pada masa pra bencana, saat bencana, dan sesudah terjadinya bencana. Faktor utama yang dapat mendukung berjalannya sistem logistik dan peralatan untuk penanggulangan bencana adalah kemampuan infrastruktur, dan ketersediaan alat transportasi. Rantai pasokan dalam sistem manajemen logistik dan peralatan penanggulangan bencana berdasarkan kepada [1] : a. Tempat masuknya logistic b. Gudang Utama c. Gudang Penyalur d. Gudang penyimpanan terakhir di pos komando 3.

Sistem Manajemen Logistik Sistem adalah serangkaian proses yang bertujuan untuk menjalankan suatu kegiatan. Manajemen adalah ilmu dan seni dalam mengelola suatu kegiatan yang biasanya dalam kegiatan tersebut digunakan pendekatan fungsifungsi manajemen seperti perencanaan, pengorganisasian, pelaksanaan dan pengendalian. Bantuan adalah segala sesuatu yang diperoleh dari hasil bantuan dan atau sumbangan dari berbagai pihak yang diberikan kepada pihak yang membutuhkan. Logistik adalah segala sesuatu yang berujud dan dapat digunakan untuk memenuhi kebutuhan dasar hidup manusia yang terdiri atas sandang, pangan dan papan atau turunannya. Termasuk dalam kategorilogistik adalah barang yang habis pakai atau dikonsumsi, misalnya: sembako (sembilan bahan pokok), obatobatan, pakaian dan kelengkapannya, air, tenda, jas tidur dan sebagainya. [2] 4. Cloud Computing Istilah cloud computing diciptakan untuk menggambarkan sebuah layanan komputasi yang canggih yang disesuaikan permintaan pelanggan yang pada awal mulanya ditawarkan secara komersial oleh penyedia layanan tersebut seperti Amazon, Google, dan Microsoft. Infrastruktur komputasi dari cloud computing biasa disebut dengan awan atau “cloud” yang merupakan

tempat untuk mengakses aplikasi baik dari individu maupun organisasi bisnis dari tempat manapun sesuai dengan permintaan pengguna cloud. Penggunaan simbol awan didasari karena disetiap diagram jaringan internet digambarkan dengan simbol awan[3]. Cloud computing adalah user- centric. Setelah Anda sebagai pengguna yang terhubung ke awan , apa pun yang disimpan di sana dokumen , pesan, gambar, aplikasi , apa pun menjadi milikmu. Selain itu, tidak hanya merupakan data Anda, tetapi Anda juga dapat berbagi dengan orang lain. Akibatnya, perangkat apapun yang mengakses data Anda di awan juga menjadi milik Anda. Cloud computing memungkinkan pergeseran dari komputer ke pengguna, dari aplikasi dengan tugas, dan dari data yang terisolasi ke data yang dapat diakses dari mana saja dan berbagi dengan siapa pun. Pengguna tidak lagi harus mengambil tugas data dari manajemen, dia bahkan tidak perlu ingat di mana data tersebut. Semua yang penting adalah bahwa data di awan, dan sehingga segera tersedia bagi pengguna dan pengguna lain yang berwenang[4]. Kunci utama dari cloud computing adalah visualisasi infrastruktur yang menyediakan dan memelihara server virtual yang dapat ditingkatkan dan diturunkan sesuai permintaan. Akar dari sebuah cloud computing merupakan kemajuan dari hardware, teknologi internet, distributed computing, dan manajemen sistem seperti yang ditunjukkan pada gambar 1 yang menggambarkan konvergensi kemajuan bidang teknologi yang memberikan kontribusi dalam terciptanya sebuah cloud computing [4].

Gambar 1. Konvergensi berbagai kemajuan yang menyebabkan munculnya Cloud Computing [4] Sebuah cloud computing terdiri dari beberapa komponen yaitu client, pusat data (data center), dan server yang didistribusikan (distributed server) seperti pada gambar 1. Client merupakan komputer yang dipakai oleh pengguna

83


cloud computing. Selain komputer,client dapat juga berupa laptop, komputer tablet, PDA dan lain -lain. Pusat data merupakan sebuah kumpulan server dimana aplikasi dari client berupa server yang didistribusikan pelanggan ditempatkan. Server yang didistribusikan tidak semuanya terletak pada satu lokasi yang sama tapi bisa berada pada lokasi yang berbeda, tapi dalam cloud computing server seolah berada pada lokasi berdampingan yang memberikan keuntungan apabila salah satu situs mengalami kegagalan maka situs yang lain masih bisa dijalankan.

Gambar 2. Tiga komponen dasar komputasi awan [4] 2.2 Metode Penelitian 1.

Pengumpulan data Adapaun teknik pengumpulan data yang dilakukan dalam penelitian ini adalah dengan membaca dan mengumpulkan banyak referensi baik itu dari jurnal- jurnal terdahulu dan juga buku. 2.

Analisa sistem Dalam penelitian ini, penulis membahas mengenai manajemen pendistribusian logistic bencana. Dalam pembahasan jurnal sebelumnya yang telah dilakukan oleh Nova Aryana yang berjudul “Model Lokasi-Alokasi Bantuan Logistik Catastrophic Berbasis Masjid Di Kota Padang”[1]. Hasil penelitian ini, bantuan yang diberikan dari BPBD pendistribusian bantuan logistic hanya didistribusikan ke mesjid saja. Pada penelitian lain yang dijadikan bahan acuan adalah penelitian yang telah dilakukan oleh Faya Mahdi dan Fiftin Noviyanto yang berjudul “Pemanfaatan Google Maps Api Untuk Pembangunan Sistem Informasi Manajemen Bantuan Logistic Pasca Bencana Alam Berbasis Mobile Web (Studi Kasus: Badan Penanggulangan Bencana Daerah Kota Yogyakarta)”[2]. Penelitian telah menghasilkan sebuah sistem informasi manjemen bantuan logistic pasca bencana saja. Disini penulis akan membahas manajemen

84

pendistribusian logistic bantuan bencana dengan mengirimkan bantuan logistic ke posko-posko yang sudah terdata dan kebutuhan apa saja yang diperlukan oleh para pengungsi. Dimana data-data tersebut diperoleh dari para relawan yang telah melakukan pendataan langsung pada para korban dan juga ke posko-posko yang dekat dengan daerah bencana dan juga penulis merancangan database, untuk memudahkan dalam pembuatan sistem ini. 3.

HASIL DAN PEMBAHASAN

Pada perancangan sistem informasi manajemen pendistribusian logistik bencana berbasis cloud computing yang dilakukan pertama kali adalah pengguna (paguyuban jalin merapi,relawan dan donatur) masuk ke web “simple”, untuk dapat masuk ke web tersebut terlebih dahulu harus menginputkan username dan password masing-masing pengguna(paguyuban jalin merapi, relawan dan donatur). Setiap pengguna diberi hak akses tertenut, dimana jika yang login adalah relawan, maka relawan hanya bisa menginputkan data pribadi relawan, barang apa saja yang dibutuhkan oleh para korban bencana merapi, berapa banyak jumlah barang yang diminta, posko mana saja yang meminta bantuan logistik. Sedangkan untuk donatur diberi hak akses untuk menginputkan jumlah dana yang akan didonasikan ,melihat laporan keungan yang digunakan untuk membeli kebutuhan korban. Untuk paguyuban sendiri dia memiliki hak akses untuk melihat siapa dan berapa jumlah donator yang mendonasikan uangnya, membuat laporan keuangan, mendistribusikan bantuan logistik sesuai yang sudah di inputkan oleh relawan. Semua proses ini akan disimpan didalam sistem. Penjelasan diatas dapat dilihat pada gambar 1 dibawah ini.

Gambar 3. Diagram Konteks DFD Level 0 dari sistem informasi manjemen pendistribusian logistk bencana alam berbasis cloud computing (Studi Kasus Gunung Merapi) seperti pada gambar 4 di bawah ini. Dimana setiap relawan, paguyuban dan donator untuk dapat mengakses system ini harus


menginputkan username dan password mereka masing-masing, dimana username dan password mereka sudah tersimpan didalam database. Relawan yang Jika bencana merapi terjadi, maka secara cepat relawan mendata berapa jumlah pengungsi dan jumlah posko yang berada dilokasi bencana tersebut. Setelah mengetahui jumlah posko, kemudian relawan menginputkan data posko kedalam system, kemudian data yang diinputkan akan disimpan kedalam sistem. Data yang diinputkan oleh relawan dapat dilihat oleh para donator dan paguyuban. Selain menginputkan data posko, relawan juga mendata kebutuhan apa saja yang diperlukan oleh para pengungsi, dimana data itu diperoleh relawan dengan mencari informasi dari perwalian tiap-tiap posko dan juga mendata langsung ketempat pengungsian. Setelah mengetahui kebutuhan apa saja yang dibuthkan oleh para pengungsi, kemudian relawan menginputkan data kebutuhan pengungsi ke system. Ketika terjadinya bencana donator dapat langsung mendonasikan uangnya untuk para korban bencana. Para donator juga dapat melihat laporan keuangan, jumlah uang yang telah didonasikan dan digunakan untuk apa saja uang tersebut. Paguyuban setelah mengetahui terjadinya bencana, kemudian langsung menghubungi relawan, setelah menghubungi relawan. Paguyuban dapat melihat data yang telah diinputkan oleh relawan dan juga donator. Setelah melihat berapa jumlah posko yang terdapat di dekat lokasi bencana, kebutuhan apa saja yang diperlukan oleh pengungsi dan jumlah donasi yang diterima barulah paguyuban membeli kebutuhan yang di perlukan oleh para pengungsi. Setelah membeli kebuthan yang diperlukan oleh para pengungsi. Barang yang sudah dibeli disimpan terlebih dahulu digudang sebelum dikirim kemasing-masing posko. Setelah barang dikirim ke tiap-tiap posko melalui relawan, relawan akan menginputkan ke system penerimaan barang logistik yang telah dikirim. Setelah itu paguyuban dapat membuat laporan perincian keuangannya.

Gambar 4. DFD Level 1 Relasi antar tabel dari sistem informasi manjemen pendistriibusian logistk bencana alam berbasis cloud computing (Studi Kasus Gunung Merapi) seperti pada gambar 5 di bawah ini. Dimana relasi antar tabel ini memiliki 12 buah tabel ada yang memiliki hubungan 1 to M

85


N o 1

Name

Type Data Varcha r

Siz e 10

id_detail

2

id_donasi

Varcha r

10

3

Id_donatu r

Varcha r

10

4

Jumlah

Int

10

N o 1

Tabel 3. Donasi Type Size Data id_donasi Varchar 10

2

Via

Varchar

45

3

Jumlah_do nasi

Int

10

Gambar 5. Relasi Antar Tabel Percangna database dari sistem informasi manjemen pendistriibusian logistk bencana alam berbasis cloud computing (Studi Kasus Gunung Merapi) memiliki tabel user,donatur, donasi dan detail donasi dengan sebagai salah satu contoh dari tabel berikut.

No 1

2

3

4

86

Tabel 1. Donatur Type Size Data Id_donatur Varchar 10 Name

Constraint

Primary Key, Not Null, update cascade, delete no action, Nama_don Varchar 45 Not Null, atur Check , hanya karakter a – z . dan , yang bisa diinuputkan Jenis_don Varhcarr 10 Not Null, asi Check hanya ‘ Individu’ dan ‘ Kelompok’ Id_user Varchar (10) Foreign Key, Not Null, update cascade, delete no action, Tabel 2. Detail Donasi

Constrain t Primary Key, Not Null, update cascade, delete no action, Foreign Key, Not Null, update cascade, delete no action, Foreign Key, Not Null, update cascade, delete no action, Not Null

Name

1

Tabel 4. Relawan Name Type Size Data id_relawan Varchar 10

2

Nama_relawan

No

Varchar

45

Constraint Primary Key, Not Null, update cascade, delete no action, Not Null, Check hanya ‘ Bank Mandiri’,’ Bank BCA’ dan ‘Bank BRI’ Not Null

Constraint Primary Key, Not Null, update cascade, delete no action Not Null, check


3

Id_posko

Varchar

10

1

Tabel 5. Posko Type Size Data id_posko Varchar 10

2

Nama_posko

Varchar

45

3

wilayah

Varchar

45

No

Name

hanya karakter az Foreign Key, Not Null, update cascade, delete no action,

Constraint Primary Key, Not Null, update cascade, delete no action Not Null, check hanya karakter az Not Null

3

Tabel 6. Permintaan Barang Nam Type Size Constraint e Data id_perm Varch 10 Primary Key, intaanb ar Not Null, arang update cascade, delete no action Nama_ Varch 45 Not Null barang ar jumlah Int 5 Not Null

4

Tanggal

Date

-

Not Null

5

Status

Varch ar

20

Not Null, check hanya ‘terima’ dan ‘belum diterima’

No 1

2

Tabel 7. Detail_permintaan Barang No Name Type Size Constra Data int 1 id_detailpe Varchar 10 Primary rmintaanba Key, rang Not Null, update cascade,

2

Id_posko

Varchar

10

3

id_permint aanbarang

Varchar

10

4

Id_gudang

Varchar

10

1

Tabel 8. Gudang Type Size Data id_gudang Varchar 10

2

Jumlah

No

No

Name

Int

5

Tabel 9. Paguyuban Name Type Size Data

1

id_paguy uban

Varch ar

10

2

nama

Varch ar

45

3

Status

Varhc ar

20

delete no action Foreign Key, Not Null, update cascade, delete no action Foreign Key, Not Null, update cascade, delete no action Foreign Key, Not Null, update cascade, delete no action

Constraint Primary Key, Not Null, update cascade, delete no action Not Null, update cascade, delete no action

Constraint Primary Key, Not Null, update cascade, delete no action Not Null, check hanya karakter a-z Not Null, check

87


4

Id_relaw an

Varch ar

10

5

Id_detail perminta an

Varch ar

10

6

Id_user

Varch ar

10

No 1

2 3

No

Tabel 10. Pembelian Name Type Size Data id_pembelia Varchar 10 n

Tgl_pembeli an id_paguyub an

Name id_user

2

Nama_user

88

Password

Date

-

Varchar

10

Tabel 11. User Type Size Data Varchar 10

1

3

hanya’ketua’,’ sekretaris’,’be ndahara’ dan ‘anggota’ Foreign Key, Not Null, update cascade, delete no action Foreign Key, Not Null, update cascade, delete no action Foreign Key, Not Null, update cascade, delete no action

Varchar

Varchar

45

45

4

Level

Varchar

20

Not Null, check hanya karakter az

1

Tabel 12. Laporan Name Type Size Data id_laporan Varchar 10

2

Tanggal

Date

-

3

Id_pembelian

Varchar

10

Primary Key, Not Null, update cascade, delete no action Not Null

4

Id_detaildonasi

Varchar

10

Foreign Key, Not Null, update cascade, delete no action

4.

No

Constraint

Constraint Primary Key, Not Null, update cascade, delete no action Not Null Foreign Key, Not Null, update cascade, delete no action Foreign Key, Not Null, update cascade, delete no action

IMPLEMENTASI

1. Tampilan Login Pada tahap ini dilakukan pengujian sistem, dimana masuk ke web dan harus memasukkan username dan password.

Constraint Primary Key, Not Null, update cascade, delete no action Not Null, check hanya karakter az Not Null, check hanya karakter az dan angka 0-10

Gambar 5. Tampilan Login 2.

Tampilan Input Relawan Pada tahap ini halaman Relawan, dimana di dalam halaman ini terdapat beberapa sub menu yaitu input relawan, input posko dan kebutuhan.


Berdasarkan penelitian yang telah penulis lakukan dapat diambil kesimpulan yaitu dengan menggunakan sistem informasi ini, dimana penulis telah merancang pendistribusan logistik bencana untuk dapat digunakan baik oleh paguyuban maupun para relawan. Dimana paguyuban disini berfokus para para korban bencana gunung merapi. Diharapkan pendistribusian logistik kepada para korban bencana dapat tersalurkan secara merata dan tepat sasaran. Dan bagi para donator mereka dapat melihat rincian atau laporan donasi yang digunakan untuk membeli kebutuhan para pengungsi. Gambar 6. Tampilan Input Relawan 3.

Tampilan Kebutuhan Tampilan ini juga terdapat pada halaman relawan, dimana pada tahapan ini relawan menginputkan kebutuan apa saja yang diperlukan oleh para pengungsi, dimana data tersebut diperoleh oleh relawan dengan bertanya langsung ke pengungsi dan posko-posko terdekat bencana.

DAFTAR PUSTAKA 1.

2.

3.

4.

5.

Ariana, Nova, 2012, Model Lokasi-Alokasi Bantuan Logistik Catastrophic Berbasis Masjid DiKota Padang, Jurnal Optimasi Sistem Industri, Vol. 11 No. 2, Oktober 2012 Mahdia, Faya Mahdia, Fiftin Noviyanto, 2013, Pemanfaatan Google Maps Api Untuk Pembangunan Sistem Informasi Manajemen Bantuan Logistik Pasca Bencana Alam Berbasis Mobile Web ( Studi Kasus : Badan Penanggulangan Bencana Daerah Kota Yogyakarta), JurnalSarjana Teknik Informatika, Juni 2013 Andriani, Anik, 2013, Pemanfaatan Cloud Computing Dalam Pengembangan Bisnis, SeminarNasional Teknologi Informasi dan Multimedia 2013,Yogyakarta, 19 Januari 2013 Miller, Michael, 2008, Cloud computing web Based application that change the way you work and collaborate online, Publisher: Que, Indiana.

Gambar 7. Tampilan Kebutuhan Kesimpulan

89


PENERAPAN FORWARD CHAINING DALAM SISTEM PAKAR DIAGNOSA HAMA DAN PENYAKIT TANAMAN JAGUNG David Program Studi Teknik Informatika, Sekolah Tinggi Manajemen Informatika dan Komputer Pontianak Jalan Merdeka Barat No. 372 Pontianak, Kalimantan Barat Telp (0561) 735555, Fax (0561) 737777 David_Liauw@stmikpontianak.ac.id dan David_Liauw@yahoo.com

Abstrak Kurangnya informasi dan pengetahuan para pembudidaya mengenai hama dan penyakit serta penanganan tepat pada tanaman jagung menjadi latar belakang dalam penelitian ini. Tujuan dari peneltian ini adalah menghasilkan sebuah perangkat lunak sistem pakar diagnosa hama dan penyakit pada tanaman jagung untuk dapat mengetahui jenis hama dan penyakit dalam pencegahan maupun pengendalian serta memberikan informasi kepada para pengguna untuk mengetahui informasi gejala penyakit yang baru ditemukan. Penelitian ini menggunakan survey langsung ke obyek penelitian dan metode riset eksperimental dilakukan dengan cara membuat perangkat lunak sistem pakar dengan obyek penelitian yaitu hama dan penyakit pada tanaman jagung. Inference engine yang digunakan adalah forward chaining dan probabilitas Certainty Factor. Sistem pakar menggunakan working memory dan production system pada penelusuran rule. Dalam pengembangan perangkat lunak ini menggunakan pendekatan Agile Modeling. Hasil penelitian yang dicapai adalah adanya perangkat lunak sistem pakar diagnosa hama dan penyakit pada tanaman jagung ini untuk dapat digunakan oleh pembudidaya, orang awam dan pembudidaya baru yang akan menanam jagung untuk dapat mengetahui diagnosa tepat dalam penanganannya yang di dalam perangkat lunak ini telah mengadopsi pengetahuan-pengetahuan para pakar. Kata kunci : Sistem Pakar, Forward Chaining, Certainty Factor, Working Memory, Production Sysem, Agile Modeling 1.

Pendahuluan

Sistem pakar (Expert System) secara umum adalah sebuah sistem yang berusaha untuk mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli.Sistem pakar dapat mengumpulkan dan menyimpan pengetahuan seorang pakar atau beberapa orang pakar dalam komputer.Perangkat lunak sistem pakar dapat membantu kerja seorang pakar dan dapat digunakan oleh para pembudidaya, orang awam untuk memenuhi informasi tentang hama dan penyakit serta sebagai tambahan informasi untuk pembudidaya yang baru ingin menanam jagung namun masih kurang pengetahuan mengenai tanaman jagung. Selama ini hama yang sering menyerang pada daerah penelitian penulis antara lain ulat daun, ulat batang, ulat tongkol, ulat grayak, penggerek tongkol, jamur, lalat bibit, dan tikus. Sedangkan penyakit yang sering menyerang antara lain busuk batang, busuk tongkol, jamur batang, bercak daun, virus mozaik, karat daun, hawar daun atau pelepah. Gejala yang timbul biasanya langsung dilakukan proses diagnosa secara langsung oleh para pembudidaya. Pada

90

kenyataannya dalam proses diagnosa yang dilakukan pembudidaya tidak sepenuhnya tepat dengan masalah yang timbul sehingga mempengaruhi pertumbuhan serta hasil yang diharapkan tidak sesuai dengan yang diinginkan. Penelitian yang dilakukan oleh penulis, mengacu pada penelitian terdahulu tentang sistem pakar untuk mendiagnosa penyakit pada tanaman karet dan carapenanggulangannya[1]. Hasil penelitian tersebut adalah menghasilkan sistem pakar yang efektif untuk mendiagnosa penyakit pada tumbuhan karet dan memberikan informasi penting terutama pada petani karet yang masih belum mengetahui banyak gejala penyakit karet yang masih baru.penelitiannya menggunakan metodologi yang berorientasi objek yaitu Rational Unified Process (RUP). Metodologi ini adalah kumpulan metode pengembangan perangkat lunak, yang diformulasikan oleh Rational Software Corporation dengan menggunakan UML sebagai bahasa pemodelan selama periode pengembangan dan iterative incremental sebagai model siklus pengembangan perangkat lunak[1]. Penelitian selanjutnya mengenai sistem pakar untuk mendiagnosa hama dan penyakit tanaman bawang merah menggunakan metode certainty factor [2]. Penelitian ini menghasilkan sistem


pakar sarana untuk konsultasi, sarana pembelajaran di sebuah instansi Dinas Pertanian atau Laboratorium Pertanian serta dapat dijadikan sebagai alat bantu (tool) bagi seorang pakar dalam mendiagnosa dan mensosialisasikan jenis hama dan penyakit jenis tanaman hortikultura. Metodologi perancangan sistem, proses diagnose hama dan penyakit tanaman bawang merah menggunakan certainty factor. Penelusuran faktanya menggunakan forward chaining yaitu penelusuran yang dimulai dari fakta-fakta untuk menguji kebenaran hipotesis [2]. Sedangkan pada penelitian ini membuat sistem pakar yang menggunakan mesin inferensi metode forward chaining yang berbasis desktop. Mengacu pada penelitian sebelumnya, representasi pengetahuan yang digunakan yaitu kaidah if-then. Yang membedakan dengan penelitian-penelitian sebelumnya adalah penggunaan working memory dan aturan produksi yang digunakan untuk penelusuran rule if-then. 2.

Metode Penelitian

Dalam penelitian ini, menggunakan bentuk penelitian survey. Data primer didapat dengan wawancara langsung dengan sumber informasi atau data mengenai tanaman jagung. Sedangkan data sekunder didapat dari internet, perpustakaan dan sumber lainnya[3]. Model pengembangan perangkat lunak yang digunakan dalam perancangan perangkat lunak ini adalah dengan menggunakan metode Agile Modelling. Metode Agile Modelling ini melakukan pendekatan secara sistematis dan urut mulai dari tahap Explorasi untuk menulis kebutuhan-kebutuhan informasi yang akan dicover didalam sistem untuk release pertama, tahapan planning berorientasi kepada analisa dan desain sistem, iterasi peluncuran perangkat lunak, implementasi dan maintenance. Alat bantu perancangan perangkat lunak dalam penelitian ini menggunakan UML (Unified Modeling Language). Knowledge Representation menggunakan rule IF-Then. Program aplikasi sistem pakar diagnosa hama dan penyakit pada jagung menggunakan metode penelusuran forward chaining (inference engine) dengan menggunakan aturan produksi (production system) dalam bentuk if-then dan working memory [4,5,6]. 3.

Hasil Penelitian dan Pembahasan

Sistem pakar diagnosa hama dan penyakit pada tanaman jagung dirancang untuk memberikan fasilitas dalam menentukan jenis hama dan penyakit yang di derita berdasarkan ciri-ciri dan gejala-gejala yang ada. Hasil dari solusi akan memberikan gambaran kepada

pengguna, pembudidaya terhadap hama dan penyakit yang di derita sebelum melakukan hal lebih lanjut. Secara umum, gambaran sistem dari perangkat lunak ini adalah sebagai berikut:

Gambar 1. Perancangan Sistem Pakar Dari gambar 3 dapat dilihat bahwa sistem melibatkan dua pengguna yaitu pengguna dan admin. Pengguna adalah guest yang dapat login secara bebas dan hanya bisa melakukan diagnosa, melihat informasi yang ada namun tidak memiliki hak akses mengedit dan menghapus data.Kemudian Admin dapat dikatakan seorang pakar yang mempunyai hak akses khusus yaitu dapat mengakses segala fitur yang ada didalam sebuah perangkat lunak, dimana pakar dapat melakukan aktivitas seperti pengguna dan juga mempunyai hak untuk mengedit data seperti menambahkan penyakit baru, gejala baru dan solusi baru jika merasa kurang dan juga dapat menghapus data yang ada. Input diagnosa yang dilakukan oleh pengguna merupakan pilihan dari beberapa gejala kemudian data akan diproses oleh database, setelah proses dilakukan maka akan tampil output yang berupa hasil diagnosa serta persentase derajat kepercayaan jenis hama atau penyakit yang menyerang tanaman jagung. Basis pengetahuan dirancang berdasarkan pengetahuan dan pengalaman dari pakar, yang diterjemahkan kedalam bentuk tabel keputusan dan dibuat pohon keputusan untuk mempermudah pemahaman.Pengetahuan yang didapat dari pakar ini kemudian akan diformulasikan kedalam basis pengetahuan yang merupakan inti dari perancangan sistem pakar ini. Pengetahuan tersebut direpresentasikan menggunakan Microsoft Visual Basic 6.0 kedalam bentuk aturan-aturan (rule) sesuai dengan data atau fakta yang ada.Untuk membentuk suatu aturan digunakan metode basis pengetahuan selesai, langkah selanjutnya adalah penyusunan mesin inferensi. Mesin inferensi merupakan suatu perangkat lunak yang berfungsi untuk melakukan suatu proses pelacakan pada sistem pakar untuk menentukan solusi dari permasalahan.

91


Mesin Inferensi sebagai kontrol strategi digunakan untuk memilih rule yang akan digunakan. Mesin inferensi bekerja dalam sebuah looping, melakukan identifikasi dan mengeksekusi dengan kasus yang memiliki rule lebih dari satu. Mesin inferensi bergantung penuh pada working memory yang berisikan fakta-fakta (facts)[7]. Isi dalam working memory akan berubah-ubah seiring dengan berjalannya proses inferensi. Proses akan berhenti setelah goal (solusi) tercapai atau tidak ada rule yang di-apply. Pada Aplikasi sistem pakar ini, working memory yang digunakan adalah dengan menggunakan sejumlah komponen listbox sebagai penyimpanan. Working memory tersebut dibuat sedemikian rupa sehingga terbagi menjadi beberapa alokasi penyimpanan mulai dari untuk menyimpan fakta Ya, fakta Tidak, fakta Solusi, Fakta Rule, Fakta rule yang di-fire, fakta rule yang sudah ditanyakan serta beberapa fakta lainnya. Gambar 2 berikut merupakan control strategi dari konsep working memory pada aplikasi system pakar. Gambar 3 merupakan Integrasi Working Memory dalam Fire Rule Production System. Pasangan IF THEN

Database DbJagung.mdb

Rules

Facts

Working Memory

Data

Update

Konsep perancangan mekanisme inferensi pada sistem pakar diagnosa hama dan penyakit jagung ini mengacu pada metode inferensi yang digunakan, yaitu forward-chaining (pelacakan ke depan atau runut maju). Dalam hal ini, kesimpulan diambil berdasarkan data-data atau masukan-masukan yang telah diinputkan oleh pengguna melalui antarmuka aplikasi[8]. Mekanisme inferensinya yaitu sebagai berikut: a. Pengguna menjawab pertanyaan dengan menjawab “YA” atau “TIDAK” berdasarkan gejala hama dan penyakit jagung. Pada tahap ini, sistem akan menyimpan data “YA” dalam temp sedangkan untuk jawaban “TIDAK” tidak akan disimpan. Data yang disimpan nantinya akan kumpulkan menjadi suatu kumpulan fakta dalam tabel rule (IF_Clause). b. Pengguna mengklik tombol “Lihat Hasil Tes Diagnosa”. Tahap ini adalah tahap sistem memproses fakta yang telah diperoleh dari gejala hama dan penyakit jagung, kemudian mencocokkannya dengan daftar aturan (rule) yang telah dibuat untuk menghasilkan fakta baru berupa kesimpulan tes atau hasil tes. Berikut ini disajikan bagan alir (flow chart) algoritma mekanisme inferensi sistem pakar diagnosa hama dan penyakit jagung (gambar 4). Start

Ambil Record Pertanyaan dari tabel IF-THEN

Pilih dan Eksekusi Rule yang Cocok

Gambar 2. Kontrol Strategi Working Memory [7]

Pecah/urai rule pada IF_Clause

Start

Ekstrak solusi pada THEN_Clause

Database DbJagung.mdb Ambil Rule yang akan di-Pilih

Working Memory

Gejala Ke-n

Tampil soal

False

If User menjawab ya?

True Rule Found and Fire Rule

True

Select rule to Fire ?

Simpan Gejala pada working memory

False

Ya Apakah masih ada rule?

No Rule Found

Ambil solusi dari working memory

End

End

Gambar 3. Integrasi Working Memory dalam Fire Rule Production System

92

Gambar 4. Algoritma Mekanisme Inferensi Sistem Pakar


Contoh solusi permasalahan Penyakit : IF Seluruh daun tampak kering atau layu AND Terjadi pada stadia generatif setelah fase pembungaan AND Pangkal batang yang terinfeksi berubah warna dari hijau menjadi kecoklatan AND Batang bagian dalam busuk AND Pangkal batang berwarna merah jambu, merah kecoklatan atau coklat THEN Tanaman Jagung terserang penyakit Busuk Batang IF Biji-biji yang terserang berwarna merah jambu atau merah kecoklatan AND Biji-biji berubah warna menjadi coklat sawo matang THEN Tanaman Jagung terserang penyakit Busuk Tongkol/Busuk Biji

Gambar 7. Tampilan Form Solusi Penyakit Setelah proses diagnosa penyakit selesai , pada form hasil diagnosa penyakit jika memilih button solusi akan menampilkan solusi dari pengendalian penyakit seperti pada gambar 7 di atas. Pengujian penerimaan pengguna dilakukan untuk menentukan apakah sistem sudah memenuhi kriteria penerimaan.Pengujian dilakukan dengan melakukan perbandingan antara pakar dan user. Pada bagian ini penulis hanya menyertakan beberapa contoh permasalahan yang ada karena variasi dari sebuah permasalahan cukup banyak.

Gambar 5. Tampilan Form Diagnosa Penyakit Pada tampilan gambar 5, merupakan tampilan diagnosa penyakit ketika dijalankan dalam proses diagnosa, pengguna harus memberikan nilai certainty factor dari setiap pergantian pertanyaan yang ada.

Gambar 8. Contoh Pemilihan ciri-ciri Hama Contoh kasus, jika user memilih ciri-ciri sebagai berikut: Hama menyerang pada daun, Hama menyerang tanaman saat umur sekitar 1 bulan, dan Daun tanaman menjadi rusak. Dari hasil user memilih ciri-ciri yang ada, maka didiagnosa hama adalah hama ulat daun, berikut tampilan hasil diagnose (Gambar 9):

Gambar 6. Tampilan Form Hasil Diagnosa Penyakit Setelah selesai melakukan proses diagnosa penyakit maka akan ditampilkan hasil gejala penyakit yang dipilih beserta hasil diagnosa gejala penyakit dan penyebabnya serta persentase faktor kepercayaannya seperti pada gambar 6.

Gambar 9. Contoh Hasil Diagnosa Hama Pada pengujian perbandingan perangkat lunak dengan pakar untuk mengetahui tingkat keakuratan hasil diagnosa suatu kasus oleh sistem

93


dan dibandingkan dengan analisa seorang pakar. Proses perbandingan sebagai berikut: Tabel 1. Pengujian Perangkat Lunak Dengan Pakar (Kasus I) PAKAR a.

Gejala Penyaki t Nilai Keperca yaan

PERANGKAT LUNAK Daun kaku Terdapat bercak-bercak kecil(uredinia) berbentuk bulat sampai oval Terdapat bercak-bercak pada permukaan daun jagung di bagian atas dan bawah Tanaman dewasa pada daun yang sudah tua terdapat titiktitik noda yang berwarna merah kecoklatan seperti karat

Daun coklat kering. b. Terdapat bercak kecil (uredinia) berbentuk bulat sampai oval terdapat pada permukaan daun jagung di bagian atas dan bawah. c. Pada tanaman dewasa pada daun yang sudah tua terdapat titik-titik noda yang berwarna merah kecoklatan seperti karat. d. Terdapat serbuk yang berwarna kuning kecoklatan. e. Pada serangan parah mengakibatkan daun kaku, masih menghasilkan namun tidak parah. Karat Daun

a. b.

90%

81,50%

c.

d.

Karat Daun

Berdasarkan tabel 1,perbandingan antara perangkat lunak dengan pakar dapat disimpulkan bahwa perangkat lunak berhasil mengenali pola masukan dan pola keluaran pada fase pendiagnosaan dan berhasil melakukan diagnosa terhadap sampel yang diinput oleh pengguna dengan perbandingan Perangkat lunak 81,50 % dan 90% Pakar. Tabel 2. Pengujian Perangkat Lunak Dengan Pakar (Kasus II) PAKAR PERANGKAT LUNAK Gejala a. Biji jagung a. Biji-biji berwarna yang merah terserang jambu atau berwarna merah merah kecoklatan. jambu atau b. Biji merah berubah kecoklatan menjadi . coklat sawo b. Biji-biji

94

matang Tongkol jagung busuk berwarna coklat Busuk Tongkol/Busuk Biji 85% c.

Penyakit

Nilai Kepercayaan

berubah warna menjadi coklat sawo matang. Busuk Tongkol/Busuk Biji 70,20%

Berdasarkan Tabel 2, perbandingan antara perangkat lunak dengan pakar dapat disimpulkan bahwa perangkat lunak berhasil mengenali pola masukan dan pola keluaran pada fase pendiagnosaan dan berhasil melakukan diagnosa terhadap sampel yang di input oleh pengguna dengan perbandingan Perangkat lunak 70,20 % dan 85 % Pakar. Tabel 3. Pengujian Perangkat Lunak Dengan Pakar (Kasus III) PAKAR PERANGKAT LUNAK Ciri-ciri a. Telur hama a. Telur Hama diletakkan hama pada rambut diletakkan jagung pada b. Larva terdiri rambut dari lima jagung sampai tujuh b. Hama instar menyeran c. Larva g tongkol memiliki jagung. sifat kanibalisme d. Hama masuk atau menyerang dalam tanaman jagung melalui tongkol, lalu memakan biji jagung Hama Ulat Tongkol Ulat Tongkol Nilai 98% 76,40% Kepercayaan Berdasarkan perbandingan antara perangkat lunak dengan pakar dapat disimpulkan bahwa perangkat lunak berhasil mengenali pola masukan dan pola keluaran pada fase pendiagnosaan dan berhasil melakukan diagnosa terhadap sampel yang di input oleh pengguna dengan perbandingan Perangkat lunak 76,40 % dan 98% Pakar.


4.

Kesimpulan

Berdasarkan hasil penelitian ini, maka dapat disimpulkan bahwa penerapan sistem pakar diagnosa hama dan penyakit pada tanaman jagung dapat membantu pembudidaya jagung maupun pembudidaya awal yang ingin menanam jagung, dan orang awam untukmengetahui gejala hama dan penyakit yang menyerang tanaman jagung. Program sistem pakar diagnosa hama dan penyakit pada tanaman jagung dapat menghemat biaya pembudidaya dalam mendiagnosa hama dan penyakit, dibandingkan harus mengetahui tanaman jagung mengalami gagal panen akibat serangan hama dan penyakit pada tanaman jagung. Program sistem pakar diagnosa hama dan penyakit pada tanaman jagung dapat menentukan hama dan penyakit sesuai dengan gejala-gejala yang telah dipilih oleh pengguna program.Sistem pakar menerapkan metode Certainty Factor untukmelakukan perhitungan tingkat kepercayaan terhadap jenis diagnosa yang dihasilkan dari proses diagnosa. Adapun saran yang dapat penulis sampaikan pada saat ini adalah dapatmemasukkan lebih banyak data gejala penyakit dan hama yang berhubungandengan sistem pakar diagnosa hama dan penyakit pada tanaman jagung. Hasil diagnosa perangkat lunak sistem pakar hama dan penyakit pada tanaman jagung ini dapat ditingkatkan sehingga hasil diagnosa hama dan penyakit tanaman jagung memiliki keakuratan yang lebih baik.

Daftar Pustaka [1].

[2].

[3].

[4].

[5].

[6]. [7].

[8].

Tanaman Karet dan Cara Penanggulangannya, STMIK GI MDP, Yogyakarta. Fadlil, Abdul dan Tuswanto, 2013, Sistem Pakar Untuk Mendiagnosa Hama dan Penyakit Tanaman Bawang Merah Menggunakan Metode Certainty Factor, Jurnal Sarjana Teknik Informatika Volume 1 Nomor 1, e-ISSN:2338-5197, Universitas Ahmad Dahlan, Yogyakarta. Budiman, Haryanto,2013, Budidaya Jagung Organik Varietas Baru Yang Kian Diburu, Pustaka Baru Press, Yogyakarta. Hartati, Sri dan Iswanti, Sari., 2008, Sistem Pakar dan Pengembangannya, Graha Ilmu, Yogyakarta. Kusumadewi, Sri., 2003, Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu, Yogyakarta. Arhami, Muhammad., 2005, Konsep Dasar Sistem Pakar, Andi Offset, Yogyakarta Joseph O. Dada, Hans-D. Kochs, Joerg Petersen., 2010, Web-Based Expert System for Classification of Industrial and Commercial Waste Products, Journal of Emerging Trends in Computing and Information Sciences, Volume 2 No.6, JUNE 2011 ISSN 2079-8407, pp257-262 Hashem Hashemi, Hossein Alizadeh Moghaddam, Pegah Keyvan, Shahram Jafari, 2013, A Decision Support System for Polyuria Patient’s Treatment, International Journal of Engineering Science Invention, Volume 2 Issue 1, January 2013, ISSN (Online): 2319 – 6734, ISSN (Print): 2319 – 6726, PP.70-76

Lie, Fi., Kusuma,Meriyana.,2011, Sistem Pakar Untuk Mendiagnosa Penyakit Pada

95


PERANCANGAN APLIKASI KEAMANAN DATA EMAIL MENGGUNAKAN ALGORITMA ENKRIPSI RC6 BERBASIS ANDROID Muhammad Zulham1, Helmi Kurniawan2, Iwan Fitrianto Rahmad3 Jurusan Teknik Informatika, STMIK Potensi Utama Jl. K.L. Yos Sudarso Km. 6.5 No.3-A, Tanjung Mulia, Medan, Indonesia Email : joi.am116@gmail.com1

Abstrak Masalah pengiriman data email ataupun pesan telah menjadi masalah penting pada era teknologi informasi seperti sekarang ini. Terkadang data-data ini harus bersifat rahasia agar tidak diketahui secara umum. Apabila data tersebut diketahui, maka data tersebut dapat disalahgunakan untuk kejahatan oleh orang lain. Kriptografi merupakan salah satu alat keamanan yang digunakan untuk menyembunyikan suatu pesan. Kriptografi sudah digunakan di segala bidang keamanan. Untuk itu perlunya sebuah keamanan dengan cara enkripsi dan dekripsi data email menggunakan algoritma kriptografi Rivest Code 6 (RC6). Dalam algoritma kriptografi Rivest Code 6 (RC6), juga dirancang untuk memenuhi persyaratan AES yang diantaranya adalah kemampuan untuk beroperasi pada mode blok 128 bit. Jika besar blok 128 bit langsung dipaksakan untuk diimplementasikan dengan algoritma RC5, maka akan dibutuhkan register kerja 64 bit. Spesifikasi arsitektur dan bahasa yang menjadi tempat implementasi algoritma yang ditentukan oleh AES belum mendukung pengoperasian 64 bit yang efisien. Oleh karena itu, daripada menggunakan 2 register 64 bit seperti pada RC5, RC6 menggunakan 4 register 32 bit. Karena menggunakan 4 register maka akan terdapat 2 operasi rotasi pada setiap half-round yang ada, dan juga akan lebih banyak bit-bit yang akan digunakan untuk mempengaruhi banyaknya bit yang dirotasi. Operasi perkalian ini sangat efektif dalam menghasilkan efek “diffusion” atau penyebaran yang tentu saja mengakibatkan RC6 lebih aman. Aplikasi yang dihasilkan berbasis android dengan memanfaatkan teknologi terbaru. Kata Kunci : Keamanan Data, Kriptografi, Rivest Code 6 1.

Pendahuluan

Kriptografi (Cryptography) berasal dari bahasa Yunani yaitu “Cryptos” artinya “secret” (rahasia) dan “graphein” artinya “writing” (tulisan). Jadi, kriptografi berarti “secret writing” (tulisan rahasia). Definisi yang dikemukakan dalam [SCH96] : Kriptografi adalah ilmu dan seni untuk menjaga keamanan pesan. (Cryptography is the art and sience of keeping message secure). Terdapat pula definisi yang di kemukakan di dalam [MEN96] : Kriptografi adalah ilmu yang mempelajari teknik-teknik matematika yang berhubungan dengan aspek keamanan informasi seperti kerahasiaan, integritas data, serta otentikasi. (Rinaldi Munir, 2006:3) dalam bukunya menjelaskan, data atau informasi yang dapat dibaca dan dimengerti maknanya disebut plaintext. Plaintext yang tersandi disebut ciphertext. Ciphertext harus dapat ditransformasikan kembali menjadi plaintext semula agar pesan yang diterima bisa dibaca. Proses menyandikan plaintext menjadi ciphertext disebut enkripsi disebut enkripsi (encryption) atau enciphering (standard nama menurut ISO 74982). Sedangkan proses mengembalikan ciphertext

96

menjadi plaintext semula dinamakan dekripsi (decryption) atau deciphering (standard nama menurut ISO 7498-2). Algoritma kriptografi (cipher) dapat dibedakan menjadi dua macam, yaitu: simetrik dan asimetrik. Algoritma simetrik (model enkripsi konvensional) adalah algoritma yang menggunakan satu kunci untuk proses enkripsi dan dekripsi data, contohnya adalah RC2, RC4, RC5, RC6, DES, Blowfish, GOST, AES dan lainlain. Sedangkan algoritma asimetrik (model enkripsi kunci publik) menggunakan kunci yang berbeda dalam proses enkripsi dan dekripsi pesan, contoh dari algoritma ini adalah RSA, El Gamal. Berikut gambar kunci simertis dan gambar kunci asimetris :

Gambar 1. Kunci simetris


Gambar 2. Kunci asimetris Operator biner yang sering digunakan dalam cipher yang beroperasi dalam mode bit adalah XOR atau exlusive-or. Notasi matematis untuk operator XOR adalah ⊕ (dalam bahasa C, operator XOR dilambangkan dengan ^). Operator XOR dioperasikan pada dua bit dengan aturan sebagai berikut : (Rinaldi Munir, 2006:99) 0⊕0=0 0⊕1=1 1⊕0=1 1⊕1=0 Misalkan a, b, c adalah peubah Boolean. Hukum-hukum yang terkait dengan operator XOR : 1) a ⊕ a = 0 2) a ⊕ b = b ⊕ a 3) a ⊕ (b ⊕ c) = (a ⊕ b) ⊕ c Algoritma RC6 merupakan salah satu kandidat Advanced Encryption Standard (AES) yang diajukan oleh RSA Laboratoriest kepada NIST. Dirancang oleh Ronald L Rivest, M.J.B. Robshaw, R. Sidney dan Y.L. Yin, algoritma ini merupakan pengembangan dari algoritma sebelumnya yaitu RC5 dan telah memenuhi semua kriteria yang diajukan oleh NIST. RC6 dirancang untuk menghilangkan segala ketidakamanan yang ditemukan pada RC5, karena analisis pada RC5 menunjukkan bahwa ternyata jumlah rotasi yang terjadi pada RC5 tidak sepenuhnya bergantung pada data yang terdapat dalam blok. Selain itu, serangan kriptanalisis diferensial juga ternyata dapat menembus keamanan yang ditawarkan RC5. (Yudi Prayudi dan Idham Halik, 2005 : 153) RC6 juga dirancang untuk memenuhi persyaratan AES yang diantaranya adalah kemampuan untuk beroperasi pada mode blok 128 bit. Jika besar blok 128 bit langsung dipaksakan untuk diimplementasikan dengan algoritma RC5, maka akan dibutuhkan register kerja 64 bit. Spesifikasi arsitektur dan bahasa yang menjadi tempat implementasi algoritma yang ditentukan oleh AES belum mendukung pengoperasian 64 bit yang efisien. Oleh karena itu, daripada menggunakan 2 register 64 bit seperti pada RC5, RC6 menggunakan 4 register 32 bit. Karena menggunakan 4 register maka akan terdapat 2 operasi rotasi pada setiap half-round yang ada, dan juga akan lebih banyak bit-bit yang

akan digunakan untuk mempengaruhi banyaknya bit yang dirotasi. (Roland L , 2006) RC6 seperti juga RC5 mengeksploitasi penggunaan operasi-operasi primitif yang diimplementasikan secara efisien dalam prosesorprosesor modern. RC6 juga selain menggunakan ketiga operasi primitif yang digunakan dalam RC5, juga menggunakan operasi perkalian 32-bit yang telah diimplementasikan secara efisien dalam prosesor modern saat ini. Primitif operasi perkalian ini sangat efektif dalam menghasilkan efek “diffusion” atau penyebaran yang tentu saja mengakibatkan RC6 lebih aman daripada RC5. Operasi perkalian ini digunakan untuk menghitung jumlah bit yang dirotasi sehingga konsep data-dependent rotations dapat dengan lebih sempurna diimplementasikan. (Roland L, 2006) Algoritma RC6 adalah versi yang dilengkapi dengan beberapa parameter, sehingga dituliskan sebagai RC6-w/r/b, dimana parameter w merupakan ukuran kata dalam satuan bit, r adalah bilangan bulat bukan negatif yang menunjukan banyaknya iterasi selama proses enkripsi, dan b menunjukan ukuran kunci enkripsi dalam byte. (Yudi Prayudi dan Idham Halik, 2005 : 153) Adapun tujuan dari penelitian ini adalah: 1. Menganalisis bagaimana cara kerja algoritma enkripsi RC6 berbasis android dalam memberi layanan kerahasiaan data. 2. Memberi pemahaman bagaimana algoritma enkripsi RC6 melakukan proses enkripsi dan dekripsi. 3. Membangun suatu program yang dapat menjaga keamanan data menggunakan algoritma enkripsi RC6 berbasis android. 2.

Metode Penelitian

Tahapan dalam metode penelitian ini dapat dimodelkan pada diagram alir yang merupakan proses dari pengiriman pesan melalui email yang terenkripsi berbasis android.

97


Mulai

Mulai

Pilih File

Pilih File

Plaintext

Enkripsi Pesan

end Pw = b7e15163 Qw = 9e3779b9

Chipertext

No

Dekripsi Pesan

Yes

Yes

Masukkan Kunci

Masukkan Kunci

Enkripsi

Dekripsi

Chipertext

Plaintext

Simpan File

Simpan File

Selesai

Selesai

No

3. Algoritma Enkripsi Karena RC6 memecah blok 128 bit menjadi 4 buah blok 32 bit, maka algoritma ini bekerja dengan 4 buah register 32-bit A, B, C, D. Byte yang pertama dari plainteks atau cipherteks ditempatkan pada byte A, sedangkan byte yang terakhirnya ditempatkan pada byte D. Dalam prosesnya akan didapatkan (A, B, C,D) = (B, C, D, A) yang diartikan bahwa nilai yang terletak pada sisi kanan berasal dari register di sisi kiri. Diagram blok berikut akan lebih menjelaskan proses enkripsi yang terjadi pada algoritma RC6. B = B + S[ 0 ] D = D + S[ 1 ] for i = 1 to 20 do { t = ( B x ( 2B + 1 ) ) <<< 5 u = ( D x ( 2D + 1 ) ) <<< 5 A = ( ( A ⊕ t ) <<< u ) + S[ 2i ] C = ( ( C ⊕ u ) <<< t ) + S[ 2i + 1] (A, B, C, D) = (B, C, D, A) } A = A + S[ 42 ] C = C + S[ 43 ]

Gambar 3. Flow Chart Form Enkripsi / Dekripsi Teks Email 3.

Perancangan

Perancangan dapat diartikan sebagai suatu tahapan setelah dianalisa dari pengembangan sistem untuk mengembangkan bagaimana suatu sistem itu akan dibentuk. Alur proses terjadinya algoritma Rivert Code 6 (RC6) terhadap proses penyandian pesan dilakukan pada saat email akan dikirim. Langkah – langkah proses pembuatan secara garis besar adalah sebagai berikut: 1. Operasi dasar a. A + B Operasi penjumlahan bilangan integer. b. A – B Operasi pengurangan bilangan integer. c. A ⊕ B Operasi exclusive-OR (XOR). d. A x B Operasi perkalian bilangan integer. e. A<<>>B A dirotasikan ke kanan sebanyak variabel kedua (B) 2. Algoritma Kunci S-Box S[0] = Pw for i = 1 to 2r+3 S[i] = S[i-1] + Qw

98

Gambar 4. Algoritma Enkripsi Algoritma RC6 menggunakan sub kunci yang dibangkitkan dari kunci dan dinamakan dengan


S[0] hingga S[43]. Masing-masing sub kunci panjangnya 32 bit. Proses enkripsi pada algoritma RC6 dimulai dan diakhiri dengan proses whitening yang bertujuan untuk menyamarkan iterasi yang pertama dan yang terakhir dari proses enkripsi dan dekripsi. Pada proses whitening awal, nilai B akan dijumlahkan dengan S[0] dan nilai D dijumlahkan dengan S[i]. Pada masingmasing iterasi pada RC6 menggunakan dua (2) buah sub kunci. Sub kunci pada iterasi yang pertama menggunakan sub-sub kunci lanjutannya. Setelah iterasi ke-20 selesai, dilakukan proses whitening akhir dimana nilai A dijumlahkan dengan S[42], dan nilai C dijumlahkan dengan S[43]. Setiap iterasi pada algoritma RC6 mengikuti aturan sebagai berikut, nilai B dumasukkan ke dalam fungsi f, yang didefinisikan sebagai f(x) = x(2x + 1), kemudian diputar ke kiri sejauh 5 bit. Hasil yang didapat pada proses ini dimisalkan sebagai u. Nilai u kemudian di XOR dengan C dan hasilnya menjadi nilai C. Nilai t juga digunakan sebagai acuan bagi C untuk memutar nilainya ke kiri. Begitu pula dengan nilai U, juga digunakan sebagai acuan bagi nilai A untuk melakukan proses pemutara ke kiri. Kemudian sub kunci S[2i] pada iterasi dijumlahkan dengan A, dan sub kunci S[2i+1] dijumlahkan dengan C. Keempat bagian dari blok kemudian akan dipertukarkan dengan mengikuti aturan bahwa nilai A ditempatkan pada D, nilai B ditempatkan pada A, nilai C ditempatkan pada B, dan nilai (asli) D ditempatkan pada C. Demikian iterasi tersebut terus berlangsung hingga dua puluh (20) kali. 4. Algoritma Dekripsi Proses dekripsi cipherteks pada algoritma RC6 merupakan pembalikan dari proses enkripsi. Pada proses whitening, bila proses enkripsi menggunakan operasi penjumlahan, maka pada proses dekripsi menggunakan operasi pengurangan. Sub kunci yang digunakan pada proses whitening setelah iterasi terakhir diterapkan sebelum iterasi pertama, begitu juga sebaliknya sub kunci yang diterapkan pada proses whitening sebelum iterasi pertama digunakan pada whitening setelah iterasi terakhir. Akibatnya, untuk melakukan dekripsi, hal yang harus dilakukan semata-mata hanyalah menerapkan algoritma yang sama dengan enkripsi, dengan tiap iterasi menggunakan sub kunci yang sama dengan yang digunakan pada saat enkripsi, hanya saja urutan sub kunci yang digunakan terbalik. (Yudi Prayudi dan Idham Halik, 2005:154) C = C - S[ 43 ] A = A - S[ 42 ] for i = 20 downto 1 do {

(A, B, C, D) = (D, A, B, C) u = ( D x ( 2D + 1 ) ) <<< 5 t = ( B x ( 2B + 1 ) ) <<< 5 C = ( ( C - S[ 2i + 1 ] ) >>> t ) ⊕ u A = ( ( A - S[ 2i ] ) >>> u) ⊕ t } D = D - S[ 1 ] B = B - S[ 0 ]

Gambar 5. Algoritma Dekripsi

4.


Pada tahapan ini menjelaskan rancangan, tampilan program aplikasi kesimpulan dari uji coba baik dari analisa serta kelebihan dan kekurangan dari perancangan.

hasil dan hasil hasil

Tampilan Aplikasi Berikut ini akan dijelaskan tentang tampilan hasil aplikasi keamanan data email menggunakan algoritma enkripsi RC6 berbasis Android. Tampilan Halaman Awal Halaman awal adalah halaman yang muncul pada saat user pertamakali menjalankan aplikasi. Kemudian user dapat menekan button Start untuk melanjutkan aplikasi, dapat dilihat pada gambar berikut:

99


Gambar 8. Tampilan Halaman New Message Gambar 6. Tampilan Halaman Awal Tampilan Halaman Utama Halaman utama merupakan tampilan yang memiliki beberapa pilihan list, yaitu diantaranya new message, inbox, about dan exit, dapat dilihat pada gambar berikut:

Tampilan Halaman Inbox Halaman ini merupakan halaman dimana user melakukan proses pembacaan pesan yang sudah diterima sehingga dapat terbaca. Untuk melihat tampilan halaman inbox dapat dilihat pada gambar berikut:

Gambar 9. Tampilan Halaman Inbox Gambar 7. Tampilan Halaman Utama Tampilan Halaman New Message Halaman New Message merupakan halaman dimana user melakukan proses pengiriman pesan yang sudah terenkripsi terlebih dahulu. Untuk melihat tampilan halaman new message dapat dilihat pada gambar berikut:

100

5.

Kesimpulan

Penulis meninjau bagaimana proses pengiriman pesan menggunakan email sehingga dapat dienkripsi dan kerahasiaan pesan sangat terjaga. Berdasarkan uraian dan penjelasan sebelumnya, penulis membuat kesimpulan untuk aplikasi keamanan data email menggunakan algoritma enkripsi RC6 yaitu: 1. Dengan adanya aplikasi ini pesan dapat disandikan sehingga keamanan isi pesan sangat terjaga dalam kerahasiaan data. 2. Aplikasi ini mampu mengirim dan menerima pesan melalu email yang berjalan di sistem


operasi android dengan menggunakan aplikasi DroidRC6. 3. Aplikasi ini menggunakan algoritma enkripsi RC6, sehingga tingkat keamanan lebih terjamin, karena algoritma RC6 menggunakan algoritma blok cipher dengan 4 register sehingga lebih sulit untuk dipecahkan keamanannya. Daftar Pustaka Ariyus, Dony, 2009, Pengantar Ilmu Kriptografi Teori, Analisis, dan Implementasi, Penerbit Andi, Yogyakarta. Huda, Arif, Akbarul, 2012, 24 Jam Pintar Pemrograman Android, Penerbit Andi, Yogyakarta. Munir, Rinaldi, 2006, Kriptografi, Penerbit Informatika, Bandung.

Roland, 2006, Jurnal Perbandingan Algoritma Block Cipher RC5 dan RC6, Institut Teknologi Bandung. Sadikin, Rifki, 2012, Kriptografi Untuk Keamanan Jaringan, Penerbit Andi, Jakarta. Safaat, Nazruddin, 2012, Pemrograman Aplikasi Mobile Smartphone dan Tablet PC Berbasis Android, Penerbit Informatika, Bandung. Safrina, Rika, 2006, Jurnal Studi dan Perbandingan Pesan dengan Algoritma RC2, RC4, RC5 dan RC6, Institut Teknologi Bandung. Suprianto, Dodit, 2012, Pemrograman Aplikasi Android, Penerbit Mediakom, Yogyakarta. Yudi, Idham, 2005, Jurnal Studi dan Analisis Algoritma Rivest Code 6 (RC6) dalam Enkripsi/Dekripsi Data, Universitas Islam Indonesia.

101


PENGUKURAN KESELARASAN STRATEGI TEKNOLOGI INFORMASI DAN STRATEGI BISNIS DENGAN MODEL LUFTMAN (STUDI KASUS : AMIK XYZ) Dicky Pratama STMIK GI MDP Dqpratama@stmik-mdp.net

Abstrak Keselarasan strategi teknologi informasi dan strategi bisnis dibutuhkan agar terwujudnya harmonisasi dan komunikasi yang efektif antara unit bisnis dan TI. Seringkali institusi pendidikan tinggi belum mengetahui seberapa tingkat kematangan keselarasan bisnis dan teknologi informasinya, sehingga top management kesulitan untuk mengembangkan tingkat kematangan ke level-level berikutnya. Penilaian kematangan keselarasan bisnis dan TI dilakukan untuk mengetahui seberapa besar tingkat kematangan antara strategi bisnis dan strategi teknologi informasi yang nantinya menjadi acuan oleh top management untuk mengembangkan ke level kematangan yang lebih tinggi melalui faktor-faktor enabler yang di dapatkan dari proses penilaian ini. Model yang digunakan dalam penelitian ini adalah Luftman IT-Business Alignment Maturity Model. Hasil yang dicapai dari penelitian ini adalah AMIK XYZ mencapai level Commited Process yaitu telah ada prosedur yang disepakati namun belum diikuti oleh semua lini baik unit TI maupun bisnis. Kata kunci: Luftman IT-Business Alignment Maturity Model, Kematangan Keselarasan Strategi Teknologi Informasi dan Bisnis. 1.

PENDAHULUAN

Teknologi informasi (TI) merupakan suatu hal yang dibutuhkan dalam mendukung kinerja operasional perusahaan maupun organisasi.Perguruan tinggi di Indonesia saat ini telah berkembang pesat dengan dukungan TI.Jika dinilai dari sudut pandang mahasiswa, media pembelajaran yang fleksibel sangat dibutuhkan agar semua materi, buku, jurnal dan informasi akademik dapat diakses kapan saja dimana saja. Pihak perguruan tinggi pun tentunya membutuhkan TI untuk mendukung tri darma yaitu pendidikan, penelitian dan pengabdian kepada masyarakat. Mulai dari keefektifan proses belajar mengajar, keefesienan pengelolaan administrasi akademik, dan pengelolaan informasi akademik TI dituntut harus selaras dengan kegiatan bisnis. Di Indonesia banyak institusi perguruan tinggi berbasis TI yang belum menerapkan pengukuran kematangan keselarasan strategi bisnis dan strategi TI, sehingga belum diketahui apakah TI yang digunakan sudah sesuai dengan kebutuhan bisnis perusahaan tersebut atau tidak. Apakah TI yang digunakan hanya sebagai alat bantu dan apakah sudah strategis.

102

2.

METODE PENELITIAN

2.1 Luftman IT-Business Alignment Maturity Model Luftman IT-Business Alignment Maturity model adalah salah satu model yang dapat digunakan untuk menilai atau mengukur seberapa matang tingkat keselarasan antara strategi TI dengan strategi bisnis [1]. Pentingnya pengukuran dilakukan agar setelah tingkat kematangan tersebut diketahui pihak top management dapat meningkatkan keselarasan TI dan bisnis ke tingkat-tingkat berikutnya. Misal, setelah diukur dengan model Luftman diketahui bahwa tingkat kematangan keselarasan bisnis-TI sebuah institusi pendidikan tinggi bernilai 2, maka pihak intitusi tersebut nantinya akan dapat meningkatkan tingkat kematangan keselarasan bisnis-TI ke tingkat 3 dengan mengacu pada komponen-komponen yang bernilai kecil yang harus dibenahi. Luftman’s IT-Business Alignment Maturity memberikan sebuah kerangka pengukuran kematangan keselarasan antara strategi bisnis dan strategi TI. Model keselarasan bisnis dan TI Luftman berfokus pada kegiatan perusahaan untuk mencapai tujuan kohesif melalui unit pengelola TI sebagai unit teknis dan unit bisnis sebagai fungsional perusahaan. Model penilaian kematangan keselarasan bisnis dan TI Luftman’s meliputi 5 level fokus


kematangan keselarasan strategi yaitu initial/adhoc process, commited process, established focused process, improve/manage process dan optimized process. Kelima level tersebut dapat di lihat pada gambar 1 di bawah ini:

Gambar 1. Model Kematangan Keselarasan Strategi (Luftman, 2003) Kelima level tersebut masing-masing dinilai dengan suatu kumpulan criteria penilaian untuk menilai kematangan keselarasan strategi dari bisnis maupun TI, kumpulan kriteria tersebut dikenal dengan “The six Business-IT Alignment Criteria” . Model kematangan keselarasan bisnis dan TI Luftman meliputi 5 fokus kematangan keselarasan strategi yaitu intial/adhoc process, commited process, established focused process, improve/manage process dan optimized process [2] . Tabel 1 dibawah ini menunjukkan 5 fokus kematangan keselarasan strategi.

Lvl 1

Tabel 1. Lima focus Kategori Kriteria Intial /adhoc process

Ini adalah tingkatan terendah dari semua level fokus kematangan keselarasan Luftman. Dapat disimpulkan bahwa pada level ini perusahaan/organisasi telah menyadari adanya masalah yang harus segera diatasi, namun belum ada proses baku untuk mengatasinya, melainkan hanya bersifat adhoc yang diterapkan secara kasus perkasus.

2

Commited process

Proses pada level ini telah memiliki pola yang diikuti oleh semua unit maupun depertemen yang berkewajiban melakukan proses tersebut, namun tidak ada pelatihan maupun prosedur standar secara formal, kewajiban pelaksanaan proses diserahkan kepada individu maupun unit dengan mengandalkan pengetahuan dan pengalaman masingmasing sehingga tidak konsisten. 3 Established Mulai ada keselarasan focused process bisnis dan TI, prosedurnya berasal dari kebiasaan yang dibakukan. Mulai ada sosialisasi melalui pelatihan sebelum pelaksanaan proses dimulai. Kegiatan diberikan ke tiap unit dan departemen namun belum disertai monitoring dan evaluasi jika ada kesalahan. 4 Improve/manage Adanya proses process penyelarasan TI dan bisnis yang kuat, dan menganggap TI sebagai penciptaan nilai bagi perusahaan. Selalu ada proses monitoring dari manajemen dan evaluasi jika ada kesalahan dalam pelaksanaan proses. Alat bantu pengukuran dan evaluasi TI mulai digunakan secara terbatas. 5 Optimized Proses keselarassan process strategis sepenuhnya terintegrasi dan diadapasikan bersama antara bisnis dan TI. Proses telah disempunakan menjadi best practice melalui penyempurnaan terus menerus dan didukung oleh studi banding dengan perguruan tinggi lainnya. kematangan keselarasan strategi (Luftman, 2000)

103


Lima level fokus kematangan tersebut nantinya menjadi tolak ukur pada pertanyaanpertanyaan yang telah disusun oleh Luftman dengan mengacu pada kriteria pengukuran kematangan bisnis dan TI. Gambar 2 berikut adalah kriteria-kriteria pengukuran kematangan bisnis dan TI Luftman [1].

Gambar 2. kriteria-kriteria pengukuran kematangan bisnis dan TI (Luftman, 2000) Communication Maturity merupakan pertukaran gagasan, pengetahuan antara unit TI dan unit bisnis yang efektif yang memungkinkan kedua unit tersebut memahami dengan jelas tentang apa yang diperlukan untuk memastikan strategi sukses berada pada tingkatan yang paling tinggi. Bisa saja setiap perusahaan menarik pihak ketiga untuk memfasilitasi komunikasi antar dua unit tersebut, namun dirasakan memiliki kecendrungan untuk mengarahkan ke bentuk komunikasi yang tidak efektif, akibatnya kedua unit tidak dapat melakukan diskusi dan berbagi ide. Meningkatkan komunikasi harus terfokus pada cara menciptakan pemahaman TI sebagai mitra bisnis strategis bukan hanya dipandang sebagai penyedia layanan semata. Competency.Value Measurement Maturity merupakan penetapan prioritas untuk proyek TI, sekaligus mengalokasikan sumber daya secara efektif untuk menyelaraskan strategi TI dan bisnis. Manajer kedua unit tersebut harus dapat berbagi saat evaluasi portofolio, masing-masing manajer harus memahami bahwa tingginya nilai akhir proyek tidak didapat dari teknologi tetapi kolaborasi antara kedua unit tersebut. Governance Maturity kriteria ini berkaitan dengan seberapa baik perusahaan menghubungkan strategi bisnis dengan prioritas TI, teknis perencanaan dan anggaran dalam pengembangan dan pemeliharaan sumber daya TI. Kriteria ini bertujuan untuk mengetahui apakah proyek yang dikerjakan diadopsi dari strategi

104

bisnis, jika tidak maka dapat disimpulkan bahwa terdapat konflik antara unit bisnis dan unit TI. Partnership Maturity kriteria ini dimaksudkan untuk pemberian wewenang pada fungsi TI untuk memiliki peran yang sama dalam menentukan strategi bisnis. Kemitraan ini harus dibina agar TI dan bisnis bermuara pada satu titik yang mengarahkan ke suatu perubahan untuk kepentingan bisnis dan strateginya. Scope and Architecture Maturity kriteria ini bertujuan untuk menilai kematangan TI yang diterapkan pada perusahaan dan mengukur teknologi bukan hanya pelengkap tapi sejauh mana teknologi berkembang dan membantu bisnis untuk tumbuh dan berkembang. 2.2 Faktor Penghambat dan Faktor Penentu Keberhasilan Keselarasan Bisnis dan TI Faktor Penghambat keselarasan dapat disebabkan komunikasi yang buruk antara unit bisnis dan TI, kemudian tidak adanya keputusan dari organisasi untuk mempertahankan personil yang berbakat di dalam perusahaan. Tidak adanya pertukaran antara staff bisnis dan staf TI juga menjadi salah satu penyebab terjadinya tidak optimalnya keselarasan antara bisnis dan TI. Gambar 3 berikut merupakan faktor enabler dan inhibitor [4].

Gambar 3. Faktor enabler dan faktor inhibitor (Luftman, 1999) Faktor enabler (penentu keberhasilan) dari kematangan keselarasan bisnis dan TI dapat diwujudkan dengan memprioritaskan IT sebagai pendukung bisnis. Menjalin komunikasi yang baik antara unit bisnis dan unit TI, serta penerapan prosedur dimana unit TI memiliki kewajiban memahami bisnis dan unit bisnis berkewajiban memahami TI dapat mewujudkan keselarasan bisnis dan TI yang maksimal. 3.


Pengukuran ini dilakukan dengan pengisian kuisioner oleh beberapa narasumber, jawaban dari pertanyaan-pertanyaan oleh Luftman yang dijawab oleh narasumber diakumulasi dan dibagi dengan jumlah narasumber tersebut.Setelah mendapatkan skor rata-rata skor tersebut dijumlahkan berdasarkan tiap kriteria kematangan dan dibagi dengan jumlah kriteria


kematangan Luftman. Tabel 2 berikut ini adalah jawaban dari para narasumber , jawaban-jawaban dari narasumber tersebut disertai dengan evidence yang mendukung penilaian kematangan keselarasan bisnis dan TI. Tabel 2. Hasil rekap jawaban narasumber No. Pertanyaan Skor Ratarata Communication Maturity 1 Bagaimanakah pemahaman unit 3 TI terhadap bisnis? 2 Bagaimana pemahaman unit 3 bisnis terhadap TI? 3 Bagaimana pembelajaran 2 mengenai organisasi dilakukan? 4 Bagaimana perilaku komunikasi 2 dan kemudahan akses antara bisnis dan TI dilakukan? 5 Bagaimanakah upaya menggali 2 aset intelektual dilakukan? 6 Bagaimanakah pertukaran staf 1 bisnis-TI dilakukan? Tingkatan Maturity 2 Competency/Value Measurement Maturity 1 Bagaimanakah pengukuran 1 metriks TI dilakukan? 2 Bagaimanakah pengukuran 2 metriks bisnis dilakukan? 3

Bagaimanakah tautan pengukuran metrics TI dan bisnis? 4 Bagaimana Service Level Agreement (SLA) dilakukan? 5 Apakah pengukuran (benchmarking) dilakukan? 6 Bagaimanakah organisasi secara formal menilai investasi TI? 7 Apakah dilakukan usaha-usaha untuk melakukan peningkatan yang berkelanjutan? Tingkatan Maturity Governance Maturity 1 Bagaimana perencanaan strategi bisnis dilakukan? 2 Bagaimana perencanaan strategi bisnis TI dilakukan? 3 Bagaimana bentuk struktur organisasi? 4 Bagaimana hubungan pelaporan dilakukan? 5 Bagaimana pandangan terhadap anggaran budget TI? 6 Hal apa yang mendasari pembelanjaan TI? 7 Bagaimana dengan komite penggerak (Streering komite) TI

2

2 1 3 3

2 1 2 1 4 2 3 1

senior? 8

Bagaimanakah proyek di 3 prioritaskan? Tingkatan Maturity 2 Partnership Maturity 1 Bagaimanakah pandangan bisnis 4 terhadap TI? 2 Bagaimanakah peran TI dalam 2 perencanaan bisnis strategis? 3 Bagaimanakah pembagian resiko 2 dan perolehan dilakukan? 4 Bagaimanakah pengelolaan 2 hubungan TI dan bisnis? 5 Bagaimanakah prilaku hubungan 3 dan kepercayaan dalam organisasi? 6 Adakah sponsor bisnis daam 5 organisasi? Tingkatan Maturity 3 Scope and Architecture Maturity 1 Sistem utama yang digunakan 3 bersifat? 2 Adakah standar yang digunakan 3 dalam organisasi? 3 Apakah terdapat integrasi antara 3 arsitektur sistem yang digunakan? 4 Bagaimana anggapan terhadap 3 infrastruktur TI? Tingkatan Maturity 3 Skills Maturity 1 Apakah ada upaya untuk 3 menggalakan organisasi sebagai lingkungan kewirausahaan yang inovatif? 2 Siapakah yang membuat 3 keputusan penting mengenai SDM TI? 3 Bagaimana kesiapan para 1 personil dalam menghadapi perubahan? 4 Adakah kesempatan seorang 2 personil untuk berkarir dalam lintas unit/bagian? 5 Adakah pelatihan lintas 2 fungsional dan rotasi pekerjaan yang dilakukan di organisasi? 6 Bagaimana interaksi sosial 2 antara bisnis dan TI dalam organisasi? 7 Adakah program untuk merekrut 1 dan mempertahankan personil yang berbakat? Tingkatan Maturity 2 Ket: 1 = belum ada, Tidak sesuai dengan organisasi 2 = sesuai, hanya saja tingkatannya masih rendah

105


3 = moderat, sesuai untuk organisasi dalam tingkatan menengah 4 = sesuai, untuk sebagian besar organisasi 5 = tingkat kuat, sesuai di seluruh bagian Pengukuran ini dilakukan dengan pengisian kuisioner oleh beberapa narasumber, jawaban dari pertanyaan-pertanyaan oleh Luftman yang dijawab oleh narasumber diakumulasi dan dibagi dengan jumlah narasumber tersebut.Setelah mendapatkan skor rata-rata skor tersebut dijumlahkan berdasarkan tiap kriteria kematangan dan dibagi dengan jumlah kriteria kematangan Luftman. Perhitungan tersebut dapat dilihat dibawah ini:

Pengukuran kematangan TI (benchmarking) tidak pernah dilakuakan Dalam struktur organisasi TI tidak berdiri sendiri

Belum ada komite penggerak TI

Personil belum siap menghadapi perubahan Dari hasil perhitungan diatas maka dapat disimpulkan bahwa tingkat kematangan keselarasan strategi bisnis dan TI dari AMIK XYZ bernilai 2 atau committed processyang berarti proses memiliki pola yang diikuti oleh semua unit maupun depertemen yang berkewajiban melakukan proses tersebut, namun tidak ada pelatihan maupun prosedur standar secara formal, kewajiban pelaksanaan proses diserahkan kepada individu maupun unit dengan mengandalkan pengetahuan dan pengalaman masing-masing sehingga tidak konsisten. Seperti yang dikatakan sebelumnya setelah mengetahui tingkat kematangan keselarasan bisnis-TI selanjutnya dapat ditentukan strategi yang tepat agar pihak top management AMIK XYZ dapat meningkatkan ke tingkat yang berikutnya yaitu level Established focused process. Penentuan strategi tersebut yaitu dengan cara menyeleksi jawaban dari tiap narasumber yang bernilai 1, jawaban yang bernilai paling rendah tersebut adalah faktor penghambat kematangan keselarasan bisnis dan TI (inhibitors factor) dan sebaliknya strategi dirumuskan dari faktor yang dapat meningkatkan kematangan keselarasan bisnis- TI (enabler factor)[4]. Tabel 3 berikut adalah cara menentukan strategi yang tepat untuk meningkatkan kematangan keselarasan strategi bisnis dan strategi TI: Tabel 3. Faktor enabler dan inhibitors (Luftman, 1999) inhibitors factor enabler factor Tidak ada pertukaran Perlu adanya pertukaran antara staf bisnis ke staf antara bisnis dan TI TI maupun agar staf bisnis sebaliknya memahami TI dan staf TI memahami bisnis sehingga kedua unit memiliki tujuan yang

106

4.

sama. Dilakukan pengukuran kematangan TI agar dapat diketahui kekurangan yang harus dibenahi Unit TI harus independent / berdiri sendiri dan kemampuan dari tiap personil harus ditingkatkan Ada komite penggerak TI yang selalu memonitor proses dan melakukan evaluasi Harus dilakukan manajemen perubahan, dan ada pelatihan khusus untuk personil TI agar siap dengan adanya perubahan

KESIMPULAN

Berdasarkan hasil pengukuran kematangan keselarasan strategi TI dan strategi bisnis pada AMIK XYZ, terbukti bahwa AMIK XYZ telah mencapai level 2 atau committed processyang berarti proses memiliki pola yang diikuti oleh semua unit maupun depertemen yang berkewajiban melakukan proses tersebut, namun tidak ada pelatihan maupun prosedur standar secara formal, kewajiban pelaksanaan proses diserahkan kepada individu maupun unit dengan mengandalkan pengetahuan dan pengalaman masing-masing sehingga tidak konsisten. Untuk mencapai ke level berikutnya strategi yang tepat untuk AMIK XYZ adalah: 1. Perlu adanya pertukaran staf antara bisnis dan TI agar staf bisnis memahami TI dan staf TI memahami bisnis sehingga kedua unit memiliki tujuan yang sama. 2. Dilakukan pengukuran kematangan TI agar dapat diketahui kekurangan yang harus dibenahi. 3. Unit TI harus independent / berdiri sendiri dan kemampuan dari tiap personil harus ditingkatkan. 4. Ada komite penggerak TI yang selalu memonitor proses dan melakukan evaluasi. 5. Harus dilakukan manajemen perubahan, dan ada pelatihan khusus untuk personil TI agar siap dengan adanya perubahan. 5.

SARAN

Kendala yang dihadapi saat pengukuran kematangan keselarasan bisnis dan TI yaitu kurangnya bukti-bukti pendukung untuk menjawab setiap pertanyaan. Pengukuran seperti


ini sama halnya dengan audit, keakuratan dan keaslian data pendukung dibutuhkan agar strategi yang nanti disusun tepat dan sesuai dengan kondisi yang sebenarnya di dalam institusi pendidikan tinggi. Untuk itu solusi yang tepat untuk mengoptimalkan pengukuran kematangan keselarasan bisnis dan TI ini yaitu: 1. Setiap jawaban dari narasumber harus disertai bukti yang jelas. 2. Pengisian kuisioner harus didampingi oleh peneliti karena kemungkinan besar narasumber tidak mengerti dengan pertanyaan yang diajukan di dalam kuisioner. 3. Perlu ada kesiapan dari pihak organisasi agar meluangkan waktu untuk proses pengukuran. 4. Setiap jawaban narasumber harus menunjukkan kondisi yang sebenarnya di dalam organisasi. 5. Bukti-bukti pendukung haruslah resmi dan memiliki pengesahan.

DAFTAR PUSTAKA [1] Luftman, J. (2000). Assesing Business Alignment Maturity, In Communications of AIS (vol.4, art.14, pp 1-51). New York : Stevens Institute of Technology. [2] Luftman, Jerry N. (2003). Computing in Information Age : Align in the Sand. New York. [3] Luftman, J. (2003). Measure Your BusinessIT Alignmen: The longstanding business-IT gap be bridged with an assessment tool to rate your efforts, In Business Management (pp. 76-80) New York : optimizemag.com. [4] Luftman, J., Papp, R. Brier, T. (1999) “Enabler and Inhibitors of Business-IT Alignment,” Communications of the Association for Information Systems, (1) 11.

107


PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE AHP (STUDI KASUS : DI STMIK POTENSI UTAMA MEDAN) Ria Eka Sari, Alfa Saleh STMIK POTENSI UTAMA JL.KL.YOS SUDARSO KM 6.5 TANJUNG MULIA MEDAN ladiespure@gmail.com

Abstrak Penilaian kinerja dosen pada universitas ataupun sekolah tinggi sangat diperlukan untuk melihat bagaimana baik buruknya kinerja dosen dalam menjalankan semua kegiatan proses belajar mengajar yang ada pada instansi dosen tersebut bekerja. Dalam mengevaluasi penilaian kinerja dosen diimplementasikan pada SPK dengan menggunakan AHP untuk mendapatkan peringkat tertinggi dari keempat dosen. Penggunaan perangkat lunak sistem pendukung keputusan (SPK) dengan metode Analytical Hierarchy Process(AHP) menggunakan Super Decisions ini terdiri dari 4 kriteria, yaitu kriteria kehadiran dosen, pengumpulan nilai, keterlambatan masuk pbm dan kecepatan masuk pbm pada suatu penilaian kinerja dosen dan yang menjadi alternatif 4 dosen yang setelah diakumulasikan mendapatkan nilai tertinggi diantara dosen lainnya. Setelah mengetahui parameter, langkah selanjutnya adalah menganalisis kebutuhan sistem, merekayasa pengetahuan, menerapkan metode dan pengujian sistem dengan menggunakan Software Super Decisions.Diharapkan metode ini dapat memudahkan untuk mendukung sesuatu keputusan dengan masalah yang kompleks. Kata Kunci : Sistem Pendukung Keputusan, AHP, Super Decisions, Kinerja Dosen 1. PENDAHULUAN Sebagai seorang professional, kinerja dosen juga perlu dinilai. Mulyadi (2007) menyatakan penilaian kinerja adalah penetuan secara periodic efektivitas operasional suatu organisasi, dan personalnya, berdasarkan sasaran strategic, standar, dan kriteria yang telah ditetapkan sebelumnya. Secara umum Penilaian Kinerja adalah proses dimana organisasi mengevaluasi perfoma atau kinerja karyawan dengan tujuan untuk meningkatkannya. Pada prinsipnya penilaian kinerja merupakan cara pengukuran kontribusi-kontribusi dari individu dalam instansi yang dilakukan terhadap organisasi. Nilai penting dari penilaian kinerja adalah menyangkut penentuan tingkat konntribusi individu atau kinerja yang diekspersikan dalam menyelesaikan tugas-tugas yang menjadi tanggung jawab. Penilaian kinerja dosen pada universitas ataupun sekolah tinggi sangat diperlukan untuk melihat bagaimana tingkat kinerja dosen dalam menjalankan semua kegiatan proses belajar mengajar yang ada pada instansi dosen tersebut bekerja. Tujuan penelitian ini dimana ingin mengetahui bagaimana pelaksanaan penilaian kinerja dosen yang dilakukan dalam pelaksanaan proses belajar mengajar, mengetahui pengaruh produktivitas kerja dosen terhadap perusahaan dan menentukan kinerja dosen yang terbaik dengan menggunakan metode AHP sesuai dengan kriteria yang telah ditetapkan[4].

108

Permasalah yang terjadi karena susahnya Top Management untuk menentukan dosen terbaik maka itu penulis mencoba untuk membuat system pendukung keputusan dengan menggunakan metode AHP yang kesimpulannya nantinya dapat menghasilkan urutan atau peringka dosen mana yang terbaik dari yang terbaik. hal penulis akan menganalisis dan menguji metode Analitycal Hierarchy Process (AHP) untuk pengolahan datanya yang nantinya informasi yang dihasilkan berguna untuk pihak Akademik dalam menentukan kinerja dosen terbaik dalam proses belajar mengajar. 2. DASAR TEORI 2.1 Sistem Pendukung Keputusan Konsep Sistem Pendukung Keputusan pertama kali diperkenalkan pada awal tahun 1970-an oleh Michael S. Scott Morton dengan istilah Management Decision System. Konsep pendukung keputusan ditandai dengan sistem interaktif berbasis komputer yang membantu pengambil keputusan memanfaatkan data dan model untuk menyelesaikan masalah-masalah yang tidak terstruktur. Pada dasarnya SPK diracang untuk mendukung seluruh tahap pengambilan keputusan mulai dari mengidentifikasi masalah, memilih data yang relevan, menentukan pendekatan yang digunakan dalam prosen pengambilan keputusan, sampai mengevaluasi pemilihan alternatif[1].


Basis Data

Model

Interface

Gambar 1. Komponen Sistem Pendukung Keputusan Gambar 1. memperlihatkan Sistem Pendukung Keputusan terdiri atas tiga komponen penting utama untuk menentukan kapabilitas teknis, yaitu:

1. Mendefenisikan permasalahan dan menentukan tujuan. Bila AHP digunakan untuk memilih alternatif atau menyusun prioritas alternatif, maka tahap ini dilakukan pengembangan alternatif. 2. Menyusun masalah ke dalam suatu struktur hierarki sehingga permasalahan yang kompleks dapat ditinjau dari sisi yang detail dan terukur . 3. Menyusun prioritas untuk tiap elemen masalah pada setiap hierarki. Prioritas ini dihasilkan dari suatu matriks perbandingan berpasangan antara seluruh elemen pada tingkat hierarki yang sama. 4. Melakukan pengujian konsistensi terhadap perbandingan antar elemen yang didapatkan pada tiap tingkat hierarki. Thomas L. Saaty membuktikan bahwa Indeks Konsistensi dari matriks berordo –n )[3]. Tabel 1. Penilaian Perbadingan Berpasangan

1. Subsistem manajemen data, subsistem manajemen data memasukkan satu database yang berisi data yang relevan untuk situasi dan dikelola oleh perangkat lunak yang disebut sistem manajemen database (DBMS) 2. Subsistem manajemen model, merupakan paket perangkat lunak yang memasukkan model keuangan, statistik, ilmu manajemen atau model kuantitatif lainnya yang memberikan kapabilitas analitik dan manajemen perangkat lunak yang tepat. 3. Antarmuka Pengguna, pengguna berkomunikasi dengan memerintahkan DSS melalui subsistem ini[2]. 2.2 METODE AHP Analytical Hierarchy Process (AHP) dikembangkan oleh Thomas L. Saaty pada tahun 1970-an. Metode ini merupakan salah satu model pengambilan keputusan multikriteria yang dapat membantu kerangka berpikir manusia dimana faktor logika, pengalaman pengetahuan, emosi dan rasa dioptimasikan ke dalam suatu proses sistematis. Pada dasarnya, AHP merupakan metode yang digunakan untuk memecahkan masalah yang kompleks dan tidak terstruktur ke dalam kelompok–kelompoknya, dengan mengatur kelompok tersebut ke dalam suatu hierarki, kemudian memasukkan nilai numerik sebagai pengganti persepsi manusia dalam melakukan perbandingan relatif. Dengan suatu hipotesa maka akan dapat ditentukan elemen mana yang mempunyai prioritas tertinggi[1]. 1. Tahapan–Tahapan ( AHP ) Secara umum, tahapan-tahapan proses yang harus dilakukan dalam menggunakan AHP untuk memecahkan suatu masalah adalah sebagai berikut :

Pada Kasus di STMIK Potensi Utama Medan Hubungan antara Kriteria dan Alternative dapat digambarkan sebagai berkut : GOAL

Penilaian Kinerja Dosen

KRITERIA

Kehadiran Dosen

Pengumpulan Nilai

Keterlambatan Masuk PBM

Kecepatan Selesai PBM

ALTERNATIVE

Dosen 1

Dosen 2

Dosen 3

Dosen 4

Gambar 2. Hirarki antara Kriteria dan Alternative

3. HASIL DAN PEMBAHASAN Pengujian menggunakan software Super Decisions menggunakan Ratings yang berfungsi

109


untuk menguji data perbandingan yang kita lakukan apakah konsisten atau tidak dan nantinya juga memudahkan kita untuk mendapat peringkat untuk mendukung keputusan nantinya. 1. Membuat Matriks Perbandingan Kriteria Tahapan ini pemberian bobot masing-masing kriteria menggunakan model AHP (Analytical Hieracrchy Process) . Data kriteria didapatkan dari pihak perusahaan yang langsung membandingkan kriteria dan kriteria sesuai dengan tabel kepentingan dan sampel hasil matriks perbandingan berpasangan dapat dilihat pada tabel 2. Tabel 2. Matriks Perbandingan Berpasangan Kriteria KH PN KMP KSP Kriteria KH

1/1

4/1

7/1

7/1

PN KMP

1/4 1/7

1/1 1/6

6/1 1/1

6/1 1/1

KSP

7/1

1/6

1/1

1/1

Tabel 3. Matriks Perbandingan Berpasangan Alternatif berdasarkan kriteria Kehadiran Dosen AM NS LN YS KD AM

1/1

3/1

2/1

1/1

NS LN

1/3 1/2

1/1 5/1

1/5 1/1

1/5 2/1

YS

1/1

5/1

1/2

1/1

Tabel 4. Matriks Perbandingan Berpasangan Alternatif berdasarkan kriteria Pengumpulan Nilai AM NS LN YS PN AM

1/1

1/2

1/2

3/1

NS LN

2/1 2/1

1/1 1/2

2/1 1/1

4/1 2/1

YS

1/3

1/4

1/2

1/1

Tabel 5. Matriks Perbandingan Berpasangan Alternatif berdasarkan kriteria Keterlambatan Masuk PBM AM NS LN YS KMP

AM

NS

LN

YS

AM

1/1

1/1

3/1

3/1

NS LN

1/1 1/3

1/1 1/1

1/1 1/1

2/1 2/1

YS

1/3

1/2

1/2

1/1

KSP

2. Hasil Analisa Metode AHP Hasil analisa bobot dari kriteria dan alternative yang sudah dihitung dapat dilihat pada gambar dibawah ini: Tabel 7. Hasil Analisa Kriteria KD PN KMP KSP

Eigen

KD

1.000

4.000

7.000

7.000

0.6169

PN KM P KSP

0.250 0.143

1.000 0.167

6.000 1.000

6.000 1.000

0.2703 0.0564

0.143

0.167

1.000

1.000

0.0564

JM L

1.536

5.333

15.000

15.000

1.000

K

E-Maks = 4.080982 CI = 0.026994 dan CR = 0.029993 < 0.1 Konsisten Tabel 8. Hasil Analisa Alternatif berdasarkan kriteria Kehadiran Dosen AM NS LN YS KD

Eigen

AM

1.000

3.000

2.000

1.000

0.3434

NS LN

0.333 0.500

1.000 5.000

0.2000 1.000

0.2000 2.000

0.0709 0.3225

YS

1.000

5.000

0.500

1.000

0.2632

JM L

2.833

14.000

3.700

4.200

1.000

E-Maks = 4.264257 CI = 0.088086 dan CR = 0.097873 < 0.1 Konsisten Tabel 9. Hasil Analisa Alternatif berdasarkan kriteria Pengumpulan Nilai AM NS LN YS Eigen PN AM

1.000

0.500

0.500

3.000

0.2066

AM

1/1

1/2

3/1

2/1

NS LN

2.000 2.000

1.000 0.500

2.000 1.000

4.000 2.000

0.4295 0.2649

NS LN

2/1 1/3

1/1 1/2

2/1 1/1

2/1 2/1

YS

0.333

0.250

0.500

1.000

0.0999

2.250

4.000

10.000

1.000

1/2

1/2

1/2

1/1

JM L

5.333

YS

Tabel 6. Matriks Perbandingan Berpasangan Alternatif berdasarkan kriteria Kecepatan Selesai PBM

110

E-Maks = 4.117842 CI = 0.039281 dan CR = 0.043645 < 0.1 Konsisten


Tabel 11. Hasil Analisa Alternatif berdasarkan kriteria Keterlambatan Masuk PBM AM

NS

LN

YS

Eigen

AM

1.000

0.500

3.000

2.000

0.3068

NS

2.000

1.000

2.000

2.000

0.3835

LN

0.333

0.500

1.000

2.000

0.1752

YS

0.500

0.500

0.500

1.000

0.1346

JML

3.833

2.500

6.500

7.000

1.000

KMP

tools Super decisions. Adapun tahap-tahapnya adalah sebagai berikut : 1. Tahap ini melakukan pengujian pada tool super decision berikut Setelah semua Cluster dihubungkan dengan semua Node, maka akan terlihat seperti apada gambar 3.

E-Maks = 4.215817 CI = 0.071939 dan CR = 0.079932 < 0.1 Konsisten Tabel 12. Hasil Analisa Alternatif berdasarkan kriteria Kecepatan Selesai PBM AM

NS

LN

YS

Eigen

AM

1.000

1.000

3.000

3.000

0.4015

NS

1.000

1.000

1.000

2.000

0.2719

LN

0.333

1.000

1.000

2.000

0.2069

YS

0.333

0.500

0.500

1.000

0.1197

JML

2.667

3.500

5.500

8.000

1.000

KSP

E-Maks = 4.117867 CI = 0.039289 dan CR = 0.043654 < 0.1 Konsisten Tabel 13. Hasil Analisa Dss atau Ranking Perhitungan Manual KD

PN

KMP

KSP

Bob ot

0.6169

AM

0.3434

NS

0.0709

LN

0.3225

YS

0.2632

0.270 3 0.206 6 0.429 5 0.264 9 0.099 9

0.056 4 0.306 8 0.383 5 0.175 2 0.134 6

0.05 64 0.40 15 0.27 19 0.20 69 0.11 97

B.Fin al

Rank

0.307 6 0.200 3 0.292 1 0.203 5

1

Gambar 3. Cluster Yang Telah Terhubung Setelah semua Cluster terhubung, langkah selanjutnya adalah melakukan perbandingan antar Cluster dengan mengisi data pada jendela Questionnaire dengan mengklik menu Assess/Compare lalu klik Do Comparison untuk pengisian data seperti pada gambar 4.

4 2 3

Didapatkan kesimpulan bahwa Abdul Meizar mendapat peringkat pertama Sebagai hasil keputusan sebagai dosen dengan penilaian kinerjanya paling baik. Labuan Nababan peringkat kedua, Yusfrizal peringkat ketiga dan Nita Sari peringkat keempat. 1. Abdul Meizar ( Peringkat Pertama ) 2. Labuan Nababan ( Peringkat Kedua ) 3. Yusfrizal ( Peringkat Ketiga ) 4. Nita Sari ( Peringkat Keempat)

Gambar 4. Perbandingan Antara Cluster Pada langkah awal menentukan bobot kriteria, inputkan nilai matriks berpasangan ke software super decision seperti pada gambar 5.

3.2 Hasil Pengujian dengan Super Decisions Untuk menguji konsistensi nilai CR > 0.1 maka sebaiknya kita uji dengan menggunakan

111


Gambar 5. Input Nilai Matriks Berpasangan Perbandingan Kriteria Gambar 5. memperlihatkan, nilai matriks berpasangan yang didapatkan akan dimasukkan ke dalam software super decisions untuk dilakukan proses menentukan bobot kriteria. berdasarkan goal maka prioritas perbandingan kriteria dapat dijelaskan pada gambar 6.

Gambar 6. Hasil Pembobotan Nilai Matriks Berpasangan Kriteria

Gambar 7. Hasil Bobot Prioritas Perbandingan Alternatif Berdasarkan Kehadiran Dosen

Gambar 8. Hasil Bobot Prioritas Perbandingan Alternatif Berdasarkan Kriteria Pengumpulan Nilai

Dari hasil proses pembobotan nilai matriks berpasangan, maka didapatkan hasil perbandingan bobot prioritas yaitu : 1. Kehadiran Dosen menjadi prioritas utama dalam memilih kriteria untuk perbaikan jalan dengan bobot kriteria sebesar 0.6061. 2. Pengumpulan Nilai menjadi prioritas kedua yaitu dengan bobot prioritas sebesar 0.2734. 3. Keterlambatan Masuk PBM dan Kecepatan Selesai PBM mempunyai prioritas yang sama yaitu 0.060. Gambar 9. Hasil Bobot Prioritas Perbandingan Alternatif Berdasarkan Kriteria Keterlambatan Masuk PBM

112


Gambar 10. Hasil Bobot Prioritas Perbandingan Alternatif Berdasarkan Kriteria Kecepatan Selesai PBM

Gambar 13. Rankings Lengkap Hasil Analisa

4. KESIMPULAN

Gambar 11. Hasil Hasil Prioritas Keseluruhan Kriteria

1. Kriteria yang berpengaruh terhadap penentuan penilaian kinerja dosen pada STMIK Potensi Utama Medan adalah kriteria kehadiran dosen dengan nilai 0.6169 (61%), kemudian pengumpulan nilai 0.2703 (27%), keterlambatan masuk pbm 0.0564 (5%) dan kecepatan mengakhiri pbm 0.0564 (5%). 2. Dari hasil analisis matrik AHP diperoleh model keputusan, dengan prioritas yaitu untuk seluruh bobot / prioritas kriteria dan alternatif yang menjadi prioritas penilaian kinerja dosen di STMIK Potensi Utama Medan adalah peringkat 1 Abdul Meizar dengan nilai 0.3067 (30%) , peringkat 2 Labuan Nababan dengan nilai 0.2877 (28%), peringkat 3 Yusfrizal dengan nilai 0.2054 (20%), peringkat 4 Nita Sari dengan nilai 0.2003 (20%). 3. Metode AHP ternyata dapat digunakan dalam proses penilaian kinerja dosen, karena metode tersebut mampu menyelesaikan masalah multikriteria yang belum terstruktur menjadi lebih terstruktur dan lebih mudah dipahami dengan hasil yang akurat. 4.

Gambar 12. Hasil Synthesized Priorities dari Alternatives

Model sistem pendukung keputusan untuk penilaian kinerja dosen pada STMIK Potensi Utama Medan menggunakan metode AHP, mempunyai 4 kriteria yaitu kehadiran dosen, pengumpulan nilai, keterlambatan masuk pbm da kecepatan keluar pbm sedangkan untuk alternatif terdiri dari : Abdul meizar, Labuan Nababan, Nita Sari dan Yusfrizal

5. SARAN 1. Perlunya ketelitian saat melakukan perhitunggan berpasangan baik kriteria maupun alternatif, kesalahan pada pemasukan data dapat menyebabkan hasil akhir tidak terpenuhi dan mengembangkan permasalahan

113


dengan menambahkan sub kriteria agar permasalahan lebih kompleks. 2. Bagi para peneliti yang ingin mengembangkan lebih luas dan lebih dalam lagi untuk menentukan media informasi sistem pengambilan keputusan ini dapat ditingkatkan dengan menambahkan kriteria dan alternatifalternatif yang lebih banyak dan lebih bervariasi dengan melengkapi dan menambahkan cluster beserta node pada Super Decision untuk media penyampaian informasi pada masa yang akan datang. 3. Agar penelitian ini lebih baik lagi diharapkan bagi para peneliti bisa membuat aplikasi Sistem Pendukung Keputusan dengan metode AHP yang sudah dijelaskan oleh peneliti sebelumnya agar SPK ini lebih bermanfaat dan dapat digunakan dan dimengerti fungsi dan tujuan sistem ini oleh orang banyak

114

DAFTAR PUSTAKA [1]

[2]

[3]

[4]

Hilyah Magdalena., 2012, Sistem Pendukung Keputusan Untuk Menentukan Mahasiswa Lulusan Terbaik di Perguruan Tinggi, Jurnal Teknologi Informasi dan Komunikasi ISSN:2089-9815. Hal.50 sd 51. [2] Efraim Turban, Jay E. Aronson, Ting Peng Liang.,2005, Decision Support System and Intelligent Systems Edisi 7 Jilid 1, Yogyakarta : Andi Offset. Yusuf Anshori.,2012, Pendekatan Triangular Fuzzy Number Dalam Metode Analytical Hierarchy Process , Jurnal Ilmiah Foristek Vol.2 No.1. Hal.127. Mulyadi, 2007. Sistem Perencanaan dan Pengendalian Manajemen, Penerbit Salemba Empat, Jakarta.


SISTEM PENUNJANG KEPUTUSAN KELAYAKAN PENERIMAAN PEMASANGAN LISTRIK SECARA GRATIS MENGGUNAKAN METODE AHP Shinta Siti Sundari1 , Dani Rohpandi2, Neng Fitri3 STMIK Tasikmalaya, JL. R.E. Martadinata No. 272 A Tasikmalaya Teknik Informatika E-mail : 1ss.shinta@gmail.com, 2danirtms@gmail.com, 3fitriismayanti63@yahoo.com

Abstrak Dalam upaya penanggulangan kemiskinan, pemerintah khususnya kelurahan Panyingkiran Tasikmalaya meyediakan berbagai bantuan dana sosial seperti salah satunya bantuan dana sosial berupa pemasangan listrik secara gratis yang diperuntukkan bagi masyarakat yang termasuk kategori miskin (tidak mampu), bantuan tersebut di berikan berdasarkan penilaian indikator yang sudah di tentukan dengan tujuan agar dana tersebut tepat sasaran dan diberikan pada keluarga-kelurga yang benar-benar membutuhkan sehingga dapat meminimalisir kemungkinan-kemungkinan kesalahn yang terjadi pada sistem sebelumnya yang bnyak terjadi yaitu pada penilaian yang berdasarkan kepentingan pribadi. Penelitian ini dimaksudkan untuk merancang suatu sistem penunjang keputusan untuk membantu dalam penilaian penentuan kelayakan penerimaan bantuan dana sosial berupa pemasangan listrik secara gratis di kelurahan panyingkiran. Dengan perhitungan indikatornya menggunakan metode Analytical hierarchy process (AHP) yang kemudian perhitungan tersebut diimplementasikan pada suatu program aplikasi melalui bahasa pemrograman Microssoft. Visual Basic 6.0 dan database Microssoft Access. Kata kunci : Sistem Penunjang Keputusan, Bantuan dana sosial, perhitungan Analytical Hierarchy Process 1.

PENDAHULUAN Program pemberian bantuan dana sosial berupa pemasangan listrik daya 450 va (satu paket) secara gratis merupakan salah satu program pemerintah dalam menaggulangi kemiskinan yang dijalankan di di berbagai daerah, termasuk di Kelurahan Panyingkiran Tasikmalaya yang menjadi tempat studi kasus dalam penelitian kali ini. Dalam prosesnya, pihak kelurahan terlebih dahulu harus menentukan siapa saja yang layak menerima dan tidak layak menerima bantuan sebelum dilakukan pembagian dana bantuan, namun kadang kala terjadi ketidaksesuaian dalam penentuannya dikarenakan data dan informasi yang di terima kurang lengkap ,tidak akurat, kurang dapat dipercaya dan kurang sesuai dengan sasaran.pada akhirnya penentuan hanya berdasarkan beberapa indikator saja bahkan mengandalkan dugaan yang dipertimbangkan dari penilaian kondisi luar saja , hal tersebut seringkali menimbulkan kecemburuan sosial di kalangan masyarakat. Dalam pendataannya dilakukan dengan cara pencatatan langsung pada buku sehingga waktu pengolahan yang dibutuhkan cukup lama. Permasalahan-permasalahan tersebut, minimal bisa kita kurangi melalui pemanfaatan teknologi secara optimal dan penerapan metode Analytical hierarchy process (AHP) yang dapat menguraikan masalah multi faktor atau multi kriteria yang kompleks menjadi

suatu hirarki dalam menentukan prioritas tertinggi, tapi sistem penunjang keputusan ini hanya untuk memberikan alternatif pilihan bukan untuk menentukan keputusan akhir. Dengan sistem penunjang keputusan para pengambil keputusan dalam menentukan kebijakannya dapat dilakukan dengan cara yang tepat, efektif, serta data yang ada akan dikelola oleh sistem yang dibuat (komputerisasi), dengan pengolahan data yang terkomputerisasi diharapkan dapat menyajikan informasi yang cepat, tepat, jelas, dan terarah. Analisa terhadap data keluarga miskin kadang kala terjadi ketidaksesuaian akibat kesalahan pada saat proses pendataan, kesalahan dalam proses perhitungan, dan penilaian yang bersifat subjektif serta penyajian laporan pendataan yang tidak efektif sehingga kurang mendukung dalam pengambilan keputusan dan akhirnya penyaluran bantuanpun kurang tepat sasaran. Untuk itu diperlukan sebuah sistem penunjang keputusan untuk membantu proses tersebut. Pembatasan Masalah pada penelitian ini yaitu : 1. Studi kasus hanya dilakukan di Kelurahan Panyingkiran. 2. Ruang lingkup penelitian hanya mengenai bantuan dana sosial berupa pemasangan listrik gratis di kelurahan panyingkiran tasikmalaya dan tidak menyangkut bantuan yang lain.

115


3. Hasil keputusan hanya mengenai masyarakat yang layak atau tidak layak mendapat bantuan. 4. Bantuan hanya ditujukan bagi masyarakat yang memenuhi kriteria kelayakan yang sudah ditentukan. 5. Pengembangan aplikasi difokuskan pada implementasi metode Analytical Hierarchy Process terhadap kelayakan penerima bantuan. 6. Hasil penelitian diimplementasikan pada sebuah program aplikasi dengan bahasa pemrograman Microssoft Visual Basic 6.0 dan database Microssoft Access. 2.

METODE PENELITIAN

2.1. Pengertian Sistem Penunjang Keputusan Sistem penunjang keputusan (SPK) adalah bagian dari sistem informasi berbasis komputer termasuk sistem berbasis pengetahuan atau manajemen pengetahuan yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan. [3] 2.2. Pengertian Metode AHP Metode Analytical Hierarchy Process (AHP) merupakan metode untuk memecahkan suatu situasi yang kompleks tidak terstruktur ke dalam beberapa komponen dalam susunan yang hirarki, dengan memberi nilai subjektif tentang pentingnya setiap variabel secara relatif, dan menetapkan variabel mana yang memiliki prioritas paling tinggi guna mempengaruhi hasil pada situasi tersebut.[7] Tabel 1. Skala Dasar Pengukuran AHP Tingkat KepenDefinisi tingan 1

3

Kedua elemen sama pentingnya Elemen yang satu sedikit lebih penting dari pada elemen yang lainnya

5

Elemen yang satu lebih penting dari pada yang lainnya

7

Satu elemen jelas lebih mutlak penting dari pada elemen lainnya

9

2,4,6,8 Kebalika nnya

116

Satu elemen mutlak penting dari pada elemen lainnya Nilai-nilai antara dua nilai pertimbangan-pertimbanagan yang berdekatan Jika suatu sifat (X) dibandingkan dengan sifat lain (y), maka nilainya saling berkebalikan.

2.3. Metode Yang Digunakan Berdasarkan permasalahan yang dihadapi di kelurahan panyingkiran, penyusun menggunakan metode penelitian kualitatif atau disebut juga dengan metode penelitian Naturalistik yaitu metode yang berusaha mengumpulkan data sesuai dengan keadaan yang sebenarnya untuk memecahkan masalah yang ada, dimana metode penelitian ini digunakan untuk meneliti pada kondisi objek alamiah (sebagai lawannya adalah eksperimen), dan teknik-teknik pemecahan masalahnya dengan mengggunakan sistem informasi dan komputer. Karena dalam hal ini terjadi peningkatan kualitas sistem dan kualitas kerja[12]. Adapun metode yang digunakan untuk membangun suatu sistem pendukung keputusan dalam menentukan kelayakan masyarakat yang menerima bantuan dana sosial, berupa pemasangan listrik menggunakan metode Analytical Hierarchy Process yaitu suatu model keputusan yang menguraikan masalah multi faktor atau multi kriteria yang kompleks menjadi suatu hirarki, dimana suatu representasi dari sebuah permasalahan yang kompleks dalam suatu struktur multi level. Metode perancangan perangkat lunak yang digunakan adalah metode SDLC (System Development Life Cycle). SDLC merupakan siklus hidup pengembangan sistem yang memiliki tahapan Perencanaan, Analisis, Perancangan, Implementasi, Pengujian dan Pemeliharaan.[6] 3.


3.1. Analisis Kebutuhan Fungsional Prosedur yang berjalan adalah prosedur proses penentuan kelayakan penerimaan bantuan dana sosial bagi masyarakat miskin. Adapun alur yang terjadi adalah sebagai berikut: 1) Masyarakat mengajukan bantuan dana sosial berupa pemasangan listrik secara gratis melalui kepala RW setempat yang kemudian diserahkan kepada pihak kelurahan khususnya KASI KESRA (Kesejahteraan Rakyat). 2) KASI KESRA melakukan peninjauan dan penilaian berdasarkan indikator yang telah ditentukan terhadap data masyarakat telah yang diterima untuk selanjutnya dipilih siapa saja yang berhak menerima bantuan sesuai kuota yaitu 6 keluarga / tahun, proses penilaian tersebut dilakukan melalui metode perhitungan analitycal hierarchy process (AHP). Dan data-data tersebut disimpan dalam suatu database. 3) Data yang terpilih kemudian dibuatkan dalam bentuk laporan. 4) Laporan hasil penilaian beserta data penerima bantuan di serahkan kepada kepala


5)

6)

7)

8)

kelurahan untuk disetujui yang kemudian diajukan ke PEMKOT (Pemerintah Kota) setempat untuk penyetujuan kembali dan pencairan dana sosial. Setelah laporan data diterima, PEMKOT mengeluarkan surat pemberitahuan sebagai tanda bahwa pengajuan disetujui dan diterima sekaligus dengan pencairan dana untuk dialokasikan. Pihak kelurahan menerima surat pemberitahuan tersebut beserta dana bantuan untuk selanjutnya dialokasikan kepada masyarakat sesuai data penerima yang telah disetujui melalui bagian pelaksana KASI KESRA. Masyarakat menerima surat pemberitahuan keputusan penerimaan bantuan beserta dana bantuan yang sudah ditentukan. KASI KESRA kembali membuat laporan data penerima bantuan dana sosial berupa pemasangan listrik secara gratis sesuai dengan yang terealisasi yang nantinya diserahkan kepada kepala kelurahan.

SPK DANSOS Pemasangan Listrik Data Penilaian <> Data Masyarakat

Perekayasa sistem

MASYARAKAT

BAGIAN KASI KESRA (KASI Kesejahteraan Rakyat)

Halaman Utama

Login

<>

Fakta Integritas

Profil Kelurahan

Gambar 2. Use case Dansos listrik Keterangan : Login sebagai syarat untuk masuk ke menu utama, User memasukkan nama dan password pada form login, sistem melakukan pengecekan nama dan password yang dimasukkan dengan data yang tersimpan di database. Spesifikasi Login

PEMKOT (Pemerintah Kota)

Halaman Utama

masuk

Mulai

Pengajuan Bantuan

<>

User

Login KEPALA KELURAHAN

<>

<> <>

<> RW (Rukun Warga)

Laporan

Surat pengajuan Bantuan

Surat pengajuan Bantuan

Laporan hasil penilaian dan data pengajuan penerima bantuan

Laporan pengajuan

Tampilkan user Pemeriksaan Data

Proses penilaian sesuai kriteria Dengan perhitungan AHP

Penyetujua n laporan untuk diajukan

Laporan pengajuan yang sudah disetujui

Pemeriksaan laporan

Gambar 3. use case spesifikasi login

Penyetujuan laporan Dan pencairan dana

Spesifikasi Data Masyarakat

Login

<>

Data Masyarak at

User Laporan hasil penilaian dan data penerima bantuan

Edit

Pembuatan surat pemberitahuan penerimaan bantuan Surat pemberitahuan Dan penerimaan dana bantuan

Surat pemberitahuan dan dana bantuan

Surat pemberitahuan dan dana bantuan

Surat pemberitahuan Dan penyerahan dana

Halaman Utama

<>

Laporan

Penyimpanan Data

Perekayasa sistem

User

Hitung Penilaian

Delete

Tambah

Save

Perekayasa sistem

Gambar 4. usecase spesifikasi data masyarakat Pembuatan laporan data penerima bantuan yang terealisasi

Laporan penerima bantuan

Laporan penerima bantuan

Gambar 1. Flowchat Dokumen dari sistem khusus yang diajukan A. Usecase

117

Seminar Nasional Informatika 2014 Dibawah ini activity diagram dari program yang akan dibuat.

Spesifikasi Data Penilaian <>

Login

Halaman Utama

Masuk Halaman Login

Menu Utama

Data Masyarakat File

User

Data Penilaian

Hitung Prioritas

Perekayasa sistem

Data Masyarakat

Laporan

Input Data Masyarakat

Data Penilaian

Hitung Kelayakan

Hitung prioritas

Fakta integritas

Profil kelurahan

Logout

Simpan data

<> Hitung Kelayakan

Delete

Laporan Dansos listrik

Laporan rincian Data masyarakat

Laporan rincian Data indikator

Laporan rincian Data penilaian

Sejarah dan tugas pokok

Struktur

Sekilas DANSOS listrik

Uji Konsistensi

Add

Edit

Uji Konsistensi

Save

Gambar 5. use case spesifikasi data penilaian Spesifikasi Laporan

Gambar 8. Activity Diagram DANSOS Listrik <>

Login

Halaman Utama

<>

Laporan User Laporan rincian data penilaian

Laporan DANSOS Listrik

Laporan rincian data indikator

Laporan rincian data masyarakat

Perekayasa sistem

3.2. Perancangan Basis Data Entity Relationship Diagram (ERD) merupakan suatu diagram yang menggambarkan rancangan data yang akan disimpan atau dibentuk logika yang akan dipakai untuk menganalisa dan mendesain suatu basis data yang akan dibentuk. Adapun ERD pada sistem penunjang keputusan kelayakan penerimaan bantuan dana sosial ini dapat dilihat pada gambar berikut : p_penghasilan

sp_penghasilan

Gambar 6. use case spesifikasi laporan no_ktp

kd_indikator

nama

p_tanganak st_penduduk

Spesifikasi Profil kelurahan kd_pemohon

Halaman Utama

Login

alamat

Masyarakat

<> <>

Mempunyai

jarak_tiang

no_rek

Profil kelurahan

kd_pemohon

Penilaian

Mempunyai

jml_nilai

st_pemilik

kd_indikator

sp_tanganak

p_tangpok

Indikator

penghasilan

aset

ket sp_aset

sp_tangpok t_pokok

User

Sejarah singkat dan tugas pokok

p_aset

Perekayasa sistem

Struktur organisasi

Gambar 9. Entity Relationship Diagram 3.3. Relasi Antar Tabel

Gambar 7. use case spesifikasi profil kelurahan B. Activity Diagram Activity diagram merupakan suatu bentuk flow diagram yang memodelkan alur kerja (workflow) sebuah proses sistem informasi dan urutan aktifitas sebuah proses. kita dapat memodelkan sebuah alur kerja dari suatu aktifitas ke aktifitas lainnya atau dari suatu aktifitas kedalam keadaan sesaat. Activity diagram akan lebih bermanfaat apabila terlebih dahulu kita memodelkan sebuah proses untuk membantu kita memahami proses secara keseluruhan.

118

datnilai

datindikator

**kd_pemohon

*kd_indikator

**kd_indikator

st_penduduk

p_penghasilan

st_pemilik

datmas

sp_penghasilan

Penghasilan

*kd_pemohon

p_tanganak

t_anak

no_ktp

sp_tanganak

t_pokok

Nama

p_tangpok

aset

Alamat

sp_tangpok

no_rek

p_aset

jarak_tiang

sp_aset

ket

jml_nilai

Gambar 10. Relasi antar table

t_anak

Seminar Nasional Informatika 2014 3.4. Implementasi Metode Perhitungan AHP (Analitycal Hierarchy Proccess) Tabel 2. Indikator yang digunakan Indikator yang Indikator lama diajukan 1. Status 1. Status kependudukan kependudukan 2. Status Kepemilikan 2. Status Rumah Kepemilikan 3. Penghasilan Rumah 3. Penghasilan 4. Tanggungan Anak 5. Tanggungan pokok 6. Aset lain Khusus untuk status kependudukan dan status kepemilikan rumah, perhitungan / penilaiannya tanpa melalui metode Analytical Hierarchy Process (AHP) karena indikator tersebut bersifat mutlak. Ketentuan penilaiannya adalah sebagai berikut: Penduduk kota Tasikmalaya Status Kependudukan Bukan penduduk kota Tasikmalaya

Milik Sendiri Status Kepemilikan Rumah Bukan milik sendiri (sewa/kontrak)

Gambar 11. Ketentuan indicator Apabila semua indikator diatas telah terpenuhi dan timbulnya perhitungan yang menghasilkan nilai yang sama dan termasuk pada kuota yang tersedia maka dilakukan pertimbangan tambahan pada indikator alternatif yang disediakan. Berikut ketentuan Indikator alternative yang disediakan. 1. Tanggungan Kesehatan khusus (ada/tidak ada) 2. Usia Produktif (termasuk/tidak termasuk) 3. Tabungan (memiliki/tidak memiliki) termasuk jumlah tabungan jika ada. 4. Jenis Penghasilan (tetap/tidak tetap)

Tabel 3 . Nilai prioritas dan sub prioritas yang digunakan Penghas TanggungTanggungan ilan an anak pokok 0.45 0.25 0.25 Prioritas 1.00 1.00 1.00 x 0.55 0.55 0.55 y 0.30 0.30 0.30 z

Aset 0.05 1.00 0.55 0.30

Keterangan : x <= 500.000 Penghasilan

y >500.000 sampai<= 1.250.000 <=2

z >1.250.000

Tanggungan >2 0 anak Tanggungan >500.000 >300.000 <300.000 Pokok sampai500.000 <=1.000.000 >1.000.000 >3.000.000 Aset Lain sampai3.000.000 3.5. Implementasi Program yang akan dirancang merupakan suatu program untuk sistem penunjang keputusan dalam penentuan kelayakan penerimaan bantuan dana sosial berupa pemasangan listrik secara gratis yang dimulai dengan halaman login, jika berhasil dalam tahap login maka akan muncul halaman menu utama. Selanjutnya user dapat memilih salah satu diantara menu tersebut,. Pada menu data masyarakat, user dapat menginputkan data masyarakat dan data indikator sesuai dengan permintaan yang ada, kemudian user juga dapat menyimpan, menghapus, serta menambahkan file baru. Jika semua indikator mutlak terpenuhi, maka akan ada petunjuk untuk menuju halaman berikutnya. Program ini juga dapat menampilkan laporan – laporan dari proses sebelumnya. Tergantung dari data yang diminta. Serta dapat pula melihat profil kelurahan jika diperlukan 3.6. Pengujian Tabel 4. Tabel Pengujian Item Uji Detail Jenis Pengujian Pengujian Login Verifikasi Blackbox Login Form Menu Menu Blackbox Utama Form Data Input Blackbox Masyarakat Form Data Input Blackbox Penilaian Form Fakta output Blackbox Integritas Adapun pengujian metode keputusan disini lebih mengarah pada kesesuaian antara hasil

119

Seminar Nasional Informatika 2014 perhitungan dengan ketentuan perhitungan yang berlaku.. Tabel 5. Hasil Pengujian No Aspek Pengujian Hasil Kesesuaian Permasalahan 1 dengan metode yang Diterima digunakan Penggunaan lebih dari 2 2 Diterima indikator Penentuan bobot 3 Diterima kepentingan 4 Konsistensi nilai Diterima Nilai prioritas tertinggi 5 Diterima adalah 1.00 Penentuan kelayakan dilihat 6 Diterima dari total nilai tertinggi Kesesuaian hasil nilai 6 dengan ketentuan Diterima perhitungan Adanya contoh kasus 7 dengan berbagai Diterima kemungkinan kondisi.

Gambar 14. Layout Input Data Masyarakat

Gambar 15. Layout Input Data Penilaian

Gambar 12. Layout Login

Gambar 16. Layout Laporan

4.

Gambar 13. Layout Menu Utama

120

KESIMPULAN

Setelah melakukan pembahasan dan pengkajian tentang perancangan sistem penunjang keputusan penentuan kelayakan penerimaan bantuan dana sosial berupa pemasangan listrik secara gratis di Kelurahan Panyingkiran Tasikmalaya, penelitian ini dapat ditarik beberapa kesimpulan, yaitu: 1) Dengan adanya sistem penunjang keputusan tersebut, dapat membantu mempermudah proses kinerja kepala kelurahan dalam pengambilan keputusan untuk menentukan kelayakan masyarakat dalam menerima bantuan dana sosial.

Seminar Nasional Informatika 2014 2)

3)

4)

5. 1)

2)

3)

4)

Tidak ada kriteria khusus untuk membantu proses penilaian kelayakan penerima bantuan. Sistem penunjang keputusan ini dikembangkan dari sisi penilaian terhadap kriteria yang ada melalui metode Analytical Hierarchy Process (AHP) Sehingga pihak terkait dapat mengambil keputusan yang terbaik. Kemajuan teknologi dapat dimanfaatkan dengan sebaik-baiknya oleh pihak kelurahan sehingga dalam sistem pengolahan data maupun penilaian bisa lebih baik dari sebelumnya. SARAN Sesuai dengan perkembangan Teknologi informasi dewasa ini, disarankan agar pengguna (user) dapat menerapkan, memanfaatkan dan memaksimalkan sistem yang telah dibuat oleh penulis. Perlu ditambahkan indikatoratau kriteria untuk lebih memaksimalkan informasi yang dihasilkan, sehingga sistem ini tidak cuma bisa memberikan alternatif pilihan tapi bisa menentukan keputusan akhir. Dianjurkan untuk mengadakan pelatihan terhadap karyawan khususnya pengguna, agar sistem tersebut bisa lebih dioptimalkan. Karena hasil penilaian saat ini dirasakan masih kurang dari sempurna, untuk itu pada pengembangan selanjutnya disarankan diadakan penambahan form untuk menambah indikator, dan meningkatkan sisi sumber data yang di peroleh agar penilaian lebih akurat dan lengkap.

DAFTAR PUSTAKA [1] Jogiyanto, Analisis dan Desain Sistem Informasi Pendekatan Terstruktur Teori dan Praktek Aplikasi Bisnis, Yogyakarta: Andi, 2007 hal. 20. [2] Kusrini M.Kom, Strategi Perancangan dan Pengolahan Basis Data,Yohanes D.Jati Purnama, Bandung: Andi, 2007 hal. 22. [3] Jogiyanto.HM.,MBA.,Akt.,Ph.D,Pengenala n Komputer: DasarI lmu Komputer, Pemrograman, SistemInformsi dan Inteligensi Buatan, Ed III., Andi Offset, Yogyakarta: Hal. 711. [4] Kadir, Abdul.Pengenalan Sistem Informas i Edisi kesatu, Andi Yogyakarta : 2008 Hal. 254. [5] KuristantoAndri, Perancangan SistemInformasi dan Aplikasi,Gava Media, Yogyakarta: 2008, hal. 81. [6] Kusrini M.Kom, Konsep Dan Aplikasi Sistem Pendukung Keputusan, Yogyakarta: Andi, 2008 hal. 15,20. [7] Kusrini M.Kom, Konsep Dan Aplikasi Sistem Pendukung Keputusan, Yogyakarta: Andi, 2008 hal. 134, 138 [8] Wahab,Abdul Aziz, Anatomi Organisasi dan Kepemimpinan Pendidikan, Bandung: Alfabeta, 2008 hal. 35. [9] Sugiyono, Prof Dr., Metode Penelitian Kuantitatif Kualitatif dan R & D, CV. Alfabeta, Bandung, 2009, Hal : 8, 225 [10] Nugroho, Adi, Rekayasa Perangkat Lunk Berorientasi Objek dengan Metode USDP (Yogyakarta: CV. Andi Offset, 2010), Hal:4 [11] Haer,Talib.PanduanLengkap Microsoft Access 2010, (ElexmediaKomputindo, 2011), hal 15 [12] Nurhadi, Zikri Fachrul, M.Si., dan A.H Din, Makbul, M.Si., Metodologi Penelitian Kualitatif, Alfabeta Bandung, Bandung, 2012, Hal: 39

121


SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA SAWIT DENGAN METODE CERTAINTY FACTOR Linda Wahyuni1, Surya Darma2 1

Dosen Jurusan Sistem Informasi, STMIK Potensi Utama Mahasiswa Jurusan Sistem Informasi STMIK Potensi Utama 1,2 STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Medan 1 linda_irsyad83@yahoo.co.id, 2 surya.darma_pu@yahoo.com 2

Abstrak Tanaman kelapa sawit (Elaeis guinensis) berasal dari Nigeria, Afrika Barat. Pada kenyataannya tanaman kelapa sawit hidup subur di luar daerah asalnya, seperti Malaysia, Indonesia, Thailand, dan Papua Nugini. Bagi Indonesia, tanaman kelapa sawit memiliki arti penting bagi pembangunan perkebunan nasional. Selain mampu menciptakan kesempatan kerja yang mengarah pada kesejahteraan masyarakat, juga sebagai sumber perolehan devisa negara, di samping itu banyaknya jenis penyakit pada tanaman kelapa sawit dan kurangnya informasi untuk menangani penyakit tersebut bahkan susahnya orang awam dalam berkonsultasi langsung dengan seorang pakar membuat petani kesulitan dalam menangani penyakit pada tanaman kelapa sawit tersebut. Dari penjelasan di atas untuk itu penulis membuat suatu sistem pakar mendiagnosa penyakit tanaman kelapa sawit dengan metode certainty factor yang dimaksudkan untuk membantu kerja petani dalam memberikan informasi serta kesimpulan dari penyakit yang di derita pada tanaman kelapa sawit tersebut. Experimen yang dilakukan dengan menggunakan Basis Rule untuk mendiagnosa gejala-gejala penyakit tanaman kelapa sawit dan jenis penyakit kelapa sawit tersebut, dan memberikan solusi yang tepat untuk penanganannya. Kata kunci : sistem pakar, penyakit kelapa sawit, certainty factor. 1.

Pendahuluan

Seiring dengan perkembangan teknologi komputer, boleh dikatakan komputer telah menjadi benda yang umum di jumpai diberbagai aspek kehidupan manusia, misalnya sebagai alat bantu bisnis, alat komunikasi dan navigasi, alat bantu pendidikan, alat bantu sains, sampai alat bantu dalam proses produksi. Untuk memaksimalkan kemampuan komputer diperlukan perangkat lunak yang handal dalam menangani pemrosesan data dan penyajian informasi yang dibutuhkan [4] Tanaman kelapa sawit (Elaeis guinensis) berasal dari Nigeria, Afrika Barat. Pada kenyataannya tanaman kelapa sawit hidup subur di luar daerah asalnya, seperti Malaysia, Indonesia, Thailand, dan Papua Nugini. Bagi Indonesia, tanaman kelapa sawit memiliki arti penting bagi pembangunan perkebunan nasional. Selain mampu menciptakan kesempatan kerja yang mengarah pada kesejahteraan masyarakat, juga sebagai sumber perolehan devisa negara.[2] Ilmu yang mempelajari bagaimana membuat suatu mesin seolah-olah memiliki kecerdasan buatan dalam memecahkan suatu masalah yang diberikan padanya disebut dengan artificial intelligence atau kecerdasan buatan. Sistem pakar merupakan salah satu software yang dapat menduplikasi fungsi seorang pakar dalam

122

suatu bidang keahlian. Hal ini dilakukan dengan cara memberi basis pengetahuan dan inferensi sehingga dapat menggunakan penalaran dalam memecahkan masalah. Program ini bertindak sebagai seorang penasehat dalam suatu lingkungan keahlian tertentu. Metode inferensi dalam penulisan ini menggunakan metode certainty factor yang merupakan pendekatan yang dimulai dari sekumpulan data menuju kesimpulan dan penalarannya secara deduktif, yang menentukan fakta spesifikasi dari aturan-aturan yang umum untuk mendapatkan kesimpulan yang lebih khusus. Salah satu aplikasi sistem pakar adalah dalam bidang pertanian khususnya yang digunakan untuk mendiagnosa penyakit pada tanaman kelapa sawit. Masyarakat awam kurang memahami dalam menangani gejala-gejala penyakit pada tanaman kelapa sawit, disamping itu kurangnya informasi membuat masyarakat awam buta akan menyimpulkan jenis penyakit apa yang diderita oleh tanaman kelapa sawit tersebut, hal ini juga salah satu faktor menurunnya devisa negara dalam mengekspor minyak kelapa sawit ke luar negeri. Dengan demikian pada makalah ini akan dirancang suatu sistem yang bertujuan untuk menyajikan pengadopsian cara berpikir manusia kedalam suatu program sistem pakar yang mampu mendiagnosa penyakit tanaman kelapa sawit

Seminar Nasional Informatika 2014 dengan metode certainty factor sebagai alat bantu dalam mengambil kesimpulan pada penyakit tanaman kelapa sawit tersebut.

kemudian tahun 1923 mulai mengekspor minyak inti sawit sebesar 850 ton.[2] 2.4 Metode Certainty Factor

2.

Dasar Teori

2.1 Sistem Pakar Sistem Pakar (Expert System) adalah suatu program komputer cerdas yang menggunakan knowledge (pengetahuan) dan prosedur inferensi untuk menyelesaikan masalah yang cukup sulit sehingga membutuhkan seorang yang ahli untuk menyelesaikannya [1]. Semakin banyak pengetahuan yang dimasukkan kedalam sistem pakar, maka sistem tersebut akan semakin bertindak sehingga hampir menyerupai pakar sebenarnya.

Gambar : 1. Konsep Dasar Sistem Pakar 2.2 Kekurangan Sistem Pakar Selain manfaat, ada juga beberapa kekurangan yang ada pada Sistem Pakar, diantaranya [5]: 1. Biaya yang sangat mahal untuk membuat dan memeliharanya. 2. Sulit dikembangkan karena keterbatasan keahlian dan ketersediaan pakar. 3. Sistem pakar tidak 100% bernilai benar. 2.3 Sekilas Sejarah Kelapa Sawit Kelapa sawit pertama kali diperkenalkan di Indonesia oleh pemerintah Belanda pada tahun 1848. Ketika itu ada empat batang bibit kelapa sawit yang dibawa dari Mauritius dan Amsterdam dan ditanam di Kebun Raya Bogor. Tanaman kelapa sawit mulai diusahakan dan dibudidayakan secara komersial pada tahun 1911. Perintis usaha perkebunan kelapa sawit di Indonesia adalah Adrien Hallet, seorang Belgia yang telah belajar banyak tentang kelapa sawit di Afrika. Budi daya yang dilakukannya diikuti oleh K. Schadt yang menandai lahirnya perkebunan kelapa sawit di Indonesia. Sejak saat itu perkebunan kelapa sawit di Indonesia mulai berkembang. Perkebunan kelapa sawit pertama berlokasi di Pantai Timur Sumatera (Deli) dan Aceh. Luas areal perkebunannya mencapai 5.123 ha. Indonesia mulai mengekspor minyak sawit pada tahun 1919 sebesar 567 ton ke negara-negara Eropa,

Certainty Factor (CF) menunjukkan ukuran kepastian terhadap suatu fakta atau aturan [3]. Dalam mengekspresikan derajat keyakinan, Certainty Theory menggunakan suatu nilai yang disebut certainty factor (CF) untuk mengasumsikan derajat keyakinan seorang pakar terhadap suatu data. certainty factor memperkenalkan konsep belief/keyakinan dan disbelief/ketidakyakinan. Konsep ini kemudian diformulasikan dalam rumusan dasar sebagai berikut: CF[H,E] = MB[H,E] – MD[H,E] Keterangan : CF = Certainty Factor (Faktor Kepastian) dalam Hipotesis H yang dipengaruhi oleh fakta E. MB of Belief (Tingkat = Measure Keyakinan), merupakan ukuran kenaikan dari kepercayaan hipotesis H dipengaruhi oleh fakta E. MD = Measure of Disbelief (Tingkat Ketidakyakinan), merupakan kenaikan dari ketidakpercayaan hipotesis H dipengaruhi oleh fakta E. E = Evidence (Peristiwa atau Fakta) Ada 3 hal yang mungkin terjadi pada metode Certainty Factor, yaitu : 1. Beberapa evidence dikombinasikan untuk menentukan CF dari suatu hipotesis. Jika e1 dan e2 adalah observasi ditunjukkan oleh gambar. 2, Maka:

Gambar 2. Dua Efidence

2. CF dihitung dari kombinasi beberapa hipotesis .Jika h1 dan h2 adalah hipotesis yang ditunjukkan oleh gambar. 3.

123

Seminar Nasional Informatika 2014 1.

Gambar 3. Kombinasi Beberapa Hipotesis

Use Case Diagram Adapun diagram yang menggambarkan interaksi beberapa aktor dalam sistem yang di rancang ini dapat dilihat pada gambar. 5 berikut ini:

Maka :

SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA SAWIT DENGAN METODE CERTAINTY FACTOR

Login pakar

<> <> <>

Login user

3. Beberapa aturan saling bergandengan, ketidak pastian dari suatu aturan menjadi input untuk aturan yang lainnya. Jika beberapa aturan saling bergandengan ditunjukkan oleh gambar. 4 berikut:

<>

<>

Mengolah data pakar

<>

Input data user

Input data aturan

<>

Pakar <>

Input data penyakit

Melakukan konsultasi

<>

Mengolah basis pengetahuan

<>

User Mendapatkan hasil konsultasi

Manipulasi hasil

Melihat laporan hasil konsultasi

Gambar 4. Beberapa Aturan Saling Bergandengan Maka : MB[h,s] = MB’[h,s] * max (0,CF[s,e]) MB’[h,s] = ukuran kepercayaan h berdasarkan keyakinan penuh terhadap validitas s. [6] 2.5 Kelebihan dan Kekurangan Certainty Factor Kelebihan dari metode Certainty Factor adalah: 1. Metode ini cocok dipakai dalam sistem pakar yang mengandung ketidak pastian. 2. Dalam sekali proses perhitungan hanya dapat mengolah 2 data saja sehingga keakuratan data dapat terjaga [5]. Sedangkan kekurangan metode Certainty Factor adalah: 1. Pemodelan ketidak pastian yang menggunakan perhitungan metode Certainty Factor biasanya masih diperdebatkan. 2. Untuk data lebih dari 2 buah, harus dilakukan beberapa kali pengolahan data [5]. 3.

Analisa dan Perancangan

Desain Sistem Perancangan desain sistem yang akan dibangun menggunakan pemodelan Unified Modelling System ( UML ). Diagram-diagram yang digunakan use case diagram, dan sequence diagram konsultasi saja. 124

Gambar 5. Use Case Diagram Pada use case diagram di atas terdapat 2 aktor yaitu User, dan Pakar. Kedua aktor tersebut memiliki peranan masing-masing, yaitu tugas user yang melakukan konsultasi, sebelum user melakukan aktifitas konsultasi user diwajibkan login terlebih dahulu sebagai login user, langkah selanjutnya yaitu mengisi data user, dikarenakan agar seorang pakar dapat mengetahui pengguna sistem tersebut, setelah user melakukan konsultasi, user dapat melihat langsung hasil konsultasi tersebut. Pakar disini bertindak sebagai mengolah data pakar, menginput data aturan, menginput data penyakit, mengolah basis pengetahuan, manipulasi hasil setelah sebelumnya telah melakukan login pakar terlebih dahulu, dan melihat laporan hasil konsultasi untuk keperluan akses sistem. 2.

Sequence Diagram Konsultasi Sequence Diagram menggambarkan perilaku pada sebuah skenario, diagram ini menunjukkan sejumlah contoh objek dan message (pesan) yang diletakkan diantara objek-objek ini di dalam use case, dalam hal ini penulis hanya menggambarkan skenario sequence diagram konsultasi. Gambar. 6 berikut merupakan sequence diagram konsultasi user.


Data User

User

Input data user

Menu Konsultasi

User

Basis Pengetahuan

Simpan data user

Memberikan pertanyaan

Memberikan pertanyaan

Menjawab Pertanyaan Cek Gejala

Hasil Diagnosa Diagnosa

Gambar : 6. Sequence Diagram Konsultasi 4.

Pembahasan

Representasi Pengetahuan Representasi pengetahuan (knowledge representation) adalah cara untuk menyajikan pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi antara suatu pengetahuan dengan pengetahuan yang lain dan dapat dipakai untuk menguji kebenaran penalarannya. Representasi pengetahuan dibutuhkan untuk menangkap sifatsifat penting masalah dan mempermudah prosedur pemecahan masalah dalam mengakses informasi. Format representasi harus mudah dipahami sehingga seorang programmer mampu mengekspresikan pengetahuan (fakta), namun semua cara tersebut harus mengacu pada dua entitas berikut. 3. Fakta, yaitu kejadian sebenarnya. Fakta inilah yang akan kita representasikan. 4. Representasi dari fakta. Berdasarkan representasi inilah kita dapat mengolah fakta.[6] Basis pengetahuan yang di dalam sistem pakar ini akan digunakan untuk menentukan proses pencarian atau menentukan kesimpulan yang diperoleh dari hasil analisis. Hasil yang diperoleh setelah pengguna melakukan interaksi dengan sistem pakar yaitu dengan menjawab pertanyaan yang diajukan oleh sistem pakar. Basis pengetahuan yang di gunakan didalam sistem pakar ini terdiri dari : gejala-gejala yang diderita dan hasil diagnosa yang diberikan oleh pakar. Adapun tabel keputusan untuk gejalagejala yang terjadi dapat dilihat pada tabel. 1 dibawah ini: (tabel dilampiran) Dalam memecahkan masalah metode yang digunakan adalah metode Certainty Factor serta kaidah produksi IF –THEN dimana gejala-gejala pada penyakit kelapa sawit di umpamakan dengan Jika dan solusi penanggannya diumpamakan dengan Maka.

Bentuk pernyataannya adalah : JIKA [gejala 1] JIKA [gejala 2] DAN [gejala 3] MAKA [Penyakit] Berikut ini merupakan algoritma yang di gunakan dalam mendiagnosa penyakit pada tanaman kelapa sawit. 5. Kaidah untuk Penyakit Daun Bibit Muda (Anthracnose) IF Daun terdapat bercak-bercak dikelilingi warna kuning, AND Adanya warna hitam dan coklat di antara tulang daun, AND Daun yang terserang menjadi kering, THEN Penyakit daun bibit muda (anthracnose) 6. Kaidah untuk Penyakit Akar (Blast Disease) IF Akar menjadi lunak, AND Daun bibit kusam berwarna kekuning-kuningan yang dimulai dari bagian ujung daun, AND Daun menjadi layu, AND Daun berubah warna menjadi kuning cerah, AND Daun terdapat bercak-bercak dikelilingi warna kuning, THEN Penyakit akar (blast disease) 7. Kaidah untuk Penyakit Tajuk (Crown Disease) IF Tanaman berumur 2-4 tahun, AND Helai daun mulai dari pertengahan sampai ujung pelepah kecil-kecil, AND Daunnya robek-robek, AND Pelepah membengkok, AND Jaringan yang terinfeksi pada pelepah yang tidak membuka berwarna coklat kemerah-merahan, THEN Penyakit tajuk (crown disease) 8. Kaidah untuk Penyakit Busuk Pangkal Batang (Basal Stem rot atau ganoderma) IF Pelepah daun tampak layu, AND Pelepah daun berwarna pucat, AND Bagian daun paling tua mengalami nekrosis, AND Pelepah daun akan patah dan menggantung, AND Daun tombak (pupus) yang baru muncul tidak membuka dan berkumpul lebih dari 3 helai, AND Pangkal batang menghitam, AND Keluar getah pada bagian yang terinfeksi, THEN Penyakit busuk pangkal batang (basal stem rot atau ganoderma)

125

Seminar Nasional Informatika 2014 9. Kaidah untuk Penyakit Busuk Batang Atas (Upper Stem Rot) IF Warna daun yang terbawah berubah, AND Kuncup daun terinfeksi, AND Pembusukan pada batang, AND Batang yang membusuk berwarna keabu-abuan, THEN Penyakt Busuk Batang Atas (Upper Stem Rot) 10. Kaidah untuk Penyakit Busuk Kering Pangkal Batang (Dry Basal Rot) IF Tandan buah membusuk, AND Pembentukan bunga terhambat, AND Pelepah daun bagian bawah patahpatah, THEN Penyakit busuk kering pangkal batang (dry basal rot) 11. Kaidah untuk Penyaki Busuk Kuncup (Spear Rot) IF Jaringan pada kuncup membusuk AND Jaringan kuncup berwarna kecoklat-coklatan, AND Tajuk mudah di cabut, AND Kuncup membengkok, THEN Penyakit busuk kuncup (spear rot) 12. Kaidah untuk Penyakit Garis Kuning (Patch Yellow) IF Daun tampak bercak-bercak lonjong berwarna kuning dan ditengahnya terdapat warna coklat, AND Daun yang terserang menjadi kering, AND Daun berguguran, THEN Penykit garis kuning (patch yellow) 13. Kaidah untuk Penyakit Busuk Tandan (Bunch Rot) IF Tanaman berumur 3-10 tahun, AND Permukaan tandan terdapat benangbenang jamur putih mengkilat, AND Perikarpnya menjadi lembek dan busuk, AND Warna buah berubah menjadi kecoklatan dan berubah lagi menjadi kehitam-hitaman, THEN Penyakit busuk tandan (bunch rot) 5.

Penerapan Metode Certainty Factor

Metode certainty factor yang akan diterapkan dalam pembuatan sistem pakar ini adalah metode dengan rumus certainty factor sebagai berikut : CF(H,e) = CF(E,e) * CF(H,E)

126

Di mana : CF(E,e) : CF(H,E)

:

CF(H,e)

:

certainty factor evidence E yang dipengaruhi oleh evidence e. certainty factor hipotesis dengan asumsi evidence diketahui dengan pasti, yaitu ketika CF(E,e) = 1. certainty factor hipotesis yang dipengaruhi oleh evidence e.

Karena semua evidence pada antecedent diketahui dengan pasti maka rumusnya menjadi : CF(H,e) = CF(H,E) Contoh perhitungan nilai certainty factor untuk sistem ini adalah sebagai berikut: JIKA Daun terdapat bercak-bercak dikelilingi warna kuning, DAN Adanya warna hitam dan coklat di antara tulang daun, DAN Daun yang terserang menjadi kering, MAKA Penyakit daun bibit muda (anthracnose) CF = 0.9 Dengan menganggap E1 : “daun terdapat bercak-bercak dikelilingi warna kuning” E2 : ”adanya warna hitam dan coklat di antara tulang daun” E3 : ”daun yang terserang menjadi kering” Nilai certainty factor hipotesis pada saat evidence pasti adalah : CF(H,E) = CF(H,E1 ∩ E2 ∩ E3) = 0.9 Dalam kasus ini, kondisi tanaman tidak dapat ditentukan dengan pasti. Certainty factor evidence E yang dipengaruhi partial evidence e ditunjukkan dengan nilai sebagai berikut: CF(E1 , e) = 0.9 CF(E2 , e) = 0.7 CF(E3 , e) = 0.9 Sehingga CF(E,e) = CF(E1 ∩ E2 ∩ E3 , e) = min [CF(E1,e), CF(E2,e), CF(E3,e)] = min [0.9, 0.7, 0.9] = 0.7 Nilai certainty factor hipotesis adalah: CF(H,e) = CF(E,e) * CF(H,E) = 0.7 * 0.9 = 0.63 Hal ini berarti besarnya kepercayaan pakar terhadap nilai penyakit dengan kode penyakit P001 adalah 0.63 atau bila diprosentasekan nilainya menjadi 63%. Nilai CF (Rule) didapat dari interpretasi “term” dari pakar, yang diubah menjadi nilai CF tertentu sesuai tabel. 2 berikut.

Seminar Nasional Informatika 2014 Tabel 2. Certainty Factor (CF) Rule Uncertain Term CF Definitely not (pasti tidak) -1.0 Almost certainly not (hampir pasti -0.8 tidak) Probably not (kemungkinan besar -0.6 tidak) Maybe not (mungkin tidak) -0.4 Unknown (tidak tahu) -0.2 to 0.2 Maybe (mungkin) 0.4 Probably (kemungkinan besar) 0.6 Almost certainly (hampir pasti) 0.8 Definitely (pasti) 1.0 6.

2.

3.

4.

Hasil

Form ini merupakan tampilan data knowledge. Pada form ini terdapat aturan dari beberapa pertanyaan berupa gejala dari penyakit tanaman kelapa sawit yang bersangkutan. Gambar. 7 berikut ini menampilkan form knowledge.

5.

6.

menunjukkan bahwa sistem pakar ini dapat mendiagnosa penyakit tanaman kelapa sawit sesuai dengan jawaban yang diberikan oleh user dengan nilai keakuratan 85%. Sistem yang penulis rancang hanya dapat digunakan untuk mendiagnosa penyakit pada tanaman kelapa sawit saja. Metode yang digunakan dalam perancangan aplikasi ini adalah metode Certainty Factor. Dengan dilakukannya pemakaian sistem informasi yang tepat terutama dalam masalah konsultasi, maka hasil yang diperoleh dalam menangani masalah tersebut akan jauh lebih cepat, sehingga data yang dibutuhkan akan lebih cepat dan efisien sekalipun data yang diolah banyak. Sistem pakar yang dibuat akan memberikan solusi berupa penanganan awal serta pola penanganan penyakit tanaman kelapa sawit. Sistem Informasi ini telah dirancang dan diimplementasikan menggunakan program Visual Basic 2010 dan Ms. SQL Server 2008 sebagai databasenya dan sudah dapat digunakan untuk konsultasi mengenai penyakit pada tanaman kelapa sawit.

Daftar Pustaka: [1] [2] [3] Gambar 7. Form Knowledge 7.

Kesimpulan [4]

Dari uraian secara teoritis dan dari hasil penelitian yang dilakukan penulis, maka penulis akan mencoba menarik kesimpulan. Adapun kesimpulan yang penulis kemukakan adalah sebagai berikut : 1. Hasil pengujian ”Sistem Pakar Mendiagnosa Penyakit Tanaman Kelapa Sawit dengan Metode Certainty Factor”

[5] [6]

Arhami Muhammad, 2005, Konsep Dasar Sistem Pakar, Yogyakarta, Andi Offset. Fauzi Yan, et al, 2002, Kelapa Sawit, Jakarta, Penebar Swadaya. Kusumadewi Sri, 2003, Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu, Yogyakarta Roger Presman, 2002, Rekayasa Perangkat Lunak, Yogyakarta, Penerbit Andi. Sutojo, et al, 2011, Kecerdasan Buatan, Jogyakarta, Andi Offset. Wahyuni Linda, 2013, Sistem Pakar Untuk Mendiagnosa Penyakit Kanker Tulang, Prosiding SNIf STMIK Potensi Utama 2013.

127


PENGEMBANGAN APLIKASI MULTIMEDIA PENGENALAN DAN PEMBELAJARAN ORIGAMI DENGAN PENDEKATAN ADDIE Muhammad Rusdi Tanjung, Tri Fitrianingsih Parsika 1,2

3

Teknik Informatika STMIK Potensi Utama Jl. KL Yos Sudarso, Km. 6,5 Tanjung Mulia Medan 1 rsd.adi@gmail.com

Abstrak Media pembelajaran berbasis multimedia sangat populer digunakan karena dianggap dapat membantu penyampaian materi menjadi lebih menarik dan memancing pengguna untuk belajar secara mandiri. Teknik dan pendekatan pembuatan media pembelajaran dapat dilakukan dengan berbagai cara, Metode pembelajaran dengan multimedia bertujuan untuk memudahkan guru dalam mengajar dan mempermudah siswa memahami materi, salah satunya dengan pendekatan ADDIE (Analysis, Design, Development, Implementation, Evaluation). Pengenalan pembelajaran origami dengan pendekatan ADDIE diharapkan dapat menjadi suatu media penambah ilmu pengetahuan bagi anak-anak maupun tingkat dewasa dalam estetika seni melipat kertas. Hasil evaluasi atas aspek interaktif menunjukkan bahwa aplikasi yang sudah dikembangkan dianggap memenuhi kriteria sebagai aplikasi interaktif, berdasarkan perspektif pengguna, namun dalam penelitian ini tidak dilakukan evaluasi atas materi yang disampaikan Kata kunci : Multimedia, Pembelajaran Interaktif, Origam, ADDIE 1.

Pendahuluan

Dukungan multimedia yang interaktif terhadap proses pembelajaran sudah banyak diakui keunggulannya. Metode pembelajaran dengan multimedia bertujuan untuk memudahkan guru dalam mengajar dan mempermudah siswa memahami materi. Dengan penerapan animasi, siswa akan memperoleh gambaran yang nyata sehingga proses penyerapan informasi akan lebih bermakna. Sadiman (2002:9) menyatakan media pembelajaran sebagai segala sesuatu yang dapat merangsang pikiran, perasaan, perhatian dan minat, serta memotivasi siswa sedemikian rupa sehingga materi pelajaran dapat tersampaikan dengan baik. Media animasi juga berguna untuk melawan kebosanan siswa dalam belajar sehingga siswa tetap aktif dalam mengikuti proses pembelajaran. Pada penelitian ini, model ADDIE diterapkan sebagai pendekatan dalam pendefinisian struktur informasi serta langkahlangkah pengembangan aplikasi multimedia interaktif. Model ADDIE dipilih karena sudah banyak digunakan untuk pengembangan aplikasi CBT (computer based training) atau aplikasi pembelajaran berbasis multimedia. Materi meliputi informasi pengenalan sejarah Origami, metode dasar lipatan, tutorial melipat origami objek hewan berdasarkan tingkat kesulitan.

128

2.

Kajian Pustaka

Dari segi pengertian, multimedia interaktif dapat di artikan sebagai kombinasi berbagai unsur media yang terdiri dari teks, grafis, foto, animasi, video, dan suara yang disajikan secara interaktif dalam media pembelajaran. Pendidikan adalah usaha sadar dan sistemastis, yang dilakukan orang-orang yang diserahi tanggung jawab untuk mempengaruhi peserta didik agar mempunyai sifat dan tabiat sesuai dengan cita-cita pendidikan (Achmad Munib, 2004:34). Pendidikan ialah pimpinan yang diberikan dengan sengaja oleh orang dewasa kepada anak-anak, dalam pertumbuhannya (jasmani dan rohani) agar berguna bagi diri sendiri dan bagi masyarakat (M. Ngalim Purwanto, 2002:10). CBT dan Multimedia Interaktif CBT atau Computer Based Training adalah penyajian materi pelatihan dan pendidikan melalui komputer. CBT dapat hadir dalam berbagai bentuk, mulai dari presentasi sederhana informasi dalam bentuk teks, hingga presentasi materi kursus dalam bentuk aplikasi multimedia yang dilengkapi dengan teks, image, video, audio, interaksi dan umpan balik dari pengguna (Hick, 1997). CBT berperan sebagai pelengkap sistem pelatihan yang memudahkan instruktur untuk berinteraksi dengan pengguna. Multimedia interaktif adalah teknologi dinamis yang memerlukan input tertentu dari pengguna untuk menyampaikan sekumpulan

Seminar Nasional Informatika 2014 informasi melalui teks, grafis, image, atau video. Biasanya aplikasi multimedia interaktif dirancang untuk menampilkan hasil tertentu dan memberikan umpan balik dengan cepat, tergantung pada jenis komputer yang digunakan atau bentuk antarmuka yang diakses oleh pengguna. Teknologi ini digunakan agar dapat memberikan informasi dalam bentuk yang lebih menarik dan dapat menarik perhatian pengguna, serta memberikan pengalaman belajar yang lebih kaya. (Nusir, Alsmadi, & Al-Kabi, 2011) Perancangan Instruksional Model ADDIE ADDIE adalah model perancangan instruksional yang berupa proses umum yang secara tradisional digunakan oleh perancang instruksional ataupun pengembangan pelatihan. Model ADDIE merupakan inti perancangan instruksional dan menjadi dasar sistem perancangan instruksional (Instructional System Design-ISD). Ulasan yang dibuat Zulrahmat Togala untuk buku Instructional Design: The ADDIE Approach, menjelaskan aktivitas yang dilakukan pada masing-masing tahap sebagai berikut (Togala, 2013): 1. Analisis : Pada fase analisis, dilakukan pendefinisian permasalahan instruksional, tujuan instruksional, dan sasaran pembelajaran. Pada fase ini juga dilakukan identifikasi atas lingkungan pembelajaran, pengetahuan dan keahlian yang saat ini sudah dimiliki oleh siswa. Fase ini dilakukan untuk menjawab pertanyaan-pertanyaan terkait halhal berikut : Siapa pemirsanya (audiens), apa yang perlu mereka pelajari, berapa anggarannya, opsi apa saja yang tersedia untuk menyajikan materi (delivery), kendala apa saja yang ada, kapan proyek harus selesai, dan apa yang harus dilakukan siswa untuk mengetahui kompetensi mereka? 2. Desain : fase desain terkait dengan penentuan sasaran, instrumen penilaian, latihan, konten, dan analisis yang terkait materi pembelajaran, rencana pembelajaran dan pemilihan media. Fase desain dilakukan secara sistematis dan spesifik. Aktivitas yang dilakukan pada tahap desain biasanya meliputi pemilihan lingkungan belajar yang paling sesuai dengan mempelajari jenis keahlian kognitif yang diperlukan untuk mencapai tujuan instruksional, menulis sasaran instruksional, memilih pendekatan secara keseluruhan, bentuk dan tampilan program : unit outline, pembelajaran dan modul, merancang materi kursus secara spesifik untuk digunakan pada medium elektronik interaktif 3. Pengembangan (development): pada fase ini dilakukan pembuatan dan penggabungan aset konten yang sudah dirancang pada fase desain. Pada fase ini dibuat storyboard, penulisan

konten dan perancangan grafis yang diperlukan. Jika melibatkan e-learning, programmer akan bekerja untuk mengintegrasikan teknologi yang diperlukan. Aktivitas yang dilakukan pada fase ini meliputi pembuatan atau pengumpulan media yang diperlukan, menggunakan kekuatan internet atau media elektronik untuk menyajikan informasi dalam berbagai format multimedia sehingga dapat memenuhi keinginan siswa, dan mendefinisikan interaksi yang sesuai, yang harus dalam bentuk kreatif, inovatif, dan mendorong siswa untuk terpancing belajar lebih lanjut. 4. Implementasi : pada fase ini, dibuat prosedur untuk pelatihan bagi peserta pelatihan dan instrukturnya/fasilitator. Pelatihan bagi fasilitator meliputi materi kurikulum, hasil pembelajaran yang diharapkan, metoda penyampaian dan prosedur pengujian. Aktivitas lain yang harus dilakukan pada fase ini meliputi penggandaan dan pendistribusian materi, handout dan bahan pendukung lainnya, serta persiapan jika terjadi masalah teknis dan mendiskusikan rencana alternatif dengan siswa. 5. Evaluasi: fase evaluasi terdiri atas dua bagian yaitu formatif dan sumatif. Evaluasi formatif terjadi disetiap tahapan proses ADDIE. Evaluasi sumatif terdiri atas test yang dirancang untuk domain yang terkait kriteria tertentu dan memberikan peluang umpan balik dari pengguna. Parekh (Parekh, 2006) mencantumkan ADDIE sebagai salah satu metoda pengembangan aplikasi multimedia untuk produk CBT. Model ADDIE juga digunakan untuk pengembangan website berbasis multimedia (Peterson, 2003), serta aplikasi pembelajaran berbasis multimedia lainnya (Arkun & Akkoyunlu, 2008), (N. Subana, 2013).

Gambar 1. Elemen-elemen utama dalam model pendekatan sistem pada desain instruksional dan development Sumber : Instruction as an Intervention By Michael Molenda and James D. Russell 129


Pengembangan Aplikasi Multimedia Materi yang akan digunakan pada pengembangan aplikasi ini adalah pengenalan melipat kertas origami, meliputi sejarah awal perkembangan origami, cara melipat kertas origami, dan tutorial cara membuat objek dengan kertas origami. Materi ini dipilih berdasarkan pertimbangan berikut : 1. Origami merupakan seni melipat kertas yang berasal dari kertas yang dapat dibentuk menjadi karakter-karakter yang memiliki nilai seni dan kreatifitas. 2. Rendahnya pemahaman masyarakat, khususnya anak-anak setingkat Taman KanakKanak, siswa SD dan SMP mengenai kreatifitas melipat kertas origami 3. Penyampaian materi seputar melipat kertas origami masih terbatas, karena guru pengajar juga tidak banyak yang menguasai seni melipat kertas dengan origami. 4. masih terbatasnya media pembelajaran mengenai seni melipat kertas origami di masyarakat luas.

b. Menyiapkan draft aktifitas dan material c. Mengujicoba materi dan aktifitasnya pada beberapa target pengguna. d. Merevisi, menyempurnakan dan memproduksi material dan aktifitas pengguna. e. Mendefinisikan interaksi yang sesuai, harus dalam bentuk kreatif, inovatif. 4. Implementasi a. Menyebarkan materi pembelajaran untuk diadopsi oleh penggunanya. b. Menyediakan bantuan atau dukungan seperlunya. 5. Evaluasi a. Implementasi rencana untuk evaluasi program b. Implementasi rencana untuk perawatan dan revisi. Realisasi Aplikasi

Materi yang akan disampaikan meliputi : 1. Sejarah dikenalnya origami secara umum 2. Bagaimana teknik dasar melipat origami 3. Tutorial melipat origami dengan beragam karakter. Untuk memperkuat kesan atas materi yang disampaikan, informasi di atas memiliki tinggkat kesulitan objek dan disajikan dengan dukungan animasi, video, dan audio edukatif. 4. Pendekatan Model ADDIE 1. Analisis a. Menentukan atas kebutuhan apakah materi dibutuhkan penggunanya. b. Menghubungkan analisis pembelajaran untuk menentukan target tujuan kognitif, afektif dan motor skill c. Menentukan kemampuan awal dan kemampuan yang diharapkan setelah aktifitas. d. Menganalisa konteks dan ketersediaan waktu. 2. Desain a. Menterjemahkan tujuan pembelajaran keseluruhan ke dalam performa akhir dan tujuan utama untuk tiap-tiap tahapan materi. b. Mengurutkan unit bahasan sesuai dengan tujuan pembelajaran. c. Mendefinisikan materi dan aktifitas pembelajaran untuk tiap unit bahasan. 3. Developmen a. Pembuatan atau pengumpulan media yang diperlukan,

130

Gambar 2. Use Case Diagram aplikasi


Gambar 5. antar muka penginputan user

Gambar 3. Activity Diagram aplikasi

Gambar 6. Tampilan Pilihan Menu Utama

Berdasarkan Rancangan use case dan activity diagram di atas kemudian direalisasikan menjadi satu aplikasi yang berjalan di Flash Player Gambar 4 menunjukkan cuplikan tampilan pada aplikasi yang sedang berjalan. Tampilan utama dibuat memiliki animasi dengan style abstrak mengikuti gaya antarmuka Windows yang terlihat modern dan memiliki visual effect dan audio intro.

Pada tampilan menu utama terdiri atas sekumpulan ikon yang mewakili setiap informasi yang akan diakses. Rancangan tampilan ini dipilih dengan memperhatikan tren tampilan yang saat ini sedang popular dengan adanya dukungan animasi.

Gambar 7. Tampilan Sejarah Origami

Gambar 4. Tampilan interface awal

Dalam konten sejarah origami (Gambar 7) menjelaskan bagaimana awal perkenalan origami diciptakan dan darimana dan siapa sebenarnya memperkenalakan seni origami ini hingga terkenal di banyak negara.

Tampilan aplikasi ketika dijalankan akan tampak seperti gambar 4, untuk memulai pembelajaran atau tutorial harus menekan tombol next dan akan muncul halaman input nama user, sebagai pedoman pengguna seperti gambar 5. Berikut:

131

Seminar Nasional Informatika 2014 Diharapkan bentuk penyajian ini dapat lebih berkesan dan membangkitkan kesadaran di antara para pengguna. Realisasi aplikasi disajikan dalam bentuk interface visual grafik yang dipadukan dengan sound effect untuk menambah tampilan antarmuka aplikasi yang interaktif 5. Gambar 8. Teknik Dasar Origami Dalam konten ini (Gambar 8), dasar origami dijabarkan bagaimana teknik dasar dalam melakukan pelipatan kertas origami, sehingga nantinya pada saat pengguna melanjutkan materi tutorial dalam menghasilkan objek benda dari origami, pengguna tidak dibingungkan dengan istilah dalam pelipatan.

Pengujian Dengan Black Box Metode black box merupakan pengujian user interface oleh pengguna setelah sistem selesai dibuat dan diujicoba kepada pengguna. Metode pengujian ini didasarkan pada spesifikasi sistem. Dalam sistem ini pengujian dilakukan dengan mengujikan semua navigasi yang ada, pengujian ini memastikan apakan proses-proses yang dilakukan menghasilkan output yang sesuai dengan rancangan. Aspek pengujian black box terhadap software sistem reproduksi pada manusia berbasis komputer yaitu : a. Navigasi b. Kontent Tabel 1. Pengujian Navigasi

Tabel 2. Pengujian Konten

Gambar 9. Tutorial Origami Konten ini berisikan materi yang paling utama dari aplikasi, didalmnya terdapat tutorial bagaimana cara melipat kertas origami sehingga dapat menghasilkan suatu objek benda yang memiliki seni. Objek yang dijadikan acuan dalam aplikasi ini memiliki tingkat kesulitan, sehingga nantinya pengguna dapat mengeksplorasi kemampuan mereka dalam menghasilkan objek benda seni yang baru dari origami. Untuk memperkuat informasi yang disampaikan, aplikasi dilengkapi dengan animasi proses dan audio dari masing-masing teknik, sehingga akan lebih memudahkan pengguna.

132

SIMPULAN Dari proses pengembangan aplikasi multimedia untuk mendukung pembelajaran dengan menggunakan pendekatan ADDIE ini, dapat diperoleh beberapa kesimpulan sebagai berikut :

Seminar Nasional Informatika 2014 1. Pendekatan ADDIE dapat digunakan untuk pengembangan aplikasi multimedia interaktif yang dapat mendukung proses pembelajaran. Model ini menyediakan tahapan-tahapan yang memudahkan dalam menentukan target pengguna. 2. Pendekatan ADDIE ini kemudian dicoba digunakan sebagai pendekatan untuk mengembangkan aplikasi multimedia dengan mengambil konten materi tentang seni melipat kertas origami. Aplikasi juga dilengkapi dengan audio visual untuk mendukung proses evaluasi hasil pembelajaran. 3. Hasil evaluasi atas aspek interaktif menunjukkan bahwa aplikasi yang sudah dikembangkan dianggap memenuhi kriteria sebagai aplikasi interaktif, berdasarkan perspektif pengguna. 4. Dalam penelitian ini tidak dilakukan evaluasi atas materi yang disampaikan. dengan demikian, disarankan agar pada penelitian selanjutnya dilakukan juga evaluasi atas materi baik evaluasi formatif dan sumatif, agar siklus pada pendekatan ADDIE dapat diterapkan seluruhnya.

DAFTAR PUSTAKA [1] Hick, S. (1997). Benefits Of Interactive Multimedia Courseware. Retrieved July 10, 2013, from http://httpserver.carleton.ca/~shick/mypage/benifit.html

[2] M. Suyanto. 2003. Multimedia alat untuk meningkatkan keunggulan bersaing. Yogyakarta: Penerbit Andi Yogyakarta. [3] N. Subana, I. D. (2013). Pengembangan Multimedia Interaktif Dengan Model Addie Pada Mata Pelajaran Ipa Kelas Vii Semester I Di Smp Tp 45 Sukasada. Jurnal Edutech Vol 1, No 2 (2013) Edisi Juli 2013 [4] Nusir, S., Alsmadi, I., & Al-Kabi, M. (2011). Designing an Interactive Multimedia. 2011 IEEE Global Engineering Education Conference (EDUCON) – "Learning Environments and Ecosystems in Engineering Education" (pp. 45-51). IEEE [5] Parekh, R, (2006). Multimedia Application Development. In R. Parekh, Principles of Multimedia (pp.654-655). Tata McGraw-Hill Education. [6] Peterson, C. (2003). Bringing ADDIE to Life : Instructional Design at Its Best. Journal of Education Multimedia and Hypermedia , 227241. [7] Sadiman, Arif. S. 2009. Media Pendidikan: Pengertian, Pengembangan dan Pemanfaatannya. Jakarta: PT.Raja Grafindo Persada [8] Sadiman, Arif. S. 2009. Media Pendidikan :Pengertian, Pengembangan dan Pemanfaatannya. Jakarta : PT. Raja Grafindo Persada. [9] Thorn, W. J. (1995, April). Points to Consider when Evaluating Interactive Multimedia. Retrieved July 10, 2013, from The Internet TESL Journal: http://iteslj.org/Articles/ThornEvalueConsider.html.

133


MOBILE MAPPING WISATA DAN KULINER YOGYAKARTA UNTUK WISATAWAN BERSEPEDA DENGAN FORMULA HAVERSINE Bernadhed1, Ema Utami2, Andi Sunyoto3 1

STMIK Amikom

2,3

Magister Teknik Informatika STMIK AMIKOM Yogyakarta Jl. Ringroad Utara, Condong Catur, Depok, Sleman, Yogyakarta 1 bernadtagger@gmail.com,2ema.u@amikom.ac.id,3myandisun@yahoo.com

Abstrak Sistem pemetaan pada saat ini merupakan teknologi yang berkembang, dengan sistem pemetaan, beberapa persoalan realitas kehidupan masnusia bisa diatasi, misalnya dalam hal pengambilan keputusan untuk membangun suatu fasilitas jalan di daerah kunjungan wisata. Menggunakan peta, informasi geografi dapat lebih efisien untuk dikomunikasikan dan disimpan. Di Bantul, tidak sedikit tempat wisata dan kuliner yang ada, sedangkan para wisatawan, baik lokal maupun mancanegara, cenderung hanya mengetahui daerahdaerah pariwisata yang terkenal saja di daerah bersangkutan misal Parangtritis, Makam Raja-raja dan Kebun Buah. ada tahun 2013 data terakhir Statistik dari Buku Statistik Dinas Pariwisata Yogyakarta menunjukkan pengunjung mencapai 2.360.173 wisatawan. Dengan potensi wisata tempat kuliner dan wisata yang ada. Kendala yang terjadi secara real dilapangan sendiri, masih minimnya plakat petunjuk ke daerah wisata Bantul yang masih sulit dijangkau. Akibatnya banyak wisatawan yang tersesat untuk menuju lokasi obyek pariwisata. Maka, penelitian ini akan mengembangkan sebuah sistem dengan fasilitas informasi berupa obyek lokal yang kemungkinan belum dikenal dan rute terpendek untuk wisatawan bersepeda yang akan diterapkan menggunakan metode Haversine. Ditambah dengan perkembangan teknologi saat ini, maka akan dimaksimalkan dalam pemanfaat mapping daerah wisata dan kuliner yang digunakan sebagai acuan untuk menjelajahi dan mengunjungi tempat-tempat yang ada di Yogyakarta khusunya Imogiri dan sekitarnya. Kata Kunci : haversine, mobile, mobile mapping, wisata, kuliner 1.

Pendahuluan Sistem pemetaan pada saat ini merupakan teknologi yang berkembang, dengan sistem pemetaan, beberapa persoalan realitas kehidupan masnusia bisa diatasi, misalnya dalam hal pengambilan keputusan untuk membangun suatu fasilitas jalan di daerah kunjungan wisata. Hal lain yang menjadikan sistem pemetaan merupakan sistem yang banyak diminati adalah asumsi bahwa informasi geografi dari suatu lokasi, baik yang berkaitan dengan tata letak, kegunaan, sumber daya ataupun ciri-ciri yang dimiliki, akan lebih mudah dipahami dan dianalisis jika disajikan dalam sebuah peta.. Di daerah Bantul banyak tempat wisata dan kuliner yang ada, sedangkan para wisatawan, baik lokal maupun mancanegara, cenderung hanya mengetahui daerah-daerah pariwisata yang terkenal saja di daerah bersangkutan misal Parangtritis, Makam Raja-raja dan Kebun Buah. Potensi wisatawan sendiri pada tahun 2013 data terakhir Statistik dari Buku Statistik Dinas Pariwisata Yogyakarta menunjukkan pengunjung mencapai 2.360.173 wisatawan baik dalam maupun luar negeri dengan pusat kunjungan Bantul memanfaatkan transportasi sepeda dan kendaraan bermotor. Kendala yang terjadi secara 134

real dilapangan sendiri, masih minimnya plakat petunjuk ke daerah wisata Bantul yang masih sulit dijangkau. Wisatawan tidak mengetahui lokasi obyek pariwisata dan tidak mengetahui jalur apa yang dapat mereka gunakan untuk menuju lokasi obyek pariwisata. Seperti pada penelitian sebelumnya, dalam penelitian Huda, dkk[1], “Rancangan Bangun Aplikasi Haversine”. Dalam kasus ini Formula Haversine digunakan untuk menghitung jarak sesungguhnya dari teknisi ke konsumen melalui perhitungan Longitude dan Latitude. Dengan mengambil konsumen terdekat setelah dilakukan perhitungan, diharapkan teknisi dapat bekerja lebih efisien waktu dan biaya. Hal tersebut akan diadopsi untuk diterapkan pada penelitian ini hanya saja dengan fasilitas berupa obyek wisata lokal dengan rute terpendek menggunakan metode Haversine. 2.

Metode Penelitian Penelitian yang dilakukan adalah penelitian dengan metode penelitian Action Research yang akan menghasilkan prototype sistem. Dalam bentuk tahapan yang paling sederhana, setidaknya terdapat empat tahap dalam penelitian Action Research[2]:

Seminar Nasional Informatika 2014 a) Diagnosing action b) Planning action c) Taking action d) Evaluating action Berikut adalah kegiatan diterapkan dalam penelitian ini :

menggunakan rumus haversine sebagai dasar. Rumus ini dapat digunakan untuk menghitung jarak lingkaran yang jauh antara dua titik. Berikut rumus Haversine Formula[3]: yang

akan

Tabel 1. Proses Penelitian Action Research Tahapan Kegiatan Penelitian Diagnosing Identifikasi permasalahan yang action akan diangkat di dalam penelitian ini, yaitu untuk penerapan Mobile Mapping wisata dan kuliner di Yogyakarta Dalam tahapan ini akan melakukan pengamatan dan analisis masalah, dan mendapatkan ide penelitian, merumuskan masalah, mencari referensi terkait metode dan teknis serta perencanakan tindakan kegiatan. Planning Dalam tahap ini akan dilakukan action penyusunan laporan dari hasil pengumpulan informasi dan data di lapangan untuk proses penelitian. Yaitu membuat Rancangan Kuisioner, membuat rancangan sistem dengan UML, Perancangan design Prototype sistem dari analisis fitur yang dilakukan dengan elisitasi ke Pihak Dinas Pariwisata Bantul. Serta penyusunan kebutuhan lain seperti perangkat keras dan lunak dalam laporan. Taking Uji coba terhadap prototipe action sistem yang telah dibangun. Evaluating Melakukan proses evaluasi action dengan uji coba dari kuisioner yang digunakan saat pengujian sebagai bahan evaluasi. 3. Hasil Dan Pembahasan 3.1. Diagnosing Action Ide awal penelitian ini adalah akan dirancang sebuah prototype aplikasi yang dapat membantu wisatawan dalam mencari obyek wisata dan kuliner yang mereka inginkan di wilayah Imogiri.

(

) √ √

R= Jari-jari bumi sebesar 6371 (km) lat = besaran perubahan latitude long= besaran perubahan longitude c= kalkulasi perpotongan sumbu d= jarak (km) 3.2.

Planning Action Penelitian ini akan dilakukan dengan melakukan survey melalui penyebaran kuisioner kepada responden. Yang meliputi kuisioner untuk perancangan design antarmuka dan evaluasi sistem. a. Populasi Survey Populasi yang akan dijadikan responden adalah dibatasi berjumlah 50 partisipan yaitu 40 pengguna umum (pesepeda dan pengguna biasa), 10 dari Dinas Pariwisata dan Kebudayaan Daerah Bantul. Teknik pengambilan sampel responden dilakukan dengan menggunakan purposive sampling. Menggunakan purposive sampling dikarenakan responden harus memiliki syarat-sayarat yaitu merupakan orang-orang yang mempunyai kegiatan bersepeda atau komunitas di wilayah Yogyakarta yang dalam hal ini dianggap paling tidak bisa memberi gambaran dan masukkan melalui kuisoner. b. Waktu Waktu yang akan dibutuhkan untuk survey adalah 1 minggu untuk pengisian kuisoner Pra Perancangan design antarmuka. 2 minggu untuk pengisian angket evaluasi. c. Media Media yang digunakan adalah berupa kuisioner yang akan disebarkan langsung kepada responden. Untuk proses evaluasi akan dilakukan uji coba sistem beserta pengisian angket terkait dengan uji coba tersebut. 3.2.1

3.1.1

Teknis Penelitian Perhitungan jarak terdekat akan menggunakan Formula Haversine, Formulasi ini

Kebutuhan Fungsional Berikut ini hasil ringkasan dari analisis kebutuhan sistem disajikan dalam tabel:

135


User Admin

Fitur Home

Tabel 2. Ringkasan dari Kebutuhan Fungsional sistem admin Rincian Keterangan Login Admin Fasilitas validasi akun yang masuk sebagai admin sehingga dapat melakukan pengolahan data sistem Edit Akun Edit User Terdaftar Manajemen event rutin atau khusus dari Dinas Pariwisata

Event

Melakukan pengeditan terhadap akun admin yang ada didalam sistem Melakukan pengeditan terhadap akun user umum yang mendaftar untuk disetujui atau dihapus admin dapat memasukkan informasi-informasi agenda dari acara-acara yang sering dilakukan oleh Dinas Pariwisata Bantul. Menu ini memang khusus ada karena dari Pihak Dinas Pariwisata sering melakukan atau mengadakan event-event bulanan.

Desti

List Konten

Menu untuk melakukan listing konten di tiap kategori

nation

Create Konten Edit Konten

Untuk menambahkan konten lokasi baru

Delete Konten

Melakukan penghapusan terhadap konten tertentu

List Gallery

Menu untuk melakukan listing konten di gallery

Create Konten Edit Konten

Untuk menambahkan konten foto di gallery baru

Most Visited

Delete Konten

Melakukan penghapusan terhadap konten gallery

About

Manajemen Isi Profile Dinas Pariwisata Bantul

Melakukan proses penyuntingan dan penambahan terhadap profil Dinas Pariwisata Bantul didalam sistem. Melaukan proses penyuntingan terhadap kontak terhadap instansi terkait seperti alamat atau nomor telepon Dinas Pariwisata

Gallery

Us

Untuk melakukan perubahan terhadap konten yang telah ada serta edit komentar yang masuk untuk disetujui atau dihapus

Untuk melakukan perubahan terhadap konten yang telah ada

3.2.2

Kebutuhan Non Fungsional Berikut ini hasil ringkasan dari analisis kebutuhan non fungsional sistem disajikan dalam tabel: Tabel 3. Kebutuhan Non Fungsional sistem Kebutuhan Perancangan Antarmuka Desain Antarmuka Engine Web Database Peta 3.2.3

Nama Software CorelDraw 12 HTML, CSS 3.0, Adobe Photoshop CS 3 PHP, Javascript MySQL Google Map API

Pemodelan UML Dalam tahapan analisa design perangkat lunak akan disajikan dalam bentuk rancangan UML untuk mempresentasikan aktor dan sistem. Pemodelan sistem dimodelkan dengan menggunakan UML (Unified Modelling Language). Tahap-tahap terhadap analisa ini

136

antara lain Use Case Diagram, Class Diagram, Activity Diagram dan Sequence. a.

Use Case Diagram

Berikut ini adalah salah satu dari Use Case dari Admin, User Terdaftar dan User Umum:

Seminar Nasional Informatika 2014 penentuan warna, panel menu dan menu-menu lainnya. Berikut ini rancangan tatap muka sistem yang akan dibangun:

Gambar 1. General Use Case Use Case diatas menunjukkan admin diberikan hak akses penuh untuk melakukan olah data seperti penambahan, pengurangan atau pengubahan terhadap konten dan menu yang ada.

Gambar 3. Rancangan Tatap Muka pada Menu Utama dan Penyajian Peta 3.4.

Evaluate Action Pada Sub Bab ini akan dilakukan pengujian sistem setelah implementasi. Dengan pengujian yang dibatasi pada beberapa task saja dengan pertimbangan keterbatasan waktu yang ada. Tidak semua task dalam rancangan sistem akan diujikan dikarenakan keterbatasan waktu pengujian dan penelitian. a. Task Login (admin), b. Task menu event, c. Task akses menu destination, d. Task akses menu gallery, e. Task akses menu login/daftar, f. Task akses menu most wanted, g. Task Rating dan Komentar, h. Task logout Gambar 2. Use Case User Terdaftar Taking Action Seperti yang telah dijelaskan pada pembahasan sebelumnya proses perancangan sistem prototype terdapat pada tahapan Taking Action. Pembuatan rancangan interface sampai pembangunan sistem akan dibahas pada bagian ini.

Pengujian dilakukan dengan metode pengujian black box yang berfokus pada persyaratan fungsional perangkat lunak.

3.3.

3.3.1

Perancangan User Interface Perancangan tatap muka ini ditujukan agar lebih mempermudah pengguna berinteraksi dengan sistem dengan sajian grafis. Menurut Sommerville[4] bahwa dengan tampilan tatap muka berupa grafis mudah dipelajari dan digunakan. Salah satu referensi utama adalah dari kuisioner yang telah diisi oleh responden, seperti

3.4.1 Pengujian Alpha Pengujian Mobile Mapping Wisata dan Kuliner ini menggunakan metode pengujian black box. a.

Kesimpulan Pengujian Alpha Kesimpulan dari hasil pengujian alpha adalah sebagai berikut: 1. Secara fungsional, sistem sudah dapat menghasilkan output yang diharapkan sesuai awal input sampai output yang dihasilkan 2. Secara fungsional, aplikasi sudah dapat berjalan dengan baik pada browser seperti Mozilla Firefox, Opera dan browser default dari smartphone yang ada.

137

Seminar Nasional Informatika 2014 3.4.2. Hasil dari Angket Evaluasi dari Pengujian Betha Pengujian beta merupakan pengujian yang dilakukan secara objektif dimana pengujian dengan membuat kuisioner mengenai penilaian pengguna mengenai aplikasi yang dibangun untuk selanjutnya ditanyakan langsung kepada responden. Hasil pengujian betha disertakan dalam lampiran. a.

Untuk mengetahui kebutuhan informasi user yang terdapat pada kebutuhan fungsional sesuai dengan sistem

Detail Perhitungan: Sangat Baik dari total responden) Baik dari total responden) Cukup dari total responden)

: 5 Responden (20 % : 18 Responden (72% :

2 Responden ( 8%

Hasil yang disajikan diatas menunjukkan bahwa 72% dari responden telah menyatakan bahwa secara keseluruhan dari aplikasi yang dibangun dinilai Baik. 4. Kesimpulan

Detail Perhitungan: Sangat Memenuhi Keb. Informasi : 4 Responden (16 % dari total responden) Memenuhi Kebutuhaan Informasi :19 Responden (76% dari total responden) Cukup Memenuhi Keb. Informasi : 2 Responden ( 8% dari total responden) Hasil yang disajikan diatas menunjukkan bahwa mayoritas dari responden telah menyatakan bahwa informasi yang disajikan telah memenuhi kebutuhan informasi yang diinginkan. b.

a.

b.

Untuk mengetahui dari sisi pengguna kesuaian design tata letak dari sistem yang dibangun

Detail Perhitungan: Sudah baik dan sesuai :15 Responden (60 % dari total responden) Cukup baik dan sesuai :10 Responden (40% dari total responden)

5. Saran a.

Hasil yang disajikan diatas menunjukkan bahwa mayoritas dari responden telah menyatakan bahwa tata letak desain dari aplikasi yang dibangun sesuai dari keinginan pengguna. c.

Untuk mengetahui informasi yang ada didalam aplikasi dapat memberikan timbal balik manfaat kepada user

Detail Perhitungan: Ya, Sangat Membantu : 8 Responden (32 % dari total responden) Ya, Cukup Membantu : 17 Responden (68% dari total responden) Hasil yang disajikan diatas menunjukkan bahwa 68% dari responden telah menyatakan bahwa informasi yang disajiakan akan dapat memberikan manfaat informasi untuk pengguna. d.

138

Untuk Mengetahui perancangan website.

penilaian

hasil

Menerapkan Formula Haversine pada sistem, pengguna akan disajikan informasi tempattempat wisata(sesuai kategori) yang terdekat dengan pengguna tersebut, setelah sistem melakukan kalkulasi dari posisi pengguna dengan jarak dari tiap obyek wisata tersebut ke pengguna. Pembuatan prototype perancangan aplikas ini dibuat dengan cara mengembangkan kebutuhan dan fitur yang berorientasi pada penyebaran kuisoner kepada user, merancang alur desain proses/kerja, merancang interface, memodelkan sistem dengan UML, memodelkan data, akses ke Map Engine Google dengan me-request Google Map API key, lalu membuat prototype yang dibuat berdasarkan rancangan.

b.

c.

Agar suatu website dapat diterima oleh user dengan baik, kombinasi antara fitur, fungsi. dan aspek interaksi manusia dengan komputer, perlu di-analisis dengan baik. Website yang memiliki fitur dan fungsi yang baik, tanpa menaruh perhatian lebih pada aspek interaksi manusia dengan komputer, maka akan sulit diterima oleh user. Penelitian ini masih belum secara meluas lagi dari pengguna akhir lainnya. Semisal dapat juga dengan pengguna tidak hanya dari kalangan pesepeda namun juga turis Backpacker, komunitas pecinta bus, komunitas motor dll sehingga memperluas masukan dari pengguna akhir. Perbaikan penggunaan Metode Haversine ini masih mengabaikan bentuk bumi elips ataupun mengabaikan ketidakrataan dari permukaan Bumi, sehingga kedepan diharapkan dapat menggunakan formula lain atau metode-metode pendukung yang lebih memperhatikan aspek-aspek tersebut.

Seminar Nasional Informatika 2014 Daftar Pustaka [1] Huda Mazharudin, A,. Adipratomo, B. 2011. Rancang Bangun Aplikasi penugasan pada Blackberry Mobile Device menggunakan Metode Formula Haversine, Institut Teknologi Sepuluh November, Surabaya [2] Coghlan, D, Brannick, T, 2001. Doing Action Research In Your Own Organization. London: Sage Publications.

[3]

[4]

Veness, C., 2010. Calculate distance, Bearingand More Between Latitude/Longitude Points, http://www.movabletype.co.uk/scripts/latlong.html diakses September 2013 Sommerville, I, Sawyer, P, 1997. Requirements Engineering: A Good Practice Guide. ISBN-13: 978-0471974444

139


PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN DENGAN METODE BOBOT UNTUK MENILAI KENAIKAN GOLONGAN PEGAWAI Evri Ekadiansyah Program Studi D3 Manajemen Informatika, STMIK Potensi Utama evrie1409@gmail.com

Abstrak Setiap perusahaan melakukan penilaian terhadap pegawai setiap tahun guna menentukan kenaikan golongan. Hanya saja dalam menentukan keputusannya cenderung bersifat subyektif, sehingga dalam penilaian pegawai ini sering terjadi kesalahan pada pemberian tingkat golongan yang diterima oleh pegawai. Berdasarkan permasalahan tersebut maka perlu adanya sebuah Sistem Penunjang Keputusan untuk menilai kelayakan kenaikan golongan pegawai menggunakan metode matematika. Kata Kunci : Penunjang Keputusan, Penilaian Golongan, Metode Matematika Pendahuluan

Metode Penelitian

Persoalan pengambilan keputusan pada dasarnya adalah bentuk pemilihan dari berbagai altrenatif tindakan yang mungkin dipilih yang prosesnya melalui mekanisme tertentu, dengan harapan akan menghasilkan sebuah keputusan yang terbaik. Penyusunan model keputusan adalah suatu cara untuk mengembangkan hubungan-hubungan yang logis yang mendasari persoalan keputusan ke dalam suatu model matematis, yang mencerminkan hubungan yang terjadi di antara faktor-faktor yang terlibat, sehingga proses keputusan harus diambil melalui proses yang bertahap, sistematik, konsisten dan diusahakan dalam setiap langkah melalui dari awal telah mengikutsertakan dan mempertimbangkan berbagai faktor. Demikian juga dalam hal kenaikan golongan pegawai, dimana di dalam hal menentukan kenaikan golongan banyak faktor yang menjadi pertimbangan seorang pimpinan untuk menilai kelayakan seseorang untuk mendapatkan kenaikan golongan, diantaranya : Disiplin, Kejujuran, Prestasi, Kepemimpinan, Wawasan, Kreatifitas, Bekerjasama, Sopan Santun, Loyalitas, Kesehatan. Sistem Penunjang Keputusan (SPK) dirancang untuk mendukung seluruh tahap pengambilan keputusan mulai dari mengidentifikasi masalah, memilih data yang relevan, menentukan pendekatan yang digunakan dalam proses pengambilan keputusan, sampai mengevaluasi pemilihan alternative. Konsep Sistem Penunjang Keputusan ditandai dengan sistem interaktif berbasis komputer yang membantu mengambil keputusan memanfaatkan data dan model untuk menyelesaikan masalahmasalah yang tidak terstruktur.

Metode Matematika yang digunakan dalam sistem ini adalah pimpinan langsung memberikan skala pada setiap criteria dalam skala tertentu. Skala yang telah diinput kemudian dinormalisasi dengan metode matematika kemudian mendistribusikan nilai kepada seluruh kriteria sehingga jika semua skala kriteria diproses oleh sistem akan menghasilkan satu nilai sebagai pertimbangan keputusan bagi pimpinan. Menurut Simon Proses pengambilan keputusan melalui tahapan : 1. Tahap Penelusuran (intelligence) Dalam perancangan yang dilakukan melahirkan rumusan masalah berupa sistem pendukung keputusan untuk menilai kenaikan golongan pegawai berdasarkan kriteria dari pemilih. 2. Tahap Perancangan (Design) Setelah perumusan masalah, dilanjutkan dengan penetapan kriteria-kriteria yang dipakai dalam menilai kenaikan golongan. 3. Tahap Pemilihan (Choice) Dengan mengacu pada kriteria-kriteria penilaian yang telah ditetapkan, dibuat model model penilaian secara matematis. 4. Tahap Implementasi (Implementation) Struktur Sistem Penunjang Keputusan diimplementasikan dengan bahasa pemrograman. Sedangkan komponen komponen Sistem Penunjang Keputusan yang digunakan adalah: 1. Subsistem manajemen data, menyediakan data bagi sistem yang berasal dari data internal. 2. Subsistem manajemen model, berfungsi sebagai pengelola berbagai model 3. Subsistem antar muka pengguna, merupakan fasilitas yang mampu mengintegrasikan sistem terpasang dengan pengguna secara interaktif.

140

Seminar Nasional Informatika 2014 nm_gol tingkatan

kd_gol

Perancangan basis data sistem pendukung keputusan yang akan memberikan pemahaman secara keseluruhan berupa hubungan antar obyek data, aliran informasi dan transformasi dari data input manjadi output yang digambarkan secara grafik berupa diagram flow dan entity relationship.

nip

nama

GOLONGAN

KEPUTUSAN

kd_gol

keputusan

bobot

memiliki

memiliki

Perancangan Sistem

3.1.1.1.1

Model dan Skala Penilaian Model ( kriteria ) sistem penunjang keputusan untuk menilai kenaikan golongan pegawai terdiri dari Disiplin, Kejujuran, Prestasi, Kepemimpinan, Wawasan, Kreatifitas, Bekerjasama, Sopan Santun, Loyalitas, Kesehatan. Dimana masing – masing kriteria tersebut mempunyai skala, Pemberian skala pada kriteria tersebut berguna untuk memutuskan bagaimana kelayakan dalam penerimaan kenaikan golongan oleh pegawai. Perhitungannya berdasarkan suatu nilai atau skala pada tiap-tiap attribut. Pemberian skala tersebut dengan membagi beberapa kemungkinan. Pada masalah diatas dapat dibagi dua kriteria nilai, yaitu naik golongan dan tetap. Batasan Skala range terendah 1 dan tertinggi 4 sehingga pada akhirnya kelayakan kenaikan golongan diukur dengan range nilai 31-40 Naik Golongan 3 Tingkat, nilai 21-30 Naik Golongan 2 Tingkat, nilai 11-20 Naik Golongan 1 Tingkat dan nilai 1-10 Tetap Pada Golongan Sebelumnya. Selain itu juga Pegawai tidak mendapatkan kenaikan golongan jika terdapat skala 1 untuk masing-masing kriteria. Khusus untuk kriteria disiplin skala yang berlaku adalah skala 3 dan 4, pegawai tidak mendapatkan kenaikan golongan jika mempunyai skala 1 dan 2. Total skala yang dimiliki pegawai minimal sesuai dengan standar yang telah ditetapkan dan jika total skala lebih kecil maka pegawai akan tetap pada golongan sebelumnya.

NIP

dspln PEGAWAI

Penilaian jujur prestasi

NIP

jk

tmpt_lhr

kd_gol nama

kesehatan

tgl_lhr

kppn

loyal

alamat

wawasan

s_santun

kreatif b_sama

Gambar 1. Entity Relationship Diagram Context Diagram Context Diagram adalah diagram aliran data yang selalu mengandung satu proses saja (seringkali diberi nama proses 0), proses ini mewakili proses seluruh sistem. Context diagram juga merupakan alat bantu yang digunakan dalam menganalisis sistem yang akan dikembangkan dan menggambarkan hubungan antara elemen yang membentuk suatu kesatuan, seperti pada gambar 2 : PEGAWAI

Lap. Pegawai yg Layak Naik Gpl yg di ACC SK Pegawai yg tlh di ACC

SK Pegawai yg tlh di ACC

0


ASISTEN

Perancangan Basis Data Perancangan Basis Data digunakan untuk mendukung fasilitas pengolahan data, model yang digunakan adalah Entity Relationship Diagram (ERD), dan konteks diagram untuk mengetahui alir data dalam sistem penunjang keputusan. Adapun bentuk hubungan dari masingmasing entity dari sistem yang dirancang dapat dilihat pada Gambar 1 :

memiliki

Hasil Analisa Sementara Kenaikan Gol SK Pegawai

SISTEM PENUNJANG KEPUTUSAN KENAIKAN GOLONGAN PEGAWAI PADA PTP NUSANTARA IV

Form Penilaian Pegawai Yg tlh di isi Rekap Form Penilaian

PIMPINAN

Lap. Penilaian yg tlh di ACC SK Pegawai

Form Penilaian Pegawai Yg tlh di isi Lap. Pegawai yg Layak Naik Gpl yg di ACC

Gambar 2. Contex Diagram Data Flow Diagram Dengan mengacu kepada Context Diagram maka dapat memperjelas proses yang terjadi adalah dengan menguraikan proses tersebut kedalam bentuk Data Flow Diagram (DFD) level 0, dapat dilihat pada Gambar 3 :

141

ADMIN

Seminar Nasional Informatika 2014 0.8 SK Pegawai yg tlh di ACC

ASISTEN

Penyerahan SK Pegawai yg tlh di ACC


4.

PEGAWAI

Pengisian Penilaian Pegawai

SK Pegawai

0.1

ADMIN Penyerahan Hasil Penilaian

Pengisian Penilaian Pegawai

Data Penilaian

0.2 D3

Penilaian

Data Penilaian

Hasil penilaian

Pengolahan Data Pegawai yg Layak Naik Golongan

Data Pegawai SK Pegawai yg tlh di ACC

0.3 Pengolahan Data Data Golongan Pegawai yg Layak Naik Golongan Data Penilaian

D1

Pegawai

D2

Golongan

D3

Penilaian

D4

Keputusan

Data Pegawai

Data Golongan

Data Penilaian

Data Keputusan

0.7


Data Penilaian

ACC SK Pegawai

0.4 Hasil Analisa Sementara Kenaikan Gol

0.6 Pembuatan SK Pegawai

Hasil Analisa Sementara PIMPINAN

Pengambilan Keputusan

0.5 Pengambilan Keputusan Pegawai yg Layak Naik Gol

5.

Lap. Pegawai yg tlh di ACC

SK Pegawai

Gambar 3. Data Flow Diagram Perancangan Basis Model Dalam mendukung proses pengambilan keputusan, digunakan model matematika yang dibangun untuk menentukan kelayakan kenaikan golongan. Rancangan model untuk mengevaluasi kelayakan kenaikan golongan adalah sebagai berikut: 1.

2.

Disiplin (X1) Tabel 1. Disiplin No. Keterangan 1. Selalu datang tepat waktu 2. Pernah datang terlambat 3. Sering datang terlambat 4. Sangat sering datang terlambat Kejujuran (X2) Tabel 2. Kejujuran No. Keterangan 1. Dapat dipercaya 2. Pernah didapati melakukan Kecurangan 3. Sering didapati melakukan Kecurangan 4. Tidak dapat dipercaya

6.

Skala 4 3 2 1

7. Skala 4 3

2

1 8.

3.

142

Prestasi Kerja (X3) Tabel 3. Prestasi Kerja No. Keterangan Skala 1. Internasional 4 2. Nasional 3 3. Provinsi 2 4. Kabupaten 1

Kepemimpinan (X4) Tabel 4. Kepemimpinan No. Keterangan Skala 1. Menerapkan perbaikan – 4 perbaikan cepat pada permasalahan yang ada 2. Diminta untuk memberi 3 nasehat pada karyawan lain 3. Selalu member solusi 2 4. Peduli sesama 1 Wawasan (X5) Tabel 5. Wawasan No. Keterangan Skala 1. Memiliki wawasan 4 yang luas 2. Hanya dibidangnya 3 saja 3. Bisa diandalkan 2 4. Memiliki wawasan 1 yang terbatas Kreatifitas (X6) Tabel 6. Kreatifitas No. Keterangan Skala 1. Dapat menciptakan 4 inovasi terhadap produk 2. Hanya mampu 3 memberikan pendapat 3. Cukup menyetujui 2 saja apa yang telah dibuat 4. Tidak ikut serta sama 1 sekali Bekerjasama (X7) Tabel 7. Bekerjasama No. Keterangan Skala 1. Mampu bekerjasama 4 dengan baik 2. Kurang bekerjasama 3 dengan baik 3. Hanya ikut-ikut saja 2 4. Tidak dapat 1 bekerjasama dengan baik Sopan Santun (X8) Tabel 8. Sopan Santun No. Keterangan Skala 1. Baik terhadap semua 4 karyawan 2. Biasa – biasa saja 3 3. Cendrung pendiam 2 4. Tidak ramah sesama 1 karyawan


Loyalitas (X9) Tabel 9. Loyalitas No. Keterangan 1. Sangat loyal 2. Loyal 3. Cukup loyal 4. Tidak loyal

golongan. Batasan modelnya ditetapkan sebagai berikut : X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9 + X10≥ ZQ Dari batasan model yang ada maka ditetapkan skala untuk mengetahui total skala yang harus dicapai pegawai untuk kenaikan golongan. Penjabarannya dapat dilihat sebagai berikut : 1. Golongan dengan Range 31 sampai 40 ZQ = X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9 + X10 = 4 + 4 + 4 + 4 + 4 + 3 + 3 + 3 + 3 + 3 = 35 2. Golongan dengan Range 21 sampai 30 ZQ = X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9 + X10 = 3 + 3 + 3 + 3 + 3 + 2 + 2 + 2 + 2 + 2 = 23 3. Golongan dengan Range 11 sampai 20 ZQ = X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9 + X10 = 2 + 2 + 2 + 2 + 2 + 1 + 1 + 1 + 1 + 1 = 15 4. Golongan dengan Range 1 sampai 10 ZQ = X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9 + X10 = 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 = 10

Skala 4 3 2 1

10. Kesehatan Tabel 10. Kesehatan No. Keterangan 1. Kesehatan fisik prima 2. Pernah sakit ringan 3. Pernah sakit parah 4. Ketergantungan terhadap alkohol

Skala 4 3 2 1

11. Asumsi kriteria keputusan pegawai (Y) Tabel 11. Keputusan No. Keterangan Rang e 1. Tetap Pada Golongan 1-10 Sebelumnya 2. Naik Golongan 1 11-20 Tingkat 3. Naik Golongan 2 21-30 Tingkat 4. Naik Golongan 3 31-40 Tingkat Sedangkan asumsi skala berdasarkan masing-masing kriteria yang diharapkan untuk kenaikan golongan agar pegawai layak untuk mendapatkan golongan yang diusulkan dapat dilihat pada tabel 12 : Tabel 12. Asumsi Skala Minimum MasingMasing Kriteria Kenaikan Golongan Q

Naik 1 Tingka t Naik 2 Tingka t Naik 3 Tingka t

Standar Kriteria Yang Diharapkan (Range) X X X X X X X 3 4 5 6 7 8 9 4 4 4 3 3 3 3

X 1 4

X 2 4

X1 0 3

3

3

3

3

3

2

2

2

2

2

2

2

2

2

2

1

1

1

1

1

Fungsi Tujuan Pada fungsi tujuan akan ditetapkan bahwa ZQ berperan sebagai total skala standar golongan yang dinyatakan dalam notasi matematika. Maka fungsi tujuannya sebagai berikut : ZQ = X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9+ X10 Batasan Model Skala yang ditetapkan telah mempunyai batasan untuk mendapatkan total skala kenaikan

Asumsi Data Pada bagian ini, akan diasumsikan tabel berisi data yang tidak lengkap. Tabel ini akan dilengkapi dengan asumsi skala yang telah ditetapkan, Penjabarannya dapat dilihat pada tabel 13 :

NI P

10 00 1 12 00 2 10 00 3 11 00 4 10 00 5

Tabel 13. Data Tidak Lengkap Na Kriteria (Skala) T ma X X X X X X X X X X o 1 2 3 4 5 6 7 8 9 1 t 0 a l Nur 3 3 4 3 4 3 3 3 2 3 3 buat 1

Y

?

Mas niar

3 3 3 4 4 3 3 2 3 2

3 0

?

Tas man

3 2 2 2 3 2 3 3 3 2

2 5

?

Muf rizal

2 3 2 2 3 1 1 1 1 2

1 8

?

Nofr i

1 1 1 1 1 1 1 1 1 1

1 0

?

Berdasarkan tabel 13 maka akan diperhitungkan skala kriteria apakah sudah memenuhi syarat dan skala yang dimiliki sama atau melebihi dari skala rata-rata yang sudah ditetapkan. Penjabarannya sebagai berikut :

143


2.

3.

4.

5.

NIP : 10001 Nama : Nurbuat Asumsi golongan (Q) : Naik golongan 3 tingkat Syarat kriteria : sudah memenuhi syarat yang sudah ditentukan Skala : X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9 + X10 ≥ Z31 3 + 3 + 4 + 3 + 4 + 3 + 3 + 3 + 2 + 3 ≥ 31 31 = 31 Keputusan (Y) : 3 (dinyatakan naik golongan 3 tingkat) NIP : 12002 Nama : Masniar Asumsi golongan (Q) : Naik golongan 2 tingkat Syarat kriteria : sudah memenuhi syarat yang sudah ditentukan Skala : X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9 + X10 ≥ Z21 3 + 3 + 3 + 4 + 4 + 3 + 3 + 2 + 3 + 2 ≥ 21 30 ≥ 21 Keputusan (Y) : 2 (dinyatakan naik golongan 2 tingkat) NIP : 10003 Nama : Tasman Asumsi jabatan (Q) : Naik golongan 2 tingkat Syarat kriteria : sudah memenuhi syarat yang sudah ditentukan Skala : X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9 + X10 ≥ Z21 3 + 2 + 2 + 2 + 3 + 2 + 3 + 3 + 3 + 2 ≥ 21 25 ≥ 21 Keputusan (Y) : 2 (dinyatakan naik golongan 2 tingkat) NIP : 11004 Nama : Mufrizal Asumsi jabatan (Q) : Naik golongan 1 tingkat Syarat kriteria : sudah memenuhi syarat yang sudah ditentukan Skala : X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9 + X10 ≥ Z11 2 + 3 + 2 + 2 + 3 + 1 + 1 + 1 + 1 + 2 ≥ 11 18 ≥ 11 Keputusan (Y) : 1 (dinyatakan naik golongan 1 tingkat) NIP : 10005 Nama : Nofri Asumsi jabatan (Q) : Tetap pada golongan sebelumnya Syarat kriteria : tidak memenuhi syarat minimum kritetria kepangkatan untuk jabatan dengan skala minimal = 11 Keputusan (Y) : 0 (dinyatakan tetap)

Berdasarkan nilai-nilai di atas, data yang tidak lengkap dapat menghasilkan data lengkap untuk menghasilkan keputusan yang lebih singkat

144

dan mudah dipahami oleh user. Data lengkap dapat dilihat pada tabel 14 : Tabel 14. Data Lengkap N IP

Na ma

10 00 1 12 00 2 10 00 3 11 00 4 10 00 5

Nu rbu at Ma sni ar Tas ma n Mu friz al No fri

Kriteria (Skala)

To tal

Y

31

3

X X 1 2

X 3

X 4

X 5

X 6

X 7

X 8

X 9

3

3

4

3

4

3

3

3

2

X 1 0 3

3

3

3

4

4

3

3

2

3

2

30

2

3

2

2

2

3

2

3

3

3

2

25

2

2

3

2

2

3

1

1

1

1

2

18

1

1

1

1

1

1

1

1

1

1

1

10

0

Struktur Program Struktur program akan digambarkan untuk membuat spesifikasi modul program aplikasi. Dalam struktur program ini terlihat bahwa program aplikasi yang dirancang terdiri atas beberapa modul program, modul ini dirumuskan sesuai dengan fungsinya dan bukan berdasarkan ukuran dari program, Seperti terlihat pada gambar 4 dibawah ini : Menu Utama

Entry

Laporan

Exit

Data Golongan

Laporan Data Pegawai

Data Pegawai

Laporan Data Penilaian

Data Penilaian Pegawai

Data Keputusan

Gambar 4. Struktur Program Form Input Data Penilaian Input data pegawai digunakan untuk menyimpan data penilaian ke database dalam tabel penilaian (tpenilaian). Yang dapat terlihat pada Gambar 5.


2.

Sistem Penunjang Keputusan ini dapat membantu pimpinan dalam pengambilan keputusan kenaikan golongan pegawai secara mudah sehingga dapat memaksimalkan dan mengoptimalkan keputusan, sehingga dapat meminimalisasi kesalahan dalam pengambilan keputusan. Dengan adanya sistem ini dapat diambil suatu keputusan yang lebih cepat, tepat, serta akurat terhadap kinerja karyawan untuk menilaian kenaikan golongan pegawai.

DAFTAR PUSTAKA Gambar 5. Input Data Penilaian Form Input Data Keputusan Input data keputusan digunakan untuk menyimpan data keputusan ke database. Yang dapat terlihat pada Gambar 6.

1

2 3

4

5

6

Gambar 6. Input Data Keputusan Kesimpulan Berdasarkan uraian, maka dapat diambil beberapa kesimpulan :

7

Jogiyanto HM. 2001. “Analisa & disain : Sistem informasi pendekatan terstruktur teori dan praktek aplikasi bisnis”. Yogyakarta : Andi Offset. Kadir, Abdul. 2003. “Pengenalan Sistem Informasi”. Yogyakarta : Andi. Simarmata, Janner. 2006. “Pengenalan Teknologi Komputer dan Informasi”. Yogyakarta : Penerbit Andi Suryadi, Kadarsah dan M. Ali Ramdhani. 2002. ”Sistem Pendukung Keputusan”. PT. Remaja Rosdakarya, Bandung. Turban, Aronson, and Liang, 2005. “Decision Support Systems and Intelligent Systems”. , 7th Edition, Prentice Hall. Joko Kuswanto, Ema Utami, 2011, Sistem Penunjang Keputusan Penialaian Kinerja Dosen ( Studi Kasus Pada Universitas Baturaja, OKU, Sumatera Selatan ), Jurnal Teknologi Informasi, Juli 2011 No 17 Kosasih, S., 2002, Sistem Pendukung Keputusan, Proyek Peningkatan Penelitian Tinggi Direktorat Jendral Pendidikan Tinggi Departemen Pendidikan Nasional.

145


SISTEM PENDUKUNG KEPUTUSAN PENENTUAN DOSEN PEMBIMBING DENGAN METODE LOGIKA FUZZY Ainul Yaqin1), Ema Utami2), Emha Taufiq Luthfi3) 1,2,3

Magister Teknik informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 1 ainul.yaqin121190@gmail.com, 2ema.u@amikom.ac.id, 3emhataufiqluthfi@amikom.ac.id 1,2,3

Abstrak Banyaknya dosen pembimbing di STMIK AMIKOM Yogyakarta dengan bidang komptensi dosen yang berbeda-beda serta judul skripsi mahasiswa yang bervariasi dan semakin komplek, sehingga menyebakan bagian jurusan di STMIK AMIKOM Yogyakarta mengalami kesulitan dalam menentukan dosen pembimbing yang tepat. Hal ini bertujuan untuk menciptakan bimbingan yang optimal dan hasil tugas akhir atau skripsi yang optimal. Pemilihan dosen pembimbing di STMIK AMIKOM Yogyakarta terdapat beberapa faktor yang menjadi penilaian. Penilaian ini berdasarkan bidang kompetensi dosen, ipk mahasiswa, beban bimbingan dosen, nilai skripsi mahasiswa yang telah maju sidang skripsi dan durasi mahasiswa dalam menyelesaikan skripsi serta kondisi khusus sebagai aspek pertimbangan (case khusus). Demi efisiensi dan efektifitas kerja maka pengambilan keputusan yang tepat sangat diperlukan berdasarkan kriteria-kriteria yang ada dan bobot masing-masing kriteria. Penerapan Sistem Pendukung keputusan penunjukkan dosen pembimbing di STMIK AMIKOM Yogyakarta mampu memberikan saran dan solusi dalam penunjukkan dosen pembimbing yang optimal. Tingkat keakuratan sistem pendukung keputusan di dalam penelitian ini adalah 87% dan persentase ketidak sesuaian 13%. Diharapkan sistem ini dapat memberikan saran kepada ketua jurusan dan staffnya dalam penunjukkan dosen pembimbing. Kata Kunci: Sistem Pendukung Keputusan, Penunjukkan dosen pembimbing 1.

Pendahuluan Sekolah Tinggi Manajemen Informatika dan Komputer AMIKOM Yogyakarta (selanjutnya disebut STMIK AMIKOM Yogyakarta) merupakan salah satu perguruan tinggi swasta yang berkedudukan di Provinsi DIY Kabupaten Sleman di bawah naungan Yayasan AMIKOM Yogyakarta. Visi dan misi, perkembangan program studi S1 Teknik Informatika STMIK AMIKOM Yogyakarta juga dipengaruhi oleh kualitas mahasiswa lulusan program studi S1 Teknik Informatika STMIK AMIKOM Yogyakarta. sebagaimana salah satu misi program program studi S1 Teknik Informatika STMIK AMIKOM Yogyakarta unggul dalam bidang penelitian yakni Melaksanakan penelitian dalam rangka pengembangan ilmu pengetahuan secara berkelanjutan. Dalam mencetak lulusan terbaik tentunya dipengaruhi oleh pemilihan dosen pembimbing bagi mahasiswa yang menempuh skripsi sebagai penelitian syarat kelulusan dan juga menjadi salah satu bentuk pengabdian masyarakat. Permasalahan muncul pada pihak jurusan dalam menentukan dosen pembimbing karena yang dinilai adalah subjektifitas masingmasing dosen. Sehingga penilaian yang diberikan masih tidak pasti (bersifat fuzzy = kabur atau tidak jelas). Adanya ketidaktepatan dalam membuat keputusan pemilihan dosen pembimbing

146

berdampak pada hasil keputusan yang diberikan kurang tepat. Dengan menerapkan Sistem pendukung keputusan ini membantu melakukan pemilihan dosen pembimbing dengan sistem perhitungan matematis, melakukan perubahan kriteria,dan memberi nilai bobot. Hal ini berguna untuk memudahkan pengambil keputusan yang terkait dengan masalah penentuan dosen pembimbing, sehingga akan di dapatkan dosen pembimbing yang paling sesuai dengan skripsi yang diajukan mahasiswa. Berdasarkan dari latar belakang masalah maka dapat dirumuskan masalah mengenai arsitektur sistem serta bagaimana alur kerja dari “sistem pendukung keputusan untuk penentuan dosen pembimbing dengan menggunakan metode logika fuzzy (fuzzy Logic) “. Dalam pembuatan sistem ini, terdapat beberapa pembatasan penelitian mulai dari Penelitian ini menggunakan metode pelacakan fuzzy logic metode mamdani serta menggunakan metode pendekatan berbasis aturan(rulebase reasoning). Sistem pendukung keputusan ini bersifat prototype yang tidak terintegrasi dengan sistem sistem informasi di STMIK AMIKOM Yogyakarta dan dibangun dengan menggunakan Bahasa PHP dan Database MySql. Penelitian ini menggunakan metode penelitian action research dan ditujukan untuk mengetahui

Seminar Nasional Informatika 2014 penerapan sistem pendukung keputusan tersebut sehingga dapat menjadi pedoman bagi bagian jurusan program studi S1 Teknik Informatika STMIK AMIKOM Yogyakarta dalam menentukan dosen pembimbing bagi mahasiswa yang mengajukan skripsi. 2.

Tinjauan Pustaka Perguruan Tinggi menentukan salah satu standar kelulusan mahasiswa untuk memperoleh gelar S1 adalah dalam bentuk penyusunan tugas akhir atau skripsi. Sebagai bagian dari proses penulisan skripsi, peran dosen sebagai pembimbing skripsi menjadi sangat penting karena merupakan tanggung jawab dosen untuk memastikan bahwa mahasiswa mampu menyusun skripsi dengan baik hingga skripsi siap diujikan dan berkualitas [Rini 2012]. Dalam buku (Kusrini,2007), terdapat definisi sistem pendukung keputusan menurut Alter ialah DSS merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian data. Sistem itu digunakan untuk membantu pengambilan keputusan dalam situasi yang semiterstruktur dan situasi yang tidak terstruktur, dimana tak seorangpun tahu secara pasti bagaimana keputusan seharusnya dibuat[Kusrini]. Sistem pendukung keputusan bisa terdiri dari beberapa subsistem, yaitu [Kusrini] 1. Subsistem manajemen data 2. Subsistem manajemen model 3. Subsistem antarmuka pengguna 4. Subsistem manajemen berbasis-pengetahuan Arsitektur dari sistem pendukung keputusan ditunjukkan dalam gambar 1 [Kusrini]: Sistem lainnya yang berbasis komputer

Data eksternal & internal

Manajemen data

Internet, intranet, ekstranet

Manajemen model

Model eksternal

Subsistem berbasis pengetahuan

Pemikiran di balik pendekatan ini adalah pengambilan keputusan tidak sekadar persoalan hitam dan putih atau benar dan salah, namun kerapkali melibatkan area abu-abu, dan hal itu dimungkinkan. Ada beberapa hal yang perlu diketahui dalam memahami suatu sistem fuzzy, yaitu [Kusuma dewi] a. Variabel fuzzy Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh : umur, temperatur, permintaan, dsb. b. Himpunan fuzzy Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Contoh : 1. Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu : MUDA, PAROBAYA, TUA. 2. Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu : DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS. Seperti pada gambar 2 :

Gambar 2. Himpunan Fuzzy c. Semesta Pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan umtuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya. Contoh : 1. Semesta pembicaraan untuk variabel umur: [0 ∞] 2. Semesta pembicaraan untuk variabel temperatur: [0 40]

Antarmuka pengguna

Basis pengetahuan organisasional

Manajer (pengguna)

Gambar 1. Arsitektur Sistem Pendukung Keputusan logika fuzzy berkaitan dengan ketidakpastian. Teknik ini, yang menggunakan teori matematika fuzzy set [zadeh], mensimulasikan proses penalaran manusia normal dengan memungkinkan komputer untuk berperilaku kurang tepat dan logis daripada yang dilakukan komputer konvensional.

d. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif. Contoh domain himpunan fuzzy : 1. MUDA : [0 45] 2. PAROBAYA : [33 45] 3. TUA : [45 ∞]

147

Seminar Nasional Informatika 2014 e. Proses Infrensi Fuzzy Proses inferensi sistem pakar fuzzy terbagi atas empat proses yaitu: Fuzzyfikasi, Inferensi, Komposisi, dan Defuzzyfikasi.Proses inferensi fuzzy, ditunjukkan pada gambar 3 [Sherly]:

sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan si pakar dapat menyelesaikan masalah tersebut secara berurutan [Kusumadewi, 2003]. 3.

Gambar 3. Tahapan Proses dalam Logika Fuzzy Metode MAMDANI sering dikenal sebagai metode Max-Min, yang diperkenalkan oleh ebrahim MAMDANI di tahun 1975. Untuk memperoleh output, diperlukan 4 tahapan [Kusumadewi]. a. Pembentukan himpunan fuzzy b. Aplikasi fungsi implikasi c. Komposisi aturan Pada metode MAX solusi himpunan diperoleh dari nilai maximum aturan, kemudian menggunakan untuk memodifikasi daerah fuzzy, dan mengaplikasikannya ke output dengan menggunakan operator OR (union). Secara umum dapat dituliskan : (1) Keterangan: 1. = nilai keanggotaan solusi fuzzy sampai aturan ke-I. 2. = nilai keanggotaan konsekuen fuzzy sampai aturan ke-I.

(2) Keterangan:

2. 3. 4.

= nilai keanggotaan min dari aturan ke -1 = nilai maximum himpunan dari fungsi implikasi aturan ke -1 = nilai keanggotaan min dari aturan ke –n = nilai maximum himpunan dari fungsi implikasi aturan ke –n

Pengetahuan direpresentasikan dengan menggunakan aturan berbentuk: IF–THEN. Bentuk ini digunakan apabila kita memiliki

148

Gambar 4. Alur kerja penentuan dosen pembimbing Rule pengetahuan sebanyak 324 adalah rulebased reasoning yang diperoleh dari hasil permutasi sub variabel input yang ditunjukkan pada bagian tabel 1 dibagian lampiran.

d. Penegasan (defuzzy) Ada beberapa metode defuzzifikasi pada komposisi aturan MAMDANI, antara lain : Metode centroid, metode bisector, metode mean of maximum (MOM), Metode Largest of maximum (LOM). Rumus defuzzifikasi yang digunakan dalam penelitian ini adalah adalah :

1.

Metode Penelitian Dalam penelitian, peneliti melakukan identifikasi sistem dengan mempertimbangkan variable-variabel pendukung penerapan hasil keputusan dengan cara melakukan wawancara kepada ketua jurusan sebagai user knowledgement. Hal ini merupakan tahapan yang penting karena model yang dibuat harus akurat dan dapat dipertanggungjawabkan. Kemudian hasil wawancara dengan pakar dijadikan data yang selanjutnya diolah dengan menggunakan model logika fuzzy untuk mendapatkan hasil berupa langkah-langkah strategis yang harus dilakukan pada penerapan hasil keputusan. Alur kerja Penentuan Dosen Pembimbing dapat dilihat pada Gambar 4

4. Hasil dan Pembahasan Dalam penelitian sistem pendukung keputusan penentuan dosen pembimbing mendasarkan pada teknik peluang dan memperhitungkan ketidakmenentuan. Model yang dalam penelitian sistem pendukung keputusan ini menggunakan logika fuzzy metode mamdani. Alur dalam sistem pendukung keputusan penentuan dosen pembimbing menggunakan logika fuzzy adalah sebagai berikut : 1. Penentuan variabel yang menjadi inputan dalam logika fuzzy : a. Bidang keahlian dosen : nilai inputan untuk bidang keahlian dosen diperoleh dari rata-rata nilai pengusaan masing-masing dosen terhadap tematik yang terkait dengan skripsi


b.

c.

d.

e.

yang diajukan ditambah dengan rasio lulus mahasiswa yg dibimbing. Ipk mahasiswa yang sedang dibimbing : nilai yang diperoleh dari inputan data-data mahasiswa yang sedang mengajukan skripsi. Beban bimbingan dosen : nilai inputan yang diperoleh dari jumlah mahasiswa yang sedang dibimbing masing-masing dosen. rata-rata durasi waktu mahasiswa menyelesaikan skripsi : nilai inputan untuk rata-rata durasi waktu mahasiswa adalah ratarata dari durasi mahasiswa menyelesaikan skripsi yang pernah di bimbing masing masing dosen. Nilai rata-rata skripsi mahasiswa yang dibimbing : nilai inputan untuk nilai rata-rata skripsi diperoleh dari rata-rata nilai skripsi mahasiswa masing-masing dosen yang telah lulus sidang skripsi.

2. Penentuan varibel yang menjadi output dalam logika fuzzy : Indek kesesuain dosen sebagai pembimbing. 3. Penentuan domain semesta masing-masing variabel a. bidang keahlian dosen [0 100] b. Ipk mahasiswa [0 4] c. Beban bimbingan dosen [0 25] d. rata-rata durasi waktu mahasiswa menyelesaikan skripsi [0 6] e. Nilai rata-rata skripsi mahasiswa yang dibimbing [0 4] f. Indek kesesuai dosen [0 100] 4. Penentuan himpunan dan domain masingmasing variabel a. Bidang Keahlian Dosen (BKD)

Gambar 5. Kurva Bidang Keahlian Dosen . b. Indeks Prestasi Komulatif mahasiswa (IPK)

Gambar 7. Kurva Beban Bimbingan Dosen d.

durasi waktu mahasiswa menyelesaikan skripsi (durasi)

Gambar 8. Kurva Durasi Bimbingan e.

Nilai rata-rata skripsi mahasiswa yang dibimbing(Nil_Skripsi)

Gambar 9. Kurva Nilai Skripsi f.

Indek Kesesuai Dosen (IKD)

Gambar 10. Kurva Indek kesesuai dosen 5. Menentukan nilai (µhimpunan_variabel[nilai])

keanggotan

a. Bidang Keahlian Dosen (BKD)

Gambar 6. Kurva IPK Mahasiswa c.

Beban Bimbingan Dosen (BBD)

149


6. Menentukan aturan kaidah produksi(rule based reasoning) Contoh aturan kaidah produksi dalam sistem pendukung keputusan penentuan dosen pembimbing dilampirkan pada lampiran. 7. Melakukan defuzzyfikasi untuk menentukan peluang menggunakan rumus (2) diatas. Dalam paper ini terdapat percobaan kerja sistem, penulis membuat sistem seperti tampilan dibawah ini.

Gambar 11. Form Tambah data skripsi

Gambar 12. Form Penunjukkan dosen

Gambar 13. hasil rekomendasi penunjukkan Penambahan data skripsi menggunakan form tambah data skripsi yang ditunjukkan pada gambar 11 dan untuk penunjukkan dosen menggunakan form penunjukkan dosen yang ditunjukkan gambar 12 serta hasil rekomendasi seperti gambar 13. Pengujian yang dilakukan dalam penelitian sistem pendukung keputusan penunjukan dosen pembimbing ini menggunakan sekenario pengujian data histori penunjukkan dosen pembimbing dibandingkan dengan penunjukkan berdasarkan sistem pendukung keputusan penunjukkan dosen pembimbing. Skenario 150

Seminar Nasional Informatika 2014 pengujian ditunjukkan dalam berdasarkan gambar 14 berikut:

diagram

Gambar 14. Skenario Pengujian Pengujian ini dilakukan pada 30 data sampel histori yang dipilih secara random dari 2163 data. Rencana data yang akan diuji ditunjukkan pada tabel 2 di bagian lampiran serta hasil pengujian tingkat kesesuaian penunjukkan dosen dengan manual dengan nilai B dan durasi penyelesaian<=2 semester dan berdasarkan SPK dengan indeks kesesuain penunjukkan dosen dengan SPK>=40 dan perigkat di SPK>=5 ditunjukkan pada tabel 3 dibagian lampiran. Dari hasil pengujian diperoleh hasil kesesuaian penunjukkan dosen secara manual dan berdasarkan hasil penunjukkan Sistem Pendukung keputusan penunjukkan dosen pembimbing. Hasil Kesesuaian ditunjukkan pada diagram pie kesesuaian penunjukkan dosen pembimbing pada gambar 15:

Gambar 16. Diagram Kesesuaian Penunjukkan Dosen Pembimbing Untuk Lebih mendetail hasil pengujian kesesuaian dihitung berdasar penunjukkan optimal secara manual dan sistem pendukung keputusan penunjukkan dosen pembimbing. Hasil Penunjukkan optimal ditunjukkan pada diagram yang digambarkan pada gambar 17:

5.


Berdasarkan hasil pengujian dari kasus sampel uji yang telah dilakukan didapat kesimpulan bahwa hasil penunjukkan sistem pendukung keputusan menunjukkan angka kesesuaian 87% sesuai dengan penunjukkan manual. Hasil pengujian ini baru secara persentase statistik biasa dari data histori, dan mungkin saja ini kurang akurat. Sistem pendukung keputusan penunjukkan dosen agar lebih optimal, dibutuhkan tambahan kecerdasan dalam pengolahan aturan rule base secara otomatis berdasar histori penunjukkan. Penulis juga menyarankan bahwa peranan ketua jurusan dalam penunjukkan dosen dibutuhkan karena sistem hanya member hasil rekomendasi. Penulis juga memberikan saran untuk penelitian berikutnya, sistem pendukung keputusan ini dapat dikembangkan dengan membuat penelitan tematik terkait skripsi bisa diinputkan secara otomatis atau rule base reasoning yang digunakan secara otomatis terbentuk pola dengan dengan melihat histori penunjukkan dosen bimbingan. Daftar Pustaka [1]. Hariyati Rini Maryuni, “Survey Kinerja Dosen Pembimbing Skripsi Dan Kualitas Skripsi Mahasiswa Akuntansi Stie Malangkucecwara”, Jurnal Dinamika Akuntansi Vol. 4, No.2 (2012). [2]. Jayanti Sherly, Hartati Sri, 2012, Sistem Pendukung Keputusan Seleksi Anggota Paduan Suara Dewasa Menggunakan Metode Fuzzy MAMDANI, Jurnal IJCCS, Volume 6 no 1 [3]. Kusrini, 2007, Konsep dan Aplikasi Sistem Pendukung Keputusan, Yogyakarta, Penerbit Andi. [4]. Kusumadewi, S., “Artificial Intelligence”. Graha Ilmu, Edisi Pertama, Yogyakarta, 2003. [5]. Kusumadewi, S, Purnomo H., “Aplikasi Logika Fuzzy untuk pendukung keputusan”. Graha Ilmu, Edisi Kedua, Yogyakarta, 2010 [6]. Lotfi A Zadeh, 1968, “Fuzzy Algorithm, Information and Control 12 (2)”, 94-102.

Gambar 17. Diagram Kesesuaian Penunjukkan Dosen Pembimbing

151

Seminar Nasional Informatika 2014 Lampiran

no 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48

152

if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5

Tabel 1. Rulebase reasoning aturan . 8 . 11 . 8 . 11 . 8 . 11 . 8 . 12 . 8 . 12 . 8 . 12 . 8 . 13 . 8 . 13 . 8 . 13 . 9 . 11 . 9 . 11 . 9 . 11 . 9 . 12 . 9 . 12 . 9 . 12 . 9 . 13 . 9 . 13 . 9 . 13 . 10 . 11 . 10 . 11 . 10 . 11 . 10 . 12 . 10 . 12 . 10 . 12 . 10 . 13 . 10 . 13 . 10 . 13 . 8 . 11 . 8 . 11 . 8 . 11 . 8 . 12 . 8 . 12 . 8 . 12 . 8 . 13 . 8 . 13 . 8 . 13 . 9 . 11 . 9 . 11 . 9 . 11 . 9 . 12 . 9 . 12 . 9 . 12 . 9 . 13 . 9 . 13 . 9 . 13 . 10 . 11 . 10 . 11 . 10 . 11

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16

then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then

17 18 18 17 18 18 17 17 17 17 18 18 17 18 18 17 17 17 17 18 18 17 18 18 17 17 17 17 18 18 17 17 18 17 17 17 17 18 18 17 18 18 17 17 18 17 18 18


no 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99

if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if if

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5 5 5 5 5 5 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

aturan 10 . 10 . 10 . 10 . 10 . 10 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 9 .

12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16

then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then then

17 17 18 17 17 17 17 18 18 17 18 18 17 17 17 17 18 18 17 18 18 17 17 17 17 18 18 17 18 18 17 17 17 18 18 18 17 18 18 17 17 17 17 18 18 17 18 18 17 17 18 153

Seminar Nasional Informatika 2014 no 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150

154


1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7 7 7 7 7 7 7 7 7 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

aturan 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 9 . 9 . 9 . 9 . 9 . 9 .

11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16


17 18 18 17 17 18 17 17 17 17 18 18 17 18 18 17 17 18 17 18 18 18 18 18 17 17 18 17 17 18 17 17 18 17 17 17 17 18 18 17 18 18 17 17 17 17 18 18 17 18 18



2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5 5 5 5 5 5 5 5 5 5 5 5 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

aturan 9 . 9 . 9 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 9 . 9 . 9 .

13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16


17 17 17 17 18 18 17 17 17 17 17 17 17 18 18 17 18 18 17 17 18 17 18 18 17 18 18 17 17 17 17 17 18 17 17 18 17 17 17 17 18 18 17 18 18 17 18 18 17 18 18

155


156


2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 5 5 5 5 5 5 5 5

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

aturan 9 . 9 . 9 . 9 . 9 . 9 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 .

12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16


17 18 18 17 17 18 17 18 18 17 18 18 17 17 17 18 18 18 18 18 18 17 18 18 18 18 18 17 18 18 17 18 18 17 18 18 17 18 18 17 17 18 17 18 18 17 18 18 17 17 18



3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 7 7 7 7 7 7

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

aturan 9 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 8 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 8 . 8 . 8 . 8 . 8 . 8 .

11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16


17 18 18 17 17 18 17 17 18 17 17 18 17 17 18 17 17 18 17 18 18 17 18 18 17 17 18 17 18 18 17 18 18 17 17 18 17 17 18 17 17 17 17 17 17 17 18 18 17 18 18

157

Seminar Nasional Informatika 2014 no 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324

if if if if if if if if if if if if if if if if if if if if if

3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3

. . . . . . . . . . . . . . . . . . . . .

7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7

Keterang dari tabel 1 : 1 = BKD rendah 2 = BKD menengah 3 = BKD tinggi 4 = IPK Mahasiswa cukup 5 = IPK Mahasiswa memuaskan 6 = IPK Mahasiswa sangat memuaskan 7 = IPK Mahasiswa dengan Pujian 8 = BBD cukup 9 = BBD sedang 10 = BBD bayak 11 = Durasi cepat 12 = Durasi menengah 13 = Durasi lama 14 = Nilai Skripsi cukup 15 = Nilai Skripsi baik 16 = Nilai Skripsi sangat baik 17 = Indeks Kesesuaian rendah 18 = Indeks Kesesuaian tinggi . = and

158

. . . . . . . . . . . . . . . . . . . . .

aturan 8 . 8 . 8 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 9 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 . 10 .

13 13 13 11 11 11 12 12 12 13 13 13 11 11 11 12 12 12 13 13 13

. . . . . . . . . . . . . . . . . . . . .

14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16 14 15 16

then then then then then then then then then then then then then then then then then then then then then

Tabel 2. Data Pengujian

17 17 17 17 18 18 17 18 18 17 18 18 17 18 18 17 18 18 17 17 17

Seminar Nasional Informatika 2014 Tabel 3. Hasil Pengujian

159


RANCANGANINDIKATOR TEMPERATUR PADA PROSES FERMENTASI KACANG TANAH (TEMPE) Iwan Fitrianto Rahmad, Dwi Afrianto Jurusan Teknik Informatika STMIK Potensi Utama. Email :iwanfitrah@yahoo.com , dwi.afrianto2@gmail.com

Abstrak Tempe merupakan makanan yang mudah mengalami kegagalan produksi akibat proses produksi yang kurang memenuhi syarat. Proses pembuatan tempe pada dasarnya adalah proses menumbuhkan spora jamur tempe, yaitu Rhizopus sp. pada biji kedelai kemudian dilanjutkan proses fermentasi pada suhu 20 °Celcius sampai dengan 37 °Celcius dengan durasi simpan selama 18 – 36 jam.Dengan memanfaatkan teknologi yang berbasis mikrokontroller, sebuah alat pengatur suhu ruang fermentasi tempe ini dapat dibangun sehingga memudahkan dalam proses produksinya. Untuk memenuhi syarat-syarat yang dibutuhkan, alat yang dibangun akan dirancang sedemikian rupa sehingga pengaturan suhu di dalam ruang fermentasi dapat terjaga tetap konsisten dan bekerja secara otomatis.Untuk meminimalisasi kerugian akibat kegagalan proses produksi dan terciptanya suatu sistem kerja alat yang dapat dimonitoring melalui perangkat komputer maka digagaslah pembangunan alat ini. Tingkat keefektifan dan keefisienan proses produksi juga dapat terjadi secara maksimal karena alat yang dibangun memudahkan produsen untuk meninjau dan menganalisa proses demi kemajuan hasil produksi. Kata kunci : Fermentasi Tempe, Mikrokontroller dan Aplikasi Monitoring 1. PENDAHULUAN Tanaman kacang tanah digunakan sebagai bahan pengganti tanaman kedelai untuk dijadikan tempe, dikarenakan harga pasaran tanaman kacang kedelai saat ini masih tergolong tinggi dan untuk itulah penelitian ini menggunakan tanaman kacang tanah. Saat ini perkembangan teknologi dan pertumbuhan ekonomi yang semakin kompetitif, kita memerlukan peningkatan mutu hasil produksi yang dihasilkan maupun kualitas diri khususnya guna mengimbangi kemajuan pada bidang yang sedang dijalankan masing-masing orang sesuai dengan kompetensi yang dimilikinya.Dalam hal ini, lebih spesifik dapat dimanfaatkan para pengusaha tempetradisional yang ada di Indonesia untuk mengatur bagaimana mereka dapat menggunakan kemajuan teknologi tersebut dengan tujuan meningkatkan kualitas dan mutu dari tempe yang mereka produksi. Tempe merupakan makanan yang mudah mengalamikegagalan produksi akibat proses produksi yang kurang memenuhi syarat.Proses pembuatan tempe pada dasarnya adalah proses menumbuhkan spora jamur tempe, yaitu Rhizopus sp. pada biji kedelai. Jamur tempe ini dapat tumbuh dengan dilakukannya pemberian ragi tempe kemudian dilanjutkan proses fermentasi pada suhu 20 °Celcius sampai dengan 37 °Celcius dengan durasi simpan selama 18 –36 jam. Pemenuhan syarat penyimpanan inilah yang menjadi salah satu faktor penentu baik atau tidaknya hasil produksi tempe tersebut, karena jamur Rhizopus sp. tersebut dapat tumbuh pada

160

rentang suhu tersebut. Namun bila syarat tersebut tidak dapat dimaksimalkan akan berakibat pada aktifitas nyata dari mikroorganisme yang mungkin saja akan terlihat setelah aktifitas pertumbuhan Rhizopus sp. yang melampaui masa optimumnya, yaitu setelah terbentuknya sporaspora baru yang berwarna putih-kehitaman. Hal ini dapat terjadi apabila proses fermentasi tidak memenuhi syarat suhu ruangan yang tidak terpenuhi yang pada akhirnya mengakibatkan kurang baiknya hasil produksi tempe yang dihasilkan yang dapat ditandai dengan terciumnya bau amoniak dari tempe tersebut.Adanya bau amoniak ini masih dapat terasa sekalipun tempe telah diolah menjadi makanan, sehingga dapat menurunkan cita rasa konsumen dan berujung pada menurunnnya kualitas dan mutu hasil produksi. Untuk dapat mengendalikan suhu ruang tersebut maka digagaslah sebuah proyek untuk menciptakan suatu alat pengendali suhu ruang fermentasi tersebut agar memenuhi syarat yang dibutuhkan yang kemudian juga dapat dipantau melalui komputer sehingga perubahan suhu di dalam ruang fermentasi tersebut dan juga durasi penyimpanan tempe dapat lebih terkontrol dengan baik. Maka dari itu penelitian ini m embuat sebuah alat dengan sistem kendali suhu yang diatur oleh rangkaian mikrokontroller kemudian dapat dipantau melalui komputer dan alat yang buat bekerja sesuai dengan temperatur suhu yang diterima oleh sensor suhu LM35 di dalam

Seminar Nasional Informatika 2014 ruangan penyimpanan tersebut.Aplikasi monitoring yang ditampilkan pada layar komputer memantau fluktuasi perubahan suhu yang diterima oleh sensor dan mencatat durasi simpan tempe yang dimasukkan ke dalam ruangpenyimpanan. PERANCANGAN Perancangan alat ini dapat diawali dengan membuat diagram blok sistem. Dimana tiap-tiap blok saling berhubungan antara yang satu dengan yang lainnya. Diagram blok memiliki beberapa fungsi yakni menjelaskan cara kerja suatu sistem secara sederhana, menganalisa cara kerja rangkaian, mempermudah memeriksa kesalahan suatu sistem yang dibangun. Untuk menjelaskan secara lebih terincimembuat alat ini, dapat dijabarkan melalui sebuah diagram. Diagram blok dari simulasi perancangan alat ini ditunjukkan pada gambar 1 berikut ini:

g.

h.

Port serial merupakan output dari rangkaian mikrokontroller yang digunakan sebagai media komunikasi data antara rangkaian alat ini dengan perangkat komputer. Aplikasi monitoring pada komputeradalah aplikasi pemantau seluruh sistem kerja alat yang dirancang tersebut.

2.

Secara garis besar, perancangan alat ini terdiri dari beberapa blok komponen utama yaitu catu daya, minimum sistem ATmega8, sensor suhu LM35, LCD, relay, heater, port serial dan aplikasi monitoring. 2.1. Rangkaian Port Serial Untuk menghubungkan rangkaian mikrokontroller dengan perangkat komputer dibutuhkan sebuah rangkaian komunikasi RS232 menggunakan IC MAX232.

Gambar 2. Skema Rangkaian Port Serial

Gambar 1. Diagram Blok Rangkaian Penjelasan dan fungsi dari masing – masing blok adalah sebagai berikut: a. Powersupply ini berguna sebagai sumber tegangan kerja semua blok rangkaian mikrokontroller yang dibuat. b. Minimum System Mikrokontroller ATMega8 berfungsi sebagai pusat kendali dari keseluruhan sistem kerja rangkaian. c. Sensor suhu LM35 berfungsi sebagai pendeteksi besaran suhu yang ada di dalam ruang fermentasi alat tersebut. d. Relay sebagai output dari rangkaian mikrokontroller yang digunakan sebagai saklar otomatis yang berfungsi untuk menghubungkan tegangan listrik AC kepada lampu pijar sebagai pemanas ruangan. e. Lampu pijar digunakan sebagai alat utama pemanas ruang fermentasi penyimpanan tempe yang dibuat. f. LCD berfungsi sebagai media penampilan data yang diinginkan.

Rangkaian ini terdiri dari sebuah IC MAX232 dan 4 buah elektrolit kapasitor. Rangkaian ini berfungsi mengubah logika high +3 s/d +18 volt pada DB9 menjadi logika high 5 volt pada keluarannya, juga mengubah logika low -3 s/d -18 volt pada DB9 menjadi logika low 0 volt pada keluarannya. MAX232 sangat berperan dalam melakukan perubahan level tegangan timbal balik antara TTL dan RS-232 pada komunikasi port serial, IC ini memiliki 2 buah line transmitter dan 2 buah line receiver. IC ini juga dilengkapi dengan pengganda tegangan DC atau charge pump yang dapat menghasilkan tegangan – (negatif) 10 Volt sampai + (positif) 10 Volt dari catu daya tunggal +5 Volt. 2.2. Flowchart Agar dapat melihat struktur jalannya program maka dibuat flowchart (diagram alur). Flowchart digunakan sebagai dasar acuan dalam membuat program. Struktur program akan lebih mudah dibuat atau didesain. Selain itu juga jika terdapat kesalahan akan lebih mudah untuk mendeteksi letak kesalahannya serta untuk lebih memudahkan dalam menambahkan instruksiinstruksi baru pada program jika nantinya terjadi pengembangan pada struktur programnya.

161

Seminar Nasional Informatika 2014 Flowchart untuk perancangan alat ini dapat dilihat pada gambar berikut:

Gambar 3. Flowchart Alat Fermentasi Tempe Algoritma dari flowchart tersebut yaitu mulai merupakan saat program pertama kali dijalankan. Selanjutnya program akan memeriksa terlebih dahulu kondisi relay dan heater pada rangkaian apakah relay dalam kondisi terputus atau terhubung dan heater pada kondisi off atau on. Pada proses selanjutnya pembacaan sensor suhu dimulai, dalam kondisi ini kemudian akan didapati dua kemungkinan yang terjadi yaitu apakah rentang suhu yang dibaca masih pada skala kerja suhu ruang fermentasi atau tidak. Rentang suhu berkisar antara 20°C sampai 37°C, apabila diketahui kondisi suhu yang terbaca masih pada rentang suhu tersebut maka sistem pemanasan di dalam ruang tersebut tidak berkerja yang berarti relay masih dalam kondisi terputus dan heater masih dalam kondisi off. Jika kondisi yang terbaca dianggap terlalu dingin yaitu berkisar di bawah suhu 20°C maka secara otomatis sistem akan mengaktifkan sistem pemanasan ruangan dengan menghubungkan kondisi relay yang awalnya dalam kondisi terputusmenjadi terhubungdan selanjutnya mengakibatkan tegangan kerja mengaliri

162

komponen pemanas atau heater dan menjadikan kondisinya on. Dalam kondisi pemanas yang terus menyala di dalam ruangan akan berakibat pada peningkatan suhu ruangan fermentasi tersebut. Akan terjadi sebuah proses yang berkesinambungan terhadap sistem kerja lat ini yaitu sensor suhu akan kembali membaca besaran suhu ruangan tersebut, apabila didapati lagi dua kondisi maka akan terjadi proses tingkat lanjutannya. Apabila diketahui kondisi suhu yang terbaca masih pada rentang suhu kerja alat tersebut maka sistem pemanasan di dalam ruang tersebut masih berkerja yang berarti relay masih dalam kondisi terhubung dan heater masih dalam kondisi on. Jika kondisi yang terbaca dianggap terlalu panas yaitu di atas suhu 37°C maka secara otomatis sistem akan menon-aktifkan sistem pemanasan ruangan dengan memutuskan kondisi relay yang awalnya dalam kondisi terhubung menjadi terputusdan selanjutnya mengakibatkan tegangan kerja berhenti mengaliri komponen pemanas atau heater dan menjadikan kondisinya off dan seperti itu seterusnya program akan bekerja secara konsisten sesuai dengan kondisikondisi yang terjadi pada alat tersebut. 2.3. ProgramMikrokontroller Pada perancangan program ini digunakan Code Vision AVR sebagai editor dan compiler dari program yang akan dirancang pada perancangan alat pengendali suhu ruang fermentasi penyimpanan tempe ini. Tahap awal yang dilakukan untuk memulai proses pengetikkan script pada softwareCode Vision AVR versi 2. 05. 0 Advanced. Coding program untuk kalibrasi sensor suhu pada alat ini yaitu: void ambil_dataADC() { data1=read_adc(0); data2=read_adc(1); } void hitung_suhu () { suhu =(float)(data1-data2)/ 2.6; } Sedangkan coding program untuk algoritma status suhu dan koneksi ke aplikasi monitoring pada alat ini yaitu: void cek_suhu(){ if (suhu <20) { delay_ms(5000); heater=1; delay_ms(200); putchar(5);

Seminar Nasional Informatika 2014 delay_ms(300); } if (suhu >37) { delay_ms(5000); heater=0; delay_ms(200); putchar(6); delay_ms(300); } } void status_lemari(){ if (PIND.2 == 1){ putchar(1); putchar(suhu); delay_ms(5000); putchar(2); } if (PIND.3 == 1){ putchar(3); putchar(suhu); delay_ms(5000); putchar(4); } }

2.4. ProgramMonitoring Aplikasi monitoring yang akan dibangun pada hasil akhir yang diharapkan hanya bersifat sebagai sarana pemantau aktifitas sistem alat tersebut. Pada perancangannya akan digunakan software Microsoft Visual Basic 2010 Express. Penulisan coding program untuk pengkoneksian alat dengan perangkat komputer menggunakan driver port serial RS-232 pada Visual Basic 2010 yaitu: Dim serialdata AsString Try serialdata = SerialPort1.ReadByte.ToString If serialdata >= 7 Then Label2.Text = serialdata ElseIf serialdata = 1 Then Label5.Text = "OPEN" ElseIf serialdata = 2 Then Label5.Text = "CLOSE" ElseIf serialdata = 3 Then Label6.Text = "OPEN" ElseIf serialdata = 4 Then Label6.Text = "CLOSE" ElseIf serialdata = 5 Then Label11.BackColor = Color.Green Label11.Text = "ON" ElseIf serialdata = 6 Then Label11.BackColor = Color.Red Label11.Text = "OFF"

EndIf

Catch ex AsException EndTry

3.

PENGUJIAN

Proses pengujian yang dilakukan adalah sebuah pengujian pada hardware dan software yang dirancang. Perancangan hardwaredibangun menggunakan beberapa komponen elektronika sedangkan perancangan softwaredibangundengan aplikasi Microsoft Visual Studio 2010. 3.1. Pengujian Hardware Proses pengujian hardwaredilaksanakan dengan pengujian secara estafet yaitu menguji pada masing-masing blok rangkaian hingga akhirnya pengujian secara keseluruhan hardwarebila pada masing-masing blok rangkaian sudah diuji dengan baik. Hasil pengujian tersebut dapat dilihat pada gambar berikut:

Gambar 4. Tampilan Suhu di LCD Pada Proses Pengujian Hardware 3.2. Pengujian Software Proses pengujian softwaredilaksanakan dengan pengujian secara menyeluruh yaitu dengan menghubungkan hardwareyang tengah diuji kemudian menghubungkannya dengan perangkat komputer yang telah terinstal software yang dibangun . Hasil pengujian tersebut dapat dilihat pada gambar berikut:

Gambar 5. Tampilan Proses Pengujian Aplikasi Monitoring

163


KESIMPULAN

Telah dibuat alat sebagai pemantau suhu ruang menggunakan mikrokontroller ATmega8 sehingga dapat digunakan sebagai sistem pemantauan suhu yang dapat dimonitoring melalui perangkat komputer yang berupa interface keadaan yang ada di dalam ruang fermentasi tempe yang dibuat seperti temperatur suhu, status heater, status lemari dan data logger durasi penyimpanan tempe pada masing-masing lemari. Hasil pengukuran suhu ruangan pada sistem ini memiliki penyimpangan tehadap suhu aktual yakni berkisar antara 0.1 °Celcius sampai dengan 1 °Celcius. DAFTAR PUSTAKA 1. M. Ary Heryanto, ST dan Ir. Wisnu Adi P. 2008. “Pemrograman Bahasa C Untuk Mikrokontroler ATMEGA8535”. Andi: Yogyakarta. 2. Mada Sanjaya WS, Ph.D. 2013.“Membuat Robot Bersama Profesor Bolabot”. Gaya Media: Yogyakarta. 3. Andrianto, Heri. 2013. “Pemrograman Mikrokontroller AVR ATmega16 Menggunakan Bahasa C (edisi revisi)”. Bandung: Informatika. 4. Prasetia dan Catur Edi Widodo. 2013.

164

5. “Tips Coding Interfacing Port USB & Port Serial Menggunakan VB”. Andi: Yogyakarta. 6. Winoto, Ardi. 2010. “Mikrokontroler AVR ATMEGA 8/ 16/ 32/ 8535, dan Pemrograman dengan Bahasa C”. Andi: Yogyakarta. 7. Marpaung, Noveri Lysbetti dan Ervianto, Edy. 2012. “Data Logger Sensor Suhu Berbasis Mikrokontroler ATMEGA 8535 dengan PC Sebagai Tampilan”. Jurnal Ilmiah Elite Elektro, Vol. 3, No. 1, Maret 2012: 37-42. 8. Riny Sulistyowati ,Dedi Dwi Febriantoro 2012. “Perancangan Prototype Sistem Kontrol Dan Monitoring Pembatas Daya ListrikBerbasisMikrokontroler”. Jurnal IPTEK Vol.16 No,1 Mei 2012. 9. Djiwo Harsono, Joko Sunardi, DesiBiantara 2009. “Pemantauan Suhu Dengan Mikrokontroler ATMega8 Pada Jaringan Lokal”. Jurnal Seminar Nasional V SDM Teknologi Nuklir , Yogyakarta.


ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian1, Purwa Hasan Putra2 1

Dosen Teknik Informatika, STMIK Potensi Utama Mahasiswa Sistem Informasi, STMIK Potensi Utama 1,2 STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan 1 yudhi.andrian@gmail.com, 2purwahasanputra21@gmail.com 2

Abstrak Jaringan saraf tiruan (Artificial Neural Network) sebagian besar telah cukup handal dalam pemecahan masalah, salah satunya adalah prediksi curah hujan dengan metode backpropagation. Algoritma momentum merupakan pengembangan dari algoritma backpropagation standar. Algoritma momentum memiliki kesamaan langkah dengan algoritma backpropagation standar tetapi berbeda pada saat umpan mundur (backward propagation). Penambahan momentum dimaksudkan untuk menghindari perubahan bobot yang mencolok akibat adanya data yang sangat berbeda dengan yang lain (outlier). Pada penelitian ini penulis akan menganalisis pengaruh penambahan momentum pada proses prediksi curah hujan di kota medan dengan metode backpropagation neural network. Dari hasil penelitian dapat disimpulkan beberapa hal antara lain : Semakin kecil target error, maka jumlah iterasi akan semakin besar. Semakin kecil target error, maka nilai keakurasiannya cenderung semakin baik (semakin besar). Jumlah iterasi pada proses trainning dengan penambahan momentum lebih kecil dibandingkan dengan tanpa penambahan momentum. Tingkat akurasi tertinggi dicapai pada target error 0.0073 yaitu 43.65%. Kata kunci : momentum, prediksi curah hujan, backpropagation, neural network. 1.

Pendahuluan

Indonesia merupakan Negara yang dilewati oleh garis khatulistiwa serta dikelilingi oleh dua samudera dan dua benua. Posisi ini menjadikan Indonesia sebagai daerah pertemuan sirkulasi meridional (Utara-Selatan) dikenal sebagai sirkulasi Hardley dan sirkulasi Zonal (TimurBarat) dikenal sebagai sirkulasi Walker, dua sirkulasi yang sangat mempengaruhi keragaman iklim di Indonesia. Pergerakan matahari yang berpindah dari 23.50 Lintang Utara ke 23.50 Lintang Selatan sepanjang tahun mengakibatkan timbulnya aktivitas monsoon yang juga ikut dalam mempengaruhi kondisi cuaca. Faktor lain yang diperkirakan ikut berpengaruh terhadap kondisi cuaca di Indonesia ialah gangguan siklon tropis. Maka dari itu pengamatan terhadap kondisi cuaca, Khususnya kondisi curah hujan sangat penting dilakukan[3]. Besarnya curah hujan mempunyai peran yang sangat penting. Berdasarkan data curah hujan dapat dilakukan penggolongan iklim menurut perbandingan antara bulan kering dengan jumlah rata-rata bulan basah. Bulan kering terjadi jika curah hujan bulanan kurang dari 60 mm/bulan, sedangkan bulan basah terjadi jika curah hujan bulanan di atas 100 mm/bulan. Memprediksi besarnya curah hujan di suatu tempat, dapat dilakukan dengan menggunakan

teknik jaringan saraf tiruan (Artificial Neural Network) [3]. Jaringan Saraf Tiruan (Artificial Neural Network) sebagian besar telah cukup handal selama beberapa tahun terakhir dalam pemecahan masalah. Jaringan saraf tiruan menyediakan metodologi yang sangat handal dalam pemecahan masalah non-linier. Jaringan saraf tiruan terinspirasi oleh otak manusia di mana neuron saling interkoneksi secara non-linier. Neuron saling terhubung satu sama lain melalui suatu jaringan. Jaringan ini yang dilatih menggunakan algoritma backpropagation yang mengikuti Gradient Descent Method [4]. Gupta Akashap, Gautam Anjali, et al. (2013) menerapkan Neural Network untuk memprediksi curah hujan dengan metode Backpropagation. Hasilnya lebih akurat, nilai prediksi lebih dekat dengan nilai sebenarnya dan dirancang dapat digunakan untuk memprediksi curah hujan di india [1]. Ch.Jyostha Devi, B.Syam Prasad Reddy, et al. (2012) Neural Network yang berguna dalam peramalan cuaca dan kerja yang paling akurat prediksi algoritma yang disebut algoritma propagasi. Sebuah Neural Network 3-lapis dirancang dan dilatih dengan dataset yang ada dan memperoleh hubungan antara parameter cuaca non-linear. Dimana Neural Network dapat

165

Seminar Nasional Informatika 2014 memprediksi cuaca masa depan dengan suhu kurang error [2]. Dari penelitian sebelumnya belum pernah digunakan penambahan momentum pada proses prediksi curah hujan dengan metode backpropagation. Pada penelitian ini penulis akan menganalisis pengaruh penambahan momentum pada proses prediksi curah hujan di kota medan dengan metode backpropagation neural network.

hingga sebuah nilai ambang yang ditetapkan terlampaui. Algoritma pelatihan jaringan propagasi balik terdiri dari 3 tahapan yaitu [4]: a. Tahap umpan maju (feedforward). b. Tahap umpan mundur (backpropagation) dan galatnya. c. Tahap peng-update-an bobot dan bias.

2.

Algoritma momentum backpropagation merupakan pengembangan dari algoritma backpropagation standar dimana dalam pembelajarannya menggunakan momentum yang nilai konstanta momentum memiliki rentang 0 sampai 1. Algoritma momentum backpropagation memiliki kesamaan langkah dengan algoritma backpropagation standar tetapi berbeda pada saat umpan mundur (backward propagation). Berikut adalah algoritma backpropagation [5]. a. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil), Epoh = 1 dan MSE = 1. b. Tentukan Maksimum Epoh, Learning Rate (α), dan Target Error. c. Lakukan langkah ke-4 sampai 12 berikut selama (Epoh < maksimum epoh) dan (MSE > Target Error). d. Epoh = Epoh + 1. e. Umpan Maju (feedforward) 1) Tiap-tiap unit input (X1, i=1,2,3,…,n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). 2) Tiap-tiap unit tersembunyi (Z1, j=1,2,3,…,p) menjumlahkan bobot sinyal input, ditunjukkan dengan persamaan (1).

Neural Network

Artificial Neural Network / Jaringan Saraf Tiruan (JST) adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia. Elemen kunci dari paradigma ini adalah struktur dari sistem pengolahan informasi yang terdiri dari sejumlah besar elemen pemrosesan yang saling berhubungan (neuron), bekerja serentak untuk menyelesaikan masalah tertentu. Cara kerja JST seperti cara kerja manusia, yaitu belajar melalui contoh. Lapisan-lapisan penyusun JST dibagi menjadi 3, yaitu lapisan input (input layer), lapisan tersembunyi (hidden layer), dan lapisan output (ouput layer) [6]. 3.

Metode Backpropagation

Backpropagation adalah metode penurunan gradien untuk meminimalkan kuadrat eror keluaran. Ada tiga tahap yang harus dilakukan dalam pelatihan jaringan, yaitu tahap perambatan maju (forward propagation), tahap perambatanbalik, dan tahap perubahan bobot dan bias. Arsitektur jaringan ini terdiri dari input layer, hidden layer, dan output layer [6]. Aturan pelatihan jaringan backpropagation terdiri dari 2 tahapan, feedforward dan backward propagation. Pada jaringan diberikan sekumpulan contoh pelatihan yang disebut set pelatihan. Set pelatihan ini digambarkan dengan sebuah vector feature yang disebut dengan vector input yang diasosiasikan dengan sebuah output yang menjadi target pelatihannya. Dengan kata lain set pelatihan terdiri dari vektor input dan juga vektor output target. Keluaran dari jaringan berupa sebuah vektor output aktual. Selanjutnya dilakukan perbandingan antara output aktual yang dihasilkan dengan output target dengan cara melakukan pengurangan di antara kedua output tersebut. Hasil dari pengurangan merupakan error. Error dijadikan sebagai dasar dalam melakukan perubahan dari setiap bobot yang ada dengan mempropagasikannya kembali. Setiap perubahan bobot yang terjadi dapat mengurangi error. Siklus setiap perubahan bobot (epoch) dilakukan pada setiap set pelatihan sehingga kondisi berhenti dicapai, yaitu bila mencapai jumlah epoch yang diinginkan atau

166

4.

Algoritma Momentum Backpropagation

∑

(1)

Lalu gunakan fungsi aktivasi untuk menghitung sinyal outputnya, ditunjukkan dengan persamaan (2). (2) Dan kirimkan sinyal-sinyal tersebut ke semua unit di lapisan atasnya (lapisan output). 3) Tiap-tiap unit output (YK, K=1,2,3,..,m) menjumlahkan sinyal-sinyal input berbobot, ditunjukkan dengan persamaan (3). (3) ∑ Lalu gunakan fungsi aktivasi untuk menghitung sinyal outputnya, ditunjukkan dengan persamaan (4). (4)

Seminar Nasional Informatika 2014 f. Umpan Mundur (Momentum Backpropagation) 1) Tiap-tiap unit output (Yk, k=1,2,3,…,m) menerima pola target yang sesuai dengan pola input pelatihan, kemudian hitung error, ditunjukkan dengan persamaan (5). ( ) (5) 2jk = - zj k = 8k Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai Wjk), ditunjukkan dengan persamaan (6). jk + jk (6) Dilakukan sebanyak jumlah lapisan tersembunyi ke lapisan tersembunyi sebelumnya. 2) Tiap-tiap unit tersembunyi (Zj, j=1,2,3,..,p) menjumlahkan delta input (dari unit-unit yang berada pada lapisan di atasnya), ditunjukkan dengan persamaan (7). (7) ∑ Kalikan ini dengan turunan dari fungsi aktivasi error, ditunjukkan dengan persamaan (8). ij =

( j - xj

)

(8)

jj Kemudian hitung korelasi bobot (yang nantinya akan digunakan untuk memperbaiki nilai Vij), ditunjukkan dengan persamaan (9). (9)

Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai bij), ditunjukkan dengan persamaan (10). (1 0) µ merupakan konstanta dari momentum dengan rentang [0.1]. g. Perbaikan bobot 1) Tiap-tiap unit output (Yk, k=1,2,3,..,m) memperbaiki bias dan bobotnya (j=0,1,2,..p), ditunjukan dengan persamaan (11).

5.

Metode Penelitian

Penelitian ini untuk menganalisa penambahan momentum pada proses prediksi curah hujan di Kota Medan dengan jaringan saraf tiruan metode backpropagation. Penulis ingin mengetahui apakah ada perbedaan antara penambahan momentum dengan metode backpropagation standar. Untuk mencapai tujuan tersebut, penulis akan melakukan perbandingan dengan menggunakan data skunder curah hujan bulanan Kota Medan tahun 1997-2012. Data bersumber dari BMKG Stasiun Polonia Kota Medan. Prediksi curah hujan dengan backpropagation neural network digunakan langkah-langkah sebagai berikut: a. Memisahkan data yang akan digunakan sebagai data pelatihan dan data uji. Data curah hujan tahun 1997 – 2008 akan digunakan sebagai data pelatihan selama perancangan JST sedangkan data tahun 2009 – 2012 digunakan sebagi data pengujian. b. Desain JST Desain JST dilakukan untuk prediksi curah hujan bulanan dimulai dengan menentukan banyaknya data masukan yang digunakan, banyaknya layar tersembunyi (hidden layer) yang digunakan, dan banyaknya keluaran yang diinginkan. Data yang digunakan sebagai masukan sebanyak 8 data (8 tahun) dan data keluaran atau target adalah data pada tahun ke-9 (data input 1997 – 2004 dengan target 2005). Untuk mengetahui curah hujan pada tahun ke-10 maka data masukannya merupakan data pada tahun ke-2 sampai tahun ke-9 (data input 1998 – 2005 dengan target 2006), demikian seterusnya. Desain JST ditunjukkan pada gambar 1.

(1 1) 2) Tiap-tiap unit tersembunyi (Zj, j=1,2,3,..p) memperbaiki bias dan bobotnya (i=0,1,2,..n), ditunjukkan dengan persamaan (12). (1 2) 3) Hitung nilai MSE, ditunjukkan dengan persamaan (13). ∑ (1 3)

167

Seminar Nasional Informatika 2014 Input Layer

Hidden Layer

Output Layer

x1

x2

v1

x3

v2

x4

v3 y1

x5

v4

x6

v5

x7

v6

x8

Gambar 1. Desain Backpropagation Neural Network c. Pengenalan pola (pelatihan) Pengenalan pola dilakukan dengan cara penyesuaian nilai bobot (dalam penelitian ini nilai bobot ditentukan secara random dan menggunakan penambahan momentum). Penghentian penyesuaian bobot dalam pengenalan pola apabila kuadrat error mencapai target error. Error dihitung setelah tahapan forward propagation. Apabila error lebih besar dari target error maka pelatihan akan dilanjutkan ke tahap backward propagation sampai error mencapai atau lebih kecil target error. d. Pengujian dan prediksi Pengujian dilakukan bertujuan untuk mengetahui tingkat keakuratan sistem JST yang telah dibuat dalam memprediksi data curah hujan pada tahun tertentu. Sedangkan prediksi bertujuan untuk memprediksi data curah hujan yang akan datang. 6.


Dalam penelitian ini akan dilakukan prediksi curah hujan bulanan di Kota Medan, data yang digunakan sebagai input adalah data bulanan selama 15 tahun terahir. Untuk mengetahui apakah penambahan momentum pada proses prediksi curah hujan dengan metode 168

backpropagation neural network, maka dilakukan beberapa pengujian. Pengujian pertama peneliti melakukan pelatihan dengan jumlah hidden 6, alpha 1, target error 0,001, max. epoh 50, dan momentum 0,5. Data input ditunjukkan pada Tabel 1: Tabel 1(a) Data input tahun 1997 sampai 2004 dengan target 2005. Data Input Tahun 1997 Sampai 2004 dengan Target 2005 106.2 181 315 59 216.5 90.8 169.4 138.8 189.1 96.6 50.2268.8 86.7 15.1 78.5 85.7 200.8 43.9 134.4 29.4196.9 182.2 158 96.5 162.2 237.9 62.5 109.8 35.3 322 115 164.8 73.4 285.3 88.5 168.2 80.9133.5302.6 60.3 252.8195.2 245.7 229.5 68 175.3144.6256.2 191.1 306.7191.7 196.3 200.5 174 225.8 213 29.9 121.9 121.3139.2 312.1 206.8210.8 95.7 381 78.6 342.6 417.6156.3 282 204.3145.7 290.6170.8407.2 451.1 395.7382.5 561.5 475.3290.5 391.1340.3204.1 367.5 733363.8 471.9 377.5175.5 265.4275.8126.4 108 467.6164.3 125.4 141.2206.4 182.4394.2456.3 173.6 342.5102.2 187.7 166.4311.4 Tabel 1(b) Data input tahun 1998 sampai 2005 dengan target 2006. Data Input Tahun 1998 Sampai 2005 dengan Target 2006 181 315 59 216.5 90.8169.4 138.8 189.1 103.9 50.2268.8 86.7 15.1 78.5 85.7 200.8 43.9130.5 29.4196.9182.2 158 96.5162.6 237.9 62.5121.2 35.3 322 115 164.8 73.4285.3 88.5 168.2 222.5 133.5302.6 60.3 252.8 195.2245.7 68 300.5 229.5 144.6256.2191.1 306.7 191.7196.3 200.5 174251.4 213 29.9121.9 121.3 139.2312.1 206.8 210.8109.1 381 78.6342.6 417.6 156.3 282 204.3 145.7148.3 170.8407.2451.1 395.7 382.5561.5 475.3 290.5385.6 340.3204.1367.5 733 363.8471.9 377.5 175.5271.4 275.8126.4 108 467.6 164.3125.4 141.2 206.4148.4 394.2456.3173.6 342.5 102.2187.7 166.4 311.4346.6 Tabel 1(c) Data input tahun 1999 sampai 2006 dengan target 2007. Data Input Tahun 1999 Sampai 2006 dengan Target 2007 315 59216.5 90.8 169.4138.8 189.1 103.9 169.6 268.8 86.7 15.1 78.5 85.7200.8 43.9 130.5 8.6 196.9182.2 158 96.5 162.6237.9 62.5 121.2 62.3 322 115164.8 73.4 285.3 88.5 168.2 222.5 277.2 302.6 60.3252.8 195.2 245.7 68 229.5 300.5330.2 256.2191.1306.7 191.7 196.3200.5 174 251.4 99.4

Seminar Nasional Informatika 2014 29.9121.9121.3 78.6342.6417.6 407.2451.1395.7 204.1367.5 733 126.4 108467.6 456.3173.6342.5

139.2 156.3 382.5 363.8 164.3 102.2

312.1206.8 210.8 109.1261.6 282204.3 145.7 148.3153.4 561.5475.3 290.5 385.6256.5 471.9377.5 175.5 271.4303.3 125.4141.2 206.4 148.4374.1 187.7166.4 311.4 346.6218.4

Tabel 1(d) Data input tahun 2000 sampai 2007 dengan target 2008. Data Input Tahun 2000 Sampai 2007 dengan Target 2008 59216.5 90.8 169.4 138.8189.1 103.9 169.6 126.7 86.7 15.1 78.5 85.7 200.8 43.9 130.5 8.6 16.2 182.2 158 96.5 162.6 237.9 62.5 121.2 62.3126.8 115164.8 73.4 285.3 88.5168.2 222.5 277.2 146 60.3252.8195.2 245.7 68229.5 300.5 330.2172.5 191.1306.7191.7 196.3 200.5 174 251.4 99.4 62 121.9121.3139.2 312.1 206.8210.8 109.1 261.6276.8 342.6417.6156.3 282 204.3145.7 148.3 153.4195.7 451.1395.7382.5 561.5 475.3290.5 385.6 256.5294.8 367.5 733363.8 471.9 377.5175.5 271.4 303.3342.2 108467.6164.3 125.4 141.2206.4 148.4 374.1412.5 173.6342.5102.2 187.7 166.4311.4 346.6 218.4245.7 Selanjutnya adalah proses normalisasi. Normalisasi terhadap data dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan. Data-data tersebut dinormalisasi dalam interval [0, 1] karena dalam prediksi curah hujan nilai curah hujan pasti bernilai positif atau 0. Selain itu juga terkait fungsi aktivasi yang diberikan yaitu sigmoid biner. Fungsi sigmoid adalah fungsi asimtotik (tidak pernah mencapai 0 ataupun 1) maka transformasi data hendaknya dilakukan pada interval yang lebih kecil yaitu [0.1, 0.8] ditunjukkan dengan persamaan 14. (14) a adalah data minimum, b adalah data maksimum, x adalah data yang akan dinormalisasi dan x’ adalah data yang telah ditransformasi. Sehingga dihasilkan data hasil normalisasi yang ditunjukkan pada Tabel 2. Tabel 2(a) Data hasil normalisasi tahun 19972004 dengan target tahun 2005. Data Hasil Normalisasi 1997 199 1999 200 2001 200 2003 2004 2005 8 0 2 0.20 0.29 0.438 0.15 0.32 0.19 0.27 0.299 78 04 4 57 96 08 76 0.2438 3 0.19 0.14 0.387 0.18 0.10 0.17 0.18 0.139 72 59 4 63 72 72 51 0.312 3 0.23 0.12 0.3 0.29 0.2 0.19 0.27 0.353 0.159 89 3 08 17 65 71 01 2 5 0.21 0.12 0.446 0.21 0.27 0.17 0.490.188 0.276

18 0.17 98 0.28 41 0.33 99 0.19 62 0.41 14 0.52 24 0.38 36 0.29 19

95 1 0.23 0.424 79 7 0.25 0.250 02 2 0.32 0.123 57 5 0.51 0.177 13 3 0.27 0.540 91 2 0.46 0.315 63 9 0.39 0.230 51 1 0.52 0.594 58 4

75 0.15 71 0.30 15 0.22 51 0.46 89 0.58 87 0.49 64 0.20 98 0.28 22

25 0.36 97 0.42 92 0.22 45 0.55 17 0.52 75 0.9 0.60 69 0.46 87

16 0.30 61 0.30 22 0.24 42 0.26 31 0.51 29 0.49 23 0.27 19 0.20 34

56 2 0.36 0.165 18 6 0.30 0.311 73 9 0.43 0.318 52 9 0.40 0.316 19 1 0.71 0.615 06 4 0.61 0.507 17 4 0.22 0.246 9 4 0.29 0.274 78 3

3 0.344 0.282 7 0.323 3 0.251 4 0.411 3 0.284 3 0.318 4 0.434 4

Tabel 2(b) Data hasil normalisasi tahun 19982005 dengan target tahun 2006. Data Hasil Normalisasi 1998 199 2000 200 2002 200 2004 2005 2006 9 1 3 0.29 0.43 0.155 0.32 0.19 0.27 0.24 0.205 04 84 7 96 08 76 38 0.2993 2 0.14 0.38 0.186 0.10 0.17 0.18 0.31 0.234 59 74 3 72 72 51 23 0.139 6 0.12 0.30 0.291 0.26 0.19 0.27 0.35 0.159 0.224 3 8 7 5 71 01 32 5 4 0.12 0.44 0.217 0.27 0.17 0.40 0.18 0.276 0.336 95 61 5 25 16 56 82 3 2 0.23 0.42 0.157 0.36 0.30 0.36 0.16 0.344 0.422 79 47 1 97 61 18 56 4 0.25 0.37 0.301 0.42 0.30 0.30 0.31 0.282 0.368 02 34 5 92 22 73 19 7 1 0.32 0.12 0.225 0.22 0.24 0.43 0.31 0.323 0.211 57 35 1 45 42 52 89 3 0.51 0.17 0.468 0.55 0.26 0.40 0.31 0.251 0.254 13 73 9 17 31 19 61 4 3 0.27 0.54 0.588 0.52 0.51 0.71 0.61 0.411 0.516 91 02 7 75 29 06 54 3 3 0.46 0.31 0.496 0.9 0.49 0.61 0.50 0.284 0.390 63 59 4 23 17 74 3 2 0.39 0.23 0.209 0.60 0.27 0.22 0.24 0.318 0.254 51 01 8 69 19 9 64 4 4 0.52 0.59 0.282 0.46 0.20 0.29 0.27 0.434 0.473 58 44 2 87 34 78 43 4 3 Tabel 2(c) Data hasil normalisasi tahun 19992006 dengan target tahun 2007. Data Hasil Normalisasi 1999 200 2001 200 2003 200 2005 2006 2007 0 2 4 0.43 0.15 0.329 0.19 0.27 0.24 0.29 0.277 84 57 6 08 76 38 93 0.2052 8 0.38 0.18 0.107 0.17 0.18 0.31 0.13 0.1 74 63 2 72 51 23 9 0.234 6 0.30 0.29 0.265 0.19 0.27 0.35 0.150.224 0.159

169

Seminar Nasional Informatika 2014 8 0.44 61 0.42 47 0.37 34 0.12 35 0.17 73 0.54 02 0.31 59 0.23 01 0.59 44

17 0.21 0.272 75 5 0.15 0.369 71 7 0.30 0.429 15 2 0.22 0.224 51 5 0.46 0.551 89 7 0.58 0.527 87 5 0.49 0.9 64 0.20 0.606 98 9 0.28 0.468 22 7

71 0.17 16 0.30 61 0.30 22 0.24 42 0.26 31 0.51 29 0.49 23 0.27 19 0.20 34

01 0.40 56 0.36 18 0.30 73 0.43 52 0.40 19 0.71 06 0.61 17 0.22 9 0.20 34

32 0.18 82 0.16 56 0.31 19 0.31 89 0.31 61 0.61 54 0.50 74 0.24 64 0.27 43

95 4 0.27 0.336 63 2 0.34 0.422 4 4 0.28 0.368 27 1 0.32 0.211 33 0.25 0.254 14 3 0.41 0.516 13 3 0.28 0.390 43 2 0.31 0.254 84 4 0.43 0.473 44 3

3 0.396 6 0.455 2 0.200 3 0.379 4 0.259 9 0.373 8 0.425 5 0.503 6 0.331 7

Tabel 2(d) Data hasil normalisasi tahun 20002007 dengan target tahun 2008. Data Hasil Normalisasi 2000 2001 2002 2003 2004 0.155 0.329 0.1908 0.277 0.2438 7 6 6 0.186 0.107 0.1772 0.185 0.312 3 2 1 3 0.291 0.265 0.1971 0.270 0.353 7 1 2 0.217 0.272 0.1716 0.405 0.188 5 5 6 2 0.157 0.369 0.3061 0.361 0.165 1 7 8 6 0.301 0.429 0.3022 0.307 0.311 5 2 3 9 0.225 0.224 0.2442 0.435 0.318 1 5 2 9 0.468 0.551 0.2631 0.401 0.316 9 7 9 1 0.588 0.527 0.5129 0.710 0.615 7 5 6 4 0.496 0.9 0.4923 0.611 0.507 4 7 4 0.209 0.606 0.2719 0.229 0.246 8 9 4 0.282 0.468 0.2034 0.297 0.274 2 7 8 3

2005 2006 2007 2008 0.299 0.205 0.2778 0.2304 3 2 0.139 0.234 0.1 0.1084 6 0.159 0.224 0.1593 0.2305 5 4 0.276 0.336 0.3966 0.2517 3 2 0.344 0.422 0.4552 0.281 4 0.282 0.368 0.2003 0.159 7 1 0.323 0.211 0.3794 0.3962 3 0.251 0.254 0.2599 0.3066 4 3 0.411 0.516 0.3738 0.4161 3 3 0.284 0.390 0.4255 0.4684 3 2 0.318 0.254 0.5036 0.5461 4 4 0.434 0.473 0.3317 0.3618 4 3

Setelah data dinormalisasi, maka akan di generate bobot input ke hidden awal, bias input ke hidden, bobot hidden ke output, dan bias hidden ke output. Data bobot digenerate secara acak antara interval 0 sampai dengan 1. Tabel 3 menunjukkan hasil generate nilai bobot.

Tabel 3. Hasil generate Nilai Bobot Bobot Input Ke Hidden Awal 0.352 0.266 0.289 0.144 0.151 0.387 8 7 8 8 4 0.007 0.380 0.407 0.354 0.022 0.207 4 2 5 7 0.431 0.395 0.186 0.481 0.435 0.028 3 2 8 7 1 0.474 0.182 0.262 0.383 0.026 0.296 8 4 6 8 2 0.234 0.149 0.311 0.323 0.131 0.139 4 1 3 9 9 7 0.414 0.412 0.294 0.493 0.455 0.113 9 3 6 5 4 0.347 0.49 0.122 0.266 0.053 0.499 6 9 2 7 0.338 0.007 0.287 0.05 0.051 0.399 1 9 6 5 4 Data Input Ke Hidden 0.142 0.022 0.147 0.191 0.150 0.474 2 8 9 5 3 Bobot Input Ke Hidden 0.489 0.200 0.139 0.080 0.081 0.323 9 7 1 2 4 3 Bias Hidden Ke Output 0.367 Tahap selanjutnya adalah trainning. Proses training dilakukan sampai error yang dihasilkan sesuai atau lebih kecil dari target error. Gambar 2 merupakan grafik penurunan kuadrat error hasil trainning dengan bobot random yang telah digenerate tanpa penambahan momentum (backpropagation standar), dimana target error 0.01 dan jumlah hidden layer 6.

Gambar 2. Penurunan kuadrat error backpropagation tanpa penambahan momentum Pada gambar 2 menunjukkan bahwa target error dicapai pada iterasi ke 66. Pengujian berikutnya dilakukan dengan penambahan momentum pada proses perubahan bobotnya. Penurunan kuadrat error hasil trainning dengan bobot random yang telah digenerate dengan penambahan momentum ditunjukkan pada gambar 3.

170

Seminar Nasional Informatika 2014 curah hujan di kota Medan dapat dilihat pada tabel 5.

Gambar 3. Penurunan kuadrat error backpropagation dengan penambahan momentum. Gambar 3 menunjukkan bahwa target error dicapai pada iterasi ke 40. Jumlah iterasi lebih kecil dari proses trainning dengan bobot random yang telah digenerate tanpa penambahan momentum (backpropagation standar). Pengujian berikutnya adalah dilakukan bebepara kali proses trainning dan pengujian/testing dengan jumlah hidden 6 dan target error yang divariasikan. Hasil dari pengujian ini dapat dilihat pada tabel 4. Tabel 4. Data hasil pengujian perbedaan penambahan momentum dengan backpropagation standar. Dengan Tanpa Momentum Penambahan Targ Momentum et error Itera Keakurasi Itera Keakurasi si an si an 0.01 66 26.27 % 40 20.31 % 0.009 87 33.92 % 57 35.54 % 0.008 152 42.94 % 122 41.02 % 0.007 500 18.92 % 424 20.75% 4 0.007 1000 42.35 % 905 43.65 % 3 Pada tabel 4 dapat dilihat bahwa target error yang berbeda akan menghasilkan jumlah iterasi yang berbeda pula. Semakin kecil target error, maka jumlah iterasi akan semakin besar. Pada tabel 4 dapat dilihat juga bahwa ketika target error semakin kecil, maka nilai keakurasiannya cenderung semakin baik (semakin besar). Pada tabel 4 dapat dilihat juga bahwa dengan penambahan momentum, maka jumlah iterasi yang dihasilkan lebih kecil dibandingkan dengan jumlah iterasi yang dihasilkan tanpa penambahan momentum. Target error 0.0073 memiliki nilai akurasi yang lebih baik dibandingkan dengan pengujian lainnya yaitu 43.65%. Tahap terakhir yaitu melakukan prediksi curah hujan untuk beberapa tahun berikutnya dengan mengambil nilai akurasi tertinggi dari hasil pengujian yaitu 43.65%. Hasil prediksi

Tabel 5. Hasil prediksi tahun 2013, tahun 2014, tahun 2015, tahun 2016, dan tahun 2017. Tahun 2013 2014 2015 2016 2017 Bulan1 130 139.9 148.5 159.4 143.2 Bulan 2 129.2 126 129.3 130.6 128.2 Bulan 3 144 135 161.5 204.7 169.2 Bulan 4 218.5 192.2 147.4 144.3 135.4 Bulan 5 313.8 300.3 215.2 231.8 154.6 Bulan 6 136 127 132.3 137.6 140.6 Bulan 7 178.2 233.7 187.9 160.5 156.6 Bulan 8 138.5 142.1 193.1 269.2 275.6 Bulan 9 278.7 247.6 255.9 210 147.4 Bulan 304.3 278.9 253.3 220.8 212.4 10 Bulan 261.7 303 238.3 157.6 183.9 11 Bulan 255.1 189.4 147 128.9 150 12 Rata207.3 201.2 184.1 179.6 166.4 Rata Dari hasil prediksi yang telah dilakukan dapat dilihat bahwa pada tahun 2013 jumlah curah hujan rata-rata sebesar 207.3, lebih besar dari tahun-tahun berikutnya. Tahun 2013 rata-rata curah hujan adalah 201.367, sedangkan pada tahun 2017 rata-rata curah hujan adalah 166.4. 7.

Kesimpulan

Dari hasil dan penelitian dapat disimpulkan beberapa hal sebagai berikut: 1. Target error yang berbeda akan menghasilkan jumlah iterasi yang berbeda pula. Semakin kecil target error, maka jumlah iterasi akan semakin besar. 2. Semakin kecil target error, maka nilai keakurasiannya cenderung semakin baik (semakin besar). 3. Jumlah iterasi pada proses trainning dengan penambahan momentum lebih kecil dibandingkan dengan tanpa penambahan momentum. 4. Tingkat akurasi tertinggi dicapai pada target error 0.0073 yaitu 43.65%. Daftar Pustaka [1] Akashdeep, et al., 2013, Time Series Analysis of Forecasting Indian Rainfall, International Journal of Inventive Engineering and Sciences (IJIES) ISSN: 2319-9598, Volume-1, Issue-6, May 2013. [2] Ch.Jyosthna Devi, et al, 2012, ANN Approach for Weather Prediction using Back Propagation, International Journal of Engineering Trends and Technology171

Seminar Nasional Informatika 2014 Volume3Issue1-2012. [3] Indrabayu, et al., 2012, Prediksi Curah Hujan dengan Jaringan Saraf Tiruan, “Prosiding 2012”. [4] Indrabayu, et al., 2011, Prediksi Curah Hujan di Wilayah Makasar Menggunakan Metode Wavelet-Neural Network, Jurnal Ilmiah “Elektrikal Enjiniring” UNHAS, Vol. 09, No. 02, Agustus. [5] Nurcahaya, Pradana, T.P., et al, 2013, Pemanfaatn Seed Region Growing Segmentation dan Momentum

172

Backpropagation Neural Network Untuk Klasifikasi Jenis Sel Darah Putih. [6] Sutojo, T., et al, 2010, Kecerdasan Buatan, Yogyakarta: Andi Offset.


PERANCANGAN ALAT STEMPEL OTOMATIS LEMBAR JAWABAN STMIK POTENSI UTAMA Edy Victor Haryanto1, Anggit Nataperdana2, Harris Kurniawan3 1,2,3

STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3 A Medan edyvictor@gmail.com, anggit.nataperdana@live.com

Abstrak Selama stempel pada lembar jawaban dilakukan secara manual sehingga membutuhkan tenaga manusia untuk melakukannya dan membutuhkan waktu yang lama, kadang-kadang dengan menggunakan tenaga manusia letak posisi stempel tersebut kurang presisi. Untuk mengatasai hal tersebut maka penulis bermaksud membuat sebuah Alat Stempel Otomatis Lembar Jawaban ini dimana alat ini melakukan stempel pada lembar jawaban tersebut secara otomatis sehingga menghemat tenaga manusia dan tentu akan lebih cepat selesai. Stempel otomatis ini menggunakan rangkaian yang terdiri dari rangkaian minimum sistem yang merupakan pusat kendali dari seluruh fungsi alat tersebut, junga menggunakan motor servo dan mikrokontroler ATMega 8535. Terdapat juga rangkaian lain berupa rangkaian tombol, rangkaian driver mosfet, regulator dan sumber arus (tenaga). Kata kunci : Stempel Otomatis, Mikrokontroler ATMega 8535, Motor Servo. 1. Pendahuluan Di era kemajuan Ilmu Pengetahuan dan Teknologi terutama di bidang Teknologi Informasi, Komunikasi dan Mekatronika (Mekanik dan Elektronika) mengalami peningkatan yang sangat luar biasa. Dunia teknologi berkembang pesat dan membawa semua orang bergerak dalam pusaran kompetisi. Sumber daya manusia yang potensial semakin dibutuhkan untuk mengisi setiap peluang yang ditawarkan oleh dunia kerja. Pada saat akan dilakukan ujian di STMIK Potensi Utama baik itu UTS maupun UAS maka pihak administrasi akan melakukan stempel pada lembar jawaban ujian tersebut, dengan dilakukannya secara manual maka akan membutuhkan waktu yang lama dan stempel yang dilakukan tersebut tentunya tidak begitu presisi. Maka untuk mengatasi hal tersebut diatas maka penulis mencoba membuat sebuah alat stempel otomatis pada lembar jawaban ujian, agar stempel yang dilakukan pada lembar jawaban tersebut akan presisi dan tenaga manusia yang digunakan tidak begitu banyak karena alat tersebut digerakkan oleh motor servo dan mikrokontroler.

3.

Membantu meringankan tenaga manusia atau administrasi dalam melakukan stempel lembar jawaban ujian.

Batasan Masalah Adapun hal-hal yang menjadi batasan masalah pada penelitian ini adalah : 1. Hanya menganalisa Mekanik pada Alat Stempel Otomatis. 2. Mikrokontroler yang digunakan adalah AT Mega 8535. 2. Tinjauan Pustaka Microcontroller ATMega 8535 Mikrokontroler adalah sebuah sistem microprosesor dimana di dalamnya sudah terdapat CPU, ROM, RAM, I/O, Clock dan peralatan internal lainnya yang sudah saling terhubung dan terorganisasi (teralamati) dengan baik oleh pabrik pembuatnya dan dikemas dalam satu chip yang siap pakai. Sehinga kita tingal memprogram isi ROM sesuai aturan penggunaan oleh pabrik yang membuatnya.[1]

Tujuan Penelitian Adapun tujuan dari pembuatan alat ini adalah : 1. Membuat para pengguna dan peminat bidang robotika terutama dibidang mekanik mengerti tentang dasar pembuatan mekanik robot. 2. Agar dapat memahami cara kerja dari Alat Stempel Otomatis. 173

Seminar Nasional Informatika 2014 3. Analisis Masalah Dan Rancangan Program

Gambar 1. Mikrokontroller Atmega8535 Rangkaian Sistem Minimum Perancangan Alat Stempel Otomatis Pada Lembar Jawaban ini menggunakan rangkaian yang terdiri dari rangkaian minimum sistem yang merupakan pusat kendali dari seluruh fungsi alat tersebut. Terdapat juga rangkaian lain berupa rangkaian tombol, rangkaian driver mosfet, regulator dan sumber arus (tenaga). Pada perancangan Alat Stempel Otomatis pada Lembar Jawaban menggunakan rangkaian mininum sistem Atmega 8535, rangkaian ini berfungsi sebagai pusat kendali dari seluruh sistem yang ada. Komponen utama dari rangkaian ini adalah mikrokontroler Atmega 8535. Pada mikrokontroler inilah semua program diisikan, sehingga rangkaian dapat berjalan sesuai dengan yang dikehendaki. Rangkaian mikrokontroler ditunjukkan pada gambar berikut ini:

Analisis Masalah Pada proses perancangan Alat Stempel Otomatis Pada Lembar Jawaban, proses awal adalah pembuatan mekanik atau rangka tubuh alat. Proses ini masih tergolong manual, sehingga hasil tidak maksimal. Untuk membuatnya lebih maksimal, harus menggunakan perhitungan rancang bangun yang lebih, seperti menggunakan alat bantu berupa mesin untuk mendapatkan hasil mekanik yang lebih presisi. Proses perancangan skematik dan layout rangkaian pada PCB dilakukan menggunakan software Cadsoft EAGLE (Easily Applicable Graphical Layout Editor). Hasil perancangan berupa gambar yang kemudian dicetak ke PCB dengan teknik setrika. Jika penyetrikaan layout ke PCB tidak sempurna, rangkaian yang dihasilkan terdapat kerusakan berupa jalur yang putus dan tidak bisa digunakan. Selain perancangan bentuk dan rangkaian, regulator dan sumber daya yaitu baterai menjadi faktor penting dalam perancangan Alat Stempel Otomatis Pada Lembar Jawaban. CodeVisionAVR merupakan software Ccross compiler, di mana program dapat ditulis menggunakan bahasa-C. Dengan menggunakan pemrograman bahasa-C diharapkan waktu disain (developing time) akan menjadi lebih singkat. Setelah program dalam bahasa-C ditulis dan dilakukan kompilasi tidak terdapat kesalahan (error) maka proses download dapat dilakukan. Mikrokontroler AVR mendukung sistem download secara ISP (In-System Programming).[4] Analisa Kebutuhan Fungsional Kebutuhan fungsional adalah jenis kebutuhan yang berisi proses-proses apa saja yang nantinya dilakukan oleh alat. Kebutuhan fungsional juga berisi informasi-informasi apa saja yang harus ada dan dihasilkan oleh alat. Berikut kebutuhan fungsional yang terdapat pada alat yang dibangun : 1. Mikrokontroller yang di program dapat bekerja dengan baik. 2. Dalam pergerakan alat di lakukan oleh motor servo, motor servo yang digunakan dapat berjalan dan dan akurat dengan baik dalam menyetempel lembar jawaban. 3. Hasil dari penyetempelan dengan alat ini bisa lebih efektif jika di banding dengan di kerjakan oleh manusia.

Gambar 2. Rangkaian Mikrokontroller Atmega8535

174

Analisa H-Bridge (Jembatan H). Bila kita membuat sebuah mainan mobilmobilan terkendali atau robot line follower, tentu akan membutuhkan roda yang bisa bergerak maju dan mundur. Oleh karena itu kita membutuhkan sebuah rangkaian yang ditempatkan sebelum

Seminar Nasional Informatika 2014 Motor DC (driver motor) yang berfungsi menyalurkan tegangan ke Motor dan juga dapat membalik polaritasnya agar dapat berputar secara berlawanan putaran. Kita dapat menggunakan driver motor H-Bridge atau jembatan H. [3] Sebagai rangkaian pengendali dari motor, penulis menggunakan rangkaian H-Bridge (Jembatan H). Rangkaian ini terdiri dari transistor switching yaitu transistor MOSFET IRF540 dan MOSFET IRF9540. Driver ini mengatur perputaran dari motor DC, kecepatan motor dan melakukan brake. DriverH-Bridge ini juga memiliki sistem brake, yaitu menggabungkan kedua kutub motor untuk memberikan eventbrake untuk menghentikan perputaran motor secara paksa dan menguncinya untuk tidak berputar, berikut adalah rangkaian dari DriverH-Bridge :

Gambar 4. Motor Servo Untuk mengendalikan motor servo tidak dibutuhkan rangkaian khusus, karena motor servo hanya memerlukan tegangan 5 volt, maka motor servo ini dapat langsung kendalikan dengan langsung menghubungkannya dengan microcontroler.

Gambar 3. Rangkaian Driver Motor H-Brigde Brake System Analisa Rangkaian Motor Servo Motor servo adalah sebuah motor DC yang dilengkapi rangkaian kendali dengan sistem closed feedback yang terintegrasi dalam motor tersebut. Pada motor servo posisi putaran sumbu (axis) dari motor akan diinformasikan kembali ke rangkaian kontrol yang ada di dalam motor servo. Motor servo disusun dari sebuah motor DC, gearbox, variabel resistor (VR) atau potensiometer dan rangkaian kontrol. Potensiometer berfungsi untuk menentukan batas maksimum putaran sumbu (axis) motor servo. Sedangkan sudut dari sumbu motor servo diatur berdasarkan lebar pulsa yang pada pin kontrol motor servo.[2] Stempel yang digunakan merupakan stempel biasa yang memiliki ukuran 9 x 7 cm dengan ketebalan 1,2cm dengan berat 0,4 kg. Meskipun stempel ini tergolong dalam kategori ukuran sedang dan tidak terlalu berat, tetapi tetap saja motor servo yang digunakan harus memiliki torsi yang tinggi, yaitu berkisar antara 4 kg. Dikarenakan proses penekanan stempel pada kertas dan ditambah dengan beban mekanisme pergerakannya yang membutuhkan torsi motor yang besar.

Gambar 5. Rangkaian Motor Servo

Blok Diagram Sistem Berikut adalah gambar blok diagram dari Alat Stempel Pada Otomatis Lembar Jawaban yang akan dirancang :

Gambar 6. Blok Diagram Alat Stempel Pada Lembar Jawaban Pertama-tama tumpukan kertas lembar jawaban di letakan pada tempat yang di sediakan pada alat tersebut, lalu atur dan cek kesiapan alat untuk melakukan proses penstempelan. Saat tombol start di tekan, maka minimum system memerintahkan motor servo melakukan putaran

175

Seminar Nasional Informatika 2014 untuk menggerakan tiang yang telah di design menyatu dengan stempel, dan bergerak kebawah untuk melakukan penekanan stempel pada lembaran kertas. Setelah itu motor servo berputar berbalik arah untuk menaikan tiang untuk melepaskan tekanan stempel pada lembaran kertas. Lalu motor DC berputar dan menggerakan roda-roda yang di buat sejajar untuk mengganti tumpukan kertas paling atas yang telah di stempel agar berganti dengan lembar kertas yang dibawahnya yang belum di stempel.

Tampilan Proses Stempel

4. Hasil dan Uji Coba Tampilan Hasil Hardware Adapun modelnya dari Alat Stempel Otomatis Pada Lembar Jawaban ini adalah sebagai berikut. Gambar 9. Alat Stempel Saat Proses Penstempelan Tampilan Selesai Stempel

Gambar 7. Model Mekanik Alat Stempel Otomatis Tampilan Hasil Pada Alat Stempel Otomatis Setelah Alat Stempel Otomatis Pada Lembar Jawaban tersebut telah selesai diprogram, dilakukan pengujian. Pengujian ini dilakukan untuk melihat apakah alat tersebut dapat melakukan tugas yang sesuai dengan program yang telah di masukkan. Berikut adalah hasil dari perancangan Alat Stempel Otomatis Pada Lembar Jawaban :

Gambar 8. Alat Stempel Otomatis Kertas Lembar Pada Lembar Jawaban

176

Gambar 10. Alat Setelah Melakukan Stempel Otomatis Tampilan Hasil Kertas Yang Sudah Distempel

Gambar 11. Hasil Stempel

Seminar Nasional Informatika 2014 5. Kesimpulan dan Saran Kesimpulan Adapun kesimpulan dari dari perancangan alat yang dilakukan adalah sebagai berikut : 1. Alat Stempel Otomatis Pada Lembar Jawaban merupakan alat yang di khususkan untuk menstempel lembar kertas ujian pada STMIK Potensi Utama yang bekerja secara otomatis. 2. Menggunakan 1 tiang alumunium yang berukuran 2x1 cm yang pada salah satu sisinya dilekatkan tali belt dan tiang ini fungsinya sebagai sebagai dudukan stempel. 3. Menggunakan 1 buah motor servo sebagai motor penggerak stempel dengan torsi mencapai 4 kg dan 1 buah motor DC sebagai penggerak roda-roda pembuka lipatan kertas. 4. Base yang digunakan terbuat dari kayu dengan ketebalan 1 cm yang berukuran sedikit lebih besar dari ukuran kertas double folio, yaitu berukuran 45 x 37 cm. 5. Untuk tingkat kepresisian alat ini masih kurang, karena pembuatan alat stempel ini masih menggunakan peralatan yang sederhana.

Saran Adapun saran penulis adalah Alat Stempel Otomatis Pada Lembar Jawaban ini masih terbuat dari alat-alat yang sederhana, dan motor DC yang digunakan masih memakai motor DC yang biasa terdapat pada printer, untuk itu penulis berharap kedepannya alat ini dapat di kembangkan lagi, tentunya dengan menggunakan alat-alat yang lebih baik.

Daftar Pustaka [1] Christoforus Yohannes ; Jurnal Ilmiah “Elektrikal Engineering” UNHAS ; Vol 09 No.02 Mei-Agustus 2011 [2] Asep Saefullah, Hendri, Bramanto Yudi Wardhana, Jurnal ISSN:1987 – 8282 Vol. No1 – September 2008 : 44 - 46 [3] Elektronika Dasar. 2011.”Motor Servo”.(Online)(http://elektronikadasar.web.id/teori-elektronika/motor-servo/) diakses 24 juni 2014 [4] Elektron. “Rangkaian Driver Motor HBridge dan Prinsip Kerja”/(Online)( http://elektron.web.id/skema/driver-motor-hbridge/).

177


ANALISIS PENGUKURAN KUALITAS LAYANAN WEB PERGURUAN TINGGI XYZ MENGGUNAKAN SERVQUAL Dorie Pandora Kesuma Jurusan Sistem Informasi, STMIK GI MDP Jl. Rajawali No. 14 Palembang, Sumatera Selatan 30113 dpkesuma@staff.mdp.ac.id

Abstrak Dewasa ini, perkembangan teknologi internet berjalan dengan sangat pesat sehingga layanan berbasis web juga ikut mengalami perkembangan yang signifikan. Berbagai kelebihan yang diberikan oleh penerapan layanan berbasis web ini mendorong banyak organisasi mulai melakukan implementasi layanan berbasis web untuk menunjang kegiatan organisasi masing-masing, salah satunya pada institusi perguruan tinggi. Akan tetapi, banyak dari layanan berbasis web yang telah diterapkan belum bisa memberikan hasil yang maksimal bagi organisasi. Hal yang penting didalam penerapan layanan berbasis web selain kemampuan infrastruktur untuk menunjang berjalannya sistem tersebut, hal yang tidak kalah pentingnya adalah tingkat kualitas dari layanan itu sendiri. Penelitian ini bertujuan untuk menganalisis tingkat kualitas terhadap layanan web yang diterapkan pada perguruan tinggi XYZ dengan menggunakan model SERVQUAL. Metode ini melakukan pengukuran kualitas layanan secara kuantitatif dengan menggunakan lima dimensi pengukuran yang telah dimodifikasi. Hasil dari penelitian ini menunjukkan jika kualitas layanan pada perguruan tinggi XYZ masih memiliki beberapa kekurangan dilihat dari dimensi pengukuran yang digunakan. Dengan menerapkan berbagai langkah pengukuran pada metode SERVQUAL, maka pihak manajemen perguruan tinggi XYZ dapat melihat tingkat kualitas layanan web yang telah digunakan sehingga dapat melakukan langkah-langkah perbaikan untuk meningkatkan kualitas layanan berbasis web yang telah mereka jalankan. Penelitian ini selanjutnya dapat dijadikan rujukan untuk penelitian sejenis pada bidang yang lain. Kata Kunci : SERVQUAL, kualitas, layanan, web 1.

Pendahuluan

Dalam masa sekarang ini, penerapan teknologi internet dirasakan semakin penting karena dapat memberikan berbagai manfaat bagi institusi perguruan tinggi. Melalui internet, segala informasi yang dibutuhkan dapat dengan cepat diperoleh. Oleh karena itulah institusi perguruan tinggi ikut menyediakan layanan perguruan tinggi berbasis web untuk memberikan berbagai kemudahan baik bagi para anggota civitasnya maupun bagi calon anggota yang akan bergabung dengan institusi perguruan tinggi yang bersangkutan. Selain itu, dengan semakin banyaknya institusi perguruan tinggi yang telah atau baru akan menerapkan layanan perguruan tinggi berbasis web ini juga mendorong terjadinya peningkatan persaingan antar institusi. Karena itudengan adanya layanan berbasis web yang baik tentu akan memberikan keuntungan kompetitif bagi institusi perguruan tinggi yang berhasil menerapkannya. Penerapan layanan berbasis web ini baru bisa berhasil jika berbagai faktor penggerak layanan ini berjalan dengan baik pula. Ketersediaan infrastruktur, adanya sumber daya manusia yang berkompeten, serta dengan dukungan perangkat keras dan perangkat lunak yang memenuhi kebutuhan teknologi informasi dari institusi yang

178

bersangkutan. Selain itu, penerapan layanan berbasis web ini juga perlu didukung dengan adanya tingkat kualitas layanan yang baik kepada penggunanya. Institusi pendidikan tinggi tidak boleh hanya bergantung pada kualitas produk, tetapi juga kualitas dari layanan yang disediakan juga merupakan hal yang penting. Kualitas dari layanan ini penting untuk meyakinkan para pengguna untuk tetap menggunakan layanan yang diberikan. Lebih lanjut, kualitas layanan menjadi sesuatu yang penting khususnya ketika institusi pendidikan tinggi berhadapan dengan para pengguna yang menuntut atau membutuhkan kesempurnaan dari layanan yang diberikan. Institusi pendidikan seperti perguruan tinggi XYZ dituntut untuk dapat menyediakan layanan yang berkualitas bagi para pengguna jasa mereka. Kepuasan pengguna merupakan tujuan penting di dalam penerapan layanan web perguruan tinggi sehingga dibutuhkan pengawasan yang berkelanjutan dari performa layanan web yang dijalankan. Untuk mengetahui sejauh mana kualitas layanan web perguruan tinggi XYZ dapat diterima oleh para pemakainya, maka perlu diadakan suatu penilaian untuk mengukur kualitas dari layanan web yang tersedia, apakah sudah dapat diterima oleh pengguna dengan baik. Pengukuran tersebut berfungsi untuk meningkatkan mutu layanan


terhadappenggunaan layanan web di lingkungan perguruan tinggi XYZ. Ada beberapa kerangka kerja pengukuran yang dapat digunakan untuk mengukur tingkat kualitas suatu layanan. Salah satunya adalah SERVQUAL. Metode SERVQUAL menggunakan lima dimensi pengukuran yang dapat digunakan untuk mengukur tingkat persepsi pengguna terhadap kualitas layanan dan pengaruhnya terhadap kepuasan pengguna. Kelima dimensi pengukuran yang ada dalam SERVQUAL meliputi dimensi tangibles, reliability, responsiveness,assurancedandimensi empathy (Parasuramanet al)[6].Namun, di dalam penelitian ini, dimensi pengukuran yang digunakan dimodifikasi untuk disesuaikan dengan konteks layanan yang akan diukur, yaitu layanan web. Penelitian ini bertujuan untuk mencari tahu apakah penerapan dari layanan web pada perguruan tinggi XYZ telah memiliki kualitas layanan yang baik. Sebagai tambahan, penelitianini juga bertujuan untuk mencari gap antara tingkat harapan dan performa dari layanan web dilihat dari sudut pandang pengguna. Diharapkan bahwa hasil dari penelitian ini dapat digunakan sebagai dasar bagi pengambilan keputusan di perguruan tinggi XYZ dalam meningkatkan kualitas layanan web perguruan tingginya. 2.

Metode Penelitian

2.1 Penelitian Terdahulu Beberapa penelitian yang terkait dengan topik pembahasan serta metode yang digunakan pada penelitian ini sudah pernah dilakukan sebelumnya. Penelitian-penelitian ini menggunakan dimensi pengukuran kualitas yang dimodifikasi karena disesuaikan dengan konteks bahasan penelitian, yaitu pengukuran kualitas layanan teknologi informasi. Terkait dengan kualitas layanan web, maka ada penelitian dari Iwaarden & Wiele yang melakukan penelitian tentang pengadopsian metode SERVQUAL untuk website[2]. Kemudian ada penelitian dari Swaid & Wigand yang melakukan pengukuran terhadap kualitas layanan elektronik (eservice) untuk mengembangkan skala pengukuran yang cocok untuk diterapkan pada bidang teknologi informasi[9]. Penelitian lain dari Oztekin, Nikov dan Zaim menemukan bahwa dimensi kualitas layanan dari SERVQUAL merupakan aspek penting bagi usabilitas sistem informasi berbasis web[5]. Penelitian dari Li, Tan, dan Xie menemukan jika perlu adanya modifikasi terhadap pengukuran SERVQUAL terhadap layanan berbasis web[12]. Penelitian Vuljak & Mekovec tentang kualitas eservice pada portal web fakultas di Varazdin, Kroasia mengajukan empat dimensi kualitas, yaitu efficiency, information quality, web design dan reliability[11]. Sedangkan penelitian dari Tate et.altentang persepsi kualitas layanan portal web

universitas mengajukan empat dimensi kualitas yaitu, usability, content quality, service interaction quality dan transaction quality[10]. Pada penelitian ini, penulis berfokus untuk memodifikasi dimensi pengukuran pada metode SERVQUAL untuk diterapkan pada layanan berbasis web. Penelitian ini berdasarkan pada studi kasus yang dilakukan di perguruan tinggi XYZ yang telah menerapkan layanan web perguruan tinggi kepada para anggota civitasnya. 2.2 SERVQUAL Metode SERVQUAL merupakan sebuah metode yang umum dipakai untuk mengukur tingkat kualitas layanan pada bidang pemasaran dengan menemukan gap antara harapan dan persepsi pengguna layanan. Model gap SERVQUAL dapat dilihat pada Gambar 1 dibawah. Menurut Parasuraman, et. al, ada lima dimensi pengukuran yang digunakan pada metode SERVQUAL, yaitu: 1. Tangibles (bukti terukur), menggambarkan fasilitas fisik, perlengkapan, dan tampilan dari personalia serta kehadiran para pengguna. 2. Reliability (keandalan), merujuk kepada kemampuan untuk memberikan pelayanan yang dijanjikan secara akurat dan handal. 3. Responsiveness (daya tanggap), yaitu kesediaan untuk membantu pelanggan serta memberikan perhatian yang tepat. 4. Assurance (jaminan), merupakan karyawan yang sopan dan berpengetahuan luas yang memberikan rasa percaya serta keyakinan. 5. Empathy (empati), mencakup kepedulian serta perhatian individual kepada para pengguna. Kerangka kerja yang digunakan pada metode SERVQUAL ini dapat dilihat pada Gambar 2 dibawah. Sedangkan pada penelitian ini, dimensi pengukuran yang digunakan sudah dimodifikasi berdasarkan gabungan dari dimensi kualitas yang diajukan oleh Swaid & Wigand[9] dan ditambah dengan referensi yang diberikan oleh Iwaarden & Wiele[3] dengan mencantumkan dimensi pengukuran kualitas dari Zhang[13], Djajadikerta dan Trireksani[1], Mebrate[4], Stockdale dan Borovicka[8]. Adapun dimensi pengukuran yang sudah dimodifikasi tersebut, yaitu dimensi usability, information quality, services reliability, assurance dan empathy. Kualitas layanan diukur dengan melihat gap antara kualitas layanan yang diharapkan oleh pengguna dengan kualitas layanan yang diterima oleh pengguna. Untuk bisa memperoleh gap ini, maka digunakan kuesioner SERVQUAL yang dibagi menjadi dua bagian, yaitu bagian pertama yang terdiri dari item-item yang menunjukkan harapan pengguna terhadap layanan web yang diberikan

179


sedangkan bagian kedua berisi item-item yang menunjukkan persepsi dari pengguna layanan.

Gambar 1. SERVQUAL Gap Model

2.3 Metodologi Penelitian Seperti yang telah dijelaskan sebelumnya pada bagian pendahuluan, tujuan dari penelitian ini untuk mengukur kualitas layanan web pada perguruan tinggi XYZ. Untuk itu, penulis menggunakan metode SERVQUAL dan memodifikasi kelima dimensi pengukurannya agar sesuai dengan aspek-aspek layanan berbasis website. Gambar 3 dibawah menunjukkan kerangka kerja yang akan digunakan pada penelitian ini untuk mengukur tingkat kualitas layanan web pada perguruan tinggi XYZ. Dengan membandingkan antara harapan dan persepsi dari pengguna layanan web, maka akan diperoleh gap dari kualitas layanan web perguruan tinggi XYZ yang selanjutnya dapat digunakan sebagai informasi untuk meningkatkan kualitas layanan web pada perguruan tinggi XYZ. Populasi pada penelitian ini merupakan mahasiswa dari perguruan tinggi XYZ. Total keseluruhan populasi sekitar 2500 orang. Dari jumlah populasi ini, diambil sampel sebanyak 200 orang mahasiswa. Kuesioner yang dibuat terdiri dari 54 pertanyaan yang dibagi menjadi dua bagian. 27 daftar pertanyaan pertama terkait dengan tingkat harapan pengguna layanan web dan dinyatakan sebagai variabel X dan 27 pertanyaan kedua terkait dengan tingkat persepsi pengguna layanan web dan dinyatakan sebagai variabel Y. Daftar pertanyaan pada kuesioner ini dibagi kedalam lima dimensi pengukuran yang telah dijelaskan sebelumnya. Tabel 1 dibawah ini menunjukkan modifikasi yang telah dilakukan terhadap model SERVQUAL untuk mengukur tingkat layanan web perguruan tinggi XYZ.

Gambar 2. SERVQUAL Model

Gambar 3. Kerangka Kerja Penelitian Tabel 1. Dimensi dan Atribut Kualitas SERVQUAL Dimensi Kualitas

Atribut Kualitas

Usability

Tampilan web perguruan tinggi XYZ menarik Tampilan web perguruan tinggi XYZ tidak membingungkan

Usability

Menu-menu ditampilkan dan ditempatkan dengan jelas (Tampilan menu ) Isi konten web perguruan tinggi XYZ terkait dengan bidang pendidikan Tata bahasa di dalam web perguruan tinggi XYZ baik dan benar Proses navigasi di dalam web perguruan tinggi XYZ tidak membingungkan Web perguruan tinggi XYZ memiliki fasilitas pencarian (search engine) yang baik

180


Web perguruan tinggi XYZ dapat ditampilkan dengan sempurna pada browser yang berbeda-beda Information Quality

Informasi di dalam web perguruan tinggi XYZ bermanfaat Informasi di dalam web perguruan tinggi XYZ lengkap Informasi di dalam web perguruan tinggi XYZ jelas Informasi di dalam web perguruan tinggi XYZ terkini Informasi di dalam web perguruan tinggi XYZ akurat Informasi di dalam web perguruan tinggi XYZ ringkas

Services Reliability

Alamat website aktif dan mengarah ke web yang benar Nama alamat web perguruan tinggi XYZ mudah diingat Semua link yang ada di dalam web perguruan tinggi XYZ valid Web perguruan tinggi XYZ dapat diakses kapan saja Web perguruan tinggi XYZ dapat cepat terbuka setiap kali diakses Web perguruan tinggi XYZ dapat dengan cepat aktif kembali jika terjadi kerusakan Semua form-form isian yang ada di dalam web berfungsi dengan baik Email atau kontak dalam keadaan aktif Tersedianya pemberitahuan jika ada informasu terbaru

Assurance

Keamanan web perguruan tinggi XYZ baik Lembaga penyedia layanan web perguruan tinggi XYZ bereputasi baik Staff pengelola web perguruan tinggi XYZ dapat diandalkan dalam mengelola web

Empathy

Pengguna merasa nyaman dalam mencari informasi di web perguruan tinggi XYZ

Agar dapat mengetahui tingkat harapan dan persepsi pengguna terhadap layanan web perguruan tinggi XYZ, maka digunakan metode pengumpulan data dengan menggunakan kuesioner yang berisikan 54 daftar pertanyaan berdasarkan poin-poin pada Tabel1 diatas. Kuesioner yang dibuat dikembangkan dengan menggunakan lima poin skala likert yang dapat dilihat pada Tabel 2 dibawah ini. Tabel 2. Skala Likert Expectation Perception Sangat Tidak Setuju : 1 Sangat Tidak Setuju : 1 Tidak Setuju : 2 Tidak Setuju : 2 Netral : 3 Netral : 3 Setuju : 4 Setuju : 4 Sangat Setuju : 5 Sangat Setuju : 5

3.

Hasil Dan Pembahasan

3.1. Layanan Web Perguruan Tinggi XYZ Perguruan tinggi XYZ telah lama menyediakan layanan web perguruan tinggi kepada para mahasiswanya. Layanan yang berbasis web ini menyediakan berbagai informasi yang dapat diakses oleh para mahasiswa dimana saja dan kapan saja tanpa perlu lagi datang langsung ke bagian informasi perguruan tinggi XYZ.Informasi yang tersedia di layanan ini antara lain, informasi akademik seperti jadwal kuliah, nama dosen, nilai, data absensi, dan pengumuman-pengumuman. Selain itu, terdapat juga fasilitas e-learning dimana para mahasiswa dapat mengakses materi perkuliahan, mengecek

tugas, mengumpulkan tugas melalui web, serta berdiskusi dengan para dosen secara online. Kemudian ada juga fitur e-library, CDC (Career Development Center), podcast dan blog. 3.2. Uji Validitas dan Reliabilitas Sebelum dilakukan pengolahan terhadap data yang telah dikumpulkan, maka dilakukan dulu pengujian instrumen penelitian untuk memastikan bahwa instrumen penelitian yang digunakan valid dan reliabel. Untuk menghitung nilai validitas dari instrumen yang digunakan, maka perlu dicari nilai r untuk masing-masing butir pertanyaan. Nilai R untuk sampel berjumlah 200 (df = 198) adalah 0,1388. Jika nilai dari r count (corrected item – total correlation (CI CT)) bernilai positif dan lebih besar dari nilai tabel r, maka pertanyaan terebut dinyatakan valid. Sedangkan untuk uji reliabilitas, digunakan nilai Cronbach Alpha untuk masing-masing variabel atau dimensi pengukuran. Menurut Sekaran[7], jika nilai Alpha kurang dari 0,6 maka tingkat reliabilitas dari instrument dianggap buruk. Jika berkisar di 0,7 maka tingkat reliabilitas instrumen masih bisa diterima dan jika lebih dari 0,8 maka tingkat reliabilitas instrumen bagus. Hasil dari perhitungan uji validitas dan reliabilitas menunjukkan jika instrumen yang digunakan pada penelitian valid dan raliabel. Nilai R untuk semua daftar pertanyaan positif dan lebih besar dari nilai tabel R. Nilai untuk Cronbach Alpha untuk semua variabel berkisar antara 0,725 sampai 0,940 sehingga dapat disimpulkan jika instrumen yang digunakan raliabel. Berdasarkan hasil dari uji validitas dan

181


reliabilitas diatas, maka disimpulkan jika kuesioner yang digunakan dalam penelitian ini layak untuk dijadikan sebagai instrumen dalam penelitian ini. 3.3. Analisis SERVQUAL Untuk menganalisis gap antara tingkat harapan dan persepsi pengguna layanan web di perguruan tinggi XYZ, maka digunakan Uji tBerpasangan. Masing-masing responden diberikan dua jenis pertanyaan. Pertanyaan pertama berkenaan dengan tingkat harapannya terhadap layanan web perguruan tinggi XYZ. Pertanyaan kedua berkenaan dengan tingkat persepsinya terkait dengan layanan web yang diberikan. Dari hasil yang diperoleh, maka bisa diketahui tingkat kualitas layanan web perguruan tinggi XYZ dengan membandingkan hasil dari kedua jenis pertanyaan tersebut yang dapat dilihat pada Tabel 3 berikut ini. Tabel 3. Hasil Penelitian Rata-rata Rata-rata Dimensi No Persepsi Harapan 1 3,54 4,02 2 3,84 4,17 3 3,86 4,23 4 3,92 4,23 Usability 5 4,16 4,37 6 3,75 4,18 7 3,34 4,00 8 3,68 4,26 Rata-rata -0,42 9 4,02 4,46 10 3,67 4,39 4,32 Information 11 3,78 Quality 12 3,58 4,48 13 3,68 4,43 14 3,68 4,05 Rata-rata -0.62 15 4,25 4,52 16 4,32 4,50 17 3,85 4,31 18 3,53 4,49 Services 19 3,27 4,41 Reliability 20 3,25 4,40 21 3,25 4,27 22 3,72 4,17 23 3,76 4,44 Rata-rata -0.70 24 3,62 4,51 25 3,79 4,31 Assurance 26 3,78 4,33 Rata-rata -0.65 Empathy Rata-rata

182

27 3,82 -0.60

4,42

P-H -0.48 -0.33 -0.37 -0.31 -0.21 -0.43 -0.66 -0.58 -0.44 -0.72 -0.54 -0.91 -0.75 -0.37 -0.27 -0.18 -0.46 -0.96 -1.14 -1.15 -0.54 -0.90 -0.68 -0.89 -0.52 -0.56

-0.60

Berdasarkan hasil perhitungan statistik seperti yang ditunjukkan pada Tabel 3 diatas, maka bisa diidentifikasi gap antara tingkat harapan dan persepsi dari layanan web pada perguruan tinggi XYZ untuk masing-masing dimensi SERVQUAL. Berikut ini adalah hasil analisis gap untuk masing-masing dimensi. Pertanyaan 1 sampai 8 mengacu pada variabel usability dengan rata-rata gap score yang diperoleh sebesar -0.42. Tingkat harapan para pengguna terhadap variabel usability pada layanan web perguruan tinggi XYZ dapat dikatakan tinggi karena rata-rata responden memberikan penilaian “Puas” dan “Sangat Puas”. Namun, pada tingkat persepsi pengguna, rata-rata para responden memberikan penilaian “Baik” dan “Cukup” sehingga menghasilkan nilai negatif pada perhitungan gap score. Hal ini berarti memang terdapat perbedaan antara harapan dengan persepsi pengguna terkait layanan web perguruan tinggi XYZ. Pertanyaan 9 sampai 14 mengacu pada variabel information quality dengan rata-rata gap score yang diperoleh sebesar -0.62. Tingkat harapan para pengguna terhadap variabel information quality pada layanan web perguruan tinggi XYZ dapat dikatakan tinggi karena ratarata responden memberikan penilaian “Sangat Puas”. Namun, pada tingkat persepsi pengguna, rata-rata para responden memberikan penilaian “Baik” sehingga menghasilkan nilai negatif pada perhitungan gap score. Hal ini berarti memang terdapat perbedaan antara harapan dengan persepsi pengguna terkait layanan web perguruan tinggi XYZ. Pertanyaan 15 sampai 23 mengacu pada variabel service reliability dengan rata-rata gap score yang diperoleh sebesar -0.70. Tingkat harapan para pengguna terhadap variabel service reliability pada layanan web perguruan tinggi XYZ dapat dikatakan tinggi karena rata-rata responden memberikan penilaian “Sangat Puas”. Namun, pada tingkat persepsi pengguna, rata-rata para responden memberikan penilaian “Baik” dan “Cukup” sehingga menghasilkan nilai negatif pada perhitungan gap score. Hal ini berarti memang terdapat perbedaan antara harapan dengan persepsi pengguna terkait layanan web perguruan tinggi XYZ. Pertanyaan 24 sampai 26 mengacu pada variabel assurance dengan rata-rata gap score yang diperoleh sebesar -0.65. Tingkat harapan para pengguna terhadap variabel assurance pada layanan web perguruan tinggi XYZ dapat dikatakan tinggi karena rata-rata responden memberikan penilaian “Sangat Puas”. Namun, pada tingkat persepsi pengguna, rata-rata para responden memberikan penilaian “Baik” sehingga menghasilkan nilai negatif pada perhitungan gap score. Hal ini berarti memang terdapat perbedaan


antara harapan dengan persepsi pengguna terkait layanan web perguruan tinggi XYZ. Pertanyaan 27 mengacu pada variabel empathy dengan nilai gap score yang diperoleh sebesar -0.60. Tingkat harapan para pengguna terhadap variabel empathy pada layanan web perguruan tinggi XYZ dapat dikatakan tinggi karena rata-rata responden memberikan penilaian “Sangat Puas”. Namun, pada tingkat persepsi pengguna, rata-rata para responden memberikan penilaian “Baik” sehingga menghasilkan nilai negatif pada perhitungan gap score. Hal ini berarti memang terdapat perbedaan antara harapan dengan persepsi pengguna terkait layanan web perguruan tinggi XYZ. 4.

Kesimpulan

Ada pun kesimpulan yang didapat dari penelitian ini adalah sebagai berikut: 1. Metode SERVQUAL bisa digunakan untuk melakukan pengukuran tingkat kualitas layanan elektronik, salah satunya layanan web. 2. Dimensi pengukuran serta atribut penelitian yang digunakan di dalam metode SERVQUAL bisa disesuaikan dengan objek dan lingkup penelitian. 3. Hasil pengukuran pada perguruan tinggi XYZ menunjukkan jika layanan web yang tersedia di perguruan tinggi XYZ masih memiliki kekurangan, berdasarkan gap yang dihasilkan dari perbandingan tingkat persepsi dan harapan pada layanan web.

Daftar Pustaka [1] Djajadikerta, Hadrian & Trireksani, Terri, 2006,Measuring University Web Site Quality: A Development of a User-Perceived Instrument and its Initial Implementation to Web sites of Accounting Departments in New Zealand‟s Universities, School of Accounting, Finance and Economics & FIMARC Working Paper Series Edith Cowan University. [2] Kumar, M., Kee, F.T., & Manshor, A.T., 2009, Determining The Relative Importance Of Critical Factors In Delivering Service Quality Of Banks: An Application Of Dominance Analysis In SERVQUAL Model. Managing Service Quality, 19 (2), 211-228.

[3] Iwaarden, Jos van, & Wiele, Ton van der, 2003, Applying SERVQUAL to Websites, An Exploratory Study. International Journal of Quality & Reliability Management, 20 (8), 919-935. [4] Mebrate, Tsigereda W., 2010,A Framework for Evaluating Academic Website’s Quality From Students’ Perspective. Netherlands: Delft University of Technology. [5] Oztekin, A., Nikov, A., & Zaim, Selim, 2009,An Assessment Methodology for Usability of Web-based Information Systems. Journal of Systems and Software, 82 (12), 2038-2050. [6] Parasuraman, A., Zeithaml, V.A., & Berry, Leonard L., 1985,A Conceptual Model of Service Quality and It’s Implication for Future Research. Journal of Marketing, 49, 41-50. [7] Sekaran, Uma, 2006, Research Methods For Business, Edisi 4, Buku 1, Jakarta: Salemba Empat. [8] Stockdale, Rosemary & Borovicka, Rosemary, 2006,Using Quality Dimensions in the Evaluation of Websites. Paper presented at the meeting of the Proceedings of the International Conference in Lausanne, Switzerland. [9] Swaid, Samar., & Wigand, Rolf T., 2009, Measuring The Quality Of E-Service: Scale Development And Initial Validation. Journal of Electronic Commerce Research, 10 (1), 13-28. [10] Tate et al., 2007,Perceived Service Quality in a University Web Portal: Revising the EQual Instrument. Paper presented at the meeting of the Proceedings of the 40th Annual Hawaii International Conference on System Sciences, Waikoloa. [11] Vuljak, Ivan, & Mekovec, Renata, 2012, EService Quality on Faculty Web Portals, Exploring the Student's Perspective. Paper presented at the meeting of the Central European Conference on Information and Intelligent Systems, Kroasia. [12] Y.N. Li, K. C. Tan & M. Xie, 2002, Measuring Web-based Service Quality. Total Quality Management, 13 (5), 685-700. [13] Zhang, Tao,2006,A Study of Government eService Quality and It’s Effect on Public Satisfaction. China: Macau University of Science and Technology.

183


PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian1, Erlinda Ningsih2 1

Dosen Teknik Informatika, STMIK Potensi Utama Mahasiswa Sistem Informasi, STMIK Potensi Utama 1,2 STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan 1 yudhi.andrian@gmail.com, 2erlinda.301093@gmail.com 2

Abstrak Besarnya curah hujan yang terjadi tidak dapat ditentukan secara pasti, namun dapat diprediksi atau diperkirakan. Dengan menggunakan data historis besarnya curah hujan beberapa waktu yang lampau, maka dapat diprediksi berapa besarnya curah hujan yang terjadi pada masa yang akan datang. Jaringan saraf tiruan (Artificial Neural Network) sebagian besar telah cukup handal dalam pemecahan masalah, salah satunya adalah prediksi curah hujan dengan metode backpropagation. Pada penelitian ini, penulis mencoba memprediksi curah hujan di kota medan menggunakan metode backpropagation neural network. Dari hasil penelitian dapat disimpulkan antara lain : Pengujian dengan hidden 5 memiliki akurasi yang lebih baik dibandingkan dengan hidden 6, 7, dan 8. Nilai akurasi tertinggi di dapat dari pengujian data dengan jumlah hidden 5 dan target error 0.0072 yaitu 43.27 %. Semakin kecil target error, maka jumlah iterasi akan semakin besar. hidden layer yang lebih besar tidak selalu menyebabkan jumlah iterasi meningkat. Kata kunci : Prediksi curah hujan, backpropagation, neural network 1.

Pendahuluan

Secara umum pola musim di Indonesia dikenal dengan pola Monsun. Pola monsun ini sangat dipengaruhi oleh angin monsun yang menghasilkan dua musim yakni musim hujan dan musim kemarau. Puncak musim hujan terjadi pada bulan Desember, Januari dan Februari sedangkan puncak musim kemarau terjadi pada bulan Juni, Juli dan Agustus [1]. Kondisi cuaca sangat berpengaruh dalam kehidupan sehari-hari, seperti dalam bidang pertanian, transportasi dan industri. Maka dari itu pengamatan terhadap kondisi cuaca, khususnya kondisi curah hujan sangat penting dilakukan [3]. Besarnya curah hujan yang terjadi tidak dapat ditentukan secara pasti, namun dapat diprediksi atau diperkirakan. Dengan menggunakan data historis besarnya curah hujan beberapa waktu yang lampau, maka dapat diprediksi berapa besarnya curah hujan yang terjadi pada masa yang akan datang. Banyak cara yang dapat dilakukan untuk memprediksi besarnya curah hujan di suatu tempat, salah satunya adalah menggunakan teknik jaringan syaraf tiruan (Artificial Neural Network)[3]. Jaringan Saraf Tiruan (Artificial Neural Network) sebagian besar telah cukup handal selama beberapa tahun terakhir dalam pemecahan masalah. Jaringan saraf tiruan menyediakan metodologi yang sangat handal dalam pemecahan masalah non-linier. Jaringan saraf tiruan terinspirasi oleh otak manusia di mana neuron

184

saling interkoneksi secara non-linier. Neuron saling terhubung satu sama lain melalui suatu jaringan. Jaringan ini yang dilatih menggunakan algoritma backpropagation yang mengikuti Gradient Descent Method [2]. Pai, Maya L., et al. (2014) mengungkapkan bahwa parameter laut sangat mempengaruhi dalam memprediksi curah hujan monsun barat selatan menggunakan teknik jaringan saraf tiruan. Hasil penelitian menunjukan bahwa metode JST dapat diterapkan dalam memprediksi curah hujan [4]. Pratiwi, Dian, et al. (2011) menggunakan metode backpropagation untuk memprediksi keparahan penyakit osteoarthritis. Penggunaan metode backpropagation neural network terbukti sebagai salah satu metode untuk mengklasifikasikan atau memprediksi keparahan penyakit osteoarthritis berdasarkan warna dan tekstur dengan persentase akurasi 66,6% [5]. Masing-masing metode yang telah dijelaskan di atas dapat diterapkan dalam memprediksi suatu keadaan yang akan datang. Pada penelitian ini penulis mencoba memprediksi curah hujan di Kota Medan dengan metode backpropagation neural network dengan menggunakan data curah hujan tahun 1997 – 2012. Penelitian ini bertujuan untuk mengetahui jumlah hidden layer dan target error yang tepat untuk digunakan dalam memprediski curah hujan di kota Medan sehingga menghasilkan akurasi yang lebih baik.


pola input pelatihan, kemudian hitung error, ditunjukkan dengan persamaan (5).

Neural Network Neural Network / Jaringan Saraf Tiruan (JST) adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia. Elemen kunci dari paradigma ini adalah struktur dari sistem pengolahan informasi yang terdiri dari sejumlah besar elemen pemrosesan yang saling berhubungan (neuron), bekerja serentak untuk menyelesaikan masalah tertentu. Cara kerja JST seperti cara kerja manusia, yaitu belajar melalui contoh. Lapisan-lapisan penyusun JST dibagi menjadi 3, yaitu lapisan input (input layer), lapisan tersembunyi (hidden layer), dan lapisan output (ouput layer) [6]. Metode Backpropagation Arsitektur backpropagation merupakan salah satu arsitektur jaringan saraf tiruan yang dapat digunakan untuk mempelajari dan menganalisis pola data masa lalu lebih tepat sehingga diperoleh keluaran yang lebih akurat (dengan kesalahan atau error minimum) [3]. Langkah-langkah dalam membangun algoritma backpropagation adalah sebagai berikut [6]: e. Inisialisasi bobot (ambil nilai random yang cukup kecil). f. Tahap perambatan maju (forward propagation) 4) Setiap unit input (X1, i=1,2,3,…,n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan tersembunyi. 5) Setiap unit tersembunyi (Z1, j=1,2,3,…,p) menjumlahkan bobot sinyal input, ditunjukkan dengan persamaan (1). ∑

(1)

f’ adalah turunan dari fungsi aktivasi. Kemudian hitung korelasi bobot, ditunjukkan dengan persamaan (6). (6) Dan menghitung koreksi bias, ditunjukkan dengan persamaan (7). (7) Sekaligus mengirimkan δk ke unit-unit yang ada di lapisan paling kanan. 4) Setiap unit tersembunyi (Zj, j=1,2,3,…,p) menjumlahkan delta input-nya (dari unitunit yang berada pada lapisan di kanannya), ditunjukkan dengan persamaan (8). (8) ∑ Untuk menghitung informasi error, kalikan nilai ini dengan turunan dari fungsi aktivasinya, ditunjukkan dengan persamaan (9). (9) Kemudian hitung koreksi bobot, ditunjukkan dengan persamaan (10). (10) Setelah itu, hitung juga koreksi bias, ditunjukkan dengan persamaan (11). (11) h. Tahap perubahan bobot dan bias 3) Setiap unit output (Yk, k=1,2,3,…,m) dilakukan perubahan bobot dan bias (j=0,1,2,…,p), ditunjukkan dengan persamaan (12). (12)

Dan menerapkan fungsi aktivasi untuk menghitung sinyal output-nya, ditunjukkan dengan persamaan (2). (2) Fungsi aktivasi yang digunakan adalah fungsi sigmoid, kemudian mengirimkan sinyal tersebut ke semua unit output. 6) Setiap unit output (Yk, k=1,2,3,…,m) menjumlahkan bobot sinyal input, ditunjukkan dengan persamaan (3). ∑ (3) Dan menerapkan fungsi aktivasi untuk menghitung sinyal output-nya, ditunjukkan dengan persamaan (4). (4) g. Tahap perambatan balik (backpropagation) 3) Setiap unit output (Yk, k=1,2,3,…,m) (5) menerima pola target yang sesuai dengan

Setiap unit tersembunyi (Zj, j=1,2,3,…,p) dilakukan perubahan bobot dan bias (i=0,1,2,…,n), ditunjukkan dengan persamaan (13). (13) 4) Tes kondisi berhenti.

2.

Metode Penelitian

Penelitian ini bertujuan untuk memprediksi curah hujan di Kota Medan menggunakan metode backpropagation neural network. Penulis ingin mengetahui apakah dengan menggunakan metode backpropagation neural network dapat memprediksi curah hujan di kota Medan dengan akurasi yang lebih baik. Untuk mencapai tujuan tersebut, penulis akan melakukan pengujian dengan menggunakan data sekunder curah hujan bulanan Kota Medan

185


tahun 1997 – 2012. Data bersumber dari BMKG Stasiun Polonia, Kota Medan. Prediksi curah hujan dengan backpropagation neural network digunakan langkah-langkah sebagai berikut: e. Memisahkan data yang akan digunakan sebagai data pelatihan dan data uji. Data curah hujan tahun 1997 – 2008 akan digunakan sebagai data pelatihan selama perancangan JST sedangkan data tahun 2009 – 2012 digunakan sebagi data pengujian. f. Desain JST Desain JST dilakukan untuk prediksi curah hujan bulanan dimulai dengan menentukan banyaknya data masukan yang digunakan, banyaknya layar tersembunyi (hidden layer) yang digunakan, dan banyaknya keluaran yang diinginkan. Data yang digunakan sebagai masukan sebanyak 8 data (8 tahun) dan data keluaran atau target adalah data pada tahun ke-9 (data input 1997 – 2004 dengan target 2005). Untuk mengetahui curah hujan pada tahun ke-10 maka data masukannya merupakan data pada tahun ke-2 sampai tahun ke-9 (data input 1998 – 2005 dengan target 2006), demikian seterusnya. Desain JST prediksi curah hujan dapat dilihat pada gambar 1.

Input Layer

Hidden Layer

Output Layer

x2

v1

x3

v2

x4

v3 y1

x6

x7

Hasil dan Analisa

Untuk mengetahui apakah aplikasi yang dibuat telah berjalan dengan baik, maka dilakukan pengujian. Data curah hujan tahun 1997 – 2008 akan digunakan sebagai data pelatihan sedangkan data tahun 2009 – 2012 digunakan sebagai data pengujian. Proses yang ditempuh untuk prediksi curah hujan menggunakan backpropagation neural network meliputi tahap training, tahap pengujian dan tahap prediksi. Tabel 1 merupakan input data curah hujan tahun 1997 – 2008.

1997 106.8 96.9 134.4 109.8 80.9 175.3 225.8 95.7 290.6 391.1 265.4 182.4

1998 181 50.2 29,4 35.3 133.5 144.6 213 381 170.8 340.3 275.8 394.2

1999 315 268.8 196.6 322 302.6 256.2 29.9 78.6 407.2 204.1 126.4 456.3

2000 59 86.7 182.2 115 60.3 191.1 121.9 342.6 451.1 367.5 108 173.6

2001 216.5 15.1 158 164.8 252.8 306.7 121.3 417.6 395.7 733 467.6 342.5

2002 90.8 78.5 96.5 73.4 195.2 191.7 139.2 156.3 382.5 363.8 164.3 102.2

2003 169.4 85.7 162.6 285.3 245.7 196.3 312.1 282 561.5 471.9 125.4 187.7

2004 138.8 200.8 237.9 88.5 68 200.5 206.8 204.3 475.3 377.5 141.2 166.4

2005 189.1 43.9 62.5 168.2 229.5 174 210.8 145.7 290.5 175.5 206.4 311.4

v4

v5

v6

x8

Gambar 1. Desain Backpropagation Neural Network

186

3.

Tabel 1(a). Data Input Tahun 1997 sampai 2004 dengan Target 2005

x1

x5

g. Pengenalan pola (pelatihan) Pengenalan pola dilakukan dengan cara penyesuaian nilai bobot. Penghentian penyesuaian bobot dalam pengenalan pola apabila error yang dihasilkan mencapai target error. Error dihitung setelah tahapan forward propagation. Apabila error lebih besar dari target error maka pelatihan akan dilanjutkan ke tahap backward propagation sampai error yang dihasilkan mencapai target error. h. Pengujian dan prediksi Pengujian dilakukan bertujuan untuk mengetahui tingkat keakuratan sistem JST yang telah dibuat dalam memprediksi data curah hujan pada tahun tertentu. Sedangkan prediksi bertujuan untuk memprediksi data curah hujan yang akan datang.

Tabel 1(b). Data Input Tahun 1998 sampai 2005 dengan Target 2006 1998 181 50.2 29,4 35.3 133.5 144.6 213 381 170.8 340.3 275.8 394.2

1999 315 268.8 196.6 322 302.6 256.2 29.9 78.6 407.2 204.1 126.4 456.3

2000 59 86.7 182.2 115 60.3 191.1 121.9 342.6 451.1 367.5 108 173.6

2001 216.5 15.1 158 164.8 252.8 306.7 121.3 417.6 395.7 733 467.6 342.5

2002 90.8 78.5 96.5 73.4 195.2 191.7 139.2 156.3 382.5 363.8 164.3 102.2

2003 169.4 85.7 162.6 285.3 245.7 196.3 312.1 282 561.5 471.9 125.4 187.7

2004 138.8 200.8 237.9 88.5 68 200.5 206.8 204.3 475.3 377.5 141.2 166.4

2005 189.1 43.9 62.5 168.2 229.5 174 210.8 145.7 290.5 175.5 206.4 311.4

2006 103.9 130.5 121.2 225.5 300.5 251.4 109.1 148.3 385.6 271.4 148.4 346.6


Tabel 1(c). Data Input Tahun 1999 sampai 2006 dengan Target 2007 1999 315 268.8 196.6 322 302.6 256.2 29.9 78.6 407.2 204.1 126.4 456.3

2000 59 86.7 182.2 115 60.3 191.1 121.9 342.6 451.1 367.5 108 173.6

2001 216.5 15.1 158 164.8 252.8 306.7 121.3 417.6 395.7 733 467.6 342.5

2002 90.8 78.5 96.5 73.4 195.2 191.7 139.2 156.3 382.5 363.8 164.3 102.2

2003 169.4 85.7 162.6 285.3 245.7 196.3 312.1 282 561.5 471.9 125.4 187.7

2004 138.8 200.8 237.9 88.5 68 200.5 206.8 204.3 475.3 377.5 141.2 166.4

2005 189.1 43.9 62.5 168.2 229.5 174 210.8 145.7 290.5 175.5 206.4 311.4

2006 103.9 130.5 121.2 225.5 300.5 251.4 109.1 148.3 385.6 271.4 148.4 346.6

Tabel 2(b). Data Hasil Normalisasi Tahun 1998 sampai 2005 dengan Target 2006 2007 169.6 8.6 62.3 277.2 330.2 99.4 261.6 153.4 256.5 303.3 374.1 218.4

Tabel 1(d). Data Input Tahun 2000 sampai 2007 dengan Target 2008 2000 59 86.7 182.2 115 60.3 191.1 121.9 342.6 451.1 367.5 108 173.6

2001 216.5 15.1 158 164.8 252.8 306.7 121.3 417.6 395.7 733 467.6 342.5

2002 90.8 78.5 96.5 73.4 195.2 191.7 139.2 156.3 382.5 363.8 164.3 102.2

2003 169.4 85.7 162.6 285.3 245.7 196.3 312.1 282 561.5 471.9 125.4 187.7

2004 138.8 200.8 237.9 88.5 68 200.5 206.8 204.3 475.3 377.5 141.2 166.4

2005 189.1 43.9 62.5 168.2 229.5 174 210.8 145.7 290.5 175.5 206.4 311.4

2006 103.9 130.5 121.2 225.5 300.5 251.4 109.1 148.3 385.6 271.4 148.4 346.6

2007 169.6 8.6 62.3 277.2 330.2 99.4 261.6 153.4 256.5 303.3 374.1 218.4

2008 126.7 16.2 126.8 146 172.5 62 276.8 195.7 294.8 342.2 412.5 245.7

Sebelum diproses data-data input tersebut akan dinormalisasi. Normalisasi terhadap data dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan. Data-data tersebut dinormalisasi dalam interval [0, 1] karena dalam prediksi curah hujan, nilai curah hujan pasti bernilai positif atau 0. Selain itu juga terkait fungsi aktivasi yang diberikan yaitu sigmoid biner. Fungsi sigmoid adalah fungsi asimtotik (tidak pernah mencapai 0 ataupun 1) maka transformasi data hendaknya dilakukan pada interval yang lebih kecil yaitu [0.1, 0.8], ditunjukkan dengan persamaan (14). (14) a adalah data minimum, b adalah data maksimum, x adalah data yang akan dinormalisasi dan x’ adalah data yang telah ditransformasi. Tabel 2 merupakan hasil normalisasi data input. Tabel 2(a). Data Hasil Normalisasi Tahun 1997 sampai 2004 dengan Target 2005 1997 0.2078 0.1972 0.2389 0.2118 0.1798 0.2841 0.3399 0.1962 0.4114 0.5224 0.3836 0.2919

1998 0.2904 0.1459 0.123 0.1295 0.2379 0.2502 0.3257 0.5113 0.2791 0.4663 0.3951 0.5258

1999 0.4384 0.3874 0.308 0.4461 0.4247 0.3734 0.1235 0.1773 0.5402 0.3159 0.2301 0.5944

2000 0.1557 0.1863 0.2917 0.2175 0.1571 0.3015 0.2251 0.4689 0.5887 0.4964 0.2098 0.2822

2001 0.3296 0.1072 0.265 0.2725 0.3697 0.4292 0.2245 0.5517 0.5275 0.9 0.6069 0.4687

2002 0.1908 0.1772 0.1971 0.1716 0.3061 0.3022 0.2442 0.2631 0.5129 0.4923 0.2719 0.2034

2003 0.2776 0.1851 0.2701 0.4056 0.3618 0.3072 0.4352 0.4019 0.7106 0.6117 0.229 0.2978

2004 0.2438 0.3123 0.3532 0.1882 0.1656 0.3119 0.3189 0.3161 0.6154 0.5074 0.2464 0.2743

2005 0.2993 0.139 0.1595 0.2763 0.344 0.2827 0.3233 0.2514 0.4113 0.2843 0.3184 0.4344

1998 0.2904 0.1459 0.123 0.1295 0.2379 0.2502 0.3257 0.5113 0.2791 0.4663 0.3951 0.5258

1999 0.4384 0.3874 0.308 0.4461 0.4247 0.3734 0.1235 0.1773 0.5402 0.3159 0.2301 0.5944

2000 0.1557 0.1863 0.2917 0.2175 0.1571 0.3015 0.2251 0.4689 0.5887 0.4964 0.2098 0.2822

2001 0.3296 0.1072 0.265 0.2725 0.3697 0.4292 0.2245 0.5517 0.5275 0.9 0.6069 0.4687

2002 0.1908 0.1772 0.1971 0.1716 0.3061 0.3022 0.2442 0.2631 0.5129 0.4923 0.2719 0.2034

2003 0.2776 0.1851 0.2701 0.4056 0.3618 0.3072 0.4352 0.4019 0.7106 0.6117 0.229 0.2978

2004 0.2438 0.3123 0.3532 0.1882 0.1656 0.3119 0.3189 0.3161 0.6154 0.5074 0.2464 0.2743

2005 0.2993 0.139 0.1595 0.2763 0.344 0.2827 0.3233 0.2514 0.4113 0.2843 0.3184 0.4344

2006 0.2052 0.2346 0.2244 0.3362 0.4224 0.3682 0.211 0.2543 0.5163 0.3902 0.2544 0.4733

Tabel 2(c). Data Hasil Normalisasi Tahun 1999 sampai 2006 dengan Target 2007 1999 0.4384 0.3874 0.308 0.4461 0.4247 0.3734 0.1235 0.1773 0.5402 0.3159 0.2301 0.5944

2000 0.1557 0.1863 0.2917 0.2175 0.1571 0.3015 0.2251 0.4689 0.5887 0.4964 0.2098 0.2822

2001 0.3296 0.1072 0.265 0.2725 0.3697 0.4292 0.2245 0.5517 0.5275 0.9 0.6069 0.4687

2002 0.1908 0.1772 0.1971 0.1716 0.3061 0.3022 0.2442 0.2631 0.5129 0.4923 0.2719 0.2034

2003 0.2776 0.1851 0.2701 0.4056 0.3618 0.3072 0.4352 0.4019 0.7106 0.6117 0.229 0.2978

2004 0.2438 0.3123 0.3532 0.1882 0.1656 0.3119 0.3189 0.3161 0.6154 0.5074 0.2464 0.2743

2005 0.2993 0.139 0.1595 0.2763 0.344 0.2827 0.3233 0.2514 0.4113 0.2843 0.3184 0.4344

2006 0.2052 0.2346 0.2244 0.3362 0.4224 0.3682 0.211 0.2543 0.5163 0.3902 0.2544 0.4733

2007 0.2778 0.1 0.1593 0.3966 0.4552 0.2003 0.3794 0.2599 0.3738 0.4255 0.5036 0.3317

Tabel 2(d). Data Hasil Normalisasi Tahun 2000 sampai 2007 dengan Target 2008 2000 0.1557 0.1863 0.2917 0.2175 0.1571 0.3015 0.2251 0.4689 0.5887 0.4964 0.2098 0.2822

2001 0.3296 0.1072 0.265 0.2725 0.3697 0.4292 0.2245 0.5517 0.5275 0.9 0.6069 0.4687

2002 0.1908 0.1772 0.1971 0.1716 0.3061 0.3022 0.2442 0.2631 0.5129 0.4923 0.2719 0.2034

2003 0.2776 0.1851 0.2701 0.4056 0.3618 0.3072 0.4352 0.4019 0.7106 0.6117 0.229 0.2978

2004 0.2438 0.3123 0.3532 0.1882 0.1656 0.3119 0.3189 0.3161 0.6154 0.5074 0.2464 0.2743

2005 0.2993 0.139 0.1595 0.2763 0.344 0.2827 0.3233 0.2514 0.4113 0.2843 0.3184 0.4344

2006 0.2052 0.2346 0.2244 0.3362 0.4224 0.3682 0.211 0.2543 0.5163 0.3902 0.2544 0.4733

2007 0.2778 0.1 0.1593 0.3966 0.4552 0.2003 0.3794 0.2599 0.3738 0.4255 0.5036 0.3317

2008 0.2304 0.1084 0.2305 0.2517 0.281 0.159 0.3962 0.3066 0.4161 0.4684 0.5461 0.3618

Setelah data dinormalisasi, maka akan di generate nilai bobot input ke hidden awal, bias input ke hidden, bobot hidden ke output, dan bias hidden ke output. Data bobot digenerate secara acak antara 0 sampai dengan 1. Tabel 3 menunjukkan hasil generate nilai bobot. Tabel 3. Hasil generate Nilai Bobot Bobot Input Ke Hidden Awal 0.3528 0.2667 0.2898 0.1448 0.007 0.3804 0.4072 0.3545 0.4313 0.3952 0.1868 0.481 0.4748 0.182 0.2624 0.3836 0.2344 0.1491 0.3113 0.3239 0.4149 0.4123 0.2946 0.493 0.3476 0.49 0.122 0.2669 0.3381 0.0079 0.2876 0.05 Bias Input Ke Hidden 0.1422 0.0228 0.1479 0.191 Bobot Hidden ke Output 0.4899 0.2007 0.1391 0.0802 Bias Hidden ke Output 0.367

0.151 0.0227 0.4357 0.0268 0.1319 0.4555 0.0532 0.0515

0.3874 0.207 0.0281 0.2962 0.1397 0.1134 0.4997 0.3994

0.1505

0.4743

0.0814

0.3233

Tahap selanjutnya adalah trainning. Proses training dilakukan sampai error yang dihasilkan sesuai atau lebih kecil dari target error. Gambar 2 merupakan grafik penurunan kuadrat error hasil

187


training dengan target error 0.01 dan jumlah hidden layer 6.

Tabel 5(b). Hasil Pengujian dengan Target Error 0.008 Jumlah Hidden 5 6 7 8

Kuadrat Error 0.0079 0.0079 0.0079 0.0079

Iterasi

Akurasi

160 186 218 241

42.79 % 42.35 % 41 % 41.21 %

Tabel 5(c). Hasil Pengujian dengan Target Error 0.0072 Gambar 2. Grafik Penurunan Kuadrat Error Pada gambar 1 dapat dilihat bahwa penurunan kuadrat error berhenti dan mencapai target error 0.01 dengan jumlah iterasi sebanyak 66. Proses trainning akan memperbaiki bobot nilai random. Hasil bobot yang telah diperbaiki melalui proses training ditunjukkan pada tabel 4. Pada tabel 4 dapat dilihat bahwa semua nilai bobot telah berubah. Tabel 4. Nilai Bobot Hasil Training Bobot Input Ke Hidden Hasil Training 0.375 0.2489 0.243 0.0915 0.0151 0.507 0.5646 0.385 0.3017 -0.555 0.797 0.5195 0.149 0.4197 -0.04 0.764 0.2667 0.216 0.3144 -0.367 0.493 0.222 0.264 0.2557 -0.234 0.58 0.4521 0.253 0.436 0.1868 0.518 0.535 0.083 0.2135 -0.219 0.594 0.088 0.249 -0.006 -0.31 Bias Input Ke Hidden Hasil Training -0.29 -0.205 0.02 0.0784 0.1885 Bobot Hidden Ke Output Hasil Training 1.086 0.6341 0.238 0.2438 -0.986 Bias Hidden Ke Output Hasil Training -1.67

0.3219 0.0807 -0.0942 0.1891 0.0355 0.0288 0.4158 0.2963 0.3498 -0.1135

Setelah tahap tranning, tahap berikutnya adalah pengujian. Tahap pengujian digunakan untuk menguji validasi data yang telah dilakukan pada proses training dengan memasukkan data baru yang belum pernah dilatih sebelumnya untuk mengetahui keakurasian dari sistem yang telah dibuat. Data tahun 2009 – 2012 digunakan sebagai data pengujian. Pengujian dilakukan dengan memvariasikan jumlah hidden layer dan memvariasikan nilai target error. Hasil pengujian dapat dilihat pada tabel 5. Tabel 5(a). Hasil Pengujian dengan Target Error 0.01 Jumlah Kuadrat Iterasi Akurasi Hidden Error 5 0.0099 70 26.44 % 6 0.0099 66 26.27 % 7 0.0099 62 22.48 % 8 0.0099 76 21.71 %

188

Jumlah Hidden 5 6 7 8

Kuadrat Error 0.0072 0.0072 0.0072 0.0072

Iterasi

Akurasi

4500 4500 2000 3000

43.27 % 43.21 % 42.88 % 43.4 %

Pada tabel 5(a), dapat dilihat bahwa pengujian dengan jumlah hidden 5 memiliki akurasi yang lebih baik dari pada pengujian menggunakan hidden 6, 7, dan 8 yaitu 26.44% dan jumlah iterasi sebanyak 70. Pada tabel 5(b), pengujian dengan jumlah hidden 5 memiliki nilai akurasi yang lebih baik dari pada pengujian menggunakan hidden 6, 7, dan 8 yaitu 42.79% dan jumlah iterasi sebanyak 160. Pada tabel 5(c), pengujian dengan jumlah hidden 5 memiliki nilai akurasi yang lebih baik dari pada pengujian menggunakan hidden 6, 7, dan 8 yaitu 43.27% dan jumlah iterasi sebanyak 4500. Dari ke-3 tabel di atas dapat disimpulkan bahwa pengujian dengan menggunakan hidden 5 dan target error 0.0072 memiliki nilai akurasi yang lebih baik dibandingkan dengan pengujian lainnya yaitu 43.27%. Pada tabel 5 dapat dilihat bahwa target error yang berbeda akan menghasilkan jumlah iterasi yang berbeda pula. Semakin kecil target error, maka jumlah iterasi akan semakin besar. Pada tabel 5 dapat dilihat juga bahwa jumlah hidden yang berbeda maka jumlah iterasi juga berbeda. Jumlah hidden layer yang lebih besar tidak selalu menyebabkan jumlah iterasi meningkat. Tahap terakhir yaitu melakukan prediksi curah hujan untuk beberapa tahun berikutnya dengan mengambil nilai akurasi tertinggi dari hasil pengujian yaitu 43.27%. Tahap prediksi curah hujan di kota Medan menggunakan metode backpropagation neural network menggunakan data Input Tahun 2005 sampai 2012. Hasil prediksi curah hujan di kota Medan dapat dilihat pada tabel 6.


Tabel 6. Hasil Prediksi Curah hujan di Kota Medan

5. Pada hasil prediksi rata-rata curah hujan tertinggi pada tahun 2013 terjadi pada bulan 5 yaitu 315.8.

Tahun Bulan 1 2 3 4 5 6 7 8 9 10 11 12

Daftar Pustaka

2013

2014

2015

2016

2017

122.7 108.3 153.2 211.4 315.8 138.3 189.1 154.4 254.3 290 224.3 238

143 86.4 141 195.9 281.4 110.1 225.9 157.5 227.2 264.2 289 196.2

153 98.9 176.5 163 227.6 117.4 197.5 196.9 239.8 244.2 228.6 162.6

168.9 109.7 204.1 158.7 231.8 133.2 175.9 247.2 208.3 214.6 172.9 129.3

154.3 104 179.2 143.4 170 143.9 173 249.4 162.5 211.9 197.8 160.4

Pada tabel 6 dapat dilihat bahwa rata-rata curah hujan tertinggi pada tahun 2013 terjadi pada bulan 5, tahun 2014 terjadi pada bulan 11, tahun 2015 terjadi pada bulan 10, tahun 2016 terjadi pada bulan 8, dan tahun 2017 terjadi pada bulan 8. 4.

[1]

[2]

[3]

[4]

Kesimpulan

Dari hasil penelitian dapat diambil beberapa kesimpulan antara lain: 1. Pengujian dengan hidden 5 memiliki akurasi yang lebih baik dibandingkan dengan hidden 6, 7, dan 8. 2. Nilai akurasi tertinggi di dapat dari pengujian data dengan jumlah hidden 5 dan target error 0.0072 yaitu 43.27 %. 3. Target error yang berbeda akan menghasilkan jumlah iterasi yang berbeda pula. Semakin kecil target error, maka jumlah iterasi akan semakin besar. 4. Jumlah hidden yang berbeda maka jumlah iterasi juga berbeda. Jumlah hidden layer yang lebih besar tidak selalu menyebabkan jumlah iterasi meningkat.

[5]

[6]

Ihwan, Andi, 2013, Metode Jaringan Saraf Tiruan Propagasi Balik untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat, Prosiding Semirata FMIPA Universitas Lampung. Naik, Arti R. and S.K.Pathan, 2012, Weather Classification and Forecasting using Back Propagation Feed-forward Neural Network, International Journal of Scientific and Research Publications, Volume 2, Issue 12, December. Oktaviani, Cici dan Afdal, 2013, Prediksi Curah Hujan Bulanan Menggunakan Jaringan Syaraf Tiruan dengan Beberapa Fungsi Pelatihan Backpropagation, Jurnal Fisika Unand, Vol. 2, No. 4, Oktober. Pai, Maya L., et al, 2014, Long Range Forecast on South West Monsoon Rainfall using Artificial Neural Networks based on Clustering Approach, I.J. Information Technology and Computer Science, 2014, 07, 1-8. Pratiwi, Dian, et al, (2011), An Application Of Backpropagation Artificial Neural Network Method for Measuring The Severity of Osteoarthritis, International Journal of Engineering & Technology IJETIJENS, Vol: 11 No: 03. Sutojo, T., et al, 2010, Kecerdasan Buatan, Yogyakarta: Andi Offset.

189


MONITORING LOG SERVICE PADA SERVER BERBASIS WEB MENGGUNAKAN PHPSHELL Ni Kadek Ariasih1, Dandy Pramana Hostiadi2 Sistem Informasi, STMIK STIKOM Bali Jl. Raya Puputan No. 86 Renon Denpasar – Bali 1 adek1215@yahoo.com, 2dan_ganx_cil@yahoo.co.id

Abstrak Server merupakan perangkat utama dalam sebuah sistem komunikasi jaringan yang berfungsi sebagai penyedia layanan atau service dalam sebuah jaringan. Sebagai penyedia layanan,service sistem yang berjalan pada server harus mampu berjalan selama 24 jam penuh. Sehingga untuk memantau jalannya service pada server diperlukan pencatatan dalam bentuk log serviceyang bersifat realtimeuntuk mencatat aktifitas service yang berjalan pada server. Kendala umum yang terjadi adalah seorang administrator jaringan harus secara manual melakukan pembacaan log service pada server dengan cara satu per satu. Dalam penelitian yang dilakukan pada penulisan ini, monitoring log service yang dibangun adalah melakukan pembacaan sejumlah service secara realtime yang berjalan pada server tanpa harus berinteraksi langsung dengan server. Sistem monitoring yang dibangun dapat digunakan oleh administrator jaringan melalui internet yaitu sebuah website dengan memanfaatkan modul phpshell sehingga pengawasan terhadap service yang dijalankan oleh server dapat dilakukan lebih mudah dan realtime. Hasil akhir dari penelitian yang dilakukan menunjukan bahwa sistem monitoring mampu melakukan pembacaan terhadap log service yang di tampilkan dalam bentuk web menggunakan phpshell sehingga dapat membantu administrator dalam hal pembacaan log service. Kata kunci : server, service, log service,administrator,monitoring 1.

Pendahuluan

Penggunaan perangkat server dalam jaringan komputer merupakan hal utama yang di prioritaskan oleh sebuah perusahaan, khususnya bagi perusahaan yang proses komunikasinya bergantung pada IT Networking . Perangkat server memiliki pengertian sebagai suatu perangkat komputer yang didesain khusus dalam hal spesifikasinya yang berfungsi sebagai penyedia layanan atau service dalam komunikasi sistem infrastruktur jaringan komputer. Perangkat server umumnya dioperasikan 24 jam per hari dan memberikan layanan komunikasi dalam jaringan komputer. Beberapa model layanan atau service yang dijalankan anatara adalah layanan webserver, dhcp server, ftp server, file sharing, remote access, dll. Disisi lain seorang administrator jaringan memerlukan suatu sistem monitoring. Sistem monitoring yang dimaksud adalah sistem yang mampu menampilkan kondisi service yang berjalan dalam server. Salah satu cara yang umum digunakan oleh administrator jaringan dalam mengontrol service server adalah dengan membaca secara manual sebuah log service. Log service adalah catatan atau riwayat pengaksesan ke sebuah sistem service yang dijalan oleh sebuah server. Biasanya seorang administrator akan menggunakan remote akses ke server dan membaca log service yang dimiliki dalam server sebagai proses monitoring service

190

yang dilakukan. Log service pada perangkat server sendiri memiliki tempat penyimpanan yang terpisah antara satu service dengan service yang lain, dan memiliki struktur penempatan yang berbeda. Hal ini menyebabkan seorang administrator harus menghafal tempat log service sebagai acuan memonitorservice yang berjalan. Saat ini penggunaan sebuah sistem informasi mengarah kepada pengembangan web. Hal ini disebakan karena fitur yang dimiliki sebuah website mampu dikembangkan oleh pengembang secara interaktif dan atraktif [1]. Penggunaan web ini dapat dimanfaatkan sebagai proses monitoring log service dalam server. Pembacaan log yang sesuai dengan kebutuhan monitoring akan memudahkan seorang administrator jaringan untuk memonitor keadaan service dalam server tanpa perlu melakukan remote akses ke server. Berdasarkan hal tersebut pemanfaatan dari sebuah web sebagai proses monitoring log service akan dapat membantu dalam pengontrolan service dalam server 2. A.

Landasan Teori

Jaringan Komputer Jaringan komputer merupakan sekumpulan komputer yang saling terhubung satu dengan yang lainnya ,melakukan proses komunikasi, saling terintegrasi untuk mencapai suatu tujuan dengan menggunakan protocol yang mengatur proses


komunikasinya[2]. Tujuan dari pembangunan sebuah jaringan komputer adalah sharing resources, media komunikasi, web browsing dan komunikasi[3]. Secara garis besar proses komunikasi yang dilakukan komputer dam jaringan komputer dapat kita gambarkan seperti berikut

Gambar 1. Komunikasi Jaringan Komputer Dari gambar 1 dapat dijelaskan bahwa komputer saat berkomunikasi akan diidentifikasikan sebagai 2 pihak, satu sebagai source(yang merupakan sebagai asal komunikasi) dan destination(yang merupakan sebagai tujuan komunikasi). Dari sisi source ketika melakukan komunikasi akan di sebut sebagai pengirim atau istilahnya adalah transmitter sedangkan komputer tujuan dalam proses komunikasi disebut sebagai penerima atau istilahnya adalah receiver. Kedua komputer akan melakukan proses komunikasi melalui media transmisi yang diatur dalam sistem transmisi. Umumnya selain pengaturan media transmisi dalam system transmisi, dikenal adanya protocol yang mengatur jalannya komunikasi yang berlangsung. komunikasi dalam jaringan komputer, diperlukan adanya suatu protocol sebagai aturan berkomunikasi. Protocol sendiri adalah suatu set yang mengatur online komunikasi di antara beberapa buah komputer yang ada dalam suatu jaringan. Peraturan peraturan tersebut termasuk pedoman yang mengatur kriteria-kriteria dalam pembangunan jaringan komputer, termasuk di dalamnya adalah cara atau metode akses komunikasi, topologi fisik yang diijinkan, jenis-jenis pengkabelan dan kecepatan pengiriman data. Dengan kata lain dapat diibaratkan bahwa protocol adalah bahasa komunikasi dalam jaringan komputer B.

Server Server adalah sebuah sistem komputer yang menyediakan jenis layanan tertentu dalam sebuah jaringan komputer[4]. Server didukung dengan prosesor yang bersifat scalable dan RAM yang besar, juga dilengkapi dengan sistem operasi khusus, yang disebut sebagai sistem operasi jaringan atau network operating system. Server juga menjalankan perangkat lunak administratif

yang mengontrol akses terhadap jaringan dan sumber daya yang terdapat di dalamnya, seperti halnya berkas atau alat pencetak (printer), dan memberikan akses kepada workstation anggota jaringan. Umumnya, di atas sistem operasi server terdapat aplikasi-aplikasi yang menggunakan arsitektur klien/server. Contoh dari aplikasi ini adalah DHCP Server, Mail Server, HTTP Server, FTP Server, DNS Server dan lain sebagainya. Setiap sistem operasi server umumnya membundel layanan-layanan tersebut atau layanan tersebut juga dapat diperoleh dari pihak ketiga. Setiap layanan tersebut akan merespons terhadap request dari klien. Sebagai contoh, klien DHCP akan memberikan request kepada server yang menjalankan server DHCP, ketika sebuah klien membutuhkan alamat IP, klien akan memberikan perintah/request kepada server, dengan bahasa yang dipahami oleh server DHCP, yakni protokol DHCP itu sendiri. Contoh sistem operasi server adalah Windows NT 3.51, dan dilanjutkan dengan Windows NT 4.0. Saat ini sistem yang cukup populer adalah Windows 2008Server dan Windows Server 2012, kemudian Sun Solaris, Unix, dan GNU/Linux. Server biasanya terhubung dengan client dengan kabel UTP dan sebuah Network Card. Kartu jaringan ini biasanya berupa kartu PCI atau ISA. Fungsi server sangat banyak, misalnya untuk situs internet, ilmu pengetahuan, atau sekedar penyimpanan data. Namun yang paling umum adalah untuk mengkoneksikan komputer client ke Internet. C.

PHPShell PHPShell adalah sebuah script menggunakan bahasa pemrograman PHP yang umunya digunakan untuk melakukan eksekusi perintah shell yang dilakukan oleh user. PHPShell akan melakukan eksekusi tiap baris dari perintah yang diketikkan oleh user melalui web interface. Dalam implementasinya PHPShell digunakan sebagai sebuah utility untuk melakukan web vulnerability assessment. Dengan kata lain PHPShell digunakan sebagai jembatan dari user untuk berinteraksi dengan shell bash dari server. D.

Log Service Log client adalah sebuah pencatatan aktivitas atau traffic yang dilakukan oleh client pada jaringan intranet[5]. Dalam pencatatan yang ada, log client mencatat beberapa informasi yang diperlukan seperti tanggal saat melakukan event, ip dari client, tujuan aktifitasnya dan informasi port yang digunakan untuk melakukan aktivitas[6]. Log client umumnya terdapat pada server. Keterangan atau informasi Log client ini digunakan dalam hal perancangan keamanan

191


jaringan komputer. Bentuk log service yang berada pada server dapat dilihat pada gambar berikut :

Gambar 2. Log Service Authentication Pada gambar 2, merupakan contoh log service authentication yang berada pada server. Log service authentication adalah log service yang mencatat mengenai pengguna atau user yang melakukan aktifitas login ke server. 3.

Metodelogi

Pada penelitian yang dilakukan, terdapat alur proses penelitian dari setiap tahap dilakukan yang dapat ditunjukkan pada gambar berikut :

Tabel 1. Contoh Pembacaan File Log

Nama Service

Nama File Tempat File Log Log Authentication auth.log /var/log/ Login ftp Vsftp/log /var/log/ Apache Access.log /var/log/apache/ webserver access Apache Error.log /var/log/apache/ webserver error Kernel modul Dmsg.log /var/log/ System log Syslog.log /var/log/ Booting log Boot.log /var/log/ Setelah mengetahui penempatan file log service yang berada pada server, maka dilakukan pemanggilan nama file melalui web yang dibangin pada sistem monitoring. Dalam hal ini menggunakan modul phpshel. Pada php shell yang digunakan, sebelumnya sistem web harus memiliki hak akses yang tertinggi dalam sistem operasi linux yaitu dengan hak akses root. Proses pemanggilan log service yang akan dipanggil oleh sistem dapat ditunjukkan pada gambar berikut :

Gambar 3. Alur Proses Penelitian hal pertama yang dilakukan adalah pengenalan terhadap log service yang berada pada server. Server yang digunakan dalam penelitian adalah server yang berjalan pada sistem operasi Linux Ubuntu yang menjalankan service auth.log, boot.log, dmsg.log, syslog.log, vsftpd.log, apache.logdan beberapa log lainnya. Setiap log service yang dijalankan memiliki penempatan log yang berbeda dengan yang lainnya dan membaca nama file log yang berbeda. Sebagai contoh pemanggilan untuk log service authentication akan memanggil file log auth.log yang berada pada /var/log/memiliki perbedaan dengan pembacaan error log untuk service apache webserver yang membaca file log error.log yang berada pada /var/log/apache2/. Berdasarkan hal tersebut maka dilakukan identifikasi terhadap pembacaan file log yang mengidentifikasian terhadap service yang berjalan dapat dilihat pada tabel berikut :

Gambar 4. Alur Proses Pembacaan Log Service Gambar 3 diatas dapat dijelaskan bahwa webserver memerlukan akses root pada server untuk melakukan pembacan log service server. Untuk melakukan pembacaan log service dilakukan dengan menggunakan perintah tail –f yang dijalankan pada webshell atau modul phpshell yang telah ditanam pada server. Pemanggilan pembacaan log file akan ditampilkan pada web monitoring log serice melalui website. 4.

Pembahasan dan Hasil

Sesuai dengan pembahasan sebelumnya, hal pertama yang dilakukan adalah melakukan

192


identifiasi terhadap file log service yang berjalan pada server. Kemudian pembacaan dilakukan oleh webserver melalui modul phpshell yang dilakukan dengan mengunakan perintah tail –f sesuai dengan pembacaan log service. Untuk menggunakan sistem monitoring log service yang dilakukan pertama adalah melakukan authentication server untuk memberikan hak akses rootwebserver. Bentuk halaman authentication dapat dilihat pada gambar berikut :

Gambar 7. Log Service Monitoring

Gambar 5. Login Authentication Pada gambar 4, username dan password diisikan sesuai dengan user login yang berlaku untuk server. Setelah melakukan validasi maka halaman awal dapat ditunjukkan pada gambar berikut :

Gambar 6. Halaman Awal Sistem Monitoring Untuk menampilkan Log Service, user dapat memilih tipe log yang ingin ditampilkan. Salah satu bentuk hasil log service yang ditampilkan adalah sebagai berikut :

Gambar 6 diatas, menjelaskan salah satu contoh hasil log service monitoring yang ditampilkan, dimana log service yang ditampilkan adalah log file auth.log. Pembacaan log file service yang dilakukan bersifat realtime. Tiap baris yang ditampilkan adalah sama dengan penambahan catatan log service service yang berjalan di server. PHPShell yang digunakan dalam penelitian ini mampu dimanfaatkan sebagai sistem monitoringlog service yang berjalan sesuai dengan log service yang berjalan di server. Sehingga hasil yang didapat dalam penelitian ini adalah menunjukkan bahwa sistem monitoring berjalan dengan baik membaca log service secara realtime, dan menunjukkan bahwa PHPShell yang digunakan dalam penelitian dapat dimanfaatkan sebagai sistem monitoring selain sebagai penggunaannya yang digunakan sebagai web vulnerability assessment. . 5. Kesimpulan Berdasarkan pada pembahasan sebelumnya, maka dapat disimpulkan bahwa pembangunan sistem monitoring log service dapat membantu administrator jaringan untuk melakukan pengawasan dalam hal pembacaan terhadap log service yang berjalan pada server. Pembacaan log server yang dilakukan berjalan secara realtime sesuai dengan log yang berada pada server. Pengembangan terhadap sistem monitoring log service dapat dikembangkan dengan menggabungkan teknik pengamanan jaringan yaitu IDS. Sehingga setiap intrusi yang terjadi pada server melalui pembacaan log service dapat mengantisipasi serangan dalam jaringan komputer dan memberikan peringatan kepada administrator secara realtime.

193


Daftar Pustaka [1] Kadir, Abdul.2009. Mastering AJAX dan PHP. Yogyakarta : Penerbit ANDI Yogyakarta [2] Stalling, W.Local Network, Macmillan Publishing Company, 1985 [3] Hartono,Jogianto.1999.Pengenalan Komputer, dasar ilmu komputer, pemrograman,sistem informasi dan intelegnsi buatan.Yogyakarta : Penerbit ANDI Yogyakarta

194

[4] Irawan.2008.Linux Untuk Orang Awam. Palembang :Penerbit Maxikom. [5] Iztok Humar, Janez BeSter.2003. Computer as a tool for IP network traffic measurement. IEEE: 0-7803-7763-X/03 [6] Joko I. Mumpuni dan Adisuryo Wardono. 2006. Meningkatkan Kemampuan Jaringan Komputer. Yogyakarta : ANDI.


ANALISA POLA DATA PENYAKIT RUMAH SAKIT DENGAN MENERAPKAN METODE ASSOCIATION RULE MENGGUNAKAN ALGORITMA APRIORI Harris Kurniawan1, Fujiati2, Alfa Saleh3 STMIK Potensi Utama Jl. K.L. Yos Sudarso Km. 6.5 No.3-A, Tanjung Mulia, Medan, Indonesia ch0c0_pahmen@yahoo.com, fujiati.00@gmail.com, alfasoleh1@gmail.com

Abstrak Rumah Sakit adalah tempat untuk menangani pasien dari berbagai daerah dan jenis penyakit pasien tersebut berbeda-beda, karena cara hidup dan lingkungan berperan dalam perjalanan penyakit. Berdasarkan hal tersebut untuk meningkatkan upaya menurunkan angka kesakitan dan prevalensi timbulnya komplikasi pada penyakit maka perlu dilakukan penelitian-penelitian yang mengarah pada pembuatan sistem yang dapat mendeteksi timbulnya penyakit sehingga dapat dilakukan upaya prefentif serta upaya rehabilitatif bagi penderita penyakit dengan pendekatan yang menyeluruh, sehingga dampak terjadinya berbagai penyakit menahun, seperti penyakit jantung koroner, penyakit pada mata, ginjal dan syaraf dapat dikurangi. Dalam usaha peningkatan kesehatan, penguasaan teknologi perlu ditingkatkan. Selain itu, juga perlu diimbangi dengan sistem informasi dan data yang akurat bagi kepentingan dinas kesehatan maupun instansi terkait untuk pengambilan kebijakan. Salah satu alternatif sebagai solusi dari masalah tersebut adalah membuat suatu pencarian pola atau hubungan Association rule (aturan asosiatif) dari data yang berskala besar dan kaitannya sangat erat dengan data mining yang dapat digunakan untuk menemukan aturan-aturan tertentu yang mengasosiasikan data yang satu dengan data yang lainnya dengan Metode algoritma apriori bisa melakukan penelusuran pada data historis untuk mengidentifikasi pola data yang didasarkan pada sifat-sifat yang teridentifikasi sebelumnya. Informasi yang dihasilkan untuk selanjutnya bisa digunakan oleh Dinas Kesehatan setempat maupun dokter sebagai dasar untuk melakukan tindakan-tindakan yang diperlukan. Kata Kunci : Data Mining, Association rule dan algoritma apriori 1.

Pendahuluan

Dengan bertambahnya angka harapan hidup bangsa Indonesia perhatian masalah kesehatan beralih dari penyakit infeksi ke penyakit degenerative. Pada umumnya penyakit tidak mengenal usia, karena penyakit bisa menyerang siapapun. karena itu perlu di waspadai serangan dari penyakit tersebut. Penyakit manusia banyak jenisnya seperti, anemia, diabetes, jantung, kulit, kanker, demam berdarah, typus, ginjal dan sebagainya. Rumah Sakit adalah tempat untuk menangani pasien dari berbagai daerah dan jenis penyakit pasien tersebut berbeda-beda, karena cara hidup dan lingkungan berperan dalam perjalanan penyakit. Berdasarkan hal tersebut untuk meningkatkan upaya menurunkan angka kesakitan dan prevalensi timbulnya komplikasi pada penyakit maka perlu dilakukan penelitian-penelitian yang mengarah pada pembuatan sistem yang dapat mendeteksi timbulnya penyakit sehingga dapat dilakukan upaya prefentif serta upaya rehabilitatif bagi penderita penyakit dengan pendekatan yang menyeluruh, sehingga dampak terjadinya berbagai penyakit menahun, seperti penyakit jantung koroner, penyakit pada mata, ginjal dan

syaraf dapat dikurangi. Dalam usaha peningkatan kesehatan, penguasaan teknologi perlu ditingkatkan. Selain itu, juga perlu diimbangi dengan sistem informasi dan data yang akurat bagi kepentingan dinas kesehatan maupun instansi terkait untuk pengambilan kebijakan. Misalnya informasi mengenai daerah pemberantasan penyakit dan potensi adanya penyakit dalam suatu daerah tertentu sehingga informasi-informasi ini dapat mengarahkan paramedis melakukan usaha pemberantasan penyakit tersebut. Untuk mengatasi masalah dalam pemberantasan penyakit ini, diperlukan analisa terhadap data penyakit yang terlah didapat dari setiap daerah yang pernah dirawat pada rumah sakit, sehingga dapat diketahui penyakit apa yang paling banyak dalam masing-masing daerah dan daerah mana yang jenis penyakitnya paling berbahaya. Dengan demikian, daerah yang utama untuk pemberantasan penyakit tersebut dapat di tentukan. Salah satu alternatif sebagai solusi dari masalah tersebut adalah membuat suatu pencarian pola atau hubungan Association rule (aturan asosiatif) dari data yang berskala besar dan kaitannya sangat erat dengan data mining yang dapat digunakan untuk menemukan aturan-aturan

195


tertentu yang mengasosiasikan data yang satu dengan data yang lainnya dengan suatu metode algoritma. Metode algoritma apriori bisa melakukan penelusuran pada data historis untuk mengidentifikasi pola data yang didasarkan pada sifat-sifat yang teridentifikasi sebelumnya. Kemudian dapat diberikan alternatif pengobatan atau pencegahan bila ditemukan indikasi yang mengarah pada timbulnya penyakit. Informasi yang dihasilkan untuk selanjutnya bisa digunakan oleh Dinas Kesehatan setempat maupun dokter sebagai dasar untuk melakukan tindakan-tindakan yang diperlukan. 2.

Tinjauan Pustaka

Data Mining (DM) Data mining adalah proses pengolahan informasi dari sebuah database yang besar, meliputi proses ekstraksi, pengenalan, komprehensif, dan penyajian informasi sehingga dapat digunakan dalam pengambilan keputusan bisnis yang krusial”.[1][3] Metodologi Data Mining Langkah-langkah yang dibutuhkan untuk mengerjakan implementasi Data Mining : 1. Problem Analysis, langkah ini untuk menganalisa permasalahan dalam bisnis yang hendak diatasi dengan menggunakan Data Mining. Dari sini harus dibuat penilaian pada ketersediaan data, teknologi yang dipakai dan hasil yang diinginkan sebagai bagian dari keseluruhan solusi. 2. Data Preparation, langkah ini untuk mengekstrasi data dan mentransformasikannya ke dalam format yang dibutuhkan oleh algoritma Data Mining, termasuk di dalamnya join tabel, menambah field baru, membersihkan data dan sebagainya. 3. Data Exploration, langkah ini mendahului langkah pencarian pola yang sesungguhnya. Didalamnya terdapat proses eksplorasi secara visual dan memberikan pengguna kemudahan untuk menemukan kesalahan yang terjadi dalam proses data preparation. 4. Pattern Generation, langkah ini menggunakan cara induksi dan mengumpulkan algoritma penelusuran untuk membuat pola-pola tertentu. 5. Pattern Deployment, langkah ini pengembangan pola-pola yang ditemukan yang didesain dalam langkah problem analysis. Pola-pola ini khusus digunakan dalam Decision Support System (DSS), untuk membuat laporan-laporan atau buku petunjuk, atau memfilter data untuk tujuan pemrosesan. 6. Pattern Monitoring, kesimpulan utama dari hasil pengembangan Data Mining adalah kesamaan pola-pola di waktu yang lalu dapat

196

diaplikasikan untuk kondisi-kondisi terjadi di masa depan. [1]

yang

Association Rule Association rule merupakan salah satu teknik data mining yang paling banyak digunakan dalam penelusuran pola pada sistem pembelajaran unsupervised . Metodologi ini akan mengambil seluruh kemungkinan pola pola yang diamati dalam basis data. Association rule menjelaskan kejadian–kejadian yang sering muncul dalam suatu kelompok. Bentuk umum aturan B1,B2,…,Bm, yang berarti jika item Ai muncul, item Bj juga muncul dengan peluang tertentu. Misalkan X adalah itemset. transaksi T dikatakan mengandung X jika dan hanya transaksi dengan tingkat kepercayaan (confidence ) C, jika C % dari transaksi dalam D yang mengandung X juga mengandung Y. transaksi set D jika S% dari transaksi dalam basis Y. Tingkat kepercayaan menunjukkan kekuatan implikasi, dan support menunjukkan seringnya pola terjadi dalam rule. Mining association rule dilakukan dalam dua tahap yaitu : 1. Mencari semua association rule yang mempunyai minimum support (S min) dan minimum confidence Cmin. Itemset dikatakan sering muncul (frequent) jika Support(A) min. 2. Menggunakan itemset yang besar untuk menentukan association rule untuk basis data yang mempunyai tingkat kepercayaan C di atas nilai minimum yang telah ditentukan (Cmin.). [2][3][4][5] 3.

Analisa dan Pembahasan

Analisa Association Rule Penerapan data mining dengan association rule bertujuan menemukan informasi item-item yang saling berhubungan dalam bentuk rule, dengan demikian association rule di terapkan pada pola data penyakit yang paling sering muncul dengan menggunakan algoritma apriori. Dengan demikian proses untuk menemukan hubungan antar item ini mungkin memerlukan pembacaan data penyakit secara berulang-ulang dalam jumlah data penyakit yang besar untuk menemukan pola-pola hubungan yang berbeda, maka waktu dan biaya komputasi tentunya juga akan sangat besar, sehingga untuk menemukan hubungan tersebut diperlukan suatu algoritma yang efisien.


Tabel 1. Association Analysis pada data penyakit pasien NO

ITEM

1

Dyspepsia, Febris, DHF

2

Vertigo, Febris, Dyspepsya

Support(A)= RULL dditemukan

3

Vertigo, Dispepsya {Dispepsya } {Vertigo } { Febris, Dispepsia {DHF}

4

CHF, Astmah, Vertigo, Dispepsya

5

DHF, Dispepsya, Febris, Astmah

Analisa pola frekuensi tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dari data penyakit. Nilai support sebuah item diperoleh dengan rumus 1 berikut :

Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Aturan assosiatif dari penyakit pasien di rumah sakit adalah dapat diketahuinya berapa besar kemungkinan seorang pasien dapat mengidap penyakit TB. Paru bersamaan dengan Febris. Dengan pengetahuan tersebut Dokter yang merawat dapat mengambil tindakan penolongan pertama pada pasien. Khususnya salah satu tahap dari analisis asosiasi yang disebut analisis pola frequensi tinggi (frequent pattern mining) menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien. Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support (nilai penunjang) yaitu persentase kombinasi item tersebut dalam database dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan assosiatif. Aturan assosiatif biasanya dinyatakan dalam bentuk : {Febris, TB.Paru} -> {Dispepsya} (support = 40%, confidence = 50%) Yang artinya : "50% dari transaksi di database yang memuat item Febris dan TB.Paru juga memuat item Dispepsya. Sedangkan 40% dari seluruh transaksi yang ada di database memuat ketiga item itu." Dapat juga diartikan : "Seorang pasien yang mengidam penyakit Febris dan TB.Paru kemungkinan 50% punya penyakit Dispepsya. Aturan ini cukup signifikan karena mewakili 40% dari catatan transaksi selama ini." Analisis asosiasi didefinisikan suatu proses untuk menemukan semua aturan assosiatif yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence). Dasar analisis asosiasi terbagi menjadi dua tahap :

[rumu

s 1] Nilai support dari 2 item diperoleh dari rumus 2 berikut: Support(A,B) =P(A B)= ..[rumus 2] Data dari Penyakit pasien ditunjukkan dalam tabel 2 berikut :

Pasien 1 2 3 4 5 6 7 8 9 10 11

seperti

Tabel 2. Penyakit Pasien Item Penyakit Febris, Dispepsya, Anemia Anemia, Febris, DM DM, DHF, Dispepsya Dispepsya, Febris, Anemia Febris, Anemia, Dispepsya Dispepsya, Febris, DHF Febris, Anemia, DM Febris, DM, DHF Anemia, Dispepsya, Thyphoid Febris, Hypertensi, Dyspepsia Hypertensi, Dispepsya. Febris

Data tersebut diatas dalam database Pasien direpresentasikan dalam bentuk seperti tampak pada tabel 3. berikut: Tabel 3. Representasi Data Penyakit Pasien JlhPasien Item Penyakit 2 Hypertensi 8 Dispepsya 6 Anaemia 4 DM 9 Febris 3 DHF 1 Thyphoid Dan bila di bentuk dalam bentuk tabular, data Penyakit Pasien akan tampak seperti pada tabel 4 berikut:

197


Tabel 4. Format Tabular Data Penyakit Pasien Hy

Dis

1

pert ensi 0

pep sya 1

2

0

0

3

0

4

Ane mia

DM

Febris

DHF

Thy pho id

1

0

1

0

0

1

1

1

0

0

1

0

1

0

1

0

0

1

1

0

1

0

0

5

0

1

1

0

1

0

0

6

0

1

0

0

1

1

0

7

0

0

1

1

1

0

0

8

0

0

0

1

1

1

0

9

0

1

1

0

0

0

1

10

1

1

0

0

1

0

0

11

1

1

0

0

1

0

0

Pasien

Misalkan D adalah Pasien yang direperesentasikan dalam tabel 1, dimana masingmasing Pasien T dalam D merepresentasikan himpunan item yang berada dalam I. Himpunan items A (Febris dan Dispepsya) dan himpunan item lain B (Anemia). Kemudian aturan asosiasi akan berbentuk : Jika Febris dan Dispepsya Maka Febris. Dimana antecedent A dan consequent B merupakan subset dari I, kemudian A dan B merupakan mutually exclusive. Definisi ini tidak berlaku untuk aturan trivial seperti : Jika A, maka B ( A_B) Penulis hanya akan mengambil aturan yang memiliki support dan/atau confidence yang tinggi. Aturan yang kuat adalah aturan-aturan yang melebihi kriteria support dan/atau confidence minimum. Aturan yang memiliki support lebih dari 20 % dan confidence lebih dari 35 %. Sebuah itemset adalah himpunan item-item yang ada dalam I, dan k-itemset adalah itemset yang berisi k item. Misalnya {Febris, Dispepsya) adalah sebuah 2-itemset dan {Tb. Paru, Anemia, DM) merupakan 3-itemset. Frequent Itemset menunjukkan itemset yang memiliki frekuensi kemunculan lebih dari nilai minimum yang telah ditentukan (ф). Misalkan ф = 3, maka semua itemset yang frekuensi kemunculannya lebih dari 3 kali disebut frequent. Himpunan dari frequent kitemset dilambangkan dengan Fk . Tabel 5. Calon 2-itemset Combinasi Count Combinasi Hypertensi, 2 Anaemia, Dispepsya 0 DM Hypertensi, 0 Anaemia,

198

Count 2 5 0

Anaemia Hypertensi, DM Hypertensi, Febris Hypertensi, DHF Hypertensi, Thypoid Dispepsya, Anaemia Dispepsya, DM Dispepsya, Febris Dispepsya, DHF Dispepsya, Thypoid

2 0 0 4 1 6 2 1

Febris Anaemia, DHF Anaemia, Thypoid DM, Febris DM, DHF DM, Thypoid Febris, DHF Febris, Thypoid DHF, Thypoid

1 3 2 0 2 0 0

Tabel 6. berikut ini menujukkan calon 2itemset dari data Penyakit pada tabel 1. Dari data tersebut diatas, jika ditetapkan nilai ф = 3 maka F2 = { { Dispepsya, Anaemia}, { Dispepsya, Febris}, { Anaemia, Febris}{ DM, Febris}} Tabel 6. Calon 3-Itemset Combination Count Dispepsya, Anemia, 3 Febris 1 Dyspepsia, Febris, DHF Dengan demikian F3 = {{ Dispepsya, Anemia, Febris}}, karena hanya kombinasi inilah yang memiliki frekeunsi kemunculan >= ф. Pembentukan aturan assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif Nilai confidence diperoleh dari rumus 3 berikut: Confidence = P(B | A)=

Dari F3 yang telah ditemukan, dapat dilihat besarnya nilai support dan confidence dari calon aturan asosiasi seperti tampak pada tabel 7 berikut:


Tabel 7. Calon Aturan Asosiasi dari F3

Confidence minimal adalah 75% maka aturan yang bisa terbentuk adalah aturan dengan 1 antecedent berikut: “IF Mengidam Dispepsya end Anaemia, Then Mengidam Febris” Sementara itu calon aturan asosiasi dari F2 bisa dilihat pada tabel 8. berikut:

pencarian frequent itemset, dengan association rule. Sesuai dengan namanya, algoritma ini menggunakan knowledge mengenai frequent itemset yang telah diketahui sebelumnya, untuk memproses informasi selanjutnya. Algoritma apriori memiliki beberapa prinsip dasar yaitu : 1. Kumpulan jumlah item tunggal, dapatkan item besar. 2. Dapatkan kandidat pairs, hitung => large pair dari item-item. 3. Dapatkan candidate triplets, hitung => large triplets dari item-item dan seterusnya. 4. Sebagai petunjuk : setiap sumset dari sebuah frequent itemset harus menjadi frequent. Pada gambar 2 adalah ilustrasi penerepan apriori

Tabel 8. Calon Aturan Asosiasi dari F2

Gambar 2. ilustrasi penerapan apriori

Aturan asosiasi final terurut berdasarkan Support x Confidence terbesar dapat dilihat pada table 9. berikut: Tabel 9. Aturan Asosiasi Final

Analisa Penerapan Algoritma Apriori Apriori adalah suatu algoritma yang sudah sangat dikenal dalam melakukan

Bila dilihat pada Gambar 2 dimana dari 5 candidat dari 1-itemset yang memenuhi support ≥ 2 hanya 4 candidat atau calon dari 1itemset ini memenuhi support yaitu 1, 2, 3, dan 5 sedangkan item 4 tidak memenuhi syarat minimum support karena memiliki jumlah 1. Selanjutnya dari ke 4 item yang memenuhi syarat minimum support di gunakan untuk mencari atau menemukan 2-itemset maka di peroleh 6 pasang item yang menjadi candidat dari 2-itemset, setelah itu dicari kembali item yang memenuhi syarat minimum support. selanjutnya 2-itemset digunakan untuk mencari 3-itemset begitu seterusnya sehingga algortitma tidak dapat menemukan lagi frequent dan algoritma berhenti setelah menemukan semua frequent itemset. Berikut table penerapan cara kerja Apriori : Table 10. Data pasien Code Item Penyakit Pasien 1 2 3 4 5 6 7 8 9 10 11

Febris, Dispepsya, Anemia Anemia, Febris, DM DM, DHF, Dispepsya Dispepsya, Febris, Anemia Febris, Anemia, Dispepsya Dispepsya, Febris, DHF Febris, Anemia, DM Febris, DM, DHF Anemia, Dispepsya, Thyphoid Febris, Hypertensi, Dyspepsia Hypertensi, Dispepsya. Febris

199


1. Pada iterasi pertama dari algoritama , setiap item adalah anggota dari set calon 1itemset, C1. Algoritma akan secara langsung memeriksa semua penyakit yang ada untuk dapat menghitung kejadian munculnya setiap item. Jika diasumsikan bahwa minimum support yang dibutuhkan adalah 2 ( misalnya min_sup = 3/11=27,3%. Set dari 1-itemset, L1, dapat ditentukan yaitu semua calon 1-itemset yang memenuhi minimum support. Table 11. C1 dan L1 Untuk mencari 1itemset C1 L1 Juml Item Penyakit Juml Item Pasien Pasien Penyakit 2 Hypertensi 8 Dispepsya 8 Dispepsya 6 Anaemia 6 Anaemia 4 DM 4 DM 9 Febris 9 Febris 3 DHF 3 DHF 1 Thyphoid 2. Untuk menemukan 2-itemset, L2, algorima ini menggunakan pengkombinasian C1 dengan L1 untuk menghasilkan candidate set dari 2-itemset, C2. C2 merupakan hasil kombinasi dari L1. Penyakit yang ada dalam database D diperiksa dan support count dari setiap calon itemset yang ada di C2 ditambahkan, seperti yang diajukkan pada table. Tabel 12. C2 dan L2, Untuk mencari 2itemset C2 L2 Combinasi Count Combinasi count Hypertensi, Dispepsya Hypertensi, Anaemia Hypertensi, DM

2

Hypertensi, Febris Hypertensi, DHF

2

Hypertensi, Thypoid Dispepsya, Anaemia Dispepsya, DM

0

Dispepsya, Febris

6

Dispepsya, DHF

2

Dispepsya, Thypoid

1

200

0 0

0

4 1

Dispepsya, Anaemia Dispepsya, Febris Anaemia, Febris DM, Febris

4

Anaemia, DM

2

Anaemia, Febris

5

Anaemia, DHF

0

Anaemia, Thypoid DM, Febris

1

DM, DHF

2

DM, Thypoid

0

Febris, DHF

2

Febris, Thypoid

0

DHF, Thypoid

0

3. Set dari 2-itemset, L2, dapat ditentukan, yaitu semua candidate 2-itemset yang memenuhi minimum support. Proses untuk menghasilakan suatu set candidate dari 3itemset, C2, dijelaskan secara lebih detail pada table 10, 11, 12 Pertama dapatkan C3, yaitu dengan cara mengkombinasikan L2 dengan C2, maka menhasilkan { Dispepsya, Anemia, Febris}berdasarkan pada algoritma apriori, maka semua sumset dari frequent itemset diatas, harus juga frequent, dapat dipastikan kemudian ke-empat candidate terakhit tidak mungkin akan frequent. Oleh karena itu harus disingkirkan dari C3, dengan demikian dapat menghemat usaha yang tidak diperlukan untuk melakukan perhitungan terhadap database, ketika akan menentukan L3. Penyakit yang ada di D di periksa untuk menentukan L3, yaitu terdiri dari candidate 3-Itemset di C3 yang memenuhi minimum support yang sudah ditentukan. 4. Algoritma akan melakukan kombinasi antara C3 dengan L3 untuk menghasilkan candidate dari 4-itemset, C4. Dengan demikian , C4 ?, dan algoritma berhenti karena telah menemukan semua frequent itemset. Table 13. final proses 3-itemset Combination Count Dispepsya, Anemia, Febris 3 Dyspepsia, Febris, DHF 1

6 5 3

3

4.

Kesimpulan

Atas analisis dan pembahasan yang dilakukan pada Pola Data Penyakit Rumah Sakit dengan menerapkan Metode Association Rule Menggunakan Algoritma Apriori, maka dapat diambil kesimpulan sebagai berikut: 1. Metode Association Rule Menggunakan Algoritma Apriori dapat membantu Rumah Sakit untuk melakukan penelusuran pada data historis Penyakit untuk mengidentifikasi pola


2.

3.

4.

5.

data yang didasarkan pada sifat-sifat yang teridentifikasi sebelumnya. Penggunaan Metode Association Rule Menggunakan Algoritma Apriori sangat membantu dalam memperkirakan Penyakit Pasien yang harus ditangani oleh Rumah Sakit dalam periode yang akan datang. Penggunaan aplikasi Data Mining dapat membantu dalam pengambilan keputusan untuk pengklasifikasian untuk banyak data. Penggunaan Metode Association Rule Menggunakan Algoritma Apriori dalam menemukan penyakit telah menemukan semua frequent itemset untuk penyakit Dispepsya, Anemia, Febris sebanyak 3. Metode ini dapat diterapkan pada permasalahan yang berkaitan dalam pencarian informasi dimasa yang akan datang.

Daftar Pustaka [1] Abdallah Alashqur, “Mining Association Rule: A Database Perspective”, International Journal of Computer Science and Network Security, Vol 8 No. 12, December 2008, Page 69 – 74, HTTP:// paper.ijcsns.org/07_book/200812/20081211. pdf [2] D,Suryadi, (2001) Pengantar Data Mining, Andi, Yogyakarta [3] Kusrini (2007), “Penerapan Algoritma Apriori pada Data Mining untuk Mengelompokkan Barang Berdasarkan Kecenderungan Kemunculan Bersama dalam Satu Transaksi”, Page 1 – 16, HTTP://dosen.amikom.ac.id/.../Publikasi%2 0Apriori-Kusrini_Feb-07_.pdf [4] Susanto. (2010). Pengantar Data Mining. Informatika. Jakarta [5] Therling K. (2006).“ An Introduction to DataMining: Discovering hidden value in your data warehouse”, www.thearling.com, diakses tanggal 21 Mei 2013.

201


APLIKASI KALKULATOR AIR SOLUSI UNTUK MENGETAHUI KEBUTUHAN CAIRAN DALAM TUBUH BERBASIS ANDROID I Komang Setia Buana1, I Ketut Dedy Suryawan2 1,2

Sistem Komputer, STMIK STIKOM Bali Jln Raya Puputan Renon No 86, Denpasar - Bali 1 buana@stikom-bali.ac.id, 2 dedy_meng@stikom-bali.ac.id 3

Abstrak Cairan merupakan kebutuhan terpenting dari tubuh manusia. Hampir 90% penyusun tubuh manusia adalah air. Kebutuhan cairan sehari-hari pada setiap orang bisa berbeda, tergantung kondisi tubuh, usia, jenis kelamin, suhu lingkungan, jenis makanan yang dikonsumsi, maupun jenis aktivitasnya. Sebagai contoh, orang yang banyak melakukan aktivitas fisik seperti olahragawan akan berbeda kebutuhannya akan cairan dibandingkan dengan orang kantoran yang lebih banyak duduk. Kelompok usia lanjut yang tidak aktif memiliki kebutuhan cairan lebih sedikit dibandingkan orang dewasa yang masih sangat aktif secara fisik. Berdasarkan permasalahan diatas maka peneliti membuat sebuah aplikasi android yang berfungsi untuk menghitung kebutuhan cairan tubuh berdasarkan rumus dari referensi yang sesuai. Untuk input data awal, user perlu memasukkan usia, jenis kelamin, kriteria aktivitas yang sedang dilakukan (aktivitas ringan, sedang, atau berat), dan suhu tubuh. Maka akan muncul tampilan kadar kebutuhan cairan tubuhnya. Untuk mengetahui apakah jumlah cairan yang masuk seimbang dengan jumlah cairan yang keluar dapat digunakan rumus dari jumlah cairan yang masuk sama dengan jumlah cairan yang keluar ditambah IWL (Insensible Water Loss). Awalnya user diminta untuk menginput data jumlah cairan yang masuk dengan memasukkan data jumlah air yang diminum, terapi cairan tambahan (misalnya infus), kandungan cairan dalam makanan pasien, volume obat-obatan yang sedang dipakai atau diminum. Setelah itu untuk jumlah cairan keluar, user diminta menginput data jumlah urine dalam 24 jam (jika urine tidak diukur, dapat diisi frekuensi buang air kecil dalam 24 jam), kemudian buang air besar atau tidak dalam 24 jam terakhir, berapa kali buang air besar dalam 24 jam. Hasil akhirnya akan muncul kebutuhan cairan kita defisit (kurang) atau excess (berlebih). Kata kunci : cairan tubuh, IWL, android 1.

Pendahuluan

Cairan merupakan kebutuhan terpenting dari tubuh manusia. Hampir 90% penyusun tubuh manusia adalah air. Manusia dapat bertahan hidup selama 8 minggu tanpa makanan, namun tanpa air manusia hanya dapat bertahan selama 3-5 hari saja. Manusia sangat membutuhkan air untuk bisa bertahan hidup, karena setiap hari orang kehilangan cairan melalui keringat, urin, feses bahkan saat bernapas hingga 1,5 liter per hari (Potter & Perry, 2010). Air sangat penting untuk organ-organ dalam tubuh agar bisa bekerja dengan baik. Begitu pentingnya cairan bagi tubuh manusia hingga ketika manusia kekurangan cairan (atau disebut dengan dehidrasi) seperti misalnya pada keadaan diare, kepanasan, atau demam dapat menyebabkan kematian yang mendadak. Risiko utama orang hidup tanpa air dan kondisi panas adalah suhu tubuh akan terus meningkat dan orang tersebut bisa mengalami ‘heat stroke’. Tapi jika orang tersebut minum air maka menurunkan suhu inti dan dapat mendinginkannya. Orang yang kehilangan banyak cairan akan ditandai dengan mulut kering, mata cekung, jantung berdetak cepat, mudah

202

tersinggung, muntah dan diare. Tahap akhir dari dehidrasi adalah tubuh mengalami shock yang ditandai dengan kulit biru keabu-abuan dan dingin jika disentuh. Kebutuhan cairan sehari-hari pada setiap orang bisa berbeda, tergantung kondisi tubuh, usia, jenis kelamin, suhu lingkungan, jenis makanan yang dikonsumsi, maupun jenis aktivitasnya. Sebagai contoh, orang yang banyak melakukan aktivitas fisik seperti olahragawan akan berbeda kebutuhannya akan cairan dibandingkan dengan orang kantoran yang lebih banyak duduk. Kelompok usia lanjut yang tidak aktif memiliki kebutuhan cairan lebih sedikit dibandingkan orang dewasa yang masih sangat aktif secara fisik. Orang yang mengalami gangguan ginjal sangat dibatasi asupan cairannya dibanding mereka yang ginjalnya sehat. Karena itulah setiap orang hendaknya memahami kebutuhan cairan tubuhnya masing-masing, sesuai dengan kondisinya sehingga diperlukan seuah aplikasi yang dapat memudahkan masyarakat untuk menghitung kebutuhan cairannya (Sulakhe, Thakare, & Aute, 2013).


2.

Metode Penelitian 2.1

Alur Analisis Aplikasi Kalkulator air adalah aplikasi sederhana yang membantu anda dalam menghitung konsumsi air yang harus diminum per hari dan menghitung kebutuhan cairan kita. Hasil penghitungan dapat disimpan dan dapat dilihat kembali pada menu Riwayat. Dibawah ini adalah flow chart system kerja aplikasi. Sistem Kerja Apliaksi: a. Kebutuhan cairan ideal start

Inputkan usia, jenis kelamin, aktifitas yang sedang dilakukan, berat badan, dan suhu

Perhitungan rumus kebutuhan cairan tubuh

Hasil perhitungan cairan

Untuk input data awal, user perlu memasukkan usia, jenis kelamin, kriteria aktivitas yang sedang dilakukan (aktivitas ringan, sedang, atau berat), berat badan dan suhu tubuh. Maka akan muncul tampilan kadar kebutuhan cairan tubuhnya. Untuk mengetahui apakah jumlah cairan yang masuk seimbang dengan jumlah cairan yang keluar dapat digunakan rumus dari jumlah cairan yang masuk sama dengan jumlah cairan yang keluar ditambah IWL (Insensible Water Loss). Awalnya user diminta untuk menginput data jumlah cairan yang masuk dengan memasukkan data jumlah air yang diminum, terapi cairan tambahan (misalnya infus), kandungan cairan dalam makanan pasien, volume obat-obatan yang sedang dipakai atau diminum. Setelah itu untuk jumlah cairan keluar, user diminta menginput data jumlah urine dalam 24 jam (jika urine tidak diukur, dapat diisi frekuensi buang air kecil dalam 24 jam), kemudian buang air besar atau tidak dalam 24 jam terakhir, berapa kali buang air besar dalam 24 jam. Hasil akhirnya akan muncul kebutuhan cairan kita defisit (kurang) atau excess (berlebih) (Sulakhe, Thakare, & Aute, 2013) 2.1.1 Diagram Unified Modeling Language (UML) Berikut ini adalah diagram-diagram yang merepresentasikan rancangan dari modul yang akan dibuat, meliputi use case diagram, activity diagram, class diagram, dan sequence diagram (DiMarzio, 2008)

Stop a. b.

Konsumsi cairan harian start Inputkan cairan yang masuk

Inputkan cairan yang keluar

Use case diagram Use case diagram menggambarkan fungsionalitas yang diharapkan dari sebuah sistem. Yang ditekankan adalah “apa” yang diperbuat sistem, dan bukan “bagaimana”. Dapat dilihat bahwa ada sebuah actor yaitu user , dimana user memiliki 4 aktifitas yang dapat dilakukan, yaitu melakukan pencarian hasil dari kebutuhan cairan ideal yang didapat dari perhitungan (Murphy, 2011). Kemudian yang kedua mengetahui berapa konsumsi cairan yang anda minum. Selain itu user juga bisa melihat riwayat dari perhitungan sebelumnya. Dibawah ini merupakan usecase diagram dari aplikasi ini

Perhitungan rumus cairan harian

Hasil perhitungan cairan harian Stop

203


d.

Class diagram class diagram dari aplikasi ini terdapat 6 class. Class KalkulatorAir merupakan kelas utama yang akan dipanggil terlebih dahulu, kemudian kelas utama tersebut akan memanggil kelas lain sesuai dengan reques dari user.

b.

Activity diagram Activity diagram dari aplikasi ini, dimulai dari menu utama (kalkulator air) sampai aplikasi ditutup. Terlihat pada gambar dibawah, user bisa melakukan proses untuk mendapatkan kebutuhan cairan ideal, konsumsi cairan harian, berita kesehatan dan dapat membuka menu tentang (about).

3.


3.1 Menu utama (Kalkulator Air) Tampilan menu utama merupakan tampilan utama dari sistem. Pada saat pertama kali dibuka, akan memunculkan tampilan ini. Pertama kali masukan nama user si pengguna. Fungsi memasukan user adalah supaya data nama tersebut bisa dilihat di menu riwayat yang akan digunakan untuk mengetahui riwayat-riwayat siapa saja yang pernah menggunakan aplikasi tersebut. Riwayat disimpan hanya pada platform tersebut dan juga ketika aplikasi diinstal ulang, riwayat tadi akan dihapus. Setelah melakukan pengisian nama. Pilih salah satu radio button dan tekan proses. Jika di tekan keluar maka aplikasi akan keluar. c.

Sequence Diagram

Sequence diagram dari aplikasi yang dibuat menceritakan proses yang dialami sistem. Pertama kali user akan masuk ke menu KalkulatorAir. Dalam menu tersebut terdapat pilihan untuk mencari nilai kebutuhan cairan ideal, mengetahui konsumsi carian harian, melihat informasi berita kesehatan, riwayat, dan ada juga pilihan tentang aplikasi (about).

204


3.2 Kebutuhan Cairan Ideal Kebutuhan cairan ideal merupakan menu yang digunakan untuk mendapatkan cairan ideal yang dibutuhkan tubuh kita. Untuk mendapatkan hasil, user harus memasukan tinggi badan, usia, memilih jenis kelamin, aktivitas yang dilakukan, berat badan, dan suhu tubuh.

Rumus 3 terlihat dibawah ini AKTIVITAS

FAKTOR AKTIVITAS

Ringan 1,56 - Laki-laki 1,55 - Perempuan Sedang 1,76 - Laki-laki 1,70 - Perempuan Berat 2,10 - Laki-laki 2,00 - Perempuan (4) AMB laki-laki : 66,5+(13,7XBB)+(5,0XTB)-(6,8Xumur) AMB perempuan : 65,5+(9,6XBB)+(1,8XTB)-(4,7Xumur) Total Kalori (kkal) : Faktor aktivitas X AMB *Kebutuhan cairan : 1 kkal Total Kalori : 1 ml cairan Rumus 4 terlihat dibawah ini :

USIA < 17 TAHUN

Setelah dimasukan semua, lalu klik proses, maka terjadi perhitungan untuk mendapatkan jumlah kebutuhan cairan tubuh dengan rumus : Kebutuhan cairan ideal = (Rumus 1 + Rumus 2 + Rumus 3 + Rumus 4) / 4 + Rumus 5………….(1)

untuk 10 Kg pertama x 100ml untuk 10 Kg kedua x 50ml untuk 10 Kg selanjutnya x 25ml Contoh: Hitung kebutuhan cairan anak jika (5)BB 26 Kg Keb. Cairan : (10×100)+(10×50)+(6×25) : 1000+500+150 :1650 ml

USIA >17 TAHUN =50 X BB

Rumus 1. terlihat dibawah ini : Rumus 5 terlihat dibawah ini :

USIA < 17 TAHUN untuk BB ≤10 Kg pertama x 100 untuk BB 11-20kg1000+50x(20-BB) (2)untuk BB 21-70kg 1500+20x(70-BB) Contoh: Hitung kebutuhan cairan anak jika BB 26 Kg Keb. Cairan

SUHU NORMAL 36-37,5 C jika suhu tubuh meningkat lebih dari normal (6)maka kebutuhan cairan di tambah 12% nya Rumus = (suhu tubuh-37,5)X 12% X rata2 jumlah kebutuhan per hari

: 1500+20x(70-26) : 1500+880 : 2380 ml

USIA >17 TAHUN =50 X BB

Untuk rumus 5, ketika suhu tubuh normal ataupun dibawah normal, untuk menghitung cairan ideal, rumus 5 diabaikan.

*BB = berat badan Rumus 2 terlihat dibawah ini : Pria Rumus 2 = 57 % X BB Wanita Rumus 2 = 55 % X BB

Dalam pengujiannya, diambil 3 orang sebagai sample dengan hasil seperti dibawah ini : (3)

205


Jika di klik proses akan muncul hasil dari kebutuhan cairan ideal

206



KONSUMSI CAIRAN HARIAN CAIRAN MASUK MINUM 1 gelas= 240 ml MAKAN MAKANAN BERKUAH DALAM 1 HARI 1 kali makan=100 ml CAIRAN INFUS YA, ML/HARI  TIDAK KONSUMSI CAIRAN HARIAN CAIRAN KELUAR BUANG AIR KECIL 1 kali BAK=200 ml BUANG AIR BESAR 1 kali BAB=500 ml MUNTAH 1 kali muntah=50 ml DRAIN YA, ML/HARI  TIDAK


IWL = 15 ML X BB KONSUMSI CAIRAN HARIAN ANDA =JUMLAH CAIRAN YANG MASUK-(JUMLAH CAIRAN YANG KELUAR+IWL)

4.


4.1 Kesimpulan Kesimpulan yang dapat diambil dari penelitian ini adalah : 1. Aplikasi kalkulator air, berjalan lancar di sistem operasi android 4.0 2. Dengan menggunakan aplikasi kalkulator air, penghitungan kubutuhan cairan menjadi lebih mudah 3. Dengan menggunakan aplikasi ini, dapat mengetahui konsumsi cairan perhari.

3.3 Konsumsi Cairan Harian Konsumsi cairan harian ini digunakan untuk Mengetahui konsumsi cairan harian anda. Rumus untuk mencari konsumsi cairan harian adalah sebagai berikut :

4.2 Saran Saran yang dapat diberikan untuk penelitian ini adalah : 1. Design tampilan perlu dibuat lebih menarik lagi 2. Adanya web service yang digunakan untuk memanipulasi data, sehingga selain melakukan perhitungan, adanya informasi-informasi yang penting bagi user, bisa dimasukan kesana.

207


3.

5.

Adanya penambahan kasus, selain melakukan penghitungan kebutuhan cairan dan konsumsi cairan perhari, juga ditambah untuk melakukan perhitungan untuk penggantian cairan, kebutuhan cairan untuk pasien gagal jantung, gagal ginjal dan diare.

Daftar Pustaka

Khodja, M., Khodja-Saber, M., Canselier, J.P., Cohaut, N., & Bergaya, F. (2010). Drilling fluid technology: performances and environmental considerations. Intech Journal, Vol. 307, pp. 53-978 Sulakhe, V.N., Thakare, C.Y., & Aute, P.V. (2013). Fluid and its application. International Journal of Research in Aeronautical and Mechanical Engineering, Vol. 1, Issue 7, pp. 125-133 Bhimani, V.L., Rathod, P.P., & Sorathiya, A.A. (2013). Experimental study of heat transfer enhancement using water based nanofluids. International Journal of emerging Technology and Avance Engineering, Vol. 3, Issue 6. Kadir, Abdul. (2008). Dasar Pemrograman Java 2. Andi: Yogyakarta. Irawan. (2012). Membuat aplikasi android untuk orang awam. Maxikom: palembang. Potter & Perry (2009). Fundamental of nursing. Elsevier Mosby : USA.

208

Buud, Timoty (2009). Understanding ObjectOriented Programming With Java. Material : USA DiMarzio, J.F. (2008). Android: A Programmer's Guide. New York: Mc Graw Hill Murphy, M.L. (2011). Android Programming Tutorials. USA: Commons Ware Blackmon, MD (2012). 10 Useful apps for everyday pediatric use. Pediatric Annals Journal, Vol. 41, Issue 5, pp. 209-211 Tran, J., Tran, R., & White, J.R. (2012). Smartphone-based glucose monitors and applications in the management of diabetes: an overview of 10 salient "apps" and a novel smartphone-connected blood glucose monitor. Clinical Diabetes Journal, Vol. 30, No. 4., pp. 173-178 Forget, P. (2013). Non-invasive fluid responsiveness monitoring: Patients selection considerations. Saudi Journal Anaesthest, Vol. 7, pp. 227-228 Arya, V.K. (2012). Basics of fluid and blood transfusion therapy in paediatric surgical patients. Indian Journal anaesthest, Vol. 56, pp. 454-462. Chan, B. (2012). Pedi QuikCalc app is true to its name, a quick and easy medical calculator for pediatricians. iMedicalApps Journal. Rehrer, N. J., and L. M. Burke. Sweat losses during various sports. Australian Journal of Nutrition and Dietetics. 53(4): S13-S16, 1996.


ANALISIS PERBANDINGAN TINGKAT MATURITY LEVEL SISTEM OTOMASI PERPUSTAKAAN BERBASIS OPENSOURCE DAN PROPRIETARY MENGGUNAKAN FRAMEWORK COBIT 5.0 (STUDY KASUS : PERPUSTAKAAN STMIK POTENSI UTAMA) Fhery Agustin Program Studi Sistem Informasi, STMIK Potensi Utama Jl. K.L. Yos Sudarso Km. 6.5 No. 3A Tanjung Mulia - Medan fhery@potensi-utama.ac.id Abstrak Sistem otomasi perpustakaan telah menjadi bagian penting dalam penyelenggaraan pendidikan. Sehingga tingkat kelayakannya pun perlu untuk diuji agar mahasiswa mendapatkan pelayanan dan manfaat terbaik dari implementasi sistem otomasi perpustakaan tersebut. STMIK Potensi Utama telah menggunakan 2 jenis sistem otomasi perpustakaan, yang berbasis opensource (2010-2012) dan kemudian diganti menjadi berbasis proprietary (2012-2014). Namun kelayakan kedua sistem otomasi perpustakaan tersebut belum pernah diuji. Sehingga penggantian sistem berbasis opensource ke proprietary pun hanya berdasarkan kepentingan bisnis semata, bukan berdasarkan perhitungan analisis kelayakan. Penelitian ini mencoba melakukan perhitungan analisis kelayakan berdasarkan tingkat maturity level dengan menggunakan COBIT 5.0 sehinggan dapat diketahui secara matematis, sistem mana yang lebih layak untuk diterapkan di STMIK Potensi Utama. Hasil penelitian menunjukkan nilai maturity level sistem otomasi perpustakaan berbasis opensource memperoleh point 2,9923 sedangkan sistem yang berbasis proprietary 3,0423. Sehingga sistem otomasi perpustakaan yang dianggap layak untuk diterapkan di STMIK Potensi Utama adalah Proprietary, meskipun gap antara keduanya cukup kecil hanya 0,05 dan keduanya telah melampaui standar internasional yang berada pada skala 2,5 serta telah mencapai level Defined. Kata Kunci : Sistem otomasi perpustakaan, Opensource, Proprietary, Framework COBIT 5.0, Maturity Level. 1.

Pendahuluan

STMIK Potensi Utama telah menerapkan Sistem Otomasi Perpustakaan sejak tahun 2010 hingga sekarang. Selama masa 4 tahun tersebut, terdapat 2 jenis sistem otomasi yang telah digunakan, yaitu : a. Sistem Otomasi Perpustakaan Berbasis Opensource (2010-2012) b. Sistem Otomasi Perpustakaan Berbasis Proprietary (2012-2014)

Gambar 1. Aplikasi Perpustakaan STMIK Potensi Utama Berbasis Opensource

Sistem otomasi opensource yang digunakan adalah SliMS (Senayan Libary Management System). Merupakan sebuah sistem yang bersifat bersifat gratis dan berbasis opensource di bawah lisensi GPL versi 3. Aplikasi ini menggunakan bahasa pemrograman PHP dan database Mysql. Fitur-fitur yang dimiliki SliMS diantaranya adalah bibliografi database, fungsi sirkulasi, manajemen keanggotaan, dan lain sebagainya yang dapat memenuhi kebutuhan tugas-tugas pustaka. Pada tahap awal, SLiMS dirancang oleh Pepustakaan Depdiknas dan terus mengalami perkembangan hingga saat ini. Release terbaru dari aplikasi ini adalah SliMS 7 – Cendana. [1]

Kemudian setelah 2 tahun berjalan, STMIK Potensi Utama mengganti Sistem Otomasi Perpustakaannya menjadi berbasis Proprietary dengan memesannya pada sebuah perusahaan software. Istilah proprietary software merujuk kepada aplikasi yang memiliki hak cipta, sehingga untuk dapat menggunakannya dibutuhkan lisensi dengan membelinya kepada pihak pemilik hak cipta tersebut. Proprietary software adalah perangkat lunak komputer berlisensi di bawah hak hukum eksklusif dari pemegang hak cipta dengan maksud bahwa lisensi diberikan hak untuk menggunakan perangkat lunak hanya dalam kondisi tertentu, dan dibatasi

209


dari penggunaan lain, seperti modifikasi, berbagi, belajar , redistribusi, atau reverse engineering. Biasanya kode sumber dari perangkat lunak tersebut tidak tersedia. [2]

bisnis, kontrol, dan teknis. Hal-hal yang berkaitan dengan COBIT dapat diakses melalui http://www.isaca.org. [5] Versi COBIT sendiri diawali pada tahun 1996 dan terus mengalami perkembangan mengikuti kebutuhan stakeholder dan jangkauan atau scope audit terhadap sistem informasi secara lebih luas. COBIT versi terbaru adalah COBIT 5.0 yang dirilis pada tahun 2012.

Gambar 2. Aplikasi Perpustakaan STMIK Potensi Utama Berbasis Proprietary Kedua aplikasi tersebut telah digunakan masing-masing selama 2 tahun di STMIK Potensi Utama. Berdasarkan evaluasi yang telah dilakukan oleh user, dalam hal ini pustakawan di STMIK Potensi Utama. Ternyata masing-masing aplikasi memiliki kelebihan dan kekurangannya masing-masing, sehingga sulit untuk menentukan aplikasi mana yang dianggap lebih baik. Hal ini sangat penting untuk pengembangan perpustakaan STMIK Potensi Utama di masa yang akan datang. Apakah akan terus menggunakan Proprietary atau kembali ke Opensource ? Berdasarkan hal tersebut di atas, maka penelitian ini akan mengkaji tingkat kematangan atau maturity level dari kedua sistem otomasi tersebut dengan menggunakan Framework COBIT 5.0. Sehingga dapat diketahui sistem mana yang lebih unggul. 2.

Tinjauan Pustaka

2.1. Konsep Dasar COBIT COBIT adalah sebuah kerangka kerja yang mengkombinasikan pemikiran modern dalam pengelolaan perusahaan dan teknik manajemen, serta menyajikan konsep yang dapat diterima secara global, praktek penggunaan alat-alat analisis serta pemodelan untuk meningkatkan nilai dan kepercayaan terhadap sebuah sistem informasi. [3] Control Objectives For Information and Related Technologi (COBIT) merupakan suatu metode dalam penerapan IT Governance menggunakan beberapa kontrol objective dalam pelaksanaan audit. Secara lebih spesifik COBIT diperuntukkan bagi audit Sistem Informasi yang diterapkan pada sebuah organisasi. [4] COBIT juga berupa dokumentasi serta panduan yang dalam IT governance untuk membantu auditor, manajemen, dan user dalam menjembatani gap atau pemisah antara resiko

210

Gambar 3. Versi COBIT Framework. [6]

2.2. Kerangka Kerja COBIT 5 COBIT 5.0 dibagi menjadi dua area, yaitu : Governance of IT Process dan Management of Enterprise IT. Kedua area tersebut masih dibagi lagi ke dalam lima buah domain dengan total 37 proses. [7]

No.

Tabel 1. Area COBIT 5 Area Domain

1

Governance of IT Process

2

Management of Enterprise IT

Total

Evaluate, Direct, and Monitor (EDM) Align, Plan, and Organise (APO) Build, Acquire, and Implement (BAI) Deliver, Servive, and Support (DSS) Monitor, Evaluate, and Assess (MEA)

Jumlah Proses 5

13

10

6

3

37

Sedangkan 37 proses tersebut terlihat pada gambar berikut :


2.3. Maturity Model Merupakan sebuah metode untuk mengukur tingkat atau level pengembangan manajemen proses, yaitu mengukur sejauh mana kapabilitas manajemen berdasarkan pencapaian tujuan COBIT. Tingkat maturity level dapat dilihat pada tabel berikut :

Gambar 4. Domain Process COBIT 5.0. [8] Untuk lebih jelasnya, Domain Process dari COBIT 5.0 seperti ditampilkan pada tabel berikut : Tabel 2. Domain Process COBIT 5.0. [8] No Dom Proses . ain 1 ED M 2

APO

Gambar 5. Level of Maturity Model. [9] Masing-masing level dijelaskan seperti berikut : [8]

tersebut

dapat

a. Initial, terdiri dari : Maturity Process : biasanya masih bersifat ad hoc dan masih kacau. Hasil dari proses tidak bisa ditebak, sering melebihi alokasi anggaran dan keterlambatan jadwal. Terdapat kecenderungan untuk meninggalkan proses pada saat krisis. Automotion Maturity : Tidak ada otomatisasi proses atau bahkan kegiatan, sehingga proses yang berulang tidak terkontrol dan lambat.

3

BAI

4

DSS

5

ME A

Pada proses audit ataupun pengukuran terhadap implementasi sistem informasi dapat digunakan semua atau sebagian indikator saja, disesuaikan dengan tujuan dan scope audit yang ingin dicapai.

Collaboration Maturity : ditandai dengan yang kurangnya komunikasi ad-hoc dan koordinasi antara tim. Peran dan tanggung jawab tim tidak didefinisikan dengan baik. Tim memberikan informasi melalui saluran komunikasi formal. Keputusan dibuat secara independen oleh pihak yang bertanggung jawab pada proses dan kemudian dikomunikasikan kepada tim lain. b. Managed, terdiri dari : Maturity Process : proses dikelola tapi tidak standar di seluruh proyek atau bahkan di seluruh tahapan siklus hidup yang berbeda dari proyek yang sama. Standar, deskripsi dan prosedur proses dapat bervariasi dalam setiap contoh spesifik dari proses (yaitu dalam kelompok kerja yang berbeda). Automotion Maturity : sebuah proses didokumentasikan dan sebagian otomatis. Terdapat siled (tugas proses vs) otomatisasi tanpa infrastruktur pusat.

211


Collaboration Maturity : pertemuan rutin diadakan, rilis dikomunikasikan dan dikoordinasikan antara pembangunan dan operasi. Tim berbagi informasi dan - dalam beberapa kasus - bahkan sumber daya, peran para pemangku kepentingan didefinisikan dengan baik. Sering terjadi komunikasi antara tim. Terdapat beberapa pengambilan keputusan bersama, tapi sebagian besar keputusan masih diambil secara terpisah, dan dikoordinasikan atau dikomunikasikan setelah itu dengan tim lain.

rekomendasi untuk institusi berupa : “diperlukannya pemanfaatan sistem informasi untuk pengelolaan asset dan aktifitas perawatannya”. [6] Perbedaan penelitian ini dengan penelitian penulis terletak pada objek yang dibandingkan, dimana pada penelitian ini yang dibandingkan adalah kondisi sebelum dan sesudah penerapan tata kelola. Sedangkan pada penelitian penulis membandingkan antara 2 sistem informasi yang sama-sama telah diterapkan. Sehingga dapat diketahui mana yang lebih baik berdasarkan pengukuran tingkat maturity levelnya.

c. Defined, terdiri dari : Maturity Process : terdapat penilaian berkelanjutan dari keseluruhan proses (sebagai lawan optimalisasi kegiatan terpisah) yang bertujuan untuk mencapai tujuan bisnis dengan biaya dan resiko minimal.

b. Penelitian yang dilakukan oleh Indah Mayang Sari, Ahmad Holil Nur Ali, dan Indah Kurnia tentang metode evaluasi kematangan proyek menggunakan COBIT 5 domain BAI 1.11 DAN MEA 1.04 dengan Best Practice PMBOK 4th. Analisa yang digunakan dalam penelitian ini adalah PMBOK 4th dan COBIT 5 Framework untuk memperoleh point objektif antara keduanya untuk melakukan evaluasi tehadap tingkat kematangan proyek pada DPSI Bank Indonesia. Nilai maturity level yang dihasilkan pada penelitian ini mencapai angka 0,221 yang berarti lebih tinggi jika dibandingkan dengan penelitian yang pernah dilakukan sebelumnya. Penelitian terdahulu yang dimaksudka tersebut hanya dengan menggunakan PMBOK 4TH. [7] Perbedaan penelitian ini dengan penelitian penulis terletak pada metode analisa yang digunakan, dimana penelitian penulis hanya menggunakan COBIT 5 Framework untuk mengevaluasi tingkat maturity levelnya.

Automotion Maturity : terdapat perbaikan secara terus-menerus dari proses otomatis dengan menggunakan analisis metrik, pembelajaran mandiri dan perbaikan mandiri. Otomatisasi self-service yang diberikan kepada pemangku kepentingan yang berbeda dalam organisasi. Collaboration Maturity : kolaborasi dioptimalkan untuk keefektifan dan kesinambungan dalam berbagi pengetahuan serta pemberdayaan individu. Berdasarkan maturity model tersebut, maka dapat diidentifikasi sistem informasi yang diimplementasikan pada suatu organisasi sesungguhnya berada di level mana. Sehingga dapat diukur tingkat kematangannya.

3. Penelitian Rujukan Terdapat beberapa penelitian rujukan yang menggunakan Framework COBIT untuk mengukur tingkat maturity level terhadap penerapan dan pengelolaan sistem informasi. Adapun penelitian-penelitian tersebut, antara lain : a. Penelitian yang dilakukan oleh Fransiskus Adikara tentang penggunaan COBIT 5 pada pengelolaan TI Laboratorium RPL di Universitas Esa Unggul. Penelitian ini bertujuan untuk menciptakan sebuah model tata kelola teknologi informasi (IT Governance) untuk perguruan tinggi di Indonesia dengan menggunakan COBIT 5. Sehingga dapat dievaluasi pencapaian yang diperoleh antara sebelum dan sesudah penerapan model tata kelola tersebut. Hasil akhir penelitian adalah

212

c.

Penelitian yang dilakukan oleh Agusriandi dan Idria Maita tentang perhitungan maturity level pada Universitas Islam Riau menggunakan COBIT 4.1 yang disampaikan pada KNSI 2013. Penelitian ini bertujuan untuk mengukur tingkat kematangan tata kelola penerapan Sistem Informasi Perpustkaan terhadap keselarasan tujuan organisasi. Sistem informasi perpustakaan yang dievaluasi adalah Senayan yang merupakan sistem otomasi perpustakaan berbasis opensource. Berdasarkan hasil pengujian, tingkat maturity levelnya berada pada posisi 3 (Defined) dan ternyata telah melampaui standar international maturity level untuk sistem informasi perpustakaan. [10] Perbedaan penelitian ini dengan penelitian penulis terletak pada versi framework COBIT yang digunakan. Penelitian ini menggunakan framework COBIT 4.1, sedangkan penelitian penulis menggunakan COBIT 5.0. Sedangkan persamaannya adalah bidang yang diteliti yaitu Sistem Otomasi Perpustakaan, dan pada penelitian penulis yang diuji salah satunya


adalah SLiMS (Senayan Library Management System). 4.

Metode Penelitian

Penelitian ini menggunakan mekanisme pengumpulan data dan mengikuti tahapan evaluasi yang sistematis sehingga hasil penelitian yang diperoleh memiliki tingkat legitimasi yang dapat dipertanggungjawabkan.

5.1. Hasil Berdasarkan hasil penyebaran kuesioner kepada 20 orang responden yang terlibat dengan implementasi sistem otomasi perpustakaan di STMIK Potensi Utama, maka diperoleh hasil sebagai berikut :

4.1. Teknik Pengumpulan Data Teknik pengumpulan data dilakukan dengan cara penyebaran kuesioner kepada pihakpihak yang berkaitan dengan implementasi sistem otomasi perpustakaan di STMIK Potensi Utama sebanyak 20 orang responden, yaitu terdiri dari : 2 orang pustakawan, 1 orang staff IT, 1 orang tenaga administrasi, 2 orang bagian akademik, 2 orang bagian keuangan, 3 orang kaprodi, 3 orang sekprodi, dan 6 orang mahasiswa. Pertanyaan yang diajukan pada kuesioner tersebut mengacu kepada domain process COBIT 5.0. 4.2. Tahapan Penelitian Tahapan penelitian yang digunakan dalam penelitian ini mengacu kepada studi perbandingan antara penerapan dua buah sistem otomasi perpustakaan dengan menggunakan analisa COBIT 5.0. Adapun tahapan penelitian tersebut seperti berikut :

Tabel 4. Hasil Quesioner Sistem Otomasi Perpustakaan Berbasis Opensource

Identifikasi Masalah

Analisa Domain Process COBIT 5.0

Kuesioner Sistem Otomasi Perpustakaan Berbasis Opensource

Kuesioner Sistem Otomasi Perpustakaan Berbasis Proprietary

Perhitungan Maturity level

Analisa Perbandingan

Rekomendasi

Gambar 6. Tahapan Penelitian

5.

Hasil dan Analisa

Hasil yang dimaksud dalam penelitian ini meliputi perhitungan hasil kuesioner sehingga menghasilkan nilai maturity level dari implementasi sistem otomasi perpustakaan. Sedangkan analisa berisi pengujian perbandingan hasil maturity level antara sistem otomasi perpustakaan berbasis opensource dan proprietary.

Tabel 5. Hasil Quesioner Sistem Otomasi Perpustakaan Berbasis Proprietary

NB. Domain yang tidak berkaitan dengan implementasi sistem otomasi perpustakaan tidak diperhitungkan.

213


5.2. Analisa Perhitungan tersebut diperoleh dengan cara mencari nilai rata-rata dari masing-masing item kuesioner. Misalnya pada item quesioner yang pertama dari 20 orang responden yang menjawab, terdapat :  5 orang memberi skor 2  12 orang memberi skor 3  3 orang memberi skor 4 Maka hasil perhitungan rata-ratanya adalah : = (2*5+3*12+4*3)/20 = (10+36+12)/20 = 58/20 = 2,9 Kemudian total dari rata-rata keseluruhan dirata-ratakan kembali. Dari hasil perhitungan tersebut, maka dapat dibuat tabulasi tingkat maturity level dibandingkan dengan standar internasional sebesar 2,5. [10] Tabel 6. Analisa Maturity Level Nama Maturity Keterangan Level

N o . 1 Sistem Otomasi Perpustaka an Berbasis Opensourc e

2 Sistem Otomasi Perpustaka an Berbasis Proprietar y

214

2,9923 (Defined)

3,0423 (Defined)

Tingkat maturity level sistem otomasi perpustakaan berbasis opensource mencapai 2,9923 dapat digenapkan menjadi 3, yang berarti berada pada level Defined dan telah melampaui standar internasional. Tingkat maturity level sistem otomasi perpustakaan berbasis proprietary mencapai 3,0423 dan dapat digenapkan menjadi 3 juga, yang berarti juga berada pada level Defined. Berhasil melampaui standar internasional serta lebih tinggi hasilnya dibandingkan dengan sistem otomasi perpustakaan berbasis opensource meskipun gap-nya hanya 0,05.

Gambar 7. Grafik Maturity Level Grafik di atas menunjukkan nilai maturity level yang diperoleh oleh sistem otomasi perpustakaan berbasis opensource sebesar 2,9923. Sistem otomasi perpustakaan berbasis proprietary 3,0423 dan sistem otomasi berdasarkan standar internasional sebesar 2,5.

6.


Terdapat beberapa kesimpulan yang dapat diambil dalam penelitian ini, yaitu : a.

b.

c.

Tingkat maturity level sistem otomasi perpustakaan yang diterapkan di STMIK Potensi Utama berada pada level Defined, yang berarti proses terstandar dengan baik pada keseluruhan sistem. Terdapat prosesproses standar yang digunakan untuk menetapkan konsistensi di seluruh organisasi serta terdapat infrastruktur otomatis tersentralisasi yang mendukung proses secara menyeluruh. Nilai maturiy level sistem otomasi perpustakaan yang diterapkan di STMIK Potensi Utama, baik yang berbasis opensource (2,9923) maupun proprietary (3,0423) keduanya telah melampaui standar internasional (2,5) sehingga kedua sistem tersebut masih dianggap layak. Sistem otomasi perpustakaan berbasis proprietary memperoleh nilai maturity level yang lebih tinggi dibandingkan opensource. Sehingga sistem otomasi perpustakaan berbasis proprietary dianggap lebih layak (direkomendasikan) untuk digunakan. Meskipun gap antara keduanya cukup kecil, hanya sebesar 0,05.

Sementara saran yang dapat penulis berikan untuk pengembangan penelitian ini di masa yang akan datang adalah : 1.

Sebaiknya jumlah responden dari kalangan mahasiswa ditingkatkan dengan memperhatikan jumlah mahasiswa yang menjadi anggota perpustakaan.


2.

Diperlukan penyesuaian item-item pada domain process COBIT 5.0 agar sesuai dengan bidang kajian perpustakaan.

Daftar Pustaka [1] Blog SliMS, 2014. http://slims.web.id/web. Diakses tgl : 28 Maret 2014, Jam : 10.51 WIB. [2] Wikipedia, 2014. http://en.wikipedia.org/wiki/Proprietary_soft ware. Diakses tgl : 28 Maret 2014, Jam : 11.36 WIB. [3] Isaca, 2014. http://www.isaca.org/cobit/pages/default.asp x. Diakses tgl : 28 Maret 2014, Jam : 12.18 WIB. [4] Campbell, Philip L., 2005. A COBIT Primer. USA, Sandia National. [5] Gondodiyoto, Sanyoto, 2007, Audit Sistem Informasi + Pendekatan COBIT, Penerbit Mitra Wacana Media, Jakarta. [6] Adikara, Fransiskus, 2013. Implementasi Tata Kelola Teknologi Informasi Perguruan Tinggi Berdasarkan COBIT 5 Pada Laboratorium Rekayasa Perangkat Lunak Universitas Esa Unggul. SESINDO, Institut Teknologi Sepuluh November.

[7] Sari, Indah Mayang, et.all, 2013. Pembuatan Metode Evaluasi Kematangan Pelaksanaan Proyek dengan Menggabungkan COBIT 5 Domain BAI 1.11 dan MEA 1.04 dengan Best Practice PMBOK 4th. Studi Kasus : Direktorat Pengelolaan Sistem Informasi (DPSI) Bank Indonesia, Jurnal Teknik Pomits, Vol. 1 No.1. [8] Qualified Advice Partners. 2013. CobiT Domains and Processes (COBIT 5/4.1). http://www.qualified-auditpartners.be/index.php?cont=463, Diakses tgl : 29 Maret 2014, Jam : 10.28 WIB. [9] Topham, B, 2013. DevOps and OpsDev: How Maturity Model Works. http://h30499.www3.hp.com/t5/BusinessService-Management-BAC/DevOps-andOpsDev-How-Maturity-Model-Works/bap/6042901, Diakses tgl : 29 Maret 2014, Jam 11.13 WIB. [10] Agusriandi dan Idria Maita, 2013. Analisis Maturity Level Sistem Informasi Perpustakaan Dengan Framework COBIT 4.1 (Studi Kasus : Perpustakaan Universitas Islam Riau). KNSI 2013, STMIK Bumigora.

215


SISTEM PAKAR MENGIDENTIFIKASI GEJALA DEFISIENSI UNSUR HARA PADA TANAMAN KELAPA SAWIT Linda Wahyuni1, Surya Darma2, M. Rhifky Wayahdi3 1

Dosen STMIK Potensi Utama Mahasiswa Jurusan Sistem Informasi, STMIK Potensi Utama 1,2,3 STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Medan 1 linda_irsyad83@yahoo.co.id, 2 surya.darma_pu@yahoo.com, 3 rhifky.wayahdi@yahoo.com 2,3

Abstrak Kelapa sawit merupakan tumbuhan tropis yang tergolong dalam family Palmea dan berasal dari Afrika Barat. Meskipun demikian, dapat tumbuh di luar daerah asalnya termasuk Indonesia, tanaman dengan nilai ekonomis yang cukup tinggi ini merupakan salah satu tanaman penghasil minyak nabati, di samping itu salah satu hambatan utama dalam pembudidayaan kelapa sawit yaitu kekurangan atau defisiensi unsur hara tanaman. Melihat kondisi ini penulis membuat suatu aplikasi sistem pakar mengidentifikasi gejala defisiensi unsur hara pada tanaman kelapa sawit dengan metode forward chaining yang bisa digunakan sebagai pengganti pakar yang sebenarnya, hasil penelitian ini berupa program aplikasi sistem pakar yang mampu mengidentifikasi gejala defisiensi unsur hara pada tanaman kelapa sawit. Kata kunci : sistem pakar, defisiensi unsur hara, forward chaining, kelapa sawit. 1.

Pendahuluan

Kelapa sawit merupakan tumbuhan tropis yang tergolong dalam family Palmea dan berasal dari Afrika Barat. Meskipun demikian, dapat tumbuh di luar daerah asalnya, termasuk di Indonesia. Hingga kini tanaman ini telah diusahakan dalam bentuk perkebunan dan pabrik pengolahan kelapa sawit. Kelapa sawit merupakan tanaman dengan nilai ekonomis yang cukup tinggi karena merupakan salah satu tanaman penghasil minyak nabati. Bagi Indonesia, kelapa sawit memiliki arti penting karena mampu menciptakan kesempatan kerja bagi masyarakat dan sebagai sumber perolehan devisa negara. Salah satu tindakan perawatan tanaman yang berpengaruh besar terhadap pertumbuhan dan produksi tanaman adalah pemupukan. Pemupukan bertujuan untuk menambah ketersediaan unsur hara di dalam tanah terutama agar tanaman dapat menyerapnya sesuai dengan kebutuhan. Dengan pemupukan dapat meningkatkan produktivitas tanaman, kekurangan atau defisiensi unsur hara tanaman, dapat diketahui dari gejala-gejala yang tampak pada tanaman. Defisiensi unsur hara yang berlebihan dapat menurunkan produktivitas tanaman bahkan dapat menyebabkan kematian. [1] Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut [2], dalam hal ini adalah permasalahan mengidentifikasi

216

gejala defisiensi unsur hara pada tanaman kelapa sawit. Pada penelitian ini penulis melakukan penelitian untuk mengidentifikasi gejala defisiensi unsur hara pada tanaman kelapa sawit dengan metode forward chaining. Data yang tersimpan dalam database akan menginformasikan suatu keluhan dengan akurat dan dapat menyimpulkan kekurangan unsur hara pada tanaman kelapa sawit tersebut. 2.

Dasar Teori

2.1 Sistem Pakar Bidang sistem pakar merupakan penyelesaiaan pendekatan yang sangat berhasil dan bagus untuk permasalahan AI (Artificial Intelligent) klasik dari pemograman intelligent (cerdas). Sistem pakar (expert system) merupakan solusi AI bagi masalah pemrograman pintar (intelligent). Profesor Edward Feigenbaum dari Stanford University yang merupakan pionir dalam teknologi sistem pakar mendefinisikan sistem pakar sebagai sebuah program kamputer pintar (intelligent computer program) yang memanfaatkan pengetahuan (knowledge) dan prosedur inferensi (inference procedure) untuk memecahkan masalah yang cukup sulit sehingga membutuhkan keahlian khusus dari manusia. Dengan kata lain, sistem pakar adalah sistem komputer yang ditujukan untuk meniru semua aspek (emulates) kemampuan pengambilan keputusan (decision making) seorang pakar. Sistem pakar memanfaatkan secara maksimal


pengetahuan khusus selayaknya seorang pakar untuk memecahkan masalah. [3] 2.2 Manfaat Sistem Pakar Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain [4]: 7. Membuat seorang yang awam bekerja seperti layaknya seorang pakar. 8. Meningkatkan produktivitas akibat meningkatnya kualitas hasil pekerjaan, mengingkatnya kualitas pekerjaan ini disebabkan meningkatnya efisiensi kerja. 9. Menghemat waktu kerja. 10. Menyederhanakan pekerjaan. 11. Merupakan arsip terpercaya dari sebuah keahlian, sehingga bagi pemakai sistem pakar seolah-olah berkonsultasi langsung dengan sang pakar, meskipun mungkin sang pakar telah tiada. 12. Memperluas jangkauan, dari keahlian seorang pakar. Di mana sebuah sistem pakar yang telah disahkan, akan sama saja artinya dengan seorang pakar yang tersedia dalam jumlah besar (dapat diperbanyak dengan kemampuan yang persis sama), dapat diperoleh dan dipakai di mana saja. 2.3 Metode Forward Chaining Metode forward chaining adalah teknik pencarian yang dimulai dengan fakta yang diketahui, kemudian mencocokkan fakta-fakta tersebut dengan bagian IF dari rules IF-THEN. Bila ada fakta yang cocok dengan bagian IF, maka rule tersebut dieksekusi. Bila sebuah rule dieksekusi, maka sebuah fakta baru (bagian THEN) ditambahkan kedalam database. Setiap kali pencocokan, dimulai dari rule teratas. Setiap rule hanya boleh dieksekusi sekali saja. Proses pencocokan berhenti bila tidak ada lagi rule yang bisa dieksekusi.[5] 2.4 Sekilas Sejarah Kelapa Sawit Kelapa sawit pertama kali diperkenalkan di Indonesia oleh pemerintah Belanda pada tahun 1848. Ketika itu ada empat batang bibit kelapa sawit yang dibawa dari Mauritius dan Amsterdam dan ditanam di Kebun Raya Bogor. Tanaman kelapa sawit mulai diusahakan dan dibudidayakan secara komersial pada tahun 1911. Perintis usaha perkebunan kelapa sawit di Indonesia adalah Adrien Hallet, seorang Belgia yang telah belajar banyak tentang kelapa sawit di Afrika. Budi daya yang dilakukannya diikuti oleh K. Schadt yang menandai lahirnya perkebunan kelapa sawit di Indonesia. Sejak saat itu perkebunan kelapa sawit di Indonesia mulai berkembang. Perkebunan kelapa sawit pertama berlokasi di Pantai Timur Sumatera (Deli) dan Aceh. Luas areal perkebunannya mencapai 5.123 ha. Indonesia

mulai mengekspor minyak sawit pada tahun 1919 sebesar 567 ton ke negara-negara Eropa, kemudian tahun 1923 mulai mengekspor minyak inti sawit sebesar 850 ton.[1] 2.5 Pemupukan Salah satu tindakan perawatan tanaman yang berpengaruh besar terhadap pertumbuhan dan produksi tanaman adalah pemupukan. Pemupukan bertujuan untuk menambah ketersediaan unsur hara di dalam tanah terutama agar tanaman dapat menyerapnya sesuai dengan kebutuhan. Dengan pemupukan dapat meningkatkan produktivitas tanaman. Kekurangan atau defisiensi unsur hara tanaman, dapat diketahui dari gejala-gejala yang tampak pada tanaman. Defisiensi unsur hara yang berlebihan menurunkan produktivitas tanaman bahkan dapat menyebabkan kematian. Pemberian pupuk pada tanaman harus memperhatikan beberapa hal yang menjadi kunci keefektifan pemberian pupuk, waktu pemberian, serta jenis dan dosis pupuk. [1] 2.6 Keunggulan dan Manfaat Kelapa Sawit Berbagai hasil penelitian mengungkapkan bahwa minyak sawit memiliki keunggulan dibandingkan dengan minyak nabati lainnya. Menurut Yan Fauzi (2002) beberapa keunggulan minyak sawit, yaitu [1] : 1. Tingkat efisiensi minyak sawit tinggi sehingga mampu menempatkan CPO menjadi sumber minyak nabati termurah. 2. Produkivitas minyak sawit tinggi yaitu 3,2 ton/ha, sedangkan minyak kedelai, lobak, kopra, dan minyak bunga matahari masingmasing 0,34, 0,51, 0,57, dan 0,53 ton/ha. 3. Memiliki sifat yang cukup menonjol dibanding dengan minyak nabati lainnya, karena memiliki keluwesan dan keluasan dalam ragam kegunaan baik di bidang pangan maupun non pangan. 4. Sekitar 80% dari penduduk dunia khususnya di negara berkembang masih berpeluang meningkatkan konsumsi per kapita untuk minyak dan lemak terutama minyak yang harganya murah (minyak sawit). Menurut Yan Fauzi (2002), pemanfaatan minyak sawit yaitu [1]: 1. Minyak kelapa sawit untuk industri pangan, minyak kelapa sawit antara lain digunakan dalam bentuk minyak goreng, margarin, butter, dan bahan untuk membuat kue-kue. 2. Minyak kelapa sawit untuk industri nonpangan, dalam hal ini minyak kelapa sawit antara lain digunakan sebagai bahan baku untuk industri farmasi, kandungan minor antara lain karoten dan tokoferol sangat berguna untuk mencegah kebutaan (defisiensi

217


vitamin A) dan pemusnahan radikal bebas yang selanjutnya juga bermanfaat untuk mencegah kanker, arterosklerosis, dan memperlambat proses penuaan. Minyak kelapa sawit juga digunakan sebagai bahan baku oleokimia; sebagai bahan baku industri kosmetik, aspal, dan detergen, dll. 3.

Analisa dan Perancangan

Untuk mengidentifikasi gejala defisiensi unsur hara pada tanaman kelapa sawit perlu diketahui terlebih dahulu gejala-gejala yang timbul, Meskipun dari gejala klinis (gejala-gejala yang terlihat langsung). Ada 4 tabel untuk membantu Rule basis pengetahuan untuk gejala defisiensi unsur hara yaitu tabel gejala, tabel jenis defisiensi unsur hara, tabel penanganan defisiensi usur hara, table keputusan ( pada lampiran ). Adapun table tersebut dapat dilihat sebagai berikut : Tabel 1. Gejala Defisiensi Unsur Hara

Kode Gejala G001 G002

G003

G004

G005

G006 G007 G008 G009 G0010 G011

G012

218

Gejala Defisiensi Unsur Hara Warna daun menjadi pucat Warna daun hijau tua dan permukaannya terlihat mengkilap kemerah-merahan Warna di sekitar daun kuning terang serta klorosis terutama pada daun muda, tetapi tulang daun tetap hijau Daun kekuning-kuningan bahkan kemerah-merahan terutama pada daun yang agak tua-kondisi parah Tepi daun banyak timbul gejala klorosis dan menjalar ketulang daun Jaringan daun menjadi kering dan mati Kuncup daun yang masih muda sering mengalami kematian Helaian daun menjadi pendek dan keras Daun berbentuk pendek-pendek Pertumbuhan tanaman terhambat dan kerdil Bagian tepi daun, cabang, dan batang mengecil dan berwarna merah keunguan dan lambat laun berubah menjadi kuning Bagian pucuk akan banyak daun yang gugur dan mati

G013 G014 G015 G016 G017 G018 G019

G020 G021 G022 G023

G024 G025 G026 G027

G028 G029

G030 G031 G032 G033 G034 G035 G036 G037

Tanaman lambat berbuah Tanaman lambat pertumbuhan dan perkembangan Kualitas biji dan buah jelek, kecil, dan cepat masak Daun tua akan mengerut atau keriting Pada keadaan parah, tanaman menjadi layu dan mati Timbul klorosis pada tepi daun yang sudah tua Timbul bercak kuning transparan pada daun dan berubah merah kecoklatan serta mengering seperti hangus terbakar Rentan terhadap penyakit Kondisi yang berat, jaringan daun akan kering dan mati Daun kecoklat-coklatan dan merah keungu-unguan Pada kondisi yang berat, daun tua akan menguning secara merata tetapi tulang daun berwarna hijau Ukuran buah kecil-kecil Buah cepat rusak atau membusuk Pembentukan perakaran kurang sempurna Sering terjadi jaringan mati pada sisi pinggir helaian daun sampai ke masing-masing anak daun Daun muda berwarna kuning dan terkadang tidak merata Tanaman kerdil dan daun hijau kekuning-kuningan bahkan kemerah-merahan, tetapi tulang daun tetap hijau Pada kondisi berat, jaringan daun mati Pembentukan gizi tidak sempurna Daun menjadi klorosis dan bagian ujungnya berwarna putih Pertumbuhan tajuk mengering atau membelok Ujung pelepah melingkar dan membuka Kuncup daun muda sulit membuka dan pelayuannya cepat Daun yang baru muncul bentuknya kerdil dan berkerut Daun dan pelepah mengering


Tabel 2. Jenis Defisiensi Unsur Hara

Kode Kekurang an Unsur Hara J001 J002 J003 J004 J005 J006 J007 J008 J009 J010 J011

Jenis Defisiensi Unsur Hara Defisiensi Nitrogen (N) Defisiensi Fosfor (P) Defisiensi Besi (Fe) Defisiensi Kalium (K) Defisiensi Kalsium (Ca) Defisiensi Magnesium (Mg) Defisiensi Sulfur (S) Defisiensi Mangan (Mg Defisiensi Tembaga (Cu) Defisiensi Seng (Zn) Defisiensi Boron (B)

S006

S007

S008 Tabel 3. Penanganan Defisiensi Unsur Hara

Kode Penanga nan Penanganan Defisiensi Unsur Defisien Hara si Unsur Hara Aplikasi pupuk secara merata S001

S002

S003

S004

S005

dipinggiran pada saat kondisi tanah lembab, tambah urea pada tanaman kelapa sawit, kendalikan gulma Berikan pupuk P secukupnya pada masa pembibitan, waktu penanaman di lahan dan selama masa TBM, baik kelapa sawit maupun LCC untuk membangun persediaan phospat dalam tanah. RP dapat diberikan secara besar-besaran 1 ton/ha pada LCC. Dengan menambahkan pupuk organik yang tinggi, pemberian pupuk organik cair untuk pemupukan susulan, serta penyemprotan pupuk daun dengan kandungan mikro lengkap. Memberikan pemupukan K yang cukup, mendaur ulang K yang terambil sebagai produksi, berupa pemupukan dengan abu tandan atau mulching dengan tandan kosong, Mulching dengan tandan kosong sangat diutamakan pada tanah berpasir, guna membangun daya simpan tanah terhadap makanan yang diberikan Dengan menambahkan pupuk kimia kieserite, menambahkan pupuk kapur

S009

S010

S011

dolomite (Mg=18%), serta pupuk daun yang mengandung unsur Mg. Aplikasi Pupuk Mg dengan dosis yang cukup dapat memperbaiki tekstur tanah, Aplikasi Pupuk Mg secara merata pada pinggir piringan, pencegahan erosi terutama pada tanah berpasir dengan curah hujan yang tinggi, pada tanah yang beraksi sangat masam dolomite dipakai sebagai sumber utama pupuk Mg, karena ada efek samping menaikkan pH tanah, bagaimanapun juga sebenarnya kiesrite lebih mudah tersedia bagi tanaman Dengan menambahkan pupuk kimia ZA (S=20%), Phonska(S=10%), serta pupuk daun yang mengandung unsur S. Dengan menambahkan pupuk kimia kieserite, kapur dolomite (Mg=18%), serta pupuk daun yang mengandung unsur Mg. Inspeksi lapangan agar gejala awal dapat terdeteksi secara dini, defisiensi Cu di Nursery dilakukan drenching dengan 0.05 % larutan CuSO4 (0.5 gram dalam 1 liter air), pemupukan koreksi terhadap defisiensi K pada tanah gambut maupun tanah berpasir, dapat memperbaiki pengambilan Cu, basahi tajuk dengan 200 ppm Cu SO4. Pemberian pupuk lewat tanah sebaiknya dilakukan saat tanaman masih muda, sebelum gejala kekurangan Zn terlihat, menambahkan pupuk organic yang tinggi, pemberian pupuk organic cair untuk pemupukan susulan, penyemprotan pupuk daun dengan kandungan mikro lengkap Memberikan pemupukan HGF Borate sebanyak 100 – 200 gram/pokok/tahun, berikan HGF Borate pada pangkal batang atau pada ketiak daun/pelepah.

1.

Desain Sistem Perancangan desain sistem yang akan dibangun menggunakan pemodelan Unified Modelling System ( UML ). Diagram-diagram yang digunakan kali ini hanya use case diagram saja. Use Case Diagram Diagram ini menggambarkan interaksi beberapa aktor dengan sistem digambarkan pada gambar 1 berikut ini :

219


SISTEM PAKAR MENGIDENTIFIKASI GEJALA DEFISIENSI UNSUR HARA PADA TANAMAN KELAPA SAWIT

Login pakar

<> <> <>

Melihat informasi

Manipulasi jenis unsur hara

<>

Mengisi data user

Manipulasi gejala

<>

Pakar Mengolah basis pengetahuan

<> <>

Konsultasi Manipulasi hasil User <>

Melihat hasil konsultasi Mengolah data pakar

<> <>

Cetak laporan hasil konsultasi

Login admin <> <>

Admin

Mengolah data admin <>

Melihat laporan hasil konsultasi

Gambar 1. Use Case Diagram Pada use case diagram di atas terdapat 3 aktor yaitu User, Pakar, dan Admin. Dari ketiga aktor tersebut memiliki peranan masing-masing, yaitu tugas user yang melakukan konsultasi, sebelum user melakukan aktifitas konsultasi user diwajibkan mengisi data user terlebih dahulu, dikarenakan agar seorang admin dapat mengetahui pengguna sistem tersebut, setelah user melakukan konsultasi, user dapat melihat langsung hasil konsultasi tersebut dan perintah terakhir yaitu sistem mengijinkan user untuk dapat langsung mencetak laporan ataupun tidak mencetak laporan hasil konsultasi user tersebut. Pakar di sini bertindak sebagai manipulasi jenis unsur hara, manipulasi gejala, mengolah basis pengetahuan, manipulasi hasil setelah sebelumnya telah melakukan login pakar terlebih dahulu, sedangkan admin bertugas sebagai pengolah data pakar, mengolah data admin, dan melihat laporan hasil konsultasi untuk keperluan akses sistem. 4.

Pembahasan

Representasi Pengetahuan Representasi pengetahuan (knowledge representation) adalah cara untuk menyajikan pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi antara suatu pengetahuan dengan pengetahuan yang lain dan dapat dipakai untuk menguji kebenaran penalarannya. Representasi

220

pengetahuan dibutuhkan untuk menangkap sifatsifat penting masalah dan mempermudah prosedur pemecahan masalah dalam mengakses informasi. Format representasi harus mudah dipahami sehingga seorang programmer mampu mengekspresikan pengetahuan (fakta), namun semua cara tersebut harus mengacu pada dua entitas berikut. 1. Fakta, yaitu kejadian sebenarnya. Fakta inilah yang akan kita representasikan. 2. Representasi dari fakta. Berdasarkan representasi inilah kita dapat mengolah fakta.[5] Representasi pengetahuan, kaidah produksi dibentuk dari pengubahan tabel keputusan. Pembuatan suatu kaidah dilakukan dengan beberapa tahapan. Sebagai contoh perhatian pembuatan kaidah konklusi ini akan dapat tercapai bila kondisi – kondisi yang mendukung terpenuhi. Pembuatan kaidah menggunakan goal dan kondisi yang telah diperolah, seperti pada tabel 1 di bawah ini : (tabel dilampiran) Setiap spektrum di atas akan di buat kombinasi untuk setiap kemungkinan gejala terpenuhi dan disesuaikan dengan jenis kekurangan unsur hara. Berikut ini akan di gambarkan dalam pohon keputusan pada gambar 4 di bawah ini. G006 T

Y

G008

G002

Y

G009

Y G001

T

Y

G010

G016 Y

Y T

T

G019

G011

Y

Y

Y

G013 Y

G020

G003 Y

T

G028

J001

Y J007

G015

G025

T

Y

G014

Y

J002

G005

Y

G024

Y

G012

Y

G007

Y

G018

Y

J003

Y

G021

T

G022

G004

Y Y

Y

Y

T

J004

G026

G023

Y

Y

J005

G027

Y

Y J010

T

G032

Y J006

G017

G037

G029

T

Y

Y J009

G033

G030

Y

Y G031

G034

Y

Y

J008

G035 Y G036 Y

J011

Gambar 4. Pohon Keputusan Dalam perancangan basis pengetahuan ini digunakan kaidah produksi sebagai sarana untuk representai pengetahuan. Kaidah produksi dituliskan dalam bentuk pernyataan JIKA [premis] MAKA [konklusi]. Pada perancangan basis pengetahuan sistem pakar ini premis adalah gejala dan konklusi adalah jenis unsur hara, sehingga bentuk pernyataannya adalah JIKA [gejala] MAKA [jenis unsur hara]. Bentuk pernyataannya adalah :


JIKA [gejala 1] JIKA [gejala 2] DAN [gejala 3] MAKA [Jenis unsur hara] Dan Untuk kaidah produksinya dapat dilihat di bawah ini : 1. Kaidah untuk Defisiensi Nitrogen (N)

IF AND AND AND THEN

Warna daun menjadi pucat, Jaringan daun menjadi kering dan mati, Helaian daun menjadi pendek dan keras, Pertumbuhan tanaman terhambat dan kerdil, Defisiensi Nitrogen (N)

2. Kaidah untuk Defisiensi Fosfor (P)

IF

AND AND

AND AND THEN

Warna daun hijau tua dan permukaannya terlihat mengkilap kemerah-merahan, Daun berbentuk pendekpendek, Bagian tepi daun, cabang, dan batang mengecil dan berwarna merah keunguan dan lambat laun berubah menjadi kuning, Tanaman lambat berbuah, Kualitas biji dan buah jelek, kecil, dan cepat masak, Defisiensi Fospor (P)

3. Kaidah untuk Defisiensi Besi (Fe)

IF

AND AND THEN

Warna di sekitar daun kuning terang serta klorosis terutama pada daun muda, tetapi tulang daun tetap hijau, Tanaman lambat pertumbuhan dan perkembangannya, Bagian pucuk akan banyak daun yang gugur dan mati, Defisiensi Besi (Fe)

4. Kaidah untuk Defisiensi Kalium (K)

IF AND

AND AND AND

Daun tua akan mengerut atau keriting, Timbul bercak kuning transparan pada daun dan berubah merah kecoklatan serta mengering seperti hangus terbakar, Rentan terhadap penyakit, Ukuran buah kecil-kecil, Buah cepat rusak atau

THEN

membusuk, Defisiensi Kalium (K)

5. Kaidah untuk Defisiensi Kalsium (Ca)

IF

AND AND AND THEN

Tepi daun banyak timbul gejala klorosis dan menjalar ketulang daun, Kuncup daun yang masih muda sering mengalami kematian, Kondisi yang berat, jaringan daun akan kering dan mati, Pembentukan perakaran kurang sempurna, Defisiensi Kalsium (Ca)

6. Kaidah untuk Defisiensi Magnesium (Mg)

IF AND AND

AND

THEN

Timbul klorosis pada tepi daun yang sudah tua, Daun kecoklat-coklatan dan merah keungu-unguan, Pada kondisi yang berat, daun tua akan menguning secara merata tetapi tulang daun berwarna hijau, Sering terjadi jaringan mati pada sisi pinggir helaian daun sampai ke masing-masing anak daun, Defisiensi Magnesium (Mg)

7. Kaidah untuk Defisiensi Sulfur (S)

IF AND AND AND THEN

Pertumbuhan tanaman terhambat dan kerdil, Daun muda berwarna kuning dan terkadang tidak merata, Helain daun menjadi pendek dan keras, Jaringan daun menjadi kering dan mati, Defisiensi Sulfur (S)

8. Kaidah untuk Defisiensi Mangan (Mn)

IF

AND AND THEN

Tanaman kerdil dan daun hijau kekuning-kuningan bahkan kemerah-merahan, tetapi tulang daun tetap hijau, Pada kondisi berat, jaringan daun mati, Pembentukan gizi tidak sempurna, Defisiensi Mangan (Mg)

221


9. Kaidah untuk Defisiensi Tembaga (Cu)

IF

AND THEN

Daun menjadi klorosis dan bagian ujungnya berwarna putih, Pada keadaan parah, tanaman menjadi layu dan mati, Defisiensi Tembaga (Cu)

10. Kaidah untuk Defisiensi Seng (Zn)

IF

AND THEN

Daun kekuning–kuningan bahkan kemerah–merahan terutama pada daun yang agak tua-kondisi parah, Daun dan pelepah mengering, Defisiensi Seng (Zn)

11. Kaidah untuk Defisiensi Boron (B)

IF AND AND AND

THEN 5.

Pertumbuhan tajuk mengering atau membelok, Ujung pelepah melingkar dan membuka, Daun yang baru muncul bentuknya kerdil dan berkerut, Kuncup daun muda sulit membuka dan pelayuannya cepat, Defisiensi Boron (B).

Hasil

Halaman ini merupakan tampilan data hasil konsultasi user yang telah menjawab beberapa pertanyaan dari sistem yang dibangun. Hasilnya berupa data diri user, gejala defisiensi unsur hara, penanganan, dan gambar dari kekurangan gejala defisiensi unsur hara tersebut. Gambar 5. Berikut ini menampilkan halaman hasil konsultasi user.

6.

Berdasarkan selesainya penyusunan makalah ini, maka dapat diambil kesimpulan sebagai berikut: 1. Sistem pakar yang dibangun membantu para petani atau asisten perkebunan industri kelapa sawit dalam memberikan kesimpulan tentang kekurangan unsur hara pada tanaman kelapa sawit tersebut, dan keakuratannya mencapai 83% dengan membandingkan gejala-gejala yang ada serta di lengkapi gambar sebagai contoh kekurangan unsur hara tersebut. 2. Penggunaan sistem pakar dalam sistem ini adalah berdasarkan hasil penelitian yang dilakukan, dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja para ahli, dan dapat menjawab pertanyaan yang menyangkut bidang keahliannya. 3. Sistem pakar yang dibangun menggunakan metode forward chaining. 4. Perancangan sistem pakar mengidentifikasi gejala defisiensi unsur hara pada tanaman kelapa sawit menggunakan bahasa pemrograman PHP dengan database MySQL 5. Aplikasi sistem pakar mengidentifikasi gejala defisiensi unsur hara pada tanaman kelapa sawit menampilkan interface yang menarik dan user friendly sehingga memudahkan pengguna dalam pemakaian aplikasi ini. 6. Pada aplikasi sistem pakar ini telah jelas batasan antara user, admin dan Pakar. Daftar Pustaka [1] [2] [3] [4]

[5]

Gambar 5. Halaman Data Hasil Konsultasi

222

Kesimpulan

Fauzi Yan, et al, 2002, Kelapa Sawit, Jakarta, Penebar Swadaya. Kusrini, 2006, Sistem Pakar : Teori dan Aplikasi, Yogyakarta, Andi Offset. Rosnelly Rika, 2012, Sistem Pakar Konsep dan Teori, Yogyakarta, Andi Offset. Sari Ria Eka, 2013, Sistem Pakar Untuk Mendeteksi Penyakit THT Dengan Menggunakan Metode Forward Chaining, Prosiding SNIf STMIK Potensi Utama 2013. Sutojo, et al, 2011, Kecerdasan Buatan, Jogyakarta, Andi Offset.


TEKNIK PEMBELAJARAN DASAR PENGENALAN ALPHABET PADA ANAK PAUD DENGAN MENGGUNAKAN GAME ANDROID Rahadi Deli Saputra1, Asep Parid Soleh Hambali2, Royyan Fuad Mulyana3 1,2

Jurusan Teknik Informatika STMIK Tasikmalaya, Jl. RE Martadinata No. 272 A Tasikmalaya 1 rahadisianipar@gmail.com, 2aspardwi@yahoo.co.id, 3royyanfuadmulyana@yahoo.co.id 3

Abstrak Pada umumnya pengenalan pembelajaran akademik di setiap sekolah paud sama saja. Salah satu permasalahan yang sering timbul yaitu dalam proses penyampaian pembelajaran. Pembelajaran yang harus disampaikan menjadi membosankan, dan kurang menarik karena hanya mengandalkan buku saja. Maka dari itu, Penulis berusaha untuk mengurangi permasalahan yang timbul dalam penyampaian pembelajaran tersebut dengan dibuatkan game android. Metode yang digunakan yaitu metode penelitian kualitatif, karena Penulis langsung mengamati dan kemudian membuat pemecahan masalah. Penulis menggunakan Eclips dan Android SDK dalam proses pembuatan aplikasi ini. Dengan dibuatkannya Game Android ini Penulis berharap dapat membantu pihak sekolah dan pihak sekolah pun bisa memberikan pelayanan yang maksimal dalam penyampaian pembelajarannya. Kata kunci : Pengolahan aplikasi, Penelitian Kualitatif Eclips,Game Android. 1.

PENDAHULUAN

Dalam suatu perkembangan teknologi informatika yang semakin bekembang pada saat ini banyak sekali cara untuk dapat mengembangkan sesuatu. Salah satu contohnya adalah dengan permainan atau game yang dapat cepat di tangkap oleh daya ingat anak - anak untuk dalam masa perkembangannya. Di sekolah alphabet dimana sekolah tersebut merupakan sekolah anak – anak sebelum memasuki pra TK ( Taman Kanak-kanak ), dimana permasalahan sekolah tersebut adalah cara mengangajar yang masih menggunakan buku biasa tanpa adanya bentuk - bentuk permainan di dalamnya. Dari latar belakang di atas maka penyusun dapat mengidentifikasi masalah yaitu siswa sulit menangkap pelajaran dan seringnya siswa bosan terhadap metode yang biasa. Penelitian ini pada bagaimana memudahkan anak dalam membaca huruf alphabet dengan mudah, bagaimana membuat metode pembelajaran formal menjadi pembelajaran sekaligus menghibur, sehingga dapat mengatasi kesulitan anak saat belajar membaca huruf melalui program aplikasi android. Maksud dari penelitian ini adalah : 1. Untuk mempermudah pembelajaranmembaca huruf alphabet . 2. Menerapkan ilmu yang di dapat di bangku kuliah dengan memperaktekan dalam kenyataan yang sebenarnya.

3. Mengetahui sejauh mana sistem informasi berbasis komputer dengan teknik basis data untuk pembuatan game android. Tujuan dari penelitian ini adalah : 1. Dengan adanya penerapan game ini, diharapkan memudahkan anak dalam belajar membaca huruf alphabet. 2. Memberikan hiburan kepada anak supaya tidak jenuh belajar membaca huruf alphabet. “Aplikasi adalah suatu kelompok file (form, class, report) yang bertujuan untuk melakukan aktivitas tertentu yang saling terkait.” “Program Aplikasi adalah penerapan dari kumpulan intruksi atau perintah terperinci yang sudah dipersiapkan supaya komputer melakukan fungsinya dengan cara yang sudah di tentukan.” “Data adalah bahan baku informasi di definisikan sebagai kelompok teratur symbolsimbol yang memiliki kualitas, tindakan, benda dan sebagainya. Data terbentuk dari karakter, yang dapat berupa alphabet, angka, maupun simbol-simbol khusus seperti *, $ dan /. Data disusun untuk di olah dalam bentuk struktur data, struktur file, dan database.” “Secara konseptual data adalah deskripsi tentang benda, kejadian, aktifitas, dan transaksi yang tidak mempunyai makna atau tidak berpengaruh secara langsung kepada pemakai.” “Kata data dalam bahasa inggris berasal dari kata bahasa latin yang berarti fakta” “Data juga didefinisikan sebagai deskripsi dari sesuatu dan kejadian yang kita hadapi (the description of things and events that we face)”

223


Jadi penyusun dapat menyimpulkan bahwa data adalah keterangan-keterangan atau fakta-fakta yang bisa berbentuk angka, tulisan atau suara yang akan dijadikan suatu sumber informasi dan berguna bagi yang membutuhkan. “Pengolahan data adalah suatu proses penerima data sebagai masukan (input), memproses (processing) menggunakan program tertentu, dan mengeluarkan hasil proses data tersebut dalam bentuk informasi (output).” “Pengolahan data (data processing) adalah manipulasi dari data ke dalam bentuk yang lebih berguna dan lebih berarti. Berupa suatu informasi.” “Pengertian koperasi secara sederhana berawal dari kata ”co” yang berarti bersama dan ”operation” (Koperasi operasi) artinya bekerja. Jadi pengertian koperasi adalah kerja sama. Sedangkan pengertian umum koperasi adalah : suatu kumpulan orang-orang yang mempunyai tujuan sama, diikat dalam suatu organisasi yang berasaskan kekeluargaan dengan maksud mensejahterakan anggota.

2.

METODE PENELITIAN

Dalam penyusunan Penelitian ini, Penulis melakukan perancangan dengan menggunakan Metode Deskriftif dan Kualitatif, “Metode Deskriftif adalah menggambarkan secara tepat sifat-sifat suatu individu, keadaan, gejala atau halhal yang terjadi.“Metodologi Kualitatif sebagai prosedur penelitian yang menghasilkan data deskriptif berupa kata – kata tertulis atau lisan dari orang – orang dan perlilaku yang diamati. Dalam penelitian ini Metode Deskriptif dan kualitatif dijadikan sebagai landasan untuk mengajarkan Huruf Alphabet guna mempermudah dalam membaca alphabet pada anak-anak serta mengurangi kejenuhan dalam belajar melalui penerapan aplikasi game android, serta pengajar dapat mengajar dengan lebih mudah.

3.

HASIL PEMBAHASAN

3.1. Deskripsi Perancangan Dengan menggunakan sistem informasi ini diharapkan dapat mengatasi kekurangankekurangan yang terjadi pada sistem yang telah berjalan sebelumnya. Adapun inovasi yang baru meliputi : 1. Sebagai sarana untuk menyampaikan informasi hasil pengolahan data akademik selain bisa didapatkan langsung dengan mengunjungi lokasi. 2. Mempermudah sistem kerja bagian akademik dalam penyampaian informasi. 3.2. Perancangan Sistem

224

Rancangan sistem secara umum dilakukan dengan maksud untuk memberikan gambaran umum tentang sistem yang baru atau sistem yang akan diusulkan. Rancangan ini mengidentifikasi komponen-komponen sistem informasi yang dirancang secara rinci. A. Use Case Diagram

Gambar 1. Use Case Diagram Pada diagram use case online ini terdapat duaaktor yakni admin, pengunjung umum ( yaitu guru dan murid ). B. Default Use Case Tabel 1. Default Use Case Guru Usecase Name : Admin Skenario : Masuk dan membuka aplikasi game Brief Deskription : Admin mempelajari dan memahami game. Actors : Admin Relate use case : Stake holder : Admin Precondition : admin harus sudah bisa menguasai game ini sehingga dapat menerangakan dengan baik dan benar Postcondition : Flow of event : Actor Sistem Admin Sistem melihat melakukan huruf, pengeceka angka dan n data gambar game. ,belajar menulis huruf dan memberika sn tugas, melihat aplikasi dan keluar


Tabel 2. Default Use Case Murid Usecase Name : User Skenario : Masuk dan membuka aplikasi game Brief Deskription : User mempelajari dan memahami game. Actors : User Relate use case : Stake holder : User Precondition : user harus sudah bisa menguasai game ini sehingga dapat menerangakan dengan baik dan benar Postcondition : Flow of event : Actor Sistem User melihat Sistem huruf, melakukan angka, pengeceka gambar dan n data memainkan game. game tugas, dan keluar

D.

Struktur Tabel

1. File User Nama : user Deskripsi : Tempat penyimpanan guru. Tabel 3 Fieldna Typ Siz Penyimpan me e e an GuruNo 1 Nama_gu Strin 20 ru g 2 NIP Int 30 3 Alamat Strin 30 g 4 Jenis_Kel Strin 10 g 5 Tgl_lahir Int

Primar y key

2. File User Nama : user Deskripsi : Tempat penyimpanan siswa.

No 1

C. Activity Diagram Activity diagram merupakan suatu bentuk flow diagram yang memodelkan alur kerja (workflow) sebuah proses sistem informasi dan urutan aktifitas sebuah proses. Diagram ini sangat mirip dengan sebuah flowchart karena kita dapat memodelkan sebuah alur kerja dari suatu aktifitas ke aktifitas lainnya atau dari suatu aktifitas kedalam keadaan sesaat. Activity diagram akan lebih bermanfaat apabila terlebih dahulu kita memodelkan sebuah proses untuk membantu kita memahami proses secara keseluruhan.

Actio n

2 3 4 5

Tabel 4. Penyimpanan Siswa Fieldname Type Size Action Nma_siswa String 20 Primary key NIS Int 30 Alamat String 30 Jenis_Kel String 10 Tgl_lahir Int

E. Class Diagram Class Diagram adalah aplikasi edukasi pembelajaran dasar pengenalan anak paud dengan menggunakan game android.Class Diagram ini menggunakan Plug-in Eclipse untuk membuat class diagram secara otomatis berdasarkan program yang kita buat dalam Eclipse IDE.

Gambar 4. Class Digram Gambar 2. Diagram Activity Admin

225


F. Square Diagram

4.

Square Diagram adalah penggambarkan urutan interaksi proses yang berlangsung antara aplikasi dengan pengguna / user.

Setelah penyusun membahas dan memaparkan hasil observasi yang telah penyusun lakukan di Sekolah Alphabet Kota Tasikmalaya, khususnya di bagian pengajaran maka penyusun dapat mengambil kesimpulan sebagai berikut : 1. Untuk mempermudah dalam membaca alphabet pada anak-anak serta mengurangi kejenuhan dalam belajar. 2. Dengan adanya menerapkan aplikasi game android ini, pengajar dapat mengajar dengan lebih mudah. 5.

Gambar 5. Square Diagram G. Perancangan User Interface

KESIMPULAN

SARAN

Berdasarkan hasil analisis terhadap sistem yang ada , maka penyusun mengajukan beberapa saran sebagai berikut : 1. Untuk meningkatkan kinerja pengajar dalam mengajar, maka diperlukan sistem yang baik serta adanya program aplikasi game android khusus ini dapat memudahakan cara pengajaranya. 2. Pemilihan orang yang ahli dibidangnya dan dapat menguasai minimal gadget smartphone android karena sebelum aplikasi digunakan, perlu adanya pelatihan dalam penggunaannya. 3. Dilakukan backup data untuk mengantisipasi kerusakan data. DAFTAR PUSTAKA

Gambar 6. Rancangan Main Menu H. Rancangan Menu Belajar Huruf

Gambar 7. Rancangan Menu Belajar Huruf

226

[1] Kristanto, Cara Mudah Membuat Sebuah Aplikasi Market, Yogyakarta: 2009, hal 60. [2] Tim Penelitian dan Pengembangan Wahana Computer, Pedoman Praktis Pemrograman Visual Foxpro 9.0, Yogyakarta: Cetakan 2010, Hal. 15 [3] Gordon B. Davis, Kerangka Dasar Sistem Informasi Manajemen BagianPengantar. (Jakarta : PT. Gramedia, 2011), hal 29 [4] Kadir Abdul Pengenalan sistem informasi. (Yogyakarta : Andi Ofset. 2009), Hal. 29 [5] Wahyudi, Bambang., S.Kom., MMSi., Konsep Sistem Informasi dari BIT Sampai ke DATABASE, Andi, Yogyakarta, 2010, hal. 15 [6] Bin Ladjamuddin,AL-Bahra., Analisis dan Desain Sistem Informasi,(GRAHA ILMU:Yogyakarta,2011),HAL.8. [7] Tata, Sutabri, S.Kom., MM, Sistem Informasi Manajemen, (Jakarta : Andi. 2010) hal. 109 [8] Jogianto. H.M, Pengantar Komputer, (Yogyakarta, Andi Offset 2010), hal 3”


APLIKSASI TES BILANGAN PRIMA MENGUNAKAN RABINMILLER, GCD, FAST EXPONENSIAL DAN FAKTORISASI PRIMA UNTUK DASAR MATEMATIS KRIPTOGRAFI Budi Triandi STMIK Potensi Utama, Jl. K.L Yos Sudarso Km.6.5 No.3A Tanjung Mulia Medan buditriandi@gmail.com

Abstrak Keamanan data merupakan suatu hal yang sangat penting dan merupakan kebutuhan bagi setiap orang yang melakukan transaksi data melalui media online. Dalam kriptografi terdapat beberapa model untuk melakukan pengamanan data, salah satunya adalah penggunaan kunci dalam mengamankan data, kunci yang digunakan dalam teknik penyandian terbagi menjadi dua yaitu public key dan private key. Penggunaan kunci pablik pada kriptografi dihadapkan pada permasalahan yang sulit seperti faktorialisasi, algoritma diskrit, kurva elips, problema Knapsack dan lainnya. Perpangkatan modulo, faktorialisasi dan penggunaan bilangan prima merupakan hal yang sangat mendasar dalam matematika kriptografi dalam pembentukan kunci pablik. Makalah ini membahas tentang implementasi algoritma Rabin–Miller, Fast Exponentiation, GCD (Greatest Common Divisor) dan faktorisasi prima kedalam alpikasi bantu yang dapat membantu dalam proses pemahaman untuk dasar perhitungan matematis kriptografi untuk proses pembelajaran. Algoritma Tes bilangan prima Rabin – Miller, Fast Exponentiation dan GCD (Greatest Common Divisor) dapat digunakan untuk bilangan yang besar hingga 15 digit. Kata Kunci : GCD, Fast Exponentiation, Rabin–Miller, faktorisasi prima 1.

Pendahuluan

Keamanan data saat ini sudah menjadi kebutuhan bagi setiap orang yang melakukan transaksi data melalui media online, banyak teknik keamanan yang dirancang sedemikian rupa sehingga memunculkan bebagai asfek kerumitan dalam hal pemahaman konsep dan teknik pengamana data. Dalam kriptografi terdapat beberapa model dalam melakukan pengamanan data, salah satunya adalah penggunaan kunci dalam mengamankan data, kunci dalam kriptografi digunakan untuk melakukan otentikasi data pada saat melakukan enkripsi dan depkripsi data, kunci yang digunakan dalam teknik penyandian terbagi menjadi dua yaitu public key dan private key. Penggunaan kunci pablik pada kriptografi dihadapkan pada permasalahan yang sulit seperti faktorialisasi, algoritma diskrit, kurva elips, problema Knapsack dan lainnya. Perpangkatan modulo, faktorialisasi dan penggunaan bilangan prima merupakan hal yang sangat mendasar dalam matematika kriptografi dalam pembentukan kunci pablik. Dalam hal pemahaman faktorialisasi, perpangkatan modulo dan pengujian bilangan prima dengan mengunakan teknik perhitungan manual dan konversi oral terkadang sering mengalami hambatan, sebagai contoh mencari hasil dari 410000 dan 3500 berdasarkan permasalahan tersebut dalam hal ini dibutuhkan aplikasi bantu yang dapat menguraikan tahap

demi tahap untuk menentukan dan menjelaskan langka pencarian faktorialisasi, perpangkatan modulo dan pengujian bilangan prima. Proses kerja dari aplikasi bantu tersebut akan dibahas secara terperinci dan diakhir pembahasan akan diuraikan hasil kinerja aplikasi bantu, dari hasil tersebut nantinya diharapkan dapat dijadikan bahan dalam pengembangan ilmu pengetahuan dalam bidang teknologi keamanan data yang dapat mendukung dalam proses belajar mengajar. 2.

Landasan Teori

2.1. Bilangan Di antara sistem bilangan, yang paling sederhana adalah bilangan-bilangan asli yaitu 1, 2, 3, 4, 5, …. Dengan bilangan ini kita dapat menghitung buku-buku kita, teman-teman kita, dan uang kita. Jika menggandengkan negatifnya dan nol, diperoleh bilangan-bilangan bulat yaitu …, -3, -2, -1, 0, 1, 2, 3, …. Dalam pengukuran panjang, berat atau tegangan listrik, bilangan-bilangan bulat tidak memadai. Bilangan ini terlalu kurang untuk memberikan ketelitian yang cukup. Oleh karena itu dituntun juga untuk mempertimbangkan hasil bagi (rasio) dari bilangan-bilangan bulat yaitu ¾, ½, dan sebagainya. Bilangan-bilangan yang dapat dituliskan dalam bentuk m/n dimana m dan n adalah bilangan-bilangan bulat dengan n ≠ 0, disebut bilangan-bilangan rasional.

227


Bilangan-bilangan rasional tidak berfungsi untuk mengukur semua panjang. Fakta yang mengejutkan ini ditemukan oleh orang Yunani kuno beberapa abad sebelum Masehi. Mereka memperlihatkan bahwa meskipun √2 merupakan panjang sisi miring sebuah segitiga siku-siku dengan sisi-sisi 1, bilangan ini tidak dapat dituliskan sebagai suatu hasil bagi dari dua bilangan bulat. Jadi √2 adalah suatu bilangan tak rasional. Demikian juga bentuk-bentuk akar lainnya. Sekumpulan bilangan (rasional dan tak rasional) yang dapat mengukur panjang, bersamasama dengan negatifnya dan nol dinamakan bilangan-bilangan riil. Bilangan-bilangan riil dapat dipandang sebagai pengenal (label) untuk titik-titik sepanjang sebuah garis mendatar. Di sana bilangan-bilangan ini mengukur jarak ke kanan atau ke kiri (jarak berarah) dari suatu titik tetap yang disebut titik asal dan diberi label 0. Walaupun tidak mungkin memperlihatkan semua label itu, tiap titik memang mempunyai sebuah label tunggal bilangan riil. Bilangan ini disebut koordinat titik tersebut. Dan garis koordinat yang dihasilkan diacu sebagai garis riil.

Gambar 1. Sistem Bilangan Sistem bilangan masih dapat diperluas lebih jauh lagi ke bilangan yang disebut bilangan kompleks. Bilangan-bilangan ini berbentuk a + b√-1, dimana a dan b adalah bilangan-bilangan riil. 2.2. Konsep Dasar Matematis Kriptografi Dasar matematis yang mendasari proses enkripsi dan dekripsi adalah relasi antara dua himpunan yaitu himpunan berisi elemen plaintext dan himpunan berisi elemen ciphertext. Enkripsi dan dekripsi merupakan fungsi tranformasi antara dua himpunan tersebut. Bila himpunan plaintext dinotasikan dengan P dan himpunan ciphertext dinotasikan dengan C, sedang fungsi enkripsi dinotasikan dengan E dan fungsi dekripsi dengan D maka proses enkripsi-dekripsi dapat dinyatakan dalam notasi matematis dengan : E(P) = C dan D(C) = P Karena proses enkripsi-dekripsi bertujuan memperoleh kembali data asal, maka : D(E(P)) = P Relasi antara himpunan plaintext dengan himpunan ciphertext harus merupakan fungsi korespondensi satu-satu (one to one relation). Hal ini merupakan keharusan untuk mencegah

228

terjadinya ambigu dalam dekripsi yaitu satu elemen ciphertext menyatakan lebih dari satu elemen plaintext. Pada metode kriptografi simetris atau konvensional digunakan satu buah kunci. Bila kunci dinotasikan dengan ‘K’ maka proses enkripsi-dekripsi metode kriptografi simetris dapat dinotasikan dengan : Ek(P) = C dan Dk (C) = P Dan keseluruhan sistem dinyatakan sebagai : Dk(Ek(P))=P Pada metode kriptografi asimetris digunakan kunci umum untuk enkripsi dan kunci pribadi untuk dekripsi. Bila kunci umum dinotasikan dengan ‘PK’ dan kunci pribadi dinotasikan dengan ‘SK’ maka proses enkripsi-dekripsi metode kriptografi asimetris dapat dinotasikan dengan : EPK (P) = C dan DSK (C) =P Dan keseluruhan sistem dinyatakan sebagai : DSK(EPK(P)) = P 3.

Pembahasan

Secara garis besar, proses penyelesaian aplikasi dapat dibagi menjadi tiga bagian besar yaitu : 1. Melakukan Perpangkatan Modulo dengan Fast Exponentiation. 2. Melakukan Faktorisasi Persekutuan Terbesar dengan GCD (Greatest Common Divisor). 3. Tes Prima dengan Metoda Rabin – Miller. 4. Faktorisasi Prima dari Bilangan Selain itu, aplikasi yang dibuat mampu membangkitkan bilangan acak prima dengan bantuan algoritma tes prima dengan metoda Rabin – Miller dan perhitungan perpangkatan modulo dengan Fast Exponentiation. 3.1. Menghitung Perpangkatan Modulo dengan Fast Exponentiation Sebelum mempelajari proses pembangkitan bilangan acak prima dengan metoda Rabin – Miller, pada bagian ini akan diuraikan proses pencarian tahap demi tahap dengan perhitungan manual . Agar lebih memahami proses perhitungan perpangkatan modulo dengan Fast Exponentiation, diambil contoh kasus 1123829 mod 95317 dengan proses sebagai berikut : A1 = 11 B1 = 23829 Product = 1 While 23829 <> 0  True While 23829 mod 2 = 0  False B1 = 23829 - 1 = 23828


Product = (1 * 11) mod 95317 = 11 While 23828 <> 0  True While 23828 mod 2 = 0  True B1 = 23828 div 2 = 11914 A1 = (11 * 11) mod 2 = 121 While 11914 mod 2 = 0  True B1 = 11914 div 2 = 5957 A1 = (121 * 121) mod 2 = 14641 While 5957 mod 2 = 0  False B1 = 5957 - 1 = 5956 Product = (11 * 14641) mod 95317 = 65734 While 5956 <> 0  True While 5956 mod 2 = 0  True B1 = 5956 div 2 = 2978 A1 = (14641 * 14641) mod 2 = 86265 While 2978 mod 2 = 0  True B1 = 2978 div 2 = 1489 A1 = (86265 * 86265) mod 2 = 61401 While 1489 mod 2 = 0  False B1 = 1489 - 1 = 1488 Product = (65734 * 61401) mod 95317 = 30286 While 1488 <> 0  True While 1488 mod 2 = 0  True B1 = 1488 div 2 = 744 A1 = (61401 * 61401) mod 2 = 9500 While 744 mod 2 = 0  True B1 = 744 div 2 = 372 A1 = (9500 * 9500) mod 2 = 80118 While 372 mod 2 = 0  True B1 = 372 div 2 = 186 A1 = (80118 * 80118) mod 2 = 56510 While 186 mod 2 = 0  True B1 = 186 div 2 = 93 A1 = (56510 * 56510) mod 2 = 69966 While 93 mod 2 = 0  False B1 = 93 - 1 = 92 Product = (30286 * 69966) mod 95317 = 93366 While 92 <> 0  True While 92 mod 2 = 0  True B1 = 92 div 2 = 46 A1 = (69966 * 69966) mod 2 = 45987 While 46 mod 2 = 0  True B1 = 46 div 2 = 23 A1 = (45987 * 45987) mod 2 = 5890 While 23 mod 2 = 0  False B1 = 23 - 1 = 22 Product = (93366 * 5890) mod 95317 = 41967 While 22 <> 0  True While 22 mod 2 = 0  True B1 = 22 div 2 = 11 A1 = (5890 * 5890) mod 2 = 92029 While 11 mod 2 = 0  False B1 = 11 - 1 = 10 Product = (41967 * 92029) mod 95317 = 31520 While 10 <> 0  True While 10 mod 2 = 0  True B1 = 10 div 2 = 5 A1 = (92029 * 92029) mod 2 = 40123 While 5 mod 2 = 0  False

B1 = 5 - 1 = 4 Product = (31520 * 40123) mod 95317 = 11004 While 4 <> 0  True While 4 mod 2 = 0  True B1 = 4 div 2 = 2 A1 = (40123 * 40123) mod 2 = 46316 While 2 mod 2 = 0  True B1 = 2 div 2 = 1 A1 = (46316 * 46316) mod 2 = 62771 While 1 mod 2 = 0  False B1 = 1 - 1 = 0 Product = (11004 * 62771) mod 95317 = 65102 While 0 <> 0  False FastExp(11, 23829, 95317) = 65102 3.2. Menghitung Faktorisasi Persekutuan Terbesar dengan GCD Untuk menghitung faktorisasi persekutuan terbesar antara dua buah bilangan dapat digunakan algoritma GCD. Proses perhitungannya dapat dilihat pada contoh berikut ini : GCD(4356, 6538) P = 4356 Q = 6538 While 6538 <> 0  True R = 4356 mod 6538 = 4356 P = 6538 Q = 4356 While 4356 <> 0  True R = 6538 mod 4356 = 2182 P = 4356 Q = 2182 While 2182 <> 0  True R = 4356 mod 2182 = 2174 P = 2182 Q = 2174 While 2174 <> 0  True R = 2182 mod 2174 = 8 P = 2174 Q=8 While 8 <> 0  True R = 2174 mod 8 = 6 P=8 Q=6 While 6 <> 0  True R = 8 mod 6 = 2 P=6 Q=2 While 2 <> 0  True R = 6 mod 2 = 0 P=2 Q=0 While 0 <> 0  False GCD(4356, 6538) = 2 3.3. Tes Prima dengan Metoda Rabin – Miller Inti dari proses pembangkitan bilangan acak prima adalah melakukan pengetesan apakah

229


bilangan acak yang dibangkitkan tersebut merupakan bilangan prima atau bukan. Agar lebih memahami proses pembangkitan bilangan acak prima, diambil contoh untuk bilangan 95317 dengan A = 11, maka proses penyelesaiannya adalah sebagai berikut : C = 95317 - 1 = 95316 nTemp = 0 95316 mod (2^0) = 0 And ((2^0) < 95317) - True nTemp = 0 + 1 = 1 95316 mod (2^1) = 0 And ((2^1) < 95317) - True nTemp = 1 + 1 = 2 95316 mod (2^2) = 0 And ((2^2) < 95317) - True nTemp = 2 + 1 = 3 95316 mod (2^3) = 0 And ((2^3) < 95317) - False B=3-1=2 M = 95316 / (2^2) = 23829 J=0 Z = FastExp(11, 23829, 95317) = 65102 (65102 = 1) Or (65102 = (95317 - 1)) = False (0 > 0) And (65102 = 1) = False J=0+1=1 (1 < 2) And (65102 <> (95317 - 1)) = True Z = FastExp(65102, 2, 95317) = 95316 (1 > 0) And (95316 = 1) = False J=1+1=2 (2 < 2) And (95316 <> (95317 - 1)) = False (95316 = (95317 - 1)) = True TesRabinMiller = True Dari hasil proses penetuan maka dapat disimpulkan bahwa 95317 lulus Tes Prima Rabin – Miller untuk A = 11. 3.4. Implementasi Pembangkit Bilangan Prima Dalam dunia nyata, implementasi pembangkitan bilangan prima dapat berlangsung dengan sangat cepat. Salah satu implementasinya adalah sebagai berikut : 1. Bangkitkan bilangan acak p sepanjang n bit. 2. Set bit MSB (Most Significant Bit) dan LSB (Least Significant Bit) nya ke “1”. Atau set bit paling kiri dan kanannya ke bit satu. Pengesetan bit MSB menjamin panjang bit bilangan prima yang dihasilkan sesuai dengan yang diinginkan. Pengesetan bit LSB menjamin agar bilangan acak adalah bilangan ganjil, karena bilangan prima pasti harus bilangan ganjil. 3. Periksa apakah p tidak dapat dibagi bilangan prima kecil : 2,3,5,7,11, dan seterusnya hingga bilangan prima tertinggi yang lebih kecil dari 256. Pemeriksaan ini akan mengurangi 80 % peluang bahwa bilangan yang dipilih bukan bilangan prima. Artinya bila bilangan yang dipilih tidak dapat dibagi bilangan prima kecil di atas, peluang

230

bilangan yang dipilih merupakan bilangan prima adalah 80 %. 4. Lakukan tes Rabin – Miller untuk beberapa nilai a. Bila p lolos tes untuk satu nilai a, bangkitkan nilai a lainnya. Pilih nilai a yang kecil agar perhitungan lebih cepat. Lakukan tes dengan minimal 5 macam nilai a. Bila p gagal dalam proses uji coba, bangkitkan p lainnya dan ulangi langkah (2). Agar lebih memahami proses kerja dari pembangkit bilangan prima, berikut ini contoh proses pembangkitan bilangan prima : 1. Bilangan Acak P = 95316 2. P = 95316  genap, P = 95316 + 1 = 95317 3. P = 95317 tidak dapat dibagi oleh bilangan prima kecil dari 3, 5 ... 251. 95317 lolos tes 80% dan merupakan prima. Tes dilanjutkan. 4. Tes Rabin-Miller untuk beberapa nilai A. TES-1. Tes Rabin Miller untuk P = 95317 dengan A = 11, telah dirincikan pada bagian Tes Prima Rabin – Miller di atas, dan hasilnya bilangan 95317 lolos tes. TES-2. Tes Rabin Miller untuk P = 95317 dengan A = 12 C = 95317 - 1 = 95316 nTemp = 0 95316 mod (2^0) = 0 And ((2^0) < 95317) - True nTemp = 0 + 1 = 1 95316 mod (2^1) = 0 And ((2^1) < 95317) - True nTemp = 1 + 1 = 2 95316 mod (2^2) = 0 And ((2^2) < 95317) - True nTemp = 2 + 1 = 3 95316 mod (2^3) = 0 And ((2^3) < 95317) - False B=3-1=2 M = 95316 / (2^2) = 23829 J=0 Z = FastExp(12, 23829, 95317) = 1 (1 = 1) Or (1 = (95317 - 1)) = True TesRabinMiller = True Hasilnya bilangan 95317 juga lulus tes, sehingga bilangan 95317 kemungkinan besar merupakan bilangan prima. 3.5. Faktorisasi Prima dari Bilangan Suatu bilangan dapat dituliskan dalam bentuk produk dari unsur pokok primanya. Proses ini disebut dengan faktorisasi prima. Faktorisasi prima dari suatu bilangan dapat dihasilkan dengan melakukan proses berikut ini : 1. Set nilai X = bilangan yang akan difaktorkan. 2. Set nilai I = 2. 3. Jika I merupakan bilangan prima maka : a. Jika X habis dibagi I maka : i. Set nilai X = X / I.


ii. Simpan nilai I sebagai faktor prima dari bilangan. b. Ulangi langkah (4) hingga X tidak habis dibagi I. 4. Jika X = 1 maka proses selesai. 5. Jika X merupakan bilangan prima maka simpan X sebagai faktor prima dari bilangan dan proses selesai. 6. Set nilai I = I + 1. 7. Jika nilai I lebih kecil dari nilai X maka kembali ke langkah (3). Agar lebih jelas mengenai proses di atas, simaklah contoh berikut ini : Misalkan akan dicari faktor prima dari bilangan 252, maka proses penyelesaiannya adalah sebagai berikut : 1. Set X = 252. 2. Set I = 2. 3. 2 merupakan bilangan prima, maka : a. 252 habis dibagi 2, maka : i. X = 252 / 2 = 126. ii. Faktor prima = 2 b. 126 habis dibagi 2, maka : i. X = 126 / 2 = 63. ii. Faktor prima = 2 x 2 4. Set I = 2 + 1 = 3. 5. 3 merupakan bilangan prima, maka : a. 63 habis dibagi 3, maka : i. X = 63 / 3 = 21. ii. Faktor prima = 2 x 2 x 3 b. 21 habis dibagi 3, maka : i. X = 21 / 3 = 7. ii. Faktor prima = 2 x 2 x 3x3 6. 7 merupakan bilangan prima maka faktor prima = 2 x 2 x 3 x 3 x 7, dan proses selesai. Dari proses diatas didapatkan faktor prima dari bilangan 252 adalah 2 x 2 x 3 x 3 x 7. 4. Hasil Pengujian Program Algoritma Tes Prima Rabin Miller dengan bilangan yang dites = ‘739’  Algoritma Tes Prima Rabin Miller dengan bilangan yang dites = ‘739’.

Gambar 2. Bilangan ‘739’ lulus tes prima Rabin Miller untuk A = 6 

Algoritma Tes Prima Rabin Miller dengan angka yang dites = ‘1551’.

Gambar 3. Bilangan ‘1551’ tidak lulus tes prima 

Algoritma Pembangkit Bilangan Prima Acak Rabin Miller menghasilkan bilangan acak prima (5 digit) yaitu bilangan ‘46181’.

Gambar 4. Algoritma pembangkit bilangan prima acak menghasilkan bilangan prima ‘46181’ 

Algoritma Pembangkit Bilangan Prima Acak Rabin Miller menghasilkan bilangan acak prima (8 digit) yaitu bilangan ‘55184879’.

Gambar 5. Algoritma pembangkit bilangan prima acak menghasilkan bilangan prima ‘55184879’ 

Algoritma Fast Exponentiation dengan a = ‘10123’, b = ‘230402’ dan c = ‘349384’.

Gambar 6. Algoritma Fast Exponentiation dengan a = ‘10123’, b = ’230402’ dan c = ‘349384’, didapat hasil ‘13273’

231

Seminar Nasional Informatika 2014 

Algoritma Fast Exponentiation dengan a = ‘7287342’, b = ‘5327543’ dan c = ‘2394992’.

bilangan prima berdasrkan algoritma tersebut. 5.

Gambar 7. Algoritma Fast Exponentiation dengan a = ‘7287342’, b = ’ 5327543’ dan c = ‘2394992’, didapat hasil ‘862400’ 

Algoritma GCD dengan a = ‘151654’ dan b = ‘1252’.

1.



Algoritma GCD dengan a = ‘426995712’ dan b = ‘56’.

Gambar 9. Algoritma GCD dengan a = ‘426995712’, b = ’ 56’, didapat hasil ‘8’ Aplikasi Tes Bilangan Prima adalah implementasi prosedur kerja algoritma Rabin Miller dalam menentukan apakah suatu bilangan yang di-input merupakan bilangan prima atau bukan. Dari hasil pengujian yang dilakukan algoritma Rabin-Miller dapat menetukan apakah bilangan yang diinputkan kedalam aplikasi merupakan bilangan prima atau bukan merupakan

232

kerja

Simpulan

Aplikasi tes bilangan prima mengunakan rabin-miller, fast exponentiation, dan GCD dapat dijadikan alternatip pengujian bilangan prima yang besar, aplikasi ini dapat menampilkan hasil proses perhitungan (analisa) algoritma sehingga dapat membantu dalam proses pemahaman untuk dasar matematika kriptografi. Aplikasi ini juga dapat digunakan untuk pemahaman masalah faktorisasi, perpangkatan modulo dan bilangan prima Dari pembahasan diatas dapat disimpulkan pada dasarnya pengujian bilangan prima dapat dilakukan dan dipahami dengan mudah dengan mengunakan aplikasi bantu. 6.

Gambar 8. Algoritma GCD dengan a = ‘151654’, b = ’ 1252’, didapat hasil ‘2’

prosedur

Pustaka

Bruce Schneier, Applied Crytography, Second Edition, John Willey and Sons Inc., 1996. 2. Jennifer Seberpy, Jojef Pieprzyk, Cryptography : An Introduction to Computer Security. 3. K. Jusuf Ir, M.T., Kriptografi, Keamanan Internet dan Jaringan Komunikasi, Penerbit Informatika Bandung, 2002 4. Security Algorithms Group of Experts (SAGE), Report on the Evaluation of 3GPP Standard Confidentialty and Integrity Algorithms, 2000. 5. Matsui, Mitsuru, Toshio Tokita, MISTY, KASUMI and Camellia CipherAlgorithm Development, 2002. 6. William Stallings, Cryptography and Network Security, Third Edition, 2003. 7. David Cereso’s Weblog, “On GSM Security”, URL:http://www.cerezo.name/weblog/ 8. Encryption security.com/directory/international-dataencryption-algorithm. 9. http://www.cs.nps.navy.mil/curricula/tracks/s ecurity/notes/chap04_43.html. 10. http://wwwunix.ecs.umass.edu/~ccowell/projects/VLSI %20Projects/ IDEA%20overview.htm. 11. http://eprint.iacr.org/2001/065.pdf, tanggal 11 Juli 2010. 12. www.cs.ru.nl/~petervr/library/ html/security/gb_2001_cryptography.pdf (Tanggal akses: 28 Juli 2010).


PERANCANGAN SISTEM E-CAREERUNTUK MEMPERMUDAH DALAM MENDAPATKAN LOWONGAN PEKERJAAN GAT Jurusan Sistem Informasi, STMIK Pontianak Jln. Merdeka No. 372 Pontianak, Kalimantan Barat E-mail : gutsy0818@yahoo.com dan gutsy1802@gmail.com

Abstrak Kontribusi yang diberikan oleh institusi pendidikan terhadap lulusan terutama yang terkait dengan lowongan pekerjaan dan cara mendapatkan pekerjaan dengan mudah dan cepat adalah hal yang perlu untuk perhatikan bagi setiap calon lulusan. Pengembangan aplikasi e-career dapat membantu menjawab permasalahan kebutuhan akan informasi lowongan pekerjaan dan kemudahan untuk mendapatkan pekerjaan. Aplikasi ecareer menggabungkan berbagai perusahaan yang bertujuan mensentralisasikan setiap lowongan pekerjaan kedalam satu sistem.Bentuk penelitian berbentuk studi kasus dengan variabel tunggal yaitu perancangan sistem e-career untuk mempermudah dalam mendapatkan lowongan pekerjaandan metode perancangan menggunakan RAD (Rapid Application Development) yang merupakan sebuah strategi pengembangan sistem yang menekankan kecepatan melalui keterlibatan user.Penelitian ini menghasilkan sebuah aplikasi e-career yang dapat dipergunakan oleh STMIK Pontianak untuk menghimpun perusahaan dan melalui sistem ini perusahaan dapat mengisikan lowongan pekerjaan. Setiap lowongan yang telah diisikan dapat dilihat oleh pengunjung namun hanya pengunjung yang telah terdaftar sebagai member yang dapat mendaftar pada lowongan tersebut. Semakin banyak perusahaan yang bergabung pada sistem ini maka peluang alumni untuk mendapatkan pekerjaan juga semakin besar. Kata Kunci: e-career, research and development method, RAD 1.

Pendahuluan

STMIK Pontianak selain berkewajiban mendidik dan menghasilkan lulusan yang terampil dan berkualitas, juga diharapkan dapat berperan aktif dalam membantu calon lulusan untuk bisa mendapatkan pekerjaan dengan cepat. Keterlibatan STMIK Pontianak dalam membantu setiap lulusan dalam memperoleh pekerjaan adalah sebuah kontribusi yang sangat positif dimana setiap lulusan merasa ada suatu perhatian khusus dari institusi dan bukan hanya berkontribusi dalam memberikan ilmu pengetahuan saja. Mendapatkan perusahaan yang memerlukan karyawan sangatlah sulit dan semakin banyaknya persaingan juga menyebabkan peluang untuk mendapatkan pekerjaan juga semakin sulit. Oleh sebab itu perlu adanya kerja sama antara STMIK Pontianak dengan beberapa perusahaan agar setiap lulusan memiki kesempatan untuk dapat bekerja dengan cepat setelah mereka lulus nanti. Salah satu sistem yang bisa menjawab permasalahan tersebut adalah sistem informasi electronic career (e-career). Sistem informasi ecareeryang penulis maksud adalah sistem informasi berbasis web yang akan menghimpun setiap perusahaan untuk mengiklankan lowongan pekerjaan. Bimbingan pendidikan dan karir merupakan bentuk dukungan kepada individu

dalam mempertimbangkan masa depan pendidikan dan profesional mereka[12]. Erecruitment merupakan suatu manifestasi dari kemajuan teknologi yang telah membawa manfaat besar untuk perekrutan dan telah menjadi bagian penting dari strategi perekrutan[9].Erecruitment dapat memberikan beberapa manfaat yang luar biasa dalam hal efisiensi dan biaya [2]. Dari sisi calon pelamar, mereka dapat dengan leluasa menemukan pekerjaan yang cocok buat mereka dan mencoba sebanyak-banyaknya kesempatan di berbagai perusahaan dengan biaya yang minim. Rekrutmen elektronikmerubah cara kerja yang telah diterapkan dan juga telah menjadi sangat sederhana sehingga siapa pun bisa melakukannya [3]. Perusahaan di masa depan akan melihat erecruitment sebagai alat bisnis utama, alat yang dapat mengontrol peluang kerja dan ini kemungkinan besar akan memberi mereka keunggulan kompetitif di pasar tenaga kerja [5].Perusahaan perlu membangune-recruitment sebagai bagian dari operasional dan merupakan strategi pengembangan sumber daya [7]. Proses rekrutmen dan seleksi yang tidak tepat sasaran dapat mempengaruhi pengembangan individu dan organisasi dalam mencapai tujuan yang telah ditetapkan[8]. Penelitian sejenis hanya membahas tentang praktek e-recruitment yang bertujuan untuk mengeksplorasi efisiensi dan kekurangan yang

233


dihadapi oleh perusahaan yang menggunakan erecruitment [6]. Dengan bantuan erecruitmentperusahaan dapat mencapai sejumlah besar tenaga kerja dan dapat mengidentifikasi tenaga terampil dengan mudah dan membuat proses lebih efisien dan efektif. E-recruitment efektif dalam hal penghematan biaya, mengurangi waktu untuk merekrut dan membantu perusahaan dalam mengembangkan daya saing [1,4]. Penelitian hanya menyelidiki efektivitas penggunaan e-recruitment dalam organisasi dan tidak membahas bagaimana suatu sistem erecruitment dapat dimanfaatkan sebagai media untuk menjalin kerja sama dengan institusi pendidikan untuk mendapatkan tenaga kerja yang sesuai dengan bidang ilmu yang diperlukan. Tujuan penelitian ini adalah menghasilkan sistem e-careeryang berfokus pada kolaborasi antara perusahaan dengan pencari kerja dan pihak STMIK Pontianak. Dengan sistem e-career, dapat membantu pencarikerja untuk mendapatkan peluang kerja dengan mudah dan pihak perusahaan juga dapat menemukan calon karyawan yang sesuai dengan kebutuhan. Sistem e-careeryang dibangun bukan semata perekrutan karyawan secara online oleh pihak perusahaan seperti pada sistem e-recruitment, akan tetapi lebih mengarah kepada kerja sama antara STMIK Pontianak sebagai penyedia tenaga kerja dengan pihak perusahaan sebagai pengguna tenaga kerja. Penelitian ini berbentuk studi kasus dan metode penelitiannya menggunakan Research & Development. Metode perancangan sistem ecareermenggunakan Rapid Application Development (RAD) yang merupakan sebuah strategi pengembangan sistem yang menekankan kecepatan melalui keterlibatan user. Melibatkan user pada proses desain menyebabkan kebutuhan user dapat terpenuhi dengan baik dan secara otomatis kepuasan user sebagai pengguna sistem semakin meningkat[14]. Teknik pengumpulan data yang penulis gunakan wawancara dan observasi.Data yang diperoleh digambarkan dengan menggunakan metode pemodelan berorientasi objek yaitu UML (Unified Modelling Language). Tahapan pengembangan ecareermelibatkan perusahaan, calon lulusan dan pihak pengelola STMIK Pontianak dimana pada tahap ini akan dirumuskan kebutuhan dari masing-masing pihak. Pada tahap perancangan ecareer, penulis menggunakan beberapa komponen seperti DataTables yang merupakan plug-in untuk jQuery Javascript library. Penggunaan komponen tidak memerlukan pengembangan sistem dari awal sehingga proses pengembangan menjadi lebih cepat. Sepengetahuan penulis, konsep e-careerbelum banyak yang meneliti sehingga untuk kebutuhan teori penulis mengacu kepada konseperecruitment.

234

2.

Konsep E-career

E-careerSTMIK Pontianak adalahsebuah sistem yang mengorganisir semua informasimengenai lowongan pekerjaan bagi calon lulusan maupun lulusan STMIK Pontianak. Dengan adanya sistem ini,akan memberikan kemudahan bagi lulusan untuk mengetahuilowongan yang sesuai dengan minat masing-masing dan sekaligus memberikan kemudahan bagiinstansi-instansi yang ingin merekrut lulusan STMIK Pontianak yang berkualitas dan sesuai dengan kebutuhan mereka. 3.

Recruitment

Recruitment memiliki makna sebagai sebuah proses mengumpulkan kandidat-kandidat pekerja baru yang memenuhi persyaratan dan kualifikasi untuk mengisi posisi yang dibutuhkan. Dengan demikian hanya kandidat yang memenuhi persyaratan yang dapat melamar ke perusahaan tersebut. Pada proses ini belum memastikan apakah kandidat sudah diterima sebagai bagian dari perusahaan, setelah proses recruitmentperusahaan melakukan seleksi terhadap calon yang menyerahkan surat lamaran. Apabila kandidat memenuhi kualifikasi maka akan berlanjut ke tahap selanjutnya yaitu sosialisasi. Proses sosialisasi adalah proses orientasi karyawan baru kepada lingkungan perusahaan agar karyawan dapat mengenal budaya dan struktur organisasi dengan lebih baik[11]. E-recruitment merupakan istilah bagi aktivitas rekruitmen yang dilakukan dengan menggunakan sarana internet dan elektronik. Faktor yang vital dalam keberhasilan penerapan teknologi tergantung pada implementasi sistem dan perencanaan yang dilakukan secara menyeluruh [10].E-recruitmentmerupakan salah satu solusi terselenggaranya sistem perekrutan karyawan menjadi lebih efektif, dan efisien sehingga mendatangkan manfaat seperti mampu menjangkau berbagai tempat diseluruh dunia, meminimalisir proses administrasi secara manual karena data kandidat telah tersimpan secara elektronik, mendapatkan kandidat yang tepat sesuai dengan kebutuhan organisasi dan memberikan perlakuan secara pribadi kepada para kandidat karena akan langsung diinformasikan melalui alamat email maupun melalui website[13]. 4.

Rapid Application Development (RAD)

Pemilihan model perangkat lunak yang cocok untuk digunakandalam sebuah organisasi sangat penting untuk keberhasilan proyek. Pemilihan salah satu model terhadap yang lain


adalahdidorong oleh ukuran proyek, anggaran, ukuran team dan banyak faktor lainnya[5].Penggunaan kembali komponen yang ada dalam pengembangan sistem informasi ecareermenjadikan RADadalah pilihan yang ideal.Rapid Application Development (RAD) terdiri dari tiga fase yaitu [1]: 1. Requirement Planning. Pengguna dan analis bertemu untuk mengidentifikasi tujuan dari aplikasi atau sistem untuk mengidentifikasi kebutuhan informasi. Pada tahap ini membutuhkan keterlibatan intens dari kedua kelompok. 2. Design Menghasilkan suatu dokumentasi sistem dan desain database, serta desain alur dalam kegiatan operasionalnya. Selama fase ini, pengguna merespon prototipe dan analis memperbaiki modul berdasarkan respon dari pengguna. 3. Implementation. Tahap implementasi meningkatkan kecepatan pembangunan melalui prototyping cepat, utilitas pengguna akhir yang lebih baik, kesederhanaan dan kegunaan dari desain Graphical User Interface (GUI). 5.

Hasil Penelitian

Sistem informasi e-careeradalah sebuah sistem yang menjadi pusat dari lowongan pekerjaan dari berbagai perusahaan yang telah menjalin kerja sama dengan STMIK Pontianak selaku pemilik sistem dan sekaligus penyedia tenaga kerja yaitu lulusan dan calon lulusan mahasiswa STMIK Pontianak. Aktor utama dari sistem ini adalah ICT (Information and communications technology) STMIK Pontianak, pencari kerja dan perusahaan. Oleh karena itu sistem yang dibangun akan didesain sesuai dengan kebutuhan dari masing-masing bagian. Pendefenisian kebutuhan dari masing-masing bagian ini akan dijelaskan pada tahap perencanaan kebutuhan dari model pengembangan RAD. 5.1 Perencanaan Kebutuhan ICT melakukan kontrol secara penuh terhadap sistem informasi e-careeryang berisikan data perusahaan, data lowongan, data pencari kerja dan informasi lainnya yang berhubungan dengan permintaan kerja sampai kepada penempatan kerja. Berikut ini adalah fitur yang diperlukan oleh ICT untuk mengelola sistem informasi e-career: a. Form untuk meregistrasi perusahaan. b. Form daftar lowongan, daftar perusahaan c. Form daftar pencari kerja d. Informasi lowongan dapat di nonaktifkan

e.

Account pencari kerja dapat di nonaktifkan Adanya hak ICT untuk mengontrol secara penuh terhadap data lowongan, perusahaan dan pencari kerja dimaksudkan apabila ada data yang tidak valid dan melanggar dari ketentuan seperti pemalsuan data maka ICT dapat menghilangkan keanggotaan dari pencari kerja maupun perusahaan.Perusahaan memiliki kewenangan untuk melakukan perubahan terhadap profil perusahaan, mengisikan data lowongan dan melihat data pencari lowongan yang sudah mendaftarkan diri pada lowongan tersebut. Berikut ini adalah fitur yang diperlukan oleh perusahaan untuk mengelola sistem informasi ecareer: a. Form update profil perusahaan b. Form pengisian data lowongan c. Form daftar lowongan d. Form daftar pencari kerja yang melamar e. Form detil pencari kerja yang melamar Tersedianya informasi secara detil dari profil pencari kerja dimaksudkan agar perusahaan dapat melihat dengan jelas biodata dari setiap pelamar karena dengan kelengkapan biodata inilah perusahaan dapat mengambil kebijakan untuk melakukan pemanggilan secara langsung terhadap calon karyawan. Pencari kerja juga memiliki kewenangan untuk melakukan perubahan terhadap biodata mereka, bisa mengakses seluruh lowongan yang diberikan oleh perusahaan, bisa mendaftar pada lowongan, bisa melihat lowongan secara detil dan lain-lain. Berikut ini adalah fitur yang diperlukan oleh pencari kerja untuk mengelola sistem informasi e-career: a. Form update profil pencari kerja b. Form status diterima c. Form daftar lowongan dan penerimaan lowongan d. Form daftar lowongan yang dilamar Pencari kerja harus bisa melihat informasi data lowongan secara detil untuk mengetahui seperti apa syarat dan ketentuan dari setiap lowongan yang ada. Selain data lowongan, data perusahaan juga harus bisa dilihat secara detil untuk mengetahui identitas dan bidang usaha dari setiap perusahaan. 5.2 Perancangan Kegiatan perancangan sistem e-careerakan berfokus pada unsur-unsur kebutuhan seperti yang telah dijabarkan pada tahap perencanaan kebutuhan. Untuk mempermudah dalam pemahaman model arsitektur dari sistem informasie-career, perlu disajikan model dari arsitektur e-careertersebut yang berfokus pada pengguna dan kebutuhan pengguna. Perancangan arsitektur sistem e-careermempresentasikan framework dari sistem perangkat lunak yang

235


dibangun. Deskripsi arsitektur mengadopsi spesifikasi sistem, model analisis, dan interaksi subsistem yang telah didefenisikan pada tahap analisis perencanaan kebutuhan. Berikut ini adalah arsitektur pengembangan sistem informasie-career(lihat gambar 1):

Perusahaan

Login

Sistem

Menampilkan Form Login

Mengisikan username dan password Validasi T

Gagal Masuk

Y Pengisian Data Lowongan

Menampilkan Halaman Perusahaan

Submit

Data Telah Berhasil Disimpan

Gambar 3. Activity Diagram Pengisian Lowongan

Gambar 1. Arsitektur e-career Perancangan model sistem informasiecareermengacu kepada perancangan berbasis obyek yang disebut sebagai OOD (Object Orianted Design) dan dianggap menjadi strategi perancangan paling modern. Dalam penelitian ini penulis menggunakan model UML (Unified Modeling Language). Use case diagram menjelaskan manfaat sistem jika dilihat menurut pandangan orang yang berada di luar sistem atau actor. Diagram ini menunjukkan fungsionalitas suatu sistem atau kelas dan bagaimana sistem berinteraksi dengan dunia luar. Perancangan proses yang terjadi dalam sistem informasi ecareerdengan use case diagram sebagai berikut (lihat gambar 2).

Activity diagram pengisian lowongan dilakukan oleh perusahaan sebagai tahap awal untuk mendapatkan respon dari pencari kerja. Pengisian data disesuaikan dengan item yang tersedia pada aplikasi dan setelah mengisikan data maka perlu disubmit untuk memasukkan data tersebut kedalam database (lihat gambar 3). Pencaker

Login

Sistem

Menampilkan Form Login

Mengisikan username dan password Validasi T

Gagal Masuk

Y Pilih Daftar Lowongan

Menampilkan Halaman Pencaker

Menampilkan Daftar Lowongan Pekerjaan

Profil Perusahaan <>

Submit Lowongan

Validasi Perusahaan

Submit Lowongan

Perusahaan

Menampilkan Pesan Lowongan Anda Sudah Mendaftar

<> Validasi Lowongan ICT

Gambar 4. Activity Diagram Submit Lowongan

Submit Terima Lowongan

Validasi Pencaker

<>

Profil Pencaker

Pencaker

Gambar 2. Use Case Diagram e-career Activity diagram memiliki pengertian yaitu lebih fokus kepada menggambarkan proses bisnis dan urutan aktivitas dalam sebuah proses yang dipergunakan untuk memperlihatkan urutan aktifitas proses bisnisyang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin terjadi, dan bagaimana mereka berakhir.

236

Activity diagram submitlowonganmemberikan penjelasan bagaimana aktivitas seorang pencaker yang ingin melihat dan mendaftarkan diri pada setiap lowongan yang ada dengan cara menampilkan daftar lowongan lalu memilinya (lihat gambar 4).Sequence diagram menggambarkan interaksi antar objek di dalam dan di sekitar sistem (termasuk pengguna, display, dan sebagainya) berupa message yang digambarkan terhadap waktu. Sequence diagram terdiri atar dimensi vertikal (waktu) dan dimensi horizontal (objekobjek yang terkait).Masing-masing objek, termasuk aktor, memiliki lifeline vertikal. Message digambarkan sebagai garis berpanah dari satu objek ke objek lainnya. Pada fase desain


berikutnya, message akan dipetakan menjadi operasi/metoda dari class. a. Sequence diagram pengisian lowongan Sequence diagram pengisian lowongan memperlihatkan bagaimana perusahaan berinteraksi langsung dengan sistem. Ketika perusahaan melakukan proses submit dari data yang telah diisikan, maka sistem akan melakukan control terhadap data yang telah diinputkan. Pesan error akan ditampilkan apabila ada kesalahan pada data isian dan pesan sukses akan ditampilkan apabila data yang diinputkan benar (lihat gambar 5). <> : Form Input Lowongan

<> : Kontrol Input

<> : Data Lowongan

: Perusahaan

interface, yaitu kumpulan layanan yang disediakan sebuah komponen untuk komponen lain. Berikut adalah component diagram yang dibutuhkan dalam perancangan sistem ecareer(lihat gambar 7). Login

Ajax Database

Datatables JQuery

Koneksi

Form Isi Lowongan

Form Daftar Lowongan

IKoneksi

Telp Contact

Form Submit Lowongan

Email Contact

1 : Open()

Gambar 7. Komponen Diagram E-career

2 : Input data lowongan() 3 : Get data lowongan()

5 : Pesan eror()

4 : Validasi()

6 : Cek koneksi()

7 : Eksekusi Sql()

8 : Tampilkan pesan sukses() 9 : Save()

Gambar 5. Sequence Diagram Pengisian Lowongan b.

Sequence Diagram Submit Lowongan Sequence diagram submit lowongan memperlihatkan bagaimana pencaker berinteraksi langsung dengan sistem. Ketika pencaker melakukan proses submit dari data lowongan yang telah dipilih, maka sistem akan melakukan control terhadap data yang telah dipilih. Pesan error akan ditampilkan apabila ada kesalahan pada data isian dan pesan sukses akan ditampilkan apabila data yang diinputkan benar (lihat gambar 6). <> : Daftar Lowongan

: Pencaker

<> : Kontrol

Diagram hubungan entitas adalah suatu dokumentasi data dengan mengidentifikasi entiti data dan memperhatikan hubungan yang ada diantara entiti. Website e-careerlebih fokus kepada informasi berupa lowongan pekerjaan, profil perusahaan dan profil pencari kerja. Dengan demikian tidak semua tabel database yang ada pada web ini memiliki keterkaitan dengan tabel yang lainnya, untuk itu dalam pembuatan diagram hubungan entitas penulis hanya menampilkan tabel yang memiliki keterkaitan dengan tabel yang lainnya (lihat gambar 8):

<> : Data Lowongan

Gambar 8. Diagram Hubungan Entitas

1 : Open()

2 : tampilkan daftar lowongan() 3 : pilih lowongan() 4 : Get data()

6 : Pesan error()

5 : cek validasi()

7 : Cek koneksi()

8 : Eksekusi Query() 9 : Tampilkan pesan sukses()

Gambar 6. Sequence Diagram Submit Lowongan Componentdiagram menggambarkan struktur dan hubungan antar komponen piranti lunak, termasuk juga ketergantungan di antara komponen. Komponen dapat juga berupa

5.3 Implementasi Kegiatan implementasi merupakan kegiatan implementasi dari prototype sistem yang sudah buat dalam bentuk Graphical User Interface (GUI). Merancang antarmuka merupakan bagian yang paling penting dari merancang sistem. Biasanya hal tersebut juga merupakan bagian yang paling sulit karena dalam merancang antarmuka harus memenuhi tiga persyaratan sebuah antarmuka yaitu sederhana, lengkap, dan harus memilki kinerja yang cepat. Alasan utama mengapa antarmuka sulit untuk dirancang adalah karena setiap antarmuka adalah sebuah bahasa pemrograman yang kecil. Antarmuka menjelaskan sekumpulan objek-objek dan operasi-operasi yang bisa digunakan.

237


a. Antarmuka Pengisian Data Lowongan Antarmuka pengisian data lowongan dipergunakan oleh pihak perusahaan untuk memberikan informasi. Dengan form ini maka informasi lowongan pekerjaan dapat dilihat oleh setiap pencari kerja(lihat gambar 9).

Gambar 9. Form Pengisian Data Lowongan b. Antarmuka Daftar Lowongan Antarmuka daftar lowongan dipergunakan oleh pencari kerja untuk mendapatkan informasi lowongan pekerjaan yang telah dipostingkan oleh perusahaan. Pada form tersebut, pencari kerja tinggal mengklik judul dari lowongan jika berminat dengan lowongan tersebut(lihat gambar 10).

6

Perekrutan karyawan secara online oleh perusahaan yang masuk ke dalam grup sistem informasi e-career STMIK Pontianak dapat membantu, mempermudah dan memberikan prioritas kepada lulusan STMIK Pontianak untuk mendapatkan pekerjaan dengan mudah tanpa harus mengunjungi berbagai situs perusahaan yang menyediakan layanan lowongan pekerjaan. Kebutuhan pengembangan e-careerdengan cepat dan pemakaian komponen dijadikan sebagai acuan dalam menggunakan metode RAD dan juga adanya respon pengguna saat dalam perancangan menjadikan sistem ini sesuai dengan kebutuhan.Berdasarkan hasil pengujian, sistem dapat dipergunakan untuk registrasi perusahaan, mengisikan lowongan dan setiap lowongan yang dikelompokkan berdasarkan perusahaan bisa diakses oleh setiap pengunjung web. Namun hanya pengunjung yang telah terdaftar sebagai member yang bisa mendaftar pada setiap lowongan.Keberhasilan dari sistem ini sangat tergantung pada keterlibatan perusahaan dan semakin banyak perusahaan yang bergabung maka peluang kerja bagi para alumni juga akan semakin besar. Daftar Pustaka [1]

[2]

[3]

Gambar 10. Form Daftar Lowongan c. Antarmuka Informasi Lowongan Antarmuka informasi lowongan dipergunakan oleh admin untuk mengontrol lowongan yang telah dipostingkan oleh perusahaan. Pada form ini admin dapat meng-aktifkan lowongan maupun meng-nonaktifkan lowongan(lihat gambar 11).

[4]

[5]

[6] Gambar 11. Form Informasi Lowongan [7]

238

Kesimpulan

Dacuycuy-Pacio, Rochelle. Online Student Information System of Benguet State University (OSIS-BSU), Philippines. Dhamija, Pavitra. E-recruitment: a roadmap towards e-human resource management. Journal of Arts, Science& Commerce 3.2 (2012): 33-39. Du Plessis, AJ, and Howard Frederick.Effectiveness of e-recruiting: empirical evidence from the Rosebank business cluster in Auckland, New Zealand. Science Journal of Business Management 2012 (2012). Du Plessis, AJ, and Howard Frederick. Effectiveness of e-recruiting: empirical evidence from the Rosebank business cluster in Auckland, New Zealand. Science Journal of Business Management 2012 (2012). Khan, Asif Irshad, Rizwan Jameel Qurashi, and Usman Ali Khan. A comprehensive study of commonly practiced heavy and light weight software methodologies. arXiv preprint arXiv:1111.3001 (2011). Lakshmi, SL. E-RECRUITMENT: A BOOM TO THE ORGANIZATIONS IN ... 2014. Malik, Zulqarnain. The Role of Erecruitment Towards Attraction of


[8]

[9]

[10]

[11]

Workforce: A Case of Telecom Sector Organization. Abasyn University Journal of Social Sciences 6.1 (2013). MUSTAPHA, Adeniyi Mudashiru, OA ILESANMI, and M AREMU. The Impacts of well Planned Recruitment and Selection Process on Corporate Performance in Nigerian Banking Industry (A Case Study of First Bank Plc 2004-2011). Purnomo, Tommy Septian. Rekrutment online (e-recruitment) sebagai suatu inovasi dalam perekrutan perusahaan. Jurnal JIBEKA 7 (2013). Parry, E., & H, W. (2009). Factors Influencing the Adoption of Online Recruitment. Personnel Review. R. Gómez-Mejía, B. Balkin, & L. Cardy.(2011). Managing Human

[12]

[13]

[14]

Resources. Seventh Edition. United Kingdom: Prentice Hall. Ranerup, Agneta. eCareer Guidance in Quasi Markets for Education: Roles and Controversies. ECIS 2003 Proceedings (2002): 25. Sharma, Vinky, 2010, Impact Of erecruitment On Human Resource Supply Chain Management: An Empirical Investigation Of Service Industry In Indian Context, India, Jaypee Institute of Information. Whitten, J. L., Bentley, L. D., and Dittman, K. C. (2004). Systems Analysis and Design Methods: Sixth Edition. McGraw-Hill Irwin.

239


SISTEM PENUNJANG KEPUTUSAN PEMBERIAN BEASISWA BIDIKMISI (STUDI KASUS : STMIK POTENSI UTAMA) Edy Victor Haryanto STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3 A Medan edyvictor@gmail.com

Abstrak Beasiswa adalah hak setiap orang atau mahasiswa selama mahasiswa tersebut aktif dalam sebuah perguruan tinggi. Bidikmisi adalah beasiswa yang disediakan oleh pemerintah atau Dikti untuk mahasiswa baik untuk perguruan tinggi negeri maupun swasta. Beasiswa tersebut digunakan untuk biaya perkuliahan dan biaya hidup selama mahasiswa tersebut aktif dari sudah menjadi mahasiswa sampai tamat. Ada beberapa kriteria yang telah ditentukan untuk mendapatkan beasiswa tersebut, di dalam paper ini penulis mencoba membuat sebuah system, bagaimana kriteria penerima beasiswa bidik misi tersebut dengan metode AHP dan dengan bantuan software super decision. Kata kunci : bidik misi, beasiswa, AHP, super desicion Pendahuluan Beasiswa adalah hak dari setiap mahasiswa yang sedang mengikuti perkuliahan di sebuah perguruan tinggi, beasiswa tersebut dapat digunakan untuk membantu mahasiswa dalam hal biaya pendidikan, dan semua biaya yang terkait dengan perkuliahan. Ada banyak beasiswa yang disediakan oleh Pemerintah khususnya Dikti diantaranya adalah beasiswa Bidik Misi, beasiswa ini diberikan kepada mahasiswa yang kurang mampu dari segi ekonomi, beasiswa ini diberikan dari awal perkuliahan sampai dengan selesai mahasiswa kuliah dan biaya hidup mahasiswa juga ditanggung. Bidik misi adalah program pemerintah melalui Direktorat Jenderal Pendidikan Tinggi (Ditjen Dikti) Kementerian Pendidikan Nasional Republik Indonesia yang diluncurkan pada tahun 2012, tujuannya untuk memberikan bantuan biaya penyelenggaraan pendidikan dan bantuan biaya hidup kepada 42.000 mahasiswa termasuk 2.000 perguruan tinggi swasta yang memiliki potensi akademik memadai dan kurang mampu secara ekonomi di 117 perguruan tinggi penyelenggara. [1]. Penyeleksian yang dilakukan terhadap mahasiswa untuk mendapatkan beasiswa bidik misi selama ini dilakukan secara manual, agar lebih terstruktur dan baik maka dibuat sebuah system dengan menggunakan metode AHP agar dalam pemilihan mahasiswa yang mendapatkan beasiswa berdasarkan system yang akan dibuat tersebut. Diharapkan dengan system yang diterapkan ini dapat membantu mengurangi masalah yang manual selama ini.

240

Ada beberapa kriteria yang ditetapkan untuk memperoleh beasiswa bidik misi, dan kriteria tersebut ditetapkan oleh pemerintah. Adapun kriteria dalam penyusunan ini adalah indeks prestasi, penghasilan orang tua, jumlah tanggungan orang tua, dan nilai UN. Penelitian Terkait Umami Pesos dalam penelitiannya membuat sebuah program yang terstruktur agar lebih mudah dalam menentukan mahasiswa yang mendapatkan beasiswa bidik misi berdasarkan criteria yang telah ditentukan oleh pemerintah atau Dikti bagi mahasiswa Universitas Bina Darma[2]. Program SIMBA yang dibuat agar dapat menentukan siapa calon mahasiswa ITS yang berhak mendapatkan beasiswa berdasarkan kriteria tertentu dengan wawancara[3]. Dengan metode Analytical Hirearchy Process yang digunakan untuk menentukan siswa-siswi SMA yang berhak untuk mendapatkan beasiswa berdasarkan kriteria yang telah ditentukan oleh sekolah dan untuk membantu para siswa yang kurang mampu secara tersistem[4]. Tujuan Penelitian Adapun tujuan dari penelitian ini adalah : 4. Membuat sebuah system dalam mengambil keputusan dalam pemberian beasiswa. 5. Mempermudah dalam menentukan pemberian beasiswa kepada mahasiswa. 6. Proses penentuan pemberian beasiswa dilakukan secara adil.


2.

Pembahasan

Matriks Perbandingan Berpasangan Kriteria

Data yang didapatkan adalah dari hasil wawancara dengan pihak humas dan bagian kemahasiswaan. Data tersebut kemudian dijadikan sebagai dasar untuk perbandingan kriteria dan alternatif. Semua data yang ada akan diolah dan dilanjutkan dengan menggunakan metode Analitycal Hierarchy Process (AHP) dimana software yang akan digunakan dalam membantu mendapatkan hasil keputusan adalah Software Super Decisions dan Microsoft Excel. Analisis Kebutuhan Data Kriteria Data didapatkan dari proses wawancara dengan bagian Kemahasiswaan selaku penanggung jawab untuk masalah beasiswa bidik misi tersebut, dan adapun kriteria yang digunakan dalam penentuan penerimaan beasiswa tersebut sudah ditentukan, pada penetapan tujuan ini terdapat beberapa kriteria yang ditetapkan oleh Dikti antara lain : 1. Indeks Prestasi mahasiswa selama disekolah, 2. Kriteria nilai UN yang didapat dari hasil ujian mahasiswa waktu disekolah. 3. Penghasilan orang tua 4. Jumlah tanggungan orang tua Analisa Proses Metode AHP Analytical Hierarcy Process (AHP) adalah suatu metode analisis dan sintesis yang dapat membantu proses pengambilan keputusan. AHP merupakan alat pengambil keputusan yang akurat karena adanya skala atau bobot yang telah ditentukan dan menggunakan hirarki yang terdiri dari tiga level yaitu tujuan atau goal, kriteria dan alternatif.

Tahapan ini pemberian bobot masing-masing kriteria menggunakan model AHP (Analytical Hieracrchy Process) Tabel 1. Matriks Perbandingan Berpasangan Kriteri Indeks Penghasil Tanggun Nilai Prestasi an Orang gan UN a Tua Orang Tua Indeks 1/1 5/1 7/1 3/1 Prestasi Pengha 1/5 1/1 2/1 1/4 silan Orang Tua Tanggu 1/7 1/2 1/1 1/6 ngan Orang Tua Nilai 1/3 4/1 6/1 1/1 UN Menghitung Nilai Matriks Kriteria Maktriks ini diperoleh dengan rumus berikut : Nilai baris kolom baru = nilai bariskolom lama / jumlah masing-masing kolom lama. Tabel 2. Hasil Matriks Perbandingan Kriteria Berpasangan

Beasiswa

Goal

menghitung hasil kriteria berpasangan kedalam matrik perbandingan berpasangan yang diubah kedalam bentuk desimal. Tabel 3. Hasil Perhitungan Matriks Berpasangan dan Normalisasi Kriteria

Indeks Prestasi

Alternatif

Mahasisw a1

Penghasil an Orang tua

Mahasisw a2

Tanggun gan Orang tua

Mahasis wa3

Nilai UN

Mahasiswa 4

Untuk nilai hasil normalisasi, hasil penjumlahan baris dibagi dengan jumlah keseluruhannya.

Gambar 1. Hirarki AHP Penentuan Penerima Beasiswa Bidik Misi

241


Diperoleh skala prioritas untuk masingmasing kriteria. Pada baris pertama untuk Indeks Prestasi dengan nilai 0.5626 atau 56%, baris kedua adalah Penghasilan Orang Tua dengan nilai 0.0922 atau 9%, baris ketiga adalah Tanggungan Orang Tua dengan nilai 0.0543 atau 5% dan baris keempat adalah Nilai UN dengan nilai 0.2909 atau 29%. Kemudian dilakukan perhitungan nilai eigen maksimum yang diperoleh dengan menjumlahkan hasil perkalian nilai eigen dengan jumlah kolom. Nilai eigen maksimum : = (0.5626 *1.676) + (0.0922 *10.500) + (0.0543 *16.000) + (0.2909*4.417) = 0.9430 + 0.9685 + 0.8683 + 1.2848 = 4.0646 Nilai Consistency Index yaitu : CI = 4.0646 – 4 = 0.0646 4–1

Gambar 2. Hasil Bobot Akhir Perbandingan Kriteria Indeks Prestasi Nilai eigen maksimum : = (0.3579 *2.833) + (0.0913 *11.000) + (0.3320 *3.700) + (0.2186*4.500) = 4.2035 Nilai Consistency Index yaitu : CI = 4.2035 – 4 = 0.2035 4–1

= 0.0786 3

Untuk n = 4 , RI (random index) = 0,900 ( tabel saaty ), maka dapat diperoleh nilai consistency ratio (CR) yaitu : CR = 0.0786 = 0.0854 < 0.100 0.900 Karena CR < 0.1000 berarti konsisten

= 0.0215 3

Untuk n = 4 , RI (random index) = 0,900 ( tabel saaty ), maka dapat diperoleh nilai consistency ratio (CR) yaitu : CR = 0.0215 = 0.0239 < 0.100 0.900 Karena CR < 0.1000 berarti konsisten Matriks Perbandingan Berpasangan Kriteria Indeks Prestasi Pada tahap ini alternatif dibandingkan sesuai dengan kriteria indeks prestasi yang datanya didapatkan dari hasil wawancara dan kuesioner kemudian diolah kedalam matriks perbandingan berpasangan sesuai kriteria. Tabel 4. Hasil Perbandingan Berpasangan Kriteria Indeks Prestasi Indeks Maha Mahas Mahasi Mahasi Prestasi siswa iswa1 swa3 swa4 2 Mahasiswa1 1/1 3/1 2/1 1/1 Mahasiswa2 1/3 1/1 1/5 1/2 Mahasiswa3 1/2 5/1 1/1 2/1 Mahasiswa4 1/1 2/1 1/2 1/1

242

Gambar 3. Hasil Prioritas Indeks Prestasi dengan Super Decisions Matriks Perbandingan Berpasangan Kriteria Nilai UN Pada tahap ini alternatif dibandingkan sesuai dengan kriteria Nilai UN yang datanya didapatkan dari hasil wawancara dan kuesioner kemudian diolah ke dalam matriks perbandingan berpasangan sesuai kriteria. Tabel 5. Hasil Perbandingan Berpasangan Kriteria Nilai UN Nilai UN Mahasis Mahasi Mahasi wa1 swa2 swa3 Mahasiswa1 1/1 1/2 1/3 Mahasiswa2 2/1 1/1 1/3 Mahasiswa3 3/1 3/1 1/1 Mahasiswa4 1/1 2/1 1/2

Mahasis wa4 1/1 1/2 2/1 1/1


Menghitung Nilai Matriks Kriteria Maktriks ini diperoleh dengan rumus berikut : Nilai baris kolom baru = nilai bariskolom lama / jumlah masing-masing kolom lama.

Tabel 6. Hasil Perbandingan Berpasangan Kriteria Penghasilan Orang Tua Penghasilan Orang Tua Mahasiswa1 Mahasiswa2 Mahasiswa3 Mahasiswa4

Gambar 4. Hasil Bobot Akhir Perbandingan Kriteria Nilai UN Nilai eigen maksimum : = (0.1469 *7.000) + (0.1758 *6.500) + (0.4492 *2.166) + (0.2281*1.000) = 4.1704 Nilai Consistency Index yaitu : CI = 4.1704 – 4 = 0.1704 4–1

Mahas iswa1

Mahasi swa2

Mahasi swa3

1/1 3/1 2/1 4/1

1/3 1/1 2/1 2/1

1/2 1/2 1/1 4/1

Maha siswa 4 1/4 1/2 1/4 1/1


= 0.0568 3


Gambar 6. Hasil Bobot Akhir Perbandingan Kriteria Penghasilan Orang Tua Nilai eigen maksimum : = (0.0916 *10.000) + (0.1948 *5.333) + (0.2151 *6.000) + (0.4985*2.000) = 4.2426 Nilai Consistency Index yaitu : CI = 4.2426 – 4 = 0.2426 4–1

Gambar 5. Hasil Prioritas Nilai UN dengan Super Decisions

= 0.0809 3


Matriks Perbandingan Berpasangan Kriteria Penghasilan Orang Tua Pada tahap ini alternatif dibandingkan sesuai dengan kriteria Penghasilan Orang Tua yang datanya didapatkan dari hasil wawancara dan kuesioner kemudian diolah ke dalam matriks perbandingan berpasangan sesuai kriteria. Gambar 7. Hasil Prioritas Nilai Penghasilan Orang Tua dengan Super Decisions

243


Matriks Perbandingan Berpasangan Kriteria Tanggungan Orang Tua Pada tahap ini alternatif dibandingkan sesuai dengan kriteria Tanggungan Orang Tua yang datanya didapatkan dari hasil wawancara dan kuesioner kemudian diolah ke dalam matriks perbandingan berpasangan sesuai kriteria. Tabel 7. Hasil Perbandingan Berpasangan Kriteria Tanggungan Orang Tua Tanggungan Maha Maha Mahas Mahasi Orang Tua siswa siswa iswa1 swa2 3 4 Mahasiswa1 1/1 1/2 1/4 1/3 Mahasiswa2 2/1 1/1 1/2 1/4 Mahasiswa3 4/1 2/1 1/1 1/3 Mahasiswa4 3/1 4/1 3/1 1/1 Menghitung Nilai Matriks Kriteria Maktriks ini diperoleh dengan rumus berikut : Nilai baris kolom baru = nilai bariskolom lama / jumlah masing-masing kolom lama.

Gambar 9. Hasil Prioritas Nilai Tanggungan Orang Tua dengan Super Decisions

Analisa Hasil Metode Analytical Hierarchy Process Setelah mendapatkan kriteria penentuan kualitas kulit terpenting dari masing-masing kriteria, langkah selanjutnya adalah mengalikan nilai tersebut dengan nilai akhir dari bobot kriteria. Hasilnya dapat dilihat pada Tabel 8. Tabel 8. Hasil Nilai Masing-Masing Kriteria

Gambar 8. Hasil Bobot Akhir Perbandingan Kriteria Tanggungan Orang Tua Nilai eigen maksimum : = (0.0949 *10.000) + (0.1395 *7.500) + (0.2589 *4.750) + (0.5067*1.917) = 4.1963 Nilai Consistency Index yaitu : CI = 4.7167 – 4 = 0.1963 4–1

= 0.0654 3


244

Gambar 10. Hasil Pengujian Computation Full Report dengan Super Decisions

Hasil Pengujian Hasil perhitungan data sampel untuk menentukan ranking mahasiswa yang paling menentukan mendapatkan beasiswa bidikmisi tersebut dapat dilihat pada tabel 9


Tabel 9. Bobot Final dan Ranking Alternatif

1. Tabel 9 merupakan perbandingan hasil perhitungan dengan cara manual, dan dengan perhitungan Super Decisions, dari hasil yang dibandingkan terdapat nilai pada beberapa kriteria. Perbedaan yang terjadi pada empat digit angka dibelakang koma, sehingga hasil akhir antara perhitungan analisis manual dengan perhitungan analisis Super Decisions dapat dikatakan konsisten. 2. Dari hasil perbandingan, didapatkan hasil akurasi manual dan dengan software terendah 85% dan akurasi tertinggi 100%. 3.

Kesimpulan

Dari hasil penelitian diatas, maka didapat kesimpulan adalah sebagai berikut : 1. Dengan menggunakan sebuah sistem maka akan lebih mudah menentukan keputusan penerima beasiswa. 2. Dengan super decision akan lebih mudah membuat sebuah sistem penunjang keputusan. 3. Sistem yang dibuat akan lebih transparan untuk menentukan siapa mahasiswa yang berhak untuk menerima beasiswa.

Daftar Pustaka [1] Kementerian Pendidikan dan Kebudayaan Direktorat Jenderal Pendidikan Tinggi Direktorat Pembelajaran Dan Kemahasiswaan, Pedoman Bidik Misi, Jakarta, 2012. [2] Umami, Pesos, dkk, 2012, “Sistem Penunjang Keputusan Pemberian Beasiswa Bidik Misi”, Semantik, Semarang [3] Dalu Nuzul Kirom, dkk, “Sistem Informasi Manajemen Beasiswa ITS Berbasis Sistem Penunjang Keputusan Menggunakan Analytical Hirearchy Process”, Jurnal Teknik ITS, Vol. 1, No. 1, 2012 [4] Aulia Vitari, Said M. Hasibuan “Sistem Penunjang Keputusan Penerimaan Beasiswa Menggunakan Metode Analytical Hirearchy Process”, KNS&I, Bali, 2010 [5] Dina Andayati (2010), “Sistem Pendukung Keputusan Pra-Seleksi Penerimaan Siswa Baru (PSB) Online Yogyakarta“, Jurnal Teknologi Vol.3 No.2. [6] Efraim Turban, Jay E. Aronson, Ting Peng Liang (2005), “Decision Support System and Intelligent Systems Edisi 7 Jilid 1”, Yogyakarta : Andi Offset. [7] Kusrini (2007), “Konsep dan Aplikasi Sistem Pendukung Keputusan”, Yogyakarta : Andi Offset. [8] Nila Susanti, Sri Winiarti (2013), “ Sistem Pendukung Penentuan Kualitas Kayu Untuk Kerajinan Meubel ”, Jurnal Sarjana Teknik Informatika e-ISSN : 2338:5197 Volume 1 Nomor 1 [9] https://bidikmisi.zendesk.com/entries/22 585523-Apakah-Bidikmisi-Itu-Kenapabukan-disebut-Beasiswa. diunduh tanggal 9 April 2012.

245


ANALISA PERFORMANSI VIDEO STREAMING PADA JARINGAN WIRELESS 802.11n I Gede Putu Krisna Juliharta1, Gede Wisnu TeguhSaputra2, I Wayan Ardiyasa3 Prodi Sistem Komputer, STMIK STIKOM Bali Jl. Raya Puputan Renon No. 86 Denpasar Bali. Telp. (0361) 244445 1 krisna.juliharta@gmail.com, 2xxx@gmail.com, 3ardibinus@gmail.com

Abstrak Dengan meningkatnya jenis jenis file video menyebabkan berkembangnya aplikasi video streaming untuk media pengiriman video berbasis jaringan kabel dan nirkabel. Streaming memungkinkan menampilkan media tanpa harus menunggu keseluruhan media diterima lengkap terlebih dahulu oleh client. untuk mengetahui performansi aplikasi video streaming, tiga buah skenario telah dilakukan. Pengukuran Quality of Service seperti Delay, Jitter, throughput,dan packet data loss dilakukan pada saat pengujian jaringan infrastruktur (skenario 1), pada mode Wireless Distribution System (skenario 2), dan pada saat client bergerak dari access point 1 ke access point 2 (skenario 3). Wireless Distribution System adalah sebuah sistem untuk memperluas jaringan wireless dengan menggunakan dua access point atau lebih. Pengukuran dilakukan dengan cara streaming video dari server ke client dengan menggunakan aplikasi VLC, kemudian menangkap paket-paket tersebut dengan menggunakan aplikasi wireshark. Katakunci : Video Streaming, Delay, Jitter, Throughput, Wireless. 1.

PENDAHULUAN

Penggunaan WLAN sebagai perpanjangan dari infrastruktur kabel LAN yang sudah ada menawarkan kenyamanan mobilitas bagi para pengguna terutama dalam lingkungan bisnis dan perusahaan.Dengan semakin murahnya hargaharga produk WLAN berdampak pada peningkatan jumlah pengguna di kalangan rumahan.Penyebaran pengguna WLAN di lingkungan rumahan ini adalah faktor utama yang menyebabkan produk WLAN tumbuh dengan pesat. WLAN banyak digunakan untuk transfer data, namun dengan standar WLAN baru seperti IEEE802.11n dan standar IEEE802.11ac yang akan datang menyediakan channelbandwidth yang lebih besar dibandingkan dengan IEEE802.11a/b/g akhirnya akan mengarah pada meningkatnya tuntutan untuk penggunaan pada aplikasi multimedia. 802.11n adalah standarisasi wireless terkini dari standar 802.11. Standar 802.11n ini sendiri telah diperkenalkan pada tahun 2007 silam. Dengan standarisasi yang baru ini tentunya terdapat perbaikan-perbaikan yang signifikan terhadap kemajuan dari teknologi wireless itu sendiri, seperti halnya kemajuan dalam hal Quality Of Service(QoS) dan kemajuan dalam hal keamanan. Maka dengan standart 802.11n ini juga diharapkan pengguna dapat menjalankan aplikasi atau transfer data dengan jumlah besar seperti aplikasi video streaming dengan lebih baik. Teknologi wireless 802.11 kemudian menciptakan sebuah topologi jaringan yang

246

disebut Wireless Distribution System (WDS). Dimana WDS ini menghubungkan dua atau lebih jaringan LAN baik kabel ataupun nirkabel secara nirkabel untuk membangun jaringan yang besar. Dalam proses menjalankan video streaming ada beberapa factor yang yang perlu diperhitungkan untuk menentukan baik buruknya kualitas gambar dan suara. Diantaranya bandwidth yang cukup, infrasurtuktur jaringannya, semakin jauh jarak pengguna dari node utama pemberi bandwidth tentunya semakin rendah kualitasnya. Selain itu factor yang tidak lah penting adalah delay, jitter, dan packet loss pada infrastruktur jaringan tersebut. Pada Penelitian ini akan dilakukan pengujian performa dari video streaming melalui jaringan wireless. Standar yang digunakan adalah 802.11n dengan model jaringan infrastructure dan Wireless Distribution System (WDS). Dengan kedua model jaringan tersebut akan diuji performansinya melalui pengukuran delay, jitter, packet loss, dan throughput. Proses pengujian dilakukan dengan membangun jaringan infrastructure dan WDS. Selanjutnya akan dijalankan video streaming melalui jaringan tersebut dan diukur performansinya menggunakan tools wireshark. Format video adalah avidan MPEG menggunakan bandwidth 512 Kbps dan 1 Mbps. Tujuannyauntuk menunjukkan dampak user mobility terhadap performansi video streaming pada jaringan wireless 802.11n.


2.

LANDASAN TEORI

A.

Wireless Local Area Network (WLAN) WLAN adalah suatu jaringan area lokal nirkabel dimana media transmisinya menggunakan frekuensi radio, untuk memberi sebuah koneksi jaringan ke seluruh pengguna dalam area disekitarnya.WLAN memiliki beberapa standar seperti 802.11 a/b/g dan n. Tabel 2.1 Perbandingan Standarisasi Wireless 802.11[4]. 802.11 802.11 802.11 802.11 a b g n Max Data 54 11 54 600 Rates Mbps Mbps Mbps Mbps DSSS Modulati OFD / OFD DSSS on M OFD M M 2.4 5.4 2.4 2.4 GHz RF Band GHz GHz GHz &5 GHz 83.5 Available 580 83.5 83.5 Mhz / BW Mhz Mhz Mhz 580 Mhz 20 Channel 20 20 20 Mhz / Width Mhz Mhz Mhz 40 Mhz No. of 1,2,3 Spatial 1 1 1 &4 Streams B.

Topologi Jaringan Wireless LAN (WLAN) Point to Point Protocol atau yang biasa disingkat PPP merupakan enkapsulasi multiprotocol datagram dalam jaringan yang sering digunakan pada jaringan WAN, Point to Point Protocol menggunakan arsitektur berlapis dengan model logis dan desain yang membantu komunikasi diantara lapisan interkoneksi. Point to Point Protocol juga menyediakan enkapsulasi datagram melalui jalur point to point dan menggunakan lapisan data link untuk mengetes koneksi (Gambar 2.1).

Gambar 2.1 Topologi Point to Point

Topologi jaringan wireless yang kedua adalahPoint-to-multipoint,yang dapat diartikan sama dengan distribusi . Satu base station dapat melayani ratusan dari pelanggan yang berbedabeda baik yang bersangkutan dengan bandwith dan layanan yang disediakan (gambar 2.2).

Gambar 2.2 Topologi Point to Multipoint C.

Streaming Streaming adalah sebuah teknik yang digunakan untuk melakukan transfer data sehingga dapat diproses secara tetap dan kontinyu[1]. Dalam videostreaming ada beberapa hal yang menjadi tolak ukur kualitas dari proses streaming tersebut seperti Qos, Parameterparameter pengujian jaringan, dan aplikasi videostreaming. Beberapa protokol yang digunakan dalam teknologi streaming adalah: i. SessionDescriptionProtocol (SDP) : Gambaran format media yang digunakan untuk menggambarkan session multimedia untuk tujuan pengumuman session, session undangan, dan bentuk-bentuk inisiasi session multimedia. ii. RealTimeTransportProtocol (RTP) : Sebuah paket dengan format UDP dan seperangkat konvensi yang menyediakan fungsi jaringan transportasi end-to-end, cocok untuk aplikasi transmisi data real-time seperti audio, video atau data simulasi, melalui layanan jaringan multicast atau unicast. iii. Real-timeControlProtocol (RTCP) : RTCP adalah protokol kontrol yang bekerja sama dengan RTP. Paket kontrol RTCP secara berkala dikirimkan oleh masing-masing paket dalam sesi RTP untuk semua paket lainnya. RTCP digunakan untuk mengontrol kinerja dan untuk tujuan diagnostik. iv. HypertextTransferProtocol (HTTP) : Sebuah protokol level aplikasi yang terdistribusi, kolaboratif, dengan sistem informasi hypermedia. Ini adalah protokol berorientasi objek yang dapat digunakan untuk banyak tugas, seperti servernama dan sistem manajemen objek terdistribusi, melalui perpanjangan metode permintaannya. v. RealTimeStreamingProtocol (RTSP) : Sebuah protokol level aplikasi untuk kontrol atas pengiriman data dengan sifat real-time. RTSP menyediakan kerangka extensible

247


untuk mengaktifkan kendali pada pengiriman data real-time, seperti audio dan video, dengan menggunakan Transmission Control Protocol (TCP) atau User Data Protocol (UDP). Wireless Distribution System Wireless distribution system (WDS) adalah sebuah sistem untuk memperluas jangkauan jaringan wireless dengan menggunakan dua atau lebih Access point. Dengan teknik WDS ini, penggunaan kabel sebagai backbone jaringan tidak dibutuhkan, sehingga lebih mudah, murah, dan efisien untuk instalasinya.Access point tersebut bisa berupa main, relay, atau remote base station. Syarat untuk membangun Wireless distribution system (WDS) : i. Access point utama maupun Access pointRepeater harus mendukung fitur WDS ii. Masing-masing IP AddressAccess point tidak boleh sama. iii. Sebagian besar Authentication access point yang didukung dalam WDS adalah WEP 64/128 bit. Dan semua Access point yang terlibat dalam 1 koneksi harus menggunakan Metoda Inkripsi / Authentication yang sama. iv. Channel Radio yang digunakan harus sama. Misal Channel 10. v. Matikan layanan DHCP Server pada Access pointRepeater, karena DHCP akan diambil alih Access point utama yang sebagai default gateway. vi. Ada kemungkinan WDS tidak berfungsi jika Access point utama dan Access point Repeater berbeda merk.

ii.

iii.

D.

Quality of Service (QoS) QoS adalah kemampuan suatu jaringan untuk menyediakan layanan yang baik dengan menyediakan kapasitas jaringan, mengatasi jitter dan QoS dirancang untuk membantu pengguna menjadi lebih produktif dengan memastikan bahwa pengguna mendapatkan kinerja yang handal dari aplikasi-aplikasi berbasis jaringan[2]. Ada beberapa tolak ukur untuk menilai QoS dari jaringan, diantaranya adalah : i. Throughput Throughput adalah salah satu ukuran pasti dari performa sebuah jaringan wireless. Dengan nilai throughput inilah kita bisa melihat sebaik apa jaringan tersebut. Definisi throughput adalah kemampuan untuk mentransfer packetdata dalam waktu tertentu. Dengan kata lain, semakin besar nilai throughput dari jaringan tersebut, maka semakin baik pula kualitas dari jaringan tersebut.

iv.

3.

Delay Delay adalah waktu tunda yang disebabkan oleh proses transmisi dari satu titik ke titik lain yang menjadi tujuannya. Jitter Jitter adalah variasi waktu dari sinyal periodik dalam elektronik dan telekomunikasi, sering kali dalam kaitannya dengan sumber referensi jam. Packet loss Packet loss, adalah perbandingan seluruh paket IP yang dikirimkan dengan seluruh paket IP yang diterima antara source dan destination. Salah satu penyebab packet loss adalah antrian yang melebihi kapasitas buffer pada setiap node. METODELOGI

A.

Pemodelan Sistem Untuk analisa performansi dari video streaming pada jaringan 802.11n dibutuhkanperancangan dan pemodelan dengan tiga skenario sebagai berikut : i. Skenario 1 Start

Konfigurasi Access Point pada topologi infrastructure

Konfigurasi VLC Server

Capture packet dengan menggunakan Wireshark

E.

248

Start Streaming

End

Gambar 3.1.Flowchart Skenario satu Gambar 3.1. Menggambarkan alur proses untuk skenario 1. skenario 1 dilakukan pengujian kualitas topologi jaringan infrastruktur dengan cara streamingvideo saat client terhubung dengan access point 1 yang memiliki directaccess ke server. Kemudian diambil data parameterparameter Qos seperti Delay, Jitter, Packet Loss dan Throughput. Di sisi client dan server ditanamkan aplikasi VLC (Video Lan Client) dan Wireshark yang telah terkonfigurasi.Dan bentuk topologi jaringanya dapat dilihat pada gambar 3.2.


iii.

Skenario 3 Start


Server IP : 66.85.172.170 Subnet : 255.255.255.0 Gateway :66.85.172.1

Konfigurasi Access Point pada topologi WDS

Access Point 1 LAN IP : 192.168.1.1 WAN IP : 66.85.172.171 Subnet : 255.255.255.0 Gateway: 66.85.172.1

Laptop Client IP : 192.168.1.91 Subnet : 255.255.255.0 Gateway : 192.168.1.1

Topologi WDS Terhubung

Ya



Gambar 3.2.Topologi jaringan Infrastruktur ii.

Tidak

Skenario 2

Start Streaming

Start Client Berpindah Jaringan


End

Konfigurasi Access Point pada topologi WDS

Topologi WDS Terhubung

Gambar 3.5.Flowchart skenario tiga Skenario ketiga (gambar 3.5) adalah pengukuran kualitas jaringan ketika client melakukan streaming saat berpindah dari access point 2 menuju access point 1 dan sebaliknya. Pengukuran parameter Qos seperti Delay, Jitter, Packet Loss dan Throughput dilakukan dengan aplikasi Wireshark.Untuk topologinya dapat dilihat di gambar 3.6.

Tidak

Ya



Start Streaming

Access Point 2 IP : 192.168.1.3 End

Gambar 3.3.Flowchart Skenario dua

Server IP : 66.85.172.170 Subnet : 255.255.255.0 Gateway : 66.85.172.1

Pada skenario kedua (gambar 3.3 dan gambar 3.4)client terhubung pada topologi Wireless Distribution System (WDS). Di skenario kedua ini juga akan dilakukan pengujian kualitas jaringan berupa video streaming untuk mendapatkan data parameter-parameter Qos seperti Delay, Jitter, Packet Loss dan Throughput.


Server IP : 66.85.172.170 Subnet : 255.255.255.0 Gateway :66.85.172.1

Access Point 2


Gambar 3.4.topologi jaringan WDS


Client bergerak

Gambar 3.6.Topologi Jaringan WDS 4.




Seperti yang sudah disebutkan pada pendahuluan, jaringan yang dibangun didukung oleh koneksi internet berkecepatan 1Mbps dan 512Kbps. Dalam pengujian jaringan dilakukan tiga skenario.Yang kemudian didapatkan data parameter QoS seperti delay, jitter, throughput, dan packet loss. i. Delay Gambar 4.1 menunjukkan hasil pengukuran yang menunjukkan kenaikan nilai delay pada skenario dua dan tiga bila dibandingkan dengan skenario satu. Kenaikan delay terbesar terjadi pada skenario tiga. Hal ini disebabkan karena

249


skenario tiga merupakan proses handover. Saat terjadihandover, komunikasi akan terputus untuk beberapa saat. Hal ini menyebabkan paket yang sedang dikirimkan akan berhenti untuk beberapa saat sehingga paket tersebut akan terlambat datang. Komunikasi akan terhubung kembali setelah Client terhubung pada network barunya.

nilai jitter yang terukur pada skenario satu, skenario dua, dan skenario tiga, jauh lebih kecil dari nilai 30 ms yang merupakan standar jitter yang baik.

Gambar 4.4. Pengujian Jitter File MPEG

Gambar 4.1. Pengujian Delayfile Avi sedangkan hasil pengukuran pada file uji MPEG tidak mengalami perubahan signifikan bila dibandingkan dengan file uji AVI (gambar 4.2).

Mengunakan file MPEG (Gambar 4.4.) hasilnya tidak jauh beda dengan file Avi dengan nilai jitter masih memenuhi standar untuk Quality of Service. Hal ini terjadi karena adanya buffer yang digunakan oleh aplikasi real-time video streaming.Oleh karena itu, jitter tidak terlalu mempengaruhi video yang dijalankan oleh aplikasi real-time video streaming. ii.

Packet Loss Gambar 4.5.Menunjukkan bahwa nilai packet loss terbesar terjadi pada skenario ketiga. Ini disebabkan oleh client yang melakukan proses handover. Packet loss terjadi karena client langsung memutuskan koneksi dengan network yang lama sebelum membangun koneksi dengan network yang baru.Nilai packet loss yang terukur masih dibawah batas toleransi yaitu 10%.

Gambar 4.2. Pengujian Delayfile MPEGJitter Untuk mendapatkan nilai QoS jaringan yang baik, nilai jitter harus dijaga seminimum mungkin.

Gambar 4.5. Pengujian Packet Loss File Avi

Gambar4.3. Pengujian Jitter File Avi Dari gambar 4.3. Menyatakan tentang grafik hasil pengukuran Jitter pada file uji AVI dapat dilihat terjadinya kenaikan nilai jitter pada skenario dua dan skenario tiga. Besar nilai jitter dipengaruhi oleh delay yang terjadi pada paket selama berada di router. Oleh karena itu, besar

250

Berdasarkan gambar 4.5.dan gambar 4.6 dapat terlihat besarnya packet loss yang terjadi dari setiap skenario. Packet loss terbesar terjadi pada skenario 3 baik itu menggunakan file Avi ataupun MPEG. Hal tersebut disebabkan karena client melakukan proses handover. Packet loss terjadi karena client langsung memutuskan koneksi dengan network yang lama sebelum membangun koneksi dengan network yang baru.


5.

Gambar 4.6. Pengujian Packet Loss File MPEG iii.

Throughput Gambar 4.7. Dan Gambar 4.8. Menunjukkan bahwa nilai throughput pada skenario ketiga merupakan nilai throughput terkecil.Hal ini disebabkan karena pengaruh dari delay yang lebih besar pada skenario tiga dibandingkan dengan uji coba yang lainnya. Terdapat hubungan berbanding terbalik antara throughput dengan delay dimana semakin kecil nilai throughput maka semakin besar nilai delay.

KESIMPULAN

Topologi infrastruktur yang diuji coba pada skenario satu memiliki kualitas QoS paling baik dibandingkan dengan skenario dua dan tiga.Hal ini terjadi karena prinsip topologi yang memberikan bandwidth langsung ke client tanpa dibagi pada access point lain seperti yang terjadi pada topologi WDS. Topologi jaringan WDS bisa dipergunakan dengan baik pada implementasi aplikasi video streaming yang menggunakan protokol RealTimeStreamingProtocol (RTSP).Nilai-nilai parameter QoS saat terjadi pergerakan client (usermobility) masih dalam batas toleransi nilai QoS yang baik. Secara umum QoS pada skenario satu yang berupa jaringan infrastruktur dan skenario dua yang berupa jaringan wireless distribution system (WDS) yang tidak berpindah networklebih baik dibandingkan skenario tiga dimana terjadi proses handover atau perpindahan network pada client. Format file tidak memiliki dampak yang signifikan terhadap hasil pengukuran. Hal in disebabkan karena saat proses streaming, file dibagi sesuai dengan tingkatan pada layer OSI. Untuk kedepannya topologi yang dibandingkan dapat lebih dikembangkan. Sebagai contoh adalah topologi WDS dengan Mesh.Kedua topologi ini memiliki kesamaan dan perbedaan di beberapa sisi yang menjadikan kedua topologi ini bisa menjadi bahan analisis yang baik. DAFTAR PUSTAKA

Gambar 4.6. Pengujian Throughput File Avi Nilai throughput yang didapatkan dari semua percobaan baik di skenario satu, skenario dua maupun skenario tiga tidak mengalami perubahan yang signifikan.

[1]

[2]

[3] [4]

Gambar 4.7. Pengujian Throughput File MPEG

[5]

Andreas Handojo, Robin Chandra, Justinis Andjarwirawan, Aplikasi Video Conference dengan Kemampuan Beroprasi Pada IPV4 dan IPV6, Seminar Nasional Aplikasi Informasi (SNATI), 2009 Bryan Yonathan, Yoanes Bandung, Armein Z.R. Langi, Analisis Kualitas Layanan (QOS) Audio-Video Layanan Kelas Virtual di Jaringan Digital Learning Pedesaan, Koferensi Teknologi Informasi dan Komunikasi untuk Indonesia, 2011 HP Innovation, ProCurve Networking, Planning a Wireless Network, 2006. Nor Khairiah Ibrahim, Abdul Halim Ali, Mohd Raziff Abdul Razak And Mohd Faiz Azhar, “The Performance Of Video Streaming Over Wireless-N”, Ieee Symposium On Wireless Technology And Applications (Iswta), 2012 Wifi Aliance, “Wi-Fi Certified™ N Longer-Range, Faster-Throughput, Multimedia-Grade Wi-Fi® Networks”, 2009.

251


[6]

[7]

252

Cisco Systems, Inc., Configuring Cisco Ios Ip Slas Udp Jitter Operations For Voip, 2010. Itu-T G.1010, Series G: Transmission Systems And Media, Digital Systems And Networks Quality Of Service And Performance, 2011.

[8]

Videolan Organization, "Videolan Client Documentation", Http://Www.Videolan.Org/Doc/, Diakses Maret 2014.


PEMANFAATAN METODE AHP SEBAGAI MODEL PEMILIHAN MASKAPAI SEBAGAI TEMPAT KERJA BERDASARKAN MINAT BAGI LULUSAN LPP PENERBANGAN Lili Tanti STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3 A Medan lili@potensi-utama.ac.id

Abstrak Bekerja di sebuah maskapai yang sesuai dengan minat adalah merupakan keinginan sebagian besar lulusan dari LPP Penerbangan. LPP Penerbangan merupakan salah satu lembaga yang bergerak dibidang Pelatihan dan Pendidikan dalam bidang penerbangan yang meluluskan siswa setiap tahunnya dalam bidang penerbangan. Menempatkan lulusan siswa bekerja di sebuah maskapai yang sesuai dengan minat siswa adalah merupakan salah satu program LPP Penerbangan. Terkadang Siswa yang lulus dari LPP Penerbangan bekerja tidak sesuai dengan maskapi yang diinginkannya dikarenakan ada beberapa program pendidikan dan pelatihan yang ada di LPP penerbangan tidak sesuai dengan kriteria yang diinginkan oleh maskapai yang diminati oleh siswa tersebut. Oleh karena itu penulis memanfaatkan AHP dalam penelitian ini adalah menentukan urutan prioritas maskapai yang diminati siswa lulusan LPP Penerbangan sebagai tempat kerja yang bertujuan untuk membantu pihak LPP Penerbangan dalam memberikan Pendidikan dan Pelatihan dalam bidang penerbangan yang sesuai dengan kriteria yang diinginkan oleh maskapai tersebut. Sehingga pada saat siswa tersebut lulus maka siswa tersebut dapat ditempatkan / bekerja sesuai dengan minat yang dimiliki oleh siswa tersebut. Maskapai yang menjadi perioritas siswa lulusan LPP Penerbangan adalah Garuda Air (M-1), Citilink (M-2), Airasia (M-3), Lion Air (M-4) dan Sriwijaya Air (M-5). Analytical Hierarchy Process (AHP) merupakan suatu metode pengambilan keputusan terhadap masalah penentuan prioritas pilihan dari berbagai alternatif. Penggunaan AHP dimulai dengan membuat struktur hirarki dari permasalahan yang ingin diteliti. Matriks perbandingan berpasangan digunakan untuk membentuk hubungan di dalam struktur. Pada matriks perbandingan berpasangan tersebut akan dicari bobot dari tiap-tiap kriteria dengan cara menormalkan rata-rata geometrik (geometric mean) dari pendapat responden. Nilai eigen maksimum dan vektor eigen yang dinormalkan akan diperoleh dari matriks ini. Pada proses menentukan faktor pembobotan hirarki maupun faktor evaluasi, uji konsistensi harus dilakukan (CR < 0,100). Dengan bantuan aplikasi Expert Choice untuk mendapatkan Hasil dari analisis AHP yang akan diperoleh kesimpulan bahwa Garuda Air merupakan urutan prioritas pertama bagi siswa lulusan LPP Penerbangan Kata kunci : Maskapai, Lembaga Pelatihan dan Penerbangan (LPP), AHP, Expert Choice 1.

Pendahuluan

Setiap orang pasti ingin mendapatkan pekerjaan yang layak untuk memenuhi kebutuhan hidupnya. Di masa sulit seperti sekarang ini, untuk mendapatkan pekerjaan yang sesuai dan layak bukanlah suatu hal yang mudah. Dibutuhkan kualitas dan kemampuan yang lebih unggul untuk dapat bersaing di dunia kerja. LPP Penerbangan merupakan salah satu lembaga yang bergerak dibidang Pelatihan dan Pendidikan dalam bidang penerbangan yang meluluskan siswa setiap tahunnya dalam bidang penerbangan. Bekerja di sebuah maskapai adalah merupakan keinginan sebagian besar lulusan dari LPP Penerbangan. Metode AHP merupakan metode yang tepat dalam merangking jenis maskapai, dengan melibatkan sejumlah preferensi dan responden,

kriteria pilihan serta penyediaan satu skala penilaian tertentu, yang disusun dalam suatu kuesioner sehingga hasil dari evaluasi dengan metode AHP ini dapat memberikan hasil mengenai maskapai mana yang menjadi minat siswa lulusan LPP Penerbangan. Sehingga LPP Penerbangan dapat memberikan Pendidikan dan Pelatihan dalam bidang penerbangan yang sesuai dengan kriteria yang diinginkan oleh maskapai tersebut. Sehingga pada saat siswa tersebut lulus maka siswa tersebut dapat ditempatkan / bekerja sesuai dengan minat yang dimiliki oleh siswa tersebut. Tujuan Penelitian Tujuan penelitian ini adalah untuk menentukan urutan prioritas Maskapai yang akan dipilih siswa lulusan LPP Penerbangan sebagai tempat bekerja dan mengarahkan siswa untuk

253


menentukan di maskapai manakah peluang mereka lebih besar untuk mendapatkan pekerjaan. 2.

Pembahasan

Analisis Kebutuhan Alternatif dan Kriteria Data didapatkan dari hasil kuesioner dan wawancara dari atasan responden adalah sebagai berikut : 5. Data Alternatif Maskapai yang diminati dari kuisioner yang disebarkan kepada responden meliputi Garuda Air, Lion Air, Sriwijaya Air, City Link Air dan Air Asia. 6. Data Kriteria Adapun Data Kriteria yang didapat dari hasil wawancara yang diinginkan oleh siswa LPP Penerbangan adalah Gaji, Jenjang Karir dan Fasilitas Analisis Kebutuhan Fungsional Kebutuhan fungsional dari sistem pendukung keputusan terhadap pemilihan maskapai adalah Sistem Memungkinkan LPP Penerbangan untuk mendapatkan informasi alternatif –alternatif keputusan berupa maskapai yang diminati oleh siswa lulusan LPP Penerbangan agar nantinya bisa menjadi bahan masukan terhadap program pendidikan dalam bidang penerbangan yang sesuai dengan keinginan maskapi yang paling banyak diminati oleh siswa LPP tersebut. Analisis Perhitungan Analytic Hierarchy Process (AHP). 1. Mendefiniskan Masalah Dan Menetukan Solusi Yang Diinginkan Banyak metoda yang dapat digunakan dalam mengambil keputusan untuk menentukan maskapai yang diminati sebagai tempat kerja bagi lulusan LPP Penerbangan. Dalam ilmu manajemen, tugas yang paling sulit adalah pengambilan keputusan yang handal dan efisien. Ada beberapa teori dan teknik untuk membantu individu atau kelompok dalam membuat keputusan. AHP adalah salah satu metode yang dapat digunakan untuk menanganinya. Hasil akhir dari proses AHP adalah prioritas - prioritas dari alternatif alternatif yang menjadi pilihan. Prioritas tersebut dapat digunakan untuk menentukan alternatif terbaik atau untuk mendistribusikan sumber daya (dana) secara proporsional. Output dari Proses AHP dapat digunakan sebagai alat untuk mendukung keputusan (DSS-Decision Support System) seperti disampaikan ScottMorton pada awal 1970-an, yang mendefinisikan DSS (Decision Support System) sebagai "sistim berbasis komputer yang interaktif, yang membantu pembuat keputusan

254

memanfaatkan data dan model untuk memecahkan masalah yang tidak terstruktur". Dengan AHP, proses keputusan kompleks dapat diuraikan menjadi keputusan-keputusan lebih kecil yang dapat ditangani dengan mudah. AHP (Analytic Hierarchy Process) mampu menjawab permasalahan tersebut. Oleh karena itu untuk mengatasi penentuan bidang kerja bagi lulusan penerbangan secara cepat dan akurat, maka diperlukan suatu tool/alat bantu yang memiliki kecepatan dan akurasi tinggi yang dapat membantu memecahkan masalah tersebut. Cara kerja AHP adalah dengan menyederhanakan suatu permasalahan kompleks yang tidak terstruktur, strategik dan dinamik menjadi bagian-bagian yang lebih sistematis. Prinsip kerja AHP adalah sebagai berikut: 1. Menentukan Tujuan/Sasaran, Kriteria dan Alternatif 2. Menyusun hirarki dari Kriteria dan Alternatif 3. Memberi nilai Alternatif dan Kriteria 4. Memeriksa Konsistensi Penilaian Alternatif dan Kriteria 5. Menentukan Prioritas Kriteria dan Alternatif Sesuai permasalahan dalam menentukan bidang kerja terbaik. Secara umum Sistem Pendukung Keputusan menentukan maskapai yang diminati sebagai tempat kerja bagi lulusan LPP Penerbangan dengan menggunakan metode AHP memiliki tahapan yang ditunjukkan pada gambar 1.

Gambar 1. Blok Diagram Sistem Pendukung Keputusan Blok diagram pada gambar 1 tampak terdapat masukan berupa data Goal, kriteria, alternatif dan bobot masing-masing kriteria untuk penentuan maskapai. Masukan tersebut untuk selanjutnya dijadikan sebagai acuan dalam melakukan penilaian pada masing-masing maskapai. Setelah penilaian terhadap bidang kerja, seluruh data diproses dengan menggunakan metode AHP. Output yang disajikan berupa nilai ranking bidang kerja yang dapat digunakan oleh pengambil keputusan dalam menentukan perioritas maskapai sebagai tempat kerja bagi siswa lulusan LPP Penerbangan. 2.

Membuat Struktur Hirarki Analytic Hierarchy Process (AHP) Struktur hirarki dengan menggunakan metode Analytic Hierarchy Process (AHP) digunakan untuk penentuan maskapai yang diminati oleh


siswa lulusan LPP Penerbangan. Struktur hirarki ditunjukkan pada Gambar 2.

Gambar 2. Struktur Hirarki AHP Model Analytic Hierarchy Process (AHP) pada gambar 2 terdapat level 1 digunakan untuk mengetahui bobot dan persentase nilai kriteria yang dimiliki oleh maskapai yaitu Gaji, Jenjang Karir dan Fasilitas. Level 2 digunakan untuk mengetahui bobot dan persentase nilai alternatif maskapai berdasarkan nilai Air Asia, City Link, Garuda Air, Lion Air dan Sriwijaya Air. Menjumlahkan Level 1 dan Level 2 untuk memperoleh goal yaitu pemilhan maskapai sebagai tempat kerja berdasarkan minat siswa LPP Penerbangan. 3.

Penilaian Kriteria dan Alternatif Kriteria dan alternatif dinilai melalui perbandingan berpasangan. Menurut Saaty (1988), untuk berbagai persoalan, skala 1 sampai 9 adalah skala terbaik dalam mengekspresikan pendapat. Nilai dan definisi pendapat kualitatif dari skala perbandingan Saaty dapat dilihat pada Tabel 1. Tabel 1. Skala Penilaian Perbandingan Berpasangan

Tabel 2. Matriks Faktor Pembobotan Hirarki untuk Semua Kriteria Gaji Jenjang Karir Fasilitas Gaji Jenjang Karir

1

6

4

1/6

1

1/3

Fasilitas

1/4

3

1

Tabel 3. Matriks Faktor Pembobotan Hirarki untuk Semua Kriteria yang disederhanakan Jenjang Gaji Fasilitas Karir Gaji 1,00 6,00 4,00 Jenjang Karir 0,17 1,00 0,33 Fasilitas 0,25 3,00 1,00 ∑ 1,42 10,00 5,33 Tabel 4. Matriks Faktor Pembobotan Hirarki untuk Semua Kriteria yang dinormalkan Jenjang Vector Gaji Fasilitas Karir Eigen 0,71 0,60 0,75 0,69 Gaji Jenjang 0,12 0,10 0,06 0,09 Karir 0,18 0,30 0,19 0,22 Fasilitas

α maksimum n RI CI CR

: 3,09 :3 : 0,58 : 0,04 : 0,07

Karena CR < 0,100 berarti preferensi responden adalah konsisten. Dari hasil perhitungan pada tabel di atas menunjukkan bahwa: kriteria gaji merupakan kriteria yang paling penting bagi siswa lulusan LPP Penerbangan yang ingin bekerja di perusahaan maskapai dengan bobot 0,69 atau 69 %, berikutnya adalah kriteria fasilitas dengan nilai bobot 0,22 atau 22 %, kemudian kriteria jenjang karir dengan nilai bobot 0,09 atau 9%.

4.

Perhitungan Faktor Pembobotan Hirarki untuk Semua Kriteria Hasil analisis preferensi gabungan dari responden ditunjukkan pada matriks perbandingan hasil preferensi pada Tabel 2 menunjukkan perbandingan antara kriteria didalam memilih maskapai.

Gambar 2. Kuesioner Kriteria dengan Expert Choice

255


Gambar 3. Hasil Prioritas Kriteria dengan Expert Choice 5.

Perhitungan Faktor Pembobotan Hirarki untuk Kriteria dengan Alternatif

a.

Matriks Perbandingan Berpasangan Kriteria Gaji Perbandingan berpasangan untuk kriteria gaji pada 5 Jenis Perusahaan Maskapai yaitu Garuda Air (M-1), Citilink (M-2), Airasia (M-3), Lion Air (M-4) dan Sriwijaya Air (M-5) sehingga diperoleh hasil preferensi rata-rata dari responden dalam matriks resiprokal sebagai berikut: Tabel 5. Matriks Faktor Evaluasi untuk Kriteria Gaji Gaji M-1

1

9

3

7

5

M-2

1/9

1

1/7

1/3

1/5

M-3

1/3

7

1

5

3

M-4

1/7

3

1/5

1

1/3

M-5

1/5

5

1/3

3

1

untuk

kriteria

0,04

0,03

0,02

0,02

0,03

0,19

0,28

0,21

0,31

0,31

0,26

M-4

0,08

0,12

0,04

0,06

0,03

0,07

M-5

0,11

0,20

0,07

0,18

0,10

0,13

α maksimum

: 5,37

n

:5

RI

: 1,12

CI

: 0,09

CR

: 0,08

gaji Gambar 4. Kuesioner Kriteria dengan Expert Choice

Tabel 6. Matriks Faktor Evaluasi untuk Kriteria Gaji yang disederhanakan Gaji

M-1

M-2

M-3

M-4

M-5

M-1

1,00

9,00

3,00

7,00

5,00

M-2

0,11

1,00

0,14

0,33

0,20

M-3

0,33

7,00

1,00

5,00

3,00

M-4

0,14

3,00

0,20

1,00

0,33

M-5

0,20

5,00

0,33

3,00

1,00

∑

1,79

25,00

4,68

16,33

9,53

Gambar 3. Hasil Prioritas Kriteria dengan Expert Choice b.

Tabel 7. Matriks Faktor Evaluasi untuk Kriteria Gaji yang dinormalkan Gaji

M-1

M-2

M-3

M-4

M-5

Vector Eigen

M-1

0,56

0,36

0,64

0,43

0,52

0,50

256

preferensi

Dari hasil perhitungan pada tabel diatas diperoleh urutan prioritas untuk kriteria gaji yakni Garuda Air (M-1) menjadi prioritas pertama dengan nilai bobot 0,50 atau 50%, kemudian Airasia (M-5) menjadi prioritas ke-2 dengan nilai bobot 0,26 atau 26%, Sriwijaya Air (M-5) menjadi prioritas ke-3 dengan nilai bobot 0,13 atau 13%, sedangkan Lion Air (M-2) dan Citilink (M-2), menjadi pr ioritas ke-4 dan ke-5 dengan nilai bobot M-5 yang sama sebesar 0,07 (7%) dan 0,03 (3%).

M-2

matriks

M-4

0,06

M-3

Karena CR < 0,100 berarti responden adalah konsisten.

M-1

Perhitungan adalah:

M-3

M-2

Matriks

Perbandingan Berpasangan Kriteria Jenjang Karir Perbandingan berpasangan untuk kriteria Jenjang Karir pada 5 Jenis Perusahaan Maskapai yaitu Garuda Air (M-1), Citilink (M-2), Airasia (M-3), Lion Air (M-4) dan Sriwijaya Air (M-5) sehingga diperoleh hasil preferensi rata-rata dari responden dalam matriks resiprokal sebagai berikut:


pr ioritas ke-4 dan ke-5 dengan nilai bobot yang sama sebesar 0,06 (6%) dan 0,03 (3%).

Tabel 8. Matriks Faktor Evaluasi untuk Kriteria Jenjang Karir Jenjang Karir

M-1

M-2

M-3

M-4

M-5

M-1

1

9

7

3

5

M-2

1/9

1

1/3

1/7

1/5

M-3

1/7

3

1

1/5

1/5

M-4

1/3

7

5

1

3

M-5

1/5

5

5

1/3

1

Perhitungan matriks untuk kriteria Jenjang Karir adalah:


Tabel 9. Matriks Faktor Evaluasi untuk Kriteria Jenjang Karir yang disederhanakan Jenjang Karir

M-1

M-2

M-3

M-4

M-5

M-1

1,00

9,00

7,00

3,00

5,00

M-2

0,11

1,00

0,33

0,14

0,20

M-3

0,14

3,00

1,00

0,20

0,20

M-4

0,33

7,00

5,00

1,00

3,00

M-5

0,20

5,00

5,00

0,33

1,00

∑

1,79

25,00

18,33

4,68

9,40

Tabel 10. Matriks Faktor Evaluasi untuk Kriteria Jenjang Karir yang dinormalkan Jenjang Karir

M-1

M-2

M-3

M-4

M-5

Vector Eigen

M-1

0,56

0,36

0,38

0,64

0,53

0,49

M-2

0,06

0,04

0,02

0,03

0,02

0,03

M-3

0,08

0,12

0,05

0,04

0,02

0,06

M-4

0,19

0,28

0,27

0,21

0,32

0,25

M-5

0,11

0,20

0,27

0,07

0,11

0,15

Gambar 5. Hasil Prioritas Kriteria dengan Expert Choice

c.

Matriks Perbandingan Berpasangan Kriteria Fasilitas Perbandingan berpasangan untuk kriteria Fasilitas pada 5 Jenis Perusahaan Maskapai yaitu Garuda Air (M-1), Citilink (M-2), Airasia (M-3), Lion Air (M-4) dan Sriwijaya Air (M-5) sehingga diperoleh hasil preferensi rata-rata dari responden dalam matriks resiprokal sebagai berikut: Tabel 11. Matriks Faktor Evaluasi untuk Kriteria Fasilitas Jenjang Karir

M-1

M-2

M-3

M-4

M-5

M-1

1

7

1/3

3

1

5,37

M-2

1/7

1

1/9

1/5

1/7

n

5

M-3

3

9

1

5

3

RI

1,12

M-4

1/3

5

1/5

1

1/3

CI

0,09

M-5

1

7

1/3

3

1

CR

0,08

α maksimum


preferensi

Dari hasil perhitungan pada tabel diatas diperoleh urutan prioritas untuk kriteria Jenjang Karir yakni Garuda Air (M-1) menjadi prioritas pertama dengan nilai bobot 0,49 atau 49%, kemudian Lion Air (M-4) menjadi prioritas ke-2 dengan nilai bobot 0,25 atau 25%, Sriwijaya Air (M-5) menjadi prioritas ke-3 dengan nilai bobot 0,15 atau 15%, sedangkan Airasia (M-3) dan Citilink (M-2), menjadi

Perhitungan matriks untuk kriteria Fasilitas adalah: Tabel 12. Matriks Faktor Evaluasi untuk Kriteria Jenjang Karir yang disederhanakan Jenjang Karir

M-1

M-2

M-3

M-4

M-5

M-1

1,00

7,00

0,33

3,00

1,00

M-2

0,14

1,00

0,11

0,20

0,14

M-3

3,00

9,00

1,00

5,00

3,00

M-4

0,33

5,00

0,20

1,00

0,33

M-5

1,00

7,00

0,33

3,00

1,00

∑

5,48

29,00

1,98

12,20

5,48

257


Tabel 113. Matriks Faktor Evaluasi untuk Kriteria Jenjang Karir yang dinormalkan

Tabel 14. Hasil Evaluasi Kriteria Maskapai Kriteria

Jenjang Karir

M-1

M-2

M-3

M-4

M-5

Vector Eigen

M-1

0,18

0,24

0,17

0,25

0,18

0,20

M-2

0,03

0,03

0,06

0,02

0,03

0,03

M-3

0,55

0,31

0,51

0,41

0,55

0,46

M-4

0,06

0,17

0,10

0,08

0,06

0,10

M-5

0,18

0,24

0,17

0,25

0,18

0,20

α maksimum

: 5,24

n

:5

RI

: 1,12

CI

: 0,06

CR

: 0,05


Hasil

Gaji

0,69

Jenjang Karir

0,09

Fasilitas

0,22

Hasil evaluasi untuk 3 kriteria pada 5 jenis maskapai dapat dilihat pada tabel 15. Tabel 15. Hasil Evaluasi Kriteria Terhadap Alternatif Gaji

Jenjang Karir

Fasilitas

Garuda Air (M-1)

0,50

0,49

0,20

Citilink (M-2)

0,03

0,03

0,03

Airasia (M-3)

0,26

0,06

0,46

Lion Air (M-4)

0,07

0,25

0,10

Sriwijaya Air (M-5)

0,13

0,15

0,20

Maskapai

preferensi

Dari hasil perhitungan pada tabel diatas diperoleh urutan prioritas untuk kriteria fasilitas yakni Airasia (M-3) memiliki prioritas pertama dengan nilai bobot 0,46 atau 46% dan Garuda Air (M-1) dan Sriwijaya (M-5) memiliki urutan prioritas yang sama yaitu urutan kedua dengan nilai bobot 0,20 atau 20%, kemudian Lion Air (M-4) memiliki urutan ke-3 dengan bobot nilai 0,10 atau 10% sedangkan citilink (M-2) memiliki urutas ke-5 dengan bobot nilai 0,03 atau 3%.


Dari seluruh evaluasi yang dilakukan terhadap ke-3 kriteria yakni Gaji, Jenjang Karir dan Fasilitas yang selanjutnya dikalikan dengan evaluasi terhadap alternatif. Dengan demikian kita peroleh tabel hubungan antara kriteria dengan alternatif. Tabel 16. Hasil Persentase Maskapai Gaji

Jenjang Karir

Fasilitas

Total

Garuda Air (M-1)

0,34

0,05

0,05

0,44

Citilink (M-2)

0,02

0,00

0,01

0,03

Airasia (M-3)

0,18

0,01

0,10

0,29

Lion Air (M-4)

0,05

0,02

0,02

0,09

Sriwijaya Air (M-5)

0,09

0,01

0,05

0,15

Maskapai

Dari perhitungan pada masing-masing tabel 16. diperoleh Garuda Air (M-1) 0,44 atau 44 %, Citilink (M-2) 0,03 atau 3%, Airasia (M-3) 0,29 atau 29%, Lion Air (M-4) 0,09% atay 9% danSriwijaya Air (M-5) 0,15 atau 15%. Dan Maskapai yang diminati oleh siswa lulusan LPP Penerbangan adalah GARUDA AIR.

Gambar 7. Hasil Prioritas Kriteria dengan Expert Choice Hasil Penelitian Dari seluruh evaluasi yang dilakukan terhadap ke3 kriteria yakni gaji, jenjang karir dan prioritas. Dengan demikian kita peroleh tabel hubungan antara kriteria dengan alternatif.

258

Gambar 8. Hasil Prioritas Maskapai dengan Expert Choice


ranking yang layak untuk mendapatkan maskapai yang diminati. 3.

Gambar 9. Hasil Prioritas Maskapai dalam bentuk Graph dengan Expert Choice

Kesimpulan

Dari hasil penelitian dapat diketahui nilai akhir (total rangking) masing-masing Maskapai dan berdasarkan total rangking tersebut dapat dibuat urutan prioritas Maskapai yang diminati siswa lulusan LPP Penerbangan sebagai tempat kerja berdasarkan Minat adalah - Gaji yaitu Garuda Air (M-1), Airasia (M-5), Sriwijaya Air (M-5), Lion Air (M-2) dan Citilink (M-2) - Jenjang Karier yaitu Garuda Air (M-1), Lion Air (M-4), Sriwijaya Air (M-5), Airasia (M3) dan Citilink (M-2) - Fasilitas yaitu Airasia (M-3), Garuda Air (M1), Sriwijaya (M-5), Lion Air (M-4), Citilink (M-2). Daftar Pustaka

Gambar 10. Hasil Prioritas Kriteria dan Alternatif dalam memilih Maskapai dalam bentuk Graph dengan Expert Choice Hasil Pengujian Hasil perhitungan data sampel untuk menentukan maskapai sebagai tempat kerja siswa lulusan LPP Penerbangan dapat dilihat pada tabel 17.

Tabel 17. Bobot Final dan Ranking Alternatif No

Alternatif

1

Garuda Air (M-1) Airasia (M3) Sriwijaya Air (M-5) Lion Air (M4) Citilink (M2)

2 3 4 5

Pengujian Software 44 %

Pengujian Manual 44 %

Ranking

29,1 %

29 %

2

14,8 %

15 %

3

8,8 %

9%

4

3,3 %

3%

5

1

Dari hasil perbandingan, didapatkan hasil akurasi manual dan dengan software terendah 90% dan akurasi tertinggi 100%. Dari hasil pengujian baik dengan manual ataupun software dapat dihasilkan

[1] Saaty, T. L. 1999. Decision Making for Leaders. RWS Publications, 4922 Ellsworth Avenue: Pittsburgh, PA 15213 [2] Hidayati, novi, “Sistem E-Learning untuk meningkatkan Proses Belajar Mengajar Studi Kaus pada SMA Negeri 10 Bandar Lampung”, Jurnal Sistem Informasi, Vol. 2, No. 2, September 2010. [3] Utari, lis, “Rancang Bangun Memilih Kendaraan (Mobil) dengan Metode Analytic Hierarchy Process (AHP) dan Superdecision”, Jurnal Ilmiah Teknologi dan Informasi Volume 2 – Mei 2011. [4] Vitari & Hasibuan, ”Sistem Pendukung Keputusan Penerimaan Beasiswa menggunakan metode Analytical Hierarchy Process (Studi Kasus Penerimaan Beasiswa di SMAN2 Metro)”, Konferensi Nasional Sistem dan Informatika 2010, Bali, November 13, 2010. [5] Efraim Turban, Jay E. Aronson, Ting Peng Liang 2005, Decision Support System and Intelligent System, Jilid 2. [6] Kusrini, 2007, Konsep dan Aplikasi Sistem Pendukung Keputusan, Yogyakarta. [7] Fitriyani, 2012, ”Aplikasi AHP sebagai Model Sistem Pendukung Keputusan Pemilihan Tempat Kuliah di Bangka Belitung”, Seminar Nasional Aplikasi Teknologi Informasi 2012 (SNATI 2012), Yogyakarta, 15-16 Juni 2012.

259


APLIKASI PERAMALAN PENGADAAN BARANG DENGAN METODE TREND PROJECTION DAN METODE SINGLE EXPONENTIAL SMOOTHING (STUDI KASUS DI TOKO PIONIR JAYA) Evi Dewi Sri Mulyani1, Egi Badar Sambani2, Rian Cahyana3 1,2

Jurusan Teknik Informatika STMIK Tasikmalaya, Jl. RE Martadinata No. 272 A Tasikmalaya e-mail : 1eviajadech@gmail.com, 2egibadar@gmail.com, 3rianchek2@gmail.com 3

Abstrak Peramalan adalah suatu prediksi untuk memperkirakan keadaan dimasa mendatang dengan menggunakan data-data lama. Dalam penjualan, peramalan bertujuan untuk memperkirakan berapa basar kebutuhan barang yang akan terjual. Dengan adanya peramalan ini maka semuan kegiatan dalam pembuatan suatu barang bisa berjalan dengan lancar dan optimal.Akan tetapi untuk sebelum melakukan peramalan ada satu tahap yang harus dilewati yaitu pemilihan metode sebelum melakukan peramalan. Metode peramalan yang digunakan sebaiknya menggunakan lebih dari satu metode dalam permalannya , karena dengan menggunakan metode lebih dari hasil peramalan akan lebih flexibel terhadap perubahan pola data-data sebelumnya sebelum melakukan peramalan. Aplikasi peramalan ini menggunakan 2 metode yaitu metode trend projection dan metode single exponential smoothing. Metode trend projection sangat cocok untuk pola data bersifat bergerak naik atau turun dalam peramalannya, sedangkan metode single exponential smoothing sangat cocok untuk pola data bersifat fluktuatif (random), tetapi ketika data yang digunakan untuk peramalan bersifat bergerak naik atau turun maka metode yang digunakan pun akan berbeda. Dengan menggunakan kedua metode tersebut dalam peramalannya, maka hasil ramalannya pun akan lebih flexibel terhadap perubahan pola data sebelumnya sebelum melakukan peramalan. Aplikasi ini pun akan menunjukan hasil perbandingan peramalan dari kedua metode tersebut, sehingga dapat diketahui mana yang memiliki tingkat kesalahan yang paling kecil. Kata Kunci : Peramalan , Metode Trend Projection , Metode Single Exponential Smoothing 1. PENDAHULUAN Suatu perusahaan , terutama perusahaan yang bergerak di bidang penjualan, informasi sangat penting sekali, apalagi informasi tentang data barang yang keluar.informasi ini berpengaruh terhadap suatu keputusan seorang manajer dalam menentukan berapa barang yang di pesan untuk penjualan pada periode berikutnya[1]. Jika menejer dalam pengambilan keputusan ini terjadi suatu kesalahan maka dapat menyebabkan menumpuknya suatu barang ataupun kekurangan stok barang yang dapat menyebabkan kerugian pada perusahaan tersebut, karena penumpukan persediaan yang terlalu banyak akan memerlukan modal kerja yang makin banyak pula, hal ini memungkinkan investasi modal untuk kegiatan lain jadi terhambat. sedangkan persediaan yang sedikit memungkinkan perusahaan tidak dapat memenuhi kebutuhan pelanggannya. Untuk itulah di dalam suatu perusahaan tersebut diperlukannya suatu aplikasi peramalan yang baik yang dapat membantu seorang menejer dalam pengambilan keputusannya dalam penentuan berapa barang yang akan di produksi

260

ataupun berapa barang yang dipesan untuk penjualan pada periode berikutnya. Dalam penelitian sebelumnya, karangan Aswin Nurman Pradana yang berjudul Sistem peramalan persediaan Unit Mobil Mitsubishi PT.Wicaksana Berlian Motor , digunakan untuk membantu dan mempermudah dalam menentukan berapa banyak unit mobil yang harus disediakan untuk memenuhi permintaan konsumen[2]. metode peramalan yang digunakan pada sistem tersebut ialah metode single exponential smoothing, menggunakan metode single exponential smoothing karena pada saat itu pola data yang ada bersifat fluktuatif (random). Tapi ketika pola data pada perusahaan tersebut berubah menjadi bergerak naik , maka metode yang digunakan pun harus berubah .Perlunya ada pengembangan sistem ini dikarenakan kemungkinan ada perubahan pola data barang yang keluar menjadi berubah yang mengakibatkan metode peramalan yang digunakan menjadi kurang tepat.. Berdasarkan beberapa persoalan diatas, perlu adanya solusi pemecahan masalah untuk mendapatkan hasil peramalan yang lebih akurat , yaitu dibuatkannya aplikasi peramalan dengan menggunakan 2 metode yang berbeda , agar hasil


peramalan dari ke dua metode tersebut dapat dibandingkan agar hasil ramalan menjadi lebih objektif dan akurat. Metode yang digunakan ialah Metode Trend Projection dan Metode Single Exponential Smoothing, menggunakan kedua metode ini dikarenakan untuk Metode Trend Projection sangat cocok ketika pola data bersifat naik atau turun , sedangkan Metode Single Exponential Smoothing sangat cocok ketika pola data bersifat fluktuatif. Sistem ini diharapkan dapat membantu seorang menejer dalam pengambilan keputusannya dalam penentuan berapa barang yang akan di produksi ataupun berapa barang yang dipesan untuk penjualan pada periode berikutnya menjadi lebih tepat 2. METODE PENELITIAN Metode penelitian yang digunakan adalah metode kualitatif, karena “masalah” yang dibawa oleh peneliti masih kompleks dan dinamis. Oleh karena itu, “masalah” dalam penelitian kualitatif masih bersifat sementara, dan akan berkembang atau berganti setelah peneliti berada di lapangan[3]. Penulis menjabarkan permasalahan yang ada serta membuat pemecahan masalah mengenai peramalan pengadaan barang yaitu peramalan suatu produksi atau penjualan dengan merancang Aplikasi untuk pengadaan barang. Dengan metode ini dapat membantu Penulis dalam proses merancang Aplikasi peramalan untuk pengadaan barang sehingga hasil ramalan lebih akurat. Metode Perancangan dalam penulisan penelitian menggunakan metode System Development Life Cycle (SDLC), dengan melalui tahapan analisis, desain, code, implementasi, dan pengujian. 2.1 2.1.1

Pengacuan Pustaka Peramalan Peramalan adalah seni dari ilmu memprediksi sesuatu yang belum terjadi dengan tujuan untuk memperkirakan peristiwa-peristiwa yang akan terjadi dimasa depan nantinya dengan selalu memerlukan data-data dari masa lalu yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa. Sehingga dengan peramalan, maka kemungkinan terjadinya peristiwa-peristiwa yang tidak sesuai dengan tujuan yang diharapkan diikuti dengan kesiapan untuk mengantisipasinya. [1] 2.1.2

Metode Trend Projection Metode trend projection merupakan metode peramalan kuantitatif, dimana metode kuantitatif adalah metode yang didasarkan pada

data kuantitatif pada massa lalu. Hasil peramalan yang dibuat sangat bergantung kepada metode peramalan yang digunakan.[2] Metode trend projection merupakan metode peramalan yang menyesuaikan sebuah garis tren pada sekumpulan data masa lalu dan kemudian diproyeksikan dalam garis untuk meramalkan masa depan. Metode trend projection bisa disebut juga metode tren garis lurus. Adapun persamaan trend linier menurut J.Supranto, dapat ditulis sebagai berikut :[3] ………(1) Dimana: Y’ =data berkala (time series data), a dan b= konstanta X= waktu (hari, minggu, bulan, tahun) Sebelum mmenentukan nilai a dan b maka harus ditentukan nilai (=X) terlebih dahulu,sedemikian rupa,sehingga jumlah nilai variable waktu adalah nol (0). ∑ ……… (2) Pada umumnya yang diberi nilai 0 adalah variable waktu yang letaknya ditengah Untuk mencari nilai variable waktu adalah sebagai berikut : 1. Untuk nilai variable waktu (= X) adalah nol ( 0 ) a. Untuk nilai n ganjil adalah : ……… (3) ……… (4) b. Untuk nilai n genap adalah : ……… (5) ……… (6) 2.1.3

Metode Single Exponential Smoothing Metode exponential smoothing merupakan pengembangan dari metode moving averages. Dalam metode ini peramalan dilakukan dengan mengulang perhitungan secara terus menerus dengan menggunakan data terbaru. Setiap data diberi bobot, data yang lebih baru diberi bobot yang lebih besar. Salah satu metode dalam exponential smoothing diantaranya single exponential smoothing 1. Single Exponential Smoothing Metode ini adalah pengembangan dari metode moving average (MA) menggunakan rumus sebagai berikut: ……… (7) Keterangan : Ft+1 : Ramalan untuk periode ke t + 1 XT : Nilai riil periode ke t T : Jangka waktu rata – rata bergerak Metode moving average memang mudah menghitungnya akan tetapi metode ini memberikan bobot yang sama pada setiap data .

261


Untuk mengatasi hal ini maka digunakan metode single exponential smoothing. Pada metode single exponential smoothing bobot yang diberikan pada data yang ada adalah sebesar α untuk data yang terbaru, α(1 -α) untuk data yang lama, α(1-α)2 untuk data yang lebih lama, dan seterusnya. Besarnya α adalah antara 0 dan 1. Semakin mendekati 1 berarti data terbaru lebih diperhatikan. Secara matematis besarnya Peramalan adalah: Ft+1 = α Xt + (1 – α) Ft……… (8)

metode yaitu metode single exponential smoothing dan metode trend projection , dengan adanya kedua metode ini akan terlihat hasil perbandingan peramalan, mana yang memiliki tingkat kesalahan yang paling kecil. Contoh Kasus : Sampel data diambil dari toko pionir jaya untuk penjualan folio perbulan (perperiode). Tabel 1. Contoh Kasus Jumlah Barang Bulan Tahun ( Terjual )

Ft+1 : Ramalan untuk periode ke t+1 Xt: Nilai riil periode ke t Ft : Ramalan untuk periode ke t Dengan demikian dapat dikatakan bahwa peramalan pada periode yangakan datang adalah ramalan sebelumnya ditambah α (alpha) dikalikan dengan kesalahan ramalan periode sebelumnya. Dalam melakukan peramalan dengan menggunakan metode single exponential smoothing (SES), besarnya α (alpha) ditentukan secara trial dan error sampai ditemukan α (alpha) yang menghasilkan forecast error terkecil. Metode ini lebih cocok digunakan untuk meramal data-data yang fluktuatif secara random (tidak teratur).[4] 2.1.4

Mean Absolute Percent Error (MAPE) Formulasi yang akan digunakan dalam menghitung kesalahan ialah Mean Absolute Precentage Error (MAPE). MAPE merupakan suatu nilai tengah atau rata-rata jumlah seluruh persentasi kesalahan untuk sebuah susunan data yang diberikan. Ia merupakan ialah satu ukuran ketepatan yang digunakan dalam metode kuantitatif atau peramalan. MAPE dihitung sebagai rata-rata diferensiasi absolut antara nilai yang diramal dan aktual, dinyatakan sebagai persentase nilai aktual. jika kita memiliki nilai yang diramal dan aktual untuk n periode, MAPE dihitung sebagai : ∑

|

|

………

3. ANALISIS SISTEM 3.1

DAN

PERANCANGAN

Analisis Pemecahan Masalah Program Aplikasi Ini dibuat agar hasil peramalan menjadi lebih objektif dan akurat karena metode peramalan yang digunakan 2

262

2013

100

Mei

2013

123

Juni

2013

145

Juli

2013

160

Agustus

2013

201

September

2013

239

Oktober

2013

232

November

2013

273

Desember

2013

137

Januari

2014

140

Februari

2014

101

Maret

2014

142

April 2014 140 Dari tabel 1 diatas dapat dilihat bahwa penjualan folio pada bulan april 2014 sebanyak 140 , maka disini akan diuji keakuratan kedua metode yaitu metode trend projection dan metode single exponential smoothing dalam peramalannya. 1)

Pengujian Dengan Metode Trend Projection Untuk memudahkan perhitungan dibuatkan table pembobotan sebagai berikut: Tabel 2. Tabel Penjualan Folio Setelah Diberi Bobot Bulan

x

y

April

-5.5

100

-550

30.25

Mei

-4.5

123

-553.5

20.25

Juni

-3.5

145

-507.5

12.25

Juli

-2.5

160

-400

6.25

Agustus

-1.5

201

-301.5

2.25

September

-0.5

239

-119.5

0.25

Oktober

0.5

232

116

0.25

November

1.5

273

409.5

2.25

Desember

2.5

137

342.5

6.25

Januari

3.5

140

490

12.25

(9) MAPE mungkin merupakan perhitungan yang paling mudah diartikan. Sebagai contoh, MAPE merupakan pernyataan yang jelas, yang tidak bergantung pada permasalahan seperti banyaknya data input.[5]

April

xy

x^2


Februari

4.5

101

454.5

20.25

Maret

5.5

142

7781

30.25

∑ y=1993

∑ xy=161.5

∑ x^2=143

Jumlah

Y’ = a + bx (x variable waktu yang akan di ramalkan ) Diketahui : ∑ y =1993 ∑ xy =161.5 ∑ x2 =143 Cari: a = ∑y/n = 1993/12 = 166.08 b = ∑xy / ∑x2 = 161.5/143 = 1.13 y’ = 166.08 + (1.13 * 13) (“13 waktu yang di ramalkan bulan ke 13 “) y’ = 180.77 ( dibulatkan ) Jadi hasil ramalan untuk folio bulan April 2014 = 181 buah.

Tabel 3. Hasil Peramalan dengan Metode Trend Projection | Data aktual Data Hasil - Hasil Periode Aktual Ramalan ramalan | / data aktual April

100

167.21

0.67

Mei

123

168.34

0.37

Juni

145

169.47

0.17

Juli

160

170.60

0.07

Agustus

201

171.73

0.15

September

239

172.86

0.28

Oktober

232

173.99

0.25

November

273

175.12

0.36

Desember

137

176.25

0.29

Januari

140

177.38

0.27

Februari

101

178.51

0.77

Maret

142

179.64

0.27

April

180.77 ∑ = 3.89

Jumlah

2)

Pengujian Dengan Metode Single Exponential Smoothing Berikut perhitungan untuk konstanta alpha (α = 0.9) F2 = α X1+ (1 – α) F1 = ( 0.9 * 100 ) + ( 0.1 * 100 ) = 100 F3 = α X2+ (1 – α) F2 = ( 0.9 * 123 ) + ( 0.1 * 100 ) = 120.7  121 Tabel 4. Hasil Peramalan dengan Metode Single Exponential Smoothing dengan Alpha =0.9 |Data aktual Data Hasil - Hasil Periode Aktua Ramala Ramalan| / l n data aktual April

100

0

Mei

123

100

0.19

Juni

145

121

0.17

Juli

160

143

0.11

Agustus

201

158

0.21

September

239

197

0.18

Oktober

232

235

0.01

November

273

232

0.15

Desember

137

269

0.96

Januari

140

150

0.07

Februari

101

141

0.40

Maret

142

105

0.26

April

138

Jumlah

2.71 ∑

|

|

Jadi kesalahan rata – rata dari metode single exponential smoothing dengan alpha = 0.9 sekitar 22.58 % dengan hasil ramalan (table 4) untuk bulan April = 138. 3)

∑

|

|

Hasil Ramalan Dengan Perbandingan MAPE Setelah melakukan peramalan dengan kedua metode di dapat hasil MAPE dari kedua metode tersebut.

Jadi kesalahan rata – rata dari metode trend projection ini sekitar 32.42 %.

263


Tabel 5. Hasil MAPE Metode Trend Projection dan Metode Single Exponential Smoothing Single Trend Exponential Barang Projection Smoothing a=0.9 (%) (%) Folio 32.42 22.58 Dilihat dari tabel 3 diatas diketahui bahwa nilai dengan MAPE terkecil ialah penggunaan metode peramalan dengan metode single exponential smoothing dengan alpha=0.9, maka untuk hasil peramalan bulan april 2014 = 138 , ini dikarenakan data yang digunakan untuk peramalan bersifat fluktuatif ( secara random ) , tetapi ketika data yang digunakan untuk peramalan bersifat bergerak naik atau turun maka metode yang digunakan pun akan berbeda. Gambar 2. Diagram Activity Peramalan a.

Perancangan Sistem i. Use case Diagram

Gambar 2 diatas menjelaskan diagram aktivitas melakukan permalan. b.

Perancangan Basis Data i. Entity Relationship Diagram (ERD) Diagram ERD digunakan untuk mengembangkan model tingkat tinggi sistem yang menggambarkan sebagian besar objek sistem serta interaksi antara obyek dan atributatributnya. Objektif utama dari pembuatan ER diagram adalah untuk menunjukan objek-objek (himpunan entitas) apa saja yang ingin dilibatkan dalam sebuah basis data dan bagaimana hubungan yang terjadi diantara objek-objek tersebut.[6]

Gambar 1. Use Case Diagram Sistem Peramalan

ii.

Activity Diagram Peramalan Aktor masuk ke form peramalan ,memilih barang yang ingin diramal, sistem memeriksa kecukupan data barang perperiode jika tidak cukup ada pesan bahwa data yang dipilih kurang mencukupi untuk dihitung peramalannya, jika mencukupi sistem melakukan proses peramalan.

Gambar 3. ERD Peramalan Barang Kamus data : - Akun : { usrnm, pwd,stat} - Tahun Periode : { thn_periode} - Data Barang :{ kd_barang,nm_barang} - Detail Barang :{ kd_barang,jumlah,bulan.thn_periode} - Hasil Ramal :{ kd_barang,bulan,thn_periode,hasil1,hasil2}

264


ii. Relasi Tabel

Gambar 4. Relasi Tabel Peramalan Barang Gambar 2 menjelaskan hubungan antar tabel yang dalam database permalan. c.

Implementasi Implementasi merupakan langkah yang dilakukan setelah perancangan. Program ini dimulai dengan tampilnya menu login, jika pemakai sebagai admin memiliki hak penuh terhadap sistem ini dengan memasukan username dan password yang sudah terdaftar secara default dengan username admin dan password admin. Admin dapat menambah, merubah maupun menghapus user, tambah data barang, tambah tahun periode, tambah data untuk peramalan, melakukan peramalan , cetak laporan. Sedangkan jika pemakai sebagai user biasa tidak dapat menambah , merubah maupun menghapus user. Program aplikasi Peramalan ini terdiri dari beberapa halaman, diantaranya dapat dilihat pada sub bab di bawah ini. i.

Halaman Login Halaman login merupakan halaman yang pertama kali muncul pada saat kita menjalankan program ini. Halaman log-in berfungsi untuk memasukkan data pengguna yang ingin menggunakan sistem.

Berikut tampilan form halaman utama pada sistem ini.

Gambar 6. Implementasi Antar Muka Menu Utama iii.

Form Input Data Peramalan Form input data peramalan berada pada menu master data. Form input data peramalan adalah form yang digunakan unutk memanipulasi data untuk peramalan berdasarkan nama jenis barang , seperti menambah data penjualan barang pada bulan berikutnya , merubah data penjualan barang pada bulan yang dipilih. Berikut tampilan Form Input Data Peramalan.

Gambar 7. Implementasi Antar Muka Input Data Peramalan iv.

Form Peramalan Form peramalan adalah form yang digunakan untuk melakukan peramalan barang untuk bulan berikutnya berdasarkan nama barang dan data peramalan barang yang ada. Pada form ini juga memperlihatkan hasil peramalan berdasarkan kedua metode yang digunakan, dan menampilkan hasil peramalan yang terbaik.Berikut tampilannya.

Gambar 5. Implementasi Antar Muka Login ii.

Halaman Utama Halaman utama ini terdiri dari beberapa menu yaitu: menu akun, menu master data , menu peramalan, menu maintenance user, menu.

265


tersebut, sehingga dapat diketahui mana yang memiliki tingkat kesalahan yang paling kecil. 5. SARAN

Gambar 8. Implementasi Antar Muka peramalan d.

Laporan Pada Gambar 9 menggambarkan laporan yang merupakan grafik dari data penjualan dan hasil peramalan berdasarkan nama barang dan tahun periode. Seperti pada gambar di bawah :

Berdasarkan hasil penelitian, ada beberapa saran yang dapat dilakukan guna pengembangan sistem ini menjadi lebih baik lagi diantaranya sebagai berikut: 1. Sistem ini harus disinkronkan dengan manajemen stok barang agar ketika untuk memproduksi atau pembelian barang untuk dijual dapat memperhitungkan berapa stok barang yang tersisa,dan berapa banyak barang yang harus di produksi atau dibeli , nantinya agar tidak terjadi penumpukan barang 2. Dalam proses peramalannya bisa melakukan peramalan dengan beberapa barang sekaligus. 3. Perlunya membandingkan dengan beberapa metode lainnya untuk mengetahui akurasi metode mana yang memiliki tingkat kesalahan yang paling kecil. DAFTAR PUSTAKA

Gambar 9. Laporan Barang dan Peramalannya 4. KESIMPULAN Dari hasil penelitian yang dilakukan maka dapat diambil kesimpulan, Dengan menggunakan kedua metode tersebut dalam peramalannya, maka hasil ramalannya pun akan lebih flexibel terhadap perubahan pola data sebelumnya sebelum melakukan peramalan. Aplikasi ini pun akan menunjukan hasil perbandingan peramalan dari kedua metode

266

[1] Fauzi Muhammad, 2009, Analisis Peramalan Penjualan Rokok Skt ( Sigaret Kretek Tangan ) Pada Pt. Djitoe Indonesian Tobacco Coy, Skripsi, Universitas Sebelas Maret, Surakarta. [2] Nurman Pradana, Aswin, 2013, Sistem peramalan persediaan Unit Mobil Mitsubishi PT.Wicaksana Berlian Motor, Skripsi [3] Kurniawan,Dadang, 2011, Sistem Informasi Peramalan Persediaan Logistik Bahan Baku Pada Perusahaan CV. Jatisari Furniture Indigosova, Skripsi, Universitas Komputer ,Bandung. [4] Fatansyah. 2012 Basis Data. Bandung: Informatika.


PERANCANGAN APLIKASI STATISTIK PENDETEKSI PLAGIARISME DOKUMEN TEKS DENGAN ALGORITMA SMITH-WATERMAN Rofiqoh Dewi STMIK Potensi Utama, Jl. K.L Yos Sudarso Km. 6,5 No.3A dezie.wie@gmail.com

Abstrak Algoritma Smith-Waterman adalah sebuah metode klasik yang membandingkan dua buah string dengan mengindentifikasikan apakah terdapat bagian-bagian yang sama diantara kedua string. Algoritma ini digunakan secara luas dalam menentukan kemiripan yang dekat di dalam rangkaian biolog. Plagiarisme merupakan tindakan yang harus dihindari, tetapi masih banyak orang yang belum mengenal dan mengerti plagiarisme. Selain mencegah, mendeteksi plagiarisme merupakan merupakan salah satu usaha untuk mengurangi tindakan plagiat. Permasalahan plagiarisme yang sering ditemukan dikalangan pelajar adalah pelagiarisme pada dokumen teks. Kajian ini bertujuan membangun sistem pendeteksi plagiarisme pada dokumen teks dengan menggunakan algoritma Smith-Waterman secara terkomputerisasi. Sistem pendeteksi plagiarisme ini bersifat membantu tindakan plagiat dengan memberikan sugesti kepada pengguna berupa bobot/nilai kemiripan dan kesamaan sekuens dari dua dokumen yang dibandingkan. Sistem yang dibandingkan merupakan proses dasar yang dapat dikembangkan lebih lanjut untuk membangun aplikasi pendeteksi tindakan plagiat yang lebih baik. Kata kunci : Plagiarisme, Algoritma Smith-Waterman, Kesamaan Sekuens, Netbeans 7.0. 1. PENDAHULUAN Pada dasarnya manusia menginginkan kemudahan dalam segala hal. Sifat tersebut akan memicu tindakan negatif apabila dilatarbelakangi oleh motivasi untuk berbuat curang dan rendahnya kemampuan masyarakat berkreasi dan berinovasi menciptakan suatu karya yang original. Dalam hal ini tindakan negatif yang dimaksud adalah plagiarisme. Fenomena plagiarisme yang lebih spesifik sering terjadi di dunia akademis. Hal ini dikarenakan kegiatan tulis-menulis sering dilakukan oleh mahasiswa untuk menyelesaikan tugas kuliah. Praktik menduplikasikan beberapa bagian atau keseluruhan tulisan milik orang lain tanpa mencantumkan sumbernya secara teliti dan lengkap merupakan hal yang sering ditemui dalam penulisan laporan, tugas, makalah ataupun skripsi mahasiswa. Ada dua cara untuk mengatasi permasalahan plagiarisme, yaitu dengan mencegah dan mendeteksi. Mencegah berarti menjaga atau menghalangi agar plagiarisme tidak dilakukan. Usaha seperti ini harus dilakukan sedini mungkin terutama pada sistem pendidikan dan moral masyarakat. Mendeteksi berarti melakukan usaha untuk menemukan tindakan plagiat yang telah dilakukan. Banyak institusi dan tenaga pengajar menerapkan sanksi akademis terhadap pelaku plagiat untuk mengurangi plagiarisme. Yang

menjadi permasalahannya adalah bagaimana cara untuk mengetahui apakah seorang mahasiswa melakukan plagiarisme atau tidak dalam membuat suatu karya tulis. Untuk mengetahuinya perlu dilakukan pengecekan secara teliti terhadap hasil tulisan mahasiswa tersebut, kemudian dibandingkan dengan hasil tulisan mahasiswa yang lainnya. Tetapi usaha tersebut akan memerlukan waktu yang lama dan ketelitian yang tinggi jika pembandingan tersebut dilakukan secara manual. Oleh karena itu diperlukan suatu sistem pendeteksian plagiarisme pada dokumen teks yang dilakukan secara terkomputerisasi. 2. METODE PENELITIAN 2.1 Pengertian Plagiarisme Plagiarisme sesuai dengan pendapat Ir. Balza Achamd, M.Sc.E adalah berbuat sesuatu seolaholah karya orang lain tersebut adalah karya kita dan mengakui hasil karya tersebut adalah milik kita, sedangkan menurut Brotowidjoyo (1993:86) plagiarisme merupakan pembajakan berupa fakta, penjelasan, ungkapan, dan kalimat orang lain secara tidak sah. Plagiarisme dianggap tindakan kriminal karena merupakan tindakan mencuri hak cipta orang lain. Di Indonesia perlindungan hak cipta diatur dalam Undang-Undang Republik Indonesia Nomor 19 Tahun 2002 Tentang Hak Cipta. Oleh karena itu kegiatan plagiarisme atau yang lebih dikenal dengan kata plagiat harus dihindari.

267


2.1.1 Bentuk Plagiarisme Kepustakaan atau kesusasteraan (plagiarisme dalam literatur). Bentuk-bentuk plagiarisme yang sering terjadi di dunia akademis berdasarkan artikel Clough (2003:2) adalah: 1. Plagiarisme kata per kata, merupakan penyalinan kalimat secara langsung dari sebuah dokumen teks tanpa adanya pengutipan atau perizinan. 2. Plagiarisme parafrase, merupakan penulisan ulang dengan mengubah kata atau sintaksis, tetapi teks aslinya masih dapat dikenali. 3. Plagiarisme sumber sekunder, merupakan perbuatan mengutip kepada sumber asli yang didapat dari sumber sekunder dengan menghiraukan teks asli dari sumber yang sebenarnya. 4. Plagiarisme struktur sumber, merupakan penyalinan/penjiplakan struktur suatu argumen dari sebuah sumber. 5. Plagiarisme ide, merupakan penggunaan ulang suatu gagasan/pemikiran asli dari sebuah sumber teks tanpa bergantung bentuk teks sumber. 6. Plagiarisme authorship, merupakan pembubuhan nama sendiri secara langsung pada hasil karya orang lain.

Gambar 1. Proses kerja Intra-Corporal Detection 2. Internet-based Detection Jenis pendeteksian ini dilakukan secara online, yang berarti dokumen teks yang diidentifikasi plagiat (copy documents) diperiksa dengan dokumen teks (source documents) yang berada tersebar pada jaringan World Wide Web. Salah satu teknik yang digunakan adalah exhaustive searching (Knight, 2003) yaitu pencarian dengan membandingkan keseluruhan copy dokumen teks dengan source dokumen teks yang berada di internet. Pendekatan yang lain adalah window based, yaitu proses memecah dokumen teks ke dalam beberapa kalimat tunggal dan menjadikan kalimat tunggal tersebut menjadi sebuah query yang akn berfungsi sebagai keyword pecarian dokumen yang relevan yang tersebar di internet.

Bila dilihat dari berbagai macam bentukbentuk plagiarisme diatas, dapat disimpulkan bahwa tindakan plagiarisme yang terjadi di dunia akademis lebih cenderung kepada tindakan menggunakan kembali suatu bagian dokumen teks berupa kata/kalimat dari suatu sumber yang tidak mengikuti tata aturan hak cipta, seperti aturan pengutipan (citation) ataupun ketidakjelasan sumber/pengarang asli (bibliography). 2.1.2 Jenis Pendeteksi Plagiarisme Berdasarkan batasan ruang lingkup pemeriksaan lokasi dokumen, pendeteksian plagiarisme dapat dibagi menjadi dua jenis, yaitu: 1. Intra-Corporal Detection Jenis pendeteksian ini dilakukan secara offline, yang berarti dokumen teks yang diidentifikasi plagiat (copy documents) diperiksa dengan dokumen teks yang dianggap asli (source documents) dibatasi pada sebuah lokasi (folder) tertentu yang terdiri dari beberapa dokumen (corpus) yang akan dibandingkan, dimana proses pengumpulan koleksi dokumen dilakukan secara manual. Biasanya jenis pendeteksian seperti ini digunakan untuk mendeteksi hasil kerja berupa karya tulis siswa/mahasiswa atau peneliti dalam bidang tertentu.

268

Gambar 2. Proses Kerja Internet-based Detection 2.2. Algoritma Smith-Waterman Algoritma Smith-Waterman adalah sebuah metode klasik yang membandingkan dua buah string dengan mengindentifikasikan apakah terdapat bagian-bagian yang sama diantara kedua string. Algoritma ini digunakan secara luas dalam menentukan kemiripan yang dekat di dalam rangkaian biologis. Algoritma Smith-Waterman pertama kali diusulkan oleh Temple Smith dan Michael Waterman pada tahun 1981. Algoritma SmithWaterman memiliki proses sequence alignment yang mengaplikasikan secara dasar dynamic programming. Secara umum langkah-langkah yang biasa digunakan dalam mengaplikasikan pemrograman dinamis adalah:


1. Memecahkan suatu permasalahan umum menjadi sub-permasalahan yang lebih sederhana. 2. Memecahkan semua sub-permasalahan secara optimal. 3. Mengonstruksikan pemecahan optimal subpermasalahan sebagai pemecahan optimal permasalahan secara umum. Menurut artikel yang terdapat dalam situs wikipedia.org berbahasa Indonesia, algoritma Smith-Waterman merupakan algoritma klasik yang telah dikenal luas dalam bidang bioinformatika sebagai metode yang dapat mengidentifikasi local similarities (penyejajaran sekuens) yaitu proses penyusuna dua local sequences (rangkaian/susunan atau rentetan) nucleotide atau protein sequences sehingga kemiripan antara dua sequence tersebut akan terlihat. Berdasarkan fungsi proses penyejajaran sekuens tersebut, maka algoritma ini dapat dikonversikan ke dalam pemrograman komputer untuk digunakan membantu proses pendeteksian dokumen teks yang dianggap cenderung plagiat dengan cara melihat kesamaan isi (local similarities) dari beberapa dokumen teks.

Dengan menggunakan nilai positif untuk hit dan nilai negative untuk deletion dan replacement, maka pembentukan nilai dari tiap-tiap simbol dari dua buah string tersebut dapat direpresentasikan di dalam bentuk matriks. Tetapi masih belum diketahui secara jelas nilai hubungan h, d, dan r. Pada intinya di dalam mengidentifikasi kesamaan string ini memakai prinsip reward and punishment. H merupakan simbol yang mengimplementasikan reward, sedangkan d dan r merepresentasikan punishment. Dapat diasumsikan bahwa reward dan punishment memiliki bobot yang sama. Dengan demikian dapat dianggap nilai dari masing- masing h, d, dan r adalah 1. Sebagai contoh, bila substring X = abcbadbca dan substring Y = abbdbda, dengan alignment yang optimal didapatkan 6 hit, 2 indel, dan 1 replacement, seperti yang ditunjukkan pada gambar di bawah ini, dan didapatkan nilai untuk dua string yang diberikan ini, yaitu 6h - 2d - r, atau 6 - 2 - 1 = 3 untuk kasus h = d = r = 1 dengan keterangan tanda “|” menunjukan kecocokan atau match, sedangkan tanda “-“ menunjukan adanya kesenjangan atau gap di antara dua sekuens string. Abcbadbca | | | | | | | | | Ab-b-dbda Gambar .4 Optimal Alignment dari dua substring 3.

Gambar 3. Ilustrasi Konversi Algoritma Smith-Waterman dari Bidang Bioinformatika ke Pemrograman Komputer Anggap simbol X dan simbol Y merupakan dua sequence string yang masing-masing berasal dari dokumen yang berbeda, dengan panjang X dan Y masing-masing sebagai m dan n. Dari dua string ini dapat dihitung nilai goodness of fit yang diperoleh dari pembandingan substring X dari string X dengan substring Y dari string Y. Proses pembandingan ini akan menghasilkan penyejajaran yang identik/mirip (hit) dengan atau tanpa perubahan sekuens seperti penghilangan (deletion), penyisipan (insertion) dan penggantian (replacement). Anggap h adalah kontribusi positif yang merepresentasikan hit atau cocok. d untuk kontribusi negatif yang merepresentasikan insertion atau deletion (atau bisa disebut indel), sedangkan r adalah kontribusi negative yang dibuat dengan menggantikan satu simbol dengan simbol yang lain (replacement). Model yang lebih umum pada khususnya digunakan di dalam bidang biologi komputasional.


Dalam suatu pembangunan aplikasi, analisis perlu dilakukan sebelum tahap perancangan dilakukan. Perancang aplikasi harus menganalisis kebutuhan apa saja yang diperlukan untuk membangun suatu perangkat lunak. Bagian desain proyek berarti pengetahuan dan keterampilan mengenai komputer, keahlian dalam perancangan program yang logis melalui informasi, semuanya difokuskan untuk membuat sesuatu yang nyata. Mendesain berarti berpikir, memilih, membuat, dan mengerjakan. Kebutuhan utama dalam perancangan aplikasi pendeteksi plagiarisme perangkat lunak yang digunakan untuk membangun aplikasi yaitu: Netbeans 7. Semua kebutuhan itu harus dapat dituangkan ke dalam perancangan agar hasil aplikasi dapat sesuai dengan konsep pembangunan. 3.1. Perancangan Aplikasi Perancangan tampilan menu atau rancangan Jframe dalam program ini sangat diperlukan dalam pemrograman visual karena Jframe ini merupakan bentuk tampilan saat program dijalankan. Pada aplikasi pendeteksi plagiarisme ini terdapat 2 form yang dirancang yaitu:

269


1. Tampilan JFrame Aplikasi Program Pada tampilan Jframe program aplikasi pendeteksi plagiarisme ini berfungsi sebagai pengujian aplikasi program pendeteksi plagiarisme. Jframe aplikasi program ini dapat dilihat pada gambar 5 di bawah ini.

3.2. Logika Program Berikut ini adalah diagram alir (flowchart) yang penulis gunakan dalam menggambarkan logika program, adalah sebagai berikut : 1.

Flowchart Waterman

Proses

Algoritma

Mulai

Smith

Cek Jenis Kata

Dokumen

Kata Tergolong Class Word & Stop Word

Ya

Hapus kata

Tidak

Tidak

Parsing

Steamming Ambil Sebuah Kata

Dokumen==Null

Ya

Dokumen +=kata

Dokumen

Selesai

Gambar 5. Tampilan JFrame Utama Pada gambar 5 adalah tampilan Jframe aplikasi program yang akan pertama kali muncul saat program dijalankan. Fungsi Jframe ini sendiri untuk menguji program pendeteksi plagiarisme yaitu dengan membuka file .txt pertama dan membuka file .txt kedua. Lalu di klik kalkulasi plagiarisme dan akan muncul hasil persentasi tingkat kesamaan teks pertama dan teks kedua. 2. Tampilan Jframe About Pada tampilan about ini berfungsi sebagai tampilan tentang data diri penulis. Tampilan Jframe about dapat di lihat pada gambar III.2. dibawah ini:

Gambar 7. Flowchart Proses Algoritma Smith Waterman Algoritma flowchart Pembobotan Algoritma Smith Waterman : a. Dokumen b. Memparsingkan dokumen (memecahkan dokumen) c. Ambil sebuah kata d. Jika Dokumen sama dengan null maka dokumen adalah kata e. Jika dokumen sama dengan tidak null maka cek jenis kata f. Selesai 2.

Flowchart Pembobotan Algoritma Smith Waterman Mulai

kalimat

tokenisasi

Pembandingan dengan algoritma smith waterman

Bobot plagiarisme dan local similarities

Selesai

Gambar 6. Tampilan Jframe About

270

Gambar 8. Flowchart Pembobotan Algoritma Smith Waterman


Algoritma flowchart Pembobotan Algoritma Smith Waterman : a. Kalimat b. Mempresentasikan tiap kata (Tokenisasi) c. Membandingkan dengan algoritmas smith waterman d. Bobot nilai plagiarisme dan kesamaan teks (kalimat) e. Selesai 3.

Algoritma flowchart buka dokumen I : a. Pilih buka file dokumen 1 b. Pilih dokumen teks 1 yang berformat *.txt c. File teks yang di ambil di set menjadi priview teks d. Teks dokumen 1 ditampilkan 5.

Flowchart Buka Dokumen II H2

Flowchart Menu Utama

User Memilih file_2 *.txt yang akan deteksi dan simpan kedalam variabel F

Start A

Pilih Menu

File

F=open.Dialog() File_2 yang dipilih user kemudian di Buffer

Pilih Submenu File

Y

T H1

Message Box Tentang

Y

Help

Y

BufFile_2=F.readText()

Buka Dokumen I

T

Hasil Buffering File_2 di Konversi menjadi File.Txt

T H2

Y

Buka Dokumen II

Y

Deteksi Plagiarisme

T H3

File_2=KonversiTeks(BufTeks)

T

Keluar

File_2 diset untuk Label Preview Text

T

Y

setLabelPreviewText=FileText End

Gambar 9. Flowchart Menu Utama Program Algoritma Flowchart Utama: a. User memilih menu utama; menu file dan help. b. Pilih sub menu file; buka dokumen 1, buka dokumen 2, deteksi plagiarisme dan keluar. c. Keluar dari menu program. 4.

Flowchart Buka Dokumen I H1 User Memilih file_1 *.txt yang akan deteksi dan simpan kedalam variabel F

F=open.Dialog() File_1 yang dipilih user kemudian di Buffer

BufFile_1=F.readText() Hasil Buffering File_1 di Konversi menjadi File.Txt

Preview Text di Tampilkan

Preview Text dan Keterangannya

A

Gambar 11. Flowchart Buka Dokumen II Algoritma flowchart buka dokumen I : a. Pilih buka file dokumen 2 b. Pilih dokumen teks 2 yang berformat *.txt c. File teks yang di ambil di set menjadi priview teks d. Teks dokumen 2 ditampilkan

File_1=KonversiTeks(BufTeks) File_1 diset untuk Label Preview Text

setLabelPreviewText=FileText Preview Text di Tampilkan

Preview Text dan Keterangannya

A

Gambar 10. Flowchart Buka Dokumen I

271


6.

Flowchart Deteksi Plagiarisme H3

Tabel 1. Dokumen Contoh

Hitung Kesamaan Struktual I

Dokumen

N o 1

Dok

Isi Dokumen

Á1

2

À2

3

B1

Akustik adalah ilmu yang mempelajari perilaku bunyi dan sangat penting pada ruangan. Dinding yang keras dan polos dari sebuah ruangan akan memantulkan bunyi dan membuat ruangan tersebut bergema. Ruangan yang kecil akan terbantu mencegah hal ini bila ada bahan pada dinding dan langit-langit yang menyerap bunyi. Tirai dan karpet yang tebal juga akan membantu. Pada ruangan yang besar seperti gedung konser, diperlukan permukaan yang halus dan keras di belakang para pemina atu penyanyi untuk membantu membawa bunyi ke arah penonton, dan bahan yang menyerap bunyi di belakang gedung untuk mencegah gema. Akustik adalah ilmu yang mempelajari perilaku bunyi dan sangat penting pada ruangan. Dinding yang keras dan polos dari sebuah ruangan akan memantulkan bunyi dan membuat ruangan tersebut bergema. Ruangan yang kecil akan terbantu mencegah hal ini bila ada bahan pada dinding dan langit-langit yang menyerap bunyi. Tirai dan karpet yang tebal juga akan membantu. Pada ruangan yang besar seperti gedung konser, diperlukan permukaan yang halus dan keras di belakang para pemain atau penyanyi untuk membantu membawa suara ke arah penonton, dan bahan yang menyerap bunyi di belakang gedung untuk mencegah suara gema. Begitu hebatnya kekagetanku sehingga aku hampir pingsan. Darah berdesir cepat di kepalaku, membuatku terhuyung-huyung. Jo-An meraihku saat aku terjatuh. Kedua tangannya tampak cukup nyata, kuat, dan padat, berbau kulit hewan. Bumi dan langit berputar-putar di sekitarku dan titik-titik hitam menggelapkan pandanganku. Dia menurunkan aku di tanah dan mendorong kepalaku ke antara kedua lututku.

Nilai Kesamaan Struktual

Ya

Baca Dokumen

Parsing Kalimat

Error

Hitung Kesamaan Struktual II

Tidak

Tidak Tidak

Tidak

Ya

Parsing Dokumen

Nilai Kesamaan Struktual

Selesai

Optimasi

Hitung Bobot

Cek Kalimat Selanjutnya

Bobot

Ya

Kalimat == null

Gambar 12. Flowchart Deteksi Plagiarisme Algoritma flowchart Deteksi Plagiarisme : a. Dokumen 1 dan dokumen 2 b. Baca dokumen c. Jika error maka ke selesai, jika tidak maka akan menguraikan (parsing) dokumen. d. Hitung kesama struktual dokumen 1 e. Nilai kesamaan struktual f. Uraikan kalimat g. Hitung kesamaan struktual dokumen 2 h. Nilai kesamaan struktual i. Mengoptimasikan nilai kesamaan teks j. Hitung bobot k. Cek kalimat selanjutnya l. Kalimat sama dengan null m. Maka menampilkan nilai bobot n. Selesai Adapun hasil dan uji coba dari aplikasi pendeteksi plagiarisme. Berikut ini tampilan tabel hasil uji coba menentukan nilai ke akurasian similirities atau tingkat kesamaan teks.

272


4

B2

5 6 7

C1 C2 D1

8

D2

9

É1

Sesuatu menjerit di telingaku, menulikanku. Aku meringkuk dengan posisi kepala seperti itu, tangannya memegang kepalaku, sampai jeritan mereda dan kegelapan susut dari penglihatanku. Aku menatap ke tanah. Embun membeku di dedaunan dan butiran es masuk di sela-sela bebatuan. Angin berhembus di pepohonan cedar. Selain itu, satu- satunya suara adalah gemeretuk gigiku. Begitu hebatnya kekagetanku sehingga aku hampir pingsan. Darah berdesir cepat di kepalaku. Hal ini membuatku terhuyunghuyung. Jo-An meraihku saat aku terjatuh. Kedua tangannya tampak cukup nyata, kuat, dan padat. Kedua tangannya juga berbau kulit hewan. Bumi dan langit berputar-putar di sekitarku. Titiktitik hitam menggelapkan pandanganku. Dia menurunkan aku di tanah. Dia mendorong kepalaku ke antara kedua lututku. Sesuatu menjerit di telingaku, menulikanku. Aku meringkuk dengan posisi kepala seperti itu. Tangannya memegang kepalaku. Tangannya memegang sampai jeritan mereda dan kegelapan susut dari penglihatanku. Aku menatap ke tanah. Embun membeku di dedaunan. Butiran es masuk di sela-sela bebatuan. Angin berhembus di pepohonan cedar. Selain itu, satusatunya suara adalah gemeretuk gigiku. Ini adalah teks yang di plagiat Ini teks yang akan di plagiat Apakah ini teks yang akan di ujicoba untuk test plagiarisme Apakah ini teks yang akan di ujicoba untuk test plagiarisme. Ibunya masih hidup di pedesaan bersama dua kakak laki-lakinya yang selamat. Mereka tidak lagi menganggap diri mereka sebagai bagian dari keluarga ksatria. Makoto mengunjungi ibunya sekali atau dua kali setahun. Kami berbincang-bincang dengan lancar, dan aku teringat betapa aku merindukan teman seperti ini saat melakukan perjalanan bersama Akio. Makoto selalu bertindak dengan penuh pertimbangan, sifat yang

10

È2

11

F1

12

F2

berlawanan dengan sifat nekadku. Kelak aku tahu kalai dia kuat dan berani, masih seorang ksatria, biarawan dan juga pelajar. Dia juga bercerita tentang ketakutan dan kemarahan penduduk Yamagata dan Terayama ketika mendengar kematian Shigeru. Ibunya masih hidup di pedesaan bersama dua kakak laki-lakinya yang selamat. Mereka tidak lagi menganggap diri mereka sebagai bagian dari keluarga ksatria. Makoto mengunjungi ibunya sekali atau dua kali setahun. Kami berbincang-bincang dengan lancar, dan aku teringat betapa aku merindukan teman seperti ini saat melakukan perjalanan bersama Akio. Makoto selalu bertindak dengan penuh pertimbangan, sifat yang berlawanan dengan sifat nekadku. Kelak aku tahu kalai dia kuat dan berani, masih seorang ksatria, biarawan dan juga pelajar. Dia juga bercerita tentang ketakutan dan kemarahan penduduk Yamagata dan Terayama ketika mendengar kematian Shigeru. Betapa sulit mengatakan cinta ketika ia ada. Dalam setiap momen dalam pertemuan kami, selalu ada saat dimana cinta terasa begitu kuat. Pancaran matanya, senyuman khasnya, guratan pada wajahnya. Semuanya memantapkan hati ini untuk semakin jatuh cinta. Namun tetap tidak membuat bibirku dapat bergerak untuk mengatakannya. Ah, padahal aku tahu bahwa pertemuan kami tidak akan berlangsung lama. Segera setelah ia menyelesaikan studinya, ia akan pergi lagi ke kota lain. Dan aku tak mungkin menahannya. Aku hanya ingin dia tahu diriku akan sangat merindukan kehadirannya. Pancaran matanya, senyuman khasnya, guratan pada wajahnya. Semuanya memantapkan hati ini untuk semakin jatuh cinta. Dalam setiap momen dalam pertemuan kami, selalu ada saat dimana cinta terasa begitu kuat. Namun tetap tidak membuat bibirku dapat bergerak untuk mengatakannya. Ah, padahal aku tahu bahwa

273


pertemuan kami tidak akan berlangsung lama. Segera setelah ia menyelesaikan studinya, ia akan pergi lagi ke kota lain. Dan aku tak mungkin menahannya. Aku hanya ingin dia tahu diriku akan sangat merindukan kehadirannya. Betapa sulit mengatakan cinta ketika ia ada. Tabel 2. Hasil Pengujian Akurasi Similarities atau Tingkat Kesamaan dengan Algoritma Smith-Waterman A A B B C C D D E E F F 1 2 1 2 1 2 1 2 1 2 1 2 9 1 9, A 0 9 1 0 8 9 1 A 9, 0 2 9 0 8 B 1

9 1 9, 0 9 0 4

B 2

9 1 9, 0 9 0 4

C 1

9 1 9, 0 9 0 3

C 2

9 1 9, 0 9 0 3

D 1

1 1 0 0 0 0

D 2

1 1 0 0 0 0

E 1

1 1 0 0 0 0

E 2

1 1 0 0 0 0

F 1

274

9 1 9, 0 9 0 9

F 2

4.

9 1 9, 0 9 0 9

KESIMPULAN

Sebagai penutup dari penulisan ini, maka ada beberapa hal yang dapat dijadikan kesimpulan, antara lain : 1. Algoritma Smith-Waterman memiliki keakuratan yang lebih baik pada saat membandingkan dokumen yang mengandung pengubahan struktur kalimat di dalam paragraf dari pada pengubahan struktur kata di dalam kalimat. 2. Dengan bantuan proses tambahan preprocessing, sistem pendeteksi plagiarisme dapat menghasilkan bobot/nilai kecenderungan terjadinya tindakan plagiat yang lebih akurat. 3. Selain menghasilkan bobot/nilai hasil pembandingan, sistem pendeteksi plagiarisme juga menghasilkan local alignment yang menggambarkan local similarities sebagai pendukung bobot/nilai kecenderungan terjadinya tindakan plagiat. 4. Sistem dapat menghasilkan bobot/nilai plagiarisme yang tidak maksimal apabila terdapat keambiguan dokumen dalam hal penulisan kata ataupun kalimat. Saran Berkaitan dengan telah terselesaikannya penulisan ini, ada beberapa masukan dan saran-saran yang disampaikan sebagai berikut : 1. Perlu dilakukan penelitian lebih lanjut dalam tata bahasa, terutama mengenai aturan penambahan imbuhan, pendeteksian kutipan langsung dan bentuk penulisan kata yang berbeda tetapi memiliki makna yang sama ataupun penulisan kata yang sama tetapi memiliki makna yang berbeda. 2. Perlu dilakukan penelitian lebih lanjut untuk mendeteksi plagiarisme selain manipulasi teks seperti rumus dan simbol matematika maupun identifikasi plagiarisme pada gambar dan tabel. 3. Perlu dikembangkan proses tambahan preprocessing yang memiliki performa yang lebih baik. 4. Perlu dikembangkan sistem yang lebih user friendly dengan menerapkan bentuk Graphical User Interface (GUI) pada antarmuka sistem. DAFTAR PUSTAKA Clough, P. 2000. Plagiarism in Natural and Programming Languages : an Overview of


Current Tools and Technologies 2000. Sheffield, UK Department of Computer Science, University of Sheffield. Clough, P. 2003. Old and New Challenges in Automatic Plagiarism Detection. Sheffield, UK : Department of Information Studies, University of Sheffield. Hoad, T. Zobel, J. 2003. Methods for Identifying Versioned and Plagiarised Documents. Melbourne, Australia : School of Computer Science and Information Technology, RMIT University.

Human Genome Sequencing Center, One Baylor Plaza, Houston, TX. http://searchlauncer.bcm.tmc.edu/help/Smith Waterman.html, diakses tanggal 27 mei 2011. Rosyidi, A. 2007. Plagiarisme merugikan semua pihak.http://rosyidi.com/plagiarismemerugikan-semua-pihak, diakses tanggal 27 mei 2011. Sulistiani, Sri. “Membangun GUI dengan Java Netbeans 6.5”. Yogyakarta. Penerbit: Andi Offset.

275


SISTEM PENUNJANG KEPUTUSAN KELAYAKAN PENERIMA BANTUAN DANA RUTILAHU DENGAN METODE AHP Ikbal Jamaludin1, Nono Sudarsono2, Ai Ika Mustika3 1,2

Jurusan Teknik Informatika STMIK Tasikmalaya, Jl. RE Martadinata No. 272 A Tasikmalaya e-mail : 1ikbaljamaludin@gmail.com, 2nonoznonzsudar@gmail.com, 3mustikaaiika89@gmail.com 3

Abstrak Bantuan dana pembangunan rumah tidak layak huni (RUTILAHU) merupakan program pemerintah untuk penanggulangan kemiskinan dari segi kebutuhan papan (tempat tinggal). Program tersebut telah dijalankan di berbagai daerah, termasuk di Kelurahan Panyingkiran Kota Tasikmalaya. Dalam pemberian bantuan tersebut, terlebih dahulu diperlukan penilaian indikator secara teliti dan terinci, agar menghasilkan suatu keputusan yang sesuai dengan keadaan yang sebenarnya. Dalam penelitian ini akan dibuat sebuah sistem penunjang keputusan (SPK) untuk memudahkan dalam pemilihan masyarakat yang layak medapatkan bantuan, serta memanfaatkan Analytical Hierarchy Process (AHP) sebagai metode keputusannya. Karena AHP adalah sebuah hirarki fungsional yang memecahkan masalah kompleks dengan menstrukturkan suatu hirarki kriteria (indikator), penilaian indikator dilakukan dengan perbandingan berpasangan berdasarkan kepentingan dari masing-masing indikator tersebut. Jadi, penggunaan metode AHP sesuai dengan permasalahan RUTILAHU yang sedang dihadapi, yaitu permasalahannya belum terstruktur dan penggunaan indikator belum begitu terinci. Indikator yang akan dijadikan penghitungan adalah penghasilan, tanggungan, aset lain, luas rumah dan jenis rumah. Penghitungan tersebut akan diimplementasikan pada bahasa pemrograman Visual Basic 6.0 dan database menggunakan Microsoft Access 2003. SPK ini bisa membantu pihak kelurahan dalam melakukan penilaian calon penerima bantuan dana RUTILAHU, sehingga akan didapatkan suatu keputusan terhadap masyarakat yang paling layak mendapatkan bantuan. Kata Kunci : RUTILAHU, SPK, AHP dan Indikator 1. PENDAHULUAN 1.1.

Latar Belakang Masalah Perekonomian yang sedang terjadi di Indonesia tidak seimbang karena kesenjangan ekonomi yang cukup jauh antara satu wilayah dengan wilayah lain, hal ini terlihat jelas dari penghasilan masyarakat yang belum merata dan masalah kemiskinan yang terjadi baik dari segi sandang, pangan maupun papan. Masyarakat mempunyai hak untuk mendapat sandang, pangan dan papan yang layak demi terciptanya masyarakat yang sejahtera. Apabila salah satunya masih ada yang belum terpenuhi, maka kesejahteraan tidak akan tercapai. Untuk terealisasinya hal tersebut, pemerintah mengadakan berbagai program penanggulangan kemiskinan, salah satunya berupa bantuan dana sosial yang diberikan kepada masyarakat miskin, seperti Program bantuan untuk rumah tidak layak huni. Di Kelurahan Panyingkiran Kecamatan Indihiang Kota Tasikmalaya, program tersebut diberi nama RUTILAHU, bantuan ini diberikan kepada masyarakat miskin untuk merehabiitasi rumahnya. Dalam pemilihan target harus teliti dan dapat dipercaya agar bantuan bisa diterima oleh masyarakat yang benar-benar memerlukan atau

276

tepat sasaran. Terlebih dahulu diperlukan data kemiskinan yang akurat dan penggunaan indikator penilaian harus benar-benar terkonsep demi mendapatkan suatu keputusan yang sesuai dengan keadaan sebenarnya. Di Kelurahan Panyingkiran penilaian indikator yang digunakan belum begitu terinci (detail) yaitu penilaian kondisi rumah hanya dilihat dari banyaknya kerusakan tanpa mempertimbangkan jenis rumah dan penghitungan kelayakan belum menggunakan suatu metode keputusan, sehingga penilaian antar calon penerima masih menggunakan prediksi atau perkiraan. Hal tersebut, dikhawatirkan dapat menimbulkan penilaian yang bersifat subjektif dan kecemburuan sosial antar masyarakat kemungkinan besar terjadi. Dari penilaian kelayakan yang berjalan ditemukan berbagai permasalahan seperti : 1. Proses penilaian terhadap masyarakat penerima bantuan dana pembangunan rumah di Kelurahan Panyingkiran belum begitu detail (rinci) hanya meliputi keadaan rumah, penghasilan dan hak milik rumah. Cara penilaian seperti ini bersifat subjektif, yang dapat menimbulkan kecemburuan sosial bagi masyarakat yang tidak menerima.


2. Tidak adanya metode penghitungan serta indikator-indikator yang pasti dalam pengambilan keputusan dan belum tersedianya alat (aplikasi) khusus untuk mendukung penilaian tersebut. 3. Data yang diperoleh masih diproses di buku catatan, sehingga untuk melakukan perhitungan kelayakannya membutuhkan waktu yang lama dan memungkinkan terjadinya kehilangan data serta proses pencarian data akan mengalami kesulitan. Permasalahan di atas, bisa diselesaikan dengan memanfaatkan teknologi komputer untuk membuat sebuah Sistem Penunjang Keputusan (SPK) dan Salah satu alternatif penghitungan prosesnya menggunakan metode Analytical Hierarchy Process (AHP). Karena pada dasarnya SPK digunakan untuk membantu pengambilan keputusan dalam situasi yang semi terstruktur atau situasi yang tidak terstruktur serta penggunaan penilaian indikator yang kurang jelas[1]. Sedangkan AHP merupakan sebuah hirarki fungsional yang memecahkan masalah kompleks dengan menstrukturkan suatu hirarki kriteria (indikator), penilaian kriteria dilakukan dengan perbandingan berpasangan berdasarkan kepentingan dari masing-masing kriteria tersebut. Hasil dari sistem yang dibangun ini diharapkan bisa membantu pihak Kelurahan dalam menilai kelayakan masyarakat yang berhak menerima bantuan dana RUTILAHU secara obyektif. 2. METODE PENELITIAN 2.1. Sistem Penunjang Keputusan Menurut Keen dan Scoot Morton (2006:15): “Sistem Penunjang Keputusan merupakan penggabungan sumber-sumber kecerdasan individu dengan kemampuan komponen untuk memperbaiki kualitas keputusan”. Sistem Penunjang Keputusan juga merupakan sistem informasi berbasis komputer untuk manajemen pengambilan keputusan yang menangani masalah-masalah semistruktur[2]. Sistem penunjang keputusan berfungsi dalam berbagai macam cara. Bisa digunakan untuk mengatur informasi dari situasi-situasi keputusan, berinteraksi dengan para pembuat keputusan, mengembagkan horizon pembuat keptusan, menyediakan informasi-informasi untuk para pembuat keputusa, menambah struktur untuk keputusan-keputusan tersebut, serta menggunakan model pembuatan keputusan kriteria-ganda. Model kriteria-ganda meliputi proses-proses kekurangan, metode pembobotan dan metode eliminasi sekuensial, yang semuanya sangat sesuai untuk mengendalikan kerumitan dan sifat semiterstruktur dari berbagai problem yang didukung lewat SPK[3].

2.2. Analytical Hierarchy Process Metode AHP (Analytical Hierarchy Process) merupakan metode untuk memecahkan suatu-situasi yang kompleks tidak terstruktur ke dalam beberapa komponen dalam susunan yang hirarki, dengan memberi nilai subjektif tentang pentingnya setiap variabel secara relatif, dan menetapkan variabel mana yang memiliki prioritas paling tinggi guna mempengaruhi hasil pada situasi tersebut.[4] Adapun langkah-langkah dalam metode AHP adalah sebagai berikut[1] : 1. Mendefinisakan masalah dan menentukan solusi yang di inginkan, lalu menyusun hirarki dari permasalahan yang dihadapi. Penyusunan hirarki adalah dengan menetapkan tujuan yang merupakan sasaran sistem secara keseluruhan pada level teratas. 2. Membuat perbandingan matriks berpasangan indikator yang digunakan, berdasarkan kepentingan relatif dari masing-masing indikator. Menurut Saaty (1988) untuk berbagai persoalan, skala 1 sampai 9 adalah skala terbaik untuk mengekspresikan pendapat. Adapun skala perbandingannya adalah sebagai berikut : Tabel. 1.Skala Dasar Penilaian Perbandingan Berpasangan Tingkat Definisi Kepentingan Kedua elemen sama 1 pentingnya Elemen yang satu sedikit 3 lebih penting dari pada elemen yang lainnya Elemen yang satu lebih 5 penting dari pada yang lain. Satu elemen jelas lebih 7 mutlak penting dari pada elemen lainnya Satu elemen mutlak penting 9 dari pada elemen lainnya Nilai-nilai antara dua nilai 2,4,6,8 pertimbanganyang saling berdekatan Jika suatusifat (X) Kebalikan dibandingkan dengan nya sifat(y), maka nilainya saling berkebalikan. 3. Membuat matriks nilai indikator. Matriks ini diperoleh dengan rumus berikut : Nilai baris kolom baru = nilai baris kolom lama / jumlah dari setiap kolom lama. Untuk mencari nilai prioritas, jumlah dari setiap baris pada kolom baru dibagi dengan jumlah indikator yang digunakan.

277


Khusus untuk sub indikator terdapat sub prioritas, dimana rumusnya adalah prioritas dibagi prioritas tertinggi. 4. Penghitungan rasio konsistensi. Penghitungan ini digunakan untuk mengetahui apakah penilaian perbandingan kriteria bersifat konsisten atau tidak. Adapun langkahlangkahnya adalah sebagai berikut : a. Mengalikan matriks dengan prioritas bersesuaian. b. Menjumlahkan hasil perkalian per baris. c. Hasil penjumlahan tiap baris dibagi prioritas bersangkutan dan hasilnya dijumlahkan. d. Hasil dari langkah 3 dibagi jumlah elemen, dan akan didapat λ maks. e. Indeks Konsistensi. (CI) = (λmaks-n) / (n-1) f. Rasio Konsistensi. (CR) = CI/ RI Di mana RI adalah indeks random konsistensi. Jika CR ≤ 0.1, hasil perhitungan data dapat dibenarkan. Tabel. 2. Nilai RI Ukuran Matriks Nilai RI 1,2 0,00 3 0,58 4 0,90 5 1,12 6 1,24 7 1,32 8 1,41 9 1,45 10 1,49 11 1,51 12 1,48 13 1,56 14 1,57 15 1,59 2.3. Metode Perancangan Perangkat Lunak Metode yang digunakan dalam penelitian ini adalah metode SDLC (System Development Life Cycle). Dalam rekayasa sistem dan rekayasa perangkat lunak, SDLC berupa suatu proses pembuatan sistem serta model dan metodologi yang digunakan untuk mengembangkan sistemsistem tersebut. Dalam rekayasa perangkat lunak, konsep SDLC mendasari berbagai jenis metodologi yang membentuk suatu kerangka kerja untuk perencanaan dan pengendalian pembuatan sistem informasi, yaitu proses pengembangan perangkat lunak[6]. Tahapan kerangka kerja SDLC adalah sebagai berikut : 1. Tahap Perencanaan (Planning) Tahap ini Menyangkut study tentang kebutuhan pengguna (User Spesification),

278

2.

3.

4.

5.

6.

studi-studi kelayakan baik secara teknis maupun secara teknologi. Tahap Analisis (Analysis) Yaitu tahap untuk berusaha mengenali permasalahan yang muncul pada pengguna, komponen sistem/perangkat lunak, objek dan sebagainya. Tahap Perancangan (Design) Pada tahap ini, perancang mencoba mencari solusi permasalahan yang didapat dari tahap analisis. diantaranya : a. Tahap perancangan yang lebih menekankan pada platform apa hasil dari tahap analisis kelak akan diimplementasikan. b. Tahap perancangan dimana kita melakukan penghalusan (refinement) kelas-kelas yang didapat pada tahap analisis, menambahkan dan memodifikasi kelas-kelas yang akan mengefisienkan serta mengefektifkan sistem yang akan dikembangkan. Tahap implementasi Tahap implementasi ialah tahap mengimplementasikan perancangan sistem ke situasi nyata (pemilihan perangkat keras dan penyusunan perangkat lunak aplikasi). Tahap Pengujian (Testing) Dapat digunakan untuk menentukan apakah sistem atau perangkat lunak yang dibuat sudah sesuai dengan kebutuhan pengguna atau belum. Tahap pemeliharaan Pada tahap pemeliharaan atau perawatan, mulai melakukan pengoperasian sistem dan melakukan perbaikan-perbaikan kecil (jika diperlukan).

3. HASIL DAN PEMBAHASAN 3.1. Penghitungan Indikator menggunakan Metode AHP Sebelum melakukan proses penghitungan kelayakan, terlebih dahulu menentukan indikator, diantaranya : 1. Penghasilan (P), Sub indikatornya : a. P < Rp.550.000 (A) b. P = Rp.550.000 - Rp.1.250.000 (B) c. P > Rp.1.250.000 (C) 2. Tanggungan (T), Sub indikatornya : a. T > P (A) b. T = P (B) c. T < P (C) 3. Aset lain (As), Sub indikatornya : a. As < Rp.1.000.000 (A) b. As= Rp.1.000.000- Rp.3.000.000 (B) c. As > Rp.3.000.000 (C) 4. Luas rumah (L), Sub indikatornya : a. L < 7m2/orang (A) b. L = 7m2/orang - 12 m2/orang (B)

Seminar Nasional Informatika 2014 c. L > 12m2/orang (C) 5. Jenis rumah (Jr), Sub Indikatornya : a. Panggung (A) b. DudukJendela (B) c. Gedong (C) 6. Ketentuan untuk sub indikator ke2 pada indikator jenis rumah : a. RB (Rusak Berat) >70% b. R (Rusak ) = 40,1%-70% c. RR (Rusak Ringan) = 1%-40% d. TR (Tidak Rusak) <1% atau 0% 7. Ketentuan nilai kelayakan : a. Layak = Ʃpoint > 0,55 b. Dipertimbangkan = Ʃpoint 0,45-0,55 c. Tidak layak = Ʃpoint<45 8. Untuk semua sub indikator pada masingmasing indikator mempunyai nilai perbandingan kepentingan yang sama, jadi sub indikator tersebut dimisalkan dengan simbol A,B,C (berlaku untuk semua indikator). Kemudian semua indikator yang terpilih diproses dengan penghitungan AHP, dan rincian penghitunganya adalah sebagai berikut : 1. Menentukan nilai perbandingan Perbandingan Indikator Tabel. 3. Perbandingan Indikator Indikator P T As L Jr P 1 1 2 3 1 T 1 1 2 3 1 As 0,5 0,5 1 2 0,5 L 0,33 0,33 0,5 1 0,33 Jr 1 1 2 3 1 Jumlah 3,83 3,83 7,50 12 3,83 Perbandingan Sub Indikator ke 1. Tabel. 4. perbandingan Sub Indikator Sub Indikator A B C A 1 2 3 B 0,5 1 2 C 0,33 0,5 1 Jumlah 1,83 3,5 6 Perbandngan Sub Indikator ke 2. Jenis Rumah Tabel. 5. perbandingan Sub Indikator Ke2 Jenis Rumah Sub Indikator2 RB R RR TR RB 1 2 3 5 R 0,5 1 2 3 RR 0,33 0,5 1 2 TR 0,2 0,33 0,5 1 Jml 2,03 3,83 6,5 11

2.

Menentukan nilai prioritas

Matrik Nilai Prioritas Indikator Tabel. 6. Matrik Nilai Prioritas Indikator Jml Prio P T As L Jr . 0,2 0,2 0,2 0,2 0,2 1,3 0,2 P 6 6 7 5 6 0 6 0,2 0,2 0,2 0,2 0,2 1,3 0,2 T 6 6 7 5 6 0 6 0,1 0,1 0,1 0,1 0,1 0,6 0,1 As 3 3 3 7 3 9 4 0,0 0,0 0,0 0,0 0,0 0,4 0,0 L 9 9 7 8 9 1 8 0,2 0,2 0,2 0,2 0,2 1,3 0,2 Jr 6 6 7 5 6 0 6 In d

Matrik Nilai Prioritas Sub Indikator ke 1 Tabel. 7. Matrik Nilai Prioritas Sub Indikator Sub Sub1 A B C Jml Prio. Prio. A 0,55 0,57 0,50 1,62 0,54 1 B 0,27 0,29 0,33 0,89 0,30 0,55 C 0,18 0,14 0,07 0,49 0,16 0,30 Matrik Nilai Prioritas Sub Indikator Ke 2 Untuk Jenis Rumah Tabel. 8. Matrik Nilai Prioritas Sub Indikator Ke2 Jenis Rumah Sub Pri Sub2 RB R RR TR Jml Pri o. o. R 0,4 0,5 0,4 0,4 1,9 0,4 B 9 2 6 5 3 8 1 0,2 0,2 0,3 0,2 1,0 0,2 0,5 R 5 6 1 7 9 7 6 R 0,1 0,1 0,1 0,1 0,6 0,1 0,3 R 6 3 5 8 3 6 3 T 0,1 0,0 0,0 0,0 0,3 0,0 0,1 R 0 9 8 9 5 9 8 2. Membuat matriks penjumlahan setiap baris Matrik Penjumlahan Setiap Baris Indikator Tabel. 9. Matrik Penjumlahan Setiap Baris Indikator Jml per Ind P T As L Jr brs P 0,26 0,26 0,52 0,78 0,26 2,08 T 0,26 0,26 0,52 0,78 0,26 2,08 As 0,07 0,07 0,14 0,28 0,07 0,62 L 0,03 0,03 0,04 0,08 0,03 0,20 Jr 0,26 0,26 0,52 0,78 0,26 2,08

279


Matrik Penjumlahan Indikator

Setiap

Baris

Sub

Tabel. 10. Matrik Penjumlahan Setiap BarisSub Indikator Jml per Sub1 A B C brs A 0,54 1,08 1,62 3,24 B 0,15 0,30 0,59 1,04 C 0,05 ,08 0,16 0,30 Matrik Penjumlahan Setiap Indikator Ke 2 Jenis rumah

Baris

Sub

Tabel. 11. Matrik Penjumlahan Setiap Baris Sub Indikator K2 Jenis Rumah Jml per Sub2 RB R RR TR brs RB 0,48 0,97 1,45 2,41 5,31 R 0,14 0,27 0,54 0,82 1,77 RR 0,05 0,08 0,16 0,31 0,60 TR 0,02 0,03 0,04 0,09 0,18 3. Penghitungan rasio konsistensi Nilai Rasio Konsistensi Untuk Indikator Tabel. 12. Perhitungan CR Indikator Prioritas Hasil Indikator Jml per brs 2,34 P 2,08 0,26 2,34 T 2,08 0,26 0,76 As 0,62 0,14 0,28 L 0,20 0,08 2,34 Jr 2,08 0,26 8,06 Jumlah n = 5 dan IR = 1,12 λ maks = Hasil jumlah perbaris : n = 8,06 : 5 = 1,61 CI = (λ maks-n) : n = (1,61-5) : 5 = -3,39 : 5 = -0,68 CR = -0,68 : 1,12 = -0,61 Karena nilai CR < 0,1 jadi konsisten. Nilai Rasio Konsistensi UntukSub Indikator Tabel. 13. Perhitungan CR Sub Indikator Jml per brs Prioritas Hasil Sub Ind 0,54 3,78 A 3,24 0,30 1,34 B 1,04 0,16 0,46 C 0,30 5,58 Jumlah

280

Untuk n = 3 dan IR = 0,58 λ maks = jumlah hasil : n = 5,58 : 3 = 1,86 CI = (λ maks-n) : n = (1,86-3) : 3 = -1,14 : 3 = -0,38 CR = CI : RI = -0,38 : 0,58 = -0,66 CR < 0,1 jadi konsisten Nilai Rasio Konsistensi Untuk Sub Indikator Ke 2 Jenis Rumah Tabel. 14. Perhitungan CR Sub Indikator Ke2 Jenis Rumah Prioritas Hasil Sub Ind2 Jml per brs 5,31 5,7 RB 0,48 1,77 2,04 R 0,27 0,60 0,76 RR 0,16 0,18 0,27 TR 0,09 8,06 Jumlah Untuk n = 4, dan RI = 0,90 λ maks = jumlah hasi : n = 8,86 : 4 = 2,22 CI = (λ maks-n) : n = (2,22-4) : 4 = -1,79 : 4 = -0,45 CR = CI : RI = -0,45 : 0,90 = -0,50 CR < 0,1 jadi konsisten Dari perhitungan di atas, maka di dapat prioritas hasil seperti di bawah ini : Tabel. 15. Prioritas Hasil P T As L Prioritas Indikator 0,26 0,26 0,14 0,08 Prioritas A 1 1 1 1 Prioritas B 0,55 0,55 0,55 0,55 Prioritas C 0,30 0,30 0,30 0,30 Prioritas RB Prioritas R Prioritas RR Prioritas TR

Jr 0,26 1 0,55 0,30 1 0,56 0,33 0,18


3.2. Use Case

ADMIN

SPK Kelayakan Penerima Bantuan Dana RUTILAHU

Masuk Halaman Utama Sistem

Login

<> Login

Data Masyarakat

Menghitung Bobot Perbandingan

Input Data masyarakat

<>

Laporan Hitung Kelayakan

<> Simpan Data Masyarakat

Halaman Utama Sistem Hapus Data Masyarakat

<> <>

About Kelurahan

Admin

Tambah Data Masyarakat

Ubah Data Masyarakat

Petunjuk

Gambar. 1. Use case SPK penerima dana RUTILAHU

Gambar. 4. Activity Diagram Spesifikasi Data Masyarakat 3.4.

Sequence Diagram

Use Case Spesifikasi Data Masyarakat <> Data Masyarakat

Login Admin

Menghitung Bobot Perbandingan

Indikator : Penghasilan, Tanggungan, Jenis Rumah, Aset Lain, Luas Rumah

Halaman Utama Sistem Form : Login

Form :About Kelurahan

Laporan

Form : Petunjuk

Display()

GoTo()

Display()

Admin Input Data Masyarakat

Sub Indikator ke1 (untuk semua indikator) : A, B, C Display()

Sub Indikator ke2 (hanya untuk jenis rumah) : RB, R, R, TR

Display()

Simpan

Gambar. 5. Sequence Diagram SPK Penerima Bantuan Dana RUTILAHU

Tambah

Ubah

Hapus

Hitung Kelayakan

Form : Bobot Perbandingan

Admin

Simpan Kelayakan

Form : Input Data Masyarakat

Database : RUTILAHU

GoTo()

Gambar. 2. Use Case Spesifikasi Data Masyarakat Activity Diagram Diagram aktivitas admin, dimulai dari admin masuk ke halaman utama sistem penilaian kelayakan penerima bantuan dana RUTILAHU baru bisa memilih menu yang diinginkan, dan untuk melakukan pengupdatean data admin harus melakukan login terlebih dahulu yaitu pengupdatean user, hitung prioritas indikator, input data masyarakat dan menghitung kelayakan masyarakat yang berhak menerima bantuan dana RUTILAHU.Adapun alurnya bisa dilihat seperti di bawah ini :

CalculatePriority()

Save() Input()

3.3.

ADMIN

Login

Add User

Laporan

About Kelurahan

Petunjuk

Data Masyarakat

Save()

Edit()

Save()

Delete()

Save()

Save() CalculateEligibility()

Gambar. 6. Sequence DiagramSpesifikasi Data Masyarakat

3.5. Class Diagram Login - KodeUser - user - pass + simpan() + Tambah() + ubah() + Hapus()

Masuk Halaman Utama Sistem

LinkToCalculate Eligibility()

dt_masyarakat - no_kk - nama_kk - alamat - rt - rw - h_milik - penghasilan - t_anak - t_pokok - t_total - aset - luas_p - luas - penghuni - jnsrmh - r_atap - r_dinding - r_lantai - r_total - per

dt_kelayakan - id_layak - p_penghasilan - p_tanggunga - p_jnsrmh - p_aset - p_luas - n_layak - ket - no_kk - per + Hitung() + Simpan()

+ Tambah() + Simpan() + Ubah() + Hapus()

Gambar. 3. Activity Diagram SPK Penerima Bantuan Dana RUTILAHU

Gambar 7. Class Diagram

281


3.6.

Implementasi Sistem Program dibuat dengan mengikuti indikator-indikator yang ada, mudah dioperasikan (User Friendly), dan dapat menyelesaikan permasalahan yang telah dibahas sebelumnya. Adapun gambaran umum program yang diajukan adalah sebagai berikut : 1. Tampilan halaman utama sistem

5. Laporan Data Kelayakan Masyarakat

Gambar 12. Laporan Kelayakan Masyarakat 3.7.

Gambar. 8. Halaman Utama Sistem 2. Form Login

Gambar 9. Form Login 3. Form Penghitungan Indikator

Gambar 10. Form HitungPrioritas Indikator 4. Form Penghitungan Kelayakan

Gambar 11. Form Penghitungan kelayakan

282

Pengujian Sistem Pada tahapan ini, penyusun mengadakan black-box testing untuk menguji aplikasi yang telah dibuat. Pengujian black-box digunakan untuk memperlihatkan bahwa fungsi-fungsi perangkat lunak adalah operasional; bahwa input diterima dengan baik dan output dihasilkan dengan tepat, serta integritas informasi eksternal (seperti file data) dipelihara.[5] Tabel 18. pengujian Sistem Pengujian Yang Pengamat Hasil Diharapkan -an Admin Menampil melakukan kan form login, maka add user, form add penghitun user, gan penghitunga prioritas Form login n prioritas indikator Ok dan penghidan tungan penghitun kelayakan gan masyarakat kelayakan akan masyarak ditampilkan at. Dapat Menamba Form add menambahk hkan data Ok user an data user user ke ke database database Data diproses Form untuk di Nilai hitung hitung dan prioritas Ok prioritas menghasilka muncul indikator n nilai prioritas Data yang di Menghasi inputkan di lkan nilai Form proses kelayakan penghitung dengan dan data Ok an penghitunga tersimpan kelayakan n AHP, lalu ke disimpan ke database database


4. KESIMPULAN Dari penelitian tentang kelayakan penerima bantuan dana RUTILAHU, dapat diambil beberapa kesimpulan sebagai berikut : 1. Indikator-indikator yang digunakan secara pasti dengan pembobotan penilaian kepada setiap indikator, menjadikan penilaian kelayakan penerima RUTILAHU menjadi lebih obyektif. 2. Penilaian berdasarkan indikator dengan pembobotan penilaian dengan memanfaatkan metode AHP menjadikan penilaian RUTILAHU lebih efektif. 3. Program SPK ini memberikan keputusan yang tepat, cepat dan obyektif. 5. SARAN Berdasarkan penelitian di Kelurahan Panyingkiran Kota Tasikmalaya, penyusun memeberikan beberapa saran, diantaranya sebagai berikut : 1. Indikator yang digunakan dalam penelitian ini, berdasarkan kebutuhan dan keadaan dikecamatan Panyingkiran yang dapat dijadikan sebagai indikator penilaian. Hasil penelitian ini bisa jadi tidak cocok untuk diterapkan di daerah lain yang memiliki kondisi sosial yang berbeda. Oleh karena itu penulis menyarankan para peneliti untuk

2.

mengembangkan hasil penelitian ini dengan metode yang lain dan indikator yang lebih banyak, sehingga akan ditemukan metode yang tepat untuk untuk kasus seperti ini. Diharapkan hal ini dapat menjadi pemicu bagi peneliti-peneliti selanjutnya untuk terus mengembangkan penelitian ini, sehingga ditemukan hasil yang maksimal.

DAFTAR PUSTAKA

[1] Kusrini M.kom, 2007, “Konsep Dan [2] [3] [4]

[5]

Aplikasi Sistem Pendukung Keputusan”, Andi, Yogyakarta. Kusrini M.Kom, 2008,“Konsep Dan Aplikasi Sistem Pendukung Keputusan”, Andi, Yogya. Kendall, Kenneth E. – Kendall, Julie E., “Analisis dan Perancangan Sistem Edisi Krlima jilid 1”, PT. INDEKS, Jakarta. Kusrini M.Kom, 2007, “Strategi Perancangan dan Pengolahan Basis Data,Yohanes D.Jati Purnama”,Andi, Bandung. Pressman, Roger S., 2002, “Rekayasa Perangkat Lunak pendekatan praktisi”, Andi Offset, Yogyakarta.

283


DECISION SUPPORT SYSTEM UNTUK PROMOSI KENAIKAN JABATAN DI PT. XYZ Edy Victor Haryanto STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3 A Medan edyvictor@gmail.com

Abstrak Promosi Jabatan kenaikan jabatan adalah hak setiap orang atau staf dalam sebuah perusahaan, untuk saat ini dalam hal promosi jabatan penilaiannya masih dilakukan secara manual dan tentunya akan mengakibatkan tidak adil dalam penilaian kinerja seorang staf, dalam penelitian ini penulis membuat sebuah system untuk mengambil sebuah keputusan dalam promosi jabatan tersebut agar staf/pegawai yang lain dapat mengikuti dan dilaksanakan secara fair dan transparan, dan dalam system ini aspek yang dinilai adalah kualitas kerja, kemampuan memimpin, ketelitian dan tanggungg jawab serta inisiatif, dan system ini dibuat dengan metode AHP dan software super decision. Kata kunci : promosi jabatan, staf/pegwai, kriteria, AHP, super desicion 1.

Pendahuluan

Perusahaan pada saat sekarang ini berlombalomba untuk menjadi yang terbaik dan menjadi sebuah perusahaan yang top di Indonesia, kinerja perusahaan yang baik tentunya didukung oleh kinerja para staf/pegawainya dalam hal segala bidang, baik itu keuangan, marketing atau pemasaran, manager, staf dan lain-lain. Dalam sebuah perusahaan tentunya ada berbagai macam jabatan, baik itu level yang tinggi maupun yang rendah, setiap karyawan ditempatkan pada posisinya masing-masing sesuai dengan kemampuan dan perilaku dari staf/pegaawi tersebut. Staf/Pegawai merupakan bagian yang sangat penting dari sebuah perusahaan yang amat penting, dan merupakan SDM yang harus didukung kinerjanya. Apabila baik kinerja dari staf/pegawainya maka kinerja perusahaan tersebut akan makin baik. Penelitian Terkait Menurut Dian dalam penelitiannya merancang sebuah system atau program aplikasi system penunjang keputusan dalam menentukan promosi, enumerasi dan mutasi pegawai, untuk menjamin penilaian yang adil maka penilaian dilakukan oleh atasan langsung, rekan dan bawahan dari pegawai yang akan dinilai dengan menggunakan AHP[1]. Endang dalam penelitiannya merancang sebuah system dengan bantuan software Expert Choice dan menggunakan metode AHP membantu PT. X dalam menentukan promosi berdasarkan kinerja karyawan tersebut[2].

284

Tujuan Penelitian Adapun tujuan dari penelitian ini adalah : 1. Membuat sebuah system dalam mengambil keputusan dalam penentuan promosi jabatan untuk sebuah perusahaan. 2. Mempermudah dalam menentukan promosi jabatan. 3. Proses penentuan promosi jabatan dapat dilakukan secara adil dan transparan. 2.

Pembahasan

Data yang didapatkan adalah dari hasil dan penilaian dari atasan masing-masing dan staf yang lain. Data tersebut kemudian dijadikan sebagai dasar untuk perbandingan kriteria dan alternatif. Semua data yang ada akan diolah dan dilanjutkan dengan menggunakan metode Analitycal Hierarchy Process (AHP) dimana software yang akan digunakan dalam membantu mendapatkan hasil keputusan adalah Software Super Decisions dan Microsoft Excel. Analisis Kebutuhan Data Kriteria Data didapatkan dari hasil penilaian dan wawancara dari atasan masing-masing dan staf yang lain, dengan kriteria sebagai berikut : 7. Kualitas Kerja 8. Kemampuan Memimpin 9. Ketelitian dan Tanggung Jawab 10. Inisiatif Analisa Proses Metode AHP Analytical Hierarcy Process (AHP) adalah suatu metode analisis dan sintesis yang dapat membantu proses pengambilan keputusan. AHP merupakan alat pengambil keputusan yang akurat karena


adanya skala atau bobot yang telah ditentukan dan menggunakan hirarki yang terdiri dari tiga level

Promosi

Goal

Kriteria

Alternatif

yaitu tujuan atau goal, kriteria dan alternatif.

Kualitas Kerja

Kemampuan Memimpin

Staf 1

Staf 2

Ketelitian & Tanggung Jawab

Staf 3

Inisiatif

Staf 4

Gambar 1. Hirarki AHP Penentuan Promosi Jabatan Matriks Perbandingan Berpasangan Kriteria Tahapan ini pemberian bobot masing-masing kriteria menggunakan model AHP (Analytical Hieracrchy Process) Tabel 1. Matriks Perbandingan Berpasangan Kriteria Kuali Kemamp Keteliti Inisiatif tas uan an & Kerja Memimp Tanggu in ng Jawab Kualitas 1/1 7/1 4/1 5/1 Kerja Kemamp 1/7 1/1 2/1 1/4 uan Memimp in Ketelitia 1/4 1/2 1/1 1/5 n& Tanggun g Jawab Inisiatif 1/5 4/1 5/1 1/1 Menghitung Nilai Matriks Kriteria Maktriks ini diperoleh dengan rumus berikut : Nilai baris kolom baru = nilai bariskolom lama / jumlah masing-masing kolom lama. Tabel 2. Hasil Matriks Perbandingan Kriteria Berpasangan

menghitung hasil kriteria berpasangan kedalam matrik perbandingan berpasangan yang diubah kedalam bentuk desimal. Tabel 3. Hasil Perhitungan Matriks Berpasangan dan Normalisasi

Untuk nilai hasil normalisasi, hasil penjumlahan baris dibagi dengan jumlah keseluruhannya.

Diperoleh skala prioritas untuk masingmasing kriteria. Pada baris pertama untuk Kualitas Kerja dengan nilai 0.6274 atau 63%, baris kedua adalah Kemampuan Memimpin dengan nilai 0.0773 atau 8%, baris ketiga adalah Ketelitian dan Tanggung Jawab dengan nilai 0.0626 atau 6% dan baris keempat adalah Inisiatif dengan nilai 0.2327 atau 23%. Kemudian dilakukan perhitungan nilai eigen maksimum yang diperoleh dengan menjumlahkan hasil perkalian nilai eigen dengan jumlah kolom. Nilai eigen maksimum : = (0.6274 *1.593) + (0.0773 *12.500) + (0.0626 *12.000) + (0.2327*6.450) = 0.9993 + 0.9667 + 0.7541 + 1.5008 = 4.2182 Nilai Consistency Index yaitu : CI = 4.2182 – 4 = 0.2182 4–1

= 0.0727 3

285


Untuk n = 4 , RI (random index) = 0,900 ( tabel saaty ), maka dapat diperoleh nilai consistency ratio (CR) yaitu : CR = 0.0727 = 0.0808 < 0.100 0.900 Karena CR < 0.1000 berarti konsisten Matriks Perbandingan Berpasangan Kriteria Kualitas Kerja Pada tahap ini alternatif dibandingkan sesuai dengan kriteria kualitas kerja yang datanya didapatkan dari hasil wawancara dan kuesioner kemudian diolah kedalam matriks perbandingan berpasangan sesuai kriteria.

Nilai eigen maksimum : = (0.4851 *2.033) + (0.0867 *11.000) + (0.2757 *3.750) + (0.1525*8.333) = 4.2452 Nilai Consistency Index yaitu : CI = 4.2452 – 4 = 0.2452 4–1

= 0.0871 3


Tabel 4. Hasil Perbandingan Berpasangan Kriteria Kualitas Kerja Kualitas Kerja

Staf 1

Staf 2

Staf 3

Staf 4

Staf 1

1/1

3/1

2/1

5/1

Staf 2

1/3

1/1

1/4

1/3

Staf 3 Staf 4

1/2 1/5

4/1 3/1

1/1 1/2

2/1 1/1

Gambar 3. Kuesioner Kualitas Kerja dengan Super Decisions

menghitung hasil kriteria berpasangan kedalam matrik perbandingan berpasangan yang diubah kedalam bentuk desimal. Hasil matriks berpasangan matriks tahap 1

dan

normalisasi

Gambar 4. Hasil Prioritas Kualitas Kerja dengan Super Decisions Matriks Perbandingan Berpasangan Kriteria Kemampuan Memimpin Normalisasi matriks tahap 2

Normalisasi matriks tahap 3

Gambar 2. Hasil Bobot Akhir Perbandingan Kriteria Kualitas Kerja

286

Pada tahap ini alternatif dibandingkan sesuai dengan kriteria Kemampuan Memimpin yang datanya didapatkan dari hasil wawancara dan kuesioner kemudian diolah ke dalam matriks perbandingan berpasangan sesuai kriteria. Tabel 5. Hasil Perbandingan Berpasangan Kriteria Kemampuan Memimpin Kemampuan Staf 1 Staf 2 Staf 3 Staf 4 Memimpin Staf 1 1/1 1/2 1/2 1/3 Staf 2 2/1 1/1 1/2 1/2 Staf 3 2/1 2/1 1/1 2/1 Staf 4 3/1 2/1 1/2 1/1 menghitung hasil kriteria berpasangan kedalam matrik perbandingan berpasangan yang diubah kedalam bentuk desimal.


Hasil matriks berpasangan matriks tahap 1

dan

normalisasi

Gambar 7. Hasil Prioritas Kemampuan Memimpin dengan Super Decisions Normalisasi matriks tahap 2

Matriks Perbandingan Berpasangan Kriteria Ketelitian dan Tanggung Jawab


Pada tahap ini alternatif dibandingkan sesuai dengan kriteria Ketelitian dan Tanggung Jawab yang datanya didapatkan dari hasil wawancara dan kuesioner kemudian diolah ke dalam matriks perbandingan berpasangan sesuai kriteria. Tabel 6. Hasil Perbandingan Berpasangan Kriteria Ketelitian dan Tanggung Jawab


Gambar 5. Hasil Bobot Akhir Perbandingan Kriteria Kemampuan Memimpin Nilai eigen maksimum : = (0.1235 *8.000) + (0.1881 *5.500) + (0.3889 *2.500) + (0.2995*3.833) = 4.1431 Nilai Consistency Index yaitu : CI = 4.1431 – 4 = 0.1431 4–1

Ketelitian dan Tanggung Jawab Staf 1

Staf 1

Staf 2

Staf 3

Staf 4

1/1

2/1

3/1

4/1

Staf 2

1/2

1/1

2/1

1/2

Staf 3

1/3

1/2

1/1

1/2

Staf 4

1/4

2/1

2/1

1/1


dan

normalisasi

= 0.0477 3




Gambar 6. Kuesioner Kemampuan Memimpin dengan Super Decisions

287



Gambar 8. Hasil Bobot Akhir Perbandingan Kriteria Ketelitian dan Tanggung Jawab Nilai eigen maksimum : = (0.4886*2.083) + (0.1797 *5.500) + (0.1125 *8.000) + (0.2193*6.000) = 4.2216 Nilai Consistency Index yaitu : CI = 4.2216 – 4 = 0.2216 4–1

Tabel 7. Hasil Perbandingan Berpasangan Kriteria Inisiatif Inisiatif Staf 1 Staf 2 Staf 3 Staf 4 Staf 1 Staf 2 Staf 3 Staf 4

1/1 4/1 3/1 3/1

1/4 1/1 2/1 2/1

1/3 1/2 1/1 2/1

1/3 1/2 1/2 1/1


dan

normalisasi

= 0.0739 3




Gambar 9. Kuesioner Ketelitian dan Tanggung Jawab dengan Super Decisions Menghitung Nilai Matriks Kriteria Maktriks ini diperoleh dengan rumus berikut : Nilai baris kolom baru = nilai bariskolom lama / jumlah masing-masing kolom lama.

Gambar 10. Hasil Prioritas Nilai Ketelitian dan Tanggung Jawab dengan Super Decisions Matriks Perbandingan Berpasangan Kriteria Inisiatif Pada tahap ini alternatif dibandingkan sesuai dengan kriteria Inisiatif yang datanya didapatkan dari hasil wawancara dan kuesioner kemudian diolah ke dalam matriks perbandingan berpasangan sesuai kriteria.

Gambar 11. Hasil Bobot Akhir Perbandingan Kriteria Inisiatif Nilai eigen maksimum : = (0.0896 *11.000) + (0.2208 *5.250) + (0.2865 *3.833) + (0.4031*2.333) = 4.1833 Nilai Consistency Index yaitu :

288


CI = 4.1833 – 4 = 0.1833 4–1

= 0.0611 3


Gambar 10. Hasil Pengujian Computation Full Report dengan Super Decisions Hasil Pengujian Hasil perhitungan data sampel untuk menentukan staf yang paling menentukan mendapatkan promosi jabatab tersebut dapat dilihat pada tabel 9

Gambar 12. Kuesioner Inisiatif dengan Super Decisions

Gambar 13. Hasil Prioritas Inisiatif dengan Super Decisions

Analisa Hasil Metode Analytical Hierarchy Process Setelah mendapatkan kriteria penentuan kualitas kulit terpenting dari masing-masing kriteria, langkah selanjutnya adalah mengalikan nilai tersebut dengan nilai akhir dari bobot kriteria. Hasilnya dapat dilihat pada Tabel 8. Tabel 8. Hasil Nilai Masing-Masing Kriteria

Tabel 9. Bobot Final dan Ranking Alternatif N Alternati Pengujia Pengujia Rankin o f n n Manual g Software 1 Staf 1 0.3605 0.3651 1 2 Staf 2 0.1339 0.1316 4 3 Staf 3 0.2762 0.2767 2 4 Staf 4 0.2294 0.2264 3 1. Tabel 9 merupakan perbandingan hasil perhitungan dengan cara manual, dan perhitungan Super Decisions, dari hasil yang dibandingkan terdapat nilai pada beberapa kriteria. Perbedaan yang terjadi pada empat digit angka dibelakang koma, sehingga hasil akhir antara perhitungan analisis manual dengan perhitungan analisis Super Decisions dapat dikatakan konsisten. 2. Dari hasil perbandingan, didapatkan hasil akurasi manual dan dengan software terendah 85% dan akurasi tertinggi 100%. 3. Dari hasil pengujian baik dengan manual ataupun software dapat dihasilkan ranking yang layak untuk mendapatkan promosi jabatan. 4.

Kesimpulan

Dari hasil penelitian diatas, maka didapat kesimpulan adalah sebagai berikut : 1. Dengan menggunakan sebuah sistem maka akan lebih mudah menentukan keputusan siapa yang layak untuk mendapatkan promosi jabatan. 2. Dengan super decision akan lebih mudah membuat sebuah sistem penunjang keputusan. 3. Sistem yang dibuat akan lebih transparan untuk menentukan siapa staf atau pegawai yang dapat promosi jabatan.

289


Daftar Pustaka [1] Novian, Dian, “Sistem Penunjang Keputusan Mutasi, Enumerasi dan Promosi Pegawai Menggunakan Metode AHP”, Jurnal Media Elektrik, Vol. 5, No. 2, Desember 2010,. [2] Lestari, ending, “Analisa Sistem Penunjang Keputusan untuk Proses Kenaikan Jabatan pada PT. X”, Jurnal Sistem Informasi, Vol. 1, No. 3, Desember 2009. [3] Andika Gusdha, Eka, dkk, “Sistem Promosi Jabatan Karyawan dengan Metode Analytical Hierarchy Process (AHP) dan Multi-Attribute Utility Theory (MAUT) (Studi Kasus pada PT. Ginsa Inti Pratama)”

290

[4] Dina Andayati (2010), “Sistem Pendukung Keputusan Pra-Seleksi Penerimaan Siswa Baru (PSB) Online Yogyakarta“, Jurnal Teknologi Vol.3 No.2. [5] Efraim Turban, Jay E. Aronson, Ting Peng Liang (2005), “Decision Support System and Intelligent Systems Edisi 7 Jilid 1”, Yogyakarta : Andi Offset. [6] Kusrini (2007), “Konsep dan Aplikasi Sistem Pendukung Keputusan”, Yogyakarta : Andi Offset. [7] Nila Susanti, Sri Winiarti (2013), “ Sistem Pendukung Penentuan Kualitas Kayu Untuk Kerajinan Meubel ”, Jurnal Sarjana Teknik Informatika e-ISSN : 2338:5197 Volume 1 Nomor 1


SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN BIDANG PEKERJAAN BAGI LULUSAN LPP PENERBANGAN MENGGUNAKAN METODE ANP Syafrizal STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3 A Medan Rizalsyl75@yahoo.co.id

Abstrak Kebutuhan akan sumber daya manusia yang berkualitas berdasarkan standar operasional perusahaan masih terasa sulit dipenuhi oleh para lulusan dunia pendidikan yang perkembangannya semakin pesat. Bahkan berdirinya lembaga-lembaga pendidikan dan pelatihan yang diharapkan akan mampu membentuk kualitas sumber daya manusia terkadang masih menggunakan sistem penilaian yang kurang akurat sehingga tidak membentuk sumber daya manusia yang sesuai dengan apa yang diharapkan oleh perusahaan-perusahaan khususnya dunia penerbangan. Saat ini, khususnya bandara Kualanamu membutuhan sumber daya manusia yang berkualitas yang sesuai dengan bidang keahlian yang dibutuhkan. LPP QLTC Medan adalah salah satu lembaga pendidikan penerbangan yang mendidik para siswanya agar dapat bersaing di dunia kerja khususnya di bandara. Untuk itu perlu adanya sebuah Sistem Pendukung Keputusan (SPK) yang akan membantu mengolah data. Metode tersebut dianggap baik karena dapat membandingkan antara kriteria yang ditetapkan dengan alternatif. Penerapan metode Analytical Network Process (ANP) menjadi suatu kerangka untuk mengambil keputusan dengan efektif atas persoalan yang kompleks dengan menyederhanakan dan mempercepat porses pengambilan keputusan dengan memecahkan pesoalan tersebut kedalam bagianbagiannya untuk mempengaruhi hasil. Software yang dapat digunakan untuk memecahkan masalah berdasarkan ANP adalah Super Desicion yaitu sebuah perangkat lunak yang mendukung collaborative decision dan sistem perangkat keras yang memfasilitasi grup pembuatan keputusan yang lebih efisien, analitis, dan yang dapat dibenarkan. Hasil dari analisis ANP yang akan diperoleh kesimpulan bahwa Bidang Pekerjaan yang disesuaikan dengan keahlian yang dimiliki oleh siswa lulusan LPP Penerbangan. Kata kunci : Bidang Kerja, Lembaga Pelatihan dan Penerbangan (LPP), ANP, super desicion 1.

Pendahuluan

Industri Penerbangan di Indonesia menunjukkan perkembangan yang sangat pesat dari tahun ke tahun, dengan meningkatnya permintaan terhadap pelayanan transportasi udara. Hal ini juga didukung dengan kondisi Geografi di Indonesia sebagai negara kepulauan dan dengan pertumbuhan konsisten ekonomi nasional sangat mendukung perkembangan dari industri transportasi udara. Kebutuhan akan layanan transportasi memberikan dampak meningkatnya kebutuhan akan transportasi pesawat udara dan fasilitas pendukung lainnya. Meningkatnya jumlah pesawat udara berdampak terhadap kebutuhan atas sumber daya manusia yang sangat tinggi. Seiring dengan semakin pesatnya pertumbuhan dibidang transportasi udara, maka permintaan dan kebutuhan sumber daya manusia yang handal dan siap pakai semakin besar pula. Sayangnya pada saat ini SDM yang tersedia umumnya belum siap pakai karena dibutuhkan keterampilan, kreatifitas, pendidikan, pengetahuan, serta keahlian khusus untuk menjawab peluang yang ada.

Sebagaimana yang kita telah ketahui bersama adalah bahwa salah satu elemen penting dari sebuah perusahaan adalah Sumber Daya Manusia (SDM) yang berkualitas. Pengelolaan SDM dari suatu perusahaan sangat mempengaruhi banyak aspek penentu keberhasilan kerja dari perusahaan tersebut. Jika SDM dapat diorganisir dengan baik, maka diharapkan perusahaan dapat menjalankan semua proses usahanya dengan baik. Terdapat beberapa kendala pengelolaan SDM, salah satunya adalah basic ilmu yang dimiliki oleh karyawan terkadang berbeda dengan apa yang diterapkan oleh karyawan tersebut di perusahaan. Yang mengakibatkan lambatnya proses perkembangan diri karyawan sehingga berdampak dengan perkembangan perusahaan. Beberapa tahun terakhir khususnya di Medan mulai banyak berdiri lembaga-lembaga pendidikan khususnya yang bergerak dalam dunia penerbangan. Hal ini dikarenakan semakin banyaknya permintaan kebutuhan tenaga kerja di bidang tersebut. Namun banyak lembaga pendidikan yang belum memperhatikan tingkat kemampuan yang dimiliki oleh para siswa yang akan bekerja sehingga mengakibatkan seringnya

291


terjadi masalah pada saat telah memasuki dunia kerja tersebut. Oleh karena itu penulis tertarik membantu permasalahan yang terjadi pada lembaga-lembaga pendidikan dalam menentukan bidang pekerjaan yang tepat, yang pada akhirnya juga akan berdampak baik pada siswa dalam memilih bidang pekerjaan yang sesuai dengan bidang ilmu yang dimilikinya. Analytic Network Process (ANP) adalah salah satu metode pengambilan keputusan yang sesuai untuk menyelesaikan permasalahan pengambilan keputusan pemilihan bidang kerja yang dapat memberikan beberapa alternatif pilihan bidang kerja. Metode ANP adalah pengembangan dari metode Analytic Hierarchy Process (AHP) sehingga lebih kompleks dan mampu memperbaiki kelemahan AHP, yaitu mengabaikan keterkaitan antar kriteria [1]. Metode ANP ini mempunyai kemampuan untuk memecahkan masalah yang mempunyai multiobjective dan multicriteria. Berdasarkan latar belakang yang telah dikemukakan di atas, Oleh karena itu penulis tertarik membantu permasalah yang terjadi pada lembaga-lembaga pendidikan dalam menentukan bidang pekerjaan yang tepat, yang pada akhirnya juga akan berdampak baik pada siswa dalam memilih bidang pekerjaan yang sesuai dengan bidang ilmu yang dimilikinya dengan menggunakan metode ANP. Tujuan Penelitian Adapun tujuan dari penelitian ini adalah : a. Membantu pihak lembaga pendidikan dan pelatihan penerbangan dalam memutuskan untuk menempatkan siswa yang sesuai dengan kebutuhan perusahaan penerbangan. b. Menentukan urutan prioritas kriteria pekerjaan yang akan dipilih siswa lulusan lembaga pendidikan dan pelatihan penerbangan pada perusahaan penerbangan. 2. Pembahasan Data Alternatif Data alternatif diambil dari data Bidang Kerja LPP Penerbangan yang diperuntukan untuk siswa. Ada 3 bidang kerja yang dijadikan sebagai perbandingan dalam pengujian yaitu Cabin Staff, Airlines Staff dan Travel Agent Staff. Data Kriteria Data Kriteria diambil dari data dari hasil wawancara dari LPP Penerbangan, Maskapai dan Travel yang ada dikota Medan. Adapun data kriteria yang telah dianalisa yaitu berupa Cluster Seleksi Berkas meliputi Jenjang Pendidikan, Usia, Tinggi Badan, Penampilan dan Kesehatan. Cluster Mata pelajaran meliputi Anouncement, Aviation Knowledge, persentase Aviation

292

Security, persentase Basic Fare & Ticketing, persentase Dangerous Goods & Cargo Knowledge, English For Hospitality, Grooming, Pasanger And Bagage Handling, dan Tour And Package. Bobot Nilai Kriteria Siswa Berikut adalah bobot nilai siswa dengan masingmasing kriteria yang dapat dilihat pada Tabel 1. Tabel 1. Bobot Nilai Kriteria Siswa Kriteria Nilai Jenjang Pendidikan (B-JP) 3 Usia (B-US) 5 Tinggi Badan (B-TB) 3 Penampilan (B-PN) 2 Kesehatan (B-KS) 1 Anouncement (P-AC) 1 Aviation Knowledge (P-AK) 5 Aviation Security(P-AS) 5 Basic Fare & Tiketing (P-FT) 1 Dangerous Goods & Cargo Knowledge 3 (P-CK) English for Hospitality (P-EH) 2 Grooming (P-GR) 1 Pasanger and Bagage handling (P-PB) 3 Tour and Package (P-TP) 3 Pembobotan Hirarki Hasil analisis untuk kriteria siswa pada LPP yang terdapat pada tabel 2 dan table 3, maka matriks perbandingan hasil preferensi gabungan menunjukkan bahwa kriteria Usia 5 kali lebih penting dari kriteria Jenjang Pendidikan. Jenjang Pendidikan sama penting dengan Tinggi Badan, 3 kali lebih penting dari Penampilan, 5 kali lebih penting dari Kesehatan dan Announcement, sedangkan Aviation Knowledge dan Aviation Security 5 kali lebih penting dari Jenjang Pendidikan. Jenjang Pendidikan 5 kali lebih penting dari Basic Fare & Ticketing, sama penting dengan Dangerous Goods & Cargo Knowledge, 3 kali lebih penting dari English For Hospitality, 5 kali lebih penting dari Grooming, serta sama penting dengan Passanger & Baggage Handling dan Tour Package. Begitu juga tingkat kepentingan untuk 14 kriteria lainnya. Tabel 2. Bobot Hirarki untuk cluster berkas


Tabel 3. Bobot Hirarki untuk cluster mata pelajaran

Gambar 3. Perbandingan antar Alternatif dengan Cluster Mata Pelajaran

Metode ANP Berikut adalah gambar metode ANP dalam penentuan bidang kerja siswa LPP Penerbangan melalui software SuperDecision:

Gambar 4. Perbandingan antar node dengan Cluster Berkas

Gambar 1. ANP Penentuan Bidang Kerja

Perbandingan dalam cluster dan perbandingan antar cluster didapat dari kuesioner yang disebar ke responden. Berikut adalah gambar perbandingan antar alternatif dalam kriteria dan perbandingan antar kriteria yang didapat dari kuesioner:

Gambar 2. Perbandingan antar Alternatif dengan Cluster Berkas Gambar 5. Perbandingan antar Node dengan Cluster Mata Pelajaran

293


Hasil Penelitian Dalam penelitian ini, digunakan metode ANP dengan bantuan software Superdecision untuk mentukan Bidang Kerja Siswa LPP Penerbangan. Alternatif : a) Cabin Staff b) Airlines Staff c) Travel Agent Staff

Gambar 10. Hasil penelitian prioritas alternatif Bidang Kerja dalam cluster Mata pelajaran

Hasil penelitian dari masing-masing cluster adalah sebagai berikut :

Gambar 11. Hasil penelitian rangking untuk alternatif Bidang Kerja dalam cluster Mata Pelajaran Gambar 6. Hasil penelitian prioritas node Bidang Kerja dalam cluster Berkas

Gambar 7. Hasil penelitian prioritas alternatif Bidang Kerja dalam cluster Berkas

3.

Hasil pengujian

Dari hasil perhitungan dengan metode ANP dengan menggunakan Sofware Super decition maka diperoleh kesimpulan Cabin Staff 0,18 atau 18 %, Airlines Staff 0,74 atau 74% dan Travel Agent Staff 0,07 atau 7 %. Dan rekomendasi untuk bidang kerja siswa 1 adalah AIRLINES STAFF.

Gambar 12. Hasil Ranking Pemilihan Bidang Kerja Gambar 8. Hasil penelitian rangking untuk alternatif Bidang Kerja dalam cluster Berkas

Gambar 9. Hasil penelitian prioritas node Bidang Kerja dalam cluster Mata Pelajaran

294

4.

Kesimpulan

Dari hasil penelitian diatas, maka didapat kesimpulan adalah sebagai berikut : 1. Sistem Pendukung Keputusan ini mampu mengolah data inputan berupa data kualifikasi yaitu jenjang pendidikan (B-JP), usia (B-US), tinggi badan (B-TB), dan Penampilan (B-PN). Data pendidikan yaitu Anouncement (P-AC), Aviation Knowledge (P-AK), Aviation Security (P-AS), Basic Fare & Ticketing (P-FT), Dangerous Goods & Cargo Knowledge (P-CK), English For Hospitality (P-EH), Grooming (P-GR), Pasanger And Bagage Handling (P-PB), dan Tour And Package (P-TP), menjadi sebuah proses penilaian sehingga memberikan


2.

3.

perhitungan skala alternatif penilaian. Hal ini dapat memberikan konstribusi dalam pemilihan kriteria pekerjaan. Metode ANP (Analytic Network Process) dapat membantu pemilihan kriteria pekerjaan siswa. Ketika LPP sulit dalam menentukan kriteria pekerjaan yang cocok dengan kemampuan siswa, dengan ANP dapat diperoleh nilai perioritas pemilihan kriteria pekerjaan berdasarkan bobot nilai kualifikasi dan nilai pendidikan. Sistem Pendukung Keputusan sudah bisa memberikan hasil rekomendasi siswa lulusan untuk menentukan kriteria pekerjaan yang cocok dengan menggunakan metode metode Analitical Network Process (ANP).

Daftar Pustaka [1] Saaty, T. L. 1999. Decision Making for Leaders. RWS Publications, 4922 Ellsworth Avenue: Pittsburgh, PA 15213

[2] Hidayati, novi, “Sistem E-Learning untuk meningkatkan Proses Belajar Mengajar Studi Kaus pada SMA Negeri 10 Bandar Lampung”, Jurnal Sistem Informasi, Vol. 2, No. 2, September 2010. [3] Iriani & Herawan, “Pemilihan Supplier Bahan Baku Benang dengan menggunakan Metode Analytic Network Process (ANP) studi kasus Home Industry Nedy”, Simposium Nasional RAPI XI FT UMS – 2012 [4] Rahendi, Robert Eka. Dkk, ”Sistem Pendukung Keputusan Pemilihan Bidang studi di Perguruan Tinggi menggunakan Metode Analytic Network Process (ANP), 18 Juli 2014. [5] Efraim Turban, Jay E. Aronson, Ting Peng Liang 2005, Decision Support System and Intelligent System, Jilid 2. [6] Kusrini, 2007, Konsep dan Aplikasi Sistem Pendukung Keputusan, Yogyakarta.

295


IDENTIFIKASI HAMBATAN ORGANISASI DENGAN SISTEM PENDUKUNG KEPUTUSAN MENGGUNAKAN METODE TOPSIS Adnan Buyung Nasution1 1,2

3

Sistem Informasi, STMIK Potensi Utama STMIK Potensi Utama, Jl. K.L. Yosudarso Km, 6.5 No.3A Tanjung Mulia-Medan 1 adnan.buyung01@gmail.com

Abstrak Perkembangan bisnis dan persaingan bebas serta dampak dari krisis moneter yang pernah terjadi membuat suasana pasar di Indonesia semakin sulit. Sebagian besar pengusaha Indonesia bertahan di dalam suasana tersebut dengan cara-cara yang kurang baik yang pada akhirnya menimbulkan masalah atau hambatan di dalam organisasi usahanya, sehingga mengakibatkan kinerja perusahaan tersebut menjadi terhambat. Pakar psikologi meneliti masalah-masalah yang terjadi dan mengelompokkan masalah-masalah yang disebut blockage. Blockage dapat diketahui dan dicari alternatif solusinya dengan Sistem Pendukung Keputusan menggunakan metode Topsis yang diharapkan akan memperbaiki kinerja karyawan yang berdampak pada kelancaran system pada perusahan. Kata kunci : Blockage, Topsis 1.

Pendahuluan

Unjuk kerja organisasi ditentukan antara lain oleh manusia yang berada dalam organisasi tersebut, agar dapat mengembangkan manusia tersebut secara efektif dan efisien, perlu diketahui kekuatan dan kelemahannya sehingga akan lebih mudah menempatkan mereka dengan tugas-tugas yang sesuai atau mengembangkan mereka sesuai dengan tugas-tugas yang telah disandangnya. Pengetahuan akan permasalahan yang sesungguhnya terjadi pada perusahaan sebagai organisasi menjadi sangat penting sebagai upaya perusahaan dalam memikirkan strategi dan arah perkembangan perusahaan. Perkembangan bisnis dan persaingan bebas serta dampak dari krisis moneter yang pernah terjadi membuat suasana pasar di Indonesia semakin sulit. Sebagian besar pengusaha Indonesia bertahan di dalam suasana tersebut dengan cara-cara yang kurang baik yang pada akhirnya menimbulkan masalah atau hambatan di dalam organisasi usahanya, sehingga mengakibatkan kinerja perusahaan tersebut menjadi terhambat. Pakar psikologi meneliti masalah-masalah yang terjadi dan mengelompokkan masalahmasalah yang disebut blockage. Blockage dapat diketahui dan dicari alternatif solusinya dengan menjawab kuesioner yang telah dirancang khusus. Dengan adanya kuesioner secara terkomputerisasi berbasis web diharapkan masalah-masalah tersebut dapat diketahui dan dapat dicari solusinya sehingga kerja organisasi menjadi lebih optimal.

296

2.

Tinjauan Pustaka

2.1. Sistem Pendukung Keputusan Sistem pendukung keputusan ( decision support systems disingkat DSS) adalah bagian dari sistem informasi berbasis komputer termasuk sistem berbasis pengetahuan (manajemen pengetahuan) yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi perusahaan atau lembaga pendidikan. Menurut Moore and Chang, Sistem Pendukung keputusan dapat digambarkan sebagai sistem yang berkemampuan mendukung analisis data, dan pemodelan keputusan, berorientasi keputusan, orientasi perencanaan masa depan, dan digunakan pada saat-saat yang tidak biasa. Kegiatan merancang sistem pendukung keputusan merupakan sebuah kegiatan untuk menemukan, mengembangkan dan menganalisis berbagai alternatif tindakan yang mungkin untuk dilakukan. Tahap perancangan ini meliputi pengembangan dan mengevaluasi serangkaian kegiatan alternatif. Sedangkan kegiatan memilih dan menelaah ini digunakan untuk memilih satu rangkaian tindakan tertentu dari beberapa yang tersedia dan melakukan penilaian terhadap tindakan yang telah dipilih[1]. 2.4. Teori Blockage Sistem ini di analisa dengan menggunakan teori blockage dengan metode deskriptif untuk menganalisa faktor-faktor hambatan dan metode pembobotan untuk menghitung hasil kuesioner. 1. Inadequate Recruitment & Selection. Merupakan hambatan dalam hal perekrutan


2.

3.

4.

5.

6.

7.

8.

dan proses seleksi yang dilakukan perusahaan, menurut persepsi karyawan. Masalah-masalah tersebut antara lain seperti cara perekrutan yang tidak standar, kualifikasi pegawai yang menurun, pegawai yang dijaring ternyata tidak cocok untuk jabatannya, dan kurangnya kemampuan untuk membedakan antara kandidat yang baik dan yang buruk. Confused Organizational Sructure Merupakan hambatan dalam struktur organisasi yang kurang efisien, kegiatan kurang terkoordinasi dengan baik, kerangka kerja yang kurang jelas, terdapat masalah dan pekerjaan-pekerjaan yang sering tidak terselesaikan, menurut persepsi karyawan di sebuah perusahaan. Inadequate Control Merupakan hambatan dalam kendali akan perusahaan, kurang informasi yang relevan untuk penyelesaian masalah, kurangnya kesempatan untuk melakukan diskusi terbuka dalam rangka penyelesaian masalah, kurangnya peninjauan akan kebijakan yang telah dibuat, siklus kerja yang kurang efektif dan efisien, menurut persepsi karyawan di sebuah perusahaan. Poor Training Merupakan hambatan dalam pengembangan keterampilan karyawan, kurangnya pelatihan yang tepat sasaran dan sistematis, kurangnya perancangan program pelatihan yang tepat bagi perusahaan, menurut persepsi karyawan di sebuah perusahaan. Low Motivation Merupakan hambatan kurangnya kepedulian atau komitmen karyawan pada pekerjaan dan perusahaan, tidak terpenuhinya kebutuhankebutuhan dan harapan-harapan karyawan, menurut persepsi karyawan di sebuah perusahaan. Low Creativity Merupakan hambatan penerimaan ide-ide dari karyawan, perusahaan yang menyukai keseragaman pemikiran, kurang berani mengambil resiko untuk menerapkan ide-ide baru, menurut persepsi karyawan di sebuah perusahaan. Poor Teamwork Merupakan hambatan dalam penyelesaian pekerjaan secara optimal, banyaknya pertengkaran maupun pertikaian tersembunyi, sikap kerja yang individualis, menurut persepsi karyawan di sebuah perusahaan. Inappropriate Management Philosophy Merupakan hambatan dalam hal kesalahan prinsip kerja yang digunakan oleh atasan dalam menjalankan perusahaan menurut

persepsi karyawan di sebuah perusahaan. Pihak atasan hanya menganggap para pegawainya sebagai orang-orang malas yang mementingkan uang, sehingga dengan gaji yang standar para pegawai diharapkan menjadi penghasil uang bagi perusahaan. Pimpinan tidak memikirkan kepuasan kerja, dan kualitas hidup pegawainya. 9. Lack of Succession Planning and Management Development Merupakan hambatan dalam kesulitan penetapan sasaran dan pemilihan cara untuk mencapai sasaransasaran tersebut, kesulitan dalam mengorganisasi karyawan dan sumber daya yang ada secara efektif, kesulitan dalam memprediksikan karir karyawan di masa mendatang, menurut persepsi karyawan di sebuah perusahaan. 10. Unclear Aims Merupakan hambatan perumusan tujuan perusahaan, kurangnya pemahaman mengenai tujuan yang harus dicapai, kesenjangan antara kerja yang diharapkan pimpinan dan apa yang dilakukan karyawan, menurut persepsi karyawan di sebuah perusahaan. [2] 2.5. TOPSIS (Technique For Order Preference by Similiarity to Ideal Solution) TOPSIS adalah salah satu metode pengambilan keputusan multikriteria yang pertama kali diperkenalkan oleh Yoon dan Hwang (1981). Topsis menggunakan prinsip bahwa alternatif yang terpilih harus mempunyai jarak terdekat dari solusi ideal positif dan terjauh dari solusi ideal negatif dari sudut pandang geometris dengan menggunakan jarak Euclidean untuk menentukan kedekatan relatif dari suatu alternatif dengan solusi optimal. Solusi ideal positif didefinisikan sebagai jumlah dari seluruh nilai terbaik yang dapat dicapai untuk setiap atribut, sedangkan solusi negatif-ideal terdiri dari seluruh nilai terburuk yang dicapai untuk setiap atribut. Topsis mempertimbangkan keduanya, jarak terhadap solusi ideal positif dan jarak terhadap solusi ideal negatif dengan mengambil kedekatan relative terhadap solusi ideal positif. Berdasarkan perbandingan terhadap jarak relatifnya, susunan prioritas alternatif bisa dicapai. Metode ini banyak digunakan untuk menyelesaikan pengambilan keputusan. Hal ini disebabkan konsepnya sederhana, mudah dipahami, komputasinya efisien, dan memiliki kemampuan mengukur kinerja relatif dari alternatifalternatif keputusan[3].

297


3.

3.1. Teknik Scoring Cara skoring atau penilaian dari Blockage Questionnaire adalah sebagai berikut: 1. Pengisian kuesioner secara komputerisasi. 2. Setiap item yang diberi tanda check (√) akan dikalkukasikan sesuai dengan pengelompokan setiap area masalah. 3. Setiap tanda check (√) akan diberi skor berdasarkan levelnya seperti level “sangat setuju” akan mendapat skor 5, atau level “setuju” akan mendapat skor 4, dan level “kurang setuju” akan mendapat level 3, dan level “tidak setuju” dengan skor 2, dan level “sangat tidak setuju” akan dengan skor 1, pernyataan dalam kuesioner sesuai dengan persepsi dari karyawan atau partisipan di sebuah perusahaan. 4. Tidak ada tanda check (√) akan diberi skor 0 Dari ke-10 area alternatif yang ada, skor 5. masing-masing area akan dikalkulasikan. Skor minimum untuk tiap area masalah atau alterntif 3.2. Analisis Permasalahan dan Pemecahan Masalah dengan Metode TOPSIS Kegiatan dalam mengidentifikasi hambatan atau permasalahan dalam perusahaan dengan menggunakan metode Topsis, dalam hal ini penelitian yang pertama sekali dilakukan adalah dengan memberikan kuisoner kepada responden untuk dijawab berdasarkan aturan diatas lalu selanjutnya hasil kuisoner akan diproses dan dikalkulasi dengan menggunakan metode topsis, fase awal sistem menentukan beberapa kriteria untuk penilaian dalam hal ini kriteria adalah suatu pertanyaan yang akan dijawab oleh responde, semakin banyak responden yang menjawab kuisoner maka banyak nilai skor untuk alternati yang dihasilkan dari kriteria yang dijawab. Menentukan Kriteria pada sistem, dalam hal ini kriteria adalah para responden itu sendiri, dan kriteria inilah yang akan dijawab oleh responden sehingga alternatif mendapat skor berdasarkan jawaban dari responden, maka kriteria tersebut diberikan maksimal sebanyak 8 kriteria / responden, dan setiap kriteria akan diberikan wewenang untuk memberikan skor pada masingmasing alternatif lihat contoh dibawah ini : 1.

298

Responden2  sangat setuju, setuju, kurang setuju, tidak setuju, sangat tidak setuju. Begitu seterusnya sampai responden ke-8. 2.

Pembahasan

Responden1  sangat setuju, setuju, kurang setuju, tidak setuju, sangat tidak setuju.

Fase 2. Menentukan beberapa alternatif yang akan menjadi pilihan atau menjadi hambatan yang telah teridentifikasi yang dialami oleh perusahaan, adapun beberapa alternatif tersebut yang terdiri dari 10(sepuluh) alternatif tersebut meliputi : Tabel1:Alternatif

NO 1 2 3 4 5 6 7 8 9 10

ALTERNATIF Inadequate Recruitment & Selection. Confused Organizational Sructure Inadequate Control Poor Training Low Motivation Low Creativity Poor Teamwork Inappropriate Management Philosophy Lack of Succession Planning and Management Unclear Aims

Membangun sebuah matriks keputusan. Pada matriks keputusan, kolom matriks menyatakan atribut yaitu kriteria-kriteria yang ada, sedangkan baris matriks menyatakan alternatif. Matriks keputusan mengacu terhadap m alternatif yang akan dievaluasi berdasarkan n kriteria. Matriks keputusan dapat dilihat pada tabel 2. Tabel2:Matriks


A1 A2 A3 A4 A5 A6 A7 A8 A9 A10

A1 A2

K1 K2 K3 K4 K5 K6 K7 K8 X X X X X X X X 11

X

12

X

21

X

22

X

31

X

32

X

41

X

42

X 51

X

52

X

61

X

62

X 71

X 81

X 91

X 10 1

72

X 82

X 92

X 10 2

13

X 23

X 33

X 43

X 53

X 63

X 73

X 83

X 93

X 10 3

14

X 24

X 34

X 44

X 54

X 64

X 74

X 84

X 94

X 10 4

15

X 25

X 35

X 45

X 55

X 65

X 75

X 85

X 95

X 10 5

16

X 26

X 36

X 46

X 56

X 66

X 76

X 86

X 96

X 10 6

17

X 27

X 37

X 47

X

4 4 4 5 4 4 4 4

3 5 5 5 3 5 5 5

3 4 3 4 3 3 3 3

2 4 2 4 2 4 4 2

5 5 5 5 5 5 5 5

4 3 3 3 3 5 3 5

X 28

X 38

X 48

X

57

X 67

X

58

X 87

X 97

X 10 7

5 5 5 5 5 5 3 3

Setelah matriks ternormalisasi dibuat, selanjutnya adalah membuat matriks keputusan ternormalisasi terbobot V yang elemen-elemennya ditentukan dengan menggunakan rumus berikut :

X

(2)

68

X

77

Tabel3: Hasil Perhitungan Matriks K1 K2 K3 K4 K5 K6 K7 4 5 4 2 5 3 5 4 5 3 2 5 3 5

A3 A4 A5 A6 A7 A8 A9 A10

18

r ij adalah elemen dari matriks keputusan yang ternormalisasi R, x ij adalah elemen dari matriks keputusan, i = 1, 2, 3, ..., m, j = 1, 2, 3, ..., n. Matriks keputusan ternormalisasi dapat dilihat pada penyelesaian berikut :

78

X 88

X 98

X 10 8

Dimana : v ij adalah elemen dari matriks keputusan yang ternormalisasi terbobot V, Bobot w ij (w1, w2, w3, ..., wn) adalah bobot dari kriteria ke-j r adalah elemen dari matriks keputusan yang ternormalisasi R Dengan i = 1, 2, 3, ..., m ; dan j = 1, 2, 3, ..., n. Matriks keputusan ternormalisasi terbobot.

K8 5 5 5 5 5 5 5 5 5 5

Menentukan bobot preferensi untuk setiap kriteria. Bobot kriteria1 = 4,1 Bobot kriteria2 = 4,6 Bobot kriteria3 = 3,3 Bobot kriteria4 = 2,8 Bobot kriteria5 = 5 Bobot kriteria6 = 3,5 Bobot kriteria7 = 4,6 Bobot kriteria8 = 5 Fase5 Setelah matriks keputusan dan bobot kriteriadibuat, selanjutnya adalah membuat matriks keputusan yang ternormalisasi R yang fungsinya untuk memperkecil range data. Adapun elemenelemennya ditentukan dengan rumus berikut : (1) Dimana :

299


Demikian seterusnya sampai didapat hasil perhitungan matriks keputusan ternormalisasi. Selanjutnya menetukan matriks solusi ideal positif(A+) dan solusi ideal negatif (A-)

Tabel 10 : Hasil Perhitungan Separasi Positif

Tabel 5 : Solusi Ideal Positif

Tabel 6 : Hasil Penentuan Solusi Ideal Positif

Tabel 7 : Solusi Ideal Negatif

Alternatif

S+

A1

0.9334

A2

0.8789

A3

0.6932

A4

1.0617

A5

0.8789

A6

1.1511

A7

0.6215

A8

1.2264

A9

0.8608

A10

1.0573

Setelah menghitung jarak alternatif dari solusi ideal positif (S+) dan jarak alternatif dari solusi ideal negatif (S-), selanjutnya adalah menghitung kedekatan relatif terhadap solusi ideal positif. Tabel 13 : NilaI C+

Tabel 8 : Hasil Penentuan Solusi Negatif

Selanjutnya menghitung jarak alternatif dari solusi ideal positif (S+ ) dan jarak alternatif dari solusi ideal negatif (S-). Perhitungan jarak alternatif dari solusi ideal positif (S+) Tabel 9 : Separasi Positif

300


A4 A10 A1 A5 A2 A9 A3 A7

0.6061 0.5218 0.5059 0.4769 0.4759 0.4675 0.4055 0.3514

Pada tabel diatas dapat dilihat bahwa alternatif yang menempati urutan pertama alternatif A8 yaitu “Training – (Unclear Aims)” dengan Nilai 0.7338, Selanjutnya alternatif yang menempati urutan kedua yaitu A6 “Rekrutmen dan seleksi yang tidak tepat – (Inadequate Recruitment and Selection)” dengan nilai 0.6522, dan dilanjutkan sampai urutan ke 10. Dengan nilai terendah yaitu 0.3514.

3.

Penutup

4.1 Kesimpulan Berdasarkan pembahasan, maka dapat ditarik kesimpulan sebagai berikut: 1.

Metode TOPSIS yang merupakan metode sistem pendukung keputusan yang bisa memecahkan berbagai masalah pengambilan keputusan multikriteria dapat juga digunakan untuk memecahkan masalah hambatan organisasi.

2.

Hasil perhitungan metode TOPSIS yang didapatkan secara manual sama dengan hasil perhitungan yang didapatkan secara komputerisasi.

Tabel 14 : Hasil Perhitungan Kedekatan Relatif Alternatif

S+

A1 A2 A3 A4 A5 A6 A7 A8 A9 A10

0.5059 0.4759 0.4055 0.6061 0.4769 0.6522 0.3514 0.7338 0.4675 0.5218

Berikutnya alternatif diurutkan dari nilai C+ terbesar ke nilai C+ terkecil. Alternatif dengan nilai C+ terbesar merupakan solusi yang terbaik. Tabel 15 : Hasil Pengurutan Alternatif Alternatif

Nilai

A8 A6

0.7338 0.6522

4.1 Saran Berikut adalah beberapa saran untuk pengembangan lebih lanjut terhadap penelitian ini: 1. Metode TOPSIS diharapkan dapat diimplementasikan ke dalam perangkat lunak yang lebih userfriendly, dimana user dapat lebih mudah menggunakannya. Daftar Pustaka [1]. Kadarsah S, 1998, Sistem Pendukung Keputusan, Jakarta. [2]. Makmur, Syarif. 2008. Pemberdayaan Sumber Daya Manusia dan Efektivitas Organisasi, Jakarta [3]. Desiana A, M. Arhami, 2006, Konsep Kecerdasan Buatan, Yogyakarta.

301


PENGEMBANGAN SISTEM INFORMASI SUMBER DAYA MANUSIA STUDI KASUS: PERUSAHAAN DISTRIBUTOR SEPEDA MOTOR Fandi Halim1, Gunawan2, Linda3 1,2,3

Program Studi S-1 Sistem Informasi, STMIK Mikroskil Jl. Thamrin No. 140, Sei Rengas II, Medan Area, Medan 20212, Sumatera Utara, Indonesia 1 fandi@mikroskil.ac.id, 2gunawan@mikroskil.ac.id, 3lindachin92@gmail.com

Abstrak Salah satu unsur penting dalam menentukan keberhasilan suatu perusahaan adalah Sumber Daya Manusia (SDM). SDM memiliki kekuatan sebagai penggerak suatu perusahaan. Tanpa adanya suatu koordinasi SDM secara efektif dan efisien, maka tujuan organisasi tidak akan tercapai. Sehubungan dengan adanya kemajuan teknologi komputer saat ini, maka sistem informasi yang terkomputerisasi dirasakan sangatlah penting keberadaannya dalam sebuah perusahaan dengan tujuan dapat mempermudah proses pembuatan laporan karyawan, mempercepat proses perhitungan gaji karyawan, dan sebagainya. Bagi perusahaan yang berkecimpung di dunia bisnis otomotif, dalam mengelola data sumber daya manusia, umumnya masih menggunakan sistem semi-terkomputerisasi. Seiring berjalannya waktu, jumlah data yang diolah semakin banyak sehingga sistem semi-terkomputerisasi dianggap tidak lagi memenuhi kebutuhan perusahaan. Melalui penelitian ini diusulkan sebuah sistem informasi untuk menyelesaikan permasalahan yang dihadapi perusahaan dengan menggunakan metodologi pengembangan sistem Systems Development Life Cycle (SDLC). Hasil penelitian berupa aplikasi sistem informasi yang dapat digunakan untuk meningkatkan efektifitas dan efisiensi dalam pengolahan data yang dapat digunakan sebagai penunjang pengambilan keputusan. Kata kunci : SDM, Sistem informasi, SDLC 1. PENDAHULUAN Sebuah perusahaan terdiri dari sejumlah sumber daya yang disatukan untuk menghasilkan suatu produk dengan tujuan mencapai keuntungan sebesar-besarnya demi mempertahankan kelangsungan hidup perusahaan. Salah satu unsur penting dalam menentukan keberhasilan suatu perusahaan adalah Sumber Daya Manusia (SDM). Sebagai kekuatan penggerak suatu perusahaan, maka perlu adanya koordinasi SDM secara efektif dan efisien, serta diperlukan kualitas SDM yang baik agar tujuan organisasi tercapai. Untuk mengembangkan dan mengarahkan SDM yang berkualitas diperlukan pendidikan dan pelatihan dari organisasi yang bersangkutan. Komputer dalam hal ini dalam bentuk sistem informasi yang terkomputerisasi dirasakan sangatlah penting keberadaannya dalam sebuah perusahaan. Penerapan sistem informasi yang terkomputerisasi dapat mempermudah proses pembuatan laporan karyawan, mempercepat proses perhitungan gaji karyawan, serta menghemat waktu kerja, tenaga, dan pikiran, khususnya dalam memproses data karyawan. Perusahaan distributor, terutama yang bergerak di bidang otomotif khususnya sepeda motor, umumnya akan memiliki jumlah karyawan yang banyak. Akan tetapi, hingga saat ini umumnya

302

segala bentuk data sumber daya manusia masih diolah secara semi-terkomputerisasi. Pada awal didirikannya perusahaan, karena jumlah SDM masih sangat sedikit, tentu belum menimbulkan masalah. Akan tetapi, dengan bertambahnya jumlah SDM dalam perusahaan, akan membuat data yang akan diolah menjadi informasi secara tidak langsung juga bertambah banyak. Dengan adanya suatu sistem informasi berbasis komputer dalam menangani masalah karyawan, maka hasil yang diperoleh juga dapat lebih cepat dan akurat. Laporan juga dapat dihasilkan dan dapat diformat dalam berbagai bentuk sesuai dengan keperluan manajerial atau user yang menggunakannya. Berdasarkan hal tersebut, penelitian ini bertujuan untuk mengembangkan sebuah sistem informasi SDM untuk mempermudah pengolahan data guna menghasilkan laporan yang dapat dipergunakan dalam pengambilan suatu keputusan. Penelitian dalam bentuk pengembangan sistem informasi ini difokuskan pada proses-proses SDM yang meliputi proses Perencanaan SDM, Perekrutan dan Seleksi SDM, Pelatihan dan Pengembangan SDM, Penilaian Prestasi Kerja, Pemindahan SDM, dan Pemutusan Hubungan Kerja.


2. TINJAUAN PUSTAKA 2.1. Pengertian Manajemen Manusia (SDM)

Sumber

Daya 3)

Manajemen SDM merupakan proses mendayagunakan manusia sebagai tenaga kerja secara manusiawi agar potensi fisik dan psikis yang dimilikinya berfungsi maksimal bagi pencapaian tujuan organisasi atau perusahaan [3]. Sebagaimana disebutkan sebagai sebuah proses, maka tentu saja memiliki tahapan dalam kegiatan pengelolaannya. Proses tersebut meliputi proses perencanaan, pengorganisasian, pengarahan, dan pengawasan kegiatan-kegiatan pengadaan, pengembangan, pemberian kompensasi, pengintegrasian, pemeliharaan, dan pelepasan SDM sehingga berbagai tujuan individu, organisasi, dan masyarakat dapat dicapai [4].

4)

5)

2.2. Fungsi Manajemen SDM Fungsi operasional manajemen SDM dapat dibagi menjadi 5 (lima), yakni [7]: 1) Fungsi Perencanaan (Planning) Merupakan fungsi manajemen SDM yang sangat esensial. Hal ini karena menyangkut rencana pengelolaan SDM organisasi / perusahaan, baik dalam jangka pendek maupun jangka panjang. Perencanaan SDM perlu diawali dengan kegiatan inventarisasi terkait SDM yang terdapat dalam perusahaan. Inventarisasi tersebut meliputi: a) Jumlah karyawan yang ada b) Berbagai kualifikasinya c) Masa kerja masing-masing karyawan d) Pengetahuan dan keterampilan yang dimiliki, baik pendidikan formal maupun program pelatihan kerja yang pernah diikuti e) Bakat yang masih perlu dikembangkan f) Minat karyawan, terutama yang berkaitan dengan kegiatan di luar tugas pekerjaan Hasil inventarisasi tersebut selain berguna untuk pemanfaatan SDM dalam melaksanakan tugas-tugas sekarang, juga berhubungan dengan kegiatan di masa depan, yakni: a) Promosi karyawan tertentu untuk mengisi lowongan jabatan yang lebih tinggi, jika karena berbagai sebab terjadi kekosongan b) Peningkatan kemampuan melaksanakan tugas yang sama c) Dalam hal terjadinya alih wilayah kerja, yang berarti seseorang ditugaskan ke lokasi baru, tetapi sifat tugas jabatannya tidak mengalami perubahan. 2) Fungsi Pengadaan (Procurement) Merupakan fungsi manajemen SDM dalam usaha untuk memperoleh jenis dan jumlah SDM yang tepat, melalui proses pemanggilan,

6)

seleksi, penempatan, orientasi, dan induksi untuk mendapatkan SDM yang diperlukan sesuai dengan tujuan organisasi dan perusahaan. Fungsi Pengembangan (Development) Merupakan fungsi manajemen SDM dalam proses peningkatan keterampilan teknis, teoritis, konseptual, dan moral SDM melalui pendidikan dan pelatihan. Pendidikan dan pelatihan yang diberikan harus sesuai dengan kebutuhan masa kini dan masa mendatang. Fungsi Kompensasi Merupakan fungsi manajemen SDM dalam proses pemberian balas jasa langsung dan tidak langsung kepada SDM sebagai imbal jasa (output) yang diberikan kepada organisasi atau perusahaan. Fungsi Pengintegrasian Merupakan fungsi manajemen SDM dalam mempersatukan kepentingan organisasi/ perusahaan dengan kebutuhan SDM, sehingga akan dapat tercipta kerja sama yang saling menguntungkan. Fungsi Pemeliharaan Merupakan fungsi manajemen SDM untuk memelihara dan meningkatkan kondisi fisik, mental, dan loyalitas SDM agar tercipta hubungan jangka panjang.

2.3. Proses Manajemen SDM Gambaran proses manajemen SDM [6] dapat dilihat pada Gambar 1 berikut ini. PROSES MANAJEMEN SDM DALAM ORGANISASI

PRENCANAAN SUMBER DAYA MANUSIA

REKRUTMEN

PELATIHAN DAN PENGEMBANGAN

PENILAIAN PRESTASI KERJA

SELEKSI

SOSIALISASI

PROMOSI, MUTASI, DEMOSI, DAN PHK

Gambar 1. Proses Manajemen SDM 1) Perencanaan SDM Perencanaan kebutuhan personel sebuah organisasi perlu memperhatikan aktivitas internal dan berbagai faktor dalam lingkungan eksternal dengan memperhatikan 4 (empat) aspek dasar [6], yaitu: a) Perencanaan untuk kebutuhan masa depan dengan memutuskan berapa banyak orang dengan keterampilan tertentu yang dibutuhkan organisasi b) Perencanaan keseimbangan masa depan dengan membandingkan jumlah karyawan yang dibutuhkan dengan jumlah karyawan

303


2)

3)

4)

5)

6)

yang ada sekarang yang dapat diharapkan masih tetap bekerja c) Perencanaan untuk merekrut atau memberhentikan karyawan d) Perencanaan pengembangan karyawan Rekrutmen Yaitu mengalokasikan, mengidentifikasikan, dan menarik para pelamar kerja yang kompeten [5]. Seleksi Yaitu menyaring pelamar agar memastikan bahwa kandidat yang paling layaklah yang diterima. Seleksi melibatkan perkiraan pelamar mana yang akan berhasil jika diterima. Keputusan seleksi apapun dapat memberikan 4 (empat) kemungkinan hasil – dua hasil yang benar dan dua kesalahan (error) [5]. Pelatihan Karyawan Merupakan aktivitas manajemen SDM yang penting. Ketika permintaan pekerjaan berubah, kemampuan karyawan pun harus berubah. Terdapat beberapa metode pelatihan, meliputi [5]: a) Metode Pelatihan Tradisional, biasanya meliputi on-the-job, rotasi kerja, mentoring dan coaching, latihan pengalaman, manual/ buku kerja, dan kelas pelatihan b) Metode Pelatihan Berbasis Teknologi, biasanya meliputi CDROM/DVD/rekaman video/audio/podcast, videoconference/tele conference/TV satelit, dan e-learning. Manajemen Kinerja Karyawan Manajer harus mengetahui apakah karyawannya telah melaksanakan pekerjaannya secara efisien dan efektif, atau apakah ada yang perlu diperbaiki. Inilah yang dilakukan sistem manajemen kinerja. Sistem ini menetapkan standar kinerja yang digunakan dalam mengevaluasi kinerja karyawan. Terdapat beberapa metode dalam melakukan evaluasi kinerja, seperti menulis esai, peristiwa penting, skala penilaian grafis, Behaviorally Anchored Rating Scale (BARS), perbandingan multi karyawan, MBO, dan penilaian 360 derajat [5]. Promosi, Mutasi, Demosi, dan Pemutusan Hubungan Kerja Promosi (kenaikan jabatan), yakni menerima kekuasaan dan tanggung jawab lebih besar dari kekuasaan dan tanggung jawab sebelumnya. Mutasi, yaitu memindahkan karyawan dari suatu jabatan yang lain dalam satu tingkatan organisasi secara horizontal tanpa adanya peningkatan tanggung jawab, kekuasaan, maupun gaji. Demosi atau dikenal dengan penurunan jabatan, yakni menerima kekuasaan dan tanggung jawab lebih kecil dari kekuasaan dan tanggung jawab sebelumnya

304

[6]. Pemberhentian adalah pemutusan hubungan kerja seseorang dengan suatu organisasi perusahaan. Dengan pemberhentian berarti berakhirnya keterikatan kerja karyawan terhadap perusahaan [1]. 3. METODOLOGI PENELITIAN Metodologi penelitian yang digunakan mengacu pada tahapan pengembangan sistem Systems Development Life Cycle (SDLC) [2] dengan tahapan seperti Gambar 2 berikut ini.

Gambar 2. Proses Manajemen SDM Tahapan-tahapan penelitian yang dilakukan adalah: 1. Mengidentifikasi Masalah, Peluang, dan Tujuan a) Merumuskan masalah yang dihadapi b) Mendefinisikan tujuan yang ingin dicapai 2. Menentukan Syarat-Syarat Informasi a) Mewawancarai beberapa perusahaan sejenis untuk mengetahui informasi yang diperlukan 3. Menganalisis Kebutuhan-Kebutuhan Sistem a) Menganalisis proses bisnis sistem berjalan b) Menganalisis contoh dokumen-dokumen keluaran dan masukan Mengidentifikasi kebutuhan sistem usulan 4. Merancang Sistem Yang Direkomendasikan a) Merancang proses bisnis sistem usulan b) Merancang format laporan (output), masukan (input), dan struktur menu sistem usulan c) Merancang basis data yang akan digunakan oleh sistem usulan 5. Mengembangkan dan Mendokumentasikan Perangkat Lunak Pengembangan sistem menggunakan bahasa pemrograman Microsoft Visual Basic 2012, DBMS Microsoft SQL Server 2008, dan Business Objects Crystal Report 11 untuk pembuatan laporan.


4. HASIL DAN PEMBAHASAN 4.1. Analisis Kebutuhan Sistem Kebutuhan sistem meliputi kebutuhan fungsional dan kebutuhan non fungsional. Kebutuhan fungsional merupakan jenis kebutuhan yang berisikan proses-proses apa saja yang diberikan oleh perangkat lunak yang akan dikembangkan. Analisis kebutuhan non fungsional dilakukan untuk mengetahui spesifikasi kebutuhan untuk sistem. Gambar 3 berikut ini merupakan use case diagram yang menggambarkan kebutuhan fungsional sistem usulan.

2. Penyediaan informasi lebih akurat Biaya yang dikeluarkan relatif lebih rendah karena kesalahan pencetakan laporan dapat diminimalkan 1. Keamanan data terjaga 2. Adanya batasan sistem sehingga akses data hanya dapat dilakukan oleh bagian yang berwenang Efisiensi penggunaan waktu dalam peng-input-an data, pencarian data, maupun dalam penyediaan laporan-laporan yang dibutuhkan Penyajian data lebih cepat

Ekonomi

Kontrol

Efisiensi

Servis

4.2. Rancangan Sistem Usulan Rancangan sistem usulan meliputi rancangan proses, rancangan basis data, dan rancangan struktur menu. Gambar 4 berikut ini merupakan Data Flow Diagram (DFD) yang menggambarkan rancangan proses sistem usulan. Laporan Karyawan

Laporan Kebutuhan Pelatihan

Manajer HR

Karyawan

Surat Pengangkatan

Laporan Permintaan Karyawan

Surat Pemindahan

Laporan Hasil Penilaian Prestasi Kerja

Data Karyawan

Data Jabatan Data Jenis PHK

Data Data Pelatihan Departemen

Data Pengunduran Diri

0 Surat Referensi

Sistem Informasi Manajemen Sumber Daya Manusia

Data Performance Apraissal Data Permintaan Karyawan Laporan Rekomendasi Peserta Pelatihan

Data Kebutuhan Pelatihan

Data Pemindahan Karyawan Manajer Divisi Laporan Hasil Penilaian Prestasi Kerja

Gambar 4. Diagram Konteks Sistem Usulan Gambar 3. Kebutuhan Fungsional Sistem Usulan Tabel 1 berikut ini merupakan daftar kebutuhan non fungsional sistem usulan yang dikelompokkan berdasarkan klasifikasi PIECES. Tabel 2. Kebutuhan Non Fungsional Sistem Usulan Performan-si 1. Pengelolaan data dapat ditangani oleh 1 (satu) administrator 2. Pencarian data hanya membutuhkan waktu 1 (satu) menit 1. Data karyawan diperbaharui Informasi senantiasa

Sedangkan basis data yang dirancang memiliki 18 tabel dengan rincian sebagai berikut: 1. Tabel Department: menyimpan data departemen 2. Tabel Position: menyimpan data jabatan 3. Tabel Training: menyimpan data pelatihan 4. Tabel Termination Type: menyimpan data jenis pemutusan hubungan kerja 5. Tabel Employee Request: menyimpan data permintaan karyawan 6. Tabel Employee Request Details: menyimpan data detil permintaan karyawan 7. Tabel Employee: menyimpan data karyawan 8. Tabel Employee Dependent: menyimpan data relasi karyawan 9. Tabel Employee Job: menyimpan data histori pekerjaan karyawan

305


10. Tabel Employee Qualification Working Experience: menyimpan data latar belakang pekerjaan karyawan 11. Tabel Employee Qualification Education: menyimpan data latar belakang pendidikan karyawan 12. Tabel Employee Qualification Courses/Trainings: menyimpan data kursus/pelatihan yang pernah diikuti karyawan 13. Tabel Employee Qualification Languages: menyimpan data penguasaan bahasa asing karyawan 14. Tabel Training Request: menyimpan data permintaan pelatihan 15. Tabel Training Request Details: menyimpan data detil permintaan pelatihan 16. Tabel Performance Appraisal: menyimpan data penilaian kinerja karyawan 17. Tabel Transfer: menyimpan data pemindahan karyawan 18. Tabel Termination: menyimpan data pemutusan hubungan kerja Gambar 5 berikut ini merupakan relasi antar tabel dari rancangan basis data sistem usulan.

4.3. Tampilan Interface Aplikasi Sistem informasi SDM dikembangkan berdasarkan hasil rancangan sebelumnya dengan menggunakan aplikasi Microsoft Visual Basic 2012. Gambar 7 merupakan tampilan utama dari sistem informasi yang dikembangkan. Terdapat beberapa menu yang dirancang yang disesuaikan dengan proses SDM sesuai dengan tinjauan pustaka yang telah dijabarkan sebelumnya. Menu Master dan Employee adalah bagian dari fungsi sistem yang digunakan untuk mengelola data master karyawan, daftar karyawan, termasuk permintaan karyawan. Gambar 8 merupakan tampilan form yang digunakan untuk merekam rincian data karyawan, meliputi identitas, pendidikan, pengalaman kerja, hingga bahasa yang dikuasai, serta training yang pernah diikuti karyawan. Gambar 9 merupakan tampilan form yang digunakan untuk merekam permintaan training karyawan pada unit kerja tertentu dalam perusahaan.

Gambar 7. Tampilan Utama

Gambar 5. Relasi Antar Tabel Basis Data Sistem Usulan Gambar 6 berikut ini merupakan rancangan struktur menu dari aplikasi yang dikembangkan, dimana terdiri dari 7 (tujuh) menu utama, yaitu Master, Employee, Training, Performance Appraisal, Transfer, Termination, dan Settings. MENU

MASTER

EMPLOYEE

Department

Employee Request

Position

Employee List

TRAINING

PERFORMANCE APPRAISAL

TRANSFER

TERMINATION

SETTINGS

Employee Request Reports Employee Reports

Training

Training Request Reports

Termination Type

Training Member Recommendation Reports Performance Appraisal Reports

Gambar 6. Struktur Menu Sistem Usulan

306

Gambar 8. Tampilan Form Karyawan


Gambar 12. Tampilan Form Termination Gambar 9. Tampilan Form Permintaan Pelatihan Gambar 10 merupakan tampilan form performance appraisal yang digunakan untuk merekam hasil evaluasi kinerja karyawan.

Dengan adanya aplikasi sistem informasi SDM ini diharapkan permasalahan yang ada pada perusahaan sebelumnya dapat diatasi, serta dapat membantu sistem kerja manajemen perusahaan. Kelebihan dari sistem yang dikembangkan adalah sebagai berikut: 1. Pengelolaan data baik penambahan, pengubahan, maupun penyajian laporan lebih cepat sehingga lebih hemat waktu. 2. Pengaturan departemen, jabatan, pelatihan, dan jenis pemutusan kerja dibuat masingmasing kodenya agar tidak ada penggunaan kata yang berbeda dengan makna yang sama.

Gambar 10. Tampilan Form Performance Appraisal Gambar 11 merupakan tampilan form transfer yang digunakan untuk merekam data pemindahan karyawan.

Gambar 11. Tampilan Form Transfer Gambar 12 merupakan tampilan form termination yang digunakan untuk merekam data pemutusan hubungan kerja karyawan.

Sedangkan kelemahan dari sistem yang dikembangkan adalah sebagai berikut: 1. Segala jenis informasi dalam aplikasi ini masih harus di-input manual oleh staf HR berdasarkan form-form yang diisi terlebih dahulu oleh karyawan, manajer HR, maupun manajer departemen. 2. Sistem yang dikembangkan masih termasuk dalam kategori Transaction Processing System (TPS) sehingga informasi yang disajikan dalam laporan masih terbatas. 3. Belum lengkapnya proses manajemen SDM dalam sistem ini, yaitu absensi, lembur, dan penggajian. 4. Belum adanya kaitan antara penentuan jabatan dengan departemen, sehingga pengguna sistem tidak dapat mengetahui jumlah jabatan kosong dalam suatu departemen dalam periode tertentu. 5. KESIMPULAN Adapun kesimpulan yang dapat ditarik dari penelitian ini adalah: 1. Rancangan sistem usulan ini merupakan hasil analisis terhadap permasalahan yang timbul pada perusahaan distributor sepeda motor serta identifikasi kebutuhan dan solusi dari permasalahan yang timbul sehingga rancangan sistem ini dapat mendukung perusahaan dalam

307


mengolah proses bisnis perusahaan dengan baik. 2. Adanya fitur untuk mengelola data master sehingga mengurangi perulangan penggunaan kata yang memiliki makna sama. 3. Telah terdapat basis data untuk menyimpan data. Dengan adanya basis data, sistem informasi ini sangat membantu user dalam pencarian data.

[3]

Daftar Pustaka

[7]

Hasibuan, H. dan Malayu, S. P., 2001, Manajemen Sumber Daya Manusia, Jakarta, PT Bumi Aksara. [2] Kendall, K. E. and Kendall, J. E., 2011, Systems Analysis and Design, New Jersey, Pearson Education. [1]

308

[4] [5] [6]

Paulus, Khrisbianto, A., dan Setiawan, E. B., 2005, Sistem Informasi, Bandung, Penerbit Informatika. Rachmawati, I. K., 2008, Manajemen Sumber Daya Manusia, Yogyakarta, Penerbit Andi. Robins, S. P. dan Coulter, M., 2010, Management, Jakarta, Penerbit Erlangga. Stoner, J. A. F., Freeman, R. E., and Gilbert, D. R., 1995, Management, New Jersey, Prentice Hall Inc. Yani, M., 2012, Manajemen Sumber Daya Manusia, Jakarta, Mitra Wacana Media.


PERANCANGAN WEB PORTAL PADA JARINGAN INTRANET (STUDY KASUS : STMIK POTENSI UTAMA) Fhery Agustin Program Studi Sistem Informasi, STMIK Potensi Utama Jl. K.L. Yos Sudarso Km. 6.5 No. 3A Tanjung Mulia-Medan fhery@potensi-utama.ac.id

Abstrak Teknologi jaringan telah menjadi standar bagi semua kalangan, baik industri maupun pendidikan. Begitu juga dengan pemanfaatan sistem berbasis web juga telah menjadi standar dalam pemrograman berbasis jaringan. Namun koneksi internet yang masih belum memadai dari sisi kecepatan telah menjadi kendala tersendiri dalam implementasi pemrograman berbasis jaringan. Penelitian ini menghasilkan sebuah solusi dengan perancangan web portal pada jaringan intranet sebagai pintu gerbang bagi subsistem-subsistem yang ada di STMIK Potensi Utama. Polling awareness terhadap implementasinya juga menghasilkan angka yang cukup baik yaitu 77,33% yang dilakukan terhadap 100 orang responden. Jadi sistem ini dapat dianggap berhasil berdasarkan hasil polling tersebut dan implementasinya sejak tahun 2011. Kata Kunci : Teknologi Jaringan, Web Portal, Intranet. 1.

Pendahuluan

Sebagai kampus yang masih dalam tahap perkembangan, STMIK Potensi Utama membutuhkan banyak sistem informasi dalam menunjang aktifitasnya sehari-hari. Sistem-sistem tersebut tentunya diharapkan mampu menghubungkan para penggunanya secara real time dan bebas gangguan. Salah satu konsep untuk menerapkan sistem tersebut adalah pemrograman berbasis web. Namun dalam hal ini, pemrograman berbasis web selalu dihadapkan pada ketergantungan sistem pada kestabilan jaringan internet yang ternyata belum dapat diwujudkan sepenuhnya oleh provider. Sehingga STMIK Potensi Utama mencari solusi yang benar-benar handal dan stabil. Solusinya adalah dengan membangun web portal pada jaringan intranet kampus. Hal ini berdasarkan analisa bahwa ternyata STMIK potensi Utama memiliki infrastruktur jaringan intranet yang sangat baik serta menjangkau semua bagian dan divisi. Bukan hanya itu, jaringan intranet yang ada juga telah terintegrasi secara wireless dengan menggunakan perangkat wifi dan telah menjangkau seluruh area kampus. Dengan memanfaatkan jaringan intranet yang ada, maka sistem yang dibangun akan stabil dan tidak tergantung kepada provider jasa layanan internet. Lagipula sistem tersebut hanya dibutuhkan di dalam area kampus saja, sehingga tidak diperlukan jaringan internet. Web portal tersebut juga berguna untuk menguji sistem informasi yang masih dalam tahap pengembangan bagi programmer.

Berkaitan dengan hal tersebut di atas, dapat didentifikasi bahwa STMIK Potensi Utama masih membutuhkan banyak sistem informasi yang berbasis jaringan dalam skala internal. Kemudian jaringan internet yang disediakan oleh provider ISP terkadang berjalan sangat lambat, sehingga mengganggu aktifitas pengguna sistem. Penelitian ini bertujuan untuk merancang sebuah web server pada jaringan intranet sehingga dapat memenuhi kebutuhan pengguna sistem yang menginginkan agar sistem tersebut dapat diakses dengan cepat secara real time serta tidak bergantung kepada provider internet yang cenderung lambat. 2.

Tinjauan Pustaka

Berisi beberapa teori pendukung dan penelitian rujukan yang akan menguatkan hasil penelitian ini. 1.

Web Portal Web portal merupakan suatu ruang yang dapat menampung informasi dalam jaringan internet pada sebuah web browser, dengan menggunakan kemampuan untuk mengolah kodekode tertentu secara umum yang dinamakan tagtag (delimeter) dan kemampuan untuk meloncat (link) dari halaman satu ke halaman yang lainnya. [1]. Jadi dapat dikatakan bahwa web portal merupakan sebuah pintu gerbang untuk membuka atau meloncat (link) ke bagian lain. Dalam hal ini bukan hanya meloncat ke halaman lain, namun juga ke website lain yang dituju.

309


2.

Web Server Untuk membangun sebuah web portal pada sebuah jaringan intranet dibutuhkan aplikasi web server. Terdapat beberapa pilihan aplikasi web server yang dapat digunakan, tergantung kepada basis pemrogramannya. Apabila sistem informasi yang akan dibangun berbasis PHP dan Mysql maka sebaiknya web server yang digunakan adalah Apache. Selain aplikasi ini bersifat opensource yang artinya gratis, Apache juga dapat diandalkan. [2] Apache bersifat opensource, namun dibutuhkan pengetahuan khusus untuk melakukan instalasinya. Maka untuk itu, banyak programmer yang menggunakan paket instalasi dari pihak ketiga seperti : Appserv, Xampp, dan lain-lain.

sehingga dapat langsung dilakukan instalasi.

diujicoba

setelah

Gambar 3. Add-ons yang disediakan oleh Xampp Add-ons tersebut sangat berguna untuk membangun aplikasi-aplikasi dengan spesialisai khusus, seperti Wordpress, Joomla, Moodle, dan lain-lain. Add-ons tersebut dapat di-download secara gratis. 3.

Gambar 1. Website Penyedia Appserv (www.appserv.net) Website appserv menyediakan paket download untuk instalasi Apache beserta aplikasi pendukung lainnya. Sebaiknya memilih paket instalasi yang sudah tidak berstatus alpha maupun beta untuk di-dowonload, sehingga hasil instalasi web server akan stabil untuk digunakan.

Jenis-Jenis Jaringan Beberapa jenis jaringan yang dapat diklasifikasikan berdasarkan karakteristikya, termasuk berdasarkan jarak antar komputer yang saling terhubung, yaitu : [3] 1. Local Area Network (LAN) Umumnya jaringan LAN hanya dapat mengakomodir area seluas 1 km persegi, seperti kampus, perkantoran, warnet, dll. 2. Metropolitan Area Network (MAN) Menghubungkan beberapa jaringan kecil ke jaringan yang lebih besar, misalnya beberapa kantor cabang ke kantor pusat dalam satu kota 3. Wide Area Network (WAN) Merupakan jaringan yang lebih luas lintas kota atau bahkan propinsi. 4. Internet Merupakan jaringan global atau dunia yang tidak memungkinkan lagi dengan sambungan kabel. 4.

Gambar 2. Website Penyedia Xampp (www.apachefriends.org) Xampp memiliki fasilitas yang lebih kompleks dibandingkan Appserv, serta memiliki paket instalasi lintas platform sepeti untuk Windows, Linux, dan Apple. Selain itu Xampp juga menyediakan Add-ons yang cukup melimpah

310

Jaringan Intranet Sebenarnya jaringan intranet hanya merupakan istilah bagi jaringan lokal yang dibangun berdasarkan teknologi internet dengan memanfaatkan protocol TCP/IP. Dimana konsep pembangunan jaringan ini diperuntukkan bagi sistem lokal yang lebih aman, sehingga berbagai sumber daya di dalamnya hanya dapat diakses dari dalam. Tujuaannya adalah sistem yang lebih cepat, lebih aman, dan lebih hemat tentunya.


4.

Metode Penelitian

Penelitian ini menggunakan konsep kualitatif dengan pelaksanaan tahapan penelitian sebagai berikut : Analisis Kebutuhan Sistem

Perancangan Sistem

Perancangan Interface

Gambar 4. Skema Jaringan Intranet Mapping jaringan intranet tersebut menunjukkan bahwa terdapat Network Server yang berada pada jaringan. Server tersebut tentunya dapat dimanfatkan sebagai sumber daya internal untuk menyediakan sebuah web server. 3.

Penelitian Rujukan Terdapat beberapa penelitian rujukan yang berkaitan dengan penelitian ini. Adapun penelitian-penelitian tersebut, antara lain : 1.

2.

3.

Makalah Mukhamad Nurkamid yang berjudul “Analisa Keefektifan Jaringan Local Area Network (Intranet) Universitas Muria Kudus”. Makalah ini membahas mengenai konsep pembangunan jaringan dan ujicoba berbagai perangkat pendukung. Hasil penelitian ini menunjukkan hasil yang efektif, meskipun dalam beberapa kondisi masih terjadi peningkatan time line. Namun pengingkatan tersebut masih dikatakan cukup wajar mengingat bertambanya jumlah user dan perangkat yang terhubung ke sistem jaringan.[4] Makalah Muhammad Arya Priasatama Putra, Dahlan Susilo, dan Agus Purwo Handoko yang berjudul “Perancangan Intranet Untuk Pembelajaran Di Universitas Sahid Surakarta Menggunakan Open Source Software (Studi Kasus: File Server Universitas Sahid Surakarta)”. Makalah ini membahas pembangunan jaringan intranet pada Universitas Sahid Surakarta dengan menggunakan topologi star pada Sistem Operasi Linux. Kemudian untuk mempermudah pengeloaan server digunakan Samba Tools. [5] Makalah Fahrul Agus, Addy Suyatno, dan Supianto yang berjudul “Optimalisasi Manajemen Bandwidth Pada Jaringan Intranet Universitas Mulawarman”. Makalah ini membahas bentuk topologi baru yang terbukti efektif untuk mengoptimalisasi bandwidt pada jaringan intranet.[6]

Ujicoba

Gambar 5. Tahapan Penelitian

5. Hasil dan Analisa Sesuai dengan tahapan penelitian, maka langkah selanjutnya dalam penelitian ini adalah sebagai berikut : 1. Analisis Kebutuhan Sistem i.

ii.

iii.

Mempersiapkan sebuah komputer dengan spesifikasi yang cukup tinggi yang akan digunakan sebagai web server. Minimal menggunakan processor Core i3 dengan RAM 2 GB. Menyediakan sebuah UPS sebagai backup power apabila terjadi pemutusan listrik dari PLN. Melakukan instalasi web server, dalam hal ini yang digunakan adalah paket instalasi dari Xampp.

Gambar 6. Instalasi Xampp Instalasi web server sebaiknya dilakukan di drive D, agar apabila terjadi kerusakan sistem dan membutuhkan instalasi ulang sistem operasi maka data Anda akan tetap aman.

311


Tampilan interface web portal sengaja dirancang sangat sederhana agar lebih mudah dipahamiserta lebih cepat diakses tanpa loading time yang berarti.

Gambar 7. Hasil Instalasi Xampp Setelah Xampp berhasil di-instalasi, maka akan ditampilkan sebuah alaman website sistem yang berfungsi sebagai kontrol terhadap aplikasi web server. 2. Perancangan Sistem

Gambar 10. Interface Subsistem KRS Online Di dalam web portal juga terdapat sistem pengisian KRS Online versi yang pertama dengan konsep yang sangat sederhana.

Web portal yang akan dirancang ditunjukkan seperti pada gambar Use Case Diagram berikut : WEB PORTAL STMIK POTENSI UTAMA

Feature Link

Download Link Staff

Mahasiswa Selected Site

Gambar 8. UseCase Diagram Web Portal Use case diagram di atas menunjukkan web portal STMIK Potensi Utama sebagai pintu gerbang dari beberapa sub sistem lainnya. Web Portal tersebut dapat diakses oleh Staf dan Mahasiswa, namun untuk untuk sub sistem lainnya memiliki login khusus.

Gambar 11. Interface Subsistem Otomasi Perpustakaan Di dalam web portal juga terdapat subsistem otomasi perpustakaan yang dibangun dengan menggunakan Senayan Library Management System.

3. Perancangan Interface Langkah selanjutnya adalah perancangan interface untuk masing-masing sub sistem yang dibutuhkan, yaitu :

Gambar 12. Interface Subsistem Pengajuan Judul TA & Skripsi Sub sistem pengajuan judul berfungsi metode pencegahan terhadap plagiarisme penyusunan TA & Skripsi. 4. Ujicoba

Gambar 9. Interface Web Portal Main Page

312

Selain subsistem-subsistem di atas, masih terdapat Link untuk download materi-materi panduan proposal, tugas akhir, dan skripsi.


Tentunya web portal adalah sebuah pintu gerbang untuk menuju subsistem-subsistem yang ada di STMIK Potensi Utama. Kemudian untuk menguji tingkat awareness terhadap fungsi web portal di STMIK Potensi Utama, maka dilakukan polling terhadap mahasiswa, staff, dan dosen setelah sistem ini diimplementasikan sejak tahun 2011. Polling tersebut melibatkan 100 orang responden yang terdiri dari unsur mahasiswa, staff, dan dosen. Tabel 1. Hasil Polling Awareness Terhadap Ujicoba Fungsi Web Portal No.

Pertanyaan

1

Apakah anda merasakan manfaat keberadaan web portal ? Apakah web portal dapat diakses setiap waktu ? Apakah web portal dapat diakses secara real time tanpa waktu tunggu yang berarti ?

2 3

Ya

Tidak

83

17

62

58

87

13

Berdasarkan hasil polling di atas, apabila dirata-ratakan maka terdapat 77,33 % responden yang telah memiliki awarness terhadap manfaat web portal. Jadi berdasarkan hasil tersebut maka keberadaan web portal dapat dianggap telah memenuhi kebutuhan para pengguna sistem di STMIK Potensi Utama. 6.


Adapun kesimpulan yang dihasilkan dalam penelitian ini antara lain, yaitu : 1. Web portal yang dirancang merupakan pintu gerbang untuk mengakses subsistemsubsistem lainnya yang ada di STMIK Potensi Utama. 2. Tingkat awarness pengguna sistem mencapai 77,33 % dari polling yang dilakukan terhadap terhadap 100 orang responden. 3. Sistem ini telah digunakan di STMIK Potensi Utama dari tahun 2011. Adapun saran untuk pengembangan penelitian ini di masa yang akan datang adalah : 1. Perlu dipertimbangkan penggunaan processor sekelas Intel Xeon untuk komputer server.

2.

3.

Diperlukan sistem backup power menggunakan UPS dengan kapasitas yang lebih besar untuk mengatasi pemadaman listrik sehingga web portal dapat selalu diakses. Perlu dikembangkan lagi interface web portal yang lebih dinamis agar lebih interaktif.

Daftar Pustaka

[1] Adelin dan Fatmariani, 2012. Web Portal Jurnal Ilmiah Online Kopertis Wilayah II Palembang. Jurnal teknologi dan Informatika (Teknomatika) Vol. 2 No. 2 Mei 2012, STMIK PalComTech, Palembang. [2] Andi Wahju Rahardjo Emanuel, 2006. Instalasi Apache Web Server, MySQL Database, dan PHP pada Sistem Operasi Fedora Core 5. Jurnal Informatika Vol. 2 No. 3 Juni 2006, Universitas Kristen Maranata, Bandung. [3] Muhammad Ikhsan dan Yunita Syahfitri, 2009. Memahami Jaringan Komputer Untuk Membangun Local Area Network (LAN). Jurnal Sanitikom Vol 7 No. 2 Agustus 2009, STMIK Triguna Dharma, Medan. [4] Mukhamad Nur, 2011. Analisa Keefektifan Jaringan Local Area Network (Intranet) Universitas Muria Kudus. Jurnal Sanins dan Teknologi Vol. 4 No. 2 Desember 2011, Universitas Muria Kudus, Jawa Tengah. [5] Muhammad Arya Priasatama Putra, Dahlan Susilo, dan Agus Purwo Handoko, 2011. Perancangan Intranet Untuk Pembelajaran Di Universitas Sahid Surakarta Menggunakan Open Source Software (Studi Kasus: File Server Universitas Sahid Surakarta). Jurnal Gaung Informatika Vol. 4 No. 1, Universitas Sahid Surakarta, Jawa Tengah. [6] Fahrul Agus, Addy Suyatno, dan Supianto, 2010. Optimalisasi Manajemen Bandwidth Pada Jaringan Intranet Universitas Mulawarman. Jurnal Informatika Mulawarman Vol. 1 No. 1 Februari 2010, Program Studi Ilmu Komputer Universitas Mulawarman, Samarinda.

313


ANALISA SISTEM PENUNJANG KEPUTUSAN DISTRIBUSI PENJUALAN BAHAN POKOK DENGAN MENGGUNAKAN METODE ROUGH SET PADA CV SAMA SENANG Helmi Kurniawan Jurusan Teknik Informatika, STMIK Potensi Utama Jl. K.L. Yos Sudarso Km. 6.5 No.3-A, Tanjung Mulia, Medan, Indonesia Email : helmikurniawan77@gmail.com

Abstrak CV Sama Senang adalah sebuah usaha dagang yang bergerak pada penjualan kebutuhan bahan pokok baik dikota medan dan diluar kota Medan. Dengan banyaknya permintaan kebutuhan bahan pokok didalam dan diluar kota CV Sama Senang memiliki kesulitan dalam pendistribusian penjualan kebutuhan bahan pokok untuk memenuhi kebutuhan pasar. Sulitnya memprediksi kebutuhan pasar, serta persaingan bisnis yang semakin ketat, merupakan kendala yang dihadapi CV Sama Senang sehingga manajemen harus dapat mengambil keputusan yang tepat dan cepat guna memberikan pelayanan yang baik serta kepuasan kepada konsumen maupun menjaga konsistensi permintaan kebutuhan bahan pokok di pasar. Keputusan yang diambil harus mempertimbangkan dengan baik berdasarkan data-data yang dimiliki, terutama yang berkaitan erat dengan sistem distribusi. Dalam mengatasi masalah tersebut, salah satu solusi yang dapat digunakan adalah data mining mengenai kriteria - kriteria tertentu di dalam pendistribusian penjualan kebutuhan bahan pokok. Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka dibutuhkan metode analisis data yang tepat. Adapun metode yang digunakan dalam pengambilan keputusan adalah Metode Rough Set. Metode Rough Set menawarkan dua bentuk representasi data yaitu Information Systems (IS) dan Decision Systems (DS). Adapun perangkat lunak (Software) yang menerapkan Metode Rough Set ini adalah Rosetta. Hasil penelitian yang diperoleh berupa informasi perkiraan permintaan kebutuhan bahan pokok pada periode yang akan datang dan menjadi informasi keputusan manajemen dalam pendistribusian penjualan kebutuhan bahan pokok. Kata Kunci : Sistem Penunjang Keputusan, Data Mining, Metode Rough Set Pendahuluan Masalah distribusi seringkali masih menjadi kendala terbesar terutama bagi perusahaan yang memproduksi secara massal. Semakin luas wilayah pemasaran, semakin banyak pula kendala yang dihadapi sehingga perlu pembagian wilayah pemasaran pada setiap era dengan penempatan distributor. CV Sama Senang, sebagai salah satu perusahaan distribusi yang bergerak dalam distribusi penjualan kebutuhan bahan pokok yang sedang berkembang, juga memerlukan satu sistem distribusi yang baik untuk menjaga ketersediaan produknya di pasar, disamping juga untuk dapat memenuhi dan mengembangkan pasar yang telah ada. Untuk itu peramalan distribusi yang baik dengan menggunakan data-data yang telah ada di masa lalu untuk memprediksi kebutuhan distribusi dimasa yang akan datang sangat diperlukan oleh perusahaan ini. Sistem distribusi produk pada CV Sama Senang dihadapkan pada beberapa masalah yang berhubungan dengan besar produk yang harus didistribusikan pada wilayah-wilayah. Pada umumnya, kemacetan dalam mendistribusikan

314

Produk-produk dan jasa-jasa akan banyak menimbulkan kesulitaan baik dipihak konsumen maupun produsen. Kesulitan yang akan terjadi di pihak produsen meliputi terganggunya penerimaan penjualan sehingga target penjualan yang telah di tentukan tidak dapat terpenuhi. Hal ini akan menyebabkan arus pendapatan yang dibutuhkan oleh perusahaan untuk melangsungkan kontinuitasnya tidak dapat diharapkan. Sedangkan kesulitan yang akan timbul di pihak konsumen akan menyebabkan tendensi harga yang meningkat. Tendensi harga yang meningkat terjadi akibat berkurangnya Produk yang ditawarkan di pasar. Oleh karena itu sangatlah tepat apabila perusahaan memahami kebijaksanaan distribusi terutama yang menyangkut pemilihan saluran distribusi dan penentuan distribusi fisik. Dalam menganalisa hal tersebut di atas, salah satu solusi yang dapat digunakan adalah data mining mengenai kriteria - kriteria tertentu di dalam pendistribusian produk. . Data mining tersebut akan menjadi tolak ukur ataupun acuan untuk mengambil keputusan. Pengolahan data mining dapat dilakukan dengan beberapa teknik


diantaranya adalah Metode Rough Set, Fuzzy, Algoritma Apriori dan lain - lain. Metode Rough Set salah satu dari metode di atas yang memungkinkan untuk mengambil keputusan dalam pendistribusian penjualan kebutuhan bahan pokok karena di dalam metode ini ada rumusan atau tahapan-tahapan pemecahan masalah dan adanya sebuah Result (keputusan) dari kombinasi yang mungkin terjadi dari kriteriakriteria diatas. Dari Result (keputusan) yang berasal dari hasil olahan data mining tersebut, dapat di jadikan sebagai acuan pengambilan keputusan. Berdasarkan permasalah tersebut penulis melakukan penelitian yang berkaitan dengan sistem pengambilan keputusan untuk distribusi penjualan kebutuhan pokok dengan menggunakan metode Rough Set. Metode Penelitian Tahapan dalam metode penelitian ini dapat dimodelkan pada diagram alir berikut ini:

Gambar 1. Diagram Alir Distribusi dengan Metode Rought set Tinjauan Pustaka Data Mining (DM) Kemajuan Data Mining merupakan salah satu teknik yang dapat digunakan karena telah menggabungkan teknik klasik dengan algoritma yang canggih seperti teknik Artificial Intelligence untuk memproses data dalam skala besar . Data mining adalah proses pengolahan informasi dari sebuah database yang besar, meliputi proses ekstraksi, pengenalan, komprehensif, dan penyajian informasi sehingga dapat digunakan dalam pengambilan keputusan bisnis yang krusial”.[1][3][6] Teori Rough Set Teori ini memberikan pendekatan matematika baru untuk permasalahan dengan tingkat ketidakpastian yang tinggi. Teori ini menjadi dasar penting untuk kecerdasan buatan, pembelajaran mesin, perolehan informasi, analisis keputusan, data mining, sistem pakar, hingga pengenalan pola. Kelebihan teori ini adalah tidak diperlukannya preliminary dan juga informasi tambahan mengenai data dalam melakukan analisis suatu data. Tujuan dari analisis Rough Set adalah untuk mendapatkan perkiraan rule yang

singkat dari suatu tabel. Hasil dari analis Rough Set dapat digunakan dalam proses data mining dan knowledge discovery. Teknik ini digunakan untuk menangani masalah uncertainly, missing data, uncompleted, inconsistency data, imprecision, dan vagueness (tidak pasti, data hilang, tidak lengkap, tidak selaras, ketidaktepatan, ketidakjelasan).[2][3][4][5] Perancangan Berdasarkan hasil pengamatan langsung pada CV Sama Senang, sistem yang sedang berjalan pada saat ini masih dilakukan manual, yaitu pencatatan pada buku untuk pemesanan dari suppliers dan penjualan kebutuhan bahan Pokok dari konsumen, proses pendistribusian juga dilakukan atas kerjasama dan kepercayaan antara ke dua belah pihak. Oleh karena itu sangatlah tepat apabila perusahaan memahami kebijaksanaan distribusi terutama yang menyangkut pemilihan saluran distribusi dan penentuan distribusi fisik. Rancangan Umum Dalam Pendistribusian Arsitektur dari sistem pendukung keputusan dalam analisis data Pendistribusian CV. Sama Senang terdiri dari rancangan umum dan komponen-komponennya. Dalam bagian ini, diasumsikan database berisi dari data yang tidak lengkap (incomplete data) untuk mendapatkan keputusan (decision) yang tepat dan akurat, data yang tidak lengkap diproses untuk mendapatkan data lengkap dengan menggunakan metode data cleaning, seperti teknik remove incomplete data. Selanjutnya data lengkap tersebut ditransformasikan dengan menggunakan metode data transformation. Dari hasil data transformasi dilakukan proses pencarian knowledge / rules dengan cara generating rules sehingga menghasilkan keputusan (decision) yang lebih singkat dan mudah dipahami. rancangan umumnya dapat dilihat pada gambar 1.

Gambar 2. Rancangan Umum Pendistribusian Produk dengan Metode Rough set

315


Use Case Diagram Use Case system pengambil keputusan dapat dilihat dalam gambar 2.

user Gambar 3. Use Case Sistem Pengambil Keputusan Dari Use Case di atas terlihat user dalam pembentukan sistem pendukung keputusannya, dan hasil laporan yang diperoleh dari analisa sistem tersebut

Gambar 4. Use Case Diagram Proses Pengambil Keputusan Analisa Metode Yang Digunakan Information System Dalam Rough Set, sebuah set data direpresentasikan sebagai sebuah tabel, dimana baris dalam tabel merepresentasikan objek dan kolom-kolom merepresentasikan atribut dari objek-objek tersebut. Tabel tersebut disebut dengan information system yang dapat digambarkan sebagai: S = (U,A)…… ……………..[1] Dimana U adalah set terhingga yang tidak kosong dari objek yang disebut dengan universe dan A set terhingga tidak m kosong dari atribut dimana: a : U  Va)……………….. [2] Untuk tiap a € A. SetVa disebut value set dari a. information system dalam penelitian ini dapat ditunjukkan dalam tabel 1. Tabel 1. Laporan Distribusi Barang per Kota

316

Pada Tabel tersebut yang merupakan U adalah {nama Barang} yang merupakan produk yang akan didistribusikan kebeberapa wilayah Sedangkan A adalah {Medan, Langkat, Brastagi, Tebing Tinggi} yang merupakan faktor atau kriteria yang menentukan tinggi rendahnya pendistribusian produk tersebut Dalam Penggunaan Information System, terdapat outcome dari klasifikasi yang telah diketahui yang disebut dengan atribut keputusan. Information system tersebut disebut dengan Decision System. Decision System dapat digambarkan pada tabel 2 berikut: Tabel 2. Laporan Distribusi Barang per Kota

Pada tabel 2. tersebut, atribut A mengalami perluasan atribut, yaitu Keterangan (Ket) yang merupakan atribut keputusan dari Decision System. Keterangan : 200 – 400 : Turun 401– 600 : Naik Indescernibility Relation Dalam decision system, sebuah objek dapat memiliki nilai yang sama untuk sebuah atribut kondisionalnya. Contohnya Beras, Telur memiliki nilai atribut distribusi pada kota Langkat yang sama, yaitu “80”. Hubungan tersebut disebut dengan indiscernible (tidak dapat dipisah). Misalkan S = (U,A) adalah Information System, dan B  A. Maka Sebuah indiscrenibility relation objek-objek menurut atribut B yang dilambangkan dengan INDs (B), dapat didefenisikan sebagai: INDs (B) ={( x,x’) ∈ U2 | ∀ a ∈ B a (x) = a (x’)}. [3]  disebut sebagai B- Indescernibility relation, INDs (B) merupakan Equivalent Relation. Jika ( x,x’) ∈ INDs (B) maka objek x dan x’ adalah objek yang tidak dapat dibedakan (indiscernible) satu sama lain oleh atribut B. kelas-kelas yang equivalent dengan B- Indescernibility relation dinotasikan dengan [x]B dan disebut dengan equivalent class. Berdasarkan tabel 2 maka didapatkan indiscernibility Relation sebagai berikut: IND A (Medan) ={{B1},{B2},{B3},{B4},{B5},{B6},{B7}}


={{178},{80},{120},{140},{300},{70},{134}} IND B (Langkat) ={{B1,B5}{B2},{B3},{B4,B6},{B7}} ={{80,80},{60},{90},{60,60},{160}} IND C () ={{B1},{B2},{B3},{B4},{B5},{B6},{B7}} ={{240},{106},{80},{100},{70},{156},{100}} IND D (Berastagi) ={{B1},{B2},{B3},{B4},{B5},{B6},{B7}} ={{60},{76},{160},{130},{100},{110},{70} IND ABCD ={{B1},{B2},{B3},{B4},{B5},{B6},{B7}}

Pengolahan Data Dengan Teknik Data Transformation Data telah didapat akan disederhanakan dengan menggunakan teknik data transformasi berdasarkan Algoritma Fungsi Interval .Sesuai dengan Algoritma Fungsi Interval, maka untuk masing-masing variabel ditentukan nilai terbesar, nilai terkecil dan range nilai, jumlah kelas dan nilai intervalnya. Dari hasil yang diperoleh tersebut maka dilakukan proses Data Transformasi untuk data lengkap, seperti berikut: 1. Untuk Kota Medan a. Nilai terbesar (Xmax)= 300 b. Nilai terkecil (Xmin) = 70 c. Range Nilai (Xrange )= 300 - 70 = 230 d. Jumlah Kelas (k) = 1+ 3.3 log (7) = 1+ (0.52) = 1.52 e. Nilai Interval (Int) = 230/1.52 = 152 Transfomasi Data [Xmin +Int] : Range antara 70 – 222 ditransformasikan menjadi angka = 1 Range antara 224 – 374 ditransformasikan menjadi angka = 2 2. Untuk Kota Langkat : a. Nilai terbesar (Xmax)= 160 b. Nilai terkecil(Xmin) = 60 c. Range Nilai (Xrange )= 160– 60 =100 d. Jumlah Kelas (k) = 1+ 3.3 log (7) = 1+ (0.52) = 1.52 e. Nilai Interval (Int) = 100/1.52 = 64 Transfomasi Data [Xmin +Int] : Range antara 30 – 94 ditransformasikan menjadi angka = 1 Range antara 96 – 160 ditransformasikan menjadi angka = 2 3. Untuk Kota Berastagi : a. Nilai terbesar (Xmax)= 240 b. Nilai terkecil (Xmin) = 70 c. Range Nilai (Xrange )= 240 – 70 = 170 d. Jumlah Kelas(k) = 1+ 3.3 log (7) = 1+ (0.52) = 1.52 Nilai Interval (Int) = 170/1.52 = 112 Transfomasi Data [Xmin +Int] : Range antara 70 – 182 ditransformasikan menjadi angka = 1

Range antara 184– 256 ditransformasikan menjadi angka = 2 4. Untuk Nilai Tebing Tinggi : a. Nilai terbesar (Xmax)= 160 b. Nilai terkecil (Xmin) =60 c. Range Nilai (Xrange )= 160 – 60 = 100 d. Jumlah Kelas(k) = 1+ 3.3 log (7) = 1+ (0.52) = 1.52 Nilai Interval (Int) = 100/1.52 =64 Transfomasi Data [Xmin +Int] : Range antara 60 – 124 ditransformasikan menjadi angka = 1 Range antara 126– 190 ditransformasikan menjadi angka = 2 Berdasarkan pengolahan data transformasi diatas, maka didapat hasil data transformasinya seperti pada tabel 3. Tabel 3. Data Dengan Teknik Data Transformation

Generating Rules Berdasarkan data hasil transformasi yang telah didapatkan, maka data-data tersebut akan diolah sehingga menghasilkan suatu rules / knowledge yang dapat dipahami untuk pengambilan suatu keputusan. Dari data transformasi yang didapat pada tabel 4.3 maka dapat dilakukan proses pencarian knowledge seperti langkah-langkah ini : 1. Discernibility Matrix Dalam Discernibility Matrix maka variabelvariabel kondisi yang terdiri dari Medan, Binjai, Siantar, Kisaran Dan Variabel keputusan terdiri dari : Naik = 1 Turun= 2 Kemudian masing-masing nama dikelompokkan dalam bentuk Equivalence Class disederhanakan namanya menjadi EC1, EC2, EC3, EC4, EC5, EC6 dan EC7, sehingga hasilnya dapat dilihat seperti pada tabel 4. Tabel 4. Data Transformation Yang Disederhanakan

317


Dari hasil data transformasi yang telah disederhanakan pada tabel 5 kemudian dibandingkan data-data yang terdapat dalam masing-masing Equivalence Class. Dalam proses perbandingan ini, yang diperhatikan hanya variabel-variabel kondisinya saja, tanpa memperhatikan variabel keputusan, dan yang dibandingkan adalah antara data-data pada variabel kondisi yang sama. Dari proses perbandingan ini dihasilkan tabel Discernibility Matrix seperti tabel 5.

EC4 EC5 EC6 EC7

= (D)^(D) = (A)^(AvD)^(A) = (BvC)^(D)^(A) = (D) Tabel 7. Reduct

Tabel 5. Discernibility Matrix

2. Discernibility Matrix Modulo D Dari hasil pengolahan data dengan cara Discernibility Matrix sesuai tabel.6, maka selanjutnya data diolah dengan cara Discernibility Matrix Modulo D, dalam pengolahan dengan cara ini variabel kondisi dan keputusannya harus dibandingkan. Sehingga jika variabel keputusan juga dibandingkan maka hasilnya menjadi seperti pada tabel 6. Tabel 6. Discernibility Matrix Module D E EC EC EC EC2 C EC6 1 3 5 4 EC1 BC D BC EC2 BC D A EC3 D AD EC4 D D EC5 A AD A EC6 BC D A EC7 D -

EC 7 D -

Keterangan : Jika nilai decision Atribut sama = kosong decision Atribut berbeda = terisi 3. Reduction Reduct adalah himpunan dari atribut yang dapat menghasilkan klasifikasi sama seperti jika semua atribut digunakan. Sedangkan atribut yang bukan reduct adalah atribut yang tidak berguna dalam proses klasifikasi. Pada proses Reduct ini dilakukan proses penyeleksian variabel minimal dari sekumpulan variabel kondisi dengan cara Prime Implicant fungsi Boolean, dengan cara berikut ini : EC1 = (BvC)^(D)^(BvC) EC2 = (BvC)^(D)^(A) EC3 = (D)^(A)^(D)^(D)

318

Dari hasil reduct yang diperoleh maka didapatkan suatu rules / knowledge. Seperti contoh di atas, rules yang didapatnya adalah : Rules : D1  E1, B1,C1E2, D1A2 E2, D2,A1  E2 D2 E2, A2,D1  E1, B1,C1  E2, D1,A1  E2 D1  E 1 EC1 : If D =1 Then E=1 If TebingTinggi = 60 Then Keputusan = Naik EC2 : If B =1, C=1 Then E=2, D=1, A=1 Then E=2 If Langkat = 130 & Berastagi = 106 Then Keputusan = Turun If TebingTinggi = 76 & Medan = 80 Then Keputusan = Turun EC3 : If D=2, A=1 Then E= 2 If TebingTinggi =160 & Medan =120 Then Keputusan = Turun EC4 : If D=2 Then E = 2 : If TebingTinggi = 130 Then Keputusan = Turun EC5 : If A=2 , D=1 Then E=1 If Medan= 150, TebingTinggi =100 Then Keputusan=Naik EC6 : If B =1, C=1 Then E=2, D=1, A=1 Then E=2 : If Lankat =60 & Berastagi = 156 Then Keputusan =Turun If TebingTinggi= 110 & Medan =70 Then Keputusan = Turun EC7 : If D=1 Then E=1 If TebingTinggi = 70 Then Keputusan = Naik Pengujian Metode Rough Set Untuk menguji kebenaran dari hasil pengolahan data yang dikerjakan secara manual tersebut dapat digunakan salah satu software aplikasi Rough Set, yaitu Rosetta. Hasil pengujian dapat terlihat pada gambar


keputusan untuk pengalokasian produk pada setiap lokasi. DAFTAR PUSTAKA

Gambar 5. Hasil Proses Generating Rules Dari hasil data lengkap, Reduct, dan Rules yang didapat, terbukti hasilnya sesuai dengan hasil perhitungan secara manual 4.

Kesimpulan Atas analisis dan pembahasan yang dilakukan pada sistem pendukung keputusan, maka dapat diambil kesimpulan sebagai berikut: 1. Sistem pengambilan keputusan dengan metode rough set dapat membantu distribusi Penjualan kebutuhan bahan Pokok pada CV. Sama Senang untuk memenuhi kebutuhan pasar. 2. Penggunaan metode rough set sangat membantu dalam memperkirakan kebutuhan produk yang harus dipenuhi oleh perusahaan dalam periode yang akan datang. 3. Penggunaan aplikasi Data Mining Seperti Rosetta dapat membantu dalam pengambilan

[1] D,Suryadi, (2001) Pengantar Data Mining, Andi, Yogyakarta [2] K. Thangavel and Q. Shen (2006), “Application of Clustering for Feature Selection Based on Rough Set Theory Approach”, AIML Journal, 19-27 [3] Li, T, Ruan, D Geert, W, Song, W, & Xu,Y. (2007). A rough set based characteristic relation approach for dynamic attribute generalization in data mining, Knowledge Based System 20 (2007) 485494 [4] Marcin, Kierczak. (2009). Rosetta a rough set toolkit for analysis of data. http://www.lcb.uu.se/tools/rosetta/. April 21 2012 [5] Suraj, Z. (2004). An Introduction to Rough Set Theory and It’s Applications. ICENCO’2004, December 27-30, 2004, [6] Susanto. (2010). Pengantar Data Mining. Informatika. Jakarta [7] Therling K. (2006).“ An Introduction to DataMining: Discovering hidden value in your data warehouse”, www.thearling.com, diakses tanggal 21 Mei 2013.

319


PERANCANGAN NAVIGASI ROBOT BERBASIS SUARA MENGGUNAKAN ANDROID Iwan Fitrianto Rahmad, Vidi Agung Fragastia Teknik Informatika Komputer STMIK Potensi Utama STMIK Potensi Utama, Jl. K.L Yos Sudarso Km. 6,5 No.3A Tanjung Mulia Medan, Sumatera Utara iwanfitrah@yahoo.com, vidiagoeng@gmail.com

Abstrak Saat ini, pengembangan teknologi memotivasi manusia untuk berpikir kreatif, tidak hanya mencoba lebih atas penemuan baru, tetapi juga mengoptimalkan kinerja teknologi sebelumnya. Berdasarkan uraian di atas, penelitian ini akan membahas bagaimana mengontrol navigasi robot menggunakan teknologi mikrokontroler, smartphone Android, bluetooth, dan pengenalan suara. Sistem yang dimaksud adalah sistem yang dapat mengontrol navigasi robot secara nirkabel menggunakan smartphone Android. Tujuan dari penelitian ini adalah untuk mengoptimalkan fungsi smartphone Android yang dapat digunakan sebagai pusat kendali, mengambil keuntungan dari pengenalan suara yang ada pada smartphone Android yang memungkinkan pengguna untuk melakukan perintah melalui input suara, dan memudahkan pengguna mengendalikan dan memantau robot via smartphone menggunakan umpan balik dari mikrokontroler. Berdasarkan hal ini, metode penelitian yang dilakukan pada tiga hal, khususnya: desain antarmuka hardware, desain program pada perangkat keras, dan desain program pada Android. Komunikasi antara smartphone Android dengan mikrokontroler dapat dilakukan tanpa kabel menggunakan bluetooth. Untuk sistem mikrokontroler dapat dikontrol oleh smartphone Android, bisa dilakukan dengan mengirimkan kode karakter ASCII untuk diterima dan diterjemahkan oleh mikrokontroler. Untuk memberikan umpan balik, sistem mikrokontroler harus dapat menerima masukan dari output sendiri. Ada fitur pengenalan suara pada smartphone Android dapat digunakan untuk mengontrol robot menggunakan perintah suara. Hal ini dapat dilakukan dengan memulai spektrum perintah dalam suara string menjadi kode karakter ASCII yang telah diakui oleh mikrokontroler. Kata kunci : Android, Arduino, Bluetooth, Mikrokontroler, Navigasi, Robot, Suara 1.

Pendahuluan

Berkembangnya teknologi terutama pada bidang komunikasi menyebabkan penggunaannya menjadi kebutuhan pokok. Teknologi yang banyak beredar di pasaran, salah satunya android. Pengunaan smartphone terutama yang berbasis sistem operasi android masih tergolong baru di Indonesia. Kebanyakan dari pemakai smartphone android hanya sebagai pengguna saja, tidak melakukan pengembangan ataupun memaksimalkan penggunaannya, secara hardware ataupun penggunaan software (aplikasi). Sehingga smartphone android lebih banyak lagi kegunaannya salah satunya adalahnya sebagai sistem navigasi robot menggunakan suara. Robot yang dibahas berupa robot mobil. Penulis disini mencoba untuk memaksimalkan penggunaan smartphone android dan menggabungkannya dengan teknologi mikrokontroler (arduino). Melalui komunikasi bluetooth, smartphone android dapat mengirimkan perintah suara dan berkomunikasi dengan mikokontroler dalam bentuk pengendalian robot yang menyerupai mobil. Dimana di dalamnya telah terdapat RAM, ROM atau EPROM, timer, oscilator, ADC, buffer I/O port ,

320

saluran data sehingga dapat bekerja dan mampu melakukan koneksi antar perangkat mikrokontroler (arduino) dengan smartphone android melalui Bluetooth dan menganalisanya. 2.

Dasar Teori

Smartphone Android Menurut Nazrudin Safaat H (2011:1, “Android adalah sebuah sistem operasi untuk perangkat mobile berbasis linux yang mencakup sistem operasi, middleware, dan aplikasi.”. Android adalah sistem operasi untuk telepon seluler yang berbasis Linux. Android menyediakan platform terbuka bagi para pengembang untuk membuat aplikasi mereka sendiri. Pada awalnya dikembangkan oleh Android Inc, sebuah perusahaan pendatang baru yang membuat perangkat lunak untuk ponsel yang kemudian dibeli oleh Google Inc. Untuk pengembangannya, dibentuklah Open Handset Alliance (OHA), konsorsium dari 34 perusahaan perangkat keras, perangkat lunak, dan telekomunikasi termasuk Google, HTC, Intel, Motorola, Qualcomm, T-Mobile, dan Nvidia.[1]


Gambar 1. Smartphone Android Module Bluetooth Bluetooth adalah sebuah teknologi antarmuka radio yang beroperasi dalam pita frekuensi 2,4 Ghz unlincensed ISM (Industrial, Scientific an Medical) yang mampu menyediakan layanan komunikasi data dan suara secara real-time antara host-host Bluetooth dengan jarak jangkauan layanan yang terbatas (sekitar 10 meter) dengan kecepatan transfer data 723,2 Kbps. Pengembangan teknologi ini dipromotori oleh lima perusahaan yaitu Erricson, IBM, intel nokia dan Toshiba yang membentuk sebuah Special Interest Group (SIG) pada bulan mei 1998. Teknologi Bluetooth tidak dirancang untuk melakukan komunikasi data dan suara yang memerlukan kapasitas yang besar. Karena bluetooth dapat menggantikan LAN, WAN maupun kabel backbone. Teknologi Bluetooth memang khusus dirancang unutk mendukung pengguna peralatan mobile seperti notebook beserta peralatan pendukungnya seperti printer, scanner, maouse dan peralatan komunikasi seperti ponsel dan PDA. Dibawah ini Module bluetooth yang merupakan alat penghubung antara smartphone android dengan perangkat yang ada pada sepeda motor. Module bluetooth ini juga dapat berkomunikasi secara dua arah.[2]

RISC 8 bit, dimana semua instruksi dikemas dalam kode 16-bit (16-bits word) dan sebagian besar instruksi dieksekusi dalam 1 (satu) siklus clock, berbeda dengan instruksi MCS51 yang membutuhkan 12 siklus clock. Tentu saja itu terjadi karena kedua jenis mikrokontroler tersebut memiliki arsiektur yang berbeda. AVR berteknologi RISC (Reduced Instruction Set Computing), sedangkan MCS51 berteknologi CISC (Complex Instruction Set Computing). Secara umum, AVR dapat dikelompokan menjadi 4 kelas, yaitu keluarga ATtiny, keluarga AT90Sxx, keluarga ATMEGA, dan AT86RFxx. Pada dasarnya yang membedakan masing – masing kelas adalah memori, peripheral, dan fungsinya. Dari segi arsitektur dan instruksi yang digunakan, mereka bisa dikatakan hampir sama.[3] Arduino Arduino Uno adalah board mikrokontroler berbasis ATMega328. Memiliki 14 pin input dari output digital dimana 6 pin input tersebut dapat digunakan sebagai output PWM (Pulse Widht Modulation) dan 6 pin input analog, 16 MHz osilator kristal, koneksi USB, jack power, ICSP header, dan tombol reset. Untuk mendukung mikrokontroler agar dapat digunakan, cukup hanya menghubungkan board Arduino Uno ke komputer dengan menggunakan kabel USB dan AC adaptor sebagai suplay atau baterai untuk menjalankannya.[4] Kelebihan Arduino diantaranya adalah tidak perlu perangkat chip programmer karena didalamnya sudah ada bootloader yang akan menangani upload program dari komputer, Arduino sudah memiliki sarana komunikasi USB, sehingga pengguna laptop yang tidak memiliki port serial/RS323 bisa menggunakannya. bahasa pemrograman relatif mudah karena software Arduino dilengkapi dengan kumpulan library yang cukup lengkap, dan Arduino memiliki modul siap pakai (shield) yang bisa ditancapkan pada board Arduino. Misalnya shield GPS, Ethernet, SD Card, dll. [5]

Gambar 2. Module Bluetooth Mikrokontroler ATMEL sebagai salah satu vendor yang mengembangkan dan memasarkan produk mikroelektronika telah menjadi suatu teknologi standar bagi para desainer sistem elektronika masa kini. Dengan perkembangan terakhir, yaitu generasi AVR (Alf and Vegard’s Risc processor), para desainer sistem elektronika telah diberi suatu teknologi yang memiliki kapabilitas yang amat maju, tetapi dengan biaya ekonomis yang cukup minimal. Mikrokontroler AVR memiliki arsitektur

Gambar 4. Minimum Sistem Arduino R3 Keterangan: 1. Port USB 2. IC Konverter Serial-USB (ATmega 8 U2) 3. Led untuk test output kaki D13 4. Kaki-kaki Input Output Digital (D8 – D13) 5. Kaki-kaki input Output Digital (D0 – D7) 6. LED Indikator catu daya 7. Tombol Reset

321


8. Mikrokontroller ATmega 328 9. Kaki-kaki input analog (A0 – A5) 10. Kaki-kaki catu daya (5V, GND) 11. Terminal Catudaya (6 – 9V)

START

Inisialisasi

Suara Suara adalah pemampatan mekanis atau gelombang longitudinal yang merambat melalui medium. Medium atau zat perantara ini dapat berupa zat cair, padat, gas. Jadi, gelombang bunyi dapat merambat misalnya di dalam air, batu bara, atau udara. Kebanyakan suara adalah merupakan gabungan berbagai sinyal, tetapi suara murni secara teoritis dapat dijelaskan dengan kecepatan osilasi atau frekuensi yang diukur dalam Hertz (Hz) dan amplitudo atau kenyaringan bunyi dengan pengukuran dalam desibel (dB). Manusia mendengar bunyi saat gelombang bunyi, yaitu getaran di udara atau medium lain, sampai ke gendang telinga manusia. Batas frekuensi bunyi yang dapat didengar oleh telinga manusia kira-kira dari 20Hz sampai 20kHz pada amplitudo umum dengan berbagai variasi dalam kurva responsnya. Suara di atas 20kHz disebut ultrasonik dan di bawah 20Hz disebut infrasonik. 3.

Android

Robot

Aplikasi

Arduino

Listen Button Driver Motor

Motor DC Bluetooth

Gambar 5. Diagram Blok Sistem Flowchart Adapun flowchart pada sistem ini ditunjukan pada gambar 6 :

322

Connect = 1?

TIDAK

YA Kirimkan Perintah

TIDAK Maju=1?

Maju

YA TIDAK Mundur

Mundur=1? YA TIDAK

Kiri

Kiri=1? YA TIDAK Kanan=1?

Kanan

YA Berhenti

Gambar 6. Flowchart Sistem

Dalam sistem ini, user melakukan input dari aplikasi AMR_Voice yang ada pada pada perangkat Android. Data yang di-input-kan berupa perintah suara dikirim ke mikrokontroler melalui bluetooth. Data yang dikirim dari Android akan diterima oleh modul bluetooth yang ada pada sistem mikrokontroler Arduino. Data serial tersebut diterjemahkan oleh mikrokontroler menjadi data. Data yang diterima akan diproses oleh mikrokontroler, kemudian diteruskan ke driver motor DC. Kemudian driver motor dc akan meneruskan data yang digunakan untuk mengerakan motor DC pada robot sesuai perintah. Berikut ini gambar diagram blok prinsip kerja sistem secara garis besar, ditunjukan pada gambar 5 dibawah ini :

Module Bluetooth

Melakukan Koneksi

FINISH

Metode Penelitian

Pengenalan Suara

Hidupkan Perangkat Buka Aplikasi Android

Algoritma Flowchart 1. Start. 2. Inisialisasi Perangkat, ini dimaksudkan apakah perangkat sudah terpasang dengan benar sesuai dengan skematik rangkaian. 3. Hidupkan perangkat, dengan memberikan tegangan pada rangkaian serta mengaktifkan saklar. Jalankan juga aplikasi pada smartphone android. 4. Melakukan proses koneksi bluetooth antara perangkat dengan aplikasi pada smartphone android. 5. Jika proses koneksi bluetooth dengan aplikasi pada smartphone android berhasil maka aplikasi bisa mengirimkan data ke perangkat, jika belum maka proses koneksi akan diulang kembali. 6. Jika perintah suara yang dikirimkan “maju”, maka perangkat akan mengeksekusi dengan menjalankan motor sehingga mobil robot bergerak maju, hingga perintah suara berikutnya. 7. Jika perintah suara yang dikirimkan “mundur”, maka perangkat akan mengeksekusi dengan menjalankan motor sehingga mobil robot bergerak mundur, hingga perintah suara berikutnya. 8. Jika perintah suara yang dikirimkan “kiri”, maka perangkat akan mengeksekusi dengan menjalankan motor sehingga mobil robot


bergerak kiri, hingga perintah suara berikutnya. 9. Jika perintah suara yang dikirimkan “kanan”, maka perangkat akan mengeksekusi dengan menjalankan motor sehingga mobil robot bergerak kanan, hingga perintah suara berikutnya. 10. Jika perintah suara yang dikirimkan “berhenti” atau jika tidak ada perintah suara yang dikirimkan oleh aplikasi pada smartphone android, mobil robot akan berhenti atau pada posisi diam. 11. Perangkat akan berada pada posisi standby atau posisi dimana perangkat siap menerima perintah. 12. Finish 4.


4.1. Hasil Berikut adalah tampilan dari hasil perancangan robot mobil ditunjukan pada gambar 7 dibawah ini.

smartphone ke mikrokontroler. Pada saat yang bersamaan pengukuran waktu eksekusi dilakukan dengan menggunakan stopwatch. Tabel 1. Pengujian jarak transmisi (Transmision Distance)

4.2.2. Power Supply Power supply adalah sumber daya yang digunakan untuk memasok tegangan pada semua komponen yang terdapat pada alat. Power supply disini terdiri dari baterai yang terdapat pada robot, diode, kapasitor dan regulator 7805. Power supply pada alat ini menghasilkan tegangan 5 Volt. Dengan tegangan tersebut sudah bisa memasok semua komponen yang digunakan pada alat. Baterai yang digunakan berjenis lithium polimer (lipo). 4.2.3. Software Sistem ini memerlukan beberapa software supaya alat dapat bekerja dengan baik diantaranya: a.

Gambar 7. Robot Mobil Berikut adalah tampilan dari hasil perancangan aplikasi pada android ditunjukan pada gambar 8 dibawah ini.

Gambar 8. Aplikasi AMR_Voice Pada Android 4.2. Pembahasan 4.2.1. Pengujian Jarak Transmisi Bluetooth Pengukuran jarak transmisi bertujuan untuk mengetahui seberapa jauh bluetooth dapat berhubungan dan mampu membawa perintah dari

Aplikasi DSC terminal DSC terminal adalah program apliaksi yang digunakan pada smartphone sebagai command pembuat perintah/input yang terinstal pada smartphone. Pada alat ini menggunakan dsc test .apk. dsc terminal sudah dapat berfungsi dengan baik dibuktikan dengan alat yang mampu beroperasi sesuai program. b. Arduino IDE Arduino adalah multi platform open source software. Arduino dapat dijalankan pada linux, windows atau juga mac. Pada alat ini arduino dijalankan menggunakan windows. Bahasa pemrograman yang digunakan pada arduino adalah bahasa C, tetapi arduino sudah lebih dipermudah dengan fungsi yang sederhana. Dengan menggunakan aplikasi dsc terminal dan software Arduino yang diterapkan pada pembuatan pengaman kendaraan, ini dapat berfungsi dengan baik dibuktikan dengan algoritma yang terdiri atas: (1) Program inisialilasi, (2) program setup, (3) program scanning dan (4) program masukan. Sudah berfungsi sesuai program dan alat sudah dapat beroperasi.

323


5.

Kesimpulan

Dari hasil pengujian yang dilakukan dapat disimpulkan beberapa hal sebagai berikut: 1. Komunikasi antara smartphone Android dengan mikrokontroler dapat dilakukan secara wireless menggunakan bluetooth, yang mana antara bluetooth pada smartphone Android dan module bluetooth pada sistem mikrokontroler berkomunikasi menggunakan data serial. 2. Merealisasikan pembuatan software pengendali navigasi robot menggunakan suara yang terdiri atas : (1) program inisialisasi yaitu program untuk menginialisasi variabel, (2) setup program yaitu program untuk memasukan pin yang diinginkan sebagai output, (3) program scanning yaitu program untuk memindai perintah yang dimasukan (4) program masukan yaitu program untuk menentukan karakter kode yang akan digunakan sebagai masukan. Semua program tersebut sudah dapat berfungsi. 3. Untuk kerja jarak transmisi maksimum adalah 10 meter pada ruang terbuka.

324

4.

Sumber daya pada perangkat menggunakan baterai pada kendaraan itu sendiri, sehingga mengurangi umur baterai.

Daftar Pustaka [1]

[2]

[3]

[4]

[5]

Safaat H, Nazruddin 2011. “Pemrograman Aplikasi Mobile Smartphone dan Tablet PC Berbasis Android”. Informatika Bandung: Bandung Datasheet HC-05. (2014). [Online] Tersedia: http://www.wlelectronix.com/p/137/bluetoo th-to-serial-module-hc-05.html Ary Heryanto, dan Adi P., Wisnu, 2008 “Pemrograman Bahasa C untuk Mikrokontroller ATMega8535”. Andi: Yogyakarta. Arduino Home Page. (2014). Arduino Uno. [Online]. Tersedia : http://www.arduino.cc/en/Main/arduinoBoa rdUno [5 Juli 2014] Kelas Mikrokontrol. (2014). Arduino. [Online] Tersedia: http://www.kelasmikrokontrol.com/elearning/mikrokontroler /pengantar-arduino.html [5 Juli 2014]


PENERAPAN KNOWLEDGE SHARING AND TRANSFER PADA PT. DUNIA KIMIA UTAMA Fransiska Prihatini Sihotang Program Studi Sistem Informasi, STMIK MDP STMIK MDP, Palembang fransiskaps@mdp.ac.id

Abstrak Pengetahuan merupakan hal yang sangat penting untuk menunjang proses bisnis. Pengetahuan yang dimiliki oleh karyawan sebaiknya dapat dibagikan kepada rekan kerja, bawahan, bahkan dari bawahan kepada atasan, agar tercipta suasana kerja yang lebih nyaman dan produktif. PT. Dunia Kimia Utama merupakan perusahaan penghasil bahan kimia yang mempekerjakan lebih dari seratus karyawan. Setiap karyawan bekerja secara individu dan secara tim dengan bantuan komputer dan mesin, sehingga diperlukan kerja sama yang baik. Salah satu bentuk kerjasama dalam perusahaan adalah berbagi pengetahuan. Akan tetapi, pekerja yang adalah manusia memiliki kecenderungan malas untuk berbagi pengetahuan atau melakukan knowledge sharing and transfer kepada rekan kerja ataupun bawahannya di dalam perusahaan. Metode yang digunakan dalam pengumpulan data pada penelitian ini adalah wawancara dan observasi. Hasil dari penelitian ini adalah diketahui bahwa pada PT. Dunia Kimia Utama telah menerapkan proses knowledge sharing and transfer yang berupa Job Shadowing Program, Process Documentation, Storyboard, Mentoring Program, Information exchange, Best Practices Studies, Job rotation, dan Lesson learned debriefing, sedangkan proses yang lain belum diterapkan. Penelitian ini diharapkan dapat menjadi pertimbangan bagi PT. Dunia Kimia Utama ataupun perusahaan lain dalam melakukan proses knowledge sharing and transfer sebagai penunjang proses bisnis. Kata kunci : pengetahuan, knowledge sharing and transfer, perusahaan kimia 1.

Pendahuluan

Pengetahuan adalah keseluruhan keterampilan yang digunakan oleh manusia untuk memecahkan masalah[1]. Pengetahuan merupakan data dan informasi yang digabung dengan kemampuan, intuisi, pengalaman, gagasan serta motivasi dari sumber yang kompeten. Terdapat dua tipe pengetahuan, yaitu tacit knowledge dan explicit knowledge. Tacit knowledge adalah sesuatu yang tersimpan dalam otak manusia, sedangkan explicit knowledge adalah sesuatu yang terdapat dalam dokumen atau tempat penyimpanan lain selain di otak manusia[9]. Di dalam organisasi, pengetahuan merupakan hal yang penting untuk menunjang proses bisnis. Pengetahuan sebaiknya dibagikan kepada rekan kerja, kepada bawahan, bahkan dari bawahan kepada atasan, agar tercipta suasana kerja yang lebih nyaman dan produktif di dalam melakukan pekerjaan. Akan tetapi manusia memiliki kecenderungan malas untuk berbagi pengetahuan atau melakukan knowledge sharing and transfer kepada rekan kerja ataupun bawahannya di dalam perusahaan. Biasanya kemalasan tersebut diakibatkan oleh alasan yang sangat sederhana, yaitu agar tidak tersaingi (agar bertahan menjadi yang terpandai dalam

melakukan sesuatu), tidak ada media yang dianggap nyaman dalam berbagi pengetahuan yang dimiliki, bahkan takut tersingkirkan dari jabatannya karena digantikan oleh orang lain. Sifat manusia yang seperti itu menjadi tantangan bagi perusahaan, terutama di Indonesia yang kebanyakan dari perusahaan yang ada memiliki budaya malas dalam melakukan melakukan knowledge sharing and transfer. PT. Dunia Kimia Utama adalah salah satu anak perusahaan dari kelompok usaha PT. Lautan Luas, Tbk yang bergerak di bidang industri kimia dasar pertama dan satu-satunya di Provinsi Sumatera Selatan yang memproduksi asam sulfat (H2SO4) teknis dan aluminium sulfat (Al2(SO4)3.xH2O) dengan jumlah karyawan tetap sebanyak 119 orang dan buruh borongan sebanyak 52 orang. PT. Dunia Kimia Utama memiliki visi menjadi produsen asam sulfat dan alumunium sulfat terbaik di wilayah Sumatera, dan misi menjadi produsen asam sulfat dan alumunium sulfat terutama di wilayah Sumatera dengan nilai jual dan purna jual terbaik, melalui peningkatan kinerja kualitas, kesehatan dan keselamatan kerja, serta lingkungan secara berkesinambungan untuk menunjang pengembalian bagi stakeholder[2]. Karyawan pada PT. Dunia Kimia Utama berasal dari jenjang pendidikan yang berbeda,

325


mulai dari tamatan sekolah dasar (SD), menengah (SMP dan SMA), sampai perguruan tinggi. Selain jenjang pendidikan, karyawan juga berasal dari berbagai daerah di Indonesia yang memiliki latar belakang budaya yang berbeda. Mengingat jumlah karyawan pada perusahaan cukup banyak dan berasal dari berbagai bidang dan budaya tersebut, maka penulis tertarik untuk mengetahui bagaimana strategi perusahaan dalam mempererat komunikasi antar karyawan dan antara karyawan dengan atasan terutama dalam kegiatan bisnis sehari-hari. Penelitian ini dimaksudkan untuk mengetahui bagaimana PT. Dunia Kimia Utama dalam menerapkan knowledge sharing and transfer untuk mendukung kegiatan bisnis di dalam perusahaan. 2.

Metode Penelitian

Bagian ini berisi tentang metode dan dasar teori yang digunakan pada tulisan ini. 2.1

Pengumpulan Data Penulis memperoleh data primer dengan melakukan wawancara kepada beberapa narasumber dari PT. Dunia Kimia Utama Palembang. Wawancara dilakukan secara langsung dan tidak langsung. Secara langsung dilakukan dengan tatap muka, sedangkan secara tidak langsung dilakukan melalui media telekomunikasi seperti telepon dan percakapan online. Selain itu digunakan pula teknik observasi untuk mengetahui secara langsung proses bisnis yang terjadi pada PT. Dunia Kimia Utama. Observasi yang penulis lakukan diantaranya melakukan pengamatan terhadap aplikasi yang digunakan dan kegiatan bisnis yang dilakukan perusahaan. 2.2

Pengetahuan Menurut Hendrik (2003) pengetahuan merupakan data dan informasi yang digabung dengan kemampuan, intuisi, pengalaman, gagasan serta motivasi dari sumber yang kompeten[3]. Sedangkan menurut Becerra, pengetahuan adalah keseluruhan keterampilan yang digunakan oleh manusia untuk memecahkan masalah[1]. Terdapat 2 (dua) tipe pengetahuan, yaitu tacit knowledge dan explicit knowledge. Tacit knowledge adalah sesuatu yang tersimpan dalam otak manusia, sedangkan explicit knowledge adalah sesuatu yang terdapat dalam dokumen atau tempat penyimpanan lain selain di otak manusia[9]. 2.3

Manajemen Pengetahuan Menurut Uriarte (2008), knowledge management (manajemen pengetahuan) merupakan suatu proses konversi tacit knowledge menjadi explicit knowledge yang kemudian dibagikan kepada anggota dalam sebuah

326

organisasi. Manajemen pengetahuan merupakan proses suatu organisasi menciptakan nilai yang bersumber dari aset organisasi yang berbasis pada pengetahuan dan intelektual[8]. Sedangkan menurut Peraturan menteri negara pendayagunaan aparatur negara dan reformasi birokrasi nomor 14 tahun 2011, manajemen pengetahuan atau knowledge management merupakan upaya untuk meningkatkan kemampuan organisasi dalam mengelola aset intelektualnya: pengetahuan dan pengalaman yang ada. Tujuannya tentu saja adalah memanfaatkan aset tersebut untuk mencapai kinerja organisasi yang lebih baik untuk mempercepat pencapaian tujuan pelaksanaan reformasi birokrasi [5]. Menurut Priambada, manajemen pengetahuan bertujuan untuk meningkatkan dan memperbaiki pengoperasian perusahaan dalam meraih keuntungan kompetitif dan meningkatkan marjin atau keuntungan perusahaan. Konsep manajemen pengetahuan pada sebuah perusahaan juga bertujuan untuk meningkatkan kinerja karyawan dengan cara menumbuhkan budaya berbagi pengetahuan di lingkungan perusahaan, dan menjadikan pengetahuan sebagai aset yang dapat dikelola sehingga dapat dikomunikasikan dan digunakan secara bersama[6]. Menurut Becerra, manajemen pengetahuan terdiri dari empat proses,yaitu [1]: 1. Knowledge Discovery: proses tranformasi pengetahuan tacit yang berasal dari data dan informasi atau perkembangan pengetahuan sebelumnya, untuk meningkatkan basis pengetahuan yang masih ada dan pemamfaatan pengetahuan dalam organisasi. 2. Knowledge Capture: mengambil pengetahuan baik tacit atau eksplisit yang ada disekitarnya. Proses ini bisa dilakukan dengan menangkap dari pengetahuan atau pengalaman orang lain baik secara langsung ke sumber atau melalui perantara artefak. Salah satu contoh Knowledge Capture adalah membaca buku. 3. Knowledge sharing:proses yang meliputi transfer pengetahuan yang terjadi dikelompok orang, baik pengetahuan tacit maupun explicit. Dari semua proses manajemen pengetahuan berbagi pengetahuan adalah proses yang paling sulit, karena banyak orang yang berpikir berbagi pengetahuan akan membuat diri mereka tidak unggul lagi. 4. Knowledge Application: proses penerapan pengetahuan seseorang baik pengetahuan tacit atau explicit pada kehidupan nyata. Manajemen pengetahuan dalam sebuah organisasi akan berjalan dengan baik apabila terbentuk budaya knowledge sharing. Budaya


knowledge sharing dapat dilaksanakan melalui beberapa tahapan, yaitu menciptakan pengetahuan, menangkap pengetahuan, menjaring pengetahuan, menyimpan pengetahuan, mengolah pengetahuan, dan mendistribusikan pengetahuan. Priambada menjelaskan bahwa berdasarkan SECI model, suatu transfer pengetahuan berlangsung berulang-ulang dan membentuk suatu siklus yang menyebabkan pengetahuan menjadi berkembang. Gambar 1 memperlihatkan bahwa terjadi empat proses dalam transfer pengetahuan, yaitu socialization, externalization, combination dan internalization[6].

Gambar 1. Transfer pengetahuan menurut SECI model[6] 2.4

Knowledge Sharing and Transfer Menurut Priambada, knowledge sharing and transfer dapat diartikan sebagai proses pertukaran pengetahuan antara beberapa orang yang saling berkepentingan atau yang tergabung di dalam komunitas[6]. Sedangkan menurut Sofian, secara sederhana knowledge sharing and transfermerupakan proses pertukaran pengetahuan antara beberapa orang yang saling berkepentingan atau yang tergabung di dalam komunitas. Perusahaan sadar akan pentingnya pengetahuan sebagai aset intangible yang sangat berharga untuk menciptakan dan mempertahankan keunggulan kompetitif perusahaan[7]. Pengetahuan adalah aset intangible yang sangat berharga untuk menciptakan dan mempertahankan keunggulan kompetitif perusahaan. Banyak faktor yang mempengaruhi keberhasilan sebuah proses knowledge sharing and transfer, antara lain teknologi, budaya organisasi, kepercayaan, dan intensif. Yang dapat menghambat jalannya knowledge sharing and transfer dapat timbul dari berbagai faktor, antara lain masalah dalam berkomunikasi, salah penafsiran, bahasa, teknologi, dan teknik yang digunakan. Salah satu faktor yang dapat mempengaruhi kesuksesan penerapan knowledge sharing and transfer dalam suatu perusahaan adalah pemilihan strategi yang tepat. Banyak cara yang dapat dilakukan oleh perusahaan dalam

mengidentifikasi, menyimpan, dan mentransfer pengetahuan. Strategi yang berhasil diterapkan pada satu perusahaan belum tentu dapat berhasil jika diterapkan untuk perusahaan lainnya. 2.4.1 Hambatan Dalam Berbagi Pengetahuan Berbagi pengetahuan di dalam perusahaan merupakan hal yang tidak bisa dianggap mudah. Akan tetapi pekerja dengan segala sifat kemanusiaannya memiliki kecenderungan malas untuk berbagi pengetahuan atau melakukan knowledge sharing and transfer kepada rekan kerja ataupun bawahannya di dalam perusahaan. Biasanya kemalasan tersebut diakibatkan oleh alasan yang sangat sederhana, yaitu agar tidak tersaingi (agar bertahan menjadi yang terpandai dalam melakukan sesuatu), tidak ada media yang dianggap nyaman dalam berbagi pengetahuan yang dimiliki,merasa hal berbagi pengetahuan tidak menguntungkan secara pribadi, bahkan takut tersingkirkan dari jabatannya karena digantikan oleh orang lain. Uriarte (2008) berpendapat bahwa hambatan utama implementasi manajemen pengetahuan adalah perusahaan mengabaikan faktor budaya dan manusia. Dalam sebuah organisasi, pengetahuan individu merupakan hal yang sangat bernilai,oleh karena itu harus tercipta sebuah budaya saling berbagi tacit knowledge yangdimiliki oleh setiap karyawan kepada karyawan yang lain[8]. 2.4.2 Strategi Keberhasilan Knowledge Sharing and Transfer Menurut William J Rothwell, ada 12 strategi untuk keberhasilan knowledge sharing and transfer yaitu [9]: 1. Job Shadowing Program, strategi knowledge sharing and transfer dari satu orang atau grup ke orang atau grup lainnya. Dalam penerapannya, orang yang sudah mempunyai pengalaman (veteran) akan dipasangkan dengan orang baru. Para veteran ini akan diminta untuk membagikan pengetahuannya dalam menghadapi permasalahan-permasalahan sulit yang pernah dihadapinya kepada orang baru yang telah dipasangkan dengannya. 2. Communities of Practice (COP), sebuah grup yang dibentuk untuk membagikan informasi tentang suatu masalah, isu, atau topik. Komunitas ini dapat melakukan pertemuannya secara langsung atau online. 3. Process Documentation, meliputi pembuatan flowchart tentang bagaimana pekerjaan tersebut dikerjakan. Proses dokumentasi yang jelas akan sangat bermanfaat dalam menyimpan dan mentransfer pengetahuan dari pekerja yang

327


4.

5.

6.

7.

8.

9.

10.

11.

328

berpengalaman kepada pekerja yang mempunyai sedikit pengalaman. Critical Incident Interview, teknik ini diterapkan pada tahun 1950an yang merupakan proses penggalian pengetahuan tentang kejadian-kejadian penting yang dialami oleh para pekerja melalui sebuah proses wawancara atau pengisian kuesioner. Pengetahuan yang didapat dari proses ini antara lain adalah tindakan apa saja yang dilakukan dalam menghadapi situasi yang terjadi dan apa hasil dari tindakan tersebut. Critical incident interview sangat bermanfaat bagi perusahaan dalam menghadapi situasi sulit yang kemungkinan akan terjadi kembali dalam waktu yang akan datang. Expert System (ES), biasanya bersifat otomatis dan telah dimodelkan. ES berisi masalah – masalah yang sering terjadi atau masalah umum dan bagaimana cara mengatasi masalah tersebut. Job Aids, segala sesuatu yang dapat membantu orang dalam bekerja. Misalnya sebuah check list. Pengetahuan dapat disimpan pada job aid dan dapat diakses kapan saja oleh orang lain pada saat kebutuhan timbul. Storyboard, kumpulan dari gambar berurutan yang menceritakan sebuah kejadian atau proses. Teknik ini dapat diaplikasikan untuk pembuatan gambar atau diagram tentang apa yang harus dilakukan dan bagaimana caranya. Mentoring Program. Mentor biasanya orang yang mempunyai pengalaman yang banyak. Biasanya orang-orang yang sukses mempunyai beberapa mentor dalam hidupnya. Mentor ini memberikan saran tentang apa yang harus dilakukan, bagaimana melakukannya, dan mengapa itu penting untuk dilakukan di dalam kondisi yang sedang dihadapi. Storytelling. Teknik ini  bersifat kurang terstruktur apabila dibandingkan dengan critical incident tetapi menghasilkan hasil yang sama. Information exchange.  Strategi ini diterapkan dengan cara pekerja yang telah berpengalaman duduk dalam suatu tempat dan memberikan pengetahuan kepada para pekerja yang belum berpengalaman yang mendatanginya dalam tempat tersebut. Electronic Performance Support System (EPSS), sebagian besar orang menilai bahwa EPSS adalah strategi atau metode yang paling memuaskan untuk menyimpan dan mentransfer pengetahuan. EPSS adalah sebuah sistem yang menggabungkan artificial intelligence,

12.

expert system, real time e-learning system, dan computer-based referencing system. Ketika sebuah pengguna mengalami masalah, dia dapat mengakses sluruh kebijakan atau prosedur melalui referencing system, mendapatkan masukan dari pengalaman pendahulunya melalui expert system, dan dapat juga belajar melalui komponen pelatihan yang ada dalam sistem. Best Practices Studies. Best practices tidak selalu berasal dari perusahaan lain, tetapi juga bisa didapat dari dalam perusahaan itu sendiri. Best practice dapat dibagikan melalui rapat-rapat yang diadakan.

2.4.3 Strategi Tambahan Departemen Tenaga Kerja New York Amerika Serikat Selain 12 strategi yang telah dijelaskan sebelumnya, terdapat juga beberapa strategi lain yang dapat diterapkan pada proses knowledge sharing and transfer. Departemen Tenaga Kerja New York Amerika Serikat beranggapan bahwa ada 17 strategi yang dapat diterapkan dalam proses knowledge sharing and transfer[4]. Tambahan strategi tersebut adalah: 1. Expert interview. Sebuah sesi dimana para expert meluangkan waktunya untuk bertemu dengan orang lain untuk membagikan pengetahuan yang dimilikinya. 2. Internship. Sebuah pengaturan formal dimana para expert memberikan pengetahuannya kepada pemula pada waktu yang lamanya telah diatur. 3. Job rotation. Sebuah pelatihan dengan cara melakukan rotasi pekerjaan kepada para pekerja yang ada dalam organisasi. 4. Knowledge audit. Kegiatan ini dapat membantu sebuah perusahaan dalam mengidentifikasi aset pengetahuan yang dimiliki oleh perusahaan tersebut, termasuk juga pengetahuan apa yang dimiliki dan pengetahuan apa yang dibutuhkan. 5. Knowledge fair, merupakan sebuah acara yang menampilkan informasi tentang perusahaan atau informasi tentang sebuah topik. Acara ini dapat dilakukan secara internal untuk memberikan sebuah forum untuk membagikan informasi, atau dapat dilakukan secara eksternal untuk melatih pelanggan atau para pemegang saham akan infromasi penting yang diperlukan. 6. Knowledge map. Katalog informasi atau pengetahuan ini berada di dalam perusahaan yang memberikan keterangan dimana letak informasi atau pengetahuan


7.

tersebut. Katalog ini hanya menunjukan informasi atau pengetahuan tetapi tidak berisi tentang informasi atau pengetahuan tersebut. Lesson learned debriefing. Merupakan kegitaan tanya jawab untuk mengidentifikasi, menganalisis, dan menangkap pengalaman apa yang berhasil dan apa yang butuh untuk dikembangkan sehingga orang lain dapat belajar dari pengalaman yang telah terjadi.

Strategi yang telah dipaparkan di atas dapat diterapkan pada perusahaan dengan tingkat keberhasilan yang berbeda satu dengan yang lain. Perbedaan ini terjadi karena ada faktor-faktor yang mempengaruhi akan keberhasilan sebuah knowledge sharing and transfer, yaitu teknologi, budaya organisasi, kepercayaan, dan intensif. Pedoman penting dalam kesuksesan sebuah knowledge sharing and transfer adalah menciptakan sebuah lingkungan yang dapat dipercaya dalam sebuah perusahaan. 3.


Bagian ini berisi tentang profil perusahaan dan hasil dari penelitian yang telah dilakukan pada PT. Dunia Kimia Utama terkait knowledge sharing and transfer. 3.1

Profil PT. Dunia Kimia Utama PT. Dunia Kimia Utama adalah salah satu anak perusahaan dari kelompok usaha PT. Lautan Luas, Tbk. Perusahaan berlokasi di Palembang dan Indralaya. Kantor pemasaran berada di Palembang, sedangkan kantor pusat dan pabrik yang berada di Indralaya. Perusahaan bergerak di bidang industri kimia dasar dan merupakan perusahaan manufaktur bahan kimia dasar pertama dan satu-satunya di Provinsi Sumatera Selatan. Perusahaan memproduksi asam sulfat (H2SO4) teknis dan aluminium sulfat (Al2(SO4)3.xH2O) dengan jumlah karyawan tetap sebanyak 119 orang dan buruh borongan sebanyak 52 orang. PT. Dunia Kimia Utama memiliki visi menjadi produsen sulfuric acid dan alumunium sulfat terbaik di wilayah Sumatera, dan misi menjadi produsen sulfuric acid dan alumunium sulfat terutama di wilayah Sumatera dengan nilai jual dan purna jual terbaik, melalui peningkatan kinerja kualitas, kesehatan dan keselamatan kerja, serta lingkungan secara berkesinambungan untuk menunjang pengembalian bagi stakeholder[2]. Untuk menjalankan visi dan misi tersebut, PT. Dunia Kimia Utama memiliki strategi bisnis, yaitu menjaga kepercayaan pelanggan dan berusaha memiliki integritas yang terbaik. Sebagai satu-satunya perusahaan penghasil asam

sulfat dan alumunium sulfat di Sumatera Selatan, PT. Dunia Kimia Utama memiliki kesempatan besar untuk meningkatkan hasil produksi dan memperluas pangsa pasar ke seluruh wilayah Sumatera khususnya Sumatera bagian Selatan. Hal ini terbukti dengan banyaknya perusahaan besar daerah yang mengandalkan PT. Dunia Kimia Utama sebagai pemasok bahan baku diantaranya PT. Pusri, PT. Pertamina, GGPC Lampung, PT. TEL, PT. Lontar Papyrus, CV. Sari Dunia, PD. Cahaya Obor, dan beberapa PDAM seperti PDAM Tirta Musi, PDAM Tirta Mayang, PDAM Ogan Komering Ulu, PDAM Ogan Ilir, dll[2]. 3.2

Knowledge Sharing and Transfer pada PT. Dunia Kimia Utama Berdasarkan penelitian yang telah dilakukan melalui observasi dan wawancara pada staff yang bekerja pada PT. Dunia Kimia Utama, manajemen telah memilih cara sendiri dalam pentransferan pengetahuan di lingkungan perusahaan. Cara-cara yang dilakukan oleh PT. Dunia Kimia Utama dalam mendukung proses knowledge sharing and transfer dapat dikelompokkan sebagai berikut: 1. Job Shadowing Program Perusahaan telah menggunakan cara ini sejak lama, yaitu mempertahankan pegawai yang sudah pensiun di dalam perusahaan dengan memberikan intensif kepada pensiunan terkait sebagai imbalannya. Tujuannya adalah agar pensiunan dapat membagikan pengetahuannya terkait pekerjaan kepada penerusnya. Saat penulis melakukan wawancara, masih ada satu orang pensiunan yang dipertahankan walaupun seharusnya sudah pensiun sejak September 2013 lalu. 2. Process Documentation Perusahaan menugaskan orang tertentu untuk melakukan pendokumentasian bagaimana sebuah pekerjaan dikerjakan. Hal tersebut dituangkan dalam dokumen WI (work instruction) dan segala kegiatan di dalam perusahaan, baik di pabrik ataupun kantor harus mengikuti prosedur yang tercatat dalam dokumen WI tersebut. 3. Storyboard Beberapa prosedur kerja di dalam perusahaan juga dituangkan ke dalam bentuk gambar seperti prosedur evakuasi bila terjadi kebakaran, prosedur menggunakan alat berat, prosedur mengangkat beban, prosedur pemesanan bahan baku, dan prosedur penjualan. Gambar-gambar tersebut ditempelkan di beberapa tempat yang mudah dilihat pekerja.

329


4.

5.

6.

7.

8.

4.

Mentoring Program Perusahaan giat melakukan kegiatan mentoring seperti pelatihan dan seminar bagi pihak manajemen dan karyawannya. Selain pelatihan dan seminar terkait dengan bisnis, perusahaan juga menyediakan pelatihan dan seminar yang terkait dengan kehidupan sosial seperti mengikutsertakan karyawannya dalam seminar kepribadian yang diselenggarakan oleh School of Life Palembang. Seminar ini diadakan tiap satu semester sekali oleh hampir seluruh karyawan. Pelatihan rutin lainnya yaitu dari PMI, Lloyd, ISO, OHSAS, pelatihan keamanan bekerja, pelatihan bahan berbahaya, dan berbagai pelatihan internal. Information exchange Perusahaan beberapa kali mengirimkan karyawannya untuk belajar pada perusahaan induknya di Jakarta yaitu PT. Lautan Luas, Tbk untuk belajar kepada karyawan yang telah berpengalaman di bidang tertentu. Program yang terbaru diadakan pada bulan Desember tahun 2013. Best Practices Studies Yang menjadi Best Practises bagi PT. Dunia Kimia Utama adalah perusahaan induknya sendiri, yaitu PT. Lautan Luas, Tbk. Proses kerja, kebijakan, dan peraturan yang diterapkan pada perusahaan mengarah pada perusahaan induk. Job rotation Hal ini biasa dilakukan oleh beberapa perusahaan di Indonesia, begitu juga di PT. Dunia Kimia Utama. Hal ini ditujukan agar karyawan bisa menguasai tidak hanya satu bidang pekerjaan saja dan juga sebagai refreshing bagi karyawan yang bersangkutan. Lesson learned debriefing Kegiatan seperti ini dilakukan perusahaan dalam bentuk rapat bulanan untuk membahas hal-hal yang terjadi selama satu bulan, sebagai sarana evaluasi bersama, dan sebagai acuan jika hal yang sama terjadi lagi di lain waktu. Hasil dari rapat bulanan tersebut didokumentasikan oleh yang bertugas dalam bentuk notulen rapat. Selain rapat bulanan, perusahaan juga melakukan briefing harian bagi pekerja di pabrik yang biasa dipimpin oleh manajer pabrik atau supervisor pabrik. Kesimpulan

Berdasarkan uraian sebelumnya dapat disimpulkan bahwa PT. Dunia Kimia Utama telah menganggap bahwa proses transfer dan berbagi

330

pengetahuan merupakan hal yang penting dan harus dilakukan secara terus menerus untuk kemajuan perusahaan. Beberapa hal yang telah dilalakukan perusahaan terkait dengan knowledge sharing and transferdi antaranya adalah Job Shadowing Program, Process Documentation, Storyboard, Mentoring Program, Information Eexchange, Best Practices Studies, Job Rotation, dan Lesson Learned Debriefing. Kegiatan-kegiatan tersebut merupakan kegiatan yang sangat positif dan harus dipertahankan oleh perusahaan agar perusahaan dapat bertahan dalam persaingannya dengan perusahaan sejenis dan perusahaan dapat mewujudkan visinya.Perusahaan dapat menjalankan beberapa proses knowledge sharing and transfer yang belum dilakukan dengan menyesuaikan keadaan pada perusahaan. 5.

Saran

Penelitian ini tidak lepas dari kekurangan, metode yang digunakan dalam mengumpulkan masalah hanya wawancara dan observasi sehingga diharapkan ada penelitian sejenis yang dilakukan oleh peneliti selanjutnya terkait hal yang sama di perusahaan yang sama dengan metode penelitian yang lain, misalnya dengan menggunakan kuisioner yang diisi oleh populasi di dalam perusahaan. Penulis selanjutnya juga dapat melakukan penelitian dengan metode yang sama pada perusahaan lain sehingga dapat memperkaya referensi di bidangknowledge sharing and transfer. Daftar Pustaka: [1] Becerra-Fernandez, et al, 2004,Knowledge Management: Challenge, Solutions, and Technologies, New Jersey, Prentice Hall. [2] Dokumen PT. Dunia Kimia Utama, 2012. [3] Hendrik, 2003, Sekilas Tentang Knowledge Management, Ilmukomputer.com. [4] New York State Departement of Civil Service,2004, Knowledge Transfer Strategies, IPMA New. [5] Peraturan menteri negara pendayagunaan aparatur negara dan reformasi birokrasi nomor 14 tahun 2011. [6] Priambada D. Boy, 2010, Implementasi Knowledge Management System di Perusahaan, Bogor, Program Pascasarjana Ilmu Komputer IPB. [7] Sofian, J. 2013. Menilik Strategi Knowledge Sharing & Transfer Dalam Perusahaan. Tersedia [online]: http://jsofian.wordpress.com/2013/01/01/pili h-pilih-strategi-knowledge-sharing-transferdalam-perusahaan/. Diakses: 27 Oktober 2013.


[8] Uriarte A. Filemon, 2008, Introduction to Knowledge Management, Jakarta, ASEAN Foundation.

[9]

Rothwell J William, 2004, Knowledge Transfer: 12 Strategies for Succession Management, Virginia, IPMA-HR News.

331


PERANCANGAN DAN PEMBUATAN BAHAN AJAR PEMETAAN KEKAYAAN BUDAYA INDONESIA MENGGUNAKAN PROGRAM JAVA NEATBEANS 6.9 Evri Ekadiansyah STMIK Potensi Utama Jl. K.L. Yos Sudarso Km. 6.5 No.3-A, Tanjung Mulia, Medan, Indonesia Email : evrie1409@gmail.com

Abstrak Mengingat banyaknya perangkat lunak pembelajaran berwawasan asing, membuat ketakutan akan hilangnya wawasan nusantara pada siswa dan siswi yang umumnya, khususnya mengenai budaya dan adat istiadat yang ada pada tiap tiap provinsi di Indonesia yang jumlahnya cukup banyak dan memiliki ribuan budaya yang sulit untuk diingat secara keseluruhan. Saat ini media pembelajaran bukan hal baru untuk dikembangkan dan diaplikasikan, karena aplikasi media pembelajaran tersebut merupakan bagian dari segala bentuk informasi yang mampu menyajikan komponen suara, gambar, animasi, video dan teks menjadi sesuatu yang bermanfaat untuk suatu kepentingan. Media pembelajaran sebagai segala sesuatu yang dapat menyampaikan dan menyalurkan pesan dari sumber secara terencana sehingga tercipta lingkungan belajar yang kondusif dimana penerimanya dapat melakukan proses belajar secara efisien dan efektif. Aplikasi ini dibuat untuk meningkatkan wawasan siswa dan siswi terhadap kekayaan kebudayaan Indonesia yang merupakan bentuk untuk meningkatkan rasa nasionalisme bagi siswa dan siswi. Kata Kunci : Media Pembelajaran, Pemetaan Kekayaan Budaya Indonesia dan Java Neatbean 6.9 1.

Pendahuluan

Dalam perkembangan teknologi hal yang paling mendasar dapat dilihat dari seberapa peranan teknologi dapat mengubah pola pikir manusia untuk bertindak. Begitu juga dengan perkembangan teknologi perangkat lunak, dimana manusia selalu memiliki kebutuhan tersendiri untuk menyelesaikan masalahnya baik dalam hal membantu menyusun pekerjaan, pemberian solusi, penentuan keputusan serta sampai pada perangkat lunak yang sifatnya memberikan didikan. Kemampuan daya mengingat manusia yang sifatnya terbatas semakin menjadikan perkembangan teknologi perangkat lunak meluas. Mengingat banyaknya perangkat lunak pembelajaran dari pengembang dan perusahaan asing yang membangun perangkat lunak pembelajaran berwawasan asing. Meningkatkan ketakutan akan hilangnya wawasan nusantara pada siswa dan siswi yang umumnya menggunakan perangkat pembelajaran berbahasa dan bergaya asing. Khususnya mengenai budaya dan adat istiadat yang ada pada tiap tiap provinsi di Indonesia yang jumlahnya cukup banyak dan memiliki ribuan budaya yang sulit untuk diingat secara keseluruhan.

332

2.

Tinjauan Pustaka

Konsep Dasar Media Pembela Awal perkembangannya media pembelajaran hanya dianggap sebagai alat bantu mengajar guru. Alat bantu yang dipakai adalah alat bantu visual, misalnya gambar, model, objek dan alat alat lain yang dapat memberikan pengalaman kongkrit, motivasi belajar serta mempertinggi daya serap dan retensi belajar siswa.. Media pembelajaran sebagai “segala sesuatu yang dapat menyampaikan dan menyalurkan pesan dari sumber secaraterencana sehingga tercipta lingkungan belajar yang kondusif dimana penerimanya dapat melakukan proses belajar secara efisien dan efektif”.[4] Mendeskripsikan “secara lebih khusus, pengertian media dalam proses belajar mengajar cenderung diartikan sebagai alat-alat grafis, photografis, atau elektronis untuk menangkap, memproses, dan menyusun kembali informasi visual atau verbal. Ringkasnya, media adalah alat yang menyampaikan atau menghantarkan pesanpesan pembelajaran”.[1] Dalam bukunya yang dikutip dari Gagne (1970) menyatakan bahwa media adalah berbagai jenis komponen dalam lingkungan siswa yang dapat merangsangnya untuk belajar.[8] Media adalah bentuk-bentuk komunikasi baik tercetak maupun audio visual serta peralatannya. Media hendaknya dapat


dimanipulasi, dapat dilihat, dapat didengar dan dibaca. Apa pun batasan yang diberikan, ada persamaan di antara batasan tersebut yaitu bahwa media adalah segala sesuatu yang dapat digunakan untuk menyalurkan pesan dari pengirim ke penerima sehingga dapat merangsang pikiran, perasaan, perhatian dan minat serta perhatian siswa sedemikian rupa sehingga proses belajar terjadi. 3.

Analisa dan Perancangan Sistem

a.

Analisis Sistem Analisis sistem adalah kegiatan untuk melihat sistem yang sudah berjalan, melihat bagian mana yang harus dan tidak bagus, dan kemudian mendokumentasikan kebutuhan yang akan dipenuhi dalam sistem yang baru.[6] Analisis sistem merupakan suatu prosedur yang dilakukan untuk pemeriksaan masalah dan penyusunan alternatif pemecahan masalah yang timbul serta membuat spesifikasi sistem yang baru atau sistem yang akan diusulkan dan memodifikasi.[9] Analisis sistem didefinisikan oleh sebagai “penguraian dari suatu sistem informasi yang utuh ke dalam bagian-bagian komponennya dengan maksud untuk mengindentifikasikan dan mengevaluasi permasalahanpermasalahan, kesempatan-kesempatan, hambatan-hambatan yang terjadi, dan kebutuhan-kebutuhan yang diharapkan sehingga dapat diusulkan perbaikanperbaikannya”.[2] b.

Perancangan Sistem Desain atau perancangan dalam pembangunan perangkat lunak merupakan upaya untuk mengonstruksi sebuah sistem yang memberikan kepuasan (mungkin informal) dan spesifikasi kebutuhan fungsional, memenuhi target, memenuhi kebutuhan secara implisit atau eksplisit dari segi performansi maupun penggunaan sumber daya, kepuasan batasan pada proses desain dari segi biaya, waktu, dan perangkat. Kualitas perangkat lunak biasanya dinilai dari segi kepuasan pengguna perangkat lunak terhadap perangkat lunak yang digunakan. [7] Maksud dari pembuatan desain sistem ini adalah untuk memperbaiki kekurangan atau masalah-masalah yang ada pada sistem informasi yang lama.[3] c.

Pengembangan Sistem Pengembangan sistem (system development) dapat berarti menyusun suatu sistem yang baru untuk menggantikan sistem yang lama secara keseluruhan atau memperbaiki sistem yang telah ada. [7]

d.

Kekayaan Budaya 1) Budaya Kata Kebudayaan atau budaya adalah kata yang sering dikaitkan dengan Antropologi. Secara pasti, Antropologi tidak mempunyai hak eksklusif untuk menggunakan istilah ini. Konsep ini memang sangat sering digunakan oleh Antropologi dan telah tersebar kemasyarakat luas bahwa Antropologi bekerja atau meneliti apa yang sering disebut dengan kebudayaan. Seringnya istilah ini digunakan oleh Antropologi dalam pekerjaan-pekerjaannya bukan berarti para ahli Antropolgi mempunyai pengertian yang sama tentang istilah tersebut. Seorang Ahli Antropologi yang mencoba mengumpulkan definisi yang pernah dibuat mengatakan ada sekitar 160 defenisi kebudayaan yang dibuat oleh para ahli Antropologi. Tetapi dari sekian banyak definisi tersebut ada suatu persetujuan bersama diantara para ahli Antropologi tentang arti dari istilah tersebut. Salah satu definisi kebudayaan dalam Antropologi dibuat seorang ahli bernama Ralph Linton yang memberikan defenisi kebudayaan yang berbeda dengan pengertian kebudayaan dalam kehidupan sehari-hari. Kebudayaan adalah seluruh cara kehidupan dari masyarakat dan tidak hanya mengenai sebagian tata cara hidup saja yang dianggap lebih tinggi dan lebih diinginkan.[5] 2) Dasar Kekayaan Budaya Sejak tahun 1945, Indonesia beserta seluruh penduduknya telah menyatakan diri dan diakui oleh hampir seluruh Negara yang ada di dunia sebagai suatu Negara yang merdeka dan berkedaulatan; tahun 1945 sebenarnya adalah proses kesinambungan dari tahun-tahun sebelumnya yang dimulai dari berbagai pemikiran dan pergerakan sebelum tahun 1928 yang secara resmi seluruh penduduk pribumi Indonesia menyatakan diri sebagai satu bangsa : bangsa Indonesia; satu tanah air : tanah air Indonesia; satu bahasa : bahasa Indonesia, yang semuanya dituangkan dalam kesepakatan para pemuda Indonesia. Ini disebut sebagai kebudayaan – kebudayaan bersama, kebudayaan nasional. Pada saat-saat menjelang kemerdekaan, keinginan untuk merdeka dari penguasaan orang asing (Belanda) dan hak untuk menentukan nasibnya sendiri sedemikian kuat, sampaisampai segenap orang seolah melupakan perbedaan yang tajam diantara mereka apakah itu latar belakang budaya (kelompok etnik), agama, ras, golongan dan perbedaan lain yang dalam keadaan normal sebenarnya sangat potensil sebagai sumber pertentangan. Setelah kemerdekaan, semangat untuk menjungjung nilai-nilai persatuan dan kesatuan dijadikan modal dasar dalam menggalang kehidupan bersama dan bernegara, hanya saja sekarang tujuannya tidak lagi membebaskan diri dari

333


cengkraman penjajahan asingmelainkan meneruskan cita-cita perjuangan untuk menjadi Negara dan bangsa Indonesia yang kuat dan besar sesuai dengan nilai-nilai hakiki seperti yang tertuang dalam Pancasila dan UUD 1945. Konsep tentang kebudayaan Indonesia yang kemudian diperjelas menjadi kebudayaan nasional (Indonesia) atau kebudayaan bangsa bukan merupakan pembahasan baru dalam konteks kehidupan masyarakat Indonesia.[5] Analisa Kebutuhan aplikasi Media Pembelajaran Saat ini media pembelajaran bukan hal baru untuk dikembangkan dan diaplikasikan, karena aplikasi media pembelajaran tersebut merupakan bagian dari segala bentuk informasi yang mampu menyajikan komponen suara, gambar , animasi, video dan teks menjadi sesuatu yang bermanfaat untuk suatu kepentingan. Penggunanaan media pembelajaran sebagai alat bantu pembelajaran merupakan hal yang menarik dan perlu dikembangkan sehingga sesuatu yang akan disampaikan lebih mudah dan dimengerti Rancangan aplikasi ini dirancang dengan menggunakan kombinasi dari beberapa software sangat banyak program aplikasi yang dikembangkan untuk menciptakan sebuah media pembelajaran yang interaktif. Namun, software utama yang digunakan untuk menyajikan berbagai output dari software lainnya adalah bahasa pemrograman Java Netbenas 6.9. 1. Analisa Pengguna Media Pembelajaran Pengguna terhadap media pembelajarankekayaan budaya sendiri terbatasi oleh pemahaman, dimana pengguna nantinya yang dapat menggunakan adalah kalangan pelajar yang mulai bisa paham membaca dan mengingat akan bentuk dan warna. Media pembelajaran kekayaan budaya ini dirancang untuk mempermudah bagi mereka yang ingin belajar untuk mengingat kekayaan budaya yang dimiliki indonesia tanpa harus membaca buku yang sifatnya hanya menyajikan teks. Yang dimana kebanyakan dari para pelajar saat ini membutuhkan sebuah media yang lebih menyenangkan. 2. Analisa Kerja Media Kekayaan Budaya

Pelajar

Pembelajaran

Perancangan dan Pembuatan Bahan Ajar Pemetaan Kekayaan Budaya Indonesia

Gambar 1. Diagram Konteks

334

Pengajar

Keterangan : Dalam penguraian diagram konteks diatas terdapat beberaapa komponen inti dalam aplikasi bahan ajar pemetaan kekayaan budaya Indonesia, adapun diantaranya adalah sebagai berikut : 1) Pelajar : pelajar merupan entitas yang memberikan input kepada media pembelajaran. 2) Pengajar : merupakan entitas yang memberikan kontrol nilai dan evaluasi soal kedalam klik pilihan Provinsi <>

Pelajar

Stelan suara

view informasi konten budaya

masukan pilihan <>

proses perhitungan hasil

<>

Pengajar

modul materi

Gambar 2. Use Case Diagram Keterangan : Dalam penjabaran bahan ajar pemetaan kekayaan budaya indonesia terdapat pemecahan aktor menjadi dua yaitu aktor pelajar dan pengajar. Terdapat dua subsistem yaitu subsistem pemberi informasi dan pengevaluasi. Dan terdapat case yang dilakukan oleh masing masing aktor kedalam sistem. Perancangan Sistem Perancangan perangkat lunak sangat diperlukan karena rancangan tersebut adalah langkah awal bagaimana program itu akan dibuat dan menuangkannya kedalam bahasa pemrograman. Dalam media pembelajaran perancangan yang benar menjadi sebuah keharusan sebab tanpa perancangan dan desain interface yang baik pengguna tidak akan mendapat informasi yang maksimak dalam media pembelajaran wawasan kekayaan budaya indonesia.Pembangunan ini dimanfaatkan untuk membangun media pembelajaran, seperti dalam hal pembuatan basisdata kekayaan budaya tiap-tiap provinsi di indonesia, sedangkan bagian yang memberikan evaluasi adalah bagian yang bertindak sebagai pemberipengevaluasi dengan beberapa ketentuan variabel yang telah ditetapkan. Untuk lebih jelasnya Perancangan perangkat lunak media pembelajaran dapat dilihat pada gambar berikut:


Antarmuka

Menampilkan informasi

Evaluasi pengetahuan

Hasil evaluasi

Gambar 3. Arsitektur Media Pembelajaran Rancangan Antarmuka Perancangan antarmuka merupakan sarana yang menghubungkan antara sistem dengan pengguna. Perancangan antar muka memungkinkan pengguna untuk berinteraksi dengan sistem.meskipun kekuatan dari sebuah aplikasi bahan ajar terletak pada informasi yang diberikan, tetapi tanpa interface yang baik maka sistem tidak akan optimal memberikan informasi dan wawasan kebudayaan bagi pengguna. Berikut ini adalah interface yang akan digunakan : 1) Perancangan Form awal Merupakan rancangan tampilan awal dimana sistem menampilkan menu untuk main kedalam bahan ajar dan melakukan evaluasi pengetahuan. Dihalaman awan terdapat beberapa setelan awal untuk bermain seperti suara dan kecerahan layar. a. Flowchart halaman awal START

Gambar 5. Tampilan halaman awal

Gambar 6. Tampilan halaman suara 2) Rancangan halaman main Rancangan halaman main merupakan halaman yang menampilkan bentuk peta Indonesia yang tiap provinsinya dibedakan atas warna dan dapat di klik untuk menampilkan informasinya. a)

Flowchart halaman main START

Halaman awal : 1. main 2. tentang 3. suara 4. bantuan

Halaman main 1. klik peta 2. evaluasi 3. keluar

Klik provinsi

evaluasi

keluar

Proses main

1. main

2.tentang

3. suara

4.bantuan Informasi kontent kebudayaan

Main lagi

Proses main

Halaman tentang

Setelan suara

Halaman bantuan END

Gambar 7. Flowchart Halaman Main END

Gambar 4. Flowchart halaman awal b. Rancangan halaman awal

335


b)

Rancangan halaman main

START

Proses pembacaan soal evaluasi

Input jawaban

Proses pengecekan jawaban

Hasil menampilkan tingkat pengetahuan

Gambar 8. Halaman Main

Ulang evaluasi

3) Rancangan halaman konten informasi Rancangan halaman konten informasi merupakan halaman yang menampilkan seluruh konten informasi yang berkaitan tiap tiap provinsi. a)

main

keluar

END

Gambar 10. Flowchart halaman evaluasi b)

tampilan halaman evaluasi

Flowchart halaman konten informasi START

Informasi kontent 1, evaluasi 2. kembali / main

Gambar 11. Tampilan halaman evaluasi Prosem menampilkan konten kekayaan budaya

Kembali main

evaluasi

3.1 Demontrasi Bahan Ajar Demontrasi program merupakan tahap penyajian tampilan program yang telah dirancang, dimana nantinya tampilan ini dijadikan sebagai alat acuan untu mendemonstrasikan aplikasi bahan ajar pemetaan kekayaan budaya Indonesia 1. Tampilan Halaman Utama

END

Gambar 9. Flowchart konten informasi 4) Rancangan halaman evaluasi Rancangan halaman evaluasi adalah halaman yang menampilkan soal soal evaluasi dalam bentuk pilihan berganda yang nantinya akan menghasilkan informasi wawasan evaluasi kebudayaan Indonesia. Gambar 12. Hamalam Utama a)

flowchart halaman evaluasi Halaman utama merupakan halaman dimana terdapat uraian gambar komponen yang akan digunakan dalam pengoperasian sistem. Terdapat

336


kontrol volume suara, latarbelakang musik dan pengaturan layer.

Gambar 13. Hamalam kontrol Suara

Gambar 15. Halaman Soal Evaluasi

Tampilan halaman suara merupakan halaman untuk memanggil atau memilih suara yang akan melatarbelakangi pengguna saat bermain suara ini dibagi atas lagu –lagu daerah yang mewakili tiap-tiap provinsi. 2.

Tampilan Halaman Main Halaman ini merupakan halaman dimana sistem memodelkan peta Indonesia yang tebagi atas tiga puluh tiga provinsi. Dimodelkan dalam bentuk yang dibedakan atas warna. Dimana saat tiap provinsi dilakukan klik gambar maka konten informasi akan menampilkan informasi kekayaan budaya yang terkait tentang provinsi tersebut. Dalam halaman Main terdapat beberapa sub menu yang berkaitan dengan penambahan kontent. Sub menu berkaitan dengan menu tambah, Bantuan, Keluar.

Gambar 16. Halaman Skor 4.

Kesimpulan Setelah menyelesaikan perancangan dan pembuatan bahan ajar pemetaan kekayaan budaya Indonesia dengan Java Netbeans 6.9, penulis menarik kesimpulan sebagai berikut : a.

b.

Gambar 14. Halaman Main Tampilan Halaman Evaluasi Tampilan halaman evalusi wawasan kebudayaan merupakan halaman untuk menampilkan seluruh soal latihan yang akan digunakan untuk melatih pengguna, dimana nantinya pengguna yang bertindak sebagai user akan mengetahui seberapa wawasab pengetahuannya terhadap wawasan kebudayaan di Indonesia yang telah pengguna baca dan lihat pada halaman main.

c.

3.

d.

e.

f.

Bahan ajar kekayaan budaya ini dapat digunakan untuk memahami pembagian kebudayaan dan budaya berdasarkan pembagian provinsi diwilayah Indonesia serta suku dan hasil kebudayaannya. Bahan ajar kekayaan budaya dapat dijadikan sebagai media pendukung dalam proses pembelajaran imlu kebudayaan dasar. Bahan ajar kekayaan budaya mampu memenuhi kebutuhan funsional proses pembelajaran interaktif yang mulai dikembangnkan di Indonesia. Bahan ajar kekayaan budaya mampu memberikan penilaian dasar tentang pengguna mengenai seberapa besar wawasan yang mereka dapat atas penggunaan bahan ajar ini. Disimpulkan bahwa model peta yang digunakan dibagi atas provinsi yang ada diindonesia dan dibagi berdasarkan warna. Membantu penghematan dan memperkecil produksi buku khasanah budaya Indonesia.

337


Daftar Pustaka [1] Arsyad, Azhar. 2011. Media Pembelajaran. Jakarta : Raja Grafindo Persada [2] Jogiyanto, H.M. 2005. Analisis Dan Desain Sistem Informasi. Yogyakarta : Penerbit Andi. [3] Komputer Wahana, 2011, Membangun Aplikasi Bisnis Dengan Ide Netbeans 7, Semarang : Penerbit Andi. [4] Kurnia, Dendi Novy. 2012, Upaya Guru Dalam Pengunaan Media Pembelajaran Seni Budaya Sebagai Sarana Pendukung Dalam Pembelajaran Seni lukis Di SMA Negeri 2 Situbondo. Universitas Negeri Malang : Malang.

338

[5] Maryati Rita. 2012. Adat dan Budaya Khas Nusantara. Jakarta : Praninta Offset [6] Nugroho, A., 2005, Analisis dan Perancangan Sistem Informasi Dengan Metodologi Berorientasi Objek, Penerbit Informatka : Bandung. [7] Rosa As dan M.Shalahudin, 2013, Rekayasa Perangkat Lunak Pendekantan Terstruktur, Bandung : Informatika. [8] Sadiman, Arif.S . 2006. Media Pendidikan, Pengertian, Pengembangan, dan Pemanfaatannya Jakarta : PT Raja GrafidoPersada. [9] Sutabri, Tata. 2012. Analisa \ Sistem \ Informasi.Yogyakarta : Penerbit Andi.


SISTEM INFORMASI INVENTORI BARANG LABORATORIUM KOMPUTER BERBASIS ANDROID DI STMIK TASIKMALAYA Fitri Nuraeni 1, Teuku Mufizar2, Novan Ganda Holis Suparman3 1,2

Jurusan Teknik Informatika STMIK Tasikmalaya, Jl. RE Martadinata No. 272 A Tasikmalaya e-mail: 1nenk_ufit@gmail.com, 2fizargama@gmail.com, 3ganda.holis92@gmail.com 3

Abstrak Mobilitas pengolahan data sangat diperlukan untuk mempercepat pengolahan data inventori barang yang mencakup pendataan barang masuk, peminjaman dan pengembalian barang sampai informasi kondisi barang yang selalu di lakukan oleh bagian Pusat Komputer (PUSKOM) STMIK Tasikmalaya dalam hal pengelolaan 5 laboratoium komputer yang terletak di dua gedung yang berjauhan. Dengan populernya aplikasi berbasis android memungkinkan informasi inventori barang tersebut yang dapat diakses melalui perangkat smartphone kapan saja dan dimana saja. Sistem informasi inventori barang berbasis android ini dirancangan dengan menerapkan metode berorientasi objek yaitu Unified Modeling Language (UML) untuk dapat menggambarkan data dan proses menjadi kesatuan yg dinamakan objek[1]. Dengan adanya sistem inventori barang berbasis android ini, mampu memberikan solusi untuk menangani masalah penyajian informasi inventori barang karena pengolahan data inventori bias dilakukan dimana saja dengan perangkat smartphone tiap pegawai serta menampilkan informasi barang kapan saja saat dibutuhkan. Kata kunci : Mobilitas, Laboratorium Komputer, Inventori, Android 1.

PENDAHULUAN

Pengolahan data inventori barang di suatu instansi sangat penting bagi manajemen maupun staf yang mengelolanya. Sebuah sistem yang khusus mengolah keluar masuknya barang, serta laporan-laporannya sangatlah diperlukan bagi suatu instansi untuk keberlangsungan produktifitas di instansi tersebut. Adapun pentingnya di adakan sistem informasi inventori barang di suatu instansi untuk manajemen barang dalam jumlah yang banyak agar barang yang ada dapat terdokumentasi secara baik dan menyeluruh untuk menghindari kerugian di instansi terkait. Di STMIK Tasikmalaya, sistem informasi inventori barang di bagian Pusat Komputer (PUSKOM) khususnya di laboratorium sudah menggunakan komputer. Namun, hanya dengan aplikasi pengelola inventori barang yang bersifat stand alone mengurangi fleksibilitas kerja staf di bagian laboratorium komputer. Hal tersebut, terdapat 5 laboratorium komputer yang letaknya saling berjauhan sehingga dapat berakibat pengolahan data yang dilakukan akan memakan waktu lebih lama. Berdasarkan permasalahan tersebut, mobilitas dalam hal pengolahan data inventori barang tentu harus diperhatikan karena menyangkut kepada efektifitas kerja dan efisiensi waktu. Baru-baru ini hadir perangkat yang memiliki potensi dalam hal membantu menyelesaikan permasalahan tersebut, yaitu android yang mendukung penggunaan smartphone. Android ini

merupakan sistem operasi berbasis linux yang dirancang untuk perangkat layar sentuh seperti smartphone atau tablet[2]. Sistem operasi ini bersifat open source yang memungkinkan penggunanya dapat memanipulasi sistem bahkan menambahkan aplikasi secara bebas. Hal tersebut merupakan kesempatan untuk pengguna android membuat aplikasi yang dapat di akses secara bebas dan lebih luas. Dengan adanya teknologi ini, maka dapat dibuat sistem informasi inventori barang yang dapat diakses menggunakan smartphone berbasis android. Sistem yang dibuat menyimpan data pada server yang diakses menggunakan aplikasi yang dibuat berbasis web berfungsi sebagai penerima data. Sedangkan untuk fasilitas inputan data inventori barang dan menyajian informasinya dapat dilakukan melalui aplikasi yang dibuat berbasis android dan diakses menggunakan perangkat mobile. Dengan adanya sistem informasi tersebut sehingga pengolahan data dan penyajian informasi inventori barang dari 5 laboratorium komputer yang ada di STMIK Tasikmalaya dengan lebih mudah. Pada proses perancangan sistem ini menggunakan Unified Modeling Language (UML) yaitu bahasa standar yang digunakan untuk menjelaskan dan memvisualisasikan artifak dari proses analisis dan desain berorientasi objek. Pemodelan secara visual ini membantu untuk menangkap struktur dan kelakukan dari obyek, mempermudah penggambaran interaksi antar elemen dalam sistem dan mempertahankan

339


konsistensi antara desain dan implementasi dalam pemrograman[3]. Diagram yang digunakan untuk pemodelan sistem ini adalah use case diagram, activity diagram, class diagram, dan entity relationship diagram. Use case diagram digunakan untuk memodelkan proses bisnis berdasarkan persfektif pengguna sistem. Diagram ini terdiri dari use case dan actor. Actor menggambarkan orang yang mengoperasikan atau orang yang berinteraksi dengan sistem aplikasi. Use case merepresentasikan operasi-operasi yang dilakukan oleh actor[4]. Activity Diagram menggambarkan berbagai alur aktifitas dalam sistem yang sedang dirancang, bagaimana masing-masing alur berawal, decision yang mungkin terjadi dan bagaimana mereka berakhir. Activity Diagram juga dapat menggambarkan proses parallel yang mungkin terjadi pada beberapa eksekusi. Sama seperti State Diagrams, standar UML menggunakan segiempat dengan sudut membulat untuk menggambarkan aktifitas. Decicion digunakan untuk menggambarkan behavior pada kondisi tertentu. Untuk mengilustrasikan proses-proses parallel (fork dan join) diggunakan titik sinkronisasi yang dapat berupa titik, garis horizontal atau vertikal. Class diagram menunjukan hubungan antar class dalam sistem yang sedang dibangun dan bagaimana mereka saling berkolaborasi untuk mencapai suatu tujuan[3]. Class sesungguhnya merupakan deskripsi dari konsep yang dating dari bidang aplikasi yang sedang dikembangkan[5]. Entity relationship diagram (ERD) berhubungan dengan data didalam entitas dan hubungan antar entitas. Entitas adalah kumpulan konseptual field-field data yang saling berhubungan. Dengan ERD dapat mengungkapkan entitas-entitas mana yang sebaiknya secara konseptual dihubungkan dengan entitas yang lain[6]. 2.

Analisis Perancangan implementasi pengujian Pemeliharaan Gambar 1. Kerangka Kerja SDLC 1.

2.

3.

METODE PENELITIAN

Metode yang digunakan dalam perancangan system informasi ini adalah metode berorientasi objek dengan menggunakan tool Unified Modeling Language (UML) namun untuk langkah-langkah pengerjaannya mengadopsi proses pada system development life cycle (SDLC) seperti pada gambar 1 berikut.

340

Perencanaan

4.

Tahap Perencanaan Dalam tahap ini, dilakukan studi kebutuhan dari semua elemen sistem dan menganalisa keinginan user. meliputi input, proses hingga output, waktu pengerjaan , ukuran dan jumlah data yang ditangani dengan melakukan wawancara kepada kordinator inventori barang untuk mendapatkan data yang akurat. Pada tahapan ini, digunakan use case diagram untuk menangkap kebutuhan dan harapan pengguna[5]. Tahapan Analisis Tahapan analisa ini bertujuan mengenali segenap permasalahan pada sistem yang berjalan di bagian PUSKOM STMIK Tasikmalaya, mengenali komponenkomponen system, objek-objek dan hubungan antar objek tersebut. Tahapan Perancangan Dalam tahapan perancangan sistem informasi inventori barang ini digunakan tool Usecase, class diagram, ERD dan rancangan antar muka (interface). Implementasi Dalam tahap ini penulis merancang program dengan menggunakan coding berbasis bahasa pemrograman php dan java.

Bahasa pemrograman PHP digunakan untuk merancang web yang berfungsi sebagai penerima data inputan dari mobile android, sedangkan bahasa pemrograman java digunakan untuk merancang form yang bisa di akses secara mobile untuk melakukan proses input dalam pengolahan data inventori barang.


5.

6.

3.

Pengujian Dalam tahap ini setelah sistem selesai dirancang, dilakukan pengetesan terhadap sistem yang telah dibuat menggunakan metode black box. Pengujian ini bertujuan untuk mengetahui apakah sistem yang telah dibuat berjalan sesuai keinginan atau tidak. Pemeliharaan Setelah proses pengetesan sistem yang telah dibuat, maka tahap selanjutnya adalah pemeliharaan. Dalam tahap pemeliharaan, akan ada tahap perbaikan apabila sewaktuwaktu terjadi kegagalan sistem dan jika ada peningkatan sistem sebagai kebutuhan yang baru. HASIL DAN PEMBAHASAN

A. Use Case Diagram Sistem ini memiliki actor yaitu a) koordinator barang yang bertugas untuk mengolah data barang secara keseluruhan, b) koordinator setiap laboratorium yang bertanggung jawab untuk setiap barang yang ada dimasing2 lab dan c) ketua Puskom yang bertugas untuk mengawasi pengelolaan inventori barang.

Gambar 3. Diagram Activity Olah Data Barang Masuk 2. Olah Data Jenis Barang Activity Diagram yang diusulkan untuk perancangan sistem informasi inventori barang laboratorium di STMIK TASIKMALAYA di bagian Olah Data Jenis Barang seperti gambar 4.

Gambar 4. Diagram Activity Olah Data Jenis Barang

Gambar 2. Use Case Diagram Pada usecase diagram pada gambar 2, dapat dilihat bahwa setiap actor dapat melakukan pengolahan data inventori. Untuk setiap barang baru datang akan diinput oleh koordinator barang. Untuk pengelolaan peminjaman dan pengembalian barang serta pengecekan keadaan barang dilakukan oleh setiap koordinator lab. Sedangkan untuk pengaturan hak akses user dilakukan oleh Ketua PUSKOM. B. Activity Diagram 1. Olah Data Barang Masuk Activity Diagram yang diusulkan untuk perancangan sistem informasi inventori barang laboratorium di STMIK TASIKMALAYA di bagian Olah Data Barang seperti gambar 3.

3. Olah Data Peminjaman Barang Activity Diagram yang diusulkan untuk perancangan sistem informasi inventori barang laboratorium di STMIK TASIKMALAYA di bagian Olah Peminjaman Barang seperti gambar 5.

Gambar 5. Diagram Activity Olah Data Peminjaman Barang

341


4. Olah Data Cek Barang Activity Diagram yang diusulkan untuk perancangan sistem informasi inventori barang laboratorium di STMIK TASIKMALAYA di bagian Olah Data Cek Barang seperti seperti gambar 6. Koordinator Lab (Aktor)

Class Diagram adalah sebuah grafik presentasi dari gambaran yang statis yang menunjukan sekumpulan model elemen yang terdeklarasi (statis), seperti kelas, tipe, dan isinya serta hubungannya. Untuk merancang sistem informasi inventori barang ini, dibuat class diagram seperti pada gembar 8. D. ERD (Entity Relationship Diagram) Sedangkan untuk perancangan basis datanya menggunakan alat bernama ERD, yang menghasilkan gambaran entitas dan relasinya seperti pada gamabar 9. Id_jenis_barang Jenis_barang Dt_jenis_barang

Id_lab Terdiri

Nama_lab Merk Id_pengecekan

Tanggal_masuk

Kode_barang

Gambar 6. Diagram Activity Olah Data Peminjaman Barang

Terletak

Tanggal_pengecekan

kondisi

Dt_pengecekan

Dt_barang

Memiliki

Kode_barang spesifikasi

5. Olah Data Pengguna Activity Diagram yang diusulkan untuk perancangan sistem informasi inventori barang laboratorium di STMIK TASIKMALAYA di bagian Olah Data Pengguna seperti gambar 7. Ketua Puskom (Aktor)

Dt_lab posisi

Id_jenis_barang

Id_lab

Id_peminjaman Kode_barang Memiliki

Nama_peminjam Dt_peminjaman

Kondisi_kembali

Tanggal_pinjam Kondisi_pinjam

Tanggal_kembali

Gambar 9. ERD Inventori Barang Desain database Sistem Informasi Inventori Barang menggunakan 5 entitas, yaitu data barang, data jenis barang, data lab, data pengecekan barang, dan data peminjaman barang. Entitas data barang memiliki hubungan one to many dengan entitas data pengecekan dan data peminjaman. Entitas data jenis barang memiliki hubungan one to one dengan entitas data barang. Entitas data lab memiliki hubungan one to one dengan entitas data barang.

Gambar 7. Diagram Activity Olah Data Peminjaman Barang C. Class Diagram

Gambar 8. Class Diagram

342

D. Interface Pengolahan data inventori barang menggunakan aplikasi berbasis android yang dapat diakses menggunakan perangkat mobile. Aplikasi tersebut dibuat menggunakan bahasa java pada editor Eclipse yang merupakansebuah IDE (Integrated Development Environment) untuk mengembangkan perangkat lunak dan dapat dijalankan di semua platform (platformindependent). Layout program dapat dilihat pada gambar 10.


dapat diakses dengan mudah menggunakan media perangkat mobile. 5.

SARAN Sistem yang dirancangan masih memiliki kekurangan dari sisi pengguna, karena pengguna masih dibatasi untuk staf Puskom saja. Sedangkan untuk unit kerja lain di STMIK Tasikmalaya belum dapat mengakses langsung informasi data barang pada saat akan melakukan peminjaman barang ke bagian Puskom. Untuk pengembangan selanjutnya, diharapkan dapat memberikan fasilitas penyajian informasi data barang untuk unit kerja lainnya yang berhubungan. DAFTAR PUSTAKA [1] [2]

[3]

[4] Gambar 10. Layout program [5]

4.

KESIMPULAN

Dengan adanya sistem informasi inventori barang dengan berbasis android ini, telah dapat menyelesaikan masalah pengolahan data barang di setiap laboratorium komputer yang ada di STMIK Tasikmalaya, karena data dapat diinputkan pada satu server data dan informasi yang dibutuhkanpun

[6]

H. Al-Fatta, Analisis dan Perancangan Sistem Informasi. ANDI, 2007, p. 91 . J. Enterprise, Step By Step Ponsel Android. Jakarta: PT. Elex Media Komputindo, 2010, p. 1. J. Hermawan, Analisa Desain dan Pemograman Berorientasi Obyek dengan UML dan Visual Basic.NET. . M. F. Azis, Object Oriented Programming dengan PHP 5. Jakarta: PT. Elex Media Komputindo, 2005. A. Nugroho, Rekayasa Perangkat Lunak Berorientasi Objek dengan Metode USDp. Yogyakarta: ANDI, 2010, p. 318. R. Mc Leod and G. Sc P Shell, Sistem Informasi Manajemen. Jakarta: Salemba Empat, 2008, p. 572.

343


IMPLEMENTASI METODE ROUGH SET UNTUK PROMOSI RUMAH BERSALIN (STUDI KASUS : BIDAN SRI WAHYUNI KECAMATAN MEDAN MARELAN) Adil Setiawan Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan Email : adilsetiawan65@gmail.com

Abstrak Rumah Bersalin merupakan tempat persalinan dan pengobatan, semakin banyak jumlah pasiennya maka akan semakin banyak pasien yang dapat ditolong dalam proses persalinan dan pengobatan. Jika semakin banyak jumlah pasien yang dapat ditolong proses persalinannya maka semakin sedikit resiko bayi yang dilahirkan dan ibu yang melahirkan meninggal dunia. Penelitian pada data mining saat ini akan menggunakan metode Rough Set yang akan digunakan untuk melakukan analisis data dari hasil pengelompokan data, sehingga dapat mengetahui calon pasien lebih akurat dan upaya yang harus dilakukan untuk melakukan promosi medicine lebih akurat, efektif, dan sempurna, dengan adanya pengelompokan yang sudah terkomputerisasi menjadi lebih baik. Kata kunci : Data Mining, Promosi, Rought Set. 1. Pendahuluan LatarBelakang Rumah Bersalin Bidan Sri Wahyuni memiliki jumlah pasien yang melahirkan dan berobat sangat sedikit pada dua tahun terakhir ini dikarenakan banyaknya Rumah Sakit Umum Medan yang banyak memiliki peralatan yang lebih lengkap sehingga dibutuhkan promosi tempat persalinan tersebut. Agar pasien dapat mengetahui apa saja fasilitas dan layanan yang ada pada rumah bersalin tersebut. Oleh karena itu dilakukan suatu cara Untuk melakukan perhitungan yang ada dalam penelitian ini maka digunakan metode Rought Set. Yaitu dengan mengelompokan data-data calon pasien dalam satu kecamatan sehingga dapat diketahui tempattempat yang akan dilakukan promosi untuk Rumah Bersalin tersebut. Data mining merupakan langkah besar dalam Discovery Pengetahuan pada Database (KDD) proses yang terdiri dari penerapan teknik komputasi yang di bawah keterbatasan efisiensi komputasi dapat diterima dapat menghasilkan beberapa model pecahan tertentu pada pola atau model data (Umarani dan Punitthavali, 2010). Relation Database yang merupakan salah satu jenis data dalam data mining yaitu sebuah sistem database, atau disebut juga database management system (DBMS), mengandung sekumpulan data yang saling berhubungan, dikenal sebagai sebuah database, dan satu set program perangkat lunak untuk mengatur dan mengakses data tersebut. Distribusi data mining bertujuan pada pengekstraksian pola yang berguna dari pendistribusian database yang bermacam-macam.

344

Sebagai contoh untuk mengubah database menjadi sebuah pengetahuan dasar dan berguna untuk membuat keputusan (Rao dan Vidyavathi, 2010) [1]. Teori Rough Set (RST) merupakan bagian dari data mining. Menurut Rao dan Vidyavathi (2010), teori Rough Set dikembangkan oleh Zdzislaw Pawlak pada tahun 1980-an dan digunakan untuk analisis klasifikasi data dalam bentuk tabel. Teori Rough Set adalah alat matematika yang berguna untuk berurusan dengan pengetahuan yang tidak tepat dan tidak cukup untuk menemukan pola yang tersembunyi dalam data dan mengurangi ukuran dataset (Adebayo, 2008). Data yang digunakan biasanya data diskrit. Tujuan dari analisis rough set adalah untuk mendapatkan perkiraan rule yang singkat dari suatu tabel. Hasil dari analis rough set dapat digunakan dalam proses data mining dan knowledge discovery[2]. Sejauh pengamatan yang dilakukan oleh penulis, beberapa bagian pada tempat penelitian khususnya pada bagian promosi masih belum efektif sebagai media pengolahan data, sehingga masih ditemukan beberapa kendala yang berpengaruh terhadap efektifitas kinerja sistem yang diterapkan, akan menggunakan metode Rough Set yang akan digunakan untuk melakukan analisis data dari hasil pengelompokan data, sehingga dapat mengetahui calon pasien lebih akurat dan upaya yang harus dilakukan untuk melakukan promosi Rumah Bersalin Sri Wahyuni.


Perumusan Masalah Masalah yang di bahas dalam jurnal ini adalah sebagai berikut : 1. Bagaimana melakukan pengolahan data dan melakukan analisis data dengan menggunakan metode Rough Set dalam mengelompokkan data calon pasien? 2. Bagaimana rancangan ini dapat memudahkan Rumah bersalin dalam hal penentuan Penentuan letak promosi ? 3. Bagaimana menentukan prioritas calon pasien untuk promosi agar dapat meningkatkan jumlah pasien? Tujuan Tujuan penelitian ini adalah sebagai berikut: 1. Mengelompokkan kriteria calon pasien dan menganalisa masalah yang ada pada data calon pasien. 2. Menguji hasil dari perhitungan menggunakan metode Rought Set yang telah dilakukan. 3. Untuk melakukan analisis data menggunakan software pendukung Rosetta 1.4.41. 4. Melakukan upaya yang dapat meningkatkan jumlah pasien Rumah Bersalin berdasarkan hasil dari calon pasien yang prioritas. 2. Metodologi Penelitian Dalam rangka pengumpulan data-data guna penyusunan Jurnal ini, penulis mengajukan beberapa metode penelitian yaitu: 1. Riset Lapangan (Field Research) yaitu metode pengumpulan data yang dilakukan dengan cara mengamati dan menangani secara langsung tugas-tugas yang berhubungan dengan materi. a. Pengamatan (observasi), yaitu pengumpulan data yang dilakukan dengan cara terjun langsung ke lapangan untuk mengamati cara dan prosedur dalam melakukan pengambilan data-data yang diperlukan. b. Wawancara (interview) yaitu dengan cara mengajukan pertanyaan langsung kepada pegawai PT. Sumber Alfaria Trijaya, yang memahami dan menguasai masalah-masalah sistem yang berkaitan dengan kebutuhan penulis. 2. Riset Perpustakaan (Library Research) yaitu dengan membaca buku-buku yang isinya berhubungan dengan isi penulisan. Cara ini bertujuan untuk: a. Mengumpulkan data teoritis sebagai perbandingan didalam menganalisis dan mengevaluasi.

b. Memperoleh sumber data dari buku-buku yang berkaitan dengan judul yang diangkat. 3. Tinjauan Pustaka Definisi Knowledge Discovery in Database (KDD) Menurut Beta Noranita dan Nurdin Bahtiar (2010) di dalam jurnalnya Knowledge Discovery in Database (KDD) adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar. Sedangkan menurut Widodo (2008) [3] di dalam jurnalnya data mining merupakan proses penemuan pola yang merupakan salah satu tahap dalam Knowledge Discovery in Database (KDD). Dalam KDD tersebut secara garis besar terdapat tiga tahap yaitu pre processing, process (data mining), post processing. Jadi data mining sebenarnya merupakan proses utama dalam KDD. Menurut Sunjana (2010) data mining sering dianggap sebagai bagian dari knowledge Discovery in Database (KDD) yaitu sebuah proses mencari pengetahuan yang bermanfaat dari data, proses KDD secara garis besar dapat dijelaskan sebagai berikut. 1. Data Selection Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang akan digunakan untuk proses data mining, disimpan dalam suatu berkas, terpisah dari basis data operasional. 2. Pre-processing/ Cleaning Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Selain itu dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal. 3. Transformation Coding adalah proses transformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses Data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data.

345


4. Interpretation/ Evaluation Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut dengan interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya[4].

perbaikan kumpulan perubahan pada sistem.

data

(dataset)

atau

Data mentah Dataset Pengetahuan Pengumpulan Tranformasi Analisis Data Evaluasi Data Data Pengetahuan Kurang Perbaikan Dataset Perubahan sistem

Menurut Han dan Kamber (2006) di dalam jurnal Eko Nur Wahyudi, et al (2011) Data mining adalah bagian integral dari penemuan pengetahuan dalam database (KDD), yang merupakan proses keseluruhan mengubah data mentah menjadi informasi yang bermanfaat. Berdasarkan definisi-definisi tersebut dapat ditarik kesimpulan bahwa data mining merupakan bagian dari knowledge discovery in database (KDD) adalah penyaringan data pada sebuah database yang terdapat informasi yang potensial. Definisi Data Mining Menurut Sunjana (2010) data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan. Data mining mampu menganalisa data yang besar menjadi informasi berupa pola yang mempunyai arti bagi pendukung keputusan. Menurut Nilakant (2004) di dalam jurnalnya Mewati Ayub (2007) menjelaskan Kerangka proses data mining yang akan dibahas tersusun atas tiga tahapan, yaitu pengumpulan data (data collection), transformasi data (data transformation) dan analisis data (data analysis). Proses tersebut diawali dengan preprocessing yang terdiri atas pengumpulan data untuk menghasilkan data mentah (raw data) yang dibutuhkan oleh data mining, yang kemudian dilanjutkan dengan transformasi data untuk mengubah data mentah menjadi format yang dapat diproses oleh kakas data mining, misalnya melalui filtrasi atau agregasi. Hasil transformasi data akan digunakan oleh analisis data untuk membangkitkan pengetahuan dengan menggunakan teknik seperti analisis statistik, machine learning dan visualisasi informasi[5] . Pada gambar di bawah ini merupakan diagram yang menggambarkan aliran informasi dalam proses data mining. Proses data mining pada gambar tersebut ditunjukkan sebagai proses yang iteratif. Hasil evaluasi pengetahuan yang dihasilkan data mining dapat menimbulkan kebutuhan pengetahuan yang lebih lengkap,

346

Gambar Aliran Informasi Data Mining Dari definisi-definisi di atas dapat diambil kesimpulan data mining adalah proses pengelompokan data pada sebuah database yang berukuran besar, yang mempunyai karakteristik yang sama untuk menghasilkan pengetahuan yang tersembunyi untuk membantu dalam pengambilan keputusan. Karakteristik Data Mining Menurut Beta Noranita dan Nurdin Bahtiar (2010) karakteristik data mining ada dua antara lain sebagai berikut : 1. Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan pola data tertentu yang tidak diketahui sebelumnya. 2. Data mining biasa menggunakan data yang sangat besar. Biasanya data yang besar digunakan untuk membuat hasil lebih dipercaya. 3. Data mining berguna untuk membuat keputusan yang kritis, terutama dalam strategi. Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap yang diilustrasikan pada gambar berikut ini (Beta Noranita dan Nurdin Bahtiar, 2010)[6] :

Gambar Proses Data Mining Tahap-Tahap Data Mining Tahap-tahap data mining menurut Beta Noranita dan Nurdin Bahtiar (2010), yaitu : 1. Pembersihan data (data cleaning) Pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten atau data tidak relevan.


2. Integrasi data (data intergration) Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru. 3. Seleksi data (data selection) Data yang ada di dalam database seringkali tidak dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database. 4. Transformasi data (data transformation) Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam data mining. 5. Aplikasi teknik data mining Merupakan proses utama di mana metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data. 6. Evaluasi pola (pattern evaluation) Untuk mengidentifikasi pola-pola menarik untuk direpresentasikan ke dalam knowledge based yang ditemukan. 7. Presentasi pengetahuan presentation).

(knowledge

Metode Rough Set Menurut Girish Kumar Singh dan Sonajharia Minz (2007) teori Rough Set diperkenalkan oleh Pawlak pada awal tahun 1980an, adalah teknik untuk berurusan dengan ketidakpastian dan untuk mengidentifikasi hubungan sebab-akibat dalam database sebagai bentuk data mining dan pembelajaran basis data. Hal ini juga telah digunakan untuk peningkatan pencarian informasi dan ketidakpastian manajemen dalam database relasional. Pendekatan Rough Set untuk analisis data memiliki banyak kelebihan utama. diantaranya adalah: 1. Menyediakan algoritma efisien untuk menemukan pola yang tersembunyi dalam data. 2. Menemukan set minimal data (reduksi data). 3. Mengevaluasi signifikansi data. 4. Menghasilkan set decision rule dari data. 5. Menawarkan interpretasi langsung dari hasil yang diperoleh. 6. Sebagian besar algoritma didasarkan pada teori Rough Set sangat cocok untuk pemrosesan parallel.

4. Pembahasan Arsitektur Sistem Data Mining memiliki beberapa teknik pengolahan data untuk menghasilkan information system atau decision system. Salah satu metode yang biasa digunakan yaitu Metode Rough Set. Langkah-langkah penyelesaian masalah dengan metode Rough Set dapat dilihat pada gambar berikut dan penjelasannya adalah sebagai sebagai berikut: 1. Decision System merupakan Information System dengan mempresentasikan hasil akhir dari klasifikasi yang diketahui. 2. Equivalence Class adalah proses mengolah data berdasarkan kesamaan nilai atribut (mengelompokkan objek yang sama). 3. Kemudian dilakukan proses Discernibility Matrik atau Discernibility Matrik Module D, merupakan proses untuk menjadi acuan di dalam pengambilan keputusan. 4. Proses Reduct, merupakan proses penyeleksian atribut minimal (interesting attribute) dari sekumpulan kondisi dengan menggunakan prime implicant fungsi boolean. 5. Untuk memperoleh hasil akhir adalah proses Generate Rule, yang merupakan proses penemuan pengetahuan terbaru dalam database untuk mendukung pengambilan keputusan[7]. Information System / Decision System

Equivalence Class

Discernibility Matrik

Discernibility Matrik Module D

Reduct

Generate Rule

Gambar Langkah –Langkah Metode Rough Set Pengumpulan Data Metode pengumpulan data dilakukan dengan cara melakukan pengamatan langsung dan dilakukan wawancara ke Rumah Bersalin Sri Wahyuni dan Kantor Kecamatan Medan Marelan Kota. Pengisian data kuisioner kepada penduduk di Kecamatan Medan Marelan yang terkait dalam penelitian ini. Berikut ini adalah data penduduk yang diambil dari Kecamatan Medan marelan dan data kuisioner pendapatan perorangan.

347


Tabel Data Kuisioner Pendapatan Perorangan No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

NAMA KEP_ KELUARGA RAHMAT HIDAYAT ADE PRIA MUHAMAD YASYAH RASYIDIN SYAH ALAM CHRISNANTO RUDI HARYONO RONALDO AHMAD SUBANDI ARMANSYAH SYAMSIR ZONLIARDI MONTASIR IRWANSYAH HENDRA JON EKA PUTRA YUSMAR TITO HENDRA RABIUL MUHAMMAD NANDA EKA PUTRA HARDI HENDRA ZAINI JAUHARI RISKI KURNIAWAN BAHARUDDIN WAN ABDUL RAHMAN ANDRIANTO R.A. SETIA DEWANTORO AHMAD SOLEH

KELURAHAN Marelan Marelan Marelan Marelan Marelan Titi Papan Titi Papan Titi Papan Titi Papan Titi Papan Kota Bangun Kota Bangun Kota Bangun Kota Bangun Kota Bangun Kota Bangun Helvetia Helvetia Helvetia Helvetia Helvetia Belawan Belawan Belawan Belawan Belawan Belawan

PEKERJAAN Swasta Swasta Swasta PNS Swasta PNS Swasta Swasta Swasta Swasta Swasta Swasta Swasta Swasta PNS Swasta Swasta Swasta Swasta Swasta Swasta Swasta Swasta Swasta Swasta Swasta Swasta

Ada beberapa kriteria yang dapat menyimpulkan kelurahan mana yang akan diprioritaskan untuk promosi, yaitu: 1. Kelurahan Data Kelurahan diambil dari kantor Kecamatan marelan Kota, berdasarkan atribut ini dapat dilihat informasi yang akan dijadikan sampel data yang akan diproses. 2. Pendapatan Data pendapatan diambil dari data kuisioner pendapatan perorangan. Pendapatan terbagi atas 3 kategori antara lain: a. Jika jumlah pendapatan perorangan > Rp. 2.500.000 maka pendapatannya besar. b. Jika jumlah pendapatan perorangan > Rp. 1.000.000 - < Rp. 2.500.000 maka pendapatannya sedang. c. Jika jumlah pendapatan perorangan < Rp. 1.000.000 maka pendapatannya kecil. 3. Jarak Data jarak diambil dari data kuisioner pendapatan perorangan. Jarak terbagi atas 2 kategori antara lain sebagai berikut: a. Jika jarak rumah rumah calon pasien ke Rumah Bersalin Sri Wahyuni 0 - < 1 Km maka jaraknya dekat.

348

PENDAPATAN ≥ Rp. 1000000 - < Rp. 2500000 ≥ Rp. 1000000 - < Rp. 2500000 ≥ Rp. 1000000 - < Rp. 2500000 ≥ Rp. 2500000 ≥ Rp. 1000000 - < Rp. 2500000 ≥ Rp. 2500000 ≥ Rp. 2500000 ≥ Rp. 1000000 - < Rp. 2500000 ≥ Rp. 1000000 - < Rp. 2500000 < Rp.1.000.000 ≥ Rp. 1000000 - < Rp. 2500000 ≥ Rp. 1000000 - < Rp. 2500000 ≥ Rp. 1000000 - < Rp. 2500000 ≥ Rp. 1000000 - < Rp. 2500000 ≥ Rp. 2500000 ≥ Rp. 1000000 - < Rp. 2500000 ≥ Rp. 1000000 - < Rp. 2500000 ≥ Rp. 1000000 - < Rp. 2500000 < Rp.1.000.000 < Rp.1.000.000 ≥ Rp.1.000.000 - < Rp.2.500.000 ≥ Rp.1.000.000 - < Rp.2.500.000 ≥ Rp.1.000.000 - < Rp.2.500.000 ≥ Rp.1.000.000 - < Rp.2.500.000 ≥ Rp.1.000.000 - < Rp.2.500.000 ≥ Rp.1.000.000 - < Rp.2.500.000 ≥ Rp.1.000.000 - < Rp.2.500.000

b.

JARAK 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km 0-<1 Km ≥ 1-3 Km ≥ 1-3 Km ≥ 1-3 Km ≥ 1-3 Km ≥ 1-3 Km ≥ 1-3 Km ≥ 1-3 Km

Jika jarak rumah rumah calon pasien ke Rumah Bersalin Sri Wahyuni > 1 - 3 Km maka jaraknya jauh.

4. Hasil Atribut hasil merupakan kesimpulan dari atribut-atribut kondisi seperti kelurahan, pendapatan dan jarak. Hasil terbagi atas 3 antara lain: a. Jika pendapatannya besar atau sedang dan jarak dekat atau jauh maka hasilnya prioritas. b. Jika pendapatannya kecil dan jaraknya dekat maka hasilnya prioritas atau tidak prioritas. c. Jika pendapatan kecil dan jaraknya jauh maka tidak prioritas Reduct Proses Reduct, merupakan proses penyeleksian atribut minimal (interesting attribute) dari sekumpulan kondisi dengan menggunakan prime implicant fungsi Boolean. Langkah-langkah dalam pencarian reduct adalah sebagai berikut: 1. Dengan cara membuat persamaan aljabar Boolean berdasarkan dari tabel 4.6 hasil Discernibility Matrix Module D, Misalnya E1 = B. ABC. ABC, karena ABC na ada dua maka dipilih satu saja, E1 = B. ABC. Persamaan aljabar Boolean-nya (ABC). 2. Setelah itu melakukan penyederhanaan persamaan tersebut dengn prinsip atau konsep aljabar Boolean. Misalnya B 


3.

(ABC), maka B * (A + B + C). Tanda  artinya kali, dan tanda  artinya tambah. Sehingga dilakukan perkalian distributif AB + BB + BC = B. Kemudian jadikan hasil penyederhanaan tersebut sebagai reduct, Jika Tanda  maka reduct-nya dalam satu ke kurung kurawal, misalnya (A  B) reduct-nya adalah {A, B}. Jjika tanda  maka reduct-nya terpisah, misalnya (A B) reduct-nya adalah{A}, {B}.

Tabel Penyeleksian CNF Of Bolean Function (Reduct) CNF Of Bolean Function CLASS E1

B  (ABC)

E2

B  (ABC)  (AB)  A

E3

(ABC)  B  (AB)

E4

(ABC)  B  (AB)  (AC)

E5

(ABC)  (AB)

E6

A  (AC)

Berdasarkan hasil di atas Jumlah Generate Rule yang didapat adalah 28 keputusan atau pengetahuan baru. Berdasarkan hasil dari Generate Rule tersebut dapat diambil kesimpulan, bahwa Kelurahan pada Kecamatan marelan yang menjadi prioritas untuk penyelenggaraan promosi Rumah Bersalin adalah Kelurahan Marelan, Helvetia dan Titi Papan. Sedangkan kelurahan Belawan dan Rimba Kota Bangun hanya tempattempat tertentu yang menjadi tempat promosi. Tabel Data Responden

a. Pengolahan data dan melakukan analisis data dengan menggunakan metode Rough Set dalam mengelompokkan data calon pasien dibangun dengan 5 tahapan, di mana masing masing lapisan memiliki fungsi aktivasi sesuai dengan konsep dari metode Rough Set yang menghasilkan rule-rule yang mendukung untuk sebuah keputusan. b. Dalam menentukan prioritas calon pasien untuk promosi agar dapat meningkatkan jumlah pasien menggunakan metode Rough Set maka dapat memberikan pengetahuan (knowledge) baru dalam menentukan prioritas calon pasien untuk penyelenggaraan promosi Rumah Bersalin Sri Wahyuni di Kecamatan Medan Marelan.

6. Saran Adapun saran yang berkaitan dengan sistem pendukung keputusan ini adalah sebagai berikut : a. Penelitian ini masih jauh dari sempurna dan hanya diimplementasikan pada data penduduk untuk promosi Rumah Bersalin. Pada suatu saat nantinya penelitian ini mungkin bisa dikembangkan lagi menjadi penelitian yang lebih kompleks dan diimplementasikan untuk semua bentuk implementasi pada sistem informasi yang kompleks. b. Penulis mengharapkan agar hasil dari penelitian ini dapat bermanfaat bagi penulis dan khususnya bagi Rumah Bersalin Bidan Sri Wahyuni Medan dalam pengambilan keputusan dan dunia pendidikan lain pada umumnya. DaftarPustaka

Dari data Responden yang di dapatkan tampak jelas Bahhwa Responden yang setuju jumlahnya lebih banyak dibandingkan dengan yang tidak setuju, 6,6% / 3,4% , dengan Persentasi demikian Diharapkan Kedepannya akan Menjadikan Sistem ini mendapat apresiasi yang baik, bagi Masyarakat kita saat ini dan dapat tersalurkan tempat prioritas dalam menyebaran promosi di kawasan medan marelan. 5. Kesimpulan Dari hasil pengujian sistem pendukung keputusan ini, didapat beberapa kesimpulan sebagai berikut :

[1] Vuda Srinivasa Rao and S Vidyavathi (2010). “A Novel Approach Of Rough Set Analysis In Distributed Data Mining.” International Journal of Engineering Science and Technology. Volume 2 No 6. 1758-1759. [2] Adebayo, O. dan Adetunmbi (2008). “Network Intrusion Detection Based On Rough Set and K-Nearest Neighbour.” International Journal of Computing and ICT Research. Volume 2 No 1. 62. [3] Widodo (2008). “Prediksi Mata Kuliah Pilihan dengan Aturan Asosiasi.” E-Indonesia Initiative Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi untuk Indonesia. 1. [4] Sunjana (2010). “Aplikasi Mining Data Mahasiswa dengan Metode Klasifikasi Decision Tree.” Seminar Nasional Aplikasi Teknologi Informatika. 24.

349


[5] Mewati Ayub (2007). “Proses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer.” Jurnal Sistem Informasi. Volume 2 No 1. 21-23. [6] Beta Noranita dan Nurdin Bahtiar (2010). “Implementasi Data Mining untuk Menemukan Pola Hubungan Tingkat Kelulusan Mahasiswa dengan Data Induk

350

Mahasiswa.” Seminar dan Call For Paper Munas Aptikom. 156-157. [7] Oladipupo O, O. dan Oyelade O, J. (2009). “Knowledge Discovery from Students Result Repository : Association Rule Mining Approach .” International Journal of Computer Scienceand Security (IJCSS). Volume 4. 199.


APLIKASI GRAFOLOGI MENGGUNAKAN ALGORITMA JARINGAN SARAF TIRUAN BACKPROPAGATION Arwin Halim, Humuntal Rumapea, Deny Saputra G, Sutan Chairul Hasbi L 1

Program Studi Teknik Informatika, STMIK Mikroskil Medan Jl. Thamrin No. 112, 124, 140 Medan, Sumatera Utara arwin@mikroskil.ac.id, hrumapea16@yahoo.com, manik.ginting@yahoo.com, hasby_sutan@yahoo.com

Abstrak Grafologi merupakan salah satu cabang ilmu psikologi yang mempelajari tentang karakter / sifat seorang manusia melalui pola tulisan tangannya. Dalam menganalisa tulisan tangan, seorang grafolog (ahli grafologi) membutuhkan waktu yang relatif lama. Sehingga pekerjaan ini dapat diefisienkan dengan membangun suatu aplikasi grafologi menggunakan kecerdasan buatan (Artificial Intelligence). Backpropagation merupakan algoritma Jaringan Saraf Tiruan (JST) yang digunakan untuk pengenalan pola pada citra digital. Algoritma backpropagation akan menentukan nilai bobot - bobot pada proses pelatihan kemudian disimpan ke dalam database. Nilai bobot tersebut akan digunakan pada proses pengujian. Sebelum informasi citra diproses oleh algortima maka terlebih dahulu dilakukan proses noise filtering, binerisasi, cropping, dan resizing sehingga akan dihasilkan citra pola untuk masing - masing huruf. Setiap citra huruf akan dilakukan ekstraksi pola (feature extraction) yang menghasilkan 100 bit data dan akan dilatih dengan menggunakan algortima backpropagation. JST bakcpropagation dilatih dengan menggunakan 170 citra huruf dari 7 abjad yaitu a, g, i, j, o, t, dan y dengan kategori huruf yang berbeda dan diuji dengan 255 citra huruf yang terdiri atas 170 huruf data latih / data set dan 85 huruf di luar data set, 5 kata dan 2 kalimat dengan panjang tulisan dan jenis tulisan yang berbeda. Kata kunci : Grafologi, Jaringan Saraf Tiruan, Backpropagation 1.

Pendahuluan

Teknik identifikasi biometrik didasarkan pada karakteristik alami manusia, yaitu karakteristik fisiologis dan karakteristik perilaku seperti wajah, sidik jari, suara, telapak tangan, iris mata, retina mata, DNA, dan tulisan tangan. Pola tulisan tangan yang ditulis oleh setiap orang memiliki keunikan tersendiri. Saat seseorang menulis dengan gerakan tangan, orang tersebut didorong oleh alam bawah sadarnya, sehingga sangat sulit bagi seseorang untuk menulis sama persis dengan tulisan yang dibuat oleh orang lain. Ilmu yang mempelajari karakter seseorang dengan cara menganalisa tulisan tangannya disebut grafologi. Menurut penelitian Nugroho [1], keakuratan dari hasil analisa grafologi terhadap karakteristik seseorang mencapai 80% - 90%. Untuk menganalisa tulisan tangan seseorang dibutuhkan seorang ahli grafologi (grafolog). Dalam pekerjaannya, seorang grafolog membutuhkan waktu yang relatif lama untuk menganalisa tulisan tangan seseorang. Hal ini dikarenakan grafolog harus menganalisis tulisan seseorang dengan teliti berdasarkan ukuran huruf, kategori setiap huruf dengan kombinasi huruf yang berbeda-beda pada setiap huruf, kata dan kalimat. Kesalahan pada analisis huruf yang diakibatkan oleh human-error dari grafolog dapat berakibat pada kesalahan hasil

analisis grafologi mengenai karakteristik sifat seseorang. Oleh karena itu, diperlukan sebuah aplikasi yang mampu menganalisa pola tulisan berdasarkan ukuran huruf dan kategori huruf yang dapat digunakan untuk mendeteksi karakteristik sifat seseorang berdasarkan tulisan tangan tersebut. Huruf pada tulisan tangan yang dianalisis dapat berupa satu huruf (karakter), satu kata atau sebuah kalimat. Proses pengenalan pola huruf pada tulisan tangan dapat dianalisis dengan menggunakan kecerdasan buatan. Hasil tulisan tangan pada kertas di-scan terlebih dahulu untuk diolah menjadi suatu citra digital. Setiap citra huruf dilakukan proses ekstraksi pola (feature extraction) dan hasil ekstraksi pola akan dilatih dan dapat dikenali dengan menggunakan jaringan saraf tiruan. Salah satu algoritma dalam JST yang dapat digunakan untuk pengenalan pola adalah backpropagation. Dengan membangun aplikasi pengenalan pola tulisan tangan menggunakan algoritma backpropagation, kita dapat mendapatkan hasil analisis grafologi dengan waktu yang lebih efisien. Pada penelitian ini dibangun sebuah aplikasi grafologi yang mampu menganalisa tulisan tangan yang ditulis dengan huruf kecil tidak bersambung. Aplikasi dapat menganalisa huruf berdasarkan ukuran dan kategori huruf. Selain itu, proses analisis karakter

351


orang berdasarkan tulisan tangan dapat dilakukan melalui kalimat yang dituliskan. 2.

Kajian Pustaka 2.

2.1 Citra Citra (image) adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dwimatra. Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat optik berupa foto, analog berupa sinyal video seperti gambar pada monitor televisi dan digital yang dapat langsung disimpan pada suatu pita magnetik [2]. 2.2 Grafologi Secara etimologis, kata grafologi berasal dari bahasa yunani, yaitu “grapho” yang berarti menulis, dan “logos” yang berarti sebuah cabang studi ilmiah. Sehingga grafologi dapat diartikan sebagai suatu cabang ilmu yang mempelajari dan menganalisis tulisan tangan yang secara khusus berkaitan dengan psikologis manusia [3]. Tulisan tangan yang dapat dianalisis dalam grafologi antara lain ukuran (besar dan kecil) tulisan dan kategori huruf [1,4,5]. a.

b. 1.

352

Ukuran Huruf Ukuran merupakan cerminan dari konsentrasi dan keterbukaan seseorang. Berikut adalah penganalisaan berdasarkan ukuran huruf : 1. Ukuran Huruf Besar. Ukuran huruf besar menunjukkan seseorang memerlukan pengakuan dari orang lain. Orang ini senang untuk diperhatikan dan dipuji. 2. Ukuran Huruf Kecil. Jika seseorang menulis dengan ukuran huruf kecil, berarti orang itu memiliki konsentrasi yang baik dalam rentang waktu yang panjang terhadap suatu hal. Individu dengan ukuran huruf kecil biasanya menempatkan diri dibawah kontrol yang ketat dan mampu menyelesaikan pekerjaannya dengan baik. 3. Ukuran Huruf Normal. Apabila tulisan seseorang berukuran normal maka kepribadiannya dianggap stabil. Kategori Huruf Huruf “i” - Huruf “i” dengan titik berada disebelah kanan. Menunjukkan perhatian yang fokus ke masa depan. - Huruf “i” dengan titik berada di sebelah kiri. Menunjukkan fokus perhatian pada masa lalu dan membutuhkan waktu dalam berproses dan berpikir.

3.

4.

5.

6.

7.

- Huruf “i” dengan titik berada tepat di atas batang. Menunjukkan fokus penulis pada kondisi yang sekarang sedang dijalani dan memiliki pribadi yang stabil dan sabar. Huruf “a” - Huruf “a” terbuka di atas. Seorang yang fasih dalam berbicara, bahkan kadang kala berbicara tanpa terlebih dahulu berpikir apa yang akan dibicarakan, dermawan, jujur dan tulus. - Huruf “a” tertutup rapat. Mengindikasikan seseorang yang tertutup dalam hal yang berhubungan dengan perasaan. Individu ini akan jujur dan terus terang jika ditanya mengenai pendapatnya. - Huruf “a” balok. Mengindikasikan individu yang termasuk kedalam golongan yang menyukai bidang seni, musik, budaya dan sastra. Huruf “t” - t-bar naik ke atas. Menunjukkan individu yang optimis, dinamis, dan termotivasi. Selain itu menggambarkan pribadi yang bersemangat, percaya diri, dan antusias. - t-barHorizontal. Menunjukkan individu yang tenang, dapat mengendalikan diri dalam berfikir dan bertindak. - t-barMenurun. Menunjukkan individu yang suka bergantung pada orang lain, mudah putus asa dan pasrah, serta kurang termotivasi Huruf “o” - Huruf “o” tertutup. Mengindikasikan seseorang yang terkadang suka memotong Pembicaraan. - Huruf “o” tidak tertutup penuh / terbuka. Mengindikasikan seseorang yang suka berkata bohong Huruf “j” - Huruf “j” dengan loop. Mencerminkan pribadi yang punya keinginan, pasti terwujud dan apabila meraih keinginannya memerlukan waktu yang lama, maka akan menjadi beban pikirannya (Kekuatan motivasi untuk meraih "sukses"). - Huruf “j” tanpa titik. Menunjukkan penulis adalah seorang yang pelupa. Huruf “g” - Huruf “g” dengan loop. Mencerminkan pribadi yang punya keinginan, pasti terwujud dan apabila meraih keinginannya memerlukan waktu yang lama, maka akan menjadi beban pikirannya (Kekuatan motivasi untuk meraih "sukses"). - Huruf “g” garis lurus. Menunjukkan individu yang mandiri dan percaya diri. Huruf “y” - Huruf “y” dengan loop. Mencerminkan pribadi yang punya keinginan, pasti terwujud dan apabila meraih keingin-


annya memerlukan waktu yang lama, maka akan menjadi beban pikirannya (Kekuatan motivasi untuk meraih "sukses"). - Huruf “y” garis lurus. Menunjukkan penulis yang berkepribadian mandiri dan materialism. 2.3 Jaringan Saraf Tiruan Jaringan Saraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi yang memiliki karakteristik - karakteristik menyerupai jaringan saraf biologi. JST dibentuk sebagai generalisasi model matematika dari jaringan saraf biologi, dengan asumsi bahwa [6] : 1. Pengolahan informasi terdiri dari elemen elemen sederhana yang disebut neuron / simpul. 2. Setiap simpul tersebut berfungsi untuk menerima atau mengirim sinyal dari atau ke simpul - simpul lainnya melalui hubungan koneksi. 3. Tiap hubungan koneksi mempunyai nilai bobot sendiri. Nilai bobot ini menyediakan informasi yang akan digunakan oleh jaringan untuk memecahkan masalah. 4. Tiap simpul mempergunakan fungsi aktivasi terhadap input yang diterimanya untuk menentukan sinyal keluaran.

2.4 Algoritma Backpropagation Backpropagation merupakan suatu teknik pembelajaran atau pelatihan yang paling banyak digunakan dalam menangani masalah pengenalan pola - pola kompleks. Ketika jaringan diberikan pola masukan sebagai pola pelatihan, maka pola tersebut menuju unit - unit lapisan tersembunyi untuk selanjutnya diteruskan pada unit - unit di lapisan keluaran. Kemudian unit unit lapisan keluaran akan memberikan respon sebagai keluaran JST. Saat hasil keluaran tidak sesuai dengan yang diharapkan, maka keluaran akan disebarkan mundur (backward) pada lapisan tersembunyi kemudian dari lapisan tersembunyi menuju lapisan masukan [6]. Kemapuan komputasi dari backpropagation sebagai pola universal dikembangkan menjadi 3 kelompok lapisan perceptron: 1. Lapisan input, yang terdiri dari 1 hingga n unit input. 2. Lapisan tersembunyi (minimal 1 buah), yang terdiri dari 1 hingga p unit tersembunyi. 3. Lapisan output, yang terdiri dari 1 hingga n unit output. Gambar 1 menunjukkan contoh arsitektur backpropagation dengan 3 unit masukan X1, Xi, Xn, 3 unit layer tersembunyi Z1, Zj, Zp dan 2 unit keluaran Y1, Yk, Ym

Gambar 1. Arsitektur Backpropagation Algoritma Pelatihan Backpropagation meliputi 3 fase, antara lain: 1. Tahap umpan maju (feedforward) Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. 2. Tahap umpan mundur (backpropagation) Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit - unit di layar keluaran 3. Tahap pengupdatean bobot dan bias. Pada fase ini dilakukan modifikasi bobot untuk menurunkan kesalahan yang terjadi. Ketiga fase tersebut diulang - ulang terus hingga kondisi penghentian dipenuhi.

3.

Metode Penelitian

Tahapan pengembangan aplikasi grafologi dengan algoritma backpropagation adalah: 1. Pengumpulan data Data yang dikumpulkan dalam penelitian berupa data tulisan tangan dalam bentuk sampel huruf, kata dan kalimat. Setiap data akan digitalisasi untuk dijadikan sebagai data training dan data testing. 2. Analisis Pada tahapan ini dilakukan kajian terhadap semua teori dan penelitian lain yang mendukung untuk pengembangan aplikasi grafologi yang dilakukan. Tahapan ini mencakup analisis proses pengenalan grafologi dengan algoritma backpropagation. 3. Desain dan implementasi Pada tahapan ini dilakukan pengembangan sistem berdasarkan hasil analisis yang telah dilakukan sebelumnya. 4. Pengujian dan hasil Pada tahapan ini dilakukan pengujian terhadap aplikasi yang telah dikembangkan untuk mengetahui keakuratan aplikasi grafologi dengan algoritma backpropagation. Tahapan pengenalan grafologi dengan algoritma backpropagation pada penelitian ini terbagi menjadi beberapa subproses yaitu: 1. Proses Noise Filtering

353


2.

3.

4.

5.

6.

4.

Metode noise filtering yang digunakan dalam aplikasi ini yaitu metode pixel neighborhood. Pixel neighborhood merupakan istilah dalam image processing yang artinya pixel tetangga. Proses Binerisasi Hasil dari proses noise filtering menyebabkan citra menjadi kabur, sehingga dilakukan proses binerisasi agar informasi pixel pada citra menjadi jelas kembali. Untuk menjalankan proses binerisasi dilakukan proses grayscale terlebih dahulu Proses Croping (segmentasi karakter) Proses croping dilakukan untuk memisahkan setiap pola huruf yang ada di dalam citra menjadi citra huruf yang baru. Untuk menentukan posisi dari huruf yang akan di crooping, maka akan dilakukan 2 tahapan yaitu penelusuran secara vertikal dan penelusuran secara horizontal. Proses resizing Masing - masing citra huruf yang baru akan melalui proses resizing. Proses resizing dilakukan dengan mengubah ukuran setiap citra huruf menjadi ukuran 10 x 10 pixel. Proses ekstraksi pola Proses ekstraksi pola bertujuan untuk mengubah nilai dari setiap pixel menjadi 0 atau 1. Ekstraksi pola untuk masing - masing citra huruf menghasilkan 100 bit data dan akan dipakai pada proses pelatihan dan proses pengujian. Algoritma backpropagation Aloritma backpropagation mempunyai dua tahapan yaitu proses pelatihan dan proses pengujian. Sebelum melakukan proses pengujian harus dilakukan proses pelatihan terlebih dahulu. Pada proses pelatihan, semua data pola yang telah disimpan kedalam data set akan dilatih secara bersamaan. Pada proses pengujian, semua pola yang telah disimpan di dalam database akan diambil kembali dan dihitung dengan nilai input dari data yang diuji.

Hasil dan Pengujian

Perangkat lunak dirancang menggunakan Microsoft Visual Basic 2008 dan SQL Server 2008 R2 digunakan sebagai basis data (database) serta DotNetBar, sebagai tools tambahan untuk mendesain antarmuka aplikasi. 4.1 Hasil Tampilan form pelatihan aplikasi grafologi dapat dilihat pada Gambar 2. Pada penelitian ini, aplikasi telah melakukan proses pelatihan untuk 170 huruf dari 17 kategori, dimana setiap kategori terdiri dari 10 huruf. Setiap huruf yang dilatih

354

digunakan untuk mendapatkan hasil analisis grafologi seperti yang telah dijelaskan pada Bagian 2.2.

Gambar 2. Tampilan Proses Pelatihan Aplikasi Grafologi dengan Algoritma Backpropagation Tampilan form pengujian aplikasi grafologi dapat dilihat pada Gambar 3.

Gambar 3. Tampilan Proses Pengujian Aplikasi Grafologi dengan Algoritma Backpropagation 4.2 Pengujian 4.2.1 Pengujian Per-Huruf Tabel 1 menunjukkan hasil pengujian per huruf citra tulisan tangan terhadap 255 citra huruf yang terdiri dari 170 data set dan 85 huruf (diluar data set) dari 17 kategori dengan masing – masing kategori sebanyak 5 huruf. Tabel 1. Hasil Pengujian Per-Huruf Test Test Huruf Dataset Diluar (data(data train) diluar) A 30 15 100% 73% G 20 10 95% 70% I 30 15 93% 80% J 20 10 80% 70% O 20 10 95% 80% T 30 15 90% 73% Y 20 10 90% 70% 92% 74% Rata-rata Dari data pengujian per-huruf secara keseluruhan data (170 data set dan 85 data diluar) dapat disimpulkan bahwa nilai keakuratan aplikasi grafologi menggunakan algoritma jaringan saraf tiruan backpropagation untuk data set mencapai 92 % dan data diluar mencapai 74 %.


4.2.2 Pengujian Per-Kata Tabel 2 menunjukkan hasil pengujian per kata berdasarkan hasil citra tulisan tangan terhadap 5 sample kata yang berbeda.

backpropagation berdasarkan huruf yang diamati mencapai 67.75 % dan secara keseluruhan mencapai 84 %. 5.

No

Tabel 2. Hasil Pengujian Per-Kata Huruf yang Kata Overall diamati

1

60 %

67 %

3

75 % 67 %

85 % 85 %

4

75 %

83 %

67%

85%

68,8%

81%

2

5 Rata-rata

Dari data pengujian per-kata secara keseluruhan data (5 data uji) dapat disimpulkan bahwa nilai keakuratan aplikasi grafologi menggunakan algoritma jaringan saraf tiruan backpropagation berdasarkan huruf yang diamati mencapai 68.8 % dan secara keseluruhan mencapai 81 %. 4.2.3 Pengujian Per-Kalimat Data pengujian per-kalimat berupa dua sampel tulisan dengan jenis dan panjang kalimat yang berbeda dapat dilihat pada Gambar 4.

Beberapa kesimpulan yang dapat ditarik dari hasil pengujian yang telah dilakukan antara lain: 1. Aplikasi grafologi menggunakan JST Backpropagation mampu mengenali pola ukuran huruf dan kategori huruf ’i’,’a’,’t’,’o’,’j’,’g’,’y’ serta pola hurufnya, yang dapat digunakan untuk mendeteksi karakteristik seseorang. 2. Adanya tingkat kemiripan pola antara huruf yang satu dengan yang lain seperti: i titik di tengah dengan i titik di kiri dan kanan, a terbuka dengan a tertutup, o terbuka dengan u, t-bar mendatar dengan t¬-bar naik dan turun, serta huruf l dengan i, menyebabkan aplikasi grafolog sulit untuk membedakan pola hurufnya. 3. Hasil pengujian aplikasi grafolog dengan algoritma JST Backpropagation yang dibangun, mampu mendeteksi huruf untuk analisis grafologi dengan rata-rata keakuratan sebesar 74% per-huruf, 68% perkata dan 67% per-kalimat untuk huruf yang berada didalam dan diluar dataset pelatihan. Daftar Pustaka [1] [2] [3]

Gambar 4. Dua Data Sampel Pengujian PerKalimat

[4]

Tabel 3 menunjukkan hasil pengujian per kalimat berdasarkan hasil citra tulisan tangan terhadap dua sample pada Gambar 4. Tabel 3. Hasil Pengujian Per-Kalimat Huruf yang No Kalimat Overall diamati Saya membuat 1 62.5% 83% laporan Analisa tulisan 2 73% 85% tangan Rata-rata 67.75% 84%

Kesimpulan

[5]

[6]

Nugroho, Kartiko., 2012, 1 Jam Belajar Grafologi, Semarang, Effhar Offset. Munir, R., 2004, Pengolahan Citra Digital, Informatika, Bandung. Achsinfina., 2008, Menguak Rahasia Tulisan Tangan, Jakarta, Puspa Populer. Shofiyati Nur Karimah., 2012, Pengembangan Prototipe Aplikasi Grafologi Terkomputerisasi Menggunakan Algoritma Jaringan Saraf Tiruan Propagasi, Yogyakarta, Teknik Informatika/S1, STMIK AMIKOM. Amanda Karatika Hubeis, 2012, Analisis Grafologi Berdasarkan Huruf a Dan t Menggunakan Algoritme K-Nearst Neighbor, Bogor, Matematika Dan Ilmu Pengetahuan Alam/S1, Institut Pertanian Bogor. Puspitaningrum, Diyah, 2006, Pengantar Jaringan Saraf Tiruan, Yogyakarta, Penerbit Andi.

Dari data pengujian per-kalimat secara keseluruhan data (2 data uji) dapat disimpulkan bahwa nilai keakuratan aplikasi grafologi menggunakan algoritma jaringan saraf tiruan

355


SISTEM INFORMASI PENGADAAN LOGISTIK BENCANA BERBASIS WEB Sri Lestari Rahayu STMIK Potensi Utama, Jl. K.L Yos Sudarso Km. 6,5 No. 3A Tanjung Mulia Medan E-mail: aiyu.lestari13@gmail.com

Abstrak Secara geografis Indonesia terletak pada pertemuan 3 lempeng yaitu, lempeng Asia, lempeng Pasifik, dan lempeng Australia sehingga menyebabkan sebagian wilayahnya rawan terhadap bencana. jumlah bencana termasuk sangat tinggi jika dibandingkan Negara-negara lainnya. Para korban bencana sangat membutuhkan bantuan dari pemerintah ataupun donator-donatur perseorangan atau pun instansi. Selama ini proses pengadaan barang dari pemerintah masih kurang sesuai dengan kebutuhan korban bencana. penyebab kurang sesuainya bantuan antara lain kurang cepat atau akuratnya informasi kebutuhan yang dibutuhkan korban bencana. Hasil penelitian ini adalah merancang aplikasi berbasis Web dalam memberikan informasi tentang kebutuhan korban bencana pada saat bencana terjadi ada Pasca bencana sehingga barang logistik yang masuk sesuai dengan kebutuhan korban baik dari segi jumlah korban, usia dan jenis kelamin korban bencana. Kata Kunci : Bencana Alam, Logistik, Aplikasi. 1. Pendahuluan

2. Landasan Teori

Negara kepulauan Indonesia berada dalam wilayah Pacific Ring of Fire yaitu deretan gunung berapi Pasifik yang bentuknya melengkung dari utara pulau Sumatera-JawaNusa Tenggara sampai ke Sulawesi Utara. Kepulauan Indonesia terletak pada pertemuan 3 lempeng yaitu, lempeng Asia, lempeng Pasifik, dan lempeng Australia. Kedua factor tersebut menyebabkan Indonesia rawan bencana. Bencana yang dimaksud adalah bencana gempa bumi ataupun gunung meletus. Indonesia merupakan kepulauan yang sering terkena bencana. banyaknya jumlah korban bencana menjadi banyak perhatian untuk masyarakat luar yang tidak terkena dampak bancana alam. Memberikan bantuan adalah usaha untuk menolong korban bencana alam, baik itu bantuan berupa barang ataupun jasa. Proses penganggulangan bencana tentunya memerlukan pengelolaan yang efektif sehingga tepat sasaran dan sesuai dengan kebutuhan korban bencana. Pertimbangan tingkat pemenuhan barang yang dibutuhkan menjadi hal terpenting dalam pemenuhan kebutuhan barang di lokasi bencana. Peran sistem manajemen ini menjadi sangat penting agar barang yang masuk sesuai dengan kebutuhan korban. Dalam proses pengadaan barang yang harus dilakukan adalah pertukaran informasi melalui web yang akurat dan sesuai dengan kebutuhan korban terutama informasi mengenai jumlah dan jenis barang bantuan yang akan dibutuhkan.

2.1. Sistem Informasi Sistem informasi adalah suatu sistem didalam suatu organisasi yang mempertemukan kebutuhan pengolahan transaksi harian, mendukung operasi, bersifat manajerial, dan strategi dari suatu organisasi dan menyediakan pihak luar tertentu dengan laporan-laporan yang diperlukan.[3]

356

2.2. Logistik Sebagaimana dipahami, logistik merupakan komponen utama dari rantai pasok. Rantai pasok dalam sistim manajemen logistik bencana terdiri dari lokasi masuknya logistik, gudang utama, gudang penyalur dan gudang penyimpanan terakhir di pos komando. Proses manajemen logistik dan peralatan dalam penanggulangan bencana meliputi delapan tahapan terdiri dari perencanaan dan inventarisasi kebutuhan, pengadaan dan/atau penerimaan, pergudangan dan/atau penyimpanan, pendistribusian, pengangkutan, penerimaan di tujuan, penghapusan dan pertanggungjawaban.[1] 3. Metode Penelitian Metode yang digunakan pada penelitian ini adalah merujuk pada penelitian sebelumnya yang ada pada Naskah Publikasi yang berjudul “Sistem Informasi Pendistribusian Bantuan Korban Bencana Alam Berbasis Web pada Paguyuban Jalin Merapi” pada tahun 2012, dimana pada penelitian tersebut terdapat kekurangan yaitu belum membahas tentang


permintaan barang dan pengadaan barang. Oleh karena itu pada penelitian itu akan di sempurnakan dengan melakukan penambahan sistem permintaan dan pengadaan barang. 3.1. Feasibility Analisis Analisa kelayakan dari analisa diatas adalah sebagai berikut : 1. Kelayakan opersional a. Permintaan barang yang sesuai dengan kebutuhan korban dapat dilakukan secara cepat karena semua sistem terintegrasi dan dapat di akses secara luas b. Korban bisa mendapatkan kebutuhan mereka secara cepat c. Donatur dapat mengetahui barang apa saja yang dibutuhkan korban sehingga barang yang diberikan donator tepat sasaran 2. Kelayakan Culture a. Kebudayaan bangsa Indonesia pada saat bencana terjadi adalah sering terjadi kekurangan pasokan logistik sehingga korban tidak bisa ditangani secara cepat b. Seringnya terjadi keterlambatan dalam memberikan logistik kepada korban yang membutuhkan. 3.

4.

5.

Kelayakan Teknis a. Jaringan infrastruktur teknologi yang diterapkan belum memenuhi standar kelayakan pada sistem ini b. Sumber daya manusia yang terdapat pada posko-posko pengungsian masih banyak yang belum mengerti teknologi dan sistem yang diterapkan c. Jaringan koneksi internet belum merata pada pedesaan ataupun daerah terpencil. Kelayakan Jadwal a. Jangka waktu pengaplikasian dan pembangunan sistem yang berjangka 2 tahun atau sampai 2016 b. Metode yang digunakan pada pembuatan sistem ini adalah metode waterfall sehingga membutuhkan waktu yang lama tetapi dokumentasi tercatat dengan baik. Kelayakan Hukum a. Penyalagunaan penggunaan kewenangan yang dilakukan oleh perusahaan-peusahaan swasta dapat diatasi dengan ada kebijakan hukum yang mengatur. b. Peraturan Pemerintah Nomor 22 Tahun 2008 tentang Pendanaan dan Pengelolaan Bantuan Bencana (Lembaran Negara Republik Indonesia Tahun 2008 Nomor 43, Tambahan

Lembaran Negara Republik Indonesia Nomor 4829);[2] 3.2. Perancangan Database

Gambar 1. Perancangan Database 3.3. Struktur Database Struktur database terdiri dari penjelasanpenjelasan dari tabel yang ada pada sistem ini. 1. Tabel Donatur Tabel 1. Struktur Tabel Donatur N Nama Typ Leng Constraint o Field e th 1 id_donatur Int 10 Primary Key, Not Null, update cascade, delete no action, 2 nama_don Cha 50 Not null atur r 3 alamat_do Cha 50 Not null natur r 4 JK Cha 10 Not null r 5 telp int 15 Not null 2. Tabel Relawan Tabel 2. Struktur Tabel Relawan N Nama Field Typ Leng Constrain o e th t 1 id_relawan Int 10 Primary Key, Not Null, update cascade, delete no action, 2 nama_relaw Cha 50 Not null

357


an 3 tempat_lahir 4 5 6 7 8

Tgl_lahir alamat JK telp email

r Cha r date char char int char

50

Not null

50 50 15 50

Not null Not null Not null Not null Not null

2

id_barang

int

10

3

jumlah

int

10

delete no action, Foreign Key CHECK jumlah> =0

6. Tabel Distribusi 3. Tabel Posko

N o 1

2 3 4 5 6

Tabel 3. Struktur Tabel Posko Nama Typ Leng Constraint Field e th id_posko Int 10 Primary Key, Not Null, update cascade, delete no action, nama_posk Cha 50 Not null o r tempat_po Cha 50 Not null sko r id_kecama int 10 Foreign Key tan nama_koor char 50 Not null dinasi telp int 15 Not null

4. Tabel Penerimaan Tabel 4. Struktur Tabel Penerimaan N Nama Typ Leng Constraint o Field e th 1 id_masuk Int 10 Primary Key, Not Null, update cascade, delete no action, 2 id_relawan int 10 Foreign Key 3 id_donatur int 10 Foreign Key 4 id_posko int 10 Foreign Key 5 tgl Dat Not null e 6 jam tim Not null e

N o 1

2 3 1 2 3

Tabel 6. Struktur Tabel Distribusi Nama Field Type Leng Constr th aint id_keluar Int 10 Primar y Key, Not Null, update cascade , delete no action, id_relawan int 10 Foreign Key id_posko int 10 Foreign Key id_permintaa Int 10 Foreign n Key tgl date Not null jam time Not null

7. Tabel Permintaan Tabel 7. Struktur Tabel Permintaan N Nama Typ Leng Constraint o Field e th 1 id_permint Int 10 Primary aan Key, Not Null, update cascade, delete no action, 2 id_relawan int 10 Foreign Key 3 id_posko int 10 Foreign Key 4 Nama_bara char 50 Not null ng 5 tgl date Not null

5. Tabel Detail Penerimaan 8. Tabel Detail Permintaan Tabel 5. Struktur Tabel Detail Penerimaan N Nama Type Leng Constrai o Field th nt 1 id_masuk Int 10 Primary Key, Not Null, update cascade,

358

Tabel 8. Struktur Tabel Detail Permintaan N Nama Typ Len Constraint o Field e gth 1 id_permint Int 10 Primary Key, aan Not Null, update cascade, delete


2 id_barang 3 jumlah

int int

10 -

Laporan Korban Bencana

no action, Foreign Key Not Null, CHECK jumlah>= 0

Informasi kebutuhan korban

Posko

Donatur Laporan Barang Masuk Laporan Barang Keluar Laporan Stok Barang Laporan permintaan barang

Data permintaan barang Data Komando Data Korban Data Barang Data Relawan Data Donatur

9. Tabel Barang Tabel 9. Struktur Tabel Barang N Nama Typ Leng Constraint o Field e th 1 id_barang Int 10 Primary Key, Not Null, update cascade, delete no action, 2 nama_bara char 50 Not Null ng 3 id_jenis int 10 Foreign Key

Sistem Manajemen Pengadaan Logistik Bencana

Informasi Donatur

Informasi Bantuan Informasi Kebutuhan Korban

Laporan Daftar Kebutuhan

BPBD

Gambar 2. Diagram Konteks 3.4.2. DFD Level I Gambar dibawah ini merupakan gambar DFD level 1 pada sistem ini proses Sistem Manajemen Pengadaan Logistik Bencana dipecah menjadi 5 proses yaitu : sistem informassi korban bencana, sistem informasi barang, sistem informassi permintaan, sistem informasi kebutuhan, sistem informasi donator.

10. Tabel Jenis_Barang Tabel 10. Struktur Tabel Jenis_Barang N Nama Typ Leng Constraint o Field e th 1 id_jenis Int 10 Primary Key, Not Null, update cascade, delete no action, 2 nama_jenis char 50 Not Null

Input data Korban Posko

Data_korban

Sistem Informasi Korban bencana Laporan Korban Bencana Barang_masuk Input data Barang

Laporan Stok Barang Laporan Barang Masuk Laporan Barang Keluar

Sistem Informasi Barang

11. Tabel Detail_Keluar

Stok_Brg

Barang_Keluar

Input data permintaan barang

N o 1

2 3

Tabel 11. Struktur Tabel Detail_keluar Nama Typ Leng Constraint Field e th id_keluar Int 10 Primary Key, Not Null, update cascade, delete no action, id_barang int 10 Foreign Key jumlah int Not Null, CHECK jumlah>= 0

3.4. Perancangan Sistem 3.4.1. Diagram Konteks Gambar dibawah ini merupakan gambar diagram konteks pada sistem ini mempunyai satu proses yaitu proses Sistem Manajemen Pengadaan Logistik Bencana.

Laporan data permintaan

BPBD

Sistem Informasi Pemintaan

Permintaan_Brg

Informasi Bantuan Informasi kebutuhan korban Sistem Informasi Kebutuhan

Donatur

Informasi Donatur

Sistem Informasi Donatur

Data_Donatur

Informasi Kebutuhan korban

Gambar 3. DFD Level 1

4.

Implementasi Dan Pembahasan

Setelah melakukan analisa terhadap sistem dan perancangan sistem, maka yang selanjutnya yaitu melakukan implementasi sistem. Pada implementasi beberapa inputan masih merujuk ke sistem yang awal yaitu pada Naskah Publikasi di STMIK AMIKOM Yogyakarta yang berjudul

359


“Sistem Informasi Pendistribusian Bantuan Korban Bencana Alam Berbasis Web pada Paguyuban Jalin Merapi” pada tahun 2012. Pada implementasi ini penulis hanya menampilkan fitur-fitur tambahan yang dianalisa dan dirancang sebelumnya.

4.3. Halaman Output Permintaan Gambar ini merupakan halaman cetak laporan yang akan di print perperiode. Laporan ini diberikan kepada Posko sehingga mengetahui apa-apa saja permintaan barang perperiode.

4.1. Halaman Input Permintaan Gambar dibawah ini merupakan gambar untuk menginputkan permintaan barang apa saja yang sesuai dengan kebutuhan korban, baik itu obat-obatan, selimut, susu atau pakaian. Dimana form ini di isi oleh kepala posko yang sebelumnya melakukan survey untuk mengetahui kebutuhan korban sehingga barang yang di inputkan akurat dan sesuai dengan kebutuhan korban.

Gambar 3. Halaman Output Permintaan 5.

Kesimpulan

Berdasarkan penelitian dan perancangan yang penulis kerjakan dan berdasarkan dari rumusan masalah yang ada pada jurnal sebelumnya yaitu Naskah Publikasi di STMIK AMIKOM Yogyakarta yang berjudul “Sistem Informasi Pendistribusian Bantuan Korban Bencana Alam Berbasis Web pada Paguyuban Jalin Merapi” kesimpulan yang di dapat yaitu: 1. Perancangan sistem ini dapat menghemat biaya dan waktu dalam penyampaian informasi yang dibutuhkan 2. Sistem ini memberikan informasi kepada user sehingga informasi dapat dilakukan secara terbuka 3. Sistem ini menampilkan permintaan barang logistik, pendistribusian barang logistik dan laporan barang logistik sehingga ada transparansi informasi barang logistik. 6. Gambar 4. Halaman Input Permintaan 4.2. Halaman Detail permintaan Gambar dibawah ini merupakan gambar untuk menginputkan permintaan

Saran

Beberapa saran untuk sistem yang dirancang ini adalah : 1. Sistem ini harus dilengkapi dengan fiturfitur terkait sehingga penggunaan sistem ini menjadi lebih optimal. 2. Setiap inputan harus disertai dengan fitur laporan sehingga data diolah secara transparansi dan akurat. Daftar Pustaka [1]

[2] Gambar 5. Halaman Detail Permintaan

360

Faya Mahdia dan Fiftin Noviyanto, 2013, Pemanfaatan Google Maps Api Untuk Pembangunan Sistem Informasi Manajemen Bantuan Logistik Pasca Bancana Alam Berbasis Mobile Web” Jurnal Sarjana Teknik Informatika Volume 1 Nomor 1, hal 162-171 Peraturan Kepala Badan Nasional Penanggulangan Bencana No 20 Tahun 2011 “Pedoman Monitoring Dan Evaluasi


[3]

Manajemen Logistik Penanggulangan Bencana” Rika Ampuh Hadiguna Dan Agus Wibowo, 2012, Simulasi Sistim Logistik Bantuan Bencana Gempa–Tsunami: Studi

[4]

Kasus Di Kota Padang, Jurnal Teknik Industri, Vol. 13 No.2, hal 116-125 Robert K. Leitch dan K. Roscoe Davis, 1983, Accounting Information Systems, Prentice-Hall, New Jersey.

361


PERBANDINGAN KINERJA WIRESHARK DAN CAIN DALAM ANALISIS JARINGAN INTERNET Edy Victor Haryanto1 , Anderian2 1,2

STMIK Potensi Utama Jl. K. L Yos Sudarso Km.6,5 No.3A Tanjung Mulia Medan Email : edyvictor@gmail.com, the.dark.heart19@gmail.com

Abstrak Pengamanan data pada saat sangat dibutuhkan sekali, apalagi dalam hal jaringan komputer, siapapun dan dimanapun jaringan kita dapat dibobol atau diakses orang lain tanpa kita sendiri ketahui, maka dari itu perlu diketahui bagaimana seseorang dapat mengakses jaringan komputer kita atau orang lain, dalam penelitian ini akan dibahas mengenai metode wireshark dan cain dalam penggunaan jaringan internet Kata Kunci : Jaringan komputer, sniffing, jaringan nirkabel, Cain. 1.

PENDAHULUAN

Seiring dengan semakin berkembangnya teknologi internet, kejahatan yang memanfaatkan teknologi ini juga semakin meningkat. Hal ini ditambah lagi dengan semakin banyaknya peredaran aplikasi gratis yang dapat digunakan untuk melancarkan usaha pembobolan suatu sistem berbasis teknologi jaringan internet. Akan tetapi internet bukan tanpa resiko, karena maraknya kegiatan cyber crime akhir-akhir ini yang bisa mencuri data dan penyadapan transmisi pada jaringan. Oleh karena itulah dibutuhkan suatu aplikasi penganalisa jaringan yang bernama Cain dan Wireshark . Cain adalah suatu aplikasi pemulihan sandi untuk sistem operasi Microsoft. Untuk itu Cain dapat melakukan pemulihan password dengan mengendus protocol jaringan yang ada, membuka password yang didekripsi melalui kamus, merekam percakapan VoIP, memecahkan kode secara acak, dan memulihkan kunci jaringan nirkabel. 2.

Gambar 1. Akses role dari wireless LAN 3.

Analisis Hasil Pengujian

3.1

Hasil Pengujian Cain Pengujian yang dilakukan disini adalah pada Wifi yang ada, yaitu SSID Wi-Fi. Ujicoba yang dilakukan adalah seperti berikut : Untuk melakukan analisis dengan Cain, maka terlebih dahulu dibuka program aplikasi Cain, klik kanan pada shortcut Cain, lalu pilih Run As Administrator.

Landasan Teori

2.2 Aplikasi Wireless LAN 2.2.1 Akses Role Wireless LAN kebanyakan menyebar dalam suatu lapisan akses,maksudnya mereka digunakan sebagai suatu titik masukan ke dalam suatu kabeljaringan. Di masa lalu, akses telah digambarkan sebagai dial-up, ADSI, kabel / telegram, selular, Ethernet, Token Ring, Frame Relay, ATM, dan lain lain. Wireless cara sederhana yang lain untuk para user dalam mengakses jaringantersebut. Wireless LAN adalah lapisan jaringan Data-Link seperti cara akses semuanya hanya mendaftar saja. Dalam kaitan dengan kecepatan, jaringan nirkabel

362

tidaklah tepat diterapkan dalam distributor atau sebagai inti dalam jaringan.

Gambar 7. Membuka aplikasi Cain pada Windows 7


Hasilnya dapat dilihat seperti pada gambar berikut :

Gambar 8. Tampilan Menu Utama Cain Selanjutnya, pilih menu Configure, lalu akan muncul menu Configure seperti berikut :

Gambar 11. Menghidupkan Sistem Sniffer Pada Cain Lalu klik tombol add to list yang berwarna biru untuk menambahkan host yang akan di sniffing, lalu klik ok.

Gambar 9. Tampilan Letak Menu Configure pada Cain Penulis akan melakukan suatu teknik penyadapan yang dinamakan ARP Poisoning atau yang lebih dikenal dengan istilah Man In The Middle Attack. Selanjutnya klik configure lalu tentukan interface yang digunakan, disini penulis menggunakan wireless. Untuk melihat lebih jelas apakah tersebut adalah LAN atau wireless, dapat di scroll ke kanan, lalu klik OK.

Gambar 12. Memasukkan Host yang Ada Pada Jaringan Maka Cain akan menampilkan semua host yang terdapat pada jaringan, seperti berikut :

Gambar 13. Tampilan dari Semua Host Dalam Kondisi Idle

Gambar 10. Tampilan Pemilihan Interface yang Ingin Digunakan Lalu pilih tab sniffer, dan juga klik button sniffer

Bila dilihat pada gambar di atas, maka status dari semua host adalah idle artinya belum ada aktifitas yang didapat oleh Cain terhadap setiap host yang ada. Untuk itu, selanjutnya blok semua host dan klik button arp yang berwarna kuning sebelah atas, sehingga status semua host menjadi poisoning.

363


Gambar 14. Melakukan ARP Poisoning pada Host yang Sudah Didapat Oleh Cain Pilih tab password yang berada di sebelah bawah, sehingga dapat terlihat apakah ada host yang melakukan login ke dalam suatu situs. Pada gambar di bawah di dapatkan username dan password dari salah satu host yang melakukan login ke situs http://www.ziddu.com, dengan username the.dark.heart19@gmail.com dan password krm236

perancangan client menggunakan sistem operasi windows. Disini penulis akan menjelaskan cara melakukan sniffing pada protocol HTTP (Hypertext Transfer Protocol), pada akses point WIFI. Protokol HTTP adalah protokol yang digunakan untuk transfer data di dalam internet antara server dan client. Langkah pertama yang harus dilakukan adalah masuk sebagai root user dari terminal linux, ketik ctrl+alt+t dari keyboard untuk membuka terminal, lalu ketikkan sudo su untuk masuk sebagai root user, lalu masukkan passwordnya, dan ketik sudo wireshark untuk memanggil aplikasi Wireshark seperti pada gambar berikut ini :

Gambar 16. Tampilan Perintah dan Menu Utama Wireshark

Gambar 15. Hasil Dari Host yang Melakukan Login Dari hasil percobaan di atas, maka dapat diketahui bahwa Cain sangat berguna jika digunakan dengan baik oleh seorang administrator jaringan. hitung untuk kenaikan rata kuat sinyal wireless dari perangkat access point yang kuat sinyalnya dikuatkan dengan penguat sinyal yang menggunkaan kaleng minuman bekas dapat mempengaruhi penguatan sinyal sebesar 15.84158 % dari nilai kuat sinyal access point standart. Nilai sebesar 15.84158 merupakan nilai hasil rata – rata penguatan sinyal yang dilakukan terhadap 20 kali pengujian kuat sinyal. Hasil nilai prosentasi 15.84158 % dapat disimpulkan bahwa kaleng minuman bekas dapat menaikkan kuat sinyal transmisi wireless sebesar prosentasi penghitungan. 3.2. 3.2.1.

Hasil Pengujian Wireshark Sniffing Paket HTTP Uji coba analisis jaringan komputer melalui komputer user/sniffer mail server dilakukan melalui sistem operasi Ubuntu Dekstop 12.04, sedangkan client menggunakan sistem operasi windows, bisa juga digunakan sistem operasi lain, tetapi penulis pada uji coba

364

Setelah tampilan Wireshark muncul, pilih tab capture lalu capture option untuk memilih interface jaringan yang kita gunakan, disini penulis memakai LAN, sehingga interface dipilih adalah eth0.

Gambar 17. Tampilan Capture Options Wireshark Setelah itu, maka akan muncul hasil record yang didapat secara real time oleh Wireshark, tetapi karena Wireshark merekam semua lalu lintas yang terdapat dalam jaringan, maka semua informasi tersebut akan langsung di capture dalam tampilan Wireshark. Untuk itu diperlukan filter untuk menentukan paket apa saja yang ingin diketahui oleh user. Ketikkan http pada kolom filter sehingga paket yang muncul adalah yang memakai protokol http.


analisis paket pada protokol HTTPS. Masih dalam live capture yang sama, penulis akan menganalisis salah satu paket yang terekam dari situs http://www.facebook.com yaitu paket logout dari salah satu user, seperti terlihat dalam gambar IV.5 berikut ini.

Gambar 18. Tampilan Wireshark dengan Filter Http Lalu setelah ditemukan paket protokol yang diinginkan, seperti pada gambar, berasal dari situs http://www.ziddu.com. klik kanan pada paket tersebut, lalu klik Follow TCP Stream untuk melihat detail informasi yang didapatkan dari paket tersebut. Gambar berikut merupakan isi detail paket tersebut.

Gambar 20. Paket Logout dari Host Facebook Klik kanan, dan pilih Follow TCP String untuk melihat detailnya, dan akan muncul seperti gambar berikut ini.

Gambar 19. Tampilan Detail Paket HTTP yang Dicapture 3.2.1.1. Analisis Paket HTTP Berdasarkan paket yang didapat, host tujuan yang digunakan adalah http://www.ziddu.com, hal tersebut berdasarkan pada baris informasi paket yaitu Referer: http://www.ziddu.com/upload.php. Tanggal pengambilan paket terlihat pada baris Date: Thu, 07 Nov 2013 16:16:36 GMT, yaitu hari Kamis, 7 November 2013. Server host ziddu menggunakan Apache, sesuai dengan baris informasi Server: Apache. Pada baris yang diseleksi, terdapat informasi mengenai akun pengguna yaitu username : Poo22, dan email : the.dark.heart19@gmail.com. Hal tersebut merupakan salah satu kelemahan protokol HTTP, karena tidak memiliki enkripsi, sehingga seringkali username dan password pengguna dapat tertangkap oleh pengguna yang tidak berhak. Untuk itu tidak ada, transaksi internet banking, dan pembayaran lainnya menggunakan protokol ini. Sniffing Paket HTTPS (HTTP Secure) Untuk mengetahui perbedaannya dengan protokol HTTP, maka penulis akan menjabarkan

Gambar 21. Detail Paket dari Logout Facebook Untuk melihat server enkripsi yang digunakan situs ini, maka dapat dilakukan dengan mengetik pada filter, sintaks berikut : ssl contains "facebook". Maka akan muncul paket data protokol SSL ( Secure Socket Layer) yaitu protokol keamanan data yang digunakan untuk menjaga pengiriman data antar server dan client.

3.3.

Gambar 22. Tampilan Filter SSL Facebook

365


Daftar Rujukan [1]

[2]

[3] Gambar 23. Detail Paket Protokol SSLv1 pada Facebook 3.3.1.

Analisis Paket HTTPS (HTTP Secure) Berdasarkan paket logout yang terekam, maka dapat dilihat bahwa paket dalam keadaan sudah terenkripsi, hal tersebut terlihat pada baris yang diseleksi yaitu cookie, seperti datr = NG51Ugn8Md-RnipEwrEEIrM2, dan facebook menulis data ID pengguna yaitu pada c_user = 100001236222422 dan selanjutnya. Facebook menggunakan jasa suatu server untuk keperluan enkripsi. Hasilnya berdasarkan gambar, diketahui bahwa server yang mememberikan tanda tangan digital dalam keperluan dekripsi, terlihat pada gambar, yaitu www.verisign.com. Perbandingan antara Wireshark dan Cain

1.

2.

Wireshark Untuk penggunaan 1. pada OS Linux, dibutuhkan aplikasi pendukung seperti Ettercap agar mendapat hasil sniffing yang lebih baik. Memiliki banyak fungsi seperti pemeliharaan jaringan, mencari pengguna arp poisoning, dll. 4.

Cain Tidak tersedia untuk Linux, dan tidak memerlukan aplikasi lain sebagai pembantu.

[5] [6]

[7]

[8]

[9]

[10] [11]

Fungsinya lebih ke enkripsi kata sandi jaringan

[12]

[13] [14] [15]

Kesimpulan

Berdasarkan dari proses pengujian yang telah dilakukan, dapat disimpulkan bahwa keamanan yang dimiliki oleh jaringan tanpa kabel atau wireless cukup rentan akan penyadapan, karena dengan melalui Cain, serangan Man In The Middle Attack dapat dilakukan tanpa adanya rintangan atau kemanan yang harus dilalui.

366

[4]

[16]

Witono Timotius. 2006. Linux-Based Access point Dalam Wireless LAN. (Jurnal Informatika, Vol. 2, No.2). Bandung : Sekretariat Jurnal Informatika UKM Arifin Zaenal. 2008. Sistem Pengamanan Jaringan Wireless LAN. Yogyakarta : ANDI Purbo, Onno.W, 1998, TCP/IP Standar, Desain dan Implementasi, PT. Elex Media Komputindo, Jakarta. Joko I. Mumpuni dan Adisuryo Wardono. 2006. Meningkatkan Kemampuan Jaringan Komputer. Yogyakarta : ANDI Prakoso Samuel. 2005. Jaringan Komputer Linux Konsep Dasar, Instalasi, Aplikasi, Keamanan, dan Penerapan. Yogyakarta : ANDI Nuraksa Makodian dan Lingga Wardhana. 2009. Teknologi Wireless Communication dan Wireless Broadband. Yogyakarta : ANDI Stalling W, Data and Computer Communication, Macmillan Publishing, 1985. Hartono,Jogianto.1999.Pengenalan omputer, dasar ilmu komputer, pemrograman,sistem informasi dan intelegnsi buatan.Yogyakarta : Penerbit ANDI Stalling, W.Local Network, Macmillan Publishing Company, 1985 Arifin Zainal.2005.Langkah Mudah Membangun Jaringan Komputer. Yogyakarta :Penerbit ANDI IEEEb http://www.IEEE802.org/11/ Diakses terakhir pada tanggal 11 November 2012 , pukul 22.55 WITA Wireless Technology Hidayat Risanuri.2003. Wireless LAN. Yogyakarta http://compnetworking.about.com/cs/wirel ess80211/a/aa80211standard.htm/ Diakses terkahir pada tanggal 20 November 2012, pukul 18:05 Signal Interferensi http://www.far-faraway.com/~yousif/articles/wifi-sig.php Diakses terakhir pada tanggal 25 Oktober 2012 , pukul 22.00 WITA.


PENERAPAN CERTAINTY FACTOR DALAM SISTEM PAKAR MENDIAGNOSA HAMA DAN PENYAKIT TANAMAN PAPAYA Khairul Ummi, Edi Kurniawan STMIK Potensi Utama, Jl. K.L Yos Sudarso Km.6,5 No.3A Tanjung Mulia ummi12gibmie@gmail.com

Abstrak Pepaya merupakan salah satu buah yang banyak dinikmati, selain rasanya yang manis menyegarkan, pepaya juga mengandung nutrisi yang sangat baik bagi kesehatan. Betakaroten, Vit C, Vit B1, B2, Kalsium, Fospor, Kalium, dan Betakaroten berfungsi sebagai antioksidan. Sehubungan dengan upaya pembudidayaan pepaya, terdapat beberapa kendala, diantaranya adalah hama dan penyakit. Menurut hasil wawancara dengan petani pepaya, pengetahuan masyarakat, khususnya para petani pepaya sangat minim. Kurangnya informasi yang didapat oleh para penyuluh pertanian untuk memberikan pengarahan pada para petani pepaya juga merupakan permasalahan utama yang menjadi dasar dibangunnya Sistem Pakar untuk Mendiagnosis Penyakit pada Tanaman Pepaya. Dalam menentukan keputusan jenis penyakit tanaman pepaya, sistem ini menggunakan konsep Certainty Factor (CF). Sistem akan mencari nilai CF tertinggi, dari berbagai kemungkinan jenis penyakit berdasarkan gejala yang dimasukkan user dan hasilnya ditampilkan kepada user. Sistem Pakar untuk Mendiagnosis Penyakit pada Tanaman Pepaya menghasilkan keputusan penentuan jenis penyakit berdasarkan gejala yang dimasukkan. Nilai CF yang mungkin dihasilkan adalah antara 0 sampai dengan 1. Jika nilai CF yang dihasilkan semakin mendekati 1, maka semakin tinggi kepastian terkena penyakit terkait. Sebaliknya, Jika nilai CF yang dihasilkan semakin mendekati 0, maka semakin rendah kepastian terkena penyakit terkait. Hasil diagnosis yang ditampilkan bagi pengguna meliputi nama penyakit, gejala, dan Solusi mengatasi hama dan penyakit pada tanaman pepaya. Kata kunci : Certainty Factor, Tanaman Pepaya, Sistem Pakar PENDAHULUAN Perkembangan teknologi dan Ilmu Pengetahuan yang pesat pada saat ini, menuntut adanya kemudahan proses pada segala bidang kerja. Komputer merupakan salah satu media yang mempunyai banyak kelebihan diantaranya kecepatan, keakuratan dan efisien dalam pengolahan data dibanding dengan sistem manual. Dalam kehidupan modern seperti sekarang ini, informasi telah menempati posisi yang sangat menentukan, karena kondisi seperti itu sehingga banyak orang menyebut sebagai zaman informasi. Pengembangan kecerdasan buatan khususnya dibidang sistem pakar menjadi sesuatu yang masih sangat sulit untuk di implementasikan. Hal ini disebabkan karena masih adanya keterbatasan sistem, baik perangkat keras maupun perangkat lunak untuk melakukan pengolahan data berskala besar, padahal kekuatan utama sistem pakar adalah basis pengetahuan dan basis aturan yang terdiri atas kumpulan data yang sangat banyak. Pepaya merupakan salah satu buah yang banyak dinikmati, selain rasanya yang manis menyegarkan, pepaya juga mengandung nutrisi yang sangat baik bagi kesehatan. Betakaroten, Vit C, Vit B1, B2, Kalsium, Fospor, Kalium, dan Betakaroten berfungsi sebagai antioksidan. Selain itu Manfaat pepaya memang bisa digunakan

dalam dunia kesehatan maupun kecantikan. Tidak hanya buahnya saja yang bisa kita ambil manfaatnya, namun daun pepaya juga sangat berkhasiat dan baik untuk kesehatan tubuh seharihari, mulai dari untuk menambah nafsu makan, memperlancar pencernaan, hingga digunakan sebagai masker untuk mengatasi jerawat. Tapi Banyak masyarakat yang kurang paham tentang penyakit tanaman pepaya. Untuk memperoleh Informasi tentang penyakit, gejala dan cara penanggulangan penyakit pada tanaman papaya. LANDASAN TEORI Sistem Pakar Bidang sistem pakar merupakan penyelesaiaan pendekatan yang sangat berhasil dan bagus untuk permasalahan AI (Artificial Intelligent) klasik dari pemograman intelligent (cerdas). Sistem pakar (expert system) merupakan solusi AI bagi masalah pemrograman pintar (intelligent). Profesor Edward Feigenbaum dari Stanford University yang merupakan pionir dalam teknologi sistem pakar mendefinisikan sistem pakar sebagai sebuah program kamputer pintar (intelligent computer program) yang memanfaatkan pengetahuan (knowledge) dan prosedur inferensi (inference procedure) untuk

367


memecahkan masalah yang cukup sulit sehingga membutuhkan keahlian khusus dari manusia. Dengan kata lain, sistem pakar adalah sistem komputer yang ditujukan untuk meniru semua aspek (emulates) kemampuan pengambilan keputusan (decision making) seorang pakar. Sistem pakar memanfaatkan secara maksimal pengetahuan khusus selayaknya seorang pakar untuk memecahkan masalah. [1] Manfaat Sistem Pakar Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain [2]: 13. Membuat seorang yang awam bekerja seperti layaknya seorang pakar. 14. Meningkatkan produktivitas akibat meningkatnya kualitas hasil pekerjaan, mengingkatnya kualitas pekerjaan ini disebabkan meningkatnya efisiensi kerja. 15. Menghemat waktu kerja. 16. Menyederhanakan pekerjaan. 17. Merupakan arsip terpercaya dari sebuah keahlian, sehingga bagi pemakai sistem pakar seolah-olah berkonsultasi langsung dengan sang pakar, meskipun mungkin sang pakar telah tiada. Memperluas jangkauan, dari keahlian seorang pakar. Di mana sebuah sistem pakar yang telah disahkan, akan sama saja artinya dengan seorang pakar yang tersedia dalam jumlah besar (dapat diperbanyak dengan kemampuan yang persis sama), dapat diperoleh dan dipakai di mana saja. Metode Certainty Factor Dalam aplikasi sistem pakar terdapat suatu metode untuk menyelesaikan masalahketidakpastian data, salah satu metode yang dapat digunakan adalah faktor kepastian (certainty factor ) (Kusrini, 2008). Faktor keyakinan diperkenalkan oleh ShortliffeBuchanan dalam pembuatan MYCIN (Wesley).Certainty factor (CF) merupakan nilaiparameter klinis yang diberikan MYCIN untuk menunjukan besarnya kepercayaan. Ada 2 macam faktor kepastian yang digunakan, yaitu faktor kepastian yang diisikan oleh pakarbersama dengan aturan dan faktor kepastian yang diberikan oleh pengguna.Faktor kepastian yang diisikan oleh pakar menggambarkan kepercayaan pakarterhadap hubungan antara antacedent dan konsekuen. Sementara itu faktor kepastian daripengguna menunjukan besarnya kepercayaan terhadap keberadaan masing-masing elemen dalam antecedent. Penerapan Metode Certainty Factor Certainty factor diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN (Wesley 1984).Certainty factor (CF) merupakan nilai

368

parameter klinis yang diberikanMYCIN untuk menunjukkan besarnya kepercayaan. Certainty factor didefinisikan sebagai berikut (Giarattano dan Riley, 1994): CF(H,E) = MB(H,E) - MD(H,E)……………[2.1] CF(H,E): certainty factor dari hipotesis H yang dipengaruhi oleh gejala (evidence) E.Besarnya CF berkisar antara -1 sampai dengan 1. Nilai -1 menunjukanketidakpercayaan mutlak sedangkan nilai 1 menunjukan kepercayaan mutlak. MB(H,E): ukuran kenaikan kepercayaan (measure of increased belief ) terhadaphipotesis H yang dipengaruhi oleh gejala E. MD(H,E): ukuran kenaikan ketidakpercayaan (measure of increased disbelief ) terhadaphipotesis H yang dipengaruhi oleh gejala E. 2.3. Menentukan CF Paralel Menurut Kusrini (2008) pengertian mengenai certainty factor paralel dan contoh penerapannya adalah sebagai berikut.Certainty factor paralel merupakan CF yangdiperoleh dari beberapa premis pada sebuah aturan. Besarnya CF paralel dipengaruhi olehCF user untuk masing-masing premis dan operator dari premis. Rumus untuk masing-masing operator adalah sebagai berikut : CF (x Dan y)= Min(CF(x),CF(y)) .…….……[2.2] CF (x Atau y)= Max(CF(x),CF(y))……….…..[2.3] CF (Tidak x)= -CF(x)..………………………[2.4] Pengetahuan mengenai Tanaman Pepaya Pepaya merupaka tanaman buah berupa herba dari family Caricaceae yang berasal dari amerika tengan dan Hindia barat, bahkan kawasan sekitar meksiko dan kosta rika. Tanaman papaya ditanam orang, baik didaerah tropis maupun subtropics, disaerah-daerah basah dan kering, atau didaerahdaerah dataran pegunungan (sampai 1.00 m dpl). Buah papaya merupakan buah meja bermutu dan bergizi tinggi. Papaya merupakan salah satu jenis buah yang memiliki prospek yang baik untuk dikembangkan di Indonesia.[4] METODOLOGI PENELITIAN Subjek penelitian ini adalah membuat aplikasi sistem pakar penentuan penyakit pada tumbuhan pepaya berdasarkan gejala yang ada dan memberitahukan cara penanggulangan dari penyakit tanaman pepaya dengan menggunakan metode certainty factor. Langkah yang dilakukan dalam penelitian ini meliputi analisis data: mengumpulkan data dan mendiskripsikan data. Perancangan Sistem : Mengidentifikasi masalah dan kebutuhan, menentukan masalah yang cocok,


akusisi Pengetahuan, rekayasa Pengetahuan : tabel keputusan, pohon keputusan, tabel aturan, perancangan sistem : DVD level 0 dan flowchart sistem. hasil program : form hasil konsultasi.

Factor dengan menentukan nilai CF untuk Penyakit dan Gejala. Metode penanganan ketidakpastian pada sistem pakar identifikasi penyakit Tanaman pepaya ini menggunakan certainty factor dengan rentang CF antara -1 (definitely false) sampai +1 (definitely true)

ANALISA DAN PERANCANGAN SISTEM Tabel 1. Nilai CF untuk Penyakit Kode Nilai Nama Gangguan Gangguan CF 0.6 P001 Kutu Putih

Analisa Untuk mendiagnosa penyakit pada tanaman pepaya perlu diketahui terlebih dahulu gejalagejala yang timbul. Meskipun dari gejala klinis (gejala-gejala yang terlihat langsung). Ada 3 tabel untuk membantu Rule basis pengetahuan menentukan nilai CF untuk mendiagnosa penyakit pada tumbuhan pepaya yaitu tabel penyakit, tabel gejala, tabel solusi, serta akan digambarkan dengan menggunakan pohon keputusan.

P002 P003 P004

Perancangan Sistem Penggambaran perancangan sistem menggunakan DFD Level 0 dan Flowchart sebagai berikut : Konfirmasi Logon

Gejala Penyakit

User Nama Penyakit Informasi Penyakit

Sistem Pakar mendiagnosa Penyakit Tanaman pepaya

Pakar Nama Penyakit GejalaPenyakit Informasi Penyakit Aturan Nilai CF Konfirmasi Logon

Gambar 1. DVD Level 0

Mulai

Tampilkan Pilihan gejala

Kode Solusi Solusi = kdpenyakit

Tampilkan hasil diagnosa

S001

S002 S003

Selesai

S004 Gambar 2. Flowchart sistem

0.7 0.6 0.5

Tabel 2. Nilai CF untuk Tabel Gejala Kode Nilai Nama Gejala Gejala CF G001 Terdapat bercak putih pada 0.7 belakang daun G002 Daun terlihat layu 0.8 G003 Tumbuhan Sulit Berkembang 0.6 G004 Pucuk daun mengering 0.8 G005 Daun menggulung 0.8 G006 Bentuk bunga tidak sempurna 0.7 G007 Daun muda menjadi pucat 0.7 ketika membesar G008 Bercak merah pada daun tua 0.6 G009 Ada tenunan seperti sarang 0.8 laba - laba pada permukaan bawah daun G010 Sel - sel daun membesar karena 0.6 pengaruh enzim G011 Buah membusuk di sebagian 0.8 tempat G012 Busuk pada buah berair 0.7 G013 Banyak buah muda yang 0.5 rontok

Baca pilihan gejala sesuaikan dengan aturan

If solusi = 0

Kutu Tanaman ( Aphid ) Tungau ( Acarina ) Lalat Buah

Tabel 3. Tabel Solusi Kode Solusi Gangguan Penyiraman tanaman dengan pestidida dan P001 perhatian untuk pemeliharaan lebih rutin Penyemprotan tepung deris P002 atau tepung belerang Penyemprotan tepung deris P003 atau tepung belerang Menjaga kebersihan areal P004 pertanaman dan menginfus tanaman dengan insektisida

Perencanaan pembuatan sistem meliputi perencanaan sistem pakar dalam perancangan sistem diagnosa menggunakan metode Certainty

369


Gambar 4. Form Konsultasi Form hasil konsultasi

Tabel 4. Tabel Keputusan Kode Gejala G001 G002 G003 G004 G005 G006 G007 G008 G009 G010 G011 G012 G013

Kode Gangguan P001

P002

P003

P004

* * * * * * * * * * * * *

Gambar 5. Form Hasil Konsultasi

PEMBAHASAN Dari tabel yang sudah dipaparkan sebelumnya maka sebagai hasil uji coba sistem aplikasi yang dibangun dihitung untuk tingkat keakuratan menggunakan metode CF.

No 1

Gambar 3. Pohon Keputusan

2 3

Tabel 5. Contoh perhitungan Gejala Penyakit Terdapat bercak putih pada belakang daun Daun terlihat layu Tumbuhan Sulit Berkembang

Kutu Putih

Nilai CF 0,7

Kutu Putih Kutu Putih

0,8 0,6

HASIL dan PEMBAHASAN Hasil Dari hasil perancangan sistem yang sebelumnya terdapat hasil tampilah aplikas yang dibangun sebagai berikut : Form konsultasi

CF(H,e) = CF (E,e) * CF(H,E) CF(E,e) = 1  nilai kepastian CF(H,E) = min [ Rule CF(H,e)]  nilai 1 jika menggunakan min, -1 jika menggunakan max untuk batas kepastian CF(H,e) = 1 * min [0.7, 0.8, 0.6] CF(H,e) = 0.6 Dari perhitungan di atas, didapatkan nilai faktor kepastian dari masukan gejala untuk gangguan hama kutu putih adalah 0,6

KESIMPULAN Pada penelitian ini menggunakan metode certainty factor dalam pengembangan sistem pakar untuk mendiagnosa Tanaman Pepaya. Hasil akhir yang didapat dalam aplikasi berupa jenis penyakit berdasarkan gejala yang dipilih oleh user. Pada penerapan certainty factor dalam

370


permasalahan ini dikatakan sudah sesuai dengan hasil perhitungan manual dan hasil diberikan oleh sistem. Berdasarkan hasil analisa yang dilakukan dengan teknik sampling menunjukkan hasil 80% dengan nilai CF yang telah ditetapkan., pengguna merasa pada aplikasi yang dibuat sangat baik dengan presentase 80 %.

[2]

DAFTRA PUSTAKA

[4]

[1]

[3]

Sari Ria Eka, 2013, Sistem Pakar Untuk Mendeteksi Penyakit THT Dengan Menggunakan Metode Forward Chaining, Prosiding SNIf STMIK Potensi Utama 2013. Kusrini, 2008, Menentukan Faktor Kepastian Pengguna dengan metode kuantifikasi pertanyaan, Yogyakarta : Andi. Tim Karya Tani Mandiri, 2011, Pedoman Bertanam Pepaya, Bandung : Nusa Aulia

Rosnelly Rika, 2012, Sistem Pakar Konsep dan Teori, Yogyakarta, Andi Offset.

371


SISTEM PENDUKUNG KEPUTUSAN PENENTUAN MAHASISWA TUGAS BELAJAR Cucut Susanto1, Abdul Ibrahim2 1,2

Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK) Dipanegara Makassar Jl. Perintis Kemerdekaan Km 9 Tamalanrea Makassar Telp. 0411-587194\ Email : cucut73@yahoo.com1, dg_b01m@yahoo.com2

Abstrak Sistem Pendukung Keputusan Penentuan Mahasiswa Tugas Belajar merupakan program aplikasi yang dapat dengan mudah dioperasikan dan digunakan guna menyeleksi para pegawai negeri sipil yang akan diberikan penghargaan berupa tugas belajar ke perbagai jenjang pendidikan tinggi yang tersebar dibeberapa kota di Indonesia dalam rangka peningkatan kualitas sumber daya aparatur. Hasil dari penelitian ini adalah bahwa Sistem Pendukung Keputusan ini dibuat dengan pemodelan yang memperhatikan berbagai faktor yang dipakai sebagai kriteria penilaian dan pemberian bobot diantaranya masa kerja, usia, kepangkatan, senioritas, keadilan dan berbagai faktor lainnya yang dianggap relevan dengan kondisi dan realita pada Pemerintah Kabupaten Maros. Model yang dibangun bersifat sederhana dan mudah untuk dioperasikan/digunakan serta dilengkapi petunjuk penggunaan, memiliki kriteria-kriteria yang dapat dirubah bobot nilainya sesuai dengan kesepakatan dan kebutuhan, dan sebagai penentu mahasiswa tugas belajar memberikan penilaian kepada setiap calon mahasiswa guna membantu Pimpinan Daerah untuk menentukan Calon Mahasiswa tugas belajar yang paling layak pada Pemerintah Kabupaten Maros. Kata kunci : Sistem Pendukung Keputusan, Penentuan 1.

Pendahuluan

Dengan telah diundangkannya UU No. 22 Tahun 1999 tentang Pemerintahan Daerah, dimana daerah diberikan kewenangan yang luas, nyata dan bertanggungjawab secara proporsional yang diwujudkan melalui pengaturan dan pemanfaatan sumber daya nasional yang berkeadilan, muara dari pelaksanaan otonomi daerah adalah terselenggaranya pemerintahan yang baik (Good Governance) dan bertanggungjawab. Pembaharuan berbagai kebijaksanaan pemerintah untuk mengakselarasi implementasi otonomi daerah secara umum dan perwujudan visi dan misi Kabupaten Maros, diharapkan dapat menjadi instrumen yang efektif untuk mengoptimalkan pemberdayaan dan pemanfaatan sumber daya daerah, sehingga pada gilirannya daerah dapat meningkatkan kelancaran dan kesinambungan pembangunan namun keberhasilan penyelenggaraan otonomi daerah sangat ditentukan oleh kesiapan dan kemampuan daerah itu sendiri dalam mengelola dan memberdayakan seluruh potensi dan sumberdaya yang tersedia secara sinergi, untuk dimanfaatkan bagi kepentingan pembangunan daerah khususnya dan pembangunan nasional pada umumnya (www.kominfo.com, 3/03/04). Pengembangan dan peningkatan Sumber Daya Manusia merupakan faktor yang sangat penting dalam memberikan jawaban terhadap berbagai masalah yang terjadi dalam suatu organisasi.

372

Pengembangan sumber daya manusia dalam suatu organisasi formal/birokrasi sudah merupakan keharusan. Karena keterbatasan kemampuan dan rendahnya profesionalisme pada gilirannya akan memberikan sumbangan yang sangat terbatas bagi pencapaian tujuan suatu organisasi, lebih khusus pada pemerintahan di daerah. Pengembangan sumber daya manusia pada umumnya dan aparatur khususnya di daerah dilaksanakan melalui pendidikan dan latihan yang bertujuan meningkatkan semangat pengabdian, kualitas, keahlian, keterampilan juga diarahkan untuk mewujudkan pola pikir yang luas dan berwawasan nusantara. Pengembangan dan peningkatan aparatur mengacu pada Manajemen Pegawai Negeri Sipil yang merupakan keseluruhan upaya-upaya untuk meningkatkan efisiensi, efektivitas dan derajat profesionalisme penyelenggaraan tugas, fungsi dan kewajiban kepegawaian yang meliputi perencanaan, pengadaan, pengembangan kualitas, penempatan, promosi, penggajian, kesejahteraan dan pemberhentian. ( UU RI No. 43 Tahun 1999). Seiring dengan perkembangan ilmu dan teknologi, pemanfaatan komputer diberbagai bidang sudah merupakan keharusan. Computer Based Information System ( Sistem Informasi Berbasis Komputer) yang salah satunya adalah Sistem Pendukung Keputusan ( Decision Support Systems) adalah suatu sistem informasi komputer yang interaktif yang dapat memberikan alternatif solusi bagi pembuat keputusan.


Keputusan oleh seorang pimpinan yang berdampak luas bagi institusi secara keseluruhan, memerlukan suatu kecermatan dan ketelitian. Kesalahan dalam pengambilan keputusan mengakibatkan kemunduran bahkan kehancuran suatu institusi. Sistem pendukung keputusan berbasis komputer saat ini banyak dikembangkan untuk meningkatkan efektifitas pengambilan keputusan dalam memecahkan permasalahan. Dalam sistem ini yang memegang peranan penting adalah pengambil keputusan karena sistem hanya menyediakan alternatif keputusan, sedangkan keputusan akhir tetap ditentukan oleh pengambil keputusan. Berdasarkan latar belakang diatas maka perlu dibangun suatu sistem yang dapat memudahkan dan menyederhanakan pekerjaan dalam pengambilan keputusan (Decision making) oleh Pimpinan Daerah pada Pemerintah Kabupaten Maros dengan tetap mempertimbangkan faktor-faktor pendukung secara obyektif untuk menentukan Pegawai Negeri Sipil yang berhak mendapat promosi tugas belajar. Penulisan ini bertujuan untuk membuat rancang bangun sistem Pendukung Keputusan Penentuan Mahasiswa Tugas Belajar pada Pemerintah Kabupaten Maros, yang nantinya dapat digunakan untuk pengembangan selanjutnya. 2.

Dasar Teori

Proses pengambilan keputusan pada dasarnya adalah memilih suatu alternatif. Metode Analitycal Hierarchi Proses (AHP) adalah sebuah hirarki fungsional, dimana suatu masalah kompleks dan tidak terstruktur dipecahkan ke dalam kelompok-kelompoknya. Kemudian kelompok-kelompok tersebut diatur menjadi suatu bentuk hierarki. [4, 45-46]. Program Linear merupakan teknik yang banyak digunakan dalam penelitian operasional (operation research). Program Linear ini dipandang sebagai teknik pengambilan keputusan karena dengan pengintegrasian secara serentak dan pelaksanaan operasi secara berurutan waktunya, dengan menggunakan fasilitas-fasilitas yang tersedia, keputusan diambil dengan

memperhitungkan segala kemungkinan sehingga efisiensi optimal dapat tercapai [6, 67-68] Pengembangan penggunaan teknologi informasi dalam urusan kepegawaian pernah dilakukan oleh P.S. Eka (2003) yang membuat sistem informasi manajemen kepegawaian di lingkungan Pemerintah Kabupaten Sleman Yogyakarta. Sistem ini ditujukan untuk menyediakan informasi kepegawaian yang cepat, lengkap dan akurat juga Sistem Pendukung Keputusan dengan pemodelan untuk Badan Pertimbangan Jabatan dan Kepangkatan dengan memanfaatkan data keluaran Simpeg ( Sistem Informasi Manajemen Kepegawaian) pada Pemda Propinsi Bengkulu [5, 35-36]. Perancangan Sistem Pendukung Keputusan Perhitungan biaya pembuatan cetakan plastik. SPK yang dibangun adalah Specific Decision Support Systems (SDSS) yang dirancang dengan cara cepat (quick hit) melalui pendekatan iteratif dan pengembangan secara bertahap. Teknik ini dipilih dengan mempertimbangkan bahwa DSS (Decision Support Systems) yang dibuat adalah sebuah DSS baru, dengan waktu pembuatan yang singkat dan melibatkan pengguna secara aktif [1, 29-30] Juga Sistem Pendukung Keputusan Pemandu Kenaikan Pangkat/Jabatan Dosen dengan studi kasus Fakultas MIPA UGM, dimana bertujuan untuk mendukung dan memudahkan para dosen dan administrator sebagai pemandu kenaikan pangkat/jabatan dengan melihat angka kredit yang telah diperoleh [2, 100-101]. 3.

Metode Penelitian

Penelitian nantinya akan dilakukan melalui metode – metode : 1. Studi Kepustakaan yaitu Penelusuran informasi kepustakaan baik mengenai SPK maupun PNS status tugas belajar. 2. Wawancara dan Observasi, mencari dan mengumpulkan data-data yang ada relevansinya dengan di Lingkungan Pemerintah Kabupaten Maros. 3. Merancang, Implementasi dan pengujian terhadap Sistem Pendukung Keputusan Penentuan PNS Tugas Belajar.

373


4.

Pembahasan Kepegawaian Data calon MTB Data Pribadi PNS

Kriteria, nilai dan bobot

SPK Penentuan Mahasiswa tugas belajar

Laporan Hasil penilaian Bupati

Admin

Gambar 1. DFD Diagram Konteks Keterangan : MTB : Mahasiswa Tugas Belajar 4.1 Desain Dialog Login ke Sistem Form ini digunakan untuk mengatur hak akses pemakai terhadap sistem, dimana masingmasing diberi kewenangan yang berbeda-beda dalam pengelolaan sistem tersebut, dimana admin diberi wewenang untuk perubahan settingan komponen kriteria, nilai dan bobot sedangkan user dibatasi hanya mengoperasikan sistem secara keseluruhan.

nilainya ada pada Bupati (admin). Gambar 4. menunjukan implementasi dari proses pengaturan kriteria dan bobot nilai.

Gambar 4. Dialog Sub Menu Set Bobot Kriteria Gambar 2. Desain dialog login 4.2 Dialog Menu Utama Form menu utama baru dapat ditampilkan apabila kita telah melaksanakan login sistem secara benar. Baik sebagai user biasa maupun sebagai admin.

Gambar 3. Dialog Menu Utama 4.3 Dialog Sub Menu Set Bobot Kriteria Form ini berfungsi untuk pengaturan bobot dan kriteria penilaian secara khusus dan umum, dimana hak perubahan jenis kriteria dan bobot

374

4.4 Dialog Sub Menu Set Kriteria Penilaian Umum Form setting kriteria ini berisi kriteria – kriteria selain daripada kriteria yang telah disebut sebelumnya, di antaranya nilai dan krteria lama bekerja, DP3 selama 2 tahun, Status Pegawai, test masuk dan sebagainya. Gambar 5. menunjukan implementasi dari proses pengaturan kriteria umum dan nilai-nilainya.


Gambar 5. Dialog Sub Menu Kriteria Penilaian umum 4.5 Dialog Menu Aktivitas Form menu aktivitas terdiri dari input data pegawai, daftar data pegawai dan proses penilaian. Gambar 6 menunjukan implementasi dari menu proses pemasukan data pegawai dan proses penilaian.

Gambar 6. Dialog Menu Aktivitas 4.6 Form Pemasukan Data Pribadi Pegawai Form sub menu Input data pribadi pegawai berisi identitas dari setiap pendaftar sebagai calon mahasiswa. Gambar 7. menunjukan implementasi dari proses pemasukan data pribadi pegawai.

% dikalikan 90 menghasilkan nilai 4,5 atau 5 % dikalikan 0 menghasilkan nilai 0. Kriteria pemberian nilai DP3 sebagai berikut : - Nilai DP3 sangat baik adalah 91 – 100 bernilai 100 - Nilai DP3 baik adalah 76 – 90 bernilai 90 - Nilai DP3 Kurang adalah kurang dari 76 bernilai 0 b. Penilaian Surat Keterangan Berkelakuan Baik Pembobotannya sebesar 4 % dengan nilai tertinggi adalah 100 dan nilai terendah adalah 70. Dengan nilai 100 maka hasilnya adalah 4 sedangkan kemungkinan hasil nilai lainnya adalah 4 % dikalikan 70 bernilai 2,8. c. Penilaian Kesempatan Tugas Belajar Kriteria ini diberi bobot 3 % dengan nilai tertinggi adalah 100 dan nilai terendah adalah 70. Mengacu pada gambar 5.1 dengan nilai 100 maka akan menghasilkan nilai 3 sedangkan kemungkinan hasil nilai lainnya adalah 3 % dikalikan 70 akan bernilai 2,1. d. Penilaian Selisih Tugas Belajar Terakhir Kriteria ini diberi bobot 2 % dengan nilai tertinggi adalah 100 dan nilai terendah adalah 70. Dimana bobot 2 % dikalikan 100 akan bernilai 2 sedangkan kemungkinan hasil nilai lainnya adalah 2 % dikalikan 70 akan bernilai 1,4.

Gambar 7. Dialog Sub Menu Input Data Pribadi Pegawai 4.7 Penilaian Masa Kerja Kriteria masa kerja adalah masa kerja pegawai. Rumus perhitungannya masa kerja keseluruhan adalah: Tanggal system - TMT CPNS = Masa Kerja Keseluruhan

4.13 Analisa Hasil Analisis Resiko Bahwa dalan proses penilaian kriteria khusus dan umum tentunya akan menghasilkan nilai-nilai yang rendah, yang diakibatkan oleh tidak terpenuhinya kriteria-kriteria standar, seperti tidak terpenuhinya kebutuhan hasil analisa jabatan, status kepegawaian yang masih CPNS yang standarnya adalah harus PNS, tidak memiliki surat keterangan berkelakuan baik dari pimpinan, memiliki tanggungan hutang/kredit dan sebagainya Gambar 8. dibawah ini menunjukan analisa resiko yang dihasilkan.

Mengacu pada gambar dengan masa kerja 24 tahun, maka dengan bobot 7 % dikalikan nilai 100 maka hasilnya adalah 7. 4.8 Analisa Penilaian Umum Penilaian khusus merupakan penilaian terhadap jenis kriteria khusus yang telah ditentukan sebelumnya, yang terdiri dari : a. Penilaian DP3 selama 2 tahun Kriteria diberi bobot 5% dengan nilai tertinggi adalah 100 dan nilai terendah adalah 0. Dengan nilai 100 maka akan menghasilkan 5 ( 5 % dikalikan 100). Kemungkinan lainnya adalah 5

375


2. Model Sistem Pendukung Keputusan yang dibangun bersifat sederhana dan mudah untuk dioperasikan/digunakan serta dilengkapi petunjuk penggunaan. 3. Sistem Pendukung Keputusan ini memiliki kriteria-kriteria yang dapat dirubah bobot nilainya sesuai dengan kesepakatan dan kebutuhan . 4. Sistem Pendukung keputusan penentuan mahasiswa tugas belajar memberikan penilaian kepada setiap calon mahasiswa guna membantu Pimpinan Daerah untuk menentukan Calon Mahasiswa tugas belajar yang paling layak pada Pemerintah Kabupaten Maros. 5. Sistem pendukung keputusan ini masih perlu dikembangkan karena belum mengakomodir perubahan-perubahan kriteria guna pengembangan selanjutnya kearah yang lebih baik dan lengkap. Daftar Pustaka

Gambar 8. Hasil penilaian analisis resiko. 5.

Kesimpulan

Beberapa kesimpulan yang dapat diberikan pada penulisan Sistem Pendukung Keputusan Penentuan Mahasiswa Tugas Belajar ini adalah : 1. Sistem Pendukung Keputusan ini dibuat dengan pemodelan yang memperhatikan berbagai faktor yang dipakai sebagai kriteria penilaian dan pemberian bobot diantaranya masa kerja, usia, kepangkatan, senioritas, keadilan dan berbagai faktor lainnya yang dianggap relevan dengan kondisi dan realita pada Pemerintah Kabupaten Merauke.

376

[1] Daihani, D.U, 2001, Komputerisasi Pengambilan Keputusan, Elex Media Komputindo, Kelompok Gramedia, Jakarta. [2] Desiani, Anita. 2003, Sistem Pendukung Keputusan Pemandu Kenaikan Pangkat/Jabatan Dosen dengan studi kasus Fakultas MIPA UGM, Tesis, Program Pasca Sarjana Ilmu Komputer Universitas Gajah Mada, Yogyakarta. [3] Permadi, B,2008, Analytical Hierarchy Proses, Pusat Antar Universitas-Studi Ekonomi, Universitas Indonesia, Jakarta. [4] Permata. N, 2003, Sistem Pendukung Keputusan dengan pemodelan untuk Badan Pertimbangan Jabatan dan Kepangkatan dengan memanfaatkan data keluaran Simpeg ( Sistem Informasi Manajemen Kepegawaian) pada Pemda Propinsi Bengkulu, Tesis, Program Pasca Sarjana Ilmu Komputer Universitas Gajah Mada, Yogyakarta. [5] Syamsi, I.2005,Pengambilan Keputusan dan Sistem Informasi, Bumi Aksara, Jakarta.


RANCANG BANGUN SISTEM INFORMASI PENDISTRIBUSIAN LOGISTIK BENCANA ALAM Fujiati, Harris Kurniawan, Ria Eka Sari STMIK POTENSI UTAMA Jl. KL. Yos Sudarso KM 6.5 No.3A Tanjung Mulia, Medan Email : fujiati.00@gmail.com, ch0c0_pahmen@yahoo.com, ladiespure@gmail.com

Abstrak Tujuan dari manajemen logistic adalah mendistribusikan barang jadi atau barang mentah kepada konsumen pada waktu yang tepat dengan jumlah yang tepat dan lokasi yang tepat dengan biaya yang serendah mungkin. Namun pada kenyataannya pendistribusian batuan kepada para korban tidak berjalan dengan lancar, masih banyak yang tidak mendapatkan bantuan, kebutuhan teknologi sangat penting seperti sistem informasi yang mendukung pendistribusian bantuan agar informasi menjadi cepat, dan mempermudah dalam proses pendistribusian bantuan maka dari itu dalam penelitian ini akan menganalisa sistem sehingga dapat menciptakan sebuah sistem informasi pendistribuasian logistic, dan dengan menggunakan constraint maka data akan lebih akurat . Kata Kunci : bencana alam, logistic, sistem informasi. 1.

Pendahuluan

Secara etimologi, logistik berasal dari bahan Yunani kuno yaitu logistikos yang berarti terdidik atau pandai dalam memperkirakan perhitungan. Definisi logistik dalam buku, The World Book Encyclopedia Dictionary yang dikutip oleh H. Subagya M. Suganda disebutkan bahwa: "Logistics is the art of supply: logistics is the arithmetical calculation". (Subagya,Manajemen Logistics, 1988:4) [1] Logistik adalah segala sesuatu yang berujud dan dapat digunakan untuk memenuhi kebutuhan dasar hidup manusia yang terdiri atas sandang, pangan dan papan atau turunannya. Termasuk dalam kategori logistik adalah barang yang habis pakai atau dikonsumsi, misalnya: sembako (sembilan bahan pokok), obatobatan, pakaian dan kelengkapannya, air, tenda, jas tidur dan sebagainya.[2] maka dari itu dibutuhkan pengelolaan sistem manajemen logistic yang baik untuk membantu korban bencana alam, berdasarkan pengalaman dalam menangani bantuan untuk korban bencana alam masih terdapat banyak masalah, masih banyak korban yang tidak mendapatkan bantuan secara merata dan lamanya pengiriman bantuan samapai pada lokasi terpencil. Penyebab tidak meratanya antara lain terbatas nya informasi lokasi korban, dan belum adanya sistem pendataan kebutuhan untuk para korban. Saat ini manajemen pengolahan data logistic masih bersifat manual belum memanfaatkan sistem informasi, dengan masih digunakan nya sistem manual maka munculah masalah seperti yang diuraikan di atas, Oleh sebab itu kebutuhan teknologi informasi sangat

dibutuhkan sehingga arus informasi tersebut menjadi sangat cepat penyampaianya dan memudahkan dalam proses Logistic sehingga bantuan cepat sampai sekalipun pada lokasi terpencil. Rantai pasokan dalam sistem manajemen logistik dan peralatan penanggulangan bencana berdasarkan kepada :[3] 1. Tempat masuknya logistik 2. Gudang Utama 3. Gudang Penyalur 4. Gudang penyimpanan terakhir di pos komando 2.

Tinjauan Pustaka

2.1 Landasan Teori 2.1.1 Konsep Dasar Sistem Menurut Alfattah (2007:3) sistem adalah sekumpulan objek-objek yang saling berelasi dan berinteraksi serta hubungan antar objek yang biasa dilihat sebagai satu kesatuan yang dirancang untuk mencapai satu tujuan. Sedangkan menurut Jogiyanto (2005:1) sistem adalah suatu kerja dari prosedur-prosedur yang saling berhubungan, berkumpul bersama-sama untuk melakukan suatu kegiatan atau untuk menyelesaikan suatu sasaran tertentu. Sistem Informasi berasal dari kata sistem dan informasi, merupakan kegiatan atau aktifitas yang melibatkan serangkaian proses, berisi informasiinformasi yang digunakan untuk mencapai tujuan. Hart (2005:fairuzelsaid) mendefinisikan : “Sistem merupkan komponen-komponen atau subsistemsubsistem yang saling berinteraksi satu sama lain, dimana masing-masing bagian tersebut dapat bekerja secara sendiri-sendiri (independent) atau

377


bersama-sama serta saling berhubungan membentuk satu kesatuan sehingga tujuan atau sasaran sistem tersebut dapat tercapai secara keseluruhan. 2.1.2 Perancangan Sistem. Metodologi Berorientasi Objek dapat di definisikan sebagai berikut: “Suatu strategi pembangunan perangkat lunak yang mengorganisasikan perangkat lunak sebagai kumpulan objek yang berisi data dan operasi yang diberlakukan terhadapnya”, (Nugroho,2005). Sistem yang dibangun dengan metode berorientasi objek adalah sebuah sistem yang komponennya dienkapsulasi menjadi kelompok data dan fungsi. Setiap komponen dalam sistem tersebut dapat mewarisi atribut dan sifat dan komponen lainnya serta dapat berinteraksi satu sama lainnya. 2.1.3 Perancangan Basis Data 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. 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. Tahap Perancangan Database dilakukan dengan cara sebagai berikut : 1. Perancangan secara konseptual a. Diagram konteks b. DFD c. Model ER 2. Perancangan secara logis. Translasi model ER ke Model Relasional 3. Perancangan secara fisik. Penciptaan database, relasi, dan hal-halterkait ke dalam bentuk fisik.[3] Jenis-jenis Constrain yang digunakan : 1. Primary Key Kunci primer adalah suatu atribut atau satu set minimal atribut yang tidak hanya mendefinisikan secara unik suatu kejadian spesifik tetapi juga dapat mewakili setiap kejadian dari suatu kejadian. Nilai field yang menjadi primary key harus: - Unik atau tidak boleh ganda - Tidak boleh Null (kosong, tidak diketahui, tidak dapat ditentukan)

378

- Key tersebut lebih natural untuk dijadikan acuan 2. Foreign Key Foreign Key adalah satu set atribut atau set atribut sebagai key penghubung kedua tabel dan melengkapi satu relationship (hubungan) terhadap primary key yang menunjukan keinduknya. Jika sebuah primary key terhubungan ke table/entity lain, maka keberadaan primary key pada entity tersebut di sebut sebagai foreign key. 3. Unique Constraint unique fungsinya hamper sama dengan constraint primary key, dimana keduanya digunakan untuk menerapkan integritas entitas/table. 4. Check Constraint check digunakan untuk menjamin bahwa nilai kolom berada dalam ruang lingkup nilai tertentu. 3.

Metode Penelitian

3.1. Analisa Dalam penelitian ini penulis lebih membahas analisa sistem pendistribusian logistic dengan bantuan beberapa posko. Dalam pembahasan jurnal sebelumnya model alokasi yang digunakan adalah model pemrograman bulat biner, untuk memilih suatu keputusan pembukaan lokasi baru, model yang dikembangkan variable keputusan akan bernilai 1 jika adanya pembukaan lokasi, dan niai 0 jika tidak. Peneliti menggunakan 3 posko utama yaitu BPBD, Posko pembantu Lapangan sepak bola, dan tempat evakuasi masing-masing masjid pada kelurahan[4]. Hasil penelitian ini alokasi yang dikembangkan dapat meminimasi biaya. Namun penulis tidak ada membahas masalah analisa sistem, analisa sistem sendiri sangat dibutuhkan mengingat analisa sistem dapat mengidentifikasi masalah atau hambatan yang terjadi dan kebutuhan yang diharapkan sehingga muncul perbaikan. 3.2. Metode Penelitian Metode penelitian yang dilakukan adalah metode literature dimana penulis mengumpulkan informasi dari beberapa buku dan jurnal, dan metode Penelitian yang digunakan mengacu pada penelitian terdahulu yang di lakukan oleh nofa ariyana “Model lokasi bantuan Logistik chtastropic berbasis masjid di kota Padang”, peneliti tersebut lebih menekankan pada pendistribusian dana atau barang secara cepat dan tepat dengan biaya yang serendah mungkin, maka pada tulisan ini penulis ingin membahas mengenai analisa sistem.


4.


4.1. Analisa Pembahasan Dalam penelitian ini terdapat 3 posko yang pertama posko BPBD, posko pembantu dan posko evakuasi. Masing-masing posko berhubungan langsung pada sistem logistic untuk meminta kebutuhan yang dibutuhkan pada masing-masing posko, yang kemudian barang yang dibutuhkan akan dikirim ke posko BPBD, kemudian posko BPBD akan mendistribusikannya ke posko pembantu selanjutnya posko pembantu yang aka mendistribusikan ke posko evakuasi. Dengan adanya posko evakuasi akan mempermudah untuk mendistribusikan bantuan logistic sampai ke tempat terpencil sekalipun 4.2. DFD Level 0 Dalam menggambarkan alur kerja dalam penelitian ini menggunakan Diagram Konteks. Diagram konteks atau DFD level 0 Diagram konteks merupakan gambaran kasar aliran informasi dan data yang akan dilakukan oleh system database yang akan dirancang. DFD merupakan detail rancangan dari diagram konteks yang sudah dibuat yang sudah memuat rancangan table database yang akan diimplementasikan pada database yang akan dibuat. Adapun Diagram konteks yang dibuat dalam penelitian ini terlihat pada gambar berikut.

Gambar 2. DFD Level 0 pengolahan data logistic bencana alam

4.3.

Relasi Tabel

Relasi antar tabel adalah hasil dari model entity relationship diagram. Relasi ini akan memperlihatkan rancangan fisik basis data dan juga akan menghasilkan tabel-tabel yang nantinya dapat digunakan dalam proses implementasi sistem. Adapun relasi table dalam penelitian ini dapat dilihat dalam gambar berikut : Gambar 1. Rancangan Diagram konteks pengolahan data logistic bencana alam

Kemudian penulis membuat turunan dari diagram kontek yaitu DFD level 0 sebagai berikut

Gambar 3. Relasi tabel pengolahan data logistic bencana alam 4.4. Struktur Table Struktur Table merupakan uraina rinci tiap-tiap table atau file.

379


1.

Table BPBD

4

Id_Barang

Int

Foreign Key,Not null , update cascade, delete no action

-

Tabel 1. Struktur Tabel Posko BPBD No 1

Nama_Field Id_BPBD

Type Int

Length -

2 3 4

Nama_BPBD Cabang Alamat

Varchar Varchar Varchar

20 20 45

2.

Constraint Primary Key, Not Null, update cascade, delete no action, Not null Not null Not null

5. Table Barang Tabel 5. Struktur Tabel Barang

Table Posko Pembantu

No 1

Nama_Field Id_Barang

Type Int

Length -

2 3

Nama_Barang Jumlah Brg

Varchar Int

45 -

Tabel 2. Struktur Tabel Posko Pembantu No 1

2

Nama_Field Id_PoskoPem bantu

Nama_Posko pemb Cabang Alamat

3 4

3.

Type Int

Length -

Varchar

20

Constraint Primary Key, Not Null, update cascade, delete no action, Not null

Varchar Varchar

20 45

Not null Not null

Tabel 3. Struktur Tabel Posko Evakuasi

2 3 4

4.

No 1

2 3

Nama_Field Id_PoskoEva kuasi

Nama_Poskev ak Cabang Alamat

Type Int

Length -

Varchar

20

Constraint Primary Key, Not Null, update cascade, delete no action, Not null

Varchar Varchar

20 45

Not null Not null

Table Gudang Tabel 4. Struktur Tabel Gudang Nama_Field Type Length Constraint Id_Gudang Int Primary Key, Not Null, update cascade, delete no action, Nama_Guda Varchar 20 Not null ng Jumlah Brg Int Not null,

CHECK jlh>= 0

380

6. Table Permintaan Barang Tabel 6. Struktur Tabel Posko BPBD

Table Posko Evakuasi

No 1

Constraint Primary Key, Not Null, update cascade, delete no action, Not null Not null, CHECK jlh>= 0

No 1

Nama_Field Id_Permintaan

Type Int

Length -

2

Tanggal

DateTime

45

3

Jumlah Brg

Int

-

4

Status

Varchar

45

7.

Constraint Primary Key, Not Null, update cascade, delete no action, Not null , update cascade, delete no action Not null, CHECK jlh>= 0 Not null, Check hanya terkirim atau tertunda

Table Detail Permintaan Kebutuhan Tabel 7. Struktur Tabel Posko BPBD

No 1

Nama_Field Id_Detail

Type Int

Length -

Constraint Primary Key, Not Null, update cascade, delete no action,


2

Id_Permintaan

Int

-

3

Id_BPBD

Int

-

4

5

6

7

Id_PoskoPemb

Id_Poskoevak

Id_Barang

Id_Gudang

Int

-

Int

-

Int

-

Int

-

Foreign Key,Not null , update cascade, delete no action Foreign Key,Not null , update cascade, delete no action Foreign Key,Not null , update cascade, delete no action Foreign Key,Not null , update cascade, delete no action Foreign Key,Not null , update cascade, delete no action Foreign Key,Not null , update cascade, delete no action

null , update cascade, delete no action

9. Struktur Table Detail Pengiriman Tabel 9. Struktur Tabel Detail Pengiriman No 1

Nama_Field Id_Detail Pengiriman

Type Int

Length -

2

Id_Pengiriman

Int

-

3

Id_BPBD

Int

-

4

Id_PoskoPemb

Int

-

5

Id_Poskoevak

Int

-

6

Tanggal

DateTime

Constraint Primary Key, Not Null, update cascade, delete no action, Foreign Key,Not null , update cascade, delete no action Foreign Key,Not null , update cascade, delete no action Foreign Key,Not null , update cascade, delete no action Foreign Key,Not null , update cascade, delete no action Not null , update cascade, delete no action

8. Table Pengiriman Tabel 8. Struktur Tabel Posko BPBD No 1

2

3

Nama_Field Id_Laporan

Type Int

Id_DetailPermi ntaan

Int

Id_DetailPengir iman

Int

Length -

-

-

Constraint Primary Key, Not Null, update cascade, delete no action, Foreign Key,Not null , update cascade, delete no action Foreign Key,Not

10.

Table Laporan Tabel 10. Struktur Tabel Laporan

No 1

Nama_Field Id_Pengirima n

Type Int

Length -

Constraint Primary Key, Not Null, update cascade, delete no action,

381


2

Id_DetailPer mintaan

Int

-

3

Tanggal

DateTime

-

4

Jenis Pengiriman

Varchar

45

Foreign Key,Not null , update cascade, delete no action Not null , update cascade, delete no action Not null, CHECK haya Via Udara,Via Darat, Via Laut

Pada pembahasan constraint di penelitian ini penulis menggunakan (a)primary key, yaitu kunci utama pada sebuah tabel untuk membatasi pengisian record agar tidak terjadi duplikat, jadi setiap table memiliki primary key masing-masing yang unik. (b)foreign key, atau kunci tamu merupakan penghubung antara satu tabel dengan tabel lainnya, jadi apabila da 2 tabel yang saling berelasi maka harus memiliki foreign key, contohnya pada laporan ini pada tabel Laporan. Tabel laporan memiliki Primary key yaitu Id_Laporan tapi tabel laporan memiliki relasi dengan tabel detail permintaan dan detail pengiriman, jadi Id_DetaiPermintaan dan Id_DetailPengiriman merupakan foreign key pada tabel Laporan. (c)check, untuk memberi batasan pada suatu tabel untuk menjamin keakuratan data, pada penelitian ini salah satu tabel yang menggunakan check adalah tabel detail pengiriman, pada jenis pengiriman hanya ada pengiriman via udara, darat atau laut. (d) on update cascade delete no action, untuk menentukan aksi apa yang akan dilakukan pada sebuah baris dalam suatu tabel, pada penelitian ini salah satu tabel yang menggunakan update cascade, delete no action adalah tabel posko, pada primary key untuk tabel posko menggunakan update cascade, delete no action jadi apabila penulis ingin mengupdate id posko pada tabel posko evakuasi maka otomatis tabel yang memiliki tabel yang memiliki relasi dengan tabel

382

posko evakuasi seperti tabel permintaan kebutuhan akan mengupdate id_posko juga, kemudian jika kita ingin menghapus Id_posko, yang akan terhapus hanya id_Posko yang ada pada tabel posko evakuasi saja tabel yang memiliki relasi dengan tabel posko evakuasi tidak akan menghapus id_posko karna kita menggunakan delete no action. 5.

Kesimpulan

Adapun kesimpulan dari penelitian ini adalah 1. Dengan adanya sistem informasi / menaganalisa sistem dapat lebih mudah dan cepat mengetahui daerah mana saja yang belum mendapatkan bantuan karna pada laporan pengiriman barang terdapat status terkirim atau tertunda. 2. Dengan adanya analisa sistem dapat mengidentifikasi masalah atau hambatan yang terjadi dan kebutuhan yang diharapkan sehingga muncul perbaikan. 3. Dengan Menggunakan Constraint dapat lebih menjamin keakuratan data. 4. System yang dirancang telah digambarkan dalam DFD level 0. Daftar Pustaka . [1] Subagya, H.” Manajemen Logistik. Belmont”, Jakarta: (1988) [2] Badan Nasional Penanggulangan Bencana, 2008, Peraturan Kepala BNPB Nomor 13, Jakarta. [3] Rohmadi, 2008, Perancangan Basis Data Sistem Informasi Pelayanan Medis Di Rumah Bersalin Permata Hati Abadi Sragen, Jurnal Kesehatan, ISSN 1979-9551, VOL.II, NO.2, 2 Maret. [4] Ariyana nofa, 2012, Model Lokasi-alokasi bantuan logistic catastrophic berbasis masjid di kota padang, Optimasi Sistem Industri, ISSN 2088-4882 [5] Irawan hendri, 2012, Afrizal rancang bangun sistem informasi administrasi pemeriksaan jentik puskesmas,SEMANTIK 2012, ISBN 979 - 26 - 0255 – 0


ANALISIS KINERJA ALGORITMA REDUKSI SIKLIS UNTUK PENYELESAIAN SISTEM TRIDIAGONAL PADA SISTEM MULTIPROSESOR BERBASIS PVM Tri Prabawa Program Studi Teknik Informatika, STMIK AKAKOM Yogyakarta Jl. Raya Janti 143, Yogyakarta 55198 E-mail : tprabawa@akakom.ac.id

Abstrak Tulisan ini membahas alternatif solusi sistem persamaan linier Au = d, dimana matriks koefisien A berupa matriks tridiagonal, dengan metode reduksi siklis pada sistem multiprosesor. Sistem persamaan linier tersebut diperoleh dari hasil diskritisasi persoalan yang berbentuk persamaan differensial parsial. Ide dasar metode reduksi siklis adalah menurunkan baris-baris independen dengan cara reduksi baris berindeks ganjil atau genap. Pemecahan masalah pada sistem komputasi paralel, adalah mencari letak paralelisme dari permasalahan tersebut, dengan cara melakukan dekomposisi secara algoritmik atau geometrik, sehingga dapat diidentifikasi karakteristik paralelisasinya. Karakteristik kinerja algoritma paralel dapat dilihat dari pengukuran waktu eksekusi, rasio komputasi dan komunikasi, speed-up, dan tingkat efisiensi. Untuk mengetahui karakteristik ini, maka algoritma reduksi siklis diimplementasikan pada sistem parallel virtual machine (PVM). PVM adalah sebuah perangkat lunak yang digunakan untuk pembuatan jaringan komputer paralel. Perangkat lunak ini didesain sedemikian rupa sehingga mengizinkan sebuah jaringan komputer yang heterogen yang terdiri atas beberapa mesin yang menjalankan sistem operasi Windows atau Unix agar dapat digunakan sebagai sebuah model prosesor paralel tunggal yang terdistribusi. Dari hasil uji coba terlihat bahwa terjadi kenaikan percepatan seiring dengan bertambahnya jumlah prosesor yang dipakai. Percepatan berkisar antara 1,61 (2 prosesor) sampai dengan 4,22 (8 prosesor). Rasio waktu komputasi dan komunikasi tertinggi mencapai 10,50 (2 prosesor) dan terendahnya 1,16 (8 prosesor), hal ini menunjukkan bahwa waktu komunikasi semakin tinggi yang disebabkan proses sinkronsasi terjadi berulang-ulang. Namun sebaliknya, dengan bertambahnya jumlah prosesor yang dipakai terjadi penurunan efisiensi. Tingkat efisiensi mencapai 88,38% (2 prosesor) dan terendah 35,58% (8 prosesor). Kata kunci : sistem tridiagonal, reduksi siklis, speed-up, efisiensi, dan PVM. 1.

PENDAHULUAN

Dalam beberapa aplikasi, penggunaan model matematika menjadi amat populer, karena teknik ini banyak dipakai dalam pemodelan dari pelbagai persoalan nyata. Dengan model matematika bentuk persoalannya menjadi jelas dan sederhana, serta metode dan analisisnya lebih dapat dipertanggung jawabkan. Banyak pemodelan dari suatu fenomena fisik; seperti mekanika fluida, penjalaran panas dan lain sebagainya; biasanya memberikan berbagai macam bentuk persamaan differensial parsial (PDP). Pada umumnya, kecuali dalam hal yang amat sederhana, penyelesaian secara analitik dari suatu PDP sulit diperoleh, sehingga perlu dicari solusi numeriknya sebagai alternatif jawaban. Meskipun solusi numerik memerlukan banyak perhitungan, namun pada perkembangannya metode numerik telah memberikan hasil yang berarti, terutama setelah didukung dengan pemakaian perangkat komputer digital. Kebutuhan akan kecepatan penyelesaian masalah menjadi amat penting terutama untuk

persoalan yang cukup besar dan kompleks, serta informasinya segera diperlukan. Penyelesaian yang diinginkan dapat dikerjakan secara cepat, dengan kontribusi komputer, dan jika memungkinkan diproses secara paralel. Komputer paralel adalah suatu perangkat komputer yang mempunyai sejumlah alat pemroses (disebut prosesor) yang saling bekerja sama dalam suatu koordinasi program kendali [1]. Adanya arsitektur seperti ini memungkinkan suatu masalah diselesaikan secara paralel. Dalam menggunakan arsitektur komputer yang demikian maka kecepatan algoritma sangat ditentukan oleh jumlah prosesor yang dipakai serta pola hubungan interkoneksi antara prosesor yang satu dengan yang lain. 2.

DASAR TEORI

Diberikan suatu sistem persamaan linier dari sistem tridiagonal Au = d, dengan A matriks tridiagonal dan dapat ditulis sebagai berikut:

383


secara singkat bentuk (3) dapat dinyatakan dengan (…… a, b, a, …………). Dengan melakukan operasi baris elementer terhadap baris tengahnya, yaitu baris i dikalikan dengan konstanta b, kemudian ditambahkan dengan –a kali jumlahan baris ke i-1 dan i+1, maka diperoleh bentuk : Persoalannya adalah mencari vektor u yang memenuhi sistem persamaan Au = d. Model tersebut banyak dijumpai sebagai hasil diskritisasi suatu PDP dengan memakai metode beda hingga atau elemen hingga dengan kondisi syarat batas tertentu. Solusi analitis sistem persamaan tersebut ada dan dapat ditulis sebagai u = A-1 d, jika matriks A nonsingular [9]. Sistem persamaan (1) dapat diselesaikan baik secara langsung maupun iteratif. Penyelesaian secara langsung memerlukan θ(n2) flops sedangkan iteratif θ(n) / langkah dan menjadi mahal jika terjadi konvergensi yang lamban [7]. Nampak bahwa jika untuk n besar, kedua cara ini memerlukan waktu komputasi yang besar dan kurang efisien.

Metode Reduksi Siklis Untuk Sistem Tridiagonal Karena matriks koefisien memiliki struktur yang spesifik, maka dimungkinkan pemakaian metode lain yang penyelesaiannya dapat dikerjakan secara paralel. Metode yang dibahas adalah metode reduksi siklis. Untuk menyederhanakan persoalan pada kasus ini akan ditinjau elemen matriks berupa tridiagonal konstan simetri. Maka dengan tidak menghilangkan sifat umum sistem tersebut, sistem (1) dapat ditulis sebagai berikut : b a a b a 0 …….. ……. ……. 0 a b a a b

u1 u2 . . . un-1 un

=

d1 d2 . . . dn-1 dn

(2)

384

a

b a

a b a

a b

(3) a

a a[1]

b 0

a b[1] 0 a b

a[1] a

(4)

dengan memperhatikan baris tengah (4) diperoleh sistem persamaan baru yang dapat dinyatakan (.............. a[1], 0, b[1], 0, a[1] ...............). Bentuk ini merupakan sistem tridiagonal dengan n = 2m-1, 2m, 2m+1, yang unsur-unsurnya hanya terdiri dari baris-baris berindeks ganjil atau genap saja dari matriks awal A. Operasi ini juga dikerjakan terhadap elemen-elemen pada vektor ruas kanan d. Misalkan dari bentuk (4) sistem tridiagonal baru yang diperoleh terdiri dari baris genap. Sedangkan baris ganjil dapat dieliminasi oleh baris genap dengan substitusi balik. Jika proses tersebut dilakukan berulang-ulang, akhirnya didapat sistem persamaan baru yang minimal, yang solusinya segera dapat dihitung. Untuk lebih jelasnya perhatikan contoh berikut 1 2 3

b a

a b a

a b

u1 u2 u3

d1 = d2 d3

(5)

Lakukan proses operasi baris elementer pada persamaan (5), sehingga diperoleh hasil 1 2 3

ide dasar metode reduksi siklis adalah menurunkan baris-baris independen dengan cara reduksi pada baris yang berindeks ganjil atau genap. Metode ini cocok dikembangkan untuk matriks berukuran n = 2 m-1, 2m, 2m+1. Secara umum prosedur metode reduksi siklis dapat diturunkan sebagai berikut: Perhatikan 3 baris yang berdekatan, yaitu baris ke i-1, i, dan i+1 i-1 i i+1

i-1 i i+1

b 0

a b’ a

0 b

u1 d1 u2 = d’2 u3 d3

(6)

Dari persamaan ini diperoleh hasil u2 = d’2/b’, selanjutnya nilai u1 dan u3 dapat dihitung (secara paralel) dengan substituís balik, yaitu u1 = (d1-a u2)/b dan u3 = (d3- a u2)/b. Metode reduksi siklis memberikan komputasi yang cepat jika elemen subdiagonal dan superdiagonal bernilai satu. Hal ini dapat diperoleh dengan melakukan normalisasi, sehingga sistem persamaan berbentuk ( ............ 1, b, 1, ...........). Secara umum tahapan solusi metode reduksi siklis terdiri dari dua tahapan utama yaitu (i) proses reduksi baris ganjil atau genap, dan (ii) proses substitusi balik.


1

3

5

2

7 6

Proses Substitusi Balik

4

4 2 1

2

4 3

4

Proses Reduksi Ganjil Genap

6 5

6

7

Gambar 1. Tahapan Prosedur Metode Reduksi Siklis (n = 2m-1, m=3) 3.

PEMECAHAN PARALEL

MASALAH

SECARA

Komputer paralel adalah suatu perangkat komputer yang mempunyai sejumlah alat pemroses (disebut prosesor) yang saling bekerja sama dalam suatu koordinasi program kendali [1]. Model komputer yang sering dipertimbangkan sebagai sistem multiprosesor didefinisikan sebagai SIMD (single instruction multiple data) dan MIMD (multiple instruction multiple data). Dalam menggunakan arsitektur komputer yang demikian maka kecepatan algoritma sangat ditentukan oleh jumlah prosesor yang dipakai serta pola hubungan interkoneksi antara prosesor yang satu dengan yang lain. Mengingat bahwa komputasi pada sistem multi prosesor akan lebih cepat dibanding dari sistem komputer biasa (yang disebabkan adanya tambahan prosesor), maka perlu didefinisikan suatu besaran yang merupakan ukuran peningkatan kecepatan yang sebenarnya. Besaran ini antara lain adalah efisiensi dan peningkatan kecepatan (speed-up) dari sistem multiprosesor, yang didefinisikan sebagai berikut: E (efisisensi) = T(1) / p T(p) S (speed-up) = T(1) / T(p) dimana T(1) = waktu yang diperlukan untuk menyelesaikan masalah dengan 1 prosesor, p = banyak prosesor yang dipakai, dan T(p) = waktu yang diperlukan untuk menyelesaikan masalah dengan p prosesor. Suatu sistem paralel dapat digambarkan sebagai teknik pemrosesan secara simultan pada subproses yang independen. Menurut Hwang dan Briggs, pemrosesan paralel didefinisikan sebagai bentuk pemrosesan yang efisien dengan menitikberatkan pada ekploitasi kejadian-kejadian yang bersamaan [8]. Tujuan utamanya adalah mereduksi waktu proses yang dibutuhkan atau untuk penyelesaian masalah yang sebelumnya

dipandang terlalu besar [6]. Akhirnya timbul pemikiran bagaimana membuat algoritma sistem paralel. Untuk melihat proses-proses yang dapat dikerjakan secara simultan, langkah pertama adalah melakukan proses dekomposisi persoalan sehingga akan diperoleh bagian-bagian yang independen atau mencari letak paralelisme dari suatu permasalahan. Setelah melakukan dekomposisi terhadap permasalahan tersebut, akan diperoleh beberapa submasalah yang lebih sederhana dan dapat diselesaikan secara paralel. Ada 2 macam cara melakukan dekomposisi masalah, yaitu : (i) dekomposisi secara algoritmis dan (ii) dekomposisi secara geometrik [2]. Dekomposisi secara algoritmis adalah dekomposisi algoritma sekuensial yang ada atas beberapa blok instruksi, dimana tiap blok instruksi akan dikerjakan oleh prosesor yang berbeda. Strategi ini biasanya cenderung melihat alur pemecahan masalah yang dihadapi. Sedangkan dekomposisi secara geometrik adalah mendekomposisi masalah yang ada menjadi beberapa submasalah dengan uturan tertentu dimana tiap submasalah bisa dipecahkan secara paralel dan independen. Strategi ini biasanya cenderung melihat struktur data dari persoalan yang dihadapi. Untuk memecahkan permasalahan sistem tridiagonal diatas, digunakan strategi dekomposisi secara geometrik, karena lebih banyak melihat pada masalah struktur data dari persoalan yang dihadapi, yaitu bagaimana mendekomposisi data atas beberapa kelompok data yang akan diproses oleh prosesor yang berbeda. Selain itu untuk mendapatkan model algoritma paralel dapat ditempuh dengan cara memodifikasi algoritma sekuensial, sehingga akan diperoleh bentuk algoritma paralel. Sedangkan untuk memperoleh gambaran kinerjanya, algoritma paralel perlu dibandingkan dengan algoritma sekuensial. Berdasarkan dari pertimbangan ini maka akan dibahas algoritma reduksi siklis sekuensial dan teknik dekomposisi. Algoritma Reduksi Siklis Secara umum metode reduksi siklis terdiri dari tahapan awal (proses reduksi ganjil genap) dan tahapan substitusi balik. Proses komputasi kedua tahapan tersebut dapat dihitung dengan memakai procedure/subroutine berikut. Subroutine Reduksi Ganjil_Genap (m, a, b, d); Inisialisasi vektor a(1) = a, b(1) = b, d(1) = d; do i = 1, m-1; a(i+1) = [a(i) ] 2 b(i+1) = 2 [a(i) ] 2 - [b(i) ] 2 r = 2i do j = 1, 2m-1 – 1 (i+1) = a(i) [ d (i) + d (i) ] - b(i) d (i) d

385

Seminar Nasional Informatika 2014 jr

jr-r/2

jr+r/2

jr

enddo;

enddo; enddo;

enddo; Berdasarkan proses dekomposisi tersebut waktu dialog antara 2 prosesor untuk menyelesaikan sistem tridiagonal, dapat disajikan sebagai berikut.

Subroutine Substitusi_Balik do i = m-2, 0, -1 r = 2i do j = 1, 2(m-i-1) if ( j=1) then (i+1) - a(i+1) u c= d (2j-1)r

2jr

(m-i-1)

else if (j = 2 (i+1) c= d

) then u

(i+1) a

(2j-1)r

(2j-2)r

else (i+1) c= d

(i+1)

-

a

(2j-1)r

[u

+ u 2jr

]

(2j-2)r

endif hitung u(2j-1)r = c / b(i+1) enddo; enddo;

Proses 4 1 3

5

2

Proses 5 7 6

Proses substitusi balik

4

4 2

4

1 2 3 Proses 1

4

Proses reduksi Ganjil genap

6

Prosesor master Waktu_awal = Kerjakan partisi data dan kirim (data lokal) Komputasi Secara Paralel : Kerjakan proses 1, dengan subroutine/prosedur reduksi ganjil genap Terima hasil (proses 3) Kerjakan proses 2, dengan subroutine/procedure hitung awal tengah dan hitung nilai u 2(m-1) Kirim data (u 2(m-1) ) KomputasiSecara Paralel : Kerjakan proses 5 dengan subroutine/procedure substitusi balik Terima hasil akhir Waktu_akhir =

Prosesor Slave Start Terima (data loka)l Kerjakan proses 3, dengan subroutine/prosedur reduksi ganjil genap Kirim hasil (proses 3) Kondisi “idle”

Terima data (u 2(m-1) ) Kerjakan proses 5 dengan subroutine/procedure substitusi balik Kirim hasil akhir Selesai

Gambar 3. Waktu Dialog Antara 2 prosesor 5

6 7 Proses 3

4. HASIL DAN ANALISIS

Proses 2 Gambar 2. Teknik Dekomposisi Metode Reduksi Siklis Dalam partisi ini diperoleh 5 subproses. Pada tahap perhitungan awal, yaitu proses reduksi ganjil genap, terdiri dari proses 1, proses 2, dan proses 3. Sedangkan pada tahap kedua (proses substitusi balik terdiri dari proses 4 dan proses 5. Selanjutnya proses 2 akan bergantung pada hasil proses 1 dan proses 3 yang dapat dikerjakan secara paralel. Setelah proses 2 selesai maka proses 4 dan proses 5 dapat dikerjakan secara paralel. Subroutine Hitung Awal Tengah do i = 1, m-1 r = 2i do j = 1, 2(m-1)-1 (i+1) = a(i) [ d (i) + d (i) ] d jr

386

jr-r/2

jr+r/2

(i) (i) b d jr

Secara kualitatif komputasi pada metode reduksi siklis cenderung fine grain, yaitu rasio komputasi dan komunikasi yang kecil. Hal ini disebabkan karena faktor granularitas, efek fork and joint dan proses sinkronisasi berulang-ulang. Menurut [11] berikut ini disajikan hasil pengukuran waktu eksekusi dan karakteristik kinerja algoritma reduksi siklis pada mesin paralel berbasis transputer. Tabel 1. Presentasi Pengukuran Waktu Eksekusi Algoritma Reduksi Siklis N O

Ukura n Data

Waktu eksekusi (cf) P=1

1 2 3 4

255 511 1023 2047

148 280 540 1057

P= 2 92 168 317 610

P= 4 64 114 206 388

P=8 52 85 149 274


5

4095

2089

6

8191

4148

7

16383

8260

8

32767

16513

119 6 236 2 469 1 934 2

750 146 8 290 1 576 6

520

O 1 2 3 4 5 6 7 8

Ukura n Data 255 511 1023 2047 4095 8191 16383 32767

Ukur Data

1 2 3 4 5 6 7 8

255 511 1023 2047 4095 8191 16383 32767

3911

Rasio Komputasi/komunikasi P=2 P=4 P=8 10,50 4,33 2,47 8,88 3,48 1,93 8,32 3,04 1,61 8,10 2,84 1,38 7,86 2,69 1,28 7,78 2,64 1,22 7,70 2,61 1,18 7,67 2,58 1,16

Speed-up (Sp = T1/Tp) P= P=2 P=4 P=8 1 1 1,61 2,31 2,85 1 1,67 2,46 3,29 1 1,70 2,62 3,62 1 1,73 2,72 3,86 1 1,75 2,79 4,02 1 1,76 2,83 4,12 1 1,76 2,85 4,18 1 1,77 2,86 4,22

Tabel 4. Presentasi Perhitungan Efisiensi Algoritma Reduksi Siklis N O

Ukura n Data

1

255

P= 1 100

2

511

100

3

1023

100

4

2047

100

5

4095

100

6

8191

100

100

8

32767

100

1975

Tabel 3. Presentasi Perhitungan Speed-up Algoritma Reduksi Siklis N O

16383

1006

Tabel 2. Presentasi Pengukuran Rasio Waktu Komputasi/Komunikasi Algoritma Reduksi Siklis N

7

Efisiensi (Sp/p x 100%) P=2

P=4

P=8

80,4 3 83,3 3 85,1 7 86,6 4 87,3 3 87,8

57,8 1 61,4 0 65,5 3 68,1 1 69,6 3 70,6

35,5 8 41,1 8 45,3 0 48,2 2 50,2 2 51,5

1 88,0 4 88,3 8

4 71,1 8 71,6 0

4 52,2 8 52,7 8

Dari tabel 1 dan table 2, terlihat bahwa terjadi kenaikan percepatan seiring dengan bertambahnya jumlah prosesor yang dipakai. Percepatan berkisar antara 1,61 (2 prosesor) sampai dengan 4,22 (8 prosesor). Rasio waktu komputasi dan komunikasi tertinggi mencapai 10,50 (2 prosesor) dan terendahnya 1,16 (8 prosesor), hal ini menunjukkan bahwa waktu komunikasi semakin tinggi yang disebabkan proses sinkronsasi terjadi berulang-ulang. Namun sebaliknya, dari table 3 dan table 4, terlihat bahwa dengan bertambahnya jumlah prosesor yang dipakai terjadi penurunan efisiensi. Tingkat efisiensi mencapai 88,38% (2 prosesor) dan terendah 35,58% (8 prosesor). 5. PENUTUP Berdasarkan uraian di atas dapat disimpulkan beberapa hal berikut: (1) Dengan menggunakan sistem multiprosesor waktu penyelesaian sistem persamaan linier dari hasil diskritisasi suatu PDP dapat dipercepat. (2) Pada metode reduksi siklis faktor granularitas, efek fork dan join, dan proses sinkronisasi akan berakibat dalam waktu komputasi, hal ini disebabkan karena memiliki unsur dependensi data yang kuat dan jumlah komputasi tiap level berikutnya menurun. (3) Kinerja algoritama redukdi siklis mencapai percepatan tertinggi pada 8 prosesor (4,22) dan efisiensi terendahnya terjadi pada 8 prosesor (35,58%). DAFTAR PUSTAKA [1] Akl, Selim G. 1989. The Design and Analysis of Parallel Algorithms, Prentice Hall International Inc. [2] Askew, C.R., Carpenter, D.B., Chalker, J.T., Hey, A.J.G., Moore, M., Nicole, D.A, and Pritchard, D.J., 1988. Monte Carlo Simulation on transputer arrays. Parallel Computing 6, pp 247-258. [3] Berstsekas and Tsitsiklis, 1989, Parallel and Distributed Computation, Numerical Methods, Prentice Hall New Jersey. [4] Evans, DJ., 1990, A Recursive Decoupling Method for Solving Tridiagonal Linier Systems, International Journal Computer Mathematics.

387


[5] Evans, DJ., 1992, Design of Parallel Numerical Algorithms, Elsevier Science Publisher. [6] Freman and Phillips, 1992, Parallel Numerical Algorithms, Prentice Hall, London [7] Golub and Van Loan, 1989, Matrix Computation, Second Edition, The John Hopkins University Press [8] Hwang, Kai and Briggs, FA., 1984. Computer Architecture and Parallel Pocressing. McGraw-Hill. Book Company

388

[9] Mitchell and Griffiths, 1989, The Finite Difference Method in partial Differetial Equations, John Wiley & Sons [10] Tanembaum, 2002, Structured Computer Organization, Prentice Hall International Inc. [11] Tri Prabawa, 1993, Implementasi Paralel Algoritma Reduksi Siklis dan Pemisahan Rekursif pada Mesin Paralel Berbasis Transputer. Tesis S2, Universitas Indonesia, Yakarta.


SISTEM PAKAR DIAGNOSA PENYAKIT YANG DISEBABKAN OLEH HEWAN ARTHROPODA METODE DEMPSTER SHAFER Yudi Program Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika Komputer Potensi Utama Email : Baday_imanwahyudi@yahoo.com

Abstrak Penulisan thesis ini bertujuan untuk menerapkan bagian kecerdasan buatan yaitu sistem pakar untuk mengetahui penyakit yang disebabkan oleh hewan arthropoda. Program sistem pakar ini dengan menggunakan metode Dempster Shafer. Adapun Program yang digunakan dalam penulisan jurnal ini adalah PHP dan MySQL. Tahapannya yaitu perancangan basis pengetahuan dan direpresentasikan dalam bentuk aturan yang berlaku, kemudian dilanjutkan dengan perancangan basis data dan perancangan antar muka, kemudian hasil perancangan diimplementasikan ke dalam bahasa pemrograman PHP dan basis datanya menggunakan MySQL. Hasil program ini menunjukkan bahwa sistem pakar dapat dipergunakan sebagai pedoman bagi penggunanya untuk menyelesaikan masalah-masalah yang dihadapi. Sistem pakar ini dapat digunakan untuk mempercepat pencarian dan pengaksesan terhadap pengetahuan oleh orang-orang yang membutuhkan informasi. Kata Kunci: Sistem Pakar, Dempster Shafer, PHP, MySQL 1.

Pendahuluan

Seiring perkembangan teknologi, dikembangkan pula suatu sistem teknologi yang mampu mengadopsi proses dan cara berpikir manusia yaitu sistem pakar yang mengandung pengetahuan tertentu sehingga setiap orang dapat menggunakan untuk memecahkan masalah yang bersifat spesifik, dalam hal ini adalah permasalahan kesehatan mengenai penyakit yang disebabkan oleh hewan arthropoda. Ketika terjadi masalah kesehatan khususnya penyakit yang disebabkan oleh hewan arthropoda lebih tepatnya orang akan datang ke dokter atau yang ahli pada bidang itu untuk berkonsultasi. Namun terdapat kendala jika mempercayakan kepada dokter ahli seperti terbatasnya jam praktek dan kejadian banyak pasien yang memaksa harus melakukan antrian. Dalam hal ini, kita selaku orang yang menggunakan jasa lebih membutuhkan seorang pakar yang bisa memudahkan dalam mendiagnosis penyakit yang disebabkan oleh hewan arthropoda sebagai pencegahan awal. Dengan demikian sebagai alternatif pemecahan masalah yaitu dengan membuat aplikasi sistem pakar dengan metode Dempster Shafer yang dapat mengindentifikasi/mendiagnosa penyakit yang disebabkan oleh hewan arthropoda berdasarkan gejala yang ada. Yang ditampilkan dalam bentuk website menggunakan pemrograman PHP dengan database MySQL, sehingga konsultasi akan lebih

mudah, hemat biaya serta dapat digunakan kapan dan di mana saja. Sistem pakar dapat diartikan sebagai sistem yang mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh pakar, sehingga sistem pakar dapat menjadi asisten dari seorang pakar. Aplikasi yang dapat membantu mendiagnosis suatu penyakit berbasis pengetahuan biasa disebut kecerdasan buatan (Artificial Intelligence),[4]. Ada berbagai macam penalaran dengan model yang lengkap dan sangat konsisten, tetapi pada kenyataannya banyak permasalahan yang tidak dapat terselesaikan secara lengkap dan konsisten. Ketidakkonsistenan tersebut adalah akibat adanya penambahan fakta baru. Penalaran yang seperti itu disebut dengan penalaran non monotonis. Untuk mengatasi ketidakkonsistenan tersebut maka dapat menggunakan penalaran dengan teori Dempster Shafer,[4]. Teori Dempster-Shafer adalah suatu teori matematika untuk pembuktian berdasarkan belief functions and plausible reasoning (fungsi kepercayaan dan pemikiran yang masuk akal), yang digunakan untuk mengkombinasikan potongan informasi yang terpisah (bukti) untuk mengkalkulasi kemungkinan dari suatu peristiwa,[5]. Disini penulis mencoba untuk memberikan Informasi Eksekutif dalam mendiagnosis penyakit yang disebabkan oleh hewan arthropoda. Selama ini informasi mengenai diagnosis penyakit yang

389


disebabkan oleh hewan arthropoda yang diberikan langsung dari pakarnya atau dokter ahli sehingga informasi yang di dapat menjadi lebih lambat karena harus menunggu atau mengantri dan juga harus mengikuti jam praktek dari seorang pakar tersebut. Oleh sebab itu maka penulis sangat tertarik untuk mempermudah masyarakat dalam mendapatkan informasi mengenai diagnosis penyakit yang disebabkan oleh hewan arthropoda. Analisa dan solusi ini akan diteliti lebih lanjut serta dituliskan dalam bentuk jurnal yang diberi judul ”Sistem Pakar Untuk Diagnosis Penyakit Yang Disebabkan Oleh Hewan Arthropoda Dengan Menggunakan Metode Dempster Shafer Berbasis Web” 2. Sistem Pakar Sistem pakar memiliki beberapa komponen utama, yaitu antarmuka pengguna (user interface), basis data sistem pakar (expert system database), fasilitas akuisisi pengetahuan (knowledge acquisition facility), dan mekanisme inferensi (inference mechanism). Antarmuka pengguna adalah perangkat lunak yang menyediakan media komunikasi antara pengguna dengan system. Basis data system pakar berisi pengetahuan setingkat pakar pada subyek tertentu. Berisi pengetahuan yang dibutuhkan untuk memahami, merumuskan, dan menyelesaikan masalah. Basis data ini terdiri dari 2 elemen dasar : 1. Fakta, situasi masalah dan teori yang terkait. 2. Heuristik khusus atau rules, yang langsung menggunakan pengetahuan untuk menyelesaikan masalah khusus. Fasilitas akuisisi pengetahuan merupakan perangkat lunak yang menyediakan fasilitas dialog antara pakar dan sistem. Fasilitas akuisisi digunakan untuk memasukkan fakta – fakta dan kaidah – kaidah sesusi dengan perkembangan ilmu. Mekanisme inferensi merupakan perangkat lunak yang melakukan penalaran dengan menggunakan pengetahuan yang ada untuk menghasilkan suatu kesimpulan atau hasil akhir. Fasilitas penjelasan berguna dalam memberikan penjelasan kepada pengguna mengapa komputer meminta suatu informasi tertentu dari pengguna dan dasar apa yang digunakan komputer sehingga dapat menyimpulkan suatu kondisi.

390

Knowledge Base

Database

Inference

Engine User Interface

User Gambar 1. Arsitektur Sistem

Pakar 2.1 Dempster Shafer Ada berbagai macam penalaran dengan model yang lengkap dan sangat konsisten, tetapi pada kenyataannya banyak permasalahan yang tidak dapat terselesaikan secara lengkap dan konsisten. Ketidakkonsistenan yang tersebut adalah akibat adanya penambahan fakta baru. Penalaran yang seperti itu disebut dengan penalaran nonmonotonis. Untuk mengatasi ketidakkonsistenan tersebut maka dapat menggunakan penalaran dengan teori DempsterShafer. [5]. Secara umum Teori Dempster-Shafer ditulis dalam suatu interval: [Belief,Plausibility] Belief (Bel) adalah ukuran kekuatan evidence (gejala) dalam mendukung suatu himpunan bagian. Jika bernilai 0 maka mengindikasikan bahwa tidak ada evidence, dan jika bernilai 1 menunjukan adanya kepastian. [5]. Plausibility (Pl) dinotasikan sebagai: Pl(s)= 1 – Bel(¬s) Plausibility juga bernilai 0 sampai 1. Jika kita yakin akan –s, maka dapat dikatakan bahwa Bel(¬s)=1, dan Pl(¬s)=0. Plausability akan mengurangi tingkat kepercayaan dari evidence. Pada teori Dempster-Shafer kita mengenal adanya frame of discernment yang dinotasikan dengan θ dan mass function yang dinotasikan dengan m. Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis. Tujuannya adalah mengaitkan ukuran kepercayaan elemen-elemen θ. Tidak semua evidence secara langsung mendukung tiap-tiap elemen. Untuk itu perlu adanya probabilitas fungsi densitas (m). Nilai m tidak hanya mendefinisikan elemen-elemen θ saja, namun juga semua subsetnya. Sehingga jika θ berisi n elemen, maka subset θ adalah 2n . Jumlah semua m dalam subset θ sama dengan 1. Apabila tidak ada informasi apapun untuk memilih hipotesis, maka nilai : m{θ} = 1,0 . Apabila diketahui X adalah subset dari θ, dengan m1 sebagai fungsi densitasnya, dan Y


juga merupakan subset dari θ dengan m2 sebagai fungsi densitasnya, maka dapat dibentuk fungsi kombinasi m1 dan m2 sebagai m3, dengan rumus seperti pada persamaan 2 berikut :

 m ( z)  1 

x y  z

m1 ( X ).m2 (Y )

3

x  y 

m1 ( X ).m2 (Y )

Dimana : m3(Z) = mass function dari evidence (Z) m1 (X) = mass function dari evidence (X) m2 (Y) = mass function dari evidence (Y) Zm1(X).m2(Y) = ada hasil irisan dari m1 dan m2 Ø Zm1(X).m2(Y) = tidak ada hasil irisan (irisan kosong (Ø)) Strategi Masalah Adapun Metode yang dipakai dalam pemecahan masalah dari sistem pakar diagnosa penyakit yang disebabkan oleh hewan arthropoda ini adalah metode Dempster-Shafer. Teori Dempster-Shafer adalah suatu teori matematika untuk pembuktian berdasarkan belief functions and plausible reasoning (fungsi kepercayaan dan pemikiran yang masuk akal), yang digunakan untuk mengkombinasikan potongan informasi yang terpisah (bukti) untuk mengkalkulasi kemungkinan dari suatu peristiwa. Dik : θ={p01,p02,p03,p04,p05,p06,p07,p08 } Dengan : P01 = Skabies P02 = Demodiosis P03 = Pedikulosis P04 = Fitriasis P05 = Miasis P06 = Entomophoby P07 = Annoyance P08 = Dermathosis Jika kemudian diketahui bahwa kulit kering merupakan gejala dari Miasis dan Annoyance dengan m= 0,7 , maka : M{p05, p07}= 0,7

m{θ}= 1-0,7 = 0,3

Misalkan User melakukan konsultasi dengan gejala kulit kering, kelopak mata sayu dan mata merah. Maka untuk memperoleh nilai keyakinan dengan metode Dempster-shafer dari gejala kulit kering dan kelopak mata sayu diatas, dihitung : gejala 1 = kulit kering m1 {p05,p07} = 0.7 m1 { θ } = 1 - 0.012 = 0.88 gejala 2 = kelopak mata sayu m2 {p05} = 0.8 m2 { θ } = 1 - 0.8 = 0.2 gejala 3 = mata merah m3 {p05} = 0.7 m3 { θ } = 1 - 0.7 = 0.3

Hasil perhitungan diilustrasikan dalam table {p05,p07} (0.12) θ (0.88)

{p05} {p05} {p05}

0,8 θ (0.2) 0,096 {p05,p07} (0.024) 0,704 θ (0.176)

{p05} {p05} {p05,p07} θ

{p05} {p05} {p05} {p05} {p05}

0,7 θ (0.3) (0.0672) {p05} (0.0288) (0.4928) {p05} (0.2112) (0.0168) {p05,p07} (0.0072) (0.1232) θ (0.0528)

(0.096) (0.704) (0.024) (0.176)

Keterangan : 1. Kolom pertama dan kedua pada baris kedua dan ketiga berisikan semua himpunan bagian pada gejala pertama (kulit kering) dengan m1 sebagai fungsi densitas. 2. Baris pertama berisikan semua himpunan bagian pada gejala kedua (kelopak mata sayu) dengan m2 sebagai fungsi densitas. 3. Baris kedua dan ketiga pada kolom ketiga, keempat, kelima dan keenam merupakan irisan dari kedua himpunan. 4. Kolom pertama dan kedua pada baris keenam, ketujuh, kedelapan, dan kesembilan berisikan semua himpunan hasil kombinasi pada gejala pertama dan gejala kedua. 5. Baris kelima berisikan semua himpunan bagian pada gejala ketiga (mata merah) dengan m3 sebagai fungsi densitas. 6. Baris keenam, ketujuh, kedelapan dan kesembilan pada kolom ketiga, keempat, kelima dan keenam merupakan irisan himpunan dari kombinasi gejala pertama dan gejala kedua dengan gejala ketiga. Sehingga dapat dihitung densitas baru dari hasil kombinasi (m3) diatas dengan persamaan Dempster-Shafer sbb : M 3 {p05} = 0.0672 ----- = 0. 0672 1 M 3 {p05} = 0.168 ----- = 0. 168 1 M 3 {p05} = 0.98 ----- = 0. 98 1 M 3 {p05} = 0.42 ----- = 0.42 1 M 3 {p05} = 0.168 ----- = 0. 168 1 M 3 {p05} = 0.072 ----- = 0.072 1 M 3 {p05,p07} = 0.042 ----- = 0.042 1

391


M 3 {θ} = 0.018 ----- = 0.018 1 Maka dapat disimpulkan nilai kepastian kombinasi Dempster-Shafer adalah : User menderita penyakit MIASIS dengan nilai kepercayaan sebesar : 0.392 /(1-0.0528)* 100 % = 7.09 % 3.

Knowledge Base Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar. Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atau situasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari fakta yang sudah diketahui. Basis pengetahuan ini terdiri dari kumpulan objek beserta aturan dan atributnya (sifat atau cirinya), tentu saja di dalam domain tertentu. Ada 2 bentuk pendekatan basis pengetahuan yang sangat umum digunakan yaitu : a. Rule-Based Reasoning (Penalaran berBasis Aturan) Pada penalaran berbasis aturan, pengetahuan direpresentasi-kan dengan menggunakan aturan berbentuk IF-THEN. b. Case-Based Reasoning (Penalaran berBasis Kasus). Basis pengetahuan akan berisi solusi-solusi yang telah di-capai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Tabel Gejala Penyakit Sebab Hewan Arthropoda

Karakteristik / Gejala Penyakit

Jenis Penyakit Skabies Demodiosis Pedikulosis Fitriasis Miasis

Entomophoby Annoyance Demathosis

392

-

Badan merah-merah Kulit bersisik Kulit gatal-gatal Kulit bentol-bentol Kulit gatal-gatal Mata berair Kulit kepala gatal Kulit pucat Kepala pusing Kulit kering Kelopak mata sayu Mata merah Kulit pecah-pecah Kulit gatal-gatal Berhalusinasi Kulit kering Kulit pecah-pecah Bintik merah pada kulit

Berdasarkan tabel gejala dapatlah ditentukan aturan-aturan atau rule IF-THEN untuk mendiagnosis penyakit yang disebabkan oleh hewan arthropoda. Jika bagian IF (kondisi) dari rule cocok dengan fakta, maka rule dieksekusi dan bagian THEN (aksi) diletakkan dalam database sebagai fakta baru yang ditambahkan. Rule 1: IF Badan merah-merah THEN Skabies, sering terkena sinar matahari pagi. Rule 2: IF Kulit berisik AND Kulit gatal-gatal AND Kulit bentol-bentol THEN Demodiosis, oleskan salep yang mengandung sulfur. Rule 3: IF Kulit gatal-gatal AND Mata berair THEN Pedikulosis, Oleskan lotion malathion. Rule 4: IF Kulit kepala gatal AND Kulit pucat AND Kepala pusing THEN Fitriasis, Berikan krim gameksan dengan nilai 1%. Rule 5: IF Kulit kering AND Kelopak mata sayu AND Mata merah AND Kulit pecah-pecah THEN Miasis, rendaman (dipping) rutin dua kali seminggu dengan mencampur 6 liter Ecoflee dengan 3 m3 air. Rule 6: IF Kulit gatal-gatal AND Berhalusinasi THEN Entomophoby, penyembuhan diperlukan bantuan psychiatrist (dokter ahli jiwa). Rule 7: IF Kulit kering AND Kulit pecah-pecah THEN Annoyance, Miasis, rendaman (dipping) rutin dua kali seminggu dengan mencampur 6 liter Ecoflee dengan 3 m3 air. Rule 8: IF Bintik merah pada kulit THEN Demathosis, Oleskan salep yang mengandung sulfur dan juga sering dibersihkan dengan sabun mandi. 4.

Database Perancangan database merupakan proses untuk menentukan isi data yang dibutuhkan untuk mendukung rancangan sistem. Model rancangan database yang dibangun adalah model relationship di mana seluruh tabel saling berhubungan satu dengan yang lainnya.


1.

Kesimpulan Berdasarkan penelitian dan pembahasan yang dilakukan, maka dapat diambil kesimpulan sebagai berikut : 1. Pada penelitian sudah dikembangkan sistem pakar mendiagnosis penyakit yang disebabkan oleh hewan arthropoda berdasarkan gejala yang dijawab oleh user. 2. Metode Dempster Shafer digunakan untuk mencari nilai tertinggi dari kombinasi gejala-gejala yang telah dipilih oleh user. 3. Metode Dempster Shafer menghasilkan tingkat kepercayaan dari perhitungan nilainilai densitas gejala yang telah diberikan oleh pakar. Daftar Pustaka [1] Bellis Mary, (2010).“Developing The Level of C-Reactive Protein (hs-CRP) in Preeclamptic Pregnancy ”. JST Kesehatan, Oktober 2010, Vol.1 No.3. [2] Kusrini (2007).”Question Quantification to Obtain User Certainty Factor in Expert System Application for Disease Diagnosis”. Proceedings of the International Conference on Electrical Engineering and Informatics. Institut Teknologi Bandung, Indonesia.

[3] Rikhiana Dyah Esthi dan Fadlil Abdul (2013). “Implementasi Sistem Pakar Untuk Mendiagnosa Penyakit Dalam Pada Manusia Menggunakan Metode Dempster Shafer”. Volume 1 No 1. [4] Sulistyohati Aprilia, Et al (2008).”Aplikasi Sistem Pakar Diagnosa Penyakit Ginjal Dengan Metode Dempster Shafer”. Seminar Nasional Aplikasi Teknologi Informasi, Yogyakarta : SNATI. [5] Sutojo (2010). “Kecerdasan Buatan”. Yogyakarta : Penerbit Andi. [6] Sultan Zafar (2009).“Multiple Simultaneous Threat Detection in UNIX Environment”. IJCSNS International Journal of Computer Science and Network Security, VOL.9 No.2. [7] Siswanto (2010).“Kecerdasan Tiruan”. Edisi 2. Yogyakarta: Graha Ilmu. [8] Salama A. Mostafa, Mohd Sharifuddin Ahmad, Mazin Abed Mohammed and Omar Ibrahim Obaid (2012).“Implementing an Expert Diagnostic Assistance System for Car Failure and Malfunction”. IJCSI International Journal of Computer Science Issues, Vol. 9, Issue 2, No 2.

393


SISTEM PAKAR UNTUK MENDETEKSI PENYAKIT AKIBAT BAKTERI SALMONELLA DALAM TUBUH MANUSIA MENGGUNAKAN METODE CERTAINTY FACTOR Nita Sari Br Sembiring STMIK Potensi Utama Medan Jl. K.L Yos Sudarso No 3A Medan tata_olala@yahoo.co.id

Abstrak Sistem Pakar merupakan sistem yang dapat bekerja layaknya seorang ahli dalam bidangnya. Dalam hal ini yang dibahas adalah sistem pakar dalam bidang kesehatan. Dengan adanya sistem pakar diharapkan dapat membantu praktisi kesehatan untuk menelusuri penyakit akibat bakteri Salmonella dengan cepat. Sistem pakar ini menggunakan mesin inferensi runut maju (Forward Chaining) dan Certainty Factor. Penalaran dilakukan berdasarkan dari gejala-gejala baik yang tampak secara fisik maupun yang tidak tampak (melalui uji laboratorium) terhadap pasien. Dari gejala-gejala tersebut kemudian dibuat rule-rule yang akan diterapkan ke dalam mesin inferensi untuk mengetahui penyakit apa yang dialami oleh pasien. Hasil program ini menunjukkan bahwa sistem pakar dapat dipergunakan sebagai suatu media yang dapat memberikan informasi tentang bakteri Salmonella, dan cara menghindarinya. Sistem pakar ini dapat digunakan untuk mempercepat pencarian dan pengaksesan terhadap pengetahuan oleh orang-orang yang membutuhkan informasi. Kata Kunci : Sistem Pakar, Basis Pengetahuan, Certainty Factor, Basis Data, Bakteri Salmonella. Pendahuluan Artificial Inteligent (AI) disebut juga kecerdasan buatan. Kecerdasan buatan dapat didefinisikan sabagai cabang ilmu komputer yang mempelajari otomatisasi tingkah laku cerdas (Intelligent). Kecerdasan buatan adalah suatu ilmu yang mempelajari cara membuat komputer melakukan sesuatu seperti yang dilakukan oleh manusia. Sistem pakar merupakan salah satu bagian dari kecerdasan buatan yang akhir-akhir ini mengalami perkembangan yang sangat pesat. Sistem ini dirancang untuk dapat menirukan keahlian seorang pakar dalam menjawab pertanyaan dan menyelesaikan suatu permasalahan khususnya di bidang kesehatan. Sebelumnya sudah pernah ada yang meneliti tentang bagainama suatu sistem pakar diterapkan untuk menganalisa penyakit dalam [1]. Perbedaan penelitian yang peneliti lakukan dengan penelitian sebelumnya adalah pada penelitian ini di khususkan hanya untuk mendiagnosis penyakit-penyakit dari akibat bakteri salmonella dalam tubuh manusia. Penelitian tidak mencakup seluruh penyakit yang ada pada tubuh manusia. Komponen Sistem Pakar Adapun komponen-komponen dalam sistem pakar meliputi Basis Pengetahuan, Antar muka Pengguna, Mesin Inferensi dan Basis data

394

[2]. Dalam sistem pakar terdiri dari dua lingkungan yaitu, lingkungan konsultasi dan lingkungan pengembangan. Lingkungan konsultasi ditujukan kepada pengguna untuk berkonsultasi langsung dengan sisten dan lingkungan pengembangan ditujukan untuk pakar atau orang yang ahli dalam bidangnya agar dapat memperbaharui aplikasi sistem pakar yang telah dibuat. Dalam hal ini adalah bidang kesehatan. Bakteri Salmonella Infeksi oleh bakteri genus Salmonella (oleh sebab itu disebut Salmonellosis) menyerang saluran gastrointestin yang mencakup perut, usus halus, dan usus besar atau kolon. Beberapa spesies salmonella dapat menyebabkan infeksi makanan. Termasuk kedalamnya adalah Salmonella Enteriditis var Typhirium atau sering disebut Salmonella Typhi yang mengakibatkan penyakit tifus, dan Salmonella Shigella yang mengakibatkan penyakit disentri dan diare. Bakteri ini adalah batang gram negatif, motil dan tidak berspora. Dapat memfermentasi glukosa, tetapi tidak dapat memfermentasi laktosa atau sukrosa. Hampir semua serotipe membentuk gas bila memfermentasi gula, kecuali Salmonella Typhi [3]. Sebagian Salmonella bersifat pathogen pada binatang dan merupakan sumber infeksi bagi manusia. Binatang-binatang itu antara lain tikus, unggas, anjing dan kucing. Dalam alam bebas Salmonella typhi dapat tahan lama dalam air, tanah atau pada bahan makanan. Dalam feces di


luar tubuh manusia hidup 1 atau 2 bulan. Dalam air susu dapat berkembang biak dan hidup lebih lama sehingga sering merupakan batu loncatan untuk penularan penyakitnya.

Gambar 1. Bentuk Bakteri Salmonella Mesin Inferensi Mesin inferensi dalam forward chaining menggunakan informasi yang ditentukan oleh user untuk memindahkan logika and dan or sampai ditentukannya objek. Bila mesin inferensi tidak dapat menentukan objek maka akan meminta informasi lain. Oleh karena itu, untuk mencapai objek harus memenuhi semua aturan. Salah satu metode yang dapat diterapkan dalam sistem pakar adalah metode forward chaining. Forward chaining disebut juga penalaran dari bawah ke atas. Suatu rantai yang dicari atau dilewati/dilintasi dari suatu permasalahan untuk memperoleh solusinya disebut dengan forward chaining. Cara lain menggambarkan forward chaining ini adalah dengan penalaran dari fakta menuju konklusi yang diperoleh dari fakta. Forward Chaining Forward Chaining adalah metode pencarian atau penarikan kesimpulan yang berdasarkan pada data atau fakta yang ada menuju kesimpulan. penelusuran dimulai dari fakta yang ada lalu bergerak maju melalui premis-premis untuk menuju kesimpulan. Suatu perkalian inferensi yang menghubungkan suatu permasalahan dengan solusinya disebut dengan rantai (chain). Suatu rantai yang dicari atau dilewati/ dilintasi dari suatu permasalahan untuk memperoleh solusinya disebut dengan forward chaining. Cara lain menggambarkan forward chaining adalah dengan penalaran dari fakta menuju konklusi yang terdapat dari fakta. Suatu rantai yang dilintasi dari suatu hipotesa kembali ke fakta yang mendukung hipotesa tersebut adalah backward chaining. Dalam penalaran maju, aturan-aturan diuji satu demi satu dalam urutan tertentu. Urutan itu mungkin berupa urutan pemasukan aturan ke dalam basis aturan atau juga urutan lain yang ditentukan oleh pemakai. Saat setiap urutan diuji, sistem pakar akan mengevaluasi apakah

kondisinya benar atau salah. Jika kondisinya benar, maka aturan itu disimpan kemudian aturan berikutnya diuji. Sebaliknya kondisinya salah, aturan itu tidak disimpan dan aturan berikutnya diuji. Proses ini akan berulang sampai seluruh basis aturan teruji dengan berbagi kondisi. Searching (Pelacakan) Pelacakan merupakan suatu proses pencarian yang berdasarkan dari sejumlah data yang ada. Pencarian data dapat dilakukan pada sejumlah data yang sudah terurut atau juga pada data yang sama sekali belum terurut. Metode pencarian akan menjelaskan secara umum bagaimana teknik pencarian. Teknik pelacakan terdiri dari 2 cara yaitu Depth-first search dan Breadth-first search. Depth-first search bekerja denga menelusuri simpul mulai dari akar terus kebawah sampai secara berturut-turut ke level yang lebih dalam [2]. Suatu operator digunakan untuk menghasilkan simpul node berikutnya lebih dalam dengan kata lain simpul anak diperoleh dari simpul ayah. Breadth-first search, bekerja dengan cara memeriksa semua simpul dalam pohon pencarian yang dimulai dari akar. Simpul tiap level diperiksa secara lengkap sebelum berpindah ke level berikutnya. Observasi A

Aturan R1

Fakt aC

Kesimpulan 1 Aturan R3

Observasi B

Aturan R2

Kesimpulan 2

Fakta D Aturan R2 Fakta E

Gambar 2. Proses Forward Chaining Analisa Kebutuhan Data Tahap penganalisaan terhadap data yang diperoleh pada tahap pengumpulan data akan dilakukan beberapa perancangan tahap penyelesaian perangkat lunak. Berdasarkan literatur – literatur yang ada dan hasil wawancara dengan pakar, maka data disusun dan dikelompokkan dalam bentuk tabel data. Hal ini dilakukan agar mempermudah dalam melakukan analisa dan proses data.

395


Penyajian data

No

- Sakit Bola Mata - Mual/Muntah - Sakit Perut/Kram - Ruam Tekanan Darah Menurun - Suka merancau

Tabel 1. Data Penyakit dan Gejala Penyakit yang disebabkan Kriteria bakteri salmonella

1

Diare

- Badan terasa lemas dan lesu - Mengalami sakit perut/kram - Perut mulas - BAB 3-7 x sehari - Feses encer/berlendir - Perut kembung - Bibir pecah-pecah

2

Disentri

- Mengalami demam - Badan terasa lemas dan lesu - Mengalami sakit perut/kram - Perut mulas - Mual dan muntah - BAB lebih dari 10 x sehari - Feses encer/berlendir - Feses disertai darah - Perut kembung - Bibir pecah-pecah

5

Spotted Fever (Demam Bercak)

6

Kolera

7

Demam

8 3

Typhus

Mengalami demam/panas - Suhu tubuh naik turun - Mengalami sakit kepala/pusing - Badan lemas dan lesu - Sakit perut/kram - Mengalami mual dan muntah - Mengalami sembelit - Perut kembung - Bibir pecah-pecah - Lidah berwarna putih - Muncul ruam di tubuh Tekanan darah menurun - Denyut Nadi Lambat - Sering mengigau

4 DBD

396

- Panas tinggi - Suhu tubuh naik turun - Sakit Kepala - Sakit Punggung - Sakit Otot-otot

Darah Rendah

- Panas - Menggigil - Sakit kepala - Badan Letih/lesu - Sakit Sendi dan Seluruh tubuh - Ruam - Kadang Pendarahan di bawah kulit - Lemas/Lesu - Sakit perut/Kam - Mual/ Muntah - BAB sampai 10 x sehari - Feses Encer - Perut Kembung - Bibir pecah-pecah - Dehidrasi - Panas - Sakit Kepala/Pusing - Badan Lemas/Lesu - Kadang Mual/muntah - Sakit Kepala / Pusing - Badan Letih/Lesu - Mual dan Muntah Tekanan Darah menurun

Uji Widal Uji Widal atau tes di mana yang diuji itu apakah dalam darah / serum pasien mengandung aglutinin terhadap bakteri samlonella typhi dengan jalan mereaksikan serum seseorang dengan antigen O, H dan Vi di laboratorium.. Salmonella typhi mempunyai 3 macam antigen, yaitu : O antingen (Somatik), H antigen (Flagelar), dan Vi antigen (Virulensi). Bagian dari Vi antigen adalah Paratyphi A dan paratyphi B. Aglutinasi O berbentuk butir-butir pasir yang tidak hilang bila dikocok. Aglutinasi H berbentuk butir-butir pasir yang hilang bila dikocok. Aglutinasi Vi berbentuk awan. Pada umumnya hasil uji widal adalah 1/20, 1/40, 1/60, 1/80, dan kelipatan selanjutnya. Berikut merupakan data nilai Titer Widal bagi yang dinyatakan positif terkena tifus seperti pada tabel 1.2. di bawah ini :


No 1

2

3

4

5

6

Tabel 2. Tabel Uji Widal Antigen yg Nilai Keterangan dibutuhkan Titer Antigen H ≤ 1/160 Antigen Flagelar Salmonella Typhi Antigen O ≤ 1/160 Antigen Somatik Salmonella Typhi Antigen ≤ 1/160 Antigen PA-O Salmonella Paratyphi A Som Antigen ≤ 1/160 Antigen PA-H Salmonella Paratyphi A Flag Antigen ≤ 1/160 Antigen PB-O Salmonella Paratyphi B Som Antigen ≤ 1/160 Antigen PB-H Salmonella Paratyphi B Flag

Certainty Factor Faktor kepastian (certainty factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN. Certainty Factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan [4]. Certainty Factor didefinisikan sebagai persamaan berikut : CF (H, E) = MB (H, E) – MD (H, E) Certainty Factor dari hipotesis H yang dipengaruhi oleh gejala (evidence) E. Besarnya CF berkisar antara -1 sampai 1. Nilai -1 menunjukkan ketidakpercayaan mutlak sedangkan nilai 1 menunjukkan kepercayaan mutlak. : ukuran kenaikan kepercayaan (measure of increased belief) terhadap hipotesis H yang dipengaruhi oleh gejala E. : ukuran kenaikan ketidakpercayaan (measure of increased disbelief) terhadap hipotesis H yang dipengaruhi oleh gejala E. CFc (CF1,CF2) = CF1 + CF2 (1- CF1) ; jika CF1 dan CF2 keduanya posistif. CFc (CF1,CF2) = CF1 + CF2 (1+ CF1) ; jika CF1 dan CF2 keduanya negative. Perhitungan Nilai Kepastian Berdasarkan Nilai Bobot Gejala Nilai bobot pada gejala yang disebabkan oleh bakteri Salmonella dapat dilihat pada tabel berikut :

Kode G01 G02 G03 G04 G05 G06 G07 G08 G09 G10 G11 G12 G13 G14 G15 G16 G17 G18 G19 G20 G21 G22 G23

Tabel 3. Tabel Nilai Bobot Gejala Lemas/Lesu Mual Muntah Kram Sakit Kepala Panas Mulut Kering Perut Kembung Ruam Feses Encer BAB ≥ 10 x sehari Suhu Tubuh Naik Turun Merancau Tekanan Darah Rendah Mulas Lidah kotor Nadi lemah Sembelit BAB 3-9x sehari Feses Berdarah Titer Widal Antigen H ≤1/160 Titer Widal Antigen H ≤1/160 Titer Widal Antigen AH≤1/160

Bobot 0.6 0.6 0.6 0.7 0.4 0.7 0.4 0.3 0.6 0.5 0.3 0.5 0.4 0.4 0.3 0.7 0.5 0.5 0.3 0.3 0.8 0.8 0.8

Misalkan untuk mendiagnosa penyakit diare yang diakibatkan oleh bakteri Salmonella Shigella dengan rule : IF Badan terasa lemas lesu AND Mengalami sakit perut/kram AND Mulut Kering AND Perut kembung AND Feses Encer AND Mulas AND BAB 3-9 x sehari THEN Diare Nilai CF-nya = MB-MD MB=(Badan Lemas/Lesu, Sakit Perut, Mulut Kering, Perut Kembung, Feses Encer, Mulas, BAB 3-9x sehari) = 0.6, 0.7, 0.4, 0.3, 0.5, 0.3, 0.3. MD=(Badan Lemas/Lesu, Sakit Perut, Mulut Kering, Perut Kembung, Feses Encer, Mulas, BAB 3-9x sehari) = 0.06, 0.07, 0.04, 0.03, 0.05, 0.03, 0.03. Perhitungan MB : G02 = G01+ (G02 * ( 1-G01)) = 0.6 + (0.7 * ( 1- 0.6)) = 0.6 + (0.7 * 0.4) = 0.6 + 0.28 = 0.88 G03 = G02 + (G03 * (1-G02)) = 0.88 + (0.4 * (1-0.88))

397


= 0.88 + (0.4 * 0.12) = 0.88 + 0.048 = 0.928 G04 = G03 + (G04 * (1- G03)) = 0.928 + (0.3 * (1- 0.928)) = 0.928 + (0.3 * 0.072) = 0.928 + 0.0216 = 0.9496 G05 = G04 + (G05 * (1- G04)) = 0.9496 + (0.5 * (1- 0.9496)) = 0.9496 + (0.5 * 0.0504) = 0.9496 + 0.0252 = 0.9748 G06 = G05 + (G06 * (1- G05)) = 0.9748 + (0.3 * (1- 0.9748)) = 0.9748 + (0.3 * 0.0252) = 0.9748 + 0.00756 = 0.98236 G07 = G06 + (G07 * (1- G06)) = 0.98236+ (0.3 * (1- 0.98236)) = 0.98236+ (0.3 * 0.01764) = 0.98236+ 0.005292 = 0.987652 Perhitungan Nilai MD : G02 = G01+ (G02 * ( 1-G01)) = 0.06 + (0.07 * ( 1- 0.06)) = 0.06 + (0.07 * 0.94) = 0.06 + 0.0658 = 0.0718 G03 = G02 + (G03 * (1-G02)) = 0.0718 + (0.04 * (1-0.0718)) = 0.0718+ (0.04 * 0.9282) = 0.0718+ 0.037128 = 0.108928

= 0.16816486+ (0.03 * 0.83183514) = 0.16816486+ 0.0249550542 = 0.1931199142 Nilai CF = MB – MD = 0.987652 - 0.1931199142 = 0.7945320858 Maka hasil diagnosa menyatakan penyakit diare dengan nilai kepastian 0.79453 Arsitektur Sistem Dengan mengacu pada struktur sistem pakar seperti yang telah dibahas pada bagian 2.3, maka arsitektur sistem didesain dengan mengambil bentuk seperti Gambar berikut : Knowledge base Berisi himpunan aturan sbb: 

Aturan untuk mendeteksi penyakit akibat bakteri salmonella

Database Berisi fakta-fakta tentang:  Data Gejala Secara Umum dan Hasil Tes Titer Widal  Data Penyakit Yang Ditimbulkan  Solusi

Inferensi Engine Berisi :  Prosedur untuk mencocokkan fakta berdasarkan gejala dengan aturan tentang penggunaan variabel yang dapat mempengaruhi hasil penelusuran penyakit yang diderita (Forward Chaining).

User Interface Berisi :  Prosedur untuk menbaca data input dari user berupa gejalagejala yang ditimbulkan.  Prosedur untuk menampilkan hasil diagnosa

Explanation Facilities Berisi :  Prosedur untuk menampilkan parameter data gejala-gejala secara umum  Prosedur tentang cara penggunaan program

User

Gambar 3. Desain Arsitektur Sistem G04 = G03 + (G04 * (1- G03)) = 0.108928+ (0.03 * (1- 0.108928)) = 0.108928+ (0.03 * 0.891072) = 0.108928+ 0.02673 = 0.135658 G05 = G04 + (G05 * (1- G04)) = 0.135658 + (0.05 * (1-0.135658)) = 0.135658 + (0.05 * 0.8643421) = 0.135658 + 0.00678 = 0.142438 G06 = G05 + (G06 * (1- G05)) = 0.142438 + (0.03 * (1- 0.142438)) = 0.142438 + (0.03 * 0.857562) = 0.142438 + 0.02572686 = 0.16816486 G07 = G06 + (G07 * (1- G06)) = 0.16816486+ (0.03 * (1-0.16816486))

398

Panyajian Fakta dan Aturan Berdasarkan data-data gejala yang diperoleh dari hasil penelitian maka dapat ditelusuri hasil diagnosa berupa penyakit dan solusi yang diharapkan. Untuk memperoleh hasil yang baik maka, terlebih dahulu harus dibuat rule atau aturan penelusuran. Berikut merupakan data gejala yang diakibatkan oleh bakteri Salmonella yang dibentuk ke dalam kode-kode dan dibentuk menjadi rule. Tabel 4. Rule untuk Mendiagnosa Penyakit No Aturan (Rule) 1 IF mengalami demam/panas is True AND Lemas Lesu is True AND Mual is True AND Muntah is True AND Sakit perut/kram is True


2

3

AND Sakit kepala is True AND Panas is True AND Mulut Kering is True AND Perut Kembung is True AND Ruam is True AND Suhu Tubuh Naik Turun is True AND Merancau is True AND Tekanan Darah Renah is True AND Lidah Kotor is True AND Denyut Nadi Lemah is True AND Sembelit is True AND Titer Widal O ≤1/160 is True AND Titer widal antigen H ≤1/160 is True OR Titer widal antigen H ≤1/160 is True AND Titer widal antigen A-H ≤1/160 is True OR Titer widal antigen O ≤1/160 is True AND Titer widal antigen A-H ≤1/160 is True THEN Anda positif terkena penyakit tifus yang diakibatkan oleh bakteri salmonella typhi IF Badan terasa lemas lesu is True AND Mengalami sakit perut/kram is True AND Mulut Kering is True AND Perut kembung is True AND Feses Encer is True AND Mulas is True AND BAB 3-9 x sehari is True THEN Anda terinfeksi bakteri salmonella shigella yang mengakibatkan penyakit diare IF Lemas/lesu is True AND Mual is True AND Muntah is True AND Panas is True AND Kram is True AND Mulut Kering is True AND Perut kembung is True AND Feses Encer is True AND BAB >10 x sehari is True AND Mulas is True AND Feses Berdarah is True THEN Anda terinfeksi bakteri salmonella shigella yang mengakibatkan penyakit

4

disentri IF Badan lemah lesu is True AND Mual is True AND Muntah is True AND Kram is True AND Mulut Kering is True AND Perut kembung is True AND Feses Encer is True AND BAB > 10 x sehari is True THEN Kemungkinan anda penyakit Kolera

terkena

Kesimpulan Berdasarkan penelitian dan pembahasan yang dilakukan, maka dapat disimpulkan beberapa hal sebagai berikut : 1. Dengan aplikasi sistem pakar dapat membantu praktisi kesehatan di bawah Dokter untuk mendiagnosis penyakit tanpa harus melalui Dokter sehingga hasil diagnosis dapat diperoleh dengan cepat. 2. Metode forward chaining akan melakukan penelusuran untuk mendapatkan hasil diagnosa penyakit berdasarkan atribut yaitu gejala-gejala yang ada. Daftar Pustaka [1] Adhi Sadewo Broto. 2010. “Perancangan dan Implementasi Sistem Pakar untuk Analisa Penyakit Dalam”. Tugas Akhir. Universitas Diponegoro. Semarang. [2] Siswanto (2010). “Kecerdasan Tiruan”. Edisi 2. Yogyakarta: Graha Ilmu. [3] Indan Entjang. 2003. Mikrobiologi dan Parasitologi Untuk Akademi Keperawatan dan Sekolah Tenaga Kesehatan Yang Sederajat. Bandung : Citra Aditya Bakti. [4] Kusrini (2007).”Question Quantification to Obtain User Certainty Factor in Expert System Application for Disease Diagnosis”. Proceedings of the International Conference on Electrical Engineering and Informatics. Institut Teknologi Bandung, Indonesia.

399


SISTEM PAKAR DIAGNOSIS KEJIWAAN MENGGUNAKAN METODE CERTAINTY FACTOR (STUDI KASUS RUMAH SAKIT JIWA DAERAH PROVINSI SUMATERA UTARA) Charles Jhony Mantho Sianturi STMIK Potensi Utama Jl. K.L. Yos Sudarso Km. 6,5 No. 3 A Tj Mulia – Medan lapetgadong@yahoo.com

Abstrak Kecerdasan buatan (Artificial Intelligence) merupakan salah satu bagian dari Ilmu Komputer yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik dari pada yang dilakukan manusia. Sistem Pakar (Expert System) merupakan bagian dari kecerdasan buatan dan merupakan metode yang tepat untuk mengatasi permasalahan. Sistem pakar banyak diterapkan oleh berbagai disiplin ilmu. Dalam kesempatan ini penulis mencoba untuk membuat suatu sistem pakar mengenai gangguan kejiwaan neurosis. Program sistem pakar ini menggunakan motor inferensi yang menerapkan penalaran maju dan juga menggunakan metode Certainty Factor untuk menentukan tingkat kepastian dari hasil penelusuran. Sistem pakar ini diharapkan mampu untuk dapat mendiagnosa gangguan kejiwaan neurosis sehingga dapat dijadikan suatu referensi terhadap suatu kasus gangguan kejiwaan neurosis. Kata Kunci : Sistem Pakar, Motor Inferensi, Certainty Factor, Neurosis 1.

PENDAHULUAN

Kecerdasan buatan (Artificial Intelligence) merupakan salah satu bagian dari Ilmu Komputer yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik dari pada yang dilakukan manusia. Sistem Pakar (Expert System) merupakan bagian dari kecerdasan buatan dan merupakan metode yang tepat untuk mengatasi permasalahan, yang dimulai dengan proses pencarian dari sekumpulan data atau fakta, dari data-data yang didapat. Dan menentukan kesimpulan yang menjadi solusi permasalahan yang dikaji. Sistem Pakar adalah sebuah sistem yang menggunakan pengetahuan manusia di mana pengetahuan tersebut dimasukkan ke dalam sebuah komputer dan kemudian digunakan untuk menyelesaikan masalah – masalah yang biasanaya membutuhkan kepakaran atau keahlian manusia. Istilah Gangguan Jiwa atau Gangguan Mental (Mental Disorder) digunakan dalam PPDGJ, tidak mengenal istilah “Penyakit Jiwa” (Mental Disease/Mental Illness). Gangguan Jiwa adalah suatu sindrom atau pola perilaku, atau psikologik seseorang yang secara klinis bermakna dan menimbulkan disfungsi dalam pekerjaan. PPDGJ III, gangguan jiwa adalah pola perilaku atau sikolo sindrom atau pola perilaku, atau psikologik yang secara klinis bermakna dan secara khas berkaitan dengan gejala dan

400

menimbulkan disfungsi dalam pekerjaan, penderitaan serta fungsi psikososial. Pengetahuan tentang kejiwaan ini bisa diimplementasikan kedalam sistem pakar sebagai knowledge base, yang dapat dipakai untuk membantu jenis gangguan kejiwaan yang dialami pasien sehingga didapat solusi tentang penanganan pasien lebih dini [1]. Dengan memahami cara kerja sistem pakar yang meniru cara manusia dalam memecahkan suatu masalah spesifik, atas dasar pemikiran tersebut timbul suatu ide untuk membuat suatu sistem pakar yang diharapkan dapat membantu memecahkan masalah dan mencari langkah yang tepat dalam mendiagnosis kejiwaan. Pengetahuan tentang gejala – gejala ataupun jenis – jenis kejiwaan akan memberikan pengetahuan kepada orang lain tentang kondisi kejiwaaan, sehingga diperoleh data untuk penanganan lebih cepat dan tepat. Hal-hal yang menjadi latar belakang tersebut di atas telah mendorong untuk melakukan penelitian ini dengan judul tesis : “Sistem Pakar Diagnosis Kejiwaan Menggunakan Metode Certainty Factor”. Perumusan Masalah 1. Bagaimana cara kerja dan pengetahuan seorang pakar dalam mengidentifikasi Gangguan Jiwa Neurosis ? 2. Bagaimana merancang sistem pakar dengan menggunakan metode Certainty Factor untuk


membantu dan mempermudah menentukan Jenis Gangguan Jiwa Neurosis? 3. Bagaimana penerapan metode Certainty Factor dalam sistem pakar mengidentifikasi Jenis Gangguan Jiwa Neurosis ? Batasan Masalah Berikut ini beberapa batasan masalah, yaitu : 1. Masalah Gangguan Jiwa dibatasi pada gangguan jiwa jenis Neurosis. 2. Model sistem pakar yang dirancang adalah berupa expert system (sistem pakar) dengan metode pelacakan menggunakan metode Certainty Factor. 3. Aplikasi ini hanya membantu untuk mendiagnosis, bukan untuk membuat suatu keputusan. Tujuan Penelitian Berdasarkan perumusan masalah di atas, adapun yang menjadi tujuan dari penelitian ini adalah : 1. Untuk mengetahui jenis ganggauan jiwa yang dialami pasien. 2. Menganalisa kondisi kejiwaan yang dialami pasien, sehingga dapat memilih alternatif langkah kerja, dan mendapatkan solusi. 3. Merancang aplikasi sistem pakar mengetahui jenis gangguan jiwa yang ada. 4. Membangun aplikasi sistem pakar dalam implementasi kejiwaan pasien. 5. Menguji aplikasi sistem pakar dalam implementasi di masyarakat. Manfaat Penelitian Adapun penelitian ini diharapkan memberikan manfaat berupa : 1. Dapat menambah wawasan pembaca mengenai sistem pakar maupun gangguan jiwa. 2. Memperluas manfaat dari keilmuan dibidang expert system (sistem pakar) bagi perguruan tinggi, khususnya UPI “YPTK” Padang. 3. Mengambil wawasan keilmuan di bidang expert system (sistem pakar). 2.

1.

2.

3.

4.

5.

LANDASAN TEORITIS

Sistem Pakar merupakan sebuah sistem yang dirancang di dalam sebuah komputer, dengan cara meniru proses-proses pemikiran yang digunakan oleh seorang pakar untuk menyelesaikan masalah - masalah tertentu yang biasanya memerlukan keahlian seorang pakar. Sistem pakar merupakan salah satu penerapan dari kecerdasan buatan. Konsep Dasar Sistem Pakar Konsep dasar dari sistem pakar [2], meliputi :

6.

Keahlian / Kepakaran (Expertise) Keahlian merupakan suatu pengetahuan yang diperoleh seseorang dari pelatihan, membaca, dan pengalaman. Kepakaran inilah yang memungkinkan para ahli dapat mengambil keputusan lebih cepat dan lebih baik daripada seseorang yang bukan pakar. Ahli/Pakar (Expert) Pakar adalah seorang yang mempunyai pengetahuan, pengalaman dan metode khusus, serta mampu menerapkannya untuk memecahkan masalah atau memberi nasihat. Seorang pakar harus mampu menjelaskan dan mempelajari hal – hal baru yang berkaitan dengan topik permasalahan, jika perlu harus mampu menyusun kembali pengetahuan - pengetahuan yang didapatkan, dan dapat memecahkan aturan – aturan serta menentukan relevansi kepakaran. Pemindahan Kepakaran (Transfering Expertise) Tujuan dari sistem pakar adalah memindahkan kepakaran dari seorang pakar ke dalam komputer, kemudian kepada orang lain yang bukan pakar. Proses ini melibatkan 4 kegiatan, yaitu : a. Akuisisi pengetahuan (dari pakar atau sumber lain) b. Representasi pengetahuan (pada komputer) c. Inferensi pengetahuan d. Pemindahan pengetahuan ke pengguna. Inferensi (Inferencing) Inferensi adalah sebuah prosedur (program) yang mempunyai kemampuan dalam penalaran. Inferensi ditampilkan pada suatu komponen yang disebut mesin inferensi yang mencakup prosedur – prosedur mengenai pemecah masalah. Semua pengetahuan yang dimiliki oleh seorang pakar disimpan pada basis pengetahuan oleh sistem pakar. Tugas mesin inferensi adalah mengambil kesimpulan berdasarkan basis pengetahuan yang dimiliki. Aturan – aturan (Rule) Kebanyakan software sistem pakar komersial adalah yang berbasis rule (rulebased system), yaitu pengetahuan disimpan terutama dalam bentuk rule, sebagai prosedur - prosedur pemecah masalah. Kemampuan Menjelaskan (Explanation Capability) Fasilitas lain dari sistem pakar adalah kemampuan untuk menjelaskan saran atau rekomendasi yang diberikannya. Penjelasan dilakukan dalam subsistem yang disebut subsistem penjelasan (explanation). Bagian dari sistem ini memungkinkan penalaran yang dibuatnya sendiri dan menjelaskan operasi – operasinya.

401


Struktur Sistem Pakar Sistem pakar disusun oleh dua bagian utama, yaitu lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment). Lingkungan pengembangan digunakan oleh pembuat sistem pakar untuk membangun komponen – komponennya dan memperkenalkan pengetahuan ke dalam knowledge base (basis pengetahuan). Lingkungan konsultasi digunakan oleh pengguna untuk berkonsultasi sehingga pengguna mendapatkan pengetahuan dan nasihat dari Sistem Pakar layaknya berkonsultasi dengan seorang pakar. Komponen – komponen dalam sistem pakar ditunjukkan dalam gambar 1.[3]

Gambar 1 Komponen dalam Sistem Pakar

Certainty Factor Sistem pakar harus mampu bekerja dalam ketidakpastian. Sejumlah teori telah ditemukan untuk menyelesaikan ketidakpastian, termasuk diantaranya probabilitas klasik (classical probability), probabilitas Bayes (Bayesian probability), teori fuzzy Zadeh (Zadeh’s fuzzy theory) dan faktor kepastian (certainty factor). Definisi menurut David McAllister, certainty factor adalah suatu metode untuk membuktikan apakah suatu fakta itu pasti ataukah tidak pasti yang berbentuk metric yang biasanya digunakan dalam sistem pakar. Faktor kepastian (certainty factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN. Certainty Factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan. Certainty Factor didefinisikan sebagai persamaan berikut : CF (H, E) = MB (H, E) – MD (H, E)……..... (1) CF (H, E) : Certainty Factor dari hipotesis H yang dipengaruhi oleh gejala (evidence) E. Besarnya CF berkisar antara -1 sampai 1. Nilai -1 menunjukkan ketidakpercayaan mutlak sedangkan nilai 1 menunjukkan kepercayaan mutlak.

402

MB (H, E)

: ukuran kenaikan kepercayaan (measure of increased belief) terhadap hipotesis H yang dipengaruhi oleh gejala E. MD (H, E) : ukuran kenaikan ketidakpercayaan (measure of increased disbelief) terhadap hipotesis H yang dipengaruhi oleh gejala E. Bentuk dasar rumus certainty factor, adalah sebuah aturan JIKA E MAKA H seperti ditunjukkan oleh persamaan 2 berikut: CF (H, e) = CF (E, e) * CF (H, E) ....................(2) Dimana CF (H, e) : certainty factor hipotesis yang dipengaruhi oleh evidence e. CF (E, e) : certainty factor evidence E yang dipengaruhi oleh evidence e CF (H, E) : certainty factor hipotesis dengan asumsi evidence diketahui dengan pasti, yaitu ketika CF(E, e) = 1 Jika semua evidence pada antecedent diketahui dengan pasti maka persamaannya akan menjadi: CF (E, e) = CF (H, E) …...............................(3) Dalam aplikasinya, CF(H,E) merupakan nilai kepastian yang diberikan oleh pakar terhadap suatu aturan, sedangkan CF(E,e) merupakan nilai kerpercayaan yang diberikan oleh pengguna terhadap gejala yang dialaminya. Sebagai contoh, berikut ini adalah sebuah aturan dengan CF yang diberikan oleh seorang pakar: JIKA batuk DAN demam DAN sakit kepala DAN bersin-bersin MAKA influensa, CF: 0,7 Kelebihan metode Certainty Factor adalah: 1. Metode ini cocok dipakai dalam sistem pakar untuk mengukur sesuatu apakah pasti atau tidak pasti dalam mendiagnosis penyakit sebagai salah satu contohnya. 2. Perhitungan dengan menggunakan metode ini dalam sekali hitung hanya dapat mengolah 2 data saja sehingga keakuratan data dapat terjaga. Kekurangan metode Certainty Factor adalah: 1. Ide umum dari pemodelan ketidakpastian manusia dengan menggunakan numerik metode certainty factor biasanya diperdebatkan. Sebagian orang akan membantah pendapat bahwa formula untuk metode certainty factor diatas memiliki sedikit kebenaran.


2. Metode ini hanya dapat mengolah ketidakpastian/kepastian hanya 2 data saja. Perlu dilakukan beberapa kali pengolahan data untuk data yang lebih dari 2 buah.

Adapun Jenis Gangguan Jiwa Neurosis yang memiliki Karakteristik / Ciri atau Tanda / Gejala, sebagai contoh ditunjukkan pada tabel 1. Tabel 1. Karekteristik Gangguan Jiwa Neurosis

Gangguan Jiwa Di dalam ilmu kedokteran, kata Kejiwaan jarang sekali digunakan oleh Paramedis. Paramedis lebih sering menyebutkan kejiwaaan dengan Gangguan Jiwa. Penafsiran yang terjadi di masyarakat bahwa orang yang mengalami gangguan jiwa adalah orang yang stress atau gila. Pengelompokkan kejiwaan ini perlu diketahui bagi masyarakat, untuk mengetahui gangguan jiwa yang dialami yang mempunyai karakteristik tertentu. Gangguan Jiwa Neurosis A. Pengertian Neurosis Neurosis kadang - kadang disebut psikoneurosis dan gangguan jiwa (untuk membedakannya dengan psikosis atau penyakit jiwa). Neurosis adalah gangguan yang terjadi hanya pada sebagian dari kepribadian, sehingga orang yang mengalaminya masih bisa melakukan pekerjaan-pekerjaan biasa sehari-hari atau masih bisa belajar, dan jarang memerlukan perawatan khusus di rumah sakit.[4] B. Jenis Jenis Neurosis Di dalam PPDGJ III yang termasuk Neurosis adalah :[5] 1. Gangguan Anxietas Fobik Neurosis fobik merupakan gangguang jiwa dengan gejala utamanya fobia, yaitu rasa takut yang hebat yang bersifat irasional, terhadap suatu benda atau keadaan. Fobia dapat menyebabkan timbulnya perasaan seperti akan pingsan, rasa lelah, mual, panik, berkeringat, dan seterusnya.

3.

ANALISA DAN PERANCANGAN

3.1 3.1.1

Perancangan Sistem Arsitektur Sistem Pakar Sistem pakar memiliki beberapa komponen utama, yaitu basis pengetahuan (knowledge base), basis data sistem pakar (expert system database), mesin inferensi (inference engine), antarmuka pengguna (user interface), pengguna (user). Arsitektur dasar sistem pakar dapat dilihat pada gambar 2.

2.

Gangguan Panik Adalah serangan anxietas berat yang berulang, yang tidak terbatas pada adanya situasi tertentu atau pun suatu rangkaian kejadian, dank arena itu tidak terduga. 3.

Gangguan Cemas Menyeluruh (Anxiety Neurosis atau Anxiety State) Faktor pencetus neurosis cemas sering jelas dan secara psikodinamik berhubungan dengan faktor-faktor yang menahun seperti kemarahan yang dipendam. 4.

Gangguan Anxietas Campuran Neurosis depresif merupakan neurosis dengan gangguang utama pada perasaan.

Gambar 2. Arsitektur Sistem Pakar

3.1.2

Knowledge Base Dalam penelusuran kejiwaan dibutuhkan penalaran maju untuk mendiagnosis gejala maupun ciri – ciri, maka didapatlah pengetahuan yang diperoleh dari pakar. Berdasarkan hasil konsultasi dan wawancara maka data yang diperoleh dari pakar

403


tentang Jenis Gangguan jiwa Neurosis di Rumah Sakit Jiwa Daerah Provinsi Sumatera Utara . Maka peneliti dapat menyimpulkan bahwa Jenis Gangguan jiwa Neurosis sebagai berikut : Tabel 2. Jenis Gangguan Jiwa Neurosis

Pada tabel sudah dijelaskan tentang Jenis Gangguan Jiwa Neurosis. Jenis Gangguan Jiwa Neurosis mempunyai beberapa Gejala dan Tanda. Adapun Gejala dan Tanda tersebut adalah sebagai berikut : Tabel 3. Gejala dan Tanda Gangguan Jiwa Neurosis

Berdasarkan kedua tabel diatas maka pakar dapat menentukan dengan mudah Jenis Gangguan Jiwa Neurosis berdasarkan Gejala / Tanda Gangguan Jiwa Neurosis tersebut. Untuk melakukan pengelompokan Jenis Gangguan Jiwa Neurosis dan sesuai dengan Gejala / Tanda Gangguan Jiwa Neurosis yang ada, maka disini dibuat dalam bentuk decision table berdasarkan sampel data yang didapat pada penelitian yang penulis lakukan. Berikut bentuk decision table dari identifikasi Jenis Gangguan Jiwa Neurosis. Tabel 4. Rule untuk Jenis Gangguan Jiwa

404


5.

6.

Sistem pakar yang dirancang ini dapat mengidentifikasi Jenis Gangguan Neurosis berdasarkan data tanya jawab yang dimasukkan kedalam sistem. Penalaran forward chaining dengan menggunakan bahasa pemrograman Visual Basic 6.0 digunakan untuk melakukan penelusuran Gejala / Tanda untuk mendapatkan hasil identifikasi Jenis Gangguan Jiwa Neurosis.

Output (Keluaran) dari sistem ini atau hasil diagnosa dalam bentuk informasi tentang Gangguan Jiwa Neurosis sehingga dapat mengetahui lebih dini gangguan jiwa yang dialami. Certainty Factor dari Rule Based Dengan menggali hasil dari wawancara dengan pakar, nilai CF (Rule) didapat interpretasi dari pakar menjadi nilai CF tertentu seperti pada tabel 5. Tabel 5. Nilai CF hasil interpretasi

Model yang diusulkan untuk CF(Rule) adalah sebagai berikut:

CF(Rule) = 1 -

menentukan

x 1 + y y

dimana: x = Jumlah kemunculan kombinasi nilai variabel fakta E1  E2...  EN didalam rule yang dihitung, sebagai set / subset kombinasi nilai variabel fakta pada setiap rule dengan variabel hipotesa H yang sama. y = Jumlah semua rule yang memiliki variabel hipotesa H yang sama dengan rule yang sedang dihitung. 4. 4.1

PENUTUP

Kesimpulan Setelah mengamati dan melihat hasil dari penelitian tesis ini, maka dapat diambil kesimpulan, yaitu : 4. Dalam mengidentifikasi Gangguan jiwa Neurosis, seorang pakar melakukan dengan konsultasi dengan pasien dan melihat aktivitas serta kegiatan pasien sehari - hari.

4.2 Saran Berikut ini beberapa saran yang ditujukan untuk pengembangan aplikasi Sistem Pakar diagnosis kejiwaan menggunakan metode forward chaining, selanjutnya. 1. Kiranya pengembangan Portal Informasi dapat dijadikan media yang tepat bagi penggunanya, dalam menerima informasi yang akurat, terpercaya, dan memiliki nilai efektif serta efisien bagi penggunanya, dalam menangani permasalahan tertentu. 2. Pengetahuan sistem pakar kiranya semakin diperkaya, agar dapat memberikan penjelasan sistem yang lebih optimal. 3. Metode-metode inferensi dari Sistem Pakar kiranya dapat disempurnakan, serta dicarikan alternatif lain yang memungkinkan penyelesaian yang jauh lebih baik. 4. Sebaiknya sistem pakar ini lebih dikembangkan, tidak hanya sebatas jenis dan gejala serta metode yang ada pada tesis ini. DAFTAR PUSTAKA [1] Muhammad Arhami (2005). “Konsep Dasar Sistem Pakar”. Yogyakarta: Andi [2] [Sutojo, T. S.Si, M.Kom, Edy Mulyanto, S.Si, M.Kom, Dr. Vincent Suhartono (2011). “Kecerdasan Buatan”. Yogyakarta: Penerbit Andi. [3] Kusrini, S.Kom (2006). “Sistem Pakar Teori & Aplikasi”. Yogyakarta: Andi. [4] Kuntjojo (2009). “Neurosis”. http://ebekunt.wordpress.com/2009/05/12/ne urosis/ 8 Des 2013, 20:35 wib [5] Departemen Kesehatan RI. Direktorat Jenderal Pelayanan Medik (1993). “Pedoman Penggolongan dan Diagnosis Gangguan Jiwa di Indonesia III (PPDGJ III)”. Cetakan I. Jakarta: Departemen Kesehatan RI.

405


SISTEM PENGGERAK KURSOR MELALUI PENGOLAHAN CITRA JARI TANGAN MENGGUNAKAN EMGUCV Muchammad Naseer 1, I Gede Suardika 2, I Gede Putu Teguh Pramudya Ananta 3 1,2,3

STMIK STIKOM Bali Jln Raya Puputan Renon No 86, Denpasar - Bali 1 naseer@stikom-bali.ac.id, 2 suardika@stikom-bali.ac.id, pramudya21@gmail.com 3 1,2,3

Abstrak Perancangan ini dilatar belakangi oleh kondisi perkembangan ilmu teknologi yang maju pesat khususnya dibidang pencitraan digital, disini penelitian menggunakan obyek jari tangan manuisa untuk dikembangkan agar dapat menggerakan kursor tetikus. penelitian ini menggunakan metode konversi citra digital yang disebut Threshold, dan menggunakan algoritma Convexity Defect and Hull yang kemudian diterjemahkan ke dalam bahasa C# menggunakan Software Microsoft Visual Studio C# 2010 dan juga menggunakan library dari EmguCV yang di khususkan untuk pengolahan citra digital . Hasil perancangan dari sistem ini berupa aplikasi untuk menggerakan kursor tetikus, namun tidak hanya itu aplikasi ini juga dapat melakukan proses klik sama seperti fitur yang ada pada tetikus pada umumnya.. Kata kunci : Pengolahan Citra Digital, Convexity Defect & Hull, EmguCV, Threshold 1.

Pendahuluan

Citra digital merupakan konversi citra ke sinyal digital, dengan dibantu sensor elektronik membentuk array yang berisikan nilai nilai real maupun kompleks yang kemudian di presentasikan kembali dengan deretan bit tertentu. Penglihatan adalah indra yang paling peka sehingga tidak mengejutkan bila citra memainkan peran paling penting dalam persepsi manusia. Bagaimanapun, tidak seperti manuasia yang terbatas dalam band penglihatan spectrum elektromagnetik (EM), mesin pencitraan mencangkup hamper semua spectrum EM, dengan jangkauan mulai dari sinar gamma sampai gelombang radio. EmguCv adalah salah satu library pengolahan citra digital multy platform yang bersifat open source sehingga dapat dikembangkan oleh siapapun secara bebas namun terdapat juga versi EmguCv yang berbayar dengan kemampuan yang lebih tentunya, berhubungan dengan kecepatan komputasi. Dengan adanya teknologi olah citra yang ada ini khususnya library EmguCv, memungkinkannya membaca pergerakan suatu objek untuk menjadi suatu titik acuan yang apa bila diproses lebih lanjut akan dapat menggerakan kursor tetikus dan teknologi ini dapat menutupi kekurangan dari kelemahan tetikus yang masih ada sampai saat ini. Berdasarkan uraian diatas permasalahan diatas penulis mengangkat topik Penggerak Kursor Tetikus Dengan Jari Menggunakan Emgu CV.

2.

Metode Penelitian

Pengolahan Citra Digital Pengolahan citra digital dimulai sekitar awal tahun 1920-an dari dunia pemberitaan media cetak, dimana sebuah citra dikirim melalui kabel bawah laut dari London menuju ke New York. Proses transmisi ini menghemat waktu pengiriman dari seminggu menjadi kurang dari tiga jam. Sebelum dikirim citra terlebih dahulu dikodekan dan setelah diterima citra direkonstruksi ulang.[1]. Citra didasarkan pada radiasi spectrum EM yang paling familier, khususnya citra X-ray dan band visual dari spectrum. Gelombang elektromagnetik dapat dikonsepkan sebagai sepasang gelombang sinusoidal dari macammacam panjang gelombang. Jika energi spectral band dikelompokan per photon maka akan didapatkan spektrum seperti yang ditunjukan pada gambar 2.1 jangkauan dari gamma ray (energy tertinggi) sampai gelombang radio (energy terendah).[2]

Gambar 1. Spektrum Elektromagnetik .

406


YCrCb Color Filtering Warna kulit telah terbukti menjadi isyarat yang berguna dan kuat untuk deteksi wajah, lokalisasi, dan pelacakan[3]. Content filtering, content-aware video compression, dan colorbalancing applications juga mendapatkan keuntungan dari deteksi otomatis kulit dalam gambar.Tujuan dari skin-color detection adalah membuat sebuah keputusan untuk membedakan antara kulit dan bukan kulit.Hal ini biasanya dicapai dengan menggunakan metrik, yang mengukur jarak dari warna pixel yang diberikan kepada nilai yang ditetapkan mewakili warna kulit. Keuntungan yang jelas dari metode tersebut adalah kesederhanaan aturan skin-detection memungkinkan pelaksanaan klasifikasi yang sangat cepat.[3] YCbCr adalah keluarga dari ruang warna yang digunakan sebagai bagian dari warnagambar dalam video dan sistem fotografi digital.Y adalah komponen luma, kadang-kadang disebut cahaya, yang mewakili kecerahan gambar.Cb dan Cr adalah blue-difference danred-difference komponen chroma, chroma adalah sinyal yang digunakan dalam sistem video untuk menyampaikan informasi warna dari gambar.Berbeda dengan RGB, ruang warna YCbCr adalah luma-independen, menghasilkan kinerja yang lebih baik. YCbCr bukan merupakan ruang warna mutlak, melainkan adalah cara pengkodean informasi RGB. Warna sebenarnya ditampilkan tergantung pada primary RGB yang sebenarnya digunakan untuk menampilkan sinyal. Morfologi Citra Kata morphology umumnya menyatakan cabang ilmu biologi yang mempelajari bentuk dan struktur hewan dan tumbuh-tumbuhan. Istilah yang sama juga digunakan disini, dalam konteks mathematical morphology sebagai tool untuk mengekstrakan komponen citra yang berguna dalam representasi dan deskripsi bentuk daerah, seperti boundaries, skeletons, dan convex hull. Teknik morfologi juga diguakan untuk pre atau postprocessing, seperti morfologi filtering, thinning, dan pruning. Operasi dasar dalam pemrosesan morfologi adalah dilasi dan erosi, yang kemudian dikembangkan menjadi opening dan closing.[3] Dilasi Proses dalam dilasi adalah “penumbuhan” atau “penebalan” dalam citra biner. Pengertian penebalan ini dikontrol dalam bentuk strel yang digunakan. Pengertian penebalan ini dikontrol oleh bentuk strel yang digunakan. Erosi Erosi dapat dianggap sebagai operasi morphological filtering dimana detail citra yang

lebih kecil dari strel akan difilter (dihilangkan) dari citra. Untuk lebih memahami erosi, maka dapat dibayangkan bahwa strel digerakan sepanjang sebelah luar tepi citra (diluar pixel yang paling pinggir/tepi) dan origin strel ditempatkan di piksel background yang ditemui tersebut. Untuk setiap irisan piksel strel dengan daerah di dalam citra maka pikselirisan tersebut merupakan hasil erosi dan piksel tersebut ikut bergabung menjadi background dalam citra biner.[4] Opening dan Closing Dua morfologi lain yang penting adalah opening dan closing. Opening secara umum menghaluskan garis-garis bentuk obyek, menghilangkan bagian-bagian yang sempit, dan menghilangkan penonjolan-penonjolan yang tipis. Closing secara umum menolak pecahan-pecahan sempit dan teluk yang panjang dan tipis, menghilangkan lubang kecil dan mengisi gap pada garis-garis bentuk (contour).[4] Dengan pernyataan tersebut dapat didefinisikan bahwa : Opening : Dilakukan Erosi kemudia dilakukan Dilasi.

Gambar 2. Ilustrasi Opening Closing : Dilakukan Dilasi kemudian dilakukan Erosi..

Gambar 3. Ilustrasi Closing

Convexity Convexity and Defect Cara lain yang berguna untuk memahami bentuk dari suatu obyek atau kontur adalah untuk menghitung convex hullterhadap objek dan kemudian menghitung ketidak sempurnaan konveksitas nya. Bentuk dari banyak objek yang kompleks akan dikarakteristikan dengan baik berdasarkan ketidak sempurnaan dari objek tersebut. Convex hull digambarkan sebagai garis gelap di sekitar tangan. .[5] Terdapat tiga metode OpenCV penting yang berhubungan dengan Hull Complex dan Convexity Defects. Yang pertama adalah menghitung hull dari contour yang kita telah identifikasi, dan yang kedua memungkinkan kita untuk memeriksa apakah suatu kontur diidentifikasi benar benarkonveks (membuat lengkungan keluar, menonjol atau cembung).

407


Yang ketiga menghitung convexity defectspada contour untuk yang convex hull-nya dikenali. Convex hull adalah keterangan dari bentuk, dan ConvexDefect adalah keterangan dari edge.Hal ini digunakan dalam computer vision untuk menyederhanakan bentuk kompleks, terutama untuk memberikan indikasi cepat dari luasnya obyek. [6]

JARI TANGAN MANUSIA

WEB CAM

YCrCb THRESHOLD

EROSI

DILASI

ALGORITMA CONTOUR CONVEXITY DAN DEFECT HULL

FUNGSI TETIKUS

TAMPILKAN

Gambar 4. contour convexity dan convexity defect

Gambar 5. alur umum sistem Use Case Pengguna Use Case untuk user antar lain : Show Home Screen menampilkan menu awal bagi pengguna atau user.[9] Start Detection memulai program. Tracking Processing adalah sub bagian dari Start Detection yang berisi semua parameter dalam konversi dan tracking obyek. dan Show About untuk menampilkan informasi perancang aplikasi ini. Start Detection

extend

e

inc

lud

lud

e

inc

Show Home Screen

Tracking Processing

inc lud

User

e

Alur Umum Sistem Sistem ini akan memiliki dua form yang mana form pertama berfungsi sebagai Home Screen sebagai tampilan untuk memilih menu di awal program yang berisikan dua menu start detection untuk menjalankan program utama dan about untuk menampilkan informasi instansi tempat penulis mengeyam pendidikan, versi aplikasi, nomor induk, nama penulis, dan info email penulis, dan juga tahun ajaran.[7] Form utama adalah form penentu atau tempat semua sistem berjalan mulai dari recording gambar dimana gambar diambil menggunakan webcam secara real time kemudian detection. Dalam detection gambar yang tadinya diambil oleh kamera webcam di konversi menjadi format YCrCb yang merupakan salah satu format warna selain RGB, kemudian selanjutnya dilakukan erosi dan dilasi yaitu penipisan gambar dan penebalan gambar agar mendapat contour tangan yang diingin kan sehingga mempermudah nantinya menerapkan algoritma contour convexity dan convexity defect. Dibawah ini adalah urutan proses yang terjadi dalam aplikasi Sistem Penggerak Kursor Tetikus Dengan Jari Menggunakan EmguCV :

Show About

Gambar 6. use case diagram Activity Diagram Home Screen Diagram Activity HomeScreen menampilkan aliran aktifitas yang dilakukan oleh pengguna terhadap Home Screen berikut diagram activity home screen :

408


User

Sistem

User

Sistem

WebCam

Start

Start Start Detection

Cek WebCam Record Gambar

Clik Icon Program

Pesan Error

Show Home Screen

Tidak

Ada

Ya

Start Program Preview

End

Image Process

End

Gambar 9. Diagram Activity Start Detection Gambar 7. Diagram Activity HomeScreen Activity Diagram Show About Diagram Activity Show About menampilkan aliran aktifitas yang dilakukan oleh pengguna terhadap Show About.[8] Berikut diagram activity Show About: User

Activity Diagram Tracking Process Diagram Activity Tracking Process menampilkan aliran aktifitas yang dilakukan oleh pengguna terhadap Tracking Process. Berikut diagram activity Tracking Process : User

Sistem

WebCam

Start

Sistem Start Detection

Cek WebCam

Start

Show Home Screen

Record Gambar

Show About

Pesan Error

Tidak

Ada

Preview

Image Process

End

YCrCb Convert

Ya

Show About Information

End

Erode & Dilate Struct

Gambar 8. Diagram Activity Show About Activity Diagram Start Detection Diagram Activity Start Detection menampilkan aliran aktifitas yang dilakukan oleh pengguna terhadap Start Detection. Berikut diagram Activity Start Detection:

Convexcity Algorithm

Mouse Function

Gambar 10. Diagram Activity Tracking Process Sequence Diagram Home Screen Diagram Sequence HomeScreen menampilkan aliran aktifitas yang dilakukan oleh pengguna terhadap Home Screen[10] berdasarkan urutan waktu atau timeline berikut Diagram Sequence HomeScreen :

409


Sequence Diagram Tracking Process Diagram Sequence Tracking Process menampilkan aliran aktifitas yang dilakukan oleh pengguna terhadap Tracking Process berdasarkan urutan waktu atau timeline berikut Diagram Sequence Tracking Process :

HomeScreen User 1.Open()

HomeScreen

StartDetection

User

1.1 HomeScreen_Load()

1.Open() 1.1 btStartProg_Click() 1.2.Record() 1.3.ImageProcessing()

2.Close() 1.4 Start Detection_Load()

2.1 HomeScreen_FormClosing()

1.5 HomeScreen_Load()

2.Close()

Gambar 11. Diagram Sequence Home Screen 2.1 HomeScreen_FormClosing()

Sequence Diagram Show About Diagram Sequence Show About menampilkan aliran aktifitas yang dilakukan oleh pengguna terhadap Show About:

Gambar 14. Diagram Sequence Tracking Process

About

HomeScreen User 1.Open()

Class Diagram Diagram class program menggambarkan struktur dan deskripsi class pada program.

1.1 btAbout_Click()

1.2 About_Load() 1.3 HomeScreen_Load()

2.Close()


Gambar 12. Diagram Sequence Show About Sequence Diagram Start Detection Diagram Sequence Start Detection menampilkan aliran aktifitas yang dilakukan oleh pengguna terhadap Start Detection berdasarkan urutan waktu atau timeline berikut Diagram Sequence Start Detection: HomeScreen

StartDetection

User 1.Open() 1.1 btStartProg_Click() 1.2.Record()

1.3 Start Detection_Load() 1.4 HomeScreen_Load()

2.Close()


Gambar 13. Diagram Sequence Start Detection

410

Gambar 15. Class Diagram 3. Hasil dan Pembahasan Halaman utama (Home Screen) Tampilan menu utama merupakan tampilan home screen dari sistem. Setiap pengguna menjalankan system, maka tampilan seperti ini yang akan terlihat. Terdapat nama sistem, yang menjelaskan halaman ini merupakan halaman system untuk menggerakkan kursor tetikus dengan citra jari tangan. Terdapat juga tombol about yang akan menampilkan tentang system ini. Kemudian terdapat satu tombol lain dengan tulisan Start Detection, dimana tombol tersebut merupakan tombol inti dari halaman ini. Ketika menekan tombol tersebut, akan dimunculkan sebuah jendela baru yang


menampilkan visualisasi citra nyata dan citra yang telah diolah. Halaman utama ini akan dimunculkan kembali ketika pengguna selesai melakukan deteksi dan pergerakan kursor tetikus.

terluar dari kontur tangan. Jika 2 jari yang terdeteksi berarti akan menggerakkan kursor, jika 3 jari yang terdeteksi maka kursor akan melakukan klik, jika 4 jari yang terdeteksi maka kursor akan melakukan klik sebanyak 2 kali, berguna untuk membuka file atau folder, terakhir, jika 5 jari yang terdeteksi maka kursor akan melakukan klik kanan.

Gambar 18. Interface Detection dan Tracking

Gambar 16. Interface Home Screen Halaman Start Detection Pada halaman ini terdapat dua visualisasi, kotak visual sisi kiri menampilkan citra nyata yang didapatkan melalui kamera, kotak visual pada sisi kanan akan menampilkan hasil pengolahan citra nyata tersebut. Tedapat juga sebuah tombol dengan teks finger, dimana tombol tersebut akan memulai proses deteksi dan tracking. Ketika tombol tersebut mulai di tekan, maka setiap pergerakan tangan akan mempengaruhi pergerakan kursor pada layar.

Pengujian Dari percobaan yang dilakukan terhadap pergerakan kursor melalui citra tangan, didapatkan hasil sebagai berikut : Tabel 1. Pengujian menggerakkan kursor melalui deteksi 2 jari Pengujian

Berhasil

Uji ke-1

Ya

Uji ke-2

Ya

Uji ke-3

Ya

Uji ke-4

Ya

Uji ke-5

Ya

Tingkat Keberhasilan

100%

Tabel 2. Pengujian kursor klik melalui deteksi 3 jari Pengujian

Berhasil

Uji ke-1

Ya

Uji ke-2

Tidak

Uji ke-3

Ya

Gambar 17. Interface Start Detection

Uji ke-4

Ya

Halaman Detection dan Tracking Pada halaman ini, kotak visual pada sisi kiri telah memunculkan hasil deteksi. Hasil deteksi didapatkan melalui pengolahan citra pada kotak visual sisi kanan. Pada sisi kanan terlihat citra biner yang dimana kontur tangan menjadi berwarna putih secara keseluruhan, dan background yang merupakan media berwarna putih akan berubah menjadi hitam. Pada kotak visual sisi kiri, akan diberikan tepi berwarna hijau yang mengikuti kontur tangan, sedangkan garis berwarna merah tergambar pada sudut-sudut

Uji ke-5

Ya


80%

Tabel 3. Pengujian kursor klik 2 kali melalui deteksi 4 jari Pengujian

Berhasil

Uji ke-1

Tidak

Uji ke-2

Tidak

Uji ke-3

Tidak

Uji ke-4

Ya

411


Uji ke-5

Ya


40%

Tabel 4. Pengujian kursor klik kanan melalui deteksi 5 jari Pengujian

Berhasil

Uji ke-1

Tidak

Uji ke-2

Ya

Uji ke-3

Ya

Uji ke-4

Ya

Uji ke-5

Ya


80%

Saran Saran yang dapat diberikan untuk penelitian ini adalah : 1. Design tampilan perlu dibuat lebih menarik lagi. 2. Dilakukan percobaan dengan menggunakan global thresholding pada proses deteksi, diharapkan dapat berjalan baik di berbagai kondisi cahaya. 3. Dibutuhkan peningkatan akurasi pada proses deteksi dan tracking, sehingga akan lebih memudahkan pengguna dalam menggunakan sistem ini. 4. Dapat dilakukan simulasi lain misal dengan merubah deteksi untuk menggerakan kursor melalui tangan yang menggumpal. Daftar Pustaka

Pengujian Kinerja Deteksi

[1]

120%

[2]

100% 80%

[3]

60% 40% 20%

[4]

0% 2 Jari

3 Jari

4 Jari

5 Jari

Gambar 19. Grafik hasil pengujian 4.


Kesimpulan Kesimpulan yang dapat diambil dari penelitian ini adalah : 1. Sistem ini mampu mengkonversikan citra video kedalam citra biner dan mampu menggerakan kursor tetikus dengan menggnakan obyek jari tangan manusia. 2. Sistem ini tidak hanya dapat menggerakan kursor namun dapat juga melakukan klik kanan dan kiri sebagaimana mestinya fungsi tetikus pada umumnya. 3. Masih terdapat kendala dengan intensitas cahaya di dalam sebuah ruangan. 4. Terjadi kemampuan yang kurang baik ketika melakukan deteksi 4 jari, yang berfungsi untuk klik 2 kali. 5. Tidak terjadi masalah ketika akan menggerakkan kursor melalui deteksi 2 jari.

412

[5]

[6]

[7]

[8]

[9]

[10]

Putra, Darma. 2010. Pengolahan Citra Digital. Yogyakarta. Andi. Prasetyo, Eko. 2011. Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab. Yogyakarta. Andi. Tarek M. Mahmoud. A new fast skin color detection technique. World Academy of Science, Engineering and Technology, 43:501–505,2008 Vladimir Vezhnevets, Vassili Sazonov, and Alla Andreeva. A survey on pixel-based skin color detection techniques. In Proceedings of international conference on computer graphics and vision, pages 85– 92, Moscow, Russia, 2003.Moscow State University. Bradski, Gary dan Adrian Kaehler.2008.Learning OpenCV.United States of America: O’Reilly. Ashwini M. Patil, Sneha U. Dudhane, Monika B. Gandhi, Nilesh J. 2005. Cursor Control System Using Hand Gesture Recognition. India. Schmuller, Joseph. 1999. Sams Teach Yourself UML in 24 Hours. Sams Publishing. United States of America. Jeffry L Whitten, J. et all, 2004, Edisi 6 Metoda Design dan Analisa Sistem, edisi bahasa Indonesia,McGrawHill companies C. Lethbridge, Timothy dan Laganiere, Robert. 2002. Object-Oriented Software Engineering. McGraw-Hill, New York. Booch, Grady, Rumbaugh, James, dan Jacobson, Ivar. 1999. The Unified Modeling Language User Guide. AddisonWesley. Canada.


RANCANGAN APLIKASI UNTUK MENGANALISA BUS PT.PUTRA PELANGI MEDAN DALAM MENENTUKAN KONDISI MESIN YANG LAYAK UNTUK DIBERANGKATKAN DENGAN MENGGUNAKAN METODE SAW (SIMPLE ADDITIVE WEIGHTING) Muhammad Hari Ramadhan Sistem Informasi, STMIK Potensi Utama Medan Jln. K.L. Yos. Sudarso Km. 6,5 No. 3-A Tanjung Mulia Medan haryollezo@gmail.com

Seiring dengan perkembangan zaman, transportasi merupakan salah satu kebutuhan yang masuk kedalam berbagai sektor kegiatan masyarakat. Mulai dari trasportasi udara, transportasi laut, maupun transportasi darat. Dimana transportasi darat juga merupakan salah satu alat transportasi yang sangat efektif dan efesien dimasyarakat. Penggunaan transportasi darat ini sangat memudahkan seseorang dalam bepergian, sehingga kemanapun dibutuhkan akan dapat digunakan. Begitu juga dengan PT.Putra Pelangi Medan sudah menjadi pilihan banyak masyarakat untuk bepergian ketempat tujuan. Namun dnegan meningkatnya jumlah penduduk dan banyaknya minat masyarakat untuk memilih PT.Putra Pelangi Medan sebagai salah satu transportasi dan dengan seiring berjalannya waktu maka timbullah salah satu masalh yaitu; semakin berkurangnya kondisi mesin bus yang digunakan oleh penyediaan jasa tersebut. Hal ini sering menimbulkan kekecewaan kepada para penumpang baik dari segi keterlambatan waktu timbulnya tibanya bus keterminal tujuan yang diakibatkan oleh matinya mesin bus saat diperjalanan. Dengn memanfaatkan Konsep Pengambilan Keputusan dengan metode SAW (Simple Additive Weighting) dengan menggunakan Software Adobe Dreamweaver CS6 dan Xampp 17.3 Mysql dan dapat diimpelementasikan untuk membuat analisa sistem dengan merancang aplikasi untuk menentukan bus yang layak untuk diberangkatkan atau yang tidak layak untuk diberangkatkan. Kata Kunci : Simple Additive Weighting, Fuzzy Multi Attribute Decision Making, Sistem Pendukung Keputusan, , Adobe Dreamweaver CS6, Hypertext Preprocessor, MySQL 17.3 PENDAHULUAN Menurut buku (Kusrini, 2007), Sistem pendukung keputusan merupakan merupakan sistem informasi interaktif yang menyediakan infoormasi, permodelan, dan pemanipulasian data dimana sistem yang digunakan untuk membantu pengambilan keputusan dalam situasi yang semitersetruktur dan situasi yang tidak terstruktur. Menurut Bonczek dalam buku (Turban, 2005), Sistem pendukung keputusan sebagai sebuah sistem yang berbasis komputer yang terdiri atas komponen – komponen antara lain komponen sistem bahasa (Language), komponen sistem pengetahuan (Knowledge) dan komponen sistem pemrosesan masalah (Problem processing) yang saling berinteraksi satu dengan yang lainnya. Metode Simple Additive Weighting (SAW), sering juga dikenal dengan istilah metode penjumlahan terbobot. Konsep dasar SAW adalah mencari penjumlahan terbobot dari kriteria setiap pada setiap atribut (Kusumadewi Sri, 2006). Seiring dengan perkembangan zaman, transportasi merupakan salah satu kebutuhan yang masuk kedalam berbagai sektor kegiatan masyarakat. Mulai dari trasportasi udara, transportasi laut, maupun transportasi darat.

Dimana transportasi darat juga merupakan salah satu alat transportasi yang sangat efektif dan efesien dimasyarakat. Penggunaan transportasi darat ini sangat memudahkan seseorang dalam bepergian, sehingga kemanapun dibutuhkan akan dapat digunakan. Begitu juga dengan PT.Putra Pelangi Medan sudah menjadi pilihan banyak masyarakat untuk bepergian ketempat tujuan. Namun dnegan meningkatnya jumlah penduduk dan banyaknya minat masyarakat untuk memilih PT.Putra Pelangi Medan sebagai salah satu transportasi dan dengan seiring berjalannya waktu maka timbullah salah satu masalh yaitu; semakin berkurangnya kondisi mesin bus yang digunakan oleh penyediaan jasa tersebut. Hal ini sering menimbulkan kekecewaan kepada para penumpang baik dari segi keterlambatan waktu timbulnya tibanya bus keterminal tujuan yang diakibatkan oleh matinya mesin bus saat diperjalanan. Sistem pengukung keputusan merupakan sistem informasi interaktif yang menyediakan informasi, permodelan dan manipulasi data. Sistem itu digunakan untuk membutukan pengambilan keputusan dalam situasi yang

413


semitersetruktur dan situasi yang tidak terstruktur, dimana tidak seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat dalam buku (Kusrini, 2007). Kelebihan dari model Simple Additive Weighting (SAW) dibandingkan dengan model pengambilan keputusan yang lain terletak pada kemampuannya untuk melakukan penelitian secara lebih tepat karena didasarkan pada nilai kriteria pada bobot yang sudah ditemtukan. selain itu, Simple Additive Weighting (SAW) juga dapat alternatif terbaik dari sejumlah alternatif yang ada karena adanya proses penilaian setelah mentukan nilai bobot untuk setip atribut. LANDASAN TEORI Pengertian Data Data merupakan representasi dari fakta atau gambaran mengenai suatu objek atau kejadian. Kita ambil contoh fakta mengenai biodata mahasiswa yang meliputi nama, alamat, jenis kelamin, agama yang dianut, dan lain- lain. (Kusrini, 2007). Pengertian Informasi Informasi merupakan hasil olahan data, dimana data tersebut sudah diperoses dan diinterpretasikan menjadi sesuatu yang bermakna untuk pengambilan keputusan. Informasi juga diartikan sebagai himpunan dari data yang relevan dengan satu atau beberapa orang dalam suatu waktu. (Kusrini, 2007). Pengertian Sistem Data merupakan representasi dari fakta atau gambaran mengenai suatu objek atau kejadian. Kita ambil contoh fakta mengenai biodata mahasiswa yang meliputi nama, alamat, jenis kelamin, agama yang dianut, dan lain- lain. (Kusrini, 2007). Pengertian Keputusan Keputusan adalah Suatu kegiatan untuk memilih tindakan demi mencapai suatu tujuan atau beberapa tujuan. (Kusrini, 2007). Keputusan adalah suatu proses dilaksanakan seseorang berdasarkan pengetahuan dan informasi yang ada dengan harapan atau tujuan. Keputusan dapat diambil dari beberapa alternatif – altenatif yang ada. (Marimin dan Maghfiroh Nurul, 2010) Karakteristik Keputusan Dalam setau keputusan terdapat beberapa kriteri keputusan, diantaranya adalah ; 1. Banyaknya pilihan atau alternatif. 2. Adanya kendala atau syarat.

414

3. Mengukuti suatu pola atau model tingkahlaku, baik yang terstruktur maupun yang tidak terstruktur. 4. Banyaknya input atau pun variabel. 5. Adanya faktor resiko. 6. Dibutuhkan kecepatan, ketepatan dan keakuratan. (Kusrini, 2007). Pengertian Simple Additive Weighting (SAW) Simple Additive Weighting (SAW) adalah Suatu metode untuk mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. (Kusumadewi Sri, 2006). Simple Additive Weighting (SAW) sering dikenal dengan istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. Metode SAW dapat membantu dalam pengambilan keputusan suatu kasus, akan tetapi perhitungan dengan menggunakan metode SAW ini hanya yang menghasilkan nilai terbesar yang akan terpilih sebagai alternatif yang terbaik. Perhitungan akan sesuai dengan metode ini apabila alternatif yang terpilih memenuhi kriteria yang telah ditentukan. Metode SAW ini lebih efisien karena waktu yang dibutuhkan dalam perhitungan lebih singkat. (Verina Valensia at,al. Vol 1 September 2012). Pengertian Fazzy Multi Attribute Decision Making (FMADM) Fazzy Multi Attribute Decision Making (FMADM) adalah Suatu metode pengambilan keputusan untuk menetapkan alternatif terbaik dari sejumlah alternatif berdasarkan kriteria tertenti. Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah FMADM (Fazzy Multi Attribute Decision Making). antara lain : 1. 2. 3. 4.

Simple Additive Weighting Method (SAW). Weighted Product (WP). ELECTRE. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS). 5. Analytic Hierarchy Process (AHP). (Kusumadewi Sri, 2006). Metode Simple Additive Weighting (SAW) Pada Metode Simple Additive Weighting (SAW) membutuhkan proses normalisasi matriks dengan cara menghitung nilai rating kinerja ternormalisasi (rij) dari alternatif Ai pada atribut Cj berdasarkan persamaan yang disesuaikan dengan jenis atribut yang ada.


Jika j adalah artibut keuntungan (benefit)

... (2.1) {

Jika j adalah artibut biaya (cost)

Keterangan : rij : Rating kinerja ternormalisasi untuk i dan j. Maxi : Nilai maksimum dari setiap baris dan kolom. Mini : Nilai minimum dari setiap baris dan kolom. xij : Rating kinerja ternormalisasi dari baris dan kolom. (Kusumadewi Sri, 2006).

... (2.2)

Nilai Vi yang lebih besar mengindikasikan bahwa alternatif A1 lebih terpilih. Sedangkan untuk kriteria yang lainnya terbagi dalam dua kategori yaitu untuk bernilai positif termasuk dalam kriteria keputusan dan yang bernilai negatif termasuk dalam kriteri bukan keputusan. Keterangan : A : Alternatif. C : Kriteria. W : Bobot Nilai Kepentingan. V : Nilai keputusan untuk setiap alternatif. X : Nilai Alternatif dari setiap kriteria. (Kusumadewi Sri, 2006).

Tabel 1. Contoh Data Jadwal Keberangkatan Bus N Kode Tujuan Jam o. Bus Keberangka Keberangkat tan an Pukul 07 : 00 1. PPL75 Medan (MDN) 16 Banda Aceh (BA) Pukul 08 : 00 2. PPL94 Medan (MDN) 79 Biruen (BIR) Pukul 09 : 00 3. PPL54 Medan (MDN) 63 Biruen (BIR) Pukul 09 : 00 4. PPL29 Medan (MDN) – 43 Palembang (PLG) Pukul 11 : 00 5. PPL98 Medan (MDN) 34 Biruen (BIR) Arsitektur Sistem Pendukung Keputusan Dalam SAW Adapun arsitektur sistem pendukung keputusan pada penelitian ini adalah menentukan kelayakan dari mesin bus yang akan diberangkatkan dengan menggunakan Metode Simple Additve Weighting (SAW). Arsitektur sistem pendukung keputusan pada penelitian ini adalah ;

ANALISA DAN PERANCANGAN Pendahuluan Penelitian ini dilaksanakan menggunakan data kondisi mesin yang diambil dari PT.Putra Pelang Medan. Data-data tersebut akan dijadikan sebagai variabelvariabel untuk memutuskan kelayakkan bus yang akan diberangkatkan. Data kondisi mesin bus tersebut akan disesuaikan dari setiap kriteri dan bobot yang ada, serta dilanjutkan dengan menggunakan Metode Simple Additive Weighting (SAW) di mana software yang digunakan untuk mendapatkan hasil keputusan adalah Software dari rancangan PHP dan Mysql. Dalam hal ini, lebih dulu penulis ingin menampikan data dari jadwal keberangkatan bus. Adapun data dari jadwal keberangkatan bus pada PT.Putra Pelang Medan, adalah sebagai berikut ;

Gambar 1. Arsitektur Sistem Pendukung Keputusan Dalam SAW Kriteria Dan Bobot Dalam Metode Simple Additve Weighting (SAW), Terdapat kriteria yang dibutuhkan untuk menentukan kelayakan dari mesin bus yang akan diberangkatkan. Ada 5 kriteria yang akan dijadikan acuan dalam pengambilan keputusan. Adapun kriterianya adalah sebagai berikut : Adapun tingkat kepentingan yang nantinya akan dibobotkan untuk setiap tingkat kepentingan kriteria adalah sebagai berikut:

415


Tabel 2. Nilai Bobot Kepentingan Kriteria Nilai Keterangan Bobot Tidak Penting 0

Tabel 7. Nilai Bobot Kepentingan Untuk Kriteria Oli Mesin Bus Oli Mesin Keterangan Nilai 1 Bulan

Sangat Penting

1

0,25

Kurang Penting

2 Bulan

Penting

0,75

0,5

Cukup Penting

3 Bulan

Cukup Penting

0,5

0,75

Penting

4 Bulan

Kurang Penting

0,25

Sangat Penting

5 Bulan

Tidak Penting

0

1

Tabel 3. Nilai Kriteria Dan Kepentingan Kriteria Kode Kriteria Kepenting Nil Kriteri an ai a Kriteria Tahun Sangat 1 C1 Pembuatan Penting Mesin Filter Bahan Penting 0,75 C2 Bakar Air Radiator Cukup 0,5 C3 Penting Oli Mesin Penting 0,75 C4 Tabel 4. Nilai Bobot Kepentingan Untuk Alternatif Tahun Pembuatan Mesin Tanun Keterangan Nilai Pembuatan Mesin Sangat Penting 1 2012 2011

Penting

0,75

2010

Cukup Penting

0,5

2009

Kurang Penting

0,25

2008

Tidak Penting

0

Cara kerja Fazzy Pada Simple Additive Weighting (SAW) Cara kerja fazzy pada SAW (Simple Additive Weighting), fazzy bekerja untuk menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternatif yang sudah diberikan. Pada dasarnya, ada 3 pendekatan untuk mencari nilai bobot atribut, yaitu pendekatan subyektif, pendekatan obyektif dan pendekatan integrasi antara subyektif & obyektif Pada pendekatan subyektif, nilai bobot ditentukan berdasarkan subyektifitas dari para pengambil keputusan, sehingga beberapa faktor dalam proses perankingan alternatif bisa ditentukan secara bebas. Sedangkan pada pendekatan obyektif, nilai bobot dihitung secara matematis sehingga mengabaikan subyektifitas dari pengambil keputusan. Data Kondisi Mesin Bus Dalam Bentuk Alternatif Dan Kriteria Tabel 8. Data Kondisi Msin Bus Dalam Bentuk Alternatif

Tabel 5. Nilai Bobot Kepentingan Untuk Kriteria Filter Bahan Bakar Filter Bahan Keterangan Nilai Bakar Sangat Penting 1 1 Bulan Penting 0,75 2 Bulan 3 Bulan

Cukup Penting

0,5

4 Bulan

Kurang Penting

0,25

5 Bulan

Tidak Penting

0

Tabel 6. Nilai Bobot Kepentingan Untuk Kriteria Air Radiator Air Radiator Keterangan Nilai

416

5 Liter 4 Liter

Sangat Penting Penting

1 0,75

3 Liter

Cukup Penting

0,5

2 Liter

Kurang Penting

0,25

1 Liter

Tidak Penting

0

Tabel 9. Data Kondisi Msin Bus Dalam Bentuk Kriteria


Tabel 10. Data Kondisi Msin Bus Dalam Bentuk Atribut Dan Kriteria

Perhitungan hasil akhir dengan mengambil sampel nilai atribut dan kriteria dari beberapa angket diatas adalah sebagai berikut ; 1 X =

0,5 0,75 0,75 0,25

Vektor bobot : W= [ C1 W= [ 1

1 0,5 1 1 0,5

C2 0,75

1 0,75 1 1 0,75

1 0,5 0,5 1 0,25

C3 0,5

C4 ] 0,75 ]

Pada Metode Simple Additive Weighting (SAW) membutuhkan proses normalisasi matriks dengan cara menghitung nilai dari rating alternative terhadap Ai pada setiap kriteria – kriteri Cj berdasarkan nilai bobot yang sudah disesuaikan dengan jenis atribut yang ada. Melakukan proses perangkingan dengan cara menghasilkan matriks ternormaslisasi (R) dengan nilai bobot (W).

R =

1 1 1 1 0,5 0,5 0,75 0,5 0,75 1 1 0,5 0,75 1 1 1 0,25 0,5 0.75 0,35

Menentukan nilai preferensi untuk setiap alternatif ( ) dengan cara menjumlahkan hasil kali antara matriks ternormalisasi ( ) dengan nilai bobot ( ). Nilai yang terbesar mengindikasikan bahwa terpilih sebagai alternatif terbaik. V1 0,75)

= (1 x 1) + (1 x 0,75) + (1 x 0,5) + (1 x = 1 + 0,75 + 0,5 + 0,75 = 3,0

V2 = (0,5 x 1) + (0,5 x 0,75) + (0,75 x 0,5) + (0,5 x 0,75) = 0,5 + 0,375 + 0,375 + 0,375 = 1,6 V3 = (0,75 x 1) + (1 x 0,75) + (1 x 0,5) + (0,5 x 0,75) = 0,75 + 0,75 + 0,5 + 0,375 = 2,3

V4 = (0,75 x 1) + (1 x 0,75) + (1 x 0,5) + (1 x 0,75) = 0,75 + 0,75 + 0,5 + 0,75 = 2,7 V5 = (0,25 x 1) + (0,5 x 0,75) + (0,75 x 0,5) + (0,25 x 0,75) = 0,25 + 0,37 + 0,37 + 0,12 = 1,1 Berdasarkan hasil nilai preferensi diatas, maka rangking yang telah diperoleh dapat diurutkan sebagai berikut : V1 = 3,0 V2 = 1,6 V3 = 2,3 V4 = 2,7 V5 = 1,1 Nilai terbesar adalah V1 , sehingga alternatif A1 terpilih sebagai alternatif terbaik. Dengan kata lain Bus PT. Putra Pelangi Medan dengan Kode Bus PPL7516 Merupakan bus yang layak untuk diberangkatkan. KESIMPULAN Dari hasil analisa sistem pendukung keputusan pada PT. Putra Pelangi Medan dalam menentukan kondisi mesin yang layak untuk diberangkatkan dengan menggunakan Fuzzy Multi Attribute Decision Making (FMADM) dengan metode Simple Additive Weighting (SAW), dapat disimpulkan bahwa : 1. Dengan menggunakan metode SAW (Simple Additive Weighting) dapat menentukan kondisi mesin, dari Tahun Pembuatan Mesin Bus yang akan diberangkatkan. 2. Dengan menggunakan metode SAW (Simple Additive Weighting) dapat menentukan kondisi kebersihan Filter Bahan Bakar pada mesin bus yang akan diberangkatkan. 3. Dengan menggunakan metode SAW (Simple Additive Weighting) dapat menentukan kondisi keutuhan Air Radiator pada mesin bus yang akan diberangkatkan. 4. Dengan menggunakan metode SAW (Simple Additive Weighting) dapat menentukan kondisi kebersihan Oli Mesin pada mesin bus yang akan diberangkatkan. Daftar Pustaka [1] Agung M. Leo, (2011). “Aplikasi Web Database Dengan Dreamweaver dan PHP – Mysql”, Yogyakarta : ANDI Offset.

417


[2] Agung Leo, (2013). “Kupas Tuntas Adobe Dreamweaver CS6 Dengan Pemrograman PHP & MySQL”, Madiun : ANDI Offset Dengan MADCOMS [3] Agustina S Mari, (2012). “Adobe Dreamweaver CS5 Seri Kebut Semalam”, Yogyakarta : Andi. [4] Hery Prasetya Andreas, (2010). “Cepat Kuasai PHP + MySQL”, Yogyakarta : Andi. [5] Juju Dominikus, (2007). “Buku Latihan Dreamweaver CS3”, Jakarta PT. Gramedia: Elex Media Komputindo. [6] Joko Usito Nugroho, (2013). “Sistem Pendukung Keputusan Penilaian Proses Belajar Mengajar Menggunakan Metode Simple Additive Weighting (SAW)”, Semarang : Program Pascasarjana Universitas Diponegoro Semarang. [7] Kusrini, (2007), “Konsep dan Aplikasi Sistem Pendukung Keputusan”, Yogyakarta : ANDI Offset. [8] Kusumadewi Sri, dkk, (2006). “Fuzzy Multi Attribute Decision Making (FMADM)”, Yogyakarta : Graha Ilmu. [9] Marimin, Maghfiroh Nurul, (2010). “Aplikasi Teknik Pengambilan Keputusan Dalam Manajemen Rantai Pasok”, Kampus IPB Taman Kencana Bogor : PT. Penerbit IPB Press. [10] Rahardjo Emanuel Andi Wahju, (2006). “Instalasi Apache Web Server, MySQL Database dan PHP Pada Sistem Oprasi Fedora Core 5”, Jurusan Teknik Informatika : Universitas Kristen Maranatha, Bandung.

418

[11] Setiaji Pramono, (2006). “Sistem Pendukung Keputusan Dengan Metode Simple Additive Weighting”, Jurusan Sistem Informasi, Teknik, : Universitas Muria Kudus. [12] Seto Prakoso Bimo, Christianti Meliana, (2008). “Analisis Dan Perancangan Sistem Informasi Akademik Dengan Studi Kasus Pada Sekolah Menengah Atas Terpadu (SMAT) Krida Nusantara”, Jurusan Teknik Informatika : Universitas Kristen Maranatha, Bandung. [13] Sigit W Aloysius, (2011). “Website Super Canggih Dengan Plugin jQuery Terbaik”, Jakarta Selatan : Mediakita. [14] Turban Efraim, et al, (2005). “Decision Support System And Intelligent Systems”, Yogyakarta : Andi. [15] Yulianto Puput, Sumarlinda Sri, (2013), “Sistem Pendukung Keputusan Penentuan Plafon Kredit Dengan Fuzzy MADM (Multiple Attribute Decissio Making) Menggunakanan Metode SAW(Simple Additive Weightin) Di PD.BPR BKK Boyolali Cabang Simo”, Surakarta: STMIK Duta Bangsa Surakarta. [16] Valensia Verina, Dewi Lulu Yohana, Diah Kusuma Wardhani Kartina, (2012). “Aplikasi Tutorial Sistem Pendukung Keputusan Menggunakan Metode Simple Additive Weighting”, Program Studi Teknik Informatika Politeknik Caltex Riau : Jurnal Teknik Informatika, Vol 1 September 2012.


PENGUKURAN TINGKAT KEPUASAN PENGGUNA SISTEM INFROMASI AKADEMIK ONLINE (STUDI KASUS STMIK STIKOM BALI) Ni Kadek Sumiari1, I Nyoman Yudi Anggara Wijaya2 1,2

Sistem Komputer, STMIK STIKOM Bali Jln Raya Puputan Renon No 86, Denpasar - Bali 1 sumiari@stikom-bali.ac.id, 2 yudi_anggara@stikom-bali.ac.id 3

Abstrak STMIK STIKOM Bali merupakan salah satu perguruan IT pertama di Bali yang menggunakan sistem terkomputerisasi. Mulai dari sistem kepegawaian hingga sistem akademik, salah satunya adalah Sistem Informasi Akademik Online yang dimana sistem ini menjadi tempat mahasiswa untuk mendapatkan berbagai informasi.Penelitian ini mengacu pada pengukuran tingkat kepuasan pengguna terhadap Sistem Informasi Akademik Online , dimana pengguna yang dimaksud disini adalah mahasiswa. Tingkat kepuasan mahasiswa diukur berdasarkan standar ISO 9126 quality in use metrics dengan menggunakan satisfaction metrics merupakan acuan yang dapat digunakan untuk mengukur tingkat kepuasan user terhadap perangkat lunak. Dalam penelitian ini penulis melakukan pengukuran tingkat kepuasan pengguna terhadap Sistem Informasi Akademik di STMIK STIKOM Bali menggunakan Standar ISO 9126 quality in use metrics dimana pengumpulan data dilakukan dengan cara penyebaran kuesioner kepada mahasiswa yang hasilnya berupa grafik tingkat kepuasan pengguna dalam hal ini mahasiswa terhadap system Informasi Akademik Online STMIK STIKOM Bali diukur berdasarkan variable kontent/informasi, kecepatan, interaktifity dan dari tampilan. Kata kunci :Sistem Informasi, Tingkat Kepuasan 1. Pendahuluan Tingkat kepuasan konsumen terhadap suatu barang akan memberikan cerminan keberhasilan produsen dalam memproduksi suatu barang, sebab apabila suatu produk akan menjadi gagal apabila barang tersebut tidak memberikan kepuasan bagi penggunanya. Demikian pula untuk software, tingkat kepuasanuser terhadap suatu software akan memberikan gambaran bagi developer terhadap kinerja dari software tersebut, apakan software tersebut sudah memenuhi kebutuhan user ataupun tidak.[1] Kepuasan adalah tingkat perasaan seseorang setelah membandingkan kinerja atau hasil yang dirasakan dengan harapannya. Tingkat kepuasan merupakan fungsi dari perbedaan antara kinerja yang dirasakan dengan harapan. Apabila kinerja dibawah harapan, maka pengguna/user akan kecewa.[2] Pressman (2010) menyebutkan bahwa perangkat lunak merupakan: (1) kumpulan instruksi (program komputer) yang ketika dieksekusi akan memberikan kemampuan, fungsi, dan kinerja yang diinginkan; (2) struktur data yang memungkinkan program untuk melakukan manipulasi informasi yang cukup; (3)informasi deskriptif baik dalam hard copy dan bentuk virtual yang menjelaskan operasi dan kegunaan dari program.[8] Terdapat beberapa faktor utama

yang mempengaruhi kualitas produk yaitu: (1) Kualitas proses, (2) Kualitas Orang, (3) Teknologi pengembangan, (4)Biaya, waktu dan Jadwal.[7]ISO 9126 adalah standar internasional hanya untuk mengevaluasi perangkat lunak. ISO 9126 terdiri Bahasa Dari Empat komponen yaitu: quality model,eksternal metrics, internal metrics, Dan Quality in use metrics . Dalam penelitianini pengukuran yang digunakan adalah pengukurang yang ke empat yaitu Qualityin use metrics. [2] STMIK STIKOM Bali merupakan salah satu perguruan IT pertama diBali yang menggunakan sistem terkomputerisasi. Mulai dari sistem kepegawaianhingga sistem akademik, salah satunya adalah Sistem Informasi Online (SION) yang dimana sistem ini menjadi tempat mahasiswa untuk mendapatkan berbagai informasi. Sistem Informasi Online ini sendiri merupakan sistem berbasis websiteyang dikembangkan sendiri oleh STIMIK STIKOM Bali. Sistem ini memberikan informasi kepada mahasiswa yaitu berupa informasi perkuliahan, nilai, perwalian, pembayaran dan juga pengumuman-pengumuman yang bersifat akademik. Penelitian ini mengacu pada pengukuran tingkat kepuasan pengguna terhadap Sistem Informasi Online (SION), dimana pengguna yang dimaksud disini adalah mahasiswa. Tingkat kepuasan mahasiswa diukur berdasarkan

419


standarISO 9126 quality in use metrics dengan menggunakan satisfaction metricsmerupakan acuan yang dapat digunakan untuk mengukur tingkat kepuasan userterhadap perangkat lunak. [6] Diharapkan dengan hasil penelitian ini bisa diketahui tingkat kepuasan dari mahasiswa dan bisa dilakukan maintenance dan juga pengembangan fitur-fitur baru dalam sistem ini sehingga dapat meningkatkan kepuasan mahasiswa 2. ISO 9126-1 Quality In Use Metrics ISO 9126 adalah standar internasional hanya untuk mengevaluasi perangkat lunak. ISO 9126 terdiri Bahasa Dari Empat komponen yaitu: quality model, eksternal metrics, internal metrics, Dan Quality in use metrics . Dalam penelitian ini pengukuran yang digunakan adalah pengukurang yang ke empat yaitu Quality in use metrics. Standard ISO 9126 pertama kali diperkenalkan pada tahun 1991 melalui pertanyaan tentang definisi Kualitas perangkat lunak. Dokumen halaman-13 yang asli didesain sebagai fondasi lebih jauh, lebih detail, dan memiliki standard yang dapat diolah. Dokumen standard ISO 9126 sangat panjang. Hal ini dikarenakan orang memiliki motivasi berbeda yang memungkinkan untuk tertarik pada kualitas perangkat lunak :   

Acquirer adalah orang yang memperoleh perangkat lunak dari supplier eksternal. Developer adalah orang yang membangun produk perangkat lunak. Evaluator independent adalah orang yang menetapkan kualitas produk perangkat lunak – tidak untuk dirinya sendiri tetapi untuk komunitas user – misalnya melalui jenis tool tertentu dari sebuah perangkat lunak sebagai bagian dari aktifitas profesional.

ISO 9126 mengidentifikasi enam karakteristik kualitas perangkat lunak utamayaitu:  Functionality: kemampuan menutupi fungsi produk perangkat lunak yang menyediakan kepuasan kebutuhan user.  Reliability: kemampuan perangkat lunak untuk perawatan dengan level performansi.  Usability: kemampuan yang berhubungan dengan penggunaan perangkat lunak.  Efficiency: kemampuan yang berhubungan dengan sumber daya fisik yang digunakan ketika perangkat lunak dijalankan.  Maintainanility: kemampuan yang dibutuhkan untuk membuat perubahan perangkat lunak  Portability: kemampuan yang berhubungan dengan kemampuan perangkatlunak yang dikirim ke lingkungan berbeda

ISO 9126Quality in use metrics memiliki 4 tabel pengukuran matrik yaitu :  Effectiveness metrics Matrik ini menilai apakah tugas yang dilakukan oleh pengguna mencapai tujuan tertentu dengan akurasi dan kelengkapan dalam konteks tertentu digunakan. Matrik ini tidak memperhitungkan bagaimana tujuan dicapai, hanya sejauh mana dicapai oleh pengguna  Productivity metrics Matrik ini menilai sumber daya yang sehubungan dengan efektivitas yang dicapai dalam konteks tertentu digunakan. Sumber daya yang paling umum adalah waktu untuk menyelesaikan tugas, meskipun sumber daya lain yang relevan dapat mencakup upaya pengguna, materi atau biaya keuangan pemakaian.  Safety metrics Matrik ini menilai tingkat risiko bahaya bagi masyarakat, bisnis, software, properti atau lingkungan dalam konteks tertentu digunakan. Ini termasuk kesehatan dan keselamatan baik pengguna dan mereka yang terkena dampak penggunaan, serta konsekuensi fisik dan ekonomi yang tidak diinginkan  Satisfaction metrics Matrik ini menilai sikap pengguna terhadap penggunaan produk dalam konteks tertentu digunakan. Dalam penelitian ini peneliti menggunakan satisfaction metrics untuk pengukuran kepuasan pengguna untuk system akademik online di STMIK STIKOM Bali. 3. Metode Penelitian Sistematika Penelitian Penelitian ini bersifat korelasional dan kuantitatif. Dimana, Tujuan utama dari penelitian ini adalah untuk mengetahui tingkat kepuasan terhadap sistem.

Gambar 1. Sistematika Penelitian

420

Seminar Nasional Informatika 2014 



 

Tahap Persiapan : pada tahap persiapan ini dilakukan studi literatus terhadap sistem yang sudah ada melalui pustaka-pustaka yang ada. Memahami Sistem Informasi Online STMIK STIKOM Bali melaui dokumentasi dokumentasi yang ada Penyusunan Instrument: pada tahapan ini dilakukan identifikasi terhadap sistem, penentuan atribut dan sub atribut sistem, pemilihan terhadap metode pengukuran yang digunakan dalam penelitian ini menggunakan Quality in use metrics, dan selanjutnya menyusun instrument penelitian berdasarkan metrics yang digunakan Pengumpulan Data dan Analisis: pada tahap ini dilakukan pengumpulan data melalui penyebaran kuesioner terhadap mahasiswa. Kesimpulan : tahap terakhir yaitu mengambil kesimpulan dari data-data yang telah dikumpulkan pada tahap sebelumnya sehingga diperoleh hasil. [8]

Instrument Penelitian Variabel adalah sesuatu yang membedakan atau memvariasikan nilai. Nilai tersebut dapat berbeda untuk waktu yang berbeda meskipun ditujukan pada objek atau orang yang sama.[3] Terdapat lima variabel yang diukur dalam penelitian ini. Variabel indicator (content/informasi, tampilan web, kecepatan, interactivity)[4]. Pertanyaan pertanyaan yang merepresentasikan variabel-variabel tersebut adalah sebagai berikut: Tabel 1. Kuesioner Tampilan Web

Tampilan WEB Kode No DWS1

1

DWS2

2

DWS3

3

DWS4

4

Penyataan Struktur penyajian menu Kenyamanan dalam penggunaan web Kemudahan dalam penggunaan web Mempunyai link dengan website lain yang terkait

KWS2

2

KWS3

3

KWS4

4

KWS5

5

KWS6

6

pengumuman Kelengkapan penyajian informasi, baik informasi personal atau informasi pengumuman Kecepatan menemukan informasi yang diinginkan Selalu update informasi dan pengumunan Tersedia data-data atau informasi yang lalu Pencarian data lawas (tracking)

Tabel 3. Kuesioner Kecepatan dan Interactivity

Kecepatan Kode No KWS1

1

KWS2

2

KWS3

3

KWS4

4

Nilai

Pernyataan Kemudahan untuk akses Kecepatan membuka awal website Kecepatan dalam membuka konten sion Kecepatan dalam melakukan unduhan data

Interactivity Kode No Pernyataan Kompetibel IND1 1 terhadap semua browser Adanya ruang IND2 2 komunikasi Support untuk IND3 3 web sion

Nilai

Nilai

Tabel 2. Kuesioner Konten Web

Kontent / Informasi Kode No Pernyataan Kejelasan penyajian informasi, baik KWS1 1 informasi personal atau informasi

Nilai

Skala Jawaban Pada Instrumen Penelitian Instrumen utama dalam penelitian ini adalah kuesioner. Pengukuran variabel dilakukan dengan menggunakan skala Likert, yaitu skala yang digunakan untuk mengukur sikap, pendapat dan persepsi seseorang dengan memberi skor kepada masing-masing alternatif jawaban. [4]

421


Prosedur pengukurannya adalah responden diminta untuk menyatakan kepuasa atas dasar persepsi masing-masing responden. Jawaban terdiri dari 5 pilihan yaitu: Tabel 1. Jawaban Jawaban Sangat Memuaskan Memuaskan Cukup memuaskan Tidak memuaskan Sangat tidak memuaskan

Perbedaan usia dari sampel penelitian dapat diliha pada Gambar 2.

usia 18

2%2% 6% 1% 14% Nilai 5 4 3 2 1

usia 19 usia 20

31%

usia 21 44%

usia 22 usia 23

4. Hasil dan Pembahasan Karakteristik responden menjadi hal yang berpengaruh terhadap kualitas dari data, karena pengumpulan data dilakukan dengan menyebarkan kuesioner. [5] Jadi sebelum dilakukan mengenai pembahasan data yang, akan dibahas pula mengenai karakteristik responden penelitian. Responden penelitian diambil dari sampel mahasiswa regular STIKOM Bali.

Gambar 1. Perbedaan Jumlah Sampel Berdasarkan Usia  Tahun Kuliah angkatan 2011

1% 44%

Karakteristik responden Pengumpulan data dilakukan dengan menyebarkan 100 kuesioner dari tanggal 8 April 2013 sampai 15 April 2013. Dari kuesioner yang disebarkan, hanya 87 kuesioner yang berhasil dikumpulkan kembali, dan hanya 82 kuesioner yang terisi dengan lengkap. Sehingga, data yang dapat digunakan sebanyak 82.  Jenis Kelamin Dari 82 sampel kuesioner sebanyak 30 orang atau 35% adalah perempuan, dan sisanya yaitu sebanyak 52 orang atau 65% adalah laki-laki. Perbedaan jumlah jenis kelamin laki-laki dan perempuan dapat dilihat pada gambar 1.

55%

angkatan 2012

angkatan 2010 Gambar 3. Perbedaan Jumlah Sampel Berdasarkan Ankatan Dari 82 sampel kuesoner, responden terbanyak berasal dari mahasiswa angkatan 2012, yaitu sebanyak 55%. Angkatan 2011 sebanyak 44% dan angkatan 2010 sebanyak 1%. Perbedaan jumlah sampel berdasarkan tahun masuk terlihat pada Gambar 3. Tingkat Kepuasan Terhadap Sistem Informasi Online (SION)

35%

laki-laki 65%

perempuan

Gambar 1. Perbedaan Jumbal Sampel Berdasarkan Jenis Kelamin  Usia Dari 82 sampel kuesioner, usia termuda dari responden adalah 18 tahun dan tertua adalah 25 tahun. Sampel kuesioner paling banyak pada mahasiswa yang memiliki usia 19-20 tahun.

422

Pengukuran pengguna terhadapat kepuasan penggunaan sistem informasi online (SION) dalam hal ini adalah mahasiswa STMIK STIKOM Bali, dapat diukur bedasarkan variable kontent/informasi, kecepatan, interaktifity dan dari tampilan web sion sendiri.  Kontent / Informasi Berikut merupakan hasil dari perbandingan kepuasan pengguna SION dilihat dari segi content


puas

KWS1

puas

tidak puas

KWS1 KWS60.86

0.57 0.42 0.13

0.62 0.37

0.64

KWS2

0.31 0.28 0.68 0.41 KWS5 0.71 KWS3 0.58 KWS4 Gambar 4. Perbandingan kepuasan pengguna SION dari segi content Terlihat pada gambar 4. dalam bentuk grafik maka perbandingan kepuasan mahasiswa STMIK STIKOM Bali mengenai kepuasan web sion dalam segi konten atau infromasi sebagai berikut : 1. Mahasiswa lebih cenderung merasa tidak puasa mengenai Kejelasan penyajian informasi, baik informasi personal atau informasi pengumuman. 2. Mahasiswa lebih cenderung merasa tidak puas terhadap Kelengkapan penyajian informasi, baik informasi personal atau informasi pengumuman. 3. Mahasiswa lebih cenderung merasa tidak puas mengenai Kecepatan menemukan informasi yang diinginkan. 4. Mahasiswa lebih cenderung merasa tidak puas mengenai Selalu update informasi dan pengumunan. 5. Mahasiswa lebih cenderung merasa tidak puas mengenai Tersedia data-data atau informasi yang lalu. 6. Mahasiswa lebih cenderung merasa tidak puas mengenai Pencarian data lawas (tracking).  Kecepatan Berikut merupakan hasil perbandingan kepuasan pengguna SION dilihat dari segi kecepatan akses

0.35 0.420.56 KWS2

KWS4 0.570.41 0.47 0.52 KWS3

Gambar 2. Perbandingan kepuasan pengguna SION dari segi kecepatan Terlihat pada gambar 5 dalam bentuk grafik maka perbandingan kepuasan mahasiswa STMIK STIKOM Bali mengenai web sion dalam segi kecepatan sebagai berikut : 1. Mahasiswa STMIK STIKOM Bali segabai pengguna dari web sion cenderung merasa puas mengenai Kemudahan untuk akses web sistem informasi online (SION). 2. Kecepatan dalam pertama kali mengakses atau membuka web sion merupakan suatu hal yang penting dalam kenyamanan penggunaan web sion, mahasiswa dalam hal ini sebagai pengguna web sion cenderung merasa puas dari segi kecepatan awal mengakses website sistem infromasi online (SION). 3. Penjelajahan web yang dimaksudkan untuk mencari informasi yang diinginkan oleh pengguna merupakan hal yang sangat penting, jadi kecepatan dalam melakukan penjelajahan website berpengaruh terhadap kenyamanan pengguna. Dari segi kecepatan dalam membuka konten sion mahasiswa cenderung merasa kurang puas akan kecepatan dalam penjelajahan konten sion. 4. Mengunduh data atau infromasi baik itu personal maupun pengumuman sangat sering dilakukan oleh pengguna web sistem infromasi online (SION) dalam hal ini adalah mahasiswa sebagai pengguna web sion. Kecepatan pengunduhan pengumuman atau informasi personal juga berpengaruh terhadap kepuasan pengguna, dari segi ini mahasiswa sebgai pengguna web sion cenderung merasa tidak puas mengenai kecepatan pengunduhan pengumuman atau informasi  Tampilan Web Berikut merupakan perbandingan kepuasan pengunaan SION dilihat dari segi tampilan

423


puas

DWS1

tidak puas

Puas IND1

0.6 0.4 DWS4 0.74

0.25 0.46 0.53

Tidak Puas

0.69 DWS2

0.34 0.430.32 0.67 0.46

0.43 0.56

IND3

IND2

DWS3 Gambar 6. Perbandingan Kepuasan Pengguna SION dari Segi Tampilan Terlihat pada gambar 6 dalam bentuk grafik maka perbandingan kepuasan mahasiswa STMIK STIKOM Bali mengenai web sion dalam segi tampilan web sebagai berikut : 1. Struktur menu atau penyajian menu merupakan hal yang sangat penting dalam tampilan web, penyajian struktur menu yang baik akan memudahkan pengguna dalam menggunakan web tersebut (user frindly). Mahasiswa sebagai pengguna web sion cendrung merasa puas dari segi penyajian web sion. 2. Kenyamanan penggunaan web sion juga berpengaruh terhadap kepuasan penggunaan web. Dalam hal ini mahasiswa cenderung merasa puas dari segi kenyamanan penggunaan web sion. 3. Kemudahan penggunaan web sion sangat berpengeruh terhadap kepuasan penggunaan web. Dalam hal ini mahasiswa cenderung merasa puas dari segi kemudahan penggunaan web sion. 4. Mempunyai link dengan website lain yang ada kaitannya dengan web sion seperti web stikom, elearning dan lainsebgainya dapat memudahkan pengguna jika ingin mngunjungi web stikom yang ada kaitannya dengan mahasiswa, dalam hal ini mahasiswa tidak puas akan adanya link yang terdapat pada web sion. 

424

Interaktifity Berikut merupakan perbandingan kepuasan pengunaan SION dilihat dari segi interaktifity

Gambar 7. Perbandingan Kepuasan Pengguna SION dari Segi Interaktifity Terlihat pada gambar 7 dalam bentuk grafik maka perbandingan kepuasan mahasiswa STMIK STIKOM Bali mengenai web sion dalam segi interaktifity sebagai berikut : 1. Kompetibel terhadap semua web browser merupakan hal penting ketika bagi pembuat website, karena tidak semua user menggunakan browser yang sama, jadi sebuah website harus kompetibel terhadap semua browser. Dari sisi pengguna web sion, mahasiswa merasa tidak puas mengenai kompetibel web sion terhadap semua browser. 2. Dari segi adanya ruang komunikasi mahasiswa, mahasiswa tidak puas dari segi adanya ruang komunikasi. 3. Dari segi support terhadap web sion, support terhadapt web sion sangat diperlukan, karena ketika terjadi kesalahan informasi baik personal ataupun pengumuman mahasiswa dapat meminta bantuan, dari segi support web sion mahasiswa merasa puas. 5. Kesimpulan Beradasarkan data yang berhasil dikumpulkan dari responden kuesioner dalam hal ini adalah mahasiswa STMIK STIKOM Bali sebagai pengguna langsung dari sistem informasi online (SION), adalah sebagai berikut : 1. Pengukuran tingkat kepuasan dalam penelitian ini menggunakan ISO 9126 quality in use metrics yaitu satisfaction metrics dimana yang menjadi yang diukur adalah dari segi kontent, kecepatan, tampilan dan interatifity sehingga diperoleh hasilnya sebagai berikut:  Dari segi kontent atau informasi terkait data pengguna sistem informasi online (SION) yaitu mahasiswa atau informasi mengenai pengumuman yang mempunyai pengaruh besar terhadap kepuasan pengguna (user satisfaction), pengguna web SION sebagian besar merasa tidak


puas akan sajian informasi atau content yang terkait data personal mahasiswa ataupun informasi pengumuman.  Dari segi kecepatan juga bepengaruh terhadap kepuasan pengguna (user satisfaction) baik pada saat pertama kali mebuka web SION ataupun saat melakukan penjelajahan content atau informasi dan saat melakukan unduhan (download)data, sebagian besar respoden merasakan puas akan kecepatan dari web sion.  Dari segi tampilan web merupakan hal penting terhadap kepuasan pengguna (user satisfaction) karena tampilan web yang baik akan membuat pengguna atau pengunjung web merasa betah berlamalama membuaka web tersebut. Dari hasil responden merasa puas dengan tampilan web SION.  Dari segi interatifity tidak terlalu mempunyai pengaruh yang sangat besar terhadap kepuasa pengguna (user satisfaction), dari hasil data yang diperoleh mahasiswa tidak puas akan interatifity dari web sistem informasi online (SION) STMIK STIKOM Bali. 2. Penggunaan ISO 9126 quality in use metrics dalam penelitian ini hanya menggunakan metrics satisfaction yaitu di ukur dari sisi pengguna system

Daftar Pustaka [1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

Sigit Hadi Prayoga, Dana Indra Sensuse. Analisis usability pada aplikasi berbasis web Dengan mengadopsi model kepuasan pengguna (user satisfaction), Jurnal Sistem Informasi MTI-UI, Volume 6, Nomor 1, ISSN 1412-8896. Ariawan, Yudi. (2007). Analisa Penerapan Software Quality Assurance (SQA), Studi kasus : Indoneisa. Jakarta : Universitas Indonesia. ISO/IEC. (2001). ISO/IEC 9126 Software engineering-product quality-part 1:Quality model. ISO/IEC. (2001). ISO/IEC 9126 Software engineering-product quality-part 2:External Metric. ISO/IEC. (2001). ISO/IEC 9126 Software engineering-product quality-part 3:Internal Matric. ISO/IEC. (2001). ISO/IEC 9126 Software engineering-product quality-part 4:Quality in use metrics. Kartika, L. (2012). Pengaruh budaya daerah terhadap proses kontruksi perangkat lunak. Bandung : Institut Teknologi Bandung. Pressman, R.S. (2010). Software Engineering. New York : McGraw Hill.

425


METODE DAMPSTER SHAFER UNTUK DIAGNOSA DAN KLASIFIKASI PENYALAHANGUNAAN JENIS NAPZA (NARKOTIKA PSIKOTROFIKA DAN ZAT ADITIF LAINNYA) Heri Gunawan STMIK Potensi Utama Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan herighe@gmail.com

Abstrak Terjadinya pernyataan ketidakpastian pada kecerdasan buatan berkaitan dengan masalah probabilitas. Untuk meminimalisir ketidakpastian dalam memberikan keputusan terhadap penyalahgunaan jenis NAPZA, salah satunya dapat menggunakan metode dampster shafer, karena metode ini mengizinkan untuk menentukan derajat kepercayaan (degree of belief). Perhitungan ketidakpastian dalam penelitian ini menggunakan Dampster Shafer dengan mengaitkan ukuran nilai kepercayaan (belief) dengan nilai masuk akal (plausibility), karena tidak semua evidence (bukti) secara langsung mendukung penggunaan jenis NAPZA. Metode ini digunakan untuk mencari nilai kepastian dari inputan yang berupa gejala dan presentase kemungkinan jenis NAPZA yang disalahgunakan . Dalam penelitian ini Dampster Shafer dapat menghasilkan diagnosa yang lebih tepat dan mempunyai nilai kepastian yang lebih akurat. Dengan metode dampster shafer berhasil diimplementasikan untuk diagnosa terhadap penyalahgunaan narkotika dan mampu menjawab permasalahan dalam meningkatkan tingkat kepercayaan untuk menghasilkan diagnosa yang tepat. Kata Kunci : forward chaining, dampster shafer, belief, plausibility, NAPZA. 1.

Pendahuluan

Masalah gangguan penggunaan NAPZA (narkotika, psiokotropika, dan zat adiktif lain) merupakan masalah kompleks yang penatalaksananya melibatkan banyak bidang keilmuan (medis dan non-medis), sebagaimana diatur dalam Keputusan Menteri Kesehatan Nomor 486/Menkes/SK/IV/2007 tentang Kebijakan dan Rencana Strategis Penanggulangan Narkotika Psikotropika dan Zat Adiktif lainya(NAPZA).[1] Peredaran narkotika yang tak terawasi dapat menyebabkan dampak negatif bagi masyarakat. Hal ini berpengaruh pada penyalahangunaan narkotika di masyarakat. Penggunaan narkotika yang tak terkendali dapat memberikan efek yang tidak baik bagi penggunaanya. Dengan meningkatnya penggunaan NAPZA sampai tingkat lapisan masyarakat bawah, menyebabkan sulitnya mendiagnosa pengaruh NAPZA apa yang di pakai melalui gejala fisik yang ditimbulkan oleh seseorang. Dan terjadinya ketidakpastian terhadap suatu keputusan jika menggunakan cara konvensional. Untuk itu penulis coba memberikan solusi dengan merancang suatu sistem yang mampu memberikan keputusan yang tepat terhadap permasalahan yang dihadapi. Metode Dampster Shafer digunakan untuk mencari nilai kepastian dari inputan yang berupa gejala dan presentase kemungkinan jenis NAPZA yang

426

disalahgunakan dengan Forward Chaining. 2.

teknik

penelusuran

Landasan Teori

Damster Shafer Ada berbagai macam penalaran dengan model yang lengkap dan sangat konsisten, tetapi pada kenyataannya banyak permasalahan yang tidak dapat terselesaikan secara lengkap dan konsisten. Ketidak konsistenan yang tersebut adalah akibat adanya penambahan fakta baru. Penalaran yang seperti itu disebut dengan penalaran non monotonis. Untuk mengatasi ketidak konsistenan tersebut maka dapat menggunakan penalaran dengan teori Dempster-Shafer. Dempster-Shafer adalah suatu teori matematika untuk pembuktian berdasarkan belief functions and plausible reasoning (fungsi kepercayaan dan pemikiran yang masuk akal), yang digunakan untuk mengkombinasikan potongan informasi yang terpisah (bukti) untuk mengkalkulasi kemungkinan dari suatu peristiwa. Teori ini dikembangkan oleh Arthur P. Dempster dan Glenn Shafer. Secara umum teori Dempster-Shafer ditulis dalam suatu interval [2][3]: 1 Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu himpunan proposisi. Jika bernilai 0 maka mengindikasikan bahwa tidak ada


2

evidence, dan jika bernilai 1 menunjukkan adanya kepastian. Di mana nilai Bel yaitu(0-0.9). Plausibility (Pl) dinotasikan sebagai : Pl(s) = 1 – Bel (-s) Plausibility juga bernilai 0 sampai 1. Jika yakin akan -s, maka dapat dikatakan bahwa Bel(-s)=1, dan Pl(-s)=0.

Pada teori Dempster-Shafer dikenal adanya frame of discrement yang dinotasikan dengan θ. Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis. Tujuannya adalah mengaitkan ukuran kepercayaan elemen-elemen θ. Tidak semua evidence secara langsung mendukung tiap-tiap elemen. Untuk itu perlu adanya probabilitas fungsi densitas (m). Nilai m tidak hanya mendefinisikan elemen-elemen θ saja, namun juga semua subset-nya. Sehingga jika θ berisi n elemen, maka subset θ adalah 2n . Jumlah semua m dalam subset θ sama dengan 1. Apabila tidak ada informasi apapun untuk memilih hipotesis, maka nilai : m{θ} = 1,0. Apabila diketahui X adalah subset dari θ, dengan m1 sebagai fungsi densitasnya, dan Y juga merupakan subset dari θ dengan m2 sebagai fungsi densitasnya, maka dapat dibentuk fungsi kombinasi m1 dan m2 sebagai m3, yaitu :

∑ ∑

…. (1)

Contoh Penerapan Dempster-Shafer berikut, akan di cari persentase kemungkinan dari 2 objek dengan menggunakan perhitungan di bawah ini : m1 , yaitu objek pertama dengan nilai densitas = 90% atau dirubah menjadi desimal = 0.9 m2 , yaitu objek kedua dengan nilai densitas = 80% atau dirubah menjadi desimal = 0.8. Maka untuk menghitung nilai Dempster Shafer, dengan menggunakan nilai believe yang telah ditentukan pada setiap gejala. m1(θ) = 1 – Bel, di mana nilai Bel (believe) merupakan bobot yang diinput sesuai kepercayaan, maka untuk mencari nilai kedua gejala diatas, terlebih dahulu dicari nilai dari θ, contohnya dapat dilihat dibawah ini . Maka m1(Bel) = 0.9 m1(θ) = 1- 0.9 = 0.1 Maka m2(Bel) = 0.8 m2(θ) = 1- 0.8 = 0.2 Gunakan rumus : ∑ ∑

Maka nilai total dari kedua objek tersebut = = = 0.73 Dan hasil akhir didapat nilai total dari 2 densitas gejala diatas adalah 0.73 atau 73%

Definisi NAFZA Narkotika adalah zat yang bermanfaat dan berkhasiat, yang dibutuhkan bagi kepentingan umat manusia terutama sudut medis. Pengertian narkotika menurut Soedjono adalah zat yang biasa menimbulkan pengaruhpengaruh tertentu bagi mereka yang menggunakannya dengan memasukannya ke dalam tubuh [4]. Pengaruh tubuh tersebut berupa pembiusan, hilangnya rasa sakit, ransangan semangat dan halusinasi atau khayalankhayalan. (Indonesia, 2010, KEPMENKES.RI/NO/422/MENKES/SK/III). 3.

Metodelogi Penelitian

Tahapan-tahapan kegiatannya adalah sebagai berikut: Tahap persiapan penelitian, Pengumpulan Data, Tahap Memodelkan dan Merancang Sistem, dan Tahap Mengimplementasi dan Menguji Sistem 1.1 Tahapan persiapan penelitian terbagi atas 3 tahap yaitu: a. Mendefenisikan masalah, tahap ini merupakan langkah awal untuk untuk menentukan rumusan masalah serta ditentukan batasan masalah. Perumusan masalah dilakukan dengan meninjau sistem yang akan diteliti untuk mengamati dan mengeksplorasi serta menggali permasalahan pada sistem yang ada. Penelitian ini menganalisa tentang bagaimana mengenali seseorang yang terkena dampak penyalahgunaan narkotika. b. Menganalisa Masalah, permasalahan yang ditemukan kemudian akan di analisa. Langkah dalam proses analisa masalah adalah langkah untuk memahami masalah yang telah ditentukan. Dengan menganalisa permasalahan yang telah ditentukan tersebut, maka diharapkan masalah tersebut dapat dipahami dengan baik. c. Menentukan Tujuan, Berdasarkan pemahaman dari permasalahan yang telah di analisa, langkah berikutnya adalah menentukan tujuan yang akan dicapai dalam penelitian ini. Pada tujuan ini target yang akan dicapai adalah memodelkan dan merancang sistem pakar yang dapat mendiagnosa seseorang pelaku penyalahgunaan narkotika. 1.2 Tahap Pengumpulan Data Pengumpulan data dilakukan untuk mendukung tahap penulisan proposal dan tahap pemodelan & perancangan sisten. Pengumpulan data dilakukan dengan 2 cara yaitu: a. Mengumpulkan knowledge dari ahli. Pengumpulan knowledge dari ahli dengan melakukan wawancara dengan ahli dalam hal

427


dokter yang biasa menangani masalah penyalahgunaan narkotika untuk mendapatkan pengetahuan tentang tingkat penyalahgunaanya serta berbagai pengetahuan lain yang berhubungan penyalahgunaan narkotika. Dari wawancara ini didapatkan knowledge base yang akan menjadi bagian terpenting dari pembangunan sistem. b. Studi Literatur Studi literatur dilakukan untuk mengkaji berbagai sistem yang sudah pernah ada melalui jurnal. Pemahaman terhadap metode yang akan dilakukan pada penelitian ini. 1.3 Tahap Memodelkan dan Merancang Sistem a. Membuat basis pengetahuan (knowledge base), pada tahap ini semua knowledge yang diperoleh dari pakar dibuatkan flowchart untuk dapat menentukan atribut-atribut dan merancang rule yang akan dipakai pada pembangunan mesin inferensi. b. Membangun Mesin Inferensi, knowledge base yang diperoleh dari rekayasa knowledge diproses untuk menghasikan informasi. Pada penelitian ini mesin inferansi yang digunakan adalah forward chaining dan dampster shafer. c. Mendesain Interface, setelah terbentuknya mesin inferensi yang menjadi otak dari sistem, kemudian dilakukan perancangan interface sistem. 1.4 Tahap Mengiplementasi Metode dengan Sistem a. Mengimplementasi Sistem Tahap implementasi sistem pakar mencakup pemrograman pengetahuan ke dalam komputer, perbaikan struktur dan penambahan pengetahuan baru. Hasil tahap ini berupa sistem pakar yang dapat mendiagnosa pengaruh penyalahgunaan narkotika. b. Menguji Coba Sistem Tahap akhir penyerapan pengetahuan pada sistem pakar adalah tahap uji coba. Pada tahap ini perekayasa menguji coba basis pengetahuan dengan kasus-kasus penggunaan yang sesuai dengan tujuan dari sistem pakar yang akan dibangun. Hasil uji coba ini ditujukan kepada pakar untuk mendapatkan saran/perbaikan dan bahkan kritik. Semua kaidah ataupun fakta bahkan prosedur yang ada di verifikasi lebih lanjut, karena tahap ini merupakan akhir dari proses pengembangan sistem pakar. 2. Penyajian Fakta dan Pengetahuan Fakta yang mengandung pengetahuan untuk pemahaman dan penyelesaian masalah yang dapat berasal dari ahli, jurnal dan sumber pengetahuan lain. Adapun pengetahuan yang berasal dari ahli, jurnal maupun sumber

428

pengetahuan lain tersebut adalah mengenai jenis NAPZA, gejala-gejalanya. Dalam penelitian ini penulis menggunakan beberapa data gejala yang dapat ditimbullkan pada seseorang pengguna narkotika dapat dilihat pada tabel 4.1 dan tabel 4.2 jenis NAFZA. Data ini diperoleh dari lampiran Surat Keterangan Menteri Kesehatan Republik Indonesia No. No.422/MENKES/RI/III/2010), yang kemudian diklasifikasikan oleh ahli untuk memberikan nilai belief pada setiap gejala. Tabel 1. Gejala Umum Dengan Nilai Belief

Tabel 1 berikut menunjukan gejala-gejala umum yang ditimbulkan dari pemakaian beberapa jenis NAPZA. Nilai Belief (Bel) 90, 80, 70, 60 merupakan nilai gejala terhadap jenis NAPZA yang digunakan. Nilai tersebut diberikan oleh ahli berada pada kolom jenis NAPZA pada masingmasing gejala. Implementasi Dampster Shafer Untuk menganalisis gejala-gejala yang diberikan oleh pengguna untuk mendapatkan kemungkinan jenis NAPZA yang digunakan, dilakukan dengan menghitung nilai densitas dari gejala kemudian menghitung nilai kepercayaan menggunakan rumus Dempster shafer. Seorang pengguna mengalami gejala psikis pada tubuh dengan diagnosa ahli, pengguna tersebut menggunakan narkotika jenis Ampetamin dan Heroin. Dengan rule sebagai berikut: Gejala 1(G1): Paranoid, kebingungan dan gangguan persepsi. Apabila diketahui nilai kepercayaan setelah dilakukan observasi Paranoid, kebingungan dan gangguan persepsi. Sebagai gejala pengguna menggunakan jenis NAPZA AMPETAMIN (A), MARIYUANA (M), INHALAN (I) dan BENZODIAZEPIN (B) adalah : m1{A,M,I,B} = (0.9)*(0.8)*(0.6)*(0.7) = 0.3024 m1{ø}=(1 – 0.9)*(1- 0.8)*(1 – 0.6) – (1- 0.7) = 0.1*0.2*0.4*0.3 = 0.0024 Gejala 2 (G2): Sakit Kepala Kemudian jika diketahui nilai kepercayaan setelah dilakukan observasi terhadap Sakit Kepala


sebagai gejala pengguna AMPETAMIN (A), HEROIN (H) dan BENZODIAZEPIN (B) adalah : m2{A,H,B} = (0.7*0.9*0.6) = 0.378 m2{ø} = (1 – 0.7)*(1 – 0.9)*(1 – 0.6) = 0.3 * 0.9 * 0.6 = 0.012 Munculnya gejala baru mengharuskan kita untuk menghitung densitas baru untuk beberapa kombinasi (m3) dengan aturan seperti pada Tabel 4.6. IF (G1Ampetamin=0.9) AND (G1Maryuana=0.8) AND (G1Inhalan=0.6) AND (G1Benzodiazepin=0.7) AND (G2Ampetamin=0.7) AND (G2Heroin=0.9) AND (G2Benzodiazepin=0.6) THEN (Ampetamin,Benzodiazepin) Tabel 2. Aturan kombinasi untuk m3

Keterangan : 1 Kolom pertama pada baris kedua dan ketiga berisikan semua himpunan bagian pada gejala pertama (Paranoid, kebingungan, dan ganggunn persepsi) dengan m1 sebagai fungsi densitas. 2 Kolom kedua pada baris pertama berisikan semua himpunan bagian pada gejala kedua (Sakit kepala) dengan m2 sebagai fungsi densitas. 3 Baris kedua dan ketiga pada kolom kedua merupakan irisan dari kedua himpunan. Dari aturan kombinasi di atas, maka untuk menghitung nilai densitas digunakan persamaan Dempster-shafer. Sehingga diperoleh m3 sebagai berikut ini :

menggunakan NAPZA jenis Ampetamin dan Benzodiazepin {A,B} dengan nilai kepercayaan paling tinggi sebesar 11%. Nilai 11% merupakan nilai kepercayaan yang tertinggi yang didapat hasil perhitungan dampster shafer dari tiga gejala yang ditimbulkan oleh pemakai. Apabila diketahui nilai kepercayaan setelah dilakukan Psikosis (Halusinasi dan Delusi) (G3). Sebagai gejala pengguna menggunakan jenis NAPZA AMPETAMIN (A) dan Kokain (K) adalah: m1{A,K} = (0.6*0.9) = 0.54 m1{ø} = (1 - 0.6)*(1 – 0.9) = 0.4 * 0.1 = 0.04 kemudian muncul gejala baru yaitu Bicara tak jelas (G4). Sebagai gejala pengguna menggunakan jenis NAPZA Ampetamin dan Maryuana adalah: m2{A,M} = (0,7 * 0.9) = 0.63 m2{ø} = (1 – 0.7)*(1 – 0.9) = 0.3 * 0.1 = 0.03 Munculnya gejala baru mengharuskan kita untuk menghitung densitas baru untuk beberapa kombinasi (m3) dengan aturan seperti pada Tabel 3. Tabel 3. Aturan Kombinasi untuk m3

Keterangan : 1 Kolom pertama pada baris kedua dan ketiga berisikan semua himpunan bagian pada gejala pertama Psikosis (Halusinasi dan Delusi) dengan m1 sebagai fungsi densitas. 2 Kolom kedua pada baris pertama berisikan semua himpunan bagian pada gejala kedua Bicara tak jelas dengan m2 sebagai fungsi densitas. 3 Baris kedua dan ketiga pada kolom kedua merupakan irisan dari kedua himpunan.

m3{A,B}= m3{M,I,H} = m3{A,M,I,B} = Maka dapat disimpulkan nilai kepastian kombinasi Dempster-shafer adalah : Bahwa pengguna didiagnosa menggunakan NAPZA jenis AMPETAMIN dan BENZODIAZEPIN {A,B} dengan nilai kepercayaan paling tinggi sebesar 11%. Dari perhitungan didapat nilai kepercayaan dari masing-masing himpunan yaitu Ampetamin dan Benzodiazepin {A,B} = 11%, Maryuana, Inhalan dan Heroin {M,I,H} = 0%. dan Ampetamin, Maryuana, Inhalan dan Benzodiazepin{A,M,I,B} = 0%. Maka dapat disimpulkan nilai kepastian kombinasi Dempstershafer adalah Bahwa pengguna didiagnosa

Dari aturan kombinasi di atas, maka untuk menghitung nilai densitas digunakan persamaan Dempster-shafer. Sehingga diperoleh m3 sebagai berikut ini : m3{A}= m3{M,K} = m3{A,K} = Maka dapat disimpulkan nilai kepastian kombinasi Dempster-shafer adalah : Bahwa pengguna didiagnosa menggunakan NAPZA jenis AMPETAMIN dengan nilai kepercayaan paling tinggi sebesar 11%. Dari perhitungan didapat nilai kepercayaan dari masing-masing himpunan yaitu Ampetamin {A} = 34%, Maryuana dan

429


Kokain{M,K} = 3%. Ampetamin dan Kokain {M,K} = 2%. Maka dapat disimpulkan nilai kepastian kombinasi Dempster-shafer adalah pengguna didiagnosa menggunakan NAPZA jenis Ampetamin{A} dengan nilai kepercayaan paling tinggi sebesar 34%. Nilai 34% merupakan nilai kepercayaan yang tertinggi yang didapat hasil perhitungan dampster shafer dari tiga gejala yang ditimbulkan oleh pemakai. Proses Metode dengan Sistem Form diagnosa gejala umum ini digunakan untuk mendiagnosa pemakai NAPZA dimulai dengan mengisi ID Diagnosa, tanggal, nama pemakai, alamat pemakai, jenis kelamin dan umur pemakai. Proses berikutnya adalah memilih gejala yang terlihat dengan menekan tombol >> untuk maju dan << untuk ke belakang, setiap gejala yang cocok atau sesuai dengan keadaan pemakai dilanjutkan dengan tombol Yes dan No jika gejala yang ditanyakan pada form tidak sesuai. Pemakai dianjurkan untuk menjawab semua pertanyaan yang ditanyakan oleh sistem. Dalam ujicoba ini dapat dilihat pada gambar 5.6 ditandai dengan lingkaran 1, pemakai menjawab Yes untuk gejala pertama yaitu paranoid, kebingungan dan gangguan persepsi dan gejala kedua yaitu sakit kepala kemudian pilih tombol Atur Kombinasi. Nilai belief untuk masing-masing jenis NAPZA yaitu Ampetamin (A) = 0.9, Maryuana (M) = 0.8, Inhalan (I) = 0.6 dan Benzodiazepin (B) = 0.7, untuk Heroin (H) dan Kokain (K) = 1 diinisialisasai sebagai gejala yang tidak memiliki pengaruh pada Heroin dan Kokain. Nilai 0.302 adalah total nilai densitas dari gejala pertama dengan indikasi penggunaan NAPZA (A,M,I,B). Pada Gejala kedua yaitu sakit kepala memiliki pengaruh pada penggunaan NAPZA dengan nilai belief Ampetamin (A) = 0.7, Heroin (H) = 0.9 dan Benzodiazepin (B) = 0.6, untuk Maryuana, Inhalan dan Kokain (M,I,K) diinisialisasai dengan nilai 1 sebagai gejala yang tidak memiliki pengaruh pada ketiga jenis NAPZA (M,I,K). Nilai 0.378 nilai total densitas dari gejala kedua terlihat pada lingkaran nomor 2.

Pada lingkaran nomor 3 terlihat nilai plausibility (masuk akal) untuk masing-masing jenis NAPZA dengan gejala pertama yaitu Ampetamin (A) = 0.1, Maryuana (M) = 0.2, Inhalan (I) = 0.4 dan Benzodiazepin (B) = 0.3, untuk Heroin (H) dan Kokain (K) diinisialisasi dengan nilai 1 yang berarti tidak pengaruh dengan gejala pertama, nilai 1 dibutuhkan untuk membantu proses perhitungan saja. Untuk gejala kedua yaitu sakit kepala memiliki pengaruh terhadap penggunaan NAPZA dengan nilai plausibility Ampetamin (A) = 0.3, Heroin (H) = 0.1 dan Benzodiazepin (B) = 0.4. Untuk Maryuana, Heroin dan Benzodiazepin (A,H,B) diinisialisasai dengan nilai 1 sebagai gejala yang tidak memiliki pengaruh pada ketiga jenis NAPZA (A,H,B). Nilai 0.002 pada lingkaran nomor 4 adalah total nilai plausibility dari jenis NAPZA (A,M,I,B) dan 0.012 adalah total niai plausibility dari jenis NAPZA (A,H,B). Dan pada lingkaran nomor 5 merupakan hasil perhitungan dempster shafer dengan nilai tingkat kepercayaan, nilai 0.1143 untuk diangnosa penggunaan Ampetamin dan Bezodiazepin (A,B). Nilai 0.009 untuk diagnosa penggunaan Maryuana, Inhalan dan Heroin (M,I,H) dan Nilai 0.0036 untuk hasil diagnosa penggunaan Ampetamin, Maryuana, Inhalan dan Benzodiazepin (A,M,I,B). Dari hasil nilai kepercayaan yang didapat dilakukan proses perbandingan dari ketiga nilai tersebut sehingga diperolah nilai tertinggi yaitu 0.1143, kesimpulan adalah pemakai tersebut didiagnosa menggunakan NAPZA jenis Ampetamin dan Benzodiazepin dengan nilai kepercayaan 0.1143. Tabel 4. Perbandingan Nilai Kepercayaan Antara Proses Manual Dengan Sistem

4.


Kesimpulan Dari hasil analisa dan implementasi terhadap sistem untuk mendiagnosa pengaruh penyalahgunaan NAPZA menggunakan metode dampster shafer, dapat disimpukan bahwa: 1. Dengan metode dampster shafer berhasil diimplementasikan untuk diagnosa terhadap penyalahgunaan narkotika dan mampu menjawab permasalahan dalam meningkatkan tingkat kepercayaan untuk menghasilkan diagnosa yang tepat. 2. Sistem yang dibangun dengan memanfaatkan nilai densitas gejala untuk

430


diagnosa penyalahgunaan narkotika mampu memberikan informasi awal mengenai jenis NAPZA yang telah disalahgunakan. Saran Berdasarkan hasil pengujian dan kesimpulan, maka dapat dikemukakan saran-saran yang akan sangat membatu untuk penetapan dan pengembangan sistem ini adalah sebagai berikut : 1. Perlu dipertimbangkan untuk menambahkan gejala dan jenis NAPZA yang bisa didiagnosa, sehingga sistem ini dapat mendiagnosa lebih banyak jenis NAPZA yang disalahgunakan. 2. Diharapkan sistem dapat dikembangkan dalam hal pemberian solusi terapi terhadap dampak yang disebabkan penyalahgunaan narkotika. 3. Sistem ini dapat dikembangkan menjadi sistem pakar sehingga pada proses tanya jawab dapat lebih interaktif sehingga dapat digunakan untuk mendiagnosa jenis NAPZA

baru yang digunakan dengan menambah gejala baru pada pengaruh penyalahgunaan narkotika saja. Daftar Pustaka [1] Indonesia, 2010, Surat Keputusan Menteri Kesehatan,. Nomor 422/MENKS/SK/III/2010. [2] Istiqomah Nur Yasidah dan Fadlil, Abdul, 2013, Sistem Pakar Untuk Mendiagnosa Penyakit Saluran Pencernaan Menggunakan Metode Dampster Shafer, Jurnal Sarjana Teknik Infromatika, Vol 1 No.1, Universitas Ahmad Dahlan. [3] Sent Kari, 2002, Combination of Evidence in Dempster Shafer Theory, Scott Ferson Binghamton New York. [4] Direktorat Kesehatan Jiwa Masyrakat, 2008, Buku Pedoman Praktis Mengenai Penyalahgunaan NAPZA

431


PENGAMANAN SQLITE DATABASE MENGGUNAKAN KRIPTOGRAFI ELGAMAL Deny Adhar Teknik Informatika, STMIK Potensi Utama Medan Jln. Kol. Yos. Sudarso Km. 6,5 No. 3A Medan adhar_7@yahoo.com

Abstrak SQLite database merupakan sebuah sistem manajemen basis data relasional yang bersifat ACID-compliant dan memiliki ukuran pustaka kode yang relatif kecil, ditulis dalam bahasa C. Namun ada satu hal yang masih menjadi kekurangan di dalam database SQLite yaitu masalah keamanan data karena database tersebut masih bersifat plain, dalam arti tidak terlindungi oleh enkripsi. Database SQLite tidak memiliki mekanisme untuk memproteksi data seperti password atau enkripsi. Siapapun yang memiliki akses ke fisik file database, maka yang bersangkutan akan bisa membukanya dan melihat isi data di dalamnya. Untuk melindungi SQLite database tersebut dibutuhkan teknik kriptografi. Algoritma Elgamal merupakan salah satu dari algoritma yang digunakan untuk menyelesaikan permasalahan pada bidang kriptografi. Algoritma Elgamal dipilih dalam teknik kriptografi ini karena algoritma Elgamal dalam mengamankan pesan rahasia membutuhkan pembentukan kunci dengan menggunakan bilangan prima dan pemecahan masalahnya menggunakan logaritma diskrit yang cukup menyulitkan. Kunci yang dimiliki algoritma elgamal ada dua jenis yaitu kunci public dan kunci private. Kunci publik untuk umum dan kunci private untuk diri sendiri. Dengan algoritma elgamal diharapkan akan terciptanya sebuah sistem yang optimal untuk mengamankan SQLite database. Kata Kunci : Cryptographic, Encryption, Decryption, Algorithm Elgamal, SQLite database 1.

PENDAHULUAN

Hampir semua aplikasi - aplikasi sistem informasi menggunakan database untuk menyimpan informasi. Suatu sistem database yang memiliki informasi yang penting, sangat memerlukan suatu system keamanan untuk melindungi database dari orang yang tidak mempunyai wewenang otoritas dari data tersebut. Keamanan database adalah suatu cara untuk melindungi database dari ancaman, baik dalam bentuk kesengajaan atau pun bukan. Ancaman adalah segala situasi atau kejadian baik secara sengaja maupun tidak yang bersifat merugikan dan mempengaruhi system serta secara konsekuensi terhadap perusahaan/organisasi yang memiliki system database. Hal-hal yang berkaitan dengan pengamanan data-data penting tersebut haruslah benar-benar diperhatikan agar data yang akan tersimpan dalam komputer kita tetap aman dari orang-orang yang tidak bertanggung jawab. Salah satu aspek keamanan pada database adalah melakukan autentifikasi pada user yang berhak mengolah data pada database, umumnya database yang digunakan pada aplikasi seperti mySQL maupun SQL sudah memiliki menu enkripsi pada struktur databasenya. Namun di dalam SQLite database tersebut masih bersifat plain, dalam arti tidak terlindungi oleh enkripsi. SQLite database tidak memiliki mekanisme untuk memproteksi data atau enkripsi. Siapapun yang

432

memiliki akses ke fisik file database, maka yang bersangkutan akan bisa membukanya dan melihat isi data di dalamnya. Sehingga dibutuhkan suatu algoritma kriptografi yang dapat mengenkripsi data administrator pada SQLite database. [1], [2, 1]. Kriptografi adalah suatu ilmu yang mempelajari teknik-teknik matematika yang berhubungan dengan aspek keamanan informasi, integritas suatu data, serta autentifikasi data. Algoritma kriptografi yang digunakan untuk menyelesaikan masalah diatas adalah dengan menggunakan kriptografi Elgamal 2.

LANDASAN TEORI

2.1

Ancaman Keamanan Begitu banyak terjadi pertukaran informasi setiap detiknya di internet. juga banyak terjadi pencurian atas informasi oleh pihak - pihak yang tidak bertanggung jawab. Ancaman keamanan yang terjadi terhadap informasi adalah : 1.

Interruption Interruption merupakan suatu bentuk ancaman terhapap availability, di mana suatu data dirusak sehingga tidak dapat digunakan lagi. Tindakan perusakan yang dilakukan dapat berupa perusakan fisik maupun non fisik. Perusakan fisik umumnya berupa perusakan harddisk dan media penyimpanan


2.

3.

4.

lainnya serta pemotongan kabel jaringan. Sedangkan perusakan non fisik berupa penghapusan suatu file-file tertentu dari sistem komputer. Interception Interception merupakan suatu bentuk ancaman terhadap secrecy, di mana pihak yang tidak berhak berhasil mendapat hak akses untuk membaca suatu data/ informasi dari suatu sistem komputer. Tindakan yang biasa dilakukan biasanya melalui penyadapan data yang ditransmisikan lewat jalur public/ umum. Tindakan seperti ini biasa dikenal dengan istilah wiretapping dalam wired networking (jaringan yang menggunakan kabel sebagai media transmisi data). Modification Modification merupakan suatu bentuk ancaman terhadap integrity, di mana pihak yang tidak berhak berhasil mendapat hak akses untuk mengubah suatu data/ informasi dari suatu sistem komputer. Biasanya data/ informasi yang diubah adalah record dari suatu tabel pada file database. Fabrication Fabrication juga merupakan suatu bentuk ancaman terhadap integrity. Tindakan yang biasa dilakukan adalah dengan meniru dan memasukkan suatu objek ke dalam sistem komputer. Objek yang dimasukkan bisa berupa suatu file maupun suatu record yang disisipkan pada suatu program aplikasi. [2], [2, 8-9].

Tabel 1. Ancaman Terhadap Keamanan System Avability Secrecy Integrity Hardware Dicuri atau dirusak Software Program software Program dihapus dicopy dimodifikasi Data File Dicuri, File dihapus disadap dimodifikasi atau dirusak Line Kabel Informasi Informasi komunikasi diputus disadap dimodifikasi 2.2. Algoritma Kriptografi Modern Enkripsi modern berbeda dengan enkripsi konvensional. Enkripsi modern sudah menggunakan komputer untuk pengoperasiannya, berfungsi untuk mengamankan data baik di transfer melalui jaringan komputer maupun yang bukan. Hal ini sangat berguna untuk melindungi privacy, data integrity, authentication dan non-repudiation. dibawah ini akan digambarkan bagaimana enkripsi modern saling mendukung satu dengan yang lain. [2], [2, 45].

Gambar 1. Skema Kriptografi Modern 2.3. Algoritma Elgamal Algoritma Elgamal diciptakan oleh Taher Elgamal pada tahun 1984. Algoritma ini pada mulanya digunakan untuk kepentingan digital signature, namun kemudian dimodifikasi sehingga algoritma Elgamal bisa digunakan untuk enkripsi dan dekripsi. Elgamal digunakan di dalam perangkat lunak security yang dikembangkan oleh GNU, program PGP dan pada sistem security lainnya. Keamanan algoritma ini terletak pada sulitnya menghitung logaritma diskrit. Alogaritma ini disebut alogaritma diskrit karena nilainya berhingga dan bergantung pada bilangan prima yang digunakan. Karena bilangan prima yang digunakan adalah bilangan prima, maka sangat sulit bahkan tidak mungkin menurunkan kunci private dari kunci public yang diketahui walaupun serangan dilakukan dengan menggunakan sumberdaya komputer yang sangat besar. [3], [2, 1] Algoritma Elgamal memerlukan sepasang kunci yang dibangkitkan dengan memilih bilangan prima p dan dua buah bilangan acak (random) g dan x, dengan syarat bahwa nilai g dan x lebih kecil dari p yang memenuhi persamaan. y = gx mod p ……………………………(1) Dari persamaan tersebut nilai y, g dan p merupakan pasangan kunci public sedangkan x, p merupakan pasangan kunci pribadi. Besaranbesaran yang digunakan dalam algoritma kriptografi Elgamal adalah: 1. Bilangan prima p bersifat tidak rahasia. 2. Bilangan acak g (g < p) bersifat tidak rahasia 3. Bilangan acak x (x < p) bersifat rahasia. 4. Bilangan y bersifat tidak rahasia. 5. m (plaintext) bersifat rahasia merupakan pesan asli yang digunakan untuk data 6. Sumber dalam proses enkripsi dan merupakan data hasil pada proses dekripsi. 7. a dan b (ciphertext) bersifat tidak rahasia [4], [2, 1-2] Proses pertama adalah pembentukan kunci yang terdiri dari kunci rahasia dan kunci public.

433


Pada proses ini dibutuhkan sebuah bilangan prima p yang digunakan untuk membentuk grup Z * p elemen primitif Kunci publik algoritma Elgamal berupa pasangan 3 bilangan, yaitu ( p, , ) , dengan : y = gx mod p

(1)

Karena pada algoritma Elgamal menggunakan bilangan bulat dalam proses perhitungannya, maka pesan harus dikonversi ke dalam suatu bilangan bulat. Untuk mengubah pesan menjadi bilangan bulat, digunakan kode ASCII (American Standard for Information Interchange). Kode ASCII merupakan representasi numerik dari karakter-karakter yang digunakan pada komputer, serta mempunyai nilai minimal 0 dan maksimal 255. Oleh karena itu, berdasarkan sistem kriptografi Elgamal di atas maka harus digunakan bilangan prima yang lebih besar dari 255. Kode ASCII berkorespondensi 1-1 dengan karakter pesan. Pihak yang membuat kunci public dan kunci rahasia adalah penerima, sedangkan pihak pengirim hanya mengetahui kunci public yang diberikan oleh penerima, dan kunci public tersebut digunakan untuk mengenkripsi pesan. Jadi, kentungan menggunakan algoritma kriptografi Elgamal adalah tidak ada permasalahan pada distribusi kunci apabila jumlah pengirim sangat banyak serta tidak ada kepastian keamanan jalur yang digunakan. [5], [2, 3-4] 2.4.

3.

Proses Enkripsi Enkripsi merupakan suatu langkah untuk mengolah data awal (plaintext) menjadi sebuah data acak (ciphertext) yang tidak dapat diterjemahkan secara langsung. Proses kerja enkripsi kriptografi Elgamal dapat digambarkan seperti flowchart pada gambar 2.

Enkripsi Dan Dekripsi Menggunakan Algoritma Elgamal

Besaran yang digunakan didalam algoritma Elgamal 1. Bilangan prima, p (tidak rahasia) 2. Bilangan acak, g ( g < p) (tidak rahasia) 3. Bilangan acak, x (x < p) (rahasia) 4. M (plaintext) (rahasia) 5. a dan b (ciphertext) (tidak rahasia) Prosedur Membuat Pasangan Kunci 1. Pilih sembarang bilangan prima p. 2. Pilih dua buah bilangan acak, g dan x, dengan syarat g < p dan 1 ≤ x ≤ p – 2. 3. Hitung y = gx mod p. Kunci publik adalah y, kunci rahasia adalah x. Nilai g dan p tidak dirahasiakan dan dapat diumumkan kepada anggota kelompok, plaintext disusun menjadi blok-blok m1, m2, …, sedemikian sehingga setiap blok merepresentasikan nilai di dalam rentang 0 sampai p – 1. Pilih bilangan acak k, yang dalam hal ini k ≤ p – 1, sedemikian sehingga k relatif prima dengan p – 1. Setiap blok m dienkripsi dengan rumus :

434

a = gk mod p b = yk .m mod p Pasangan a dan b adalah ciphertext untuk blok pesan m. Jadi, ukuran ciphertext dua kali ukuran plaintext-nya. Untuk mendekripsi a dan b digunakan kunci rahasia, x, dan plaintext m diperoleh kembali dengan persamaan n = ap-1-x mod p dan m = b × n mod p yang berarti bahwa plaintext dapat ditemukan kembali dari pasangan ciphertext a dan b. [6], [2, 5]

Gambar 2. Flowchart Enkripsi Proses Dekripsi Proses dekripsi merupakan sistem untuk mengolah data acak (ciphertext) menjadi data awal (plaintext). Dalam proses dekripsi ini terdapat proses dekripsi kriptografi Elgamal. Secara umum proses kerja dekripsi dapat digambarkan seperti gambar flowchart 3.2


Dekripsi Siti mendeskripsi cipherteks dari Ahmad dengan melakukan perhitungan sebagai berikut : n = a p – 1 – x mod p = 1430605 mod 2357 = 872 m = b x n mod p = 697 × 872 mod 2357 = 2035 Plainteks yang didekripsi, 2035, sama dengan plainteks yang dikirim oleh Ahmad. 4.

PENGUJIAN

Pengujian perangkat lunak ini dilakukan pada komputer dengan CPU ber-processor Intel Pentium core i3 1,4GHz, RAM 2048 MB dengan sistem operasi Windows Seven Ultimed. Berikut ini adalah beberapa pengujian yang dilakukan pada program enkripsi dan dekripsi SQLite database dengan algoritma Elgamal ini. Pengujian yang ditampilkan adalah pengujian terhadap proses enkripsi, proses dekripsi serta lamanya waktu yang diperlukan dalam melakukan proses enkripsi dan dekripsi tersebut. 1. Proses Enkripsi Pada proses pengujian enkripsi SQLite database dimulai dari menginputkan file SQLite database yang akan dienkripsi pada sistem aplikasi pengamanan database SQLite database kemudian hasil proses enkripsi dapat dilihat pada gambar 4 dibawah ini yang merupakan hasil enkripsi berupa chipertext

Gambar 3. Flowchart Dekripsi Contoh Siti ingin membangkitkan pasangan kuncinya. Siti memilih p = 2357, g = 2, dan x = 1751. Kemudian menghitung : y = gx mod p = 21751 mod 2357 = 1185 Jadi kunci publiknya ( y = 1185, g = 2, p = 2357 ) dan kunci privatnya ( x = 1751, p = 2357 ). Enkripsi Misalkan Ahmad ingin mengirim palinteks m = 2035 (nilai m masih berada di dalam selang [ 0, 2357 – 1 ] ). Ahmad memilih bilangan acak k = 1520 ( nilai k masih berada di dalam selang [ 0, 2357 – 1 ] ). Kemudian Ahmad menghitung a = gk mod p = 21520 mod 2357 = 1430 b = ykm mod p = 11851520 × 2035 mod 2357 = 697 Jadi, cipherteks yang dihasilkan adalah (1430, 697). Ahmad mengirim cipherteks ini ke Siti.

Gambar 4. Hasil Proses Enkripsi Proses enkripsi diatas menggunakan kunci public yaitu : p = 383, g = 148, y = 295 dimana y didapatkan dari persamaan y = gx mod p = 148338 mod 383 = 295 output hasil kunci public dan kunci private

2. Proses Dekripsi Pada proses pengujian dekripsi SQLite database dimulai dari menginputkan file SQLite database yang telah di enkripsi.

435


berbeda-beda didapatkan waktu proses secara keseluruhan seperti pada tabel 2. Tabel 2. Pengujian ukuran terhadap waktu proses

Gambar 5. Tampilan Pesan Chipertext Hasil proses dekripsi dapat dilihat pada gambar 6 dibawah ini 5.

Gambar 6. Hasil Proses Dekripsi Jika kita menggunakan kunci private dan bilangan prima yang berbeda pada saat mengenkripsi plaintetxt menjadi ciphertext maka ciphertext pada saat didekripsikan tidak akan kembali lagi menjadi pesan aslinya (plaintext), seperti terlihat pada gambar 7.

Gambar 7. Hasil Proses Dekripsi Yang Tidak Berhasil

4.1 Pengujian terhadap waktu proses Berdasarkan beberapa proses pengujian dengan menggunakan beberapa file dengan ukuran yang

436

KESIMPULAN

Pada bab ini digunakan untuk memberikan kesimpulan dan saran dari hasil penelitian pengamanan SQLite database menggunakan kriptografi Elgamal. Beberapa hal yang dapat disimpulkan dari penelitian ini adalah sebagai berikut: 1. Sistem kriptografi Elgamal terdiri atas 2 proses utama yaitu proses enkripsi dan proses dekripsi. Untuk proses enkripsi dibutuhkan kunci public dan kunci private dan untuk proses dekripsi dibutuhkan bilangan prima dan kunci private sehingga dapat lebih optimal dalam mengamankan data. 2. Kriptografi Elgamal menggunakan konsep logaritma diskrit, bilangan prima dan bilangan acak untuk proses enkripsi dan dekripsi. Sehingga menyebabkan algoritma ini memiliki tingkat perhitungan matematik yang sulit. Apabila algoritma kriptografi dalam perhitungan matematiknya semakin sulit maka semakin aman algoritma tersebut untuk digunakan. 3. Kesimpulan untuk proses penerapan algoritma ini dikatakan aman dengan melakukan proses enkripsi dengan dua buah kunci sehingga algoritma ini standart untuk digunakan untuk enkripsi record tabel SQLite database. 4. Waktu untuk proses enkripsi dan dekripsi berbanding lurus dengan penambahan ukuran file. Nilai rata-rata kecepatan proses yang dihasilkan sebesar 6 KB/detik. Daftar Pustaka [1] Didik Prasetyo, 2006. Keamanan SQLite Database pada RDBMS, Jakarta, PT. Elex Media Komputindo. [2] Dony Ariyus 2008, Pengantar Ilmu kriptografi Teori Analisa dan Implementasi, Yogyakarta, ANDI.


[3] Anandia Zelvina, Syahril Efendi, Dedy Arisandi, 2012. Journal Perancangan Aplikasi Pembelajaran Kriptografi Kunci Public Elgamal Untuk Mahasiswa, Medan. [4] M. Taufiq Tamam, Wakhyu Dwiono, Tri Hartono, 2010. Journal Penerepan Algoritma Kriptografi Elgamal Untuk Pengaman File Citra, Yogyakarta.

[5] Danang Tri Massandy, 2009. Journal Algoritma Elgamal Dalam Pengaman Pesan Rahasia, Bandung. [6] Mukhammad Ifanto, 2009. Journal Metode Enkripsi Dan Dekripsi Menggunakan Algoritma Elgamal

437


SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN MUTU BIJI KAKAO LAYAK JUAL DENGAN METODE SIMPLE ADDITIVE WEIGHTED Abdul Meizar STMIK Potensi Utama Jl. K.L. Yos Sudarso Km. 6,5 No. 3A Email : abdulmeizar@gmail.com

Abstrak Daerah lingkungan tempat saya tinggal terdapat banyak petani biji kakao. Dari petani kakao tersebut terdapat banyak variasi mutu terhadap biji kakao yang dihasilkan dari olahan panen mereka. Biji kakao kering hasil olahan petani akan dijual atau dibeli berdasarkan patokan pemerintah. CV. Sibaroar adalah perusahaan perseorangan yang bergerak dibidang pembelian biji kakao kering di daerah saya. Walaupun terdapat banyak variasi mutu yang dihasilkan tetapi harga jual/beli dipatok sama saja oleh perusahan ini. Oleh sebab itu peneliti mencoba membuat sebuah sistem pendukung keputusan untuk menentukan mutu biji kakao layak jual dengan metode Simple Additive Weighted agar harga jual/beli sesuai dengan mutu yang dihasilkan oleh petani tersebut. Kata kunci : Sistem Pendukung Keputusan, Simple Additive Weighted, Mutu Biji Kakao, Harga Jual, CV.Sibaroar I.

PENDAHULUAN

Metode Simple Additive Weighting (SAW) sering juga dikenal istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut (Sri Kusuma Dewi, 2006). Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada. Metode Simple Additive Weighted sudah banyak digunakan dalam kasus keputusan. Misalkan Sensitivity Analysis of Simple Additive Weighting Method (SAW): The Results of Change in the Weight of One Attribute on the Final Ranking of Alternatives (Azizollah Memariani, 2009), penilaian kinerja karyawan di Ifun Jaya Textile dengan metode fuzzy simple additive weighted (Much. Rifqi Maulana, 2012), Appraisal and Analysis on Diversified Web Service Selection Techniques based on QoS Factors (N.Balaji,et al. 2013) dan lain sebagainya. Kakao adalah sebuah tanaman tropis yang biji nya akan diolah dan menjadi kudapan terkenal yaitu berupa coklat. Kakao juga merupakan salah satu komoditas ekspor terbesar selain Nonmigas di Indonesia. Terdapat kualitas biji kakao yaitu tampilan biji dan tingkat kering pada biji tersebut sehingga akan mempengaruhi harga jual biji. Daerah lingkungan tempat saya tinggal terdapat banyak petani biji kakao. Dari petani kakao tersebut terdapat banyak variasi mutu

438

terhadap biji kakao yang dihasilkan dari olahan panen mereka. Biji kakao kering hasil olahan petani akan dijual atau dibeli berdasarkan patokan pemerintah. CV. Sibaroar adalah perusahaan perseorangan yang bergerak dibidang pembelian biji kakao kering di daerah saya. Walaupun terdapat banyak variasi mutu yang dihasilkan tetapi harga jual/beli dipatok sama saja oleh perusahan ini. Oleh sebab itu peneliti mencoba membuat sebuah sistem pendukung keputusan untuk menentukan mutu biji kakao layak jual dengan metode Simple Additive Weighted agar harga jual/beli sesuai dengan mutu yang dihasilkan oleh petani tersebut. II.

LANDASAN TEORI

Sistem Pendukung Keputusan yaitu sebuah sistem berbasis komputer yang adaptif, fleksibel, dan interaktif yang digunakan untuk memecahkan masalah-masalah tidak terstruktur sehingga meningkatkan nilai keputusan yang diambil. Metode Simple Additive Weighting (SAW) merupakan metode dengan mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. III.

METODOLOGI PENELITIAN

Metode penelitian untuk penelitian ini dimulai dari mengidentifikasi masalah yang kemudian jika ditemukan masalah maka langkah selanjutnya adalah menganalisa masalah tersebut. Setelah masalah dianalisa dapat dipelajari


literatur-literatur yang berhubungan dengan penelitian tersebut untuk dilanjutkan ke langkah berikutnya yaitu mengumpulkan data-data apa saja yang dibutuhkan untuk penelitian ini. Langkah selanjutnya adlaha menganalisa metode yang digunakan dalam penelitian ini yaitu menggunakan metode simple additive weighting. Berikutnya barulah peneliti mendesain sistem yang akan dibangun dan dilakukan proses implementasi untuk melakukan proses pengujian terhedap data-data yang diambil pada objek penelitian. Dari hasil pengujian tersebut nanti akan didapatlah sebuah keputusan yang dapat digunakan untuk mengambil keputusan yang sebenarnya. IV.

ANALISA DAN PERANCANGAN

Dalam menetapkan mutu biji kakao layak jual berdasarkan nilai tertinggi. langkah pertama yang harus dilakukan adalah menentukan kriteriakriteria yang digunakan, kriteria yang digunakan adalah pembobotan penilaian terhadap kriteriakriteria. Analisa Kebutuhan Data Alternatif Ada empat alternatif yang digunakan didalam penentuan petani yang memiliki mutu biji kakao layak jual yaitu : 1. Biji Kakao dari petani Hartono. 2. Biji Kakao dari petani Joko. 3. Biji Kakao dari petani Hartati. 4. Biji Kakao dari petani Khairil. Data petani di atas merupakan data dari CV. Sibaroar yang biji kakaonya telah dibeli oleh perusahaan tersebut. Analisa Kebutuhan Data Kriteria Ada lima kriteria yang digunakan didalam penentuan mutu biji kakao layak jual yaitu : 1. Tingkat Kekeringan, adalah kadar air biji kakao yang telah dijemur. Menurut pakar dari CV. Sibaroar, bila biji kakao dapat dipatah dengan jari ibu maka dikatakan kering. Tetapi ada juga dari Standard Nasional Indonesia tentang mutu biji kakao kering adalah kadar air 0 sampai 7,5%. 2. Bersih, yang dibuktikan dengan tidak menempelnya benda asing selain biji itu sendiri. Dan pada Standard Nasional Indonesia nomor 01-2323-2002 dijabarkan lebih detail yaitu tidak adanya kotoran, slaty, berkecambah, berjamur dan berserangga. 3. Tidak berbau, yang dibuktikan tidak adanya bau tidak sedap yang keluar dari biji. Pada Standard Nasional Indonesia nomor 01-23232002 dijabarkan yaitu tidak berbau asap, Hammy, kotoran.

4. Tidak berserangga, tidak adanya serangga yang menempel pada biji. Standard Nasional Indonesia nomor 01-2323-2002 dijelaskan tidak ada serangga yang menempel, bagian tubuh serangga, kerusakan akibat serangga. Langkah – langkah perhitungan metode Simple Additive Weighting (SAW) untuk menentukan mutu biji kakao layak jual yaitu: 1. Bobot Dalam metode penelitian ini, nilai weight (bobot) didapat dari perkalian antara bobot kriteria dan subkriteria. Sedangkan untuk mendapatkan nilai bobot kriteria, peneliti akan menyebarkan kuesioner yang ditujukan kepada beberapa pegawai CV. Sibaroar dan petani sebanyak 20 lembar. Untuk mencari mana kriteria yang akan diprioritaskan. Berikut adalah format kuesioner yang peneliti bagikan ke 10 karyawan dan 10 petani kakao. Tabel 1. Rekapitulasi Hasil Kuesioner Kriteria Prioritas Weight Tingkat Kering Bersih Tidak Berbau Tidak Berserangga

8 / 20 6 / 20 4 / 20 2 / 20

0,400 0,300 0,200 0,100

2. Kriteria Di dalam kriteria memiliki jangkauan nilai yang akan dikelompokkan ke dalam bilangan fuzzy. Berikut adalah rincian nilai dalam kriteria tersebut: a. Tingkat Kekeringan Jangkauan Nilai Tingkat Kekeringan ( ) 0,000% – 7,500% 7,510 % - 10,000% 10,001% - 38,412% 38,413% - 70,000% 70,001% - 100% b. Kebersihan Jangkauan Nilai Keberhasilan ( ) 0,000% – 3,000% 3,001 % - 8,000% 8,001% - 20,000% 20,001% - 100%

1 0,75 0,5 0,25 0

Nilai Fuzzy 1 0,75 0,5 0,25

c. Tidak Berbau Jangkauan Nilai Tidak Berbau ( ) Tidak berbau Ada berbau

Nilai Fuzzy

Nilai Fuzzy 0,75 0,25

439


d. Tidak Berserangga Jangkauan Nilai Berserangga ( )

Tidak

0,000% - 1,000% 1,001% - 2,000% 2,001% - 30,000% 30,001% - 100%

Nilai Fuzzy 1 0,75 0,5 0,25

3. Kasus Perhitungan Peneliti mengambil empat petani kakao dari penduduk sekitar sebagai contoh kasus untuk ketepatan sistem pendukung keputusan menentukan mutu biji kakao layak jual dengan metode Simple Additive Weighting (SAW). Dari empat petani tersebut telah memiliki biji kakao kering dengan olahan mereka sendiri. Biji kakao tersebut dihitung berdasarkan kriteria dan didapatkan data dari CV. Sibaroar.

Kemudian dari matriks tersebut, ditentukan nilai maksimum dari setiap kriteria. Maks =1 Maks =1 Maks Maks 6. Proses Normalisasi Matriks Keputusan ke Skala yang Dibandingkan dengan Semua Rating Alternatif Setelah dibuat sebuah matriks, selanjutnya nilai-nilai matriks dinormalisasi dan dikelompokkan menurut setiap alternatif. Alternatif 1 (Kakao A) A1r11 = 1 / 1 = 1 A1r12 = 0,5/1 = 0,5 A1r13 = 0,75/0,75 = 1 A1r14 = 0,5 / 1 = 0,5

Tabel 2. Data Biji Kakao Petani dengan Nilai dari Kriteria Kriteria Tingkat Kekeringan (C1) Kebersihan (C2) Tidak Berbau (C3) Tidak Berserangga (C4)

Kakao A 5,556%

Kakao B 13,333%

Kakao C 21,36%

Kakao D 33,333%

17,8%

9,4%

1%

2,5%

Tidak

Tidak

Ada

Tidak

12%

5%

0,5%

0%

Alternatif 2 (Kakao B) A2r21 = 0,75/1 = 0,5 A2r22 = 0,5 / 1 = 0,5 A2r23 = 0,75/0,75 = 1 A2r24 = 0,5 / 1 = 0,5

Alter natif 3 (Kakao C) A3r31 = 0,5/1 = 0,5 A3r32 = 1 / 1 =1 A3r33 = 0,25/0,75 = 0,333 A3r34 =1/1=1

Alternatif 4 (Kakao D) A4r41 = 0,5 /1 = 0,5 A4r42 = 1 / 1 = 1 A4r43 = 0,75/0,75 = 1 A4r44 = 1 / 1 = 1

7. Proses Preferensi untuk Tiap Alternatif Hasil dari Normalisasi dikali matriks pada Weight (Tingkat Kepentingan) setiap kriteria, Dan alternatif disimbolkan dengan v seperti hitungan di bawah ini :

4. Rating Kecocokan dari Setiap Alternatif pada Setiap Kriteria Dari data biji kakao setiap petani, kemudian ditransformasikan ke dalam rating kecocokan bilangan fuzzy dari setiap kriteria. Tabel 3. Rating Kecocokan Terhadap Fuzzy dari Setiap Alternatif pada Kriteria Kriteria Alternatif Petani A Petani B Petani C Petani D Weight

1 0,5 0,5 0,5 0,400

0,5 0,5 1 1 0,300

0,75 0,75 0,25 0,75 0,200

0,5 0,5 1 1 0,100

5. Matriks Keputusan Setelah membuat sebuah rating kecocokan, selanjutnya dikelompokkan dalam sebuah matriks, seperti berikut ini.

440

8. Kesimpulan Hasil akhir perhitungan jika diperingkatkan seperti berikut. V1 = 0,8000 V4 = 0,8000 V3 = 0,6667 V2 = 0,6000 Keterangan terhadap hasil nilai diatas: 1. V1 adalah Kakao A, dimiliki oleh petani Hartono. Sehingga Hartono memiliki kriteria mutu biji kakao kering kategori sangat bagus untuk layak jual . 2. V4 adalah Kakao D, dimiliki oleh petani Khairil. Menduduki ranking ke dua yang kebetulan nilai sama, sehingga dapat dikategorikan mutu biji kakao sangat bagus untuk layak jual.


3. V3 adalah Kakao C, dimiliki oleh petani Hartati. Menduduki ranking ke tiga yang berarti biji kakao kering punya Hartati dikategorikan bagus untuk layak jual. 4. V2 adalah Kakao B, dimiliki oleh petani Joko. Menduduki ranking ke empat yang berarti biji kakao kering punya Joko dikategorikan cukup untuk layak jual.

memilih ada berapa kakao yang akan diinputkan ke dalam sistem.

Bila pemerintah menetapkan harga biji kakao kering layak jual Rp 28.000,- maka dengan adanya Sistem Pendukung Keputusan ini, CV.Sibaroar dapat menentukan petani mana yang berhak dapat harga mutlak Rp 28.000,- dan mungkin petani lainnya dapat harga beli kurang dari patokan pemerintah. V. IMPLEMENTASI DAN PENGUJIAN Pada pengujian hasil analisa ini, digunakan pemrograman berbasis Web untuk membangun sebuah aplikasi sistem pendukung keputusan untuk menentukan mutu biji kakao layak jual yang nantinya akan dilakukan untuk pengujian terhadap data yang telah dibahas pada bab sebelumnya, Berikut tampilan untuk pengujian aplikasi: 1. Tampilan Halaman Home Tampilan Halaman home merupakan tampilan awal saat aplikasi dijalankan, di mana didalam teks selamat datanag di aplikasi dan berisi menu dan juga judul aplikasi yang dijalankan.

Gambar 2. Tampilan Awal Halaman Sistem Pada halaman Sistem, terdapat pemilihan banyak data yang akan diperhitungkan untuk menentukan mutu biji kakao. Pilihan data terdiri atas 3, 4, 5 yang berarti ada tiga atau empat atau lima data kakao yang akan diperhitungkan. Bila dipilih 3 dan klik Submit, maka akan ditampilkan input data sebanyak tiga data kakao. Jika dipilih 4 dan klik Submit, maka akan ditampilkan input data sebanyak empat data kakao. Dan bila dipilih 5 dan klik Submit, maka akan ditampilkan input data sebanyak lima data kakao.

Gambar 3. Tampilan Pemilihan Banyak Data Gambar 1. Tampilan Halaman Home 2. Tampilan Sistem Tampilan Sistem adalah halaman yang dipergunakan untuk perhitungan menentukan mutu biji kakao layak jual. Pada halaman ini pertama kali akan tampil teks yaitu Banyak Data. Banyak Data dimaksudkan kepada user untuk

Sesuai dengan analisa Bab IV, maka peneliti memilih 4 dan klik Submit, maka akan tampil data kakao sebanyak empat dan user dapat memasukkan data Alternatif dan data Kriteria pada tampilan tersebut. Bila sudah diisi data kriteria dan data alternatif maka klik Eksekusi. Secara otomatis akan mengalami perhitungan dengan metode Simple Additive Weighted. Perhitungan tersebut diawali dengan tampilan

441


Kecocokan Bilangan Fuzzy kemudian Tabel Normalisasi SAW dan terakhir Tabel Urutan berdasar Ranking.

Gambar 6. Tampilan Tabel Perhitungan Normalisasi SAW Pada gambar 6 menjelaskan hasil perhitungan Normalisai SAW terhadap semua alternatif yang diisi data - data kakao pada penjelasan sebelumnya.

Gambar 4. Tampilan Data Kakao Sebanyak 4 Pada gambar 4 adalah tampilan halaman Sistem dengan memilih Banyak Data yaitu empat. Berdasarkan hasil analisis dari Bab IV, bahwa data kakao yang dianalisa sebanyak empat maka peneliti menginputkan data – data kakao berdasarkan pada Tabel yang didasarkan pada analisa dari Bab IV. Kemudian setelah data terisi semua klik Eksekusi. Maka data yang disi akan diperhitungkan ke dalam metode SAW.

Kemudian dari Perhitungan Normalisasi akan dikali matriks terhadap nilai weighted maka akan menghasilkan nilai ranking data kakao yang bermutu layak jual. Hasil perhitungan aplikasi dapat dilihat gambar 7.

Gambar 7. Tampilan Tabel Urutan Mutu Biji Kakao Layak Jual

Gambar 5. Tampilan Tabel Kecocokan dengan Bilangan Fuzzy

Kriteria

Gambar 5. menjelaskan bahwa data kakao yang telah diinputkan sebelumnya akan ditransformasikan kedalam kecocokan bilangan Fuzzy dan hasilnya sesuai dengan analisa yang diperhitungkan peneliti di Bab IV.

Dari gambar 7 dapat ditampilkan hasil bahwa Kakao A yang dimiliki oleh petani Hartono dan Kakao D yang dimiliki petani Khairil memiliki nilai yang tinggi. Artinya mereka memiliki kualitas biji kakao sangat layak jual dan dengan itu biji kakao mereka memiliki harga jual tinggi. Kakao C dimiliki petani Hartati menduduki ranking ke-3 yang artinya kualitas biji kakao kering dia dikategorikan baik untuk layak jual. Dan Kakao B yang dimiliki petani Joko diperingkat ke-4 artinya biji kakao kering miliknya dikategorikan cukup layak jual. V.

KESIMPULAN DAN SARAN

Kesimpulan Dari hasil analisa sistem pendukung keputusan untuk menentukan mutu biji kakao layak jual dan peneliti melakukan penelitian pada CV. Sibaroar dapat disimpulkan bahwa :

442


Sistem Pendukung Keputusan yang dibuat dengan menggunakan metode Simple Additive Weighted dapat melakukan perhitungan secara otomatis ketika pengguna menginputkan nilai dan bobot, sehingga dapat menganalisa biji kakao yang bermutu dengan harga jual disesuaikan kualitasnya. Adapun kriteria-kriteria yang diambil dalam sistem pendukung keputusan ini mengacu pada data hasil penelitian di CV. Sibaroar selaku perusahaan yang membeli biji kakao kering dari petani kakao lingkungan sekitar. Dan juga merujuk pada pedoman Standard Nasional Indonesia nomor 01-2323-2002 sehingga dapat mengimplementasikan Sistem Pendukung Keputusan dalam menentukan petani kakao yang mempunyai kualitas bagus layak jual. Aplikasi Sistem Pendukung Keputusan untuk Menentukan mutu Biji Kakao Layak Jual dengan Metode Simple Additive Weighted telah dapat memenuhi kebutuhan untuk membantu dalam menentukan mutu biji kakao dari petani kakao. Sehingga dapat menentukan juga nilai beli terhadap mutu biji kakao hasil olahan petani. Saran Berdasarkan hasil pengujian dan kesimpulan, saran untuk penetapan dan kelanjutan sistem pendukung keputusan ini adalah sebagai berikut : Sistem Pendukung keputusan dengan metode SAW ini menggunakan aplikasi berbasis Web, disarankan untuk pengembangan berikutnya dapat dibuat sebuah aplikasi yang dapat menjawab segala keperluan institusi pembeli biji kakao. Contohnya mungkin pelaporan hasil perhitungan, data karyawan, dan lain sebagainya Bagi para peneliti yang ingin mengembangkan sistem pendukung keputusan ini dapat dikembangkan lagi menjadi lebih baik dan lebih bervariasi dengan melengkapi dan menambah kriteria dari mutu biji kakao yang lebih banyak. Mungkin datanya dapat di ambil dari Standard Nasional Indonesia yang terbaru. Pada penelitian ini penulis hanya menggunakan kuisioner sebanyak 20 orang, semakin banyak kuisioner yang digunakan dalam pengumpulan data maka hasil analisis akan jauh lebih baik lagi

[2] DR.IR.Kadarsah Suryadi, (2003). Sistem Pendukung Keputusan, PT.Remaja Rosdakarya Bandung. [3] Efraim Turban, Jay E. Aronson, Ting Peng Liang (2005). Decision Support System and Intelligent Systems Edisi 7 Jilid 1, Andi Yogyakarta. [4] Indonesia (2002), Standard Nasiional Indonesia Nomor 01-2323-2002 Tahun 2002 [5] Kusrini (2007). Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta. Penerbit Andi. [6] Much. Rifqi Maulana. Penilaian Kinaerja Karyawan di Ifun Jaya Textile Dengan Metode Fuzzy Simple Additive Weighted. Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012. [7] N.Balaji, G.Sambasivam, et al. Appraisal and Analysis on Diversified Web Service Selection Techniques based on QoS Factors. ISSN : 0975-4024 Vol 5 No 3 Jun-Jul 2013 [8] Retno Utami Hatmi dan Sinung Rustijarno. (2012). Teknologi Pengolahan Biji Kakao Menuju SNI 01-2323-2008. BPTP Yogyakarta. 2012. [9] Tumpal H. S. Siregar, et al. Budidaya Cokelat. Depok. Penebar Swadaya. 2010. [10] Youllia Indrawaty, et al. IMPLEMENTASI METODE SIMPLE ADDITIVE WEIGHTING PADA SISTEM PENGAMBILAN KEPUTUSAN SERTIFIKASI GURU. Jurnal Informatika Itenas Library No.2, Vol.2, Mei – Agustus 2011.

Daftar Pustaka [1] Azizollah Memariani, Sensitivity Analysis of Simple Additive Weighting Method (SAW): The Results of Change in the Weight of One Attribute on the Final Ranking of Alternatives. Journal of Industrial Engineering 4 (2009) 13 - 18.

443

Seminar Nasional Informatika (SNIf ) 2014

Recommend Documents